Hi ha una creixent necessitat d'aprenentatge centrat en l'estudiant (SCL) en les institucions d'educació superior, inclosa l'odontologia. Tanmateix, l'SCL té una aplicació limitada en l'educació odontològica. Per tant, aquest estudi pretén promoure l'aplicació de l'SCL en odontologia mitjançant l'ús de la tecnologia d'aprenentatge automàtic d'arbres de decisió (AA) per mapejar l'estil d'aprenentatge preferit (LS) i les estratègies d'aprenentatge corresponents (IS) dels estudiants d'odontologia com a eina útil per desenvolupar directrius d'IS. Mètodes prometedors per a estudiants d'odontologia.
Un total de 255 estudiants d'odontologia de la Universitat de Malaya van completar el qüestionari de l'Índex d'Estils d'Aprenentatge modificat (m-ILS), que contenia 44 ítems per classificar-los en els seus respectius LS. Les dades recollides (anomenades conjunt de dades) s'utilitzen en l'aprenentatge supervisat d'arbres de decisions per fer coincidir automàticament els estils d'aprenentatge dels estudiants amb el SI més adequat. A continuació, s'avalua la precisió de l'eina de recomanació de SI basada en l'aprenentatge automàtic.
L'aplicació de models d'arbre de decisió en un procés de mapatge automatitzat entre LS (entrada) i IS (sortida objectiu) permet obtenir una llista immediata d'estratègies d'aprenentatge adequades per a cada estudiant d'odontologia. L'eina de recomanació IS va demostrar una precisió i un record perfectes de la precisió general del model, cosa que indica que la coincidència de LS amb IS té una bona sensibilitat i especificitat.
Una eina de recomanació de sistemes d'informació (SI) basada en un arbre de decisions d'aprenentatge automàtic (ML) ha demostrat la seva capacitat per fer coincidir amb precisió els estils d'aprenentatge dels estudiants d'odontologia amb les estratègies d'aprenentatge adequades. Aquesta eina ofereix opcions potents per planificar cursos o mòduls centrats en l'aprenent que poden millorar l'experiència d'aprenentatge dels estudiants.
L'ensenyament i l'aprenentatge són activitats fonamentals a les institucions educatives. A l'hora de desenvolupar un sistema de formació professional d'alta qualitat, és important centrar-se en les necessitats d'aprenentatge dels estudiants. La interacció entre els estudiants i el seu entorn d'aprenentatge es pot determinar a través de les seves LS. La recerca suggereix que els desajustos entre les LS i els SI dels estudiants, intencionats pels professors, poden tenir conseqüències negatives per a l'aprenentatge dels estudiants, com ara una disminució de l'atenció i la motivació. Això afectarà indirectament el rendiment dels estudiants [1,2].
Els SI són un mètode utilitzat pels professors per impartir coneixements i habilitats als estudiants, incloent-hi ajudar els estudiants a aprendre [3]. En general, els bons professors planifiquen estratègies d'ensenyament o SI que millor s'adaptin al nivell de coneixement dels seus estudiants, els conceptes que estan aprenent i la seva etapa d'aprenentatge. Teòricament, quan els SI i els SI coincideixen, els estudiants podran organitzar i utilitzar un conjunt específic d'habilitats per aprendre de manera eficaç. Normalment, un pla de lliçó inclou diverses transicions entre etapes, com ara de l'ensenyament a la pràctica guiada o de la pràctica guiada a la pràctica independent. Tenint això en compte, els professors eficaços sovint planifiquen la instrucció amb l'objectiu de desenvolupar els coneixements i les habilitats dels estudiants [4].
La demanda d'aprenentatge per a estudiants (SCL) està creixent en les institucions d'educació superior, inclosa l'odontologia. Les estratègies d'aprenentatge per a estudiants (SCL) estan dissenyades per satisfer les necessitats d'aprenentatge dels estudiants. Això es pot aconseguir, per exemple, si els estudiants participen activament en activitats d'aprenentatge i els professors actuen com a facilitadors i són responsables de proporcionar comentaris valuosos. Es diu que proporcionar materials i activitats d'aprenentatge que siguin adequats al nivell educatiu o a les preferències dels estudiants pot millorar l'entorn d'aprenentatge dels estudiants i promoure experiències d'aprenentatge positives [5].
En general, el procés d'aprenentatge dels estudiants d'odontologia està influenciat pels diversos procediments clínics que han de realitzar i l'entorn clínic en què desenvolupen habilitats interpersonals efectives. L'objectiu de la formació és permetre als estudiants combinar coneixements bàsics d'odontologia amb habilitats clíniques dentals i aplicar els coneixements adquirits a noves situacions clíniques [6, 7]. Les primeres investigacions sobre la relació entre LS i IS van trobar que ajustar les estratègies d'aprenentatge assignades a la LS preferida ajudaria a millorar el procés educatiu [8]. Els autors també recomanen utilitzar una varietat de mètodes d'ensenyament i avaluació per adaptar-se a l'aprenentatge i les necessitats dels estudiants.
Els professors es beneficien de l'aplicació del coneixement de les LS per ajudar-los a dissenyar, desenvolupar i implementar una instrucció que millori l'adquisició d'un coneixement i una comprensió més profunds de la matèria per part dels estudiants. Els investigadors han desenvolupat diverses eines d'avaluació de les LS, com ara el Model d'Aprenentatge Experiencial de Kolb, el Model d'Estil d'Aprenentatge de Felder-Silverman (FSLSM) i el Model Fleming VAK/VARK [5, 9, 10]. Segons la literatura, aquests models d'aprenentatge són els més utilitzats i estudiats. En el treball de recerca actual, l'FSLSM s'utilitza per avaluar les LS entre els estudiants d'odontologia.
L'FSLSM és un model àmpliament utilitzat per avaluar l'aprenentatge adaptatiu en enginyeria. Hi ha molts treballs publicats en ciències de la salut (incloses medicina, infermeria, farmàcia i odontologia) que es poden trobar utilitzant models FSLSM [5, 11, 12, 13]. L'instrument utilitzat per mesurar les dimensions de l'LS a l'FLSM s'anomena Índex d'Estils d'Aprenentatge (ILS) [8], que conté 44 ítems que avaluen quatre dimensions de l'LS: processament (actiu/reflexiu), percepció (perceptiu/intuïtiu), entrada (visual/verbal) i comprensió (seqüencial/global) [14].
Com es mostra a la Figura 1, cada dimensió de l'aprenentatge professional, l'aprenentatge per aprenentatge (LS) té una preferència dominant. Per exemple, en la dimensió de processament, els estudiants amb LS "actiu" prefereixen processar informació interactuant directament amb materials d'aprenentatge, aprendre fent i tendeixen a aprendre en grup. L'LS "reflexiu" es refereix a l'aprenentatge a través del pensament i prefereix treballar sol. La dimensió de "percepció" de l'LS es pot dividir en "sentiment" i/o "intuïció". Els estudiants "sentiment" prefereixen informació més concreta i procediments pràctics, estan orientats als fets en comparació amb els estudiants "intuïtius" que prefereixen material abstracte i són de naturalesa més innovadora i creativa. La dimensió "entrada" de l'LS consta d'aprenents "visuals" i "verbals". Les persones amb LS "visual" prefereixen aprendre a través de demostracions visuals (com ara diagrames, vídeos o demostracions en directe), mentre que les persones amb LS "verbal" prefereixen aprendre a través de paraules en explicacions escrites o orals. Per "entendre" les dimensions de l'LS, aquests aprenents es poden dividir en "seqüencials" i "globals". «Els aprenents seqüencials prefereixen un procés de pensament lineal i aprenen pas a pas, mentre que els aprenents globals tendeixen a tenir un procés de pensament holístic i sempre tenen una millor comprensió del que estan aprenent.»
Recentment, molts investigadors han començat a explorar mètodes per al descobriment automàtic basat en dades, inclòs el desenvolupament de nous algoritmes i models capaços d'interpretar grans quantitats de dades [15, 16]. A partir de les dades proporcionades, l'aprenentatge automàtic supervisat (ML) és capaç de generar patrons i hipòtesis que prediuen resultats futurs basats en la construcció d'algoritmes [17]. En poques paraules, les tècniques d'aprenentatge automàtic supervisat manipulen les dades d'entrada i entrenen algoritmes. A continuació, genera un rang que classifica o prediu el resultat basant-se en situacions similars per a les dades d'entrada proporcionades. El principal avantatge dels algoritmes d'aprenentatge automàtic supervisat és la seva capacitat per establir resultats ideals i desitjats [17].
Mitjançant l'ús de mètodes basats en dades i models de control d'arbres de decisió, és possible la detecció automàtica de LS. S'ha informat que els arbres de decisió s'utilitzen àmpliament en programes de formació en diversos camps, incloses les ciències de la salut [18, 19]. En aquest estudi, els desenvolupadors del sistema van entrenar específicament el model per identificar els LS dels estudiants i recomanar-los el millor SI.
L'objectiu d'aquest estudi és desenvolupar estratègies d'entrega de SI basades en la LS dels estudiants i aplicar l'enfocament SCL mitjançant el desenvolupament d'una eina de recomanació de SI assignada a la LS. El flux de disseny de l'eina de recomanació de SI com a estratègia del mètode SCL es mostra a la Figura 1. L'eina de recomanació de SI es divideix en dues parts, que inclouen el mecanisme de classificació de LS mitjançant ILS i la visualització de SI més adequada per als estudiants.
En particular, les característiques de les eines de recomanació de seguretat de la informació inclouen l'ús de tecnologies web i l'ús de l'aprenentatge automàtic d'arbres de decisió. Els desenvolupadors de sistemes milloren l'experiència i la mobilitat de l'usuari adaptant-los a dispositius mòbils com ara telèfons mòbils i tauletes.
L'experiment es va dur a terme en dues etapes i hi van participar estudiants de la Facultat d'Odontologia de la Universitat de Malaya de manera voluntària. Els participants van respondre a un qüestionari en línia m-ILS d'un estudiant d'odontologia en anglès. A la fase inicial, es va utilitzar un conjunt de dades de 50 estudiants per entrenar l'algoritme d'aprenentatge automàtic d'arbre de decisió. A la segona fase del procés de desenvolupament, es va utilitzar un conjunt de dades de 255 estudiants per millorar la precisió de l'instrument desenvolupat.
Tots els participants reben una sessió informativa en línia al començament de cada etapa, depenent del curs acadèmic, a través de Microsoft Teams. Es va explicar l'objectiu de l'estudi i es va obtenir el consentiment informat. Tots els participants van rebre un enllaç per accedir a l'm-ILS. Es va instruir a cada estudiant que respongués els 44 ítems del qüestionari. Se'ls va donar una setmana per completar l'ILS modificat en un moment i lloc que els convingués durant les vacances del semestre abans de l'inici del semestre. L'm-ILS es basa en l'instrument ILS original i està modificat per a estudiants d'odontologia. De manera similar a l'ILS original, conté 44 ítems distribuïts uniformement (a, b), amb 11 ítems cadascun, que s'utilitzen per avaluar aspectes de cada dimensió de l'FSLSM.
Durant les etapes inicials de desenvolupament de l'eina, els investigadors van anotar manualment els mapes utilitzant un conjunt de dades de 50 estudiants d'odontologia. Segons el FSLM, el sistema proporciona la suma de les respostes "a" i "b". Per a cada dimensió, si l'estudiant selecciona "a" com a resposta, la LS es classifica com a Activa/Perceptiva/Visual/Seqüencial, i si l'estudiant selecciona "b" com a resposta, l'estudiant es classifica com a Reflexiva/Intuïtiva/Lingüística/aprenent global.
Després de calibrar el flux de treball entre els investigadors d'educació dental i els desenvolupadors de sistemes, es van seleccionar preguntes basades en el domini FLSSM i es van introduir al model ML per predir la LS de cada estudiant. "Si entra brossa, surt brossa" és una dita popular en el camp de l'aprenentatge automàtic, amb èmfasi en la qualitat de les dades. La qualitat de les dades d'entrada determina la precisió i l'exactitud del model d'aprenentatge automàtic. Durant la fase d'enginyeria de característiques, es crea un nou conjunt de característiques que és la suma de les respostes "a" i "b" basades en FLSSM. Els números d'identificació de les posicions dels fàrmacs es donen a la Taula 1.
Calcula la puntuació en funció de les respostes i determina la LS de l'estudiant. Per a cada estudiant, el rang de puntuació és d'1 a 11. Les puntuacions de l'1 al 3 indiquen un equilibri de preferències d'aprenentatge dins de la mateixa dimensió, i les puntuacions del 5 al 7 indiquen una preferència moderada, cosa que indica que els estudiants tendeixen a preferir un entorn ensenyant a altres. Una altra variació de la mateixa dimensió és que les puntuacions del 9 a l'11 reflecteixen una forta preferència per un extrem o l'altre [8].
Per a cada dimensió, les drogues es van agrupar en "activa", "reflexiva" i "equilibrada". Per exemple, quan un estudiant respon "a" més sovint que "b" en un ítem designat i la seva puntuació supera el llindar de 5 per a un ítem concret que representa la dimensió LS de Processament, pertany al domini LS "actiu". Tanmateix, els estudiants es van classificar com a LS "reflexius" quan van triar "b" més que "a" en 11 preguntes específiques (Taula 1) i van obtenir més de 5 punts. Finalment, l'estudiant es troba en un estat d'"equilibri". Si la puntuació no supera els 5 punts, aleshores es tracta d'un LS de "process". El procés de classificació es va repetir per a les altres dimensions de l'LS, és a dir, la percepció (activa/reflexiva), l'entrada (visual/verbal) i la comprensió (seqüencial/global).
Els models d'arbre de decisió poden utilitzar diferents subconjunts de característiques i regles de decisió en diferents etapes del procés de classificació. Es considera una eina de classificació i predicció popular. Es pot representar mitjançant una estructura d'arbre com ara un diagrama de flux [20], en què hi ha nodes interns que representen proves per atribut, cada branca que representa els resultats de les proves i cada node fulla (node fulla) que conté una etiqueta de classe.
Es va crear un programa senzill basat en regles per puntuar i anotar automàticament la LS de cada estudiant en funció de les seves respostes. La funció basada en regles pren la forma d'una instrucció IF, on "IF" descriu el desencadenant i "THEN" especifica l'acció que s'ha de realitzar, per exemple: "Si passa X, aleshores fes Y" (Liu et al., 2014). Si el conjunt de dades presenta correlació i el model d'arbre de decisió s'ha entrenat i avaluat correctament, aquest enfocament pot ser una manera eficaç d'automatitzar el procés de coincidència de LS i IS.
En la segona fase de desenvolupament, el conjunt de dades es va augmentar a 255 per millorar la precisió de l'eina de recomanació. El conjunt de dades es divideix en una proporció d'1:4. El 25% (64) del conjunt de dades es va utilitzar per al conjunt de prova i el 75% restant (191) es va utilitzar com a conjunt d'entrenament (Figura 2). Cal dividir el conjunt de dades per evitar que el model s'entreni i es provi en el mateix conjunt de dades, cosa que podria fer que el model recordi en lloc d'aprendre. El model s'entrena en el conjunt d'entrenament i avalua el seu rendiment en el conjunt de prova, dades que el model no ha vist mai abans.
Un cop desenvolupada l'eina de seguretat de la informació, l'aplicació podrà classificar la seguretat de la informació (LS) en funció de les respostes dels estudiants d'odontologia a través d'una interfície web. El sistema d'eines de recomanació de seguretat de la informació basat en web es construeix utilitzant el llenguatge de programació Python i el framework Django com a backend. La Taula 2 enumera les biblioteques utilitzades en el desenvolupament d'aquest sistema.
El conjunt de dades s'alimenta a un model d'arbre de decisions per calcular i extreure les respostes dels estudiants per classificar automàticament les mesures LS dels estudiants.
La matriu de confusió s'utilitza per avaluar la precisió d'un algorisme d'aprenentatge automàtic d'arbre de decisió en un conjunt de dades determinat. Alhora, avalua el rendiment del model de classificació. Resumeix les prediccions del model i les compara amb les etiquetes de dades reals. Els resultats de l'avaluació es basen en quatre valors diferents: Positiu veritable (TP): el model va predir correctament la categoria positiva, Positiu fals (FP): el model va predir la categoria positiva, però l'etiqueta veritable era negativa, Negatiu veritable (VN): el model va predir correctament la classe negativa, i negatiu fals (FN): el model prediu una classe negativa, però l'etiqueta veritable és positiva.
Aquests valors s'utilitzen per calcular diverses mètriques de rendiment del model de classificació scikit-learn a Python, és a dir, precisió, precisió, recuperació i puntuació F1. Aquí teniu alguns exemples:
El record (o sensibilitat) mesura la capacitat del model per classificar amb precisió la LS d'un estudiant després de respondre el qüestionari m-ILS.
L'especificitat s'anomena taxa de veritables negatius. Com podeu veure a la fórmula anterior, aquesta hauria de ser la relació entre els veritables negatius (VN) i els veritables negatius i els falsos positius (FP). Com a part de l'eina recomanada per classificar les drogues dels estudiants, hauria de ser capaç d'una identificació precisa.
El conjunt de dades original de 50 estudiants utilitzat per entrenar el model d'aprenentatge automàtic (ML) d'arbre de decisió va mostrar una precisió relativament baixa a causa d'errors humans en les anotacions (Taula 3). Després de crear un programa senzill basat en regles per calcular automàticament les puntuacions LS i les anotacions dels estudiants, es va utilitzar un nombre creixent de conjunts de dades (255) per entrenar i provar el sistema de recomanació.
A la matriu de confusió multiclasse, els elements diagonals representen el nombre de prediccions correctes per a cada tipus LS (Figura 4). Utilitzant el model d'arbre de decisió, es van predir correctament un total de 64 mostres. Per tant, en aquest estudi, els elements diagonals mostren els resultats esperats, cosa que indica que el model funciona bé i prediu amb precisió l'etiqueta de classe per a cada classificació LS. Així, la precisió global de l'eina de recomanació és del 100%.
Els valors de precisió, exactitud, recuperació i puntuació F1 es mostren a la Figura 5. Per al sistema de recomanació que utilitza el model d'arbre de decisió, la seva puntuació F1 és d'1.0 "perfecta", cosa que indica una precisió i una recuperació perfectes, reflectint valors significatius de sensibilitat i especificitat.
La figura 6 mostra una visualització del model d'arbre de decisió després que s'hagin completat l'entrenament i les proves. En una comparació en paral·lel, el model d'arbre de decisió entrenat amb menys característiques va mostrar una precisió més alta i una visualització del model més fàcil. Això demostra que l'enginyeria de característiques que porta a la reducció de característiques és un pas important per millorar el rendiment del model.
Aplicant l'aprenentatge supervisat per arbres de decisió, el mapatge entre LS (entrada) i IS (sortida objectiu) es genera automàticament i conté informació detallada per a cada LS.
Els resultats van mostrar que el 34,9% dels 255 estudiants preferien una (1) opció de LS. La majoria (54,3%) tenia dues o més preferències de LS. El 12,2% dels estudiants van assenyalar que la LS està força equilibrada (Taula 4). A més de les vuit LS principals, hi ha 34 combinacions de classificacions de LS per als estudiants d'odontologia de la Universitat de Malaya. Entre elles, la percepció, la visió i la combinació de percepció i visió són les principals LS reportades pels estudiants (Figura 7).
Com es pot veure a la Taula 4, la majoria dels estudiants tenien una LS predominantment sensorial (13,7%) o visual (8,6%). Es va informar que el 12,2% dels estudiants combinaven la percepció amb la visió (LS perceptiu-visual). Aquestes troballes suggereixen que els estudiants prefereixen aprendre i recordar a través de mètodes establerts, segueixen procediments específics i detallats i són atents per naturalesa. Al mateix temps, gaudeixen aprenent mirant (utilitzant diagrames, etc.) i tendeixen a discutir i aplicar la informació en grup o pel seu compte.
Aquest estudi ofereix una visió general de les tècniques d'aprenentatge automàtic utilitzades en la mineria de dades, amb un enfocament en la predicció instantània i precisa del rendiment de les dades (LS) dels estudiants i la recomanació d'un sistema d'informació (IS) adequat. L'aplicació d'un model d'arbre de decisió va identificar els factors més estretament relacionats amb les seves experiències vitals i educatives. És un algoritme d'aprenentatge automàtic supervisat que utilitza una estructura d'arbre per classificar dades dividint un conjunt de dades en subcategories basades en certs criteris. Funciona dividint recursivament les dades d'entrada en subconjunts basats en el valor d'una de les característiques d'entrada de cada node intern fins que es pren una decisió al node fulla.
Els nodes interns de l'arbre de decisió representen la solució basada en les característiques d'entrada del problema m-ILS, i els nodes fulla representen la predicció final de la classificació LS. Al llarg de l'estudi, és fàcil entendre la jerarquia dels arbres de decisió que expliquen i visualitzen el procés de decisió observant la relació entre les característiques d'entrada i les prediccions de sortida.
En els camps de la informàtica i l'enginyeria, els algoritmes d'aprenentatge automàtic s'utilitzen àmpliament per predir el rendiment dels estudiants en funció de les puntuacions dels seus exàmens d'accés [21], informació demogràfica i comportament d'aprenentatge [22]. La investigació va demostrar que l'algoritme va predir amb precisió el rendiment dels estudiants i els va ajudar a identificar estudiants amb risc de dificultats acadèmiques.
Es presenta l'aplicació d'algoritmes d'aprenentatge automàtic (ML) en el desenvolupament de simuladors de pacients virtuals per a la formació dental. El simulador és capaç de reproduir amb precisió les respostes fisiològiques de pacients reals i es pot utilitzar per formar estudiants d'odontologia en un entorn segur i controlat [23]. Diversos altres estudis mostren que els algoritmes d'aprenentatge automàtic poden millorar potencialment la qualitat i l'eficiència de l'educació mèdica i dental i l'atenció al pacient. Els algoritmes d'aprenentatge automàtic s'han utilitzat per ajudar en el diagnòstic de malalties dentals basant-se en conjunts de dades com ara símptomes i característiques dels pacients [24, 25]. Mentre que altres estudis han explorat l'ús d'algoritmes d'aprenentatge automàtic per realitzar tasques com ara predir els resultats dels pacients, identificar pacients d'alt risc, desenvolupar plans de tractament personalitzats [26], tractament periodontal [27] i tractament de càries [25].
Tot i que s'han publicat informes sobre l'aplicació de l'aprenentatge automàtic en odontologia, la seva aplicació en l'educació odontològica continua sent limitada. Per tant, aquest estudi tenia com a objectiu utilitzar un model d'arbre de decisió per identificar els factors més estretament associats amb LS i IS entre estudiants d'odontologia.
Els resultats d'aquest estudi mostren que l'eina de recomanació desenvolupada té una alta precisió i una exactitud perfecta, cosa que indica que els professors es poden beneficiar d'aquesta eina. Mitjançant un procés de classificació basat en dades, pot proporcionar recomanacions personalitzades i millorar les experiències i els resultats educatius per a educadors i estudiants. Entre elles, la informació obtinguda a través d'eines de recomanació pot resoldre conflictes entre els mètodes d'ensenyament preferits pels professors i les necessitats d'aprenentatge dels estudiants. Per exemple, a causa de la sortida automatitzada de les eines de recomanació, el temps necessari per identificar el IP d'un estudiant i fer-lo coincidir amb el IP corresponent es reduirà significativament. D'aquesta manera, es poden organitzar activitats de formació i materials de formació adequats. Això ajuda a desenvolupar un comportament d'aprenentatge positiu dels estudiants i la seva capacitat de concentració. Un estudi va informar que proporcionar als estudiants materials d'aprenentatge i activitats d'aprenentatge que coincideixin amb les seves LS preferides pot ajudar els estudiants a integrar, processar i gaudir de l'aprenentatge de múltiples maneres per aconseguir un major potencial [12]. La investigació també mostra que, a més de millorar la participació dels estudiants a l'aula, comprendre el procés d'aprenentatge dels estudiants també juga un paper crític en la millora de les pràctiques docents i la comunicació amb els estudiants [28, 29].
Tanmateix, com passa amb qualsevol tecnologia moderna, hi ha problemes i limitacions. Aquests inclouen qüestions relacionades amb la privadesa de les dades, el biaix i la imparcialitat, i les habilitats i recursos professionals necessaris per desenvolupar i implementar algoritmes d'aprenentatge automàtic en l'educació dental; no obstant això, l'interès i la recerca creixents en aquesta àrea suggereixen que les tecnologies d'aprenentatge automàtic poden tenir un impacte positiu en l'educació dental i els serveis dentals.
Els resultats d'aquest estudi indiquen que la meitat dels estudiants d'odontologia tenen tendència a "percebre" els fàrmacs. Aquest tipus d'aprenent té preferència pels fets i exemples concrets, una orientació pràctica, paciència amb els detalls i una preferència per la LS "visual", on els aprenents prefereixen utilitzar imatges, gràfics, colors i mapes per transmetre idees i pensaments. Els resultats actuals són consistents amb altres estudis que utilitzen ILS per avaluar la LS en estudiants d'odontologia i medicina, la majoria dels quals tenen característiques de LS perceptiva i visual [12, 30]. Dalmolin et al. suggereixen que informar els estudiants sobre la seva LS els permet assolir el seu potencial d'aprenentatge. Els investigadors argumenten que quan els professors comprenen completament el procés educatiu dels estudiants, es poden implementar diversos mètodes i activitats d'ensenyament que milloraran el rendiment i l'experiència d'aprenentatge dels estudiants [12, 31, 32]. Altres estudis han demostrat que ajustar la LS dels estudiants també mostra millores en l'experiència i el rendiment d'aprenentatge dels estudiants després de canviar els seus estils d'aprenentatge per adaptar-los a la seva pròpia LS [13, 33].
Les opinions dels professors poden variar pel que fa a la implementació d'estratègies docents basades en les capacitats d'aprenentatge dels estudiants. Mentre que alguns veuen els beneficis d'aquest enfocament, incloent-hi oportunitats de desenvolupament professional, mentoria i suport comunitari, d'altres poden estar preocupats pel temps i el suport institucional. Buscar l'equilibri és clau per crear una actitud centrada en l'estudiant. Les autoritats d'educació superior, com ara els administradors universitaris, poden tenir un paper important en la promoció d'un canvi positiu introduint pràctiques innovadores i donant suport al desenvolupament del professorat [34]. Per crear un sistema d'educació superior veritablement dinàmic i sensible, els responsables polítics han de prendre mesures audaços, com ara fer canvis en les polítiques, dedicar recursos a la integració de la tecnologia i crear marcs que promoguin enfocaments centrats en l'estudiant. Aquestes mesures són fonamentals per aconseguir els resultats desitjats. Investigacions recents sobre la instrucció diferenciada han demostrat clarament que la implementació amb èxit de la instrucció diferenciada requereix oportunitats de formació i desenvolupament contínues per als professors [35].
Aquesta eina proporciona un suport valuós als educadors d'odontologia que volen adoptar un enfocament centrat en l'estudiant per planificar activitats d'aprenentatge amigables per a l'estudiant. Tanmateix, aquest estudi es limita a l'ús de models d'aprenentatge automàtic d'arbre de decisió. En el futur, s'haurien de recopilar més dades per comparar el rendiment de diferents models d'aprenentatge automàtic per tal de comparar la precisió, la fiabilitat i la precisió de les eines de recomanació. A més, a l'hora de triar el mètode d'aprenentatge automàtic més adequat per a una tasca concreta, és important tenir en compte altres factors com la complexitat i la interpretació del model.
Una limitació d'aquest estudi és que només es va centrar en el mapatge de LS i IS entre estudiants d'odontologia. Per tant, el sistema de recomanació desenvolupat només recomanarà aquells que siguin adequats per a estudiants d'odontologia. Cal fer canvis per a l'ús general dels estudiants d'educació superior.
L'eina de recomanació basada en l'aprenentatge automàtic recentment desenvolupada és capaç de classificar i relacionar instantàniament les LS dels estudiants amb el SI corresponent, convertint-la en el primer programa d'educació dental que ajuda els educadors dentals a planificar activitats d'ensenyament i aprenentatge rellevants. Mitjançant un procés de triatge basat en dades, pot proporcionar recomanacions personalitzades, estalviar temps, millorar les estratègies d'ensenyament, donar suport a intervencions específiques i promoure el desenvolupament professional continu. La seva aplicació promourà enfocaments centrats en l'estudiant per a l'educació dental.
Gilak Jani Associated Press. Coincidència o discrepància entre l'estil d'aprenentatge de l'estudiant i l'estil d'ensenyament del professor. Int J Mod Educ Computer Science. 2012;4(11):51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Data de publicació: 29 d'abril de 2024