• nós

Mapeo dos estilos de aprendizaxe preferidos dos estudantes dentais ás estratexias de aprendizaxe correspondentes mediante modelos de aprendizaxe de máquinas de árbore de decisións BMC Educación Médica |

Hai unha necesidade crecente de aprendizaxe centrada nos estudantes (SCL) nas institucións de educación superior, incluída a odontoloxía. Non obstante, SCL ten unha aplicación limitada na educación dental. Polo tanto, este estudo pretende promover a aplicación de SCL en odontoloxía mediante a tecnoloxía de aprendizaxe de Tree Tree Machine (ML) para mapear o estilo de aprendizaxe preferido (LS) e as correspondentes estratexias de aprendizaxe (IS) de estudantes dentais como ferramenta útil para desenvolver IS Directrices . Métodos prometedores para estudantes dentais.
Un total de 255 estudantes dentais da Universidade de Malaya completaron o Índice modificado de estilos de aprendizaxe (M-ILS) Cuestionario, que contiña 44 elementos para clasificalos no seu respectivo LSS. Os datos recollidos (chamado conxunto de datos) úsanse na aprendizaxe das árbores de decisión supervisadas para que coincidan automaticamente os estilos de aprendizaxe dos estudantes co máis adecuado. A precisión da ferramenta de recomendación baseada na aprendizaxe de máquinas é entón avaliada.
A aplicación de modelos de árbores de decisións nun proceso de mapeo automatizado entre LS (entrada) e IS (saída de destino) permite unha lista inmediata de estratexias de aprendizaxe adecuadas para cada estudante dental. A ferramenta de recomendación de IS demostrou unha precisión perfecta e un recordo da precisión global do modelo, o que indica que a correspondencia de LS a IS ten boa sensibilidade e especificidade.
Unha ferramenta de recomendación de IS baseada nunha árbore de decisións ML demostrou a súa capacidade para coincidir con precisión os estilos de aprendizaxe dos estudantes dentais con estratexias de aprendizaxe adecuadas. Esta ferramenta ofrece opcións poderosas para planificar cursos ou módulos centrados nos estudantes que poidan mellorar a experiencia de aprendizaxe dos estudantes.
O ensino e a aprendizaxe son actividades fundamentais nas institucións educativas. Ao desenvolver un sistema de educación profesional de alta calidade, é importante centrarse nas necesidades de aprendizaxe dos estudantes. A interacción entre estudantes e o seu ambiente de aprendizaxe pódese determinar a través do seu LS. A investigación suxire que os desaxustes intensivos no profesorado entre os estudantes e IS poden ter consecuencias negativas para a aprendizaxe dos estudantes, como a diminución da atención e a motivación. Isto afectará indirectamente ao rendemento dos estudantes [1,2].
IS é un método empregado polos profesores para impartir coñecementos e habilidades aos estudantes, incluíndo axudar aos estudantes a aprender [3]. En xeral, os bos profesores planean as estratexias de ensino ou é que mellor coincida co nivel de coñecemento dos seus alumnos, os conceptos que están aprendendo e a súa etapa de aprendizaxe. Teoricamente, cando LS e coincida, os estudantes poderán organizar e usar un conxunto específico de habilidades para aprender de xeito eficaz. Normalmente, un plan de lección inclúe varias transicións entre etapas, como desde o ensino á práctica guiada ou desde a práctica guiada ata a práctica independente. Con isto en mente, os profesores eficaces adoitan planificar a instrución co obxectivo de construír o coñecemento e as habilidades dos estudantes [4].
A demanda de SCL está a medrar en institucións de educación superior, incluída a odontoloxía. As estratexias SCL están deseñadas para satisfacer as necesidades de aprendizaxe dos estudantes. Isto pódese conseguir, por exemplo, se os estudantes participan activamente en actividades de aprendizaxe e os profesores actúan como facilitadores e son os responsables de proporcionar valiosos comentarios. Dise que proporcionar materiais e actividades de aprendizaxe adecuadas ao nivel ou preferencias educativas dos estudantes pode mellorar o ambiente de aprendizaxe dos estudantes e promover experiencias de aprendizaxe positiva [5].
En xeral, o proceso de aprendizaxe dos estudantes dentais está influenciado polos diversos procedementos clínicos que están obrigados a realizar e o ambiente clínico no que desenvolven habilidades interpersoais eficaces. O propósito da formación é permitir aos estudantes combinar o coñecemento básico da odontoloxía con habilidades clínicas dentais e aplicar os coñecementos adquiridos a novas situacións clínicas [6, 7]. Investigacións temperás sobre a relación entre LS e atópase que a axuste das estratexias de aprendizaxe mapeadas ao LS preferido axudaría a mellorar o proceso educativo [8]. Os autores tamén recomendan empregar unha variedade de métodos de ensino e avaliación para adaptarse á aprendizaxe e ás necesidades dos estudantes.
Os profesores benefícianse da aplicación de coñecemento de LS para axudalos a deseñar, desenvolver e implementar instrucións que mellorarán a adquisición dos estudantes de coñecemento e comprensión máis profunda do tema. Os investigadores desenvolveron varias ferramentas de avaliación de LS, como o modelo de aprendizaxe experiencial de KOLB, o modelo de estilo de aprendizaxe Felder-Silverman (FSLSM) e o modelo VAK/VAK Fleming [5, 9, 10]. Segundo a literatura, estes modelos de aprendizaxe son os modelos de aprendizaxe máis empregados e máis estudados. No traballo de investigación actual, o FSLSM úsase para avaliar os LS entre os estudantes dentais.
FSLSM é un modelo moi utilizado para avaliar a aprendizaxe adaptativa na enxeñaría. Hai moitas obras publicadas nas ciencias da saúde (incluíndo medicamentos, enfermaría, farmacia e odontoloxía) que se poden atopar empregando modelos FSLSM [5, 11, 12, 13]. O instrumento usado para medir as dimensións de LS no FLSM chámase índice de estilos de aprendizaxe (ILS) [8], que contén 44 elementos que avalían catro dimensións de LS: procesamento (activo/reflexivo), percepción (perceptual/intuitiva), entrada (visual). /verbal) e comprensión (secuencial/global) [14].
Como se mostra na figura 1, cada dimensión FSLSM ten unha preferencia dominante. Por exemplo, na dimensión de procesamento, os estudantes con LS "activos" prefiren procesar información interactuando directamente cos materiais de aprendizaxe, aprenden facendo e tenden a aprender en grupos. O LS "reflexivo" refírese a aprender a través do pensamento e prefire traballar só. A dimensión "percibindo" de LS pódese dividir en "sentimento" e/ou "intuición". Os estudantes "sentindo" prefiren información máis concreta e procedementos prácticos, están orientados a feitos en comparación con estudantes "intuitivos" que prefiren material abstracto e son de natureza máis innovadora e creativa. A dimensión de "entrada" de LS consiste en estudantes "visuais" e "verbais". As persoas con LS "visuais" prefiren aprender a través de demostracións visuais (como diagramas, vídeos ou demostracións en directo), mentres que as persoas con LS "verbais" prefiren aprender a través de palabras en explicacións escritas ou orais. Para "comprender" as dimensións do LS, tales estudantes pódense dividir en "secuencial" e "global". "Os estudantes secuenciais prefiren un proceso de pensamento lineal e aprenden paso a paso, mentres que os estudantes globais tenden a ter un proceso de pensamento holístico e sempre entenden o que están aprendendo.
Recentemente, moitos investigadores comezaron a explorar métodos para o descubrimento automático baseado en datos, incluído o desenvolvemento de novos algoritmos e modelos capaces de interpretar grandes cantidades de datos [15, 16]. Con base nos datos proporcionados, a ML supervisada (aprendizaxe de máquinas) é capaz de xerar patróns e hipóteses que predicen resultados futuros baseados na construción de algoritmos [17]. Simplificando, as técnicas de aprendizaxe de máquinas supervisadas manipulan os datos de entrada e os algoritmos de tren. A continuación, xera un rango que clasifica ou prevé o resultado en función de situacións similares para os datos de entrada proporcionados. A principal vantaxe dos algoritmos de aprendizaxe de máquinas supervisadas é a súa capacidade para establecer resultados ideais e desexados [17].
Mediante o uso de métodos baseados en datos e modelos de control de árbores de decisión, é posible a detección automática de LS. Informouse de que as árbores de decisión foron moi utilizadas en programas de formación en varios campos, incluídas as ciencias da saúde [18, 19]. Neste estudo, o modelo foi formado específicamente polos desenvolvedores do sistema para identificar os LS dos estudantes e recomendar o mellor é para eles.
O propósito deste estudo é desenvolver as estratexias de entrega baseadas no LS dos estudantes e aplicar o enfoque SCL mediante o desenvolvemento dunha ferramenta de recomendación de IS mapeada a LS. O fluxo de deseño da ferramenta de recomendación de IS como estratexia do método SCL móstrase na figura 1. A ferramenta de recomendación IS divídese en dúas partes, incluído o mecanismo de clasificación LS usando ILS e o máis adecuado é para os estudantes.
En particular, as características das ferramentas de recomendación de seguridade da información inclúen o uso de tecnoloxías web e o uso da aprendizaxe de máquinas de árbores de decisións. Os desenvolvedores do sistema melloran a experiencia e a mobilidade do usuario adaptándoos a dispositivos móbiles como teléfonos móbiles e tabletas.
O experimento realizouse en dúas etapas e os estudantes da Facultade de Odontoloxía da Universidade de Malaya participaron de xeito voluntario. Os participantes responderon a M-ILS en liña dun estudante dental en inglés. Na fase inicial, utilizouse un conxunto de datos de 50 estudantes para adestrar o algoritmo de aprendizaxe de máquinas de árbores de decisións. Na segunda fase do proceso de desenvolvemento, utilizouse un conxunto de datos de 255 estudantes para mellorar a precisión do instrumento desenvolvido.
Todos os participantes reciben un informe en liña ao comezo de cada etapa, segundo o curso académico, a través de Microsoft Teams. Explicouse o propósito do estudo e obtívose o consentimento informado. Todos os participantes recibiron unha ligazón para acceder ao M-ILS. A cada alumno foi instruído para responder aos 44 elementos do cuestionario. Déronlles unha semana para completar os IL modificados á vez e a situación conveniente para eles durante o semestre antes do inicio do semestre. O M-ILS está baseado no instrumento ILS orixinal e modificado para estudantes dentais. Semellante aos IL orixinais, contén 44 elementos distribuídos uniformemente (A, B), con 11 elementos cada un, que se usan para avaliar aspectos de cada dimensión FSLSM.
Durante as fases iniciais do desenvolvemento de ferramentas, os investigadores anotaron manualmente os mapas usando un conxunto de datos de 50 estudantes dentais. Segundo o FSLM, o sistema ofrece a suma de respostas "A" e "B". Para cada dimensión, se o alumno selecciona "A" como resposta, o LS clasifícase como activo/perceptivo/visual/secuencial, e se o alumno selecciona "B" como resposta, o alumno está clasificado como reflexivo/intuitivo/lingüístico . / Aprendizaxe global.
Despois de calibrar o fluxo de traballo entre investigadores de educación dental e desenvolvedores de sistemas, seleccionáronse preguntas en función do dominio FLSSM e introducíronse no modelo ML para predecir o LS de cada estudante. "Garbage in, Garbage Out" é un dito popular no campo da aprendizaxe de máquinas, con énfase na calidade dos datos. A calidade dos datos de entrada determina a precisión e precisión do modelo de aprendizaxe de máquinas. Durante a fase de enxeñería de funcións, créase un novo conxunto de características que é a suma de respostas "A" e "B" baseadas en FLSSM. Na táboa 1 móstranse un número de identificación de posicións de drogas.
Calcula a puntuación en función das respostas e determina o LS do estudante. Para cada estudante, o rango de puntuación é do 1 ao 11. As puntuacións de 1 a 3 indican un equilibrio de preferencias de aprendizaxe dentro da mesma dimensión e as puntuacións de 5 a 7 indican unha preferencia moderada, o que indica que os estudantes tenden a preferir un ambiente ensinando aos demais . Outra variación da mesma dimensión é que as puntuacións de 9 a 11 reflicten unha forte preferencia por un extremo ou outro [8].
Para cada dimensión, as drogas agrupáronse en "activo", "reflexivo" e "equilibrado". Por exemplo, cando un alumno responde "A" máis a miúdo que "B" nun elemento designado e a súa puntuación supera o limiar de 5 para un determinado elemento que representa a dimensión de procesamento, pertence ao LS "activo" dominio. . Non obstante, os estudantes foron clasificados como "reflexivos" cando escolleron "B" máis de "A" en 11 preguntas específicas (táboa 1) e anotaron máis de 5 puntos. Finalmente, o alumno está en estado de "equilibrio". Se a puntuación non supera os 5 puntos, este é un "proceso" LS. O proceso de clasificación repetiuse para as outras dimensións de LS, a saber, a percepción (activa/reflexiva), a entrada (visual/verbal) e a comprensión (secuencial/global).
Os modelos de árbores de decisión poden usar diferentes subconxuntos de características e regras de decisión en diferentes etapas do proceso de clasificación. Considérase unha ferramenta de clasificación e predición popular. Pódese representar usando unha estrutura de árbores como un organigrama [20], no que hai nodos internos que representan probas por atributo, cada rama que representa os resultados da proba e cada nodo de follas (nodo de follas) que contén unha etiqueta de clase.
Creouse un programa sinxelo baseado en regras para marcar automaticamente e anotar o LS de cada alumno en función das súas respostas. A base de regras toma a forma dunha declaración IF, onde "se" describe o gatillo e "entón" especifica a acción a realizar, por exemplo: "se x ocorre, entón fai y" (Liu et al., 2014). Se o conxunto de datos presenta correlación e o modelo de árbore de decisións está adecuadamente adestrado e avaliado, este enfoque pode ser un xeito eficaz de automatizar o proceso de correspondencia de LS e IS.
Na segunda fase de desenvolvemento, o conxunto de datos aumentouse a 255 para mellorar a precisión da ferramenta de recomendación. O conxunto de datos divídese nunha relación 1: 4. O 25% (64) do conxunto de datos utilizouse para o conxunto de probas, e o 75% restante (191) utilizouse como conxunto de adestramento (figura 2). O conxunto de datos debe dividirse para evitar que o modelo sexa adestrado e probado no mesmo conxunto de datos, o que podería provocar que o modelo recorde en vez de aprender. O modelo está adestrado no conxunto de adestramento e avalía o seu rendemento no conxunto de probas: o modelo que nunca antes viu.
Unha vez que se desenvolva a ferramenta IS, a aplicación poderá clasificar LS en función das respostas dos estudantes dentais a través dunha interface web. O sistema de ferramentas de recomendación de seguridade da información baseado na web está construído usando a linguaxe de programación Python usando o marco Django como backend. A táboa 2 recolle as bibliotecas empregadas no desenvolvemento deste sistema.
O conxunto de datos é alimentado a un modelo de árbore de decisións para calcular e extraer as respostas dos estudantes para clasificar automaticamente as medicións de LS dos estudantes.
A matriz de confusión úsase para avaliar a precisión dun algoritmo de aprendizaxe de máquinas de árbore de decisións nun determinado conxunto de datos. Ao mesmo tempo, avalía o rendemento do modelo de clasificación. Resume as predicións do modelo e compáralas coas etiquetas de datos reais. Os resultados da avaliación baséanse en catro valores diferentes: True Positive (TP) - o modelo predicía correctamente a categoría positiva, Falso positivo (FP) - o modelo predicía a categoría positiva, pero a verdadeira etiqueta foi negativa, verdadeira negativa (TN) - O modelo predicía correctamente a clase negativa e falsa negativa (FN) - o modelo prevé unha clase negativa, pero a verdadeira etiqueta é positiva.
Estes valores úsanse para calcular diversas métricas de rendemento do modelo de clasificación Scikit-Learn en Python, a saber, precisión, precisión, retirada e puntuación F1. Aquí tes exemplos:
Recordar (ou sensibilidade) mide a capacidade do modelo para clasificar con precisión o LS dun estudante despois de responder ao cuestionario M-ILS.
A especificidade chámase taxa negativa verdadeira. Como podes ver na fórmula anterior, esta debería ser a relación de verdadeiros negativos (TN) con verdadeiros negativos e falsos positivos (FP). Como parte da ferramenta recomendada para clasificar as drogas dos estudantes, debería ser capaz de identificar precisas.
O conxunto de datos orixinal de 50 estudantes empregados para adestrar o modelo de árbore de decisións ML mostrou unha precisión relativamente baixa debido ao erro humano nas anotacións (táboa 3). Despois de crear un programa sinxelo baseado en regras para calcular automaticamente as puntuacións LS e as anotacións dos estudantes, utilizáronse un número cada vez maior de conxuntos de datos (255) para adestrar e probar o sistema de recomendadores.
Na matriz de confusión multiclase, os elementos diagonais representan o número de predicións correctas para cada tipo LS (figura 4). Usando o modelo de árbore de decisións, predicíronse correctamente un total de 64 mostras. Así, neste estudo, os elementos diagonais mostran os resultados esperados, o que indica que o modelo funciona ben e prevé con precisión a etiqueta de clase para cada clasificación LS. Así, a precisión global da ferramenta de recomendación é do 100%.
Na figura 5 móstranse os valores de precisión, precisión, retirada e puntuación F1. Para o sistema de recomendacións usando o modelo de árbore de decisións, a súa puntuación F1 é 1,0 "perfecta", indicando unha precisión e un recordo perfectos, reflectindo unha sensibilidade e unha especificidade significativas valores.
A figura 6 mostra unha visualización do modelo de árbore de decisións despois do adestramento e as probas. Nunha comparación de lado a lado, o modelo de árbore de decisión adestrado con menos características mostrou unha maior precisión e unha visualización de modelos máis sinxela. Isto demostra que a enxeñaría de características que leva á redución de características é un paso importante para mellorar o rendemento do modelo.
Ao aplicar a aprendizaxe supervisada por árbores de decisión, o mapeo entre LS (entrada) e IS (saída de destino) xérase automaticamente e contén información detallada para cada LS.
Os resultados demostraron que o 34,9% dos 255 estudantes preferían unha (1) opción LS. A maioría (54,3%) tiña dúas ou máis preferencias LS. O 12,2% dos estudantes observou que o LS está bastante equilibrado (táboa 4). Ademais dos oito principais LS, hai 34 combinacións de clasificacións LS para estudantes dentais da Universidade de Malaya. Entre eles, a percepción, a visión e a combinación de percepción e visión están os principais LS reportados polos estudantes (Figura 7).
Como se pode ver na táboa 4, a maioría dos estudantes tiñan un sensorial predominante (13,7%) ou visual (8,6%) LS. Informouse de que o 12,2% dos estudantes combinaron a percepción coa visión (LS perceptual-visual). Estes resultados suxiren que os estudantes prefiren aprender e recordar a través de métodos establecidos, seguir procedementos específicos e detallados e son de natureza atenta. Ao mesmo tempo, gozan de aprender mirando (usando diagramas, etc.) e tenden a discutir e aplicar información en grupos ou por conta propia.
Este estudo ofrece unha visión xeral das técnicas de aprendizaxe de máquinas empregadas na minería de datos, con foco en predicir instantaneamente e con precisión os LS dos estudantes e recomendar IS APTIPT. A aplicación dun modelo de árbore de decisións identificou os factores máis relacionados coa súa vida e experiencias educativas. É un algoritmo de aprendizaxe de máquinas supervisado que usa unha estrutura de árbores para clasificar os datos dividindo un conxunto de datos en subcategorías baseadas en determinados criterios. Funciona dividindo recursivamente os datos de entrada en subconxuntos en función do valor dunha das características de entrada de cada nodo interno ata que se tome unha decisión no nodo das follas.
Os nodos internos da árbore de decisións representan a solución baseada nas características de entrada do problema M-ILS, e os nodos das follas representan a predición de clasificación LS final. Ao longo do estudo, é fácil entender a xerarquía das árbores de decisión que explican e visualizan o proceso de decisión mirando a relación entre as características de entrada e as predicións de saída.
Nos campos de ciencias da computación e enxeñaría, os algoritmos de aprendizaxe automática son amplamente utilizados para predecir o rendemento dos estudantes en función das súas puntuacións de exame de acceso [21], información demográfica e comportamento de aprendizaxe [22]. A investigación demostrou que o algoritmo predicía con precisión o rendemento dos estudantes e axudoulles a identificar aos estudantes en risco de dificultades académicas.
Infórmase a aplicación de algoritmos ML no desenvolvemento de simuladores de pacientes virtuais para o adestramento dental. O simulador é capaz de reproducir con precisión as respostas fisiolóxicas de pacientes reais e pode usarse para adestrar a estudantes dentais nun ambiente seguro e controlado [23]. Varios outros estudos demostran que os algoritmos de aprendizaxe automática poden mellorar a calidade e eficiencia da educación dental e médica e a atención ao paciente. Os algoritmos de aprendizaxe automática utilizáronse para axudar no diagnóstico de enfermidades dentais baseadas en conxuntos de datos como síntomas e características do paciente [24, 25]. Mentres que outros estudos exploraron o uso de algoritmos de aprendizaxe de máquinas para realizar tarefas como predicir os resultados do paciente, identificar pacientes de alto risco, desenvolver plans de tratamento personalizado [26], tratamento periodontal [27] e tratamento con carie [25].
Aínda que se publicaron informes sobre a aplicación da aprendizaxe automática en odontoloxía, a súa aplicación en educación dental segue sendo limitada. Polo tanto, este estudo tiña como obxectivo usar un modelo de árbore de decisións para identificar factores máis asociados con LS e está entre os estudantes dentais.
Os resultados deste estudo demostran que a ferramenta de recomendación desenvolvida ten alta precisión e precisión perfecta, o que indica que os profesores poden beneficiarse desta ferramenta. Usando un proceso de clasificación baseado en datos, pode proporcionar recomendacións personalizadas e mellorar as experiencias e resultados educativos para educadores e estudantes. Entre eles, a información obtida mediante ferramentas de recomendación pode resolver conflitos entre os métodos de ensino preferidos dos profesores e as necesidades de aprendizaxe dos estudantes. Por exemplo, debido á saída automatizada de ferramentas de recomendación, reducirase significativamente o tempo necesario para identificar a IP dun alumno e coincidir coa IP correspondente. Deste xeito, pódense organizar actividades de formación adecuadas e materiais de formación. Isto axuda a desenvolver o comportamento positivo dos estudantes e a capacidade de concentración. Un estudo informou de que proporcionar aos estudantes materiais de aprendizaxe e actividades de aprendizaxe que coincidan co seu LS preferido pode axudar aos estudantes a integrar, procesar e gozar de aprendizaxe de varias formas para conseguir un maior potencial [12]. A investigación tamén demostra que ademais de mellorar a participación dos estudantes na aula, comprender o proceso de aprendizaxe dos estudantes tamén xoga un papel crítico na mellora das prácticas docentes e na comunicación cos estudantes [28, 29].
Non obstante, como con calquera tecnoloxía moderna, hai problemas e limitacións. Estes inclúen problemas relacionados coa privacidade de datos, o sesgo e a equidade e as habilidades e recursos profesionais necesarios para desenvolver e implementar algoritmos de aprendizaxe automática na educación dental; Non obstante, crecente interese e investigación nesta área suxire que as tecnoloxías de aprendizaxe automática poden ter un impacto positivo na educación dental e nos servizos dentais.
Os resultados deste estudo indican que a metade dos estudantes dentais teñen unha tendencia a "percibir" as drogas. Este tipo de estudantes ten unha preferencia por feitos e exemplos concretos, unha orientación práctica, paciencia para os detalles e unha preferencia "visual", onde os estudantes prefiren usar imaxes, gráficos, cores e mapas para transmitir ideas e pensamentos. Os resultados actuais son consistentes con outros estudos usando ILS para avaliar os LS en estudantes dentais e médicos, a maioría dos cales teñen características de LS perceptivo e visual [12, 30]. Dalmolin et al suxiren que informar aos estudantes sobre o seu LS permítelles alcanzar o seu potencial de aprendizaxe. Os investigadores sosteñen que cando os profesores entenden plenamente o proceso educativo dos estudantes, pódense implementar diversos métodos e actividades de ensino que mellorarán o rendemento e a experiencia de aprendizaxe dos estudantes [12, 31, 32]. Outros estudos demostraron que a axuste de LS dos estudantes tamén mostra melloras na experiencia e rendemento da aprendizaxe dos estudantes despois de cambiar os seus estilos de aprendizaxe para adaptarse aos seus propios LS [13, 33].
As opinións dos profesores poden variar sobre a implementación de estratexias de ensino baseadas nas habilidades de aprendizaxe dos estudantes. Aínda que algúns ven os beneficios deste enfoque, incluíndo oportunidades de desenvolvemento profesional, tutoría e apoio á comunidade, outros poden estar preocupados polo tempo e o apoio institucional. O esforzo polo equilibrio é clave para crear unha actitude centrada no estudante. As autoridades de educación superior, como os administradores universitarios, poden desempeñar un papel importante na condución dun cambio positivo introducindo prácticas innovadoras e apoiando o desenvolvemento de profesores [34]. Para crear un sistema de educación superior verdadeiramente dinámica e sensible, os responsables políticos deben tomar medidas atrevidas, como facer cambios de política, dedicar recursos á integración de tecnoloxía e crear marcos que promovan enfoques centrados nos estudantes. Estas medidas son críticas para lograr os resultados desexados. Investigacións recentes sobre instrucións diferenciadas demostraron claramente que a implementación exitosa de instrucións diferenciadas require oportunidades de formación e desenvolvemento en curso para os profesores [35].
Esta ferramenta ofrece un apoio valioso aos educadores dentais que queren adoptar un enfoque centrado nos estudantes para planificar actividades de aprendizaxe amigables para os estudantes. Non obstante, este estudo está limitado ao uso de modelos de árbore de decisións. No futuro, deberían recollerse máis datos para comparar o rendemento de diferentes modelos de aprendizaxe de máquinas para comparar a precisión, fiabilidade e precisión das ferramentas de recomendación. Ademais, ao escoller o método de aprendizaxe de máquinas máis adecuado para unha tarefa particular, é importante considerar outros factores como a complexidade do modelo e a interpretación.
Unha limitación deste estudo é que só se centrou en mapear LS e está entre os estudantes dentais. Polo tanto, o sistema de recomendacións desenvolvido só recomendará aqueles adecuados para estudantes dentais. Os cambios son necesarios para o uso xeral dos estudantes de educación superior.
A nova ferramenta de recomendación baseada na aprendizaxe de máquinas é capaz de clasificar e coincidir instantaneamente ao LS dos estudantes ao correspondente IS, converténdose no primeiro programa de educación dental para axudar aos educadores dentais a planificar actividades de ensino e aprendizaxe relevantes. Usando un proceso de triaxe baseado en datos, pode proporcionar recomendacións personalizadas, aforrar tempo, mellorar as estratexias de ensino, apoiar intervencións dirixidas e promover o desenvolvemento profesional continuo. A súa aplicación promoverá enfoques centrados nos estudantes para a educación dental.
Gilak Jani Associated Press. Coincidencia ou desaxuste entre o estilo de aprendizaxe do alumno e o estilo de ensino do profesor. Int J Mod Educ Informática. 2012; 4 (11): 51–60. https://doi.org/10.5815/ijmecs.2012.11.05


Tempo post: 29 de abril-2024