Hai unha necesidade crecente de aprendizaxe centrada no estudante (SCL) nas institucións de educación superior, incluída a odontoloxía.Non obstante, o SCL ten unha aplicación limitada na educación dental.Polo tanto, este estudo ten como obxectivo promover a aplicación de SCL en odontoloxía mediante o uso da tecnoloxía de aprendizaxe automática da árbore de decisións (ML) para mapear o estilo de aprendizaxe preferido (LS) e as correspondentes estratexias de aprendizaxe (IS) dos estudantes de odontoloxía como unha ferramenta útil para desenvolver pautas de IS. .Métodos prometedores para estudantes de odontoloxía.
Un total de 255 estudantes de odontoloxía da Universidade de Malaia completaron o cuestionario Índice de estilos de aprendizaxe (m-ILS) modificado, que contiña 44 elementos para clasificalos nos seus respectivos LS.Os datos recollidos (chamados conxunto de datos) utilízanse na aprendizaxe da árbore de decisións supervisada para relacionar automaticamente os estilos de aprendizaxe dos estudantes co IS máis axeitado.A continuación, avalíase a precisión da ferramenta de recomendación de SI baseada na aprendizaxe automática.
A aplicación de modelos de árbore de decisión nun proceso de mapeo automatizado entre LS (entrada) e IS (saída obxectivo) permite unha lista inmediata de estratexias de aprendizaxe axeitadas para cada estudante de odontoloxía.A ferramenta de recomendación de IS demostrou unha precisión perfecta e a lembranza da precisión global do modelo, o que indica que a correspondencia de LS con IS ten unha boa sensibilidade e especificidade.
Unha ferramenta de recomendación de SI baseada nunha árbore de decisións de ML demostrou a súa capacidade para combinar con precisión os estilos de aprendizaxe dos estudantes de odontoloxía coas estratexias de aprendizaxe axeitadas.Esta ferramenta ofrece opcións poderosas para planificar cursos ou módulos centrados no alumno que poden 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 os estudantes e o seu ambiente de aprendizaxe pódese determinar a través do seu LS.A investigación suxire que os desaxustes previstos polo profesor entre o LS e o IS dos estudantes poden ter consecuencias negativas para a aprendizaxe do alumnado, como unha diminución da atención e da motivación.Isto afectará indirectamente o rendemento dos estudantes [1,2].
O IS é un método utilizado polos profesores para impartir coñecementos e habilidades aos estudantes, incluíndo axudalos a aprender [3].En xeral, os bos profesores planifican estratexias de ensino ou SI que mellor se axusten ao nivel de coñecemento dos seus alumnos, aos conceptos que están a aprender e á súa etapa de aprendizaxe.Teoricamente, cando LS e IS coinciden, os estudantes serán capaces de organizar e utilizar un conxunto específico de habilidades para aprender de forma eficaz.Normalmente, un plan de lección inclúe varias transicións entre etapas, como desde o ensino á práctica guiada ou desde a práctica guiada á práctica independente.Con isto en mente, os profesores eficaces adoitan planificar a instrución co obxectivo de construír os coñecementos e as habilidades dos estudantes [4].
A demanda de SCL está crecendo nas 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 nas actividades de aprendizaxe e os profesores actúan como facilitadores e son responsables de proporcionar comentarios valiosos.Dise que proporcionar materiais de aprendizaxe e actividades axeitados ao nivel educativo ou ás preferencias dos estudantes pode mellorar o ambiente de aprendizaxe dos estudantes e promover experiencias positivas de aprendizaxe [5].
En xeral, o proceso de aprendizaxe dos estudantes de odontoloxía está influenciado polos diversos procedementos clínicos que deben realizar e o ambiente clínico no que desenvolven habilidades interpersoais eficaces.O obxectivo da formación é que os estudantes combinen os coñecementos básicos da odontoloxía coas habilidades clínicas dentais e apliquen os coñecementos adquiridos a novas situacións clínicas [6, 7].As primeiras investigacións sobre a relación entre LS e IS descubriron que axustar as estratexias de aprendizaxe asignadas ao LS preferido axudaría a mellorar o proceso educativo [8].Os autores tamén recomendan utilizar diversos métodos de ensino e avaliación para adaptarse á aprendizaxe e ás necesidades dos estudantes.
Os profesores benefícianse da aplicación dos coñecementos de LS para axudarlles a deseñar, desenvolver e implementar instrucións que mellorarán a adquisición por parte dos estudantes dun coñecemento e unha comprensión máis profundos da materia.Os investigadores desenvolveron varias ferramentas de avaliación LS, como o Modelo de Aprendizaxe Experiencial Kolb, o Modelo de Estilo de Aprendizaxe Felder-Silverman (FSLSM) e o Modelo Fleming VAK/VARK [5, 9, 10].Segundo a literatura, estes modelos de aprendizaxe son os modelos de aprendizaxe máis utilizados e máis estudados.No traballo de investigación actual, o FSLSM úsase para avaliar o LS entre os estudantes de odontoloxía.
O FSLSM é un modelo moi utilizado para avaliar a aprendizaxe adaptativa en enxeñaría.Hai moitos traballos publicados en ciencias da saúde (incluíndo medicina, enfermería, farmacia e odontoloxía) que se poden atopar utilizando modelos FSLSM [5, 11, 12, 13].O instrumento utilizado para medir as dimensións do LS no FLSM chámase Índice de Estilos de Aprendizaxe (ILS) [8], que contén 44 ítems que avalían catro dimensións do LS: procesamento (activo/reflexivo), percepción (perceptual/intuitivo), entrada (visual)./verbal) e comprensión (secuencial/global) [14].
Como se mostra na Figura 1, cada dimensión do FSLSM ten unha preferencia dominante.Por exemplo, na dimensión de procesamento, os estudantes con LS “activo” prefiren procesar a información interactuando directamente cos materiais de aprendizaxe, aprender facendo e tenden a aprender en grupo.O LS "reflexivo" refírese á aprendizaxe a través do pensamento e prefire traballar só.A dimensión de "percepción" do LS pódese dividir en "sentimento" e/ou "intuición".Os estudantes "sentintes" prefiren información máis concreta e procedementos prácticos, están orientados aos feitos en comparación cos estudantes "intuitivos" que prefiren o material abstracto e son máis innovadores e creativos.A dimensión de "entrada" de LS consiste en alumnos "visuais" e "verbais".As persoas con LS "visuais" prefiren aprender mediante demostracións visuais (como diagramas, vídeos ou demostracións en directo), mentres que as persoas con LS "verbal" prefiren aprender a través das palabras en explicacións escritas ou orais.Para "comprender" as dimensións do LS, estes estudantes pódense dividir en "secuenciais" e "globais"."Os alumnos 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 teñen unha mellor comprensión do que están a aprender.
Recentemente, moitos investigadores comezaron a explorar métodos para o descubrimento automático de datos, incluíndo o desenvolvemento de novos algoritmos e modelos capaces de interpretar grandes cantidades de datos [15, 16].A partir dos datos proporcionados, o ML supervisado (aprendizaxe automática) é capaz de xerar patróns e hipóteses que predín resultados futuros baseados na construción de algoritmos [17].En pocas palabras, as técnicas de aprendizaxe automática supervisadas manipulan os datos de entrada e adestran algoritmos.A continuación, xera un intervalo que clasifica ou prevé o resultado en función de situacións similares para os datos de entrada proporcionados.A principal vantaxe dos algoritmos de aprendizaxe automática supervisada é a súa capacidade para establecer os resultados ideais e desexados [17].
Mediante o uso de métodos baseados en datos e modelos de control da árbore de decisións, é posible a detección automática de LS.Informouse que as árbores de decisión son amplamente utilizadas en programas de formación en varios campos, incluídas as ciencias da saúde [18, 19].Neste estudo, o modelo foi adestrado especificamente polos desenvolvedores do sistema para identificar os LS dos estudantes e recomendarlles o mellor IS.
O propósito deste estudo é desenvolver estratexias de entrega de SI baseadas no LS dos estudantes e aplicar o enfoque SCL desenvolvendo unha ferramenta de recomendación de SI mapeada para LS.O fluxo de deseño da ferramenta de recomendación IS como estratexia do método SCL móstrase na Figura 1. A ferramenta de recomendación IS divídese en dúas partes, incluíndo o mecanismo de clasificación LS mediante ILS e a pantalla IS máis adecuada 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 automática da árbore de decisións.Os desenvolvedores de sistemas melloran a experiencia do usuario e a mobilidade adaptándoas a dispositivos móbiles como teléfonos móbiles e tabletas.
O experimento levouse a cabo en dúas etapas e participaron de xeito voluntario estudantes da Facultade de Odontoloxía da Universidade de Malaya.Os participantes responderon ao m-ILS en liña dun estudante de odontoloxía en inglés.Na fase inicial, utilizouse un conxunto de datos de 50 estudantes para adestrar o algoritmo de aprendizaxe automática da árbore 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 briefing en liña ao comezo de cada etapa, dependendo do curso académico, a través de Microsoft Teams.Explicouse o propósito do estudo e obtivo o consentimento informado.Todos os participantes recibiron unha ligazón para acceder ao m-ILS.Cada alumno debe responder aos 44 ítems do cuestionario.Dáronlles unha semana para completar o ILS modificado no momento e lugar que lles convén durante o descanso do semestre antes do comezo do semestre.O m-ILS está baseado no instrumento ILS orixinal e modificado para estudantes de odontoloxía.Semellante ao ILS orixinal, contén 44 ítems distribuídos uniformemente (a, b), con 11 ítems cada un, que se utilizan para avaliar aspectos de cada dimensión do FSLSM.
Durante as etapas iniciais do desenvolvemento da ferramenta, os investigadores anotaron manualmente os mapas utilizando un conxunto de datos de 50 estudantes de odontoloxía.Segundo o FSLM, o sistema proporciona a suma das respostas "a" e "b".Para cada dimensión, se o alumno selecciona "a" como resposta, o LS clasifícase como Activo/Perceptual/Visual/Secuencial, e se o alumno selecciona "b" como resposta, o alumno clasifícase como Reflexivo/Intuitivo/Lingüístico ./ alumno global.
Despois de calibrar o fluxo de traballo entre os investigadores de educación dental e os desenvolvedores de sistemas, seleccionáronse preguntas en función do dominio FLSSM e introducíronse no modelo ML para predecir o LS de cada alumno."Garbage in, garbage out" é un dito popular no campo da aprendizaxe automática, con énfase na calidade dos datos.A calidade dos datos de entrada determina a precisión e exactitude do modelo de aprendizaxe automática.Durante a fase de enxeñaría de funcións, créase un novo conxunto de características que é a suma das respostas "a" e "b" baseadas en FLSSM.Os números de identificación dos postos de drogas están indicados na táboa 1.
Calcula a puntuación a partir das respostas e determina o LS do alumno.Para cada alumno, o rango de puntuación é de 1 a 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 adoitan preferir un ambiente onde ensinar outros. .Outra variación na 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 "activas", "reflexivas" e "equilibradas".Por exemplo, cando un alumno responde "a" con máis frecuencia que "b" nun ítem designado e a súa puntuación supera o limiar de 5 para un ítem concreto que representa a dimensión LS de procesamento, pertence ao LS "activo". dominio..Non obstante, os estudantes foron clasificados como LS "reflexivos" cando escolleron "b" máis que "a" en 11 preguntas específicas (táboa 1) e obtiveron máis de 5 puntos.Finalmente, o alumno está nun estado de "equilibrio".Se a puntuación non supera os 5 puntos, esta é unha LS de "proceso".O proceso de clasificación repetiuse para as outras dimensións do LS, é dicir, percepción (activa/reflexiva), entrada (visual/verbal) e comprensión (secuencial/global).
Os modelos de árbores de decisión poden utilizar diferentes subconxuntos de características e regras de decisión en diferentes etapas do proceso de clasificación.Considérase unha ferramenta popular de clasificación e predición.Pódese representar usando unha estrutura en árbore como un diagrama de fluxo [20], no que hai nodos internos que representan probas por atributo, cada rama representa os resultados das probas e cada nodo folla (nodo folla) contén unha etiqueta de clase.
Creouse un programa sinxelo baseado en regras para puntuar e anotar automaticamente o LS de cada alumno en función das súas respostas.Baseado en regras toma a forma dunha instrución IF, onde "IF" describe o disparador e "ENTONCES" especifica a acción que se vai realizar, por exemplo: "Se ocorre X, fai Y" (Liu et al., 2014).Se o conxunto de datos presenta correlación e o modelo da árbore de decisións está correctamente adestrado e avaliado, este enfoque pode ser un xeito eficaz de automatizar o proceso de coincidencia de LS e IS.
Na segunda fase de desenvolvemento, o conxunto de datos aumentou a 255 para mellorar a precisión da ferramenta de recomendación.O conxunto de datos está dividido nunha proporción de 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 facer que o modelo lembre en lugar de aprender.O modelo adestrase no conxunto de adestramento e avalía o seu rendemento no conxunto de probas: datos que o modelo nunca viu antes.
Unha vez desenvolvida a ferramenta IS, a aplicación poderá clasificar LS en función das respostas dos estudantes de odontoloxía 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 utilizadas no desenvolvemento deste sistema.
O conxunto de datos entrégase 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 automática da árbore de decisións nun conxunto de datos dado.Ao mesmo tempo, avalía o desempeño do modelo de clasificación.Resume as predicións do modelo e compáraas coas etiquetas de datos reais.Os resultados da avaliación baséanse en catro valores diferentes: Verdadero positivo (TP) - o modelo predixo correctamente a categoría positiva, Falso positivo (FP) - o modelo predixo a categoría positiva, pero a etiqueta verdadeira foi negativa, Verdadero negativo (TN) - o modelo predixo correctamente a clase negativa e falso negativo (FN): o modelo predice unha clase negativa, pero a verdadeira etiqueta é positiva.
Estes valores empréganse entón para calcular varias métricas de rendemento do modelo de clasificación scikit-learn en Python, a saber, precisión, precisión, recordación e puntuación F1.Aquí tes exemplos:
A lembranza (ou a sensibilidade) mide a capacidade do modelo para clasificar con precisión o LS dun alumno despois de responder ao cuestionario m-ILS.
A especificidade chámase taxa verdadeiramente negativa.Como podes ver na fórmula anterior, esta debería ser a relación de verdadeiros negativos (TN) a verdadeiros negativos e falsos positivos (FP).Como parte da ferramenta recomendada para clasificar as drogas dos estudantes, debería ser capaz de identificar con precisión.
O conxunto de datos orixinal de 50 estudantes utilizados para adestrar o modelo ML da árbore de decisión 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, utilizouse un número crecente de conxuntos de datos (255) para adestrar e probar o sistema de recomendación.
Na matriz de confusión multiclase, os elementos diagonais representan o número de predicións correctas para cada tipo de LS (Figura 4).Usando o modelo da árbore de decisións, un total de 64 mostras foron predise correctamente.Así, neste estudo, os elementos diagonais mostran os resultados esperados, indicando que o modelo funciona ben e predice con precisión a etiqueta de clase para cada clasificación LS.Así, a precisión global da ferramenta de recomendación é do 100%.
Os valores de precisión, precisión, recordación e puntuación F1 móstranse na Figura 5. Para o sistema de recomendación que utiliza o modelo da árbore de decisións, a súa puntuación F1 é de 1,0 "perfecto", o que indica precisión e recordación perfectas, o que reflicte unha sensibilidade e especificidade significativas. valores.
A figura 6 mostra unha visualización do modelo da árbore de decisións despois de completar a formación e as probas.Nunha comparación lado a lado, o modelo de árbore de decisión adestrado con menos características mostrou unha maior precisión e unha visualización do modelo máis sinxela.Isto mostra que a enxeñaría de funcións que conduce á redución de funcións é un paso importante para mellorar o rendemento do modelo.
Ao aplicar a aprendizaxe supervisada da árbore de decisións, o mapeo entre LS (entrada) e IS (saída obxectivo) xérase automaticamente e contén información detallada para cada LS.
Os resultados mostraron que o 34,9% dos 255 estudantes preferiu unha (1) opción de LS.A maioría (54,3%) tiña dúas ou máis preferencias de LS.O 12,2% dos estudantes sinalou que o LS é bastante equilibrado (táboa 4).Ademais dos oito LS principais, hai 34 combinacións de clasificacións LS para estudantes de odontoloxía da Universidade de Malaya.Entre eles, a percepción, a visión e a combinación de percepción e visión son os principais LS informados polos estudantes (Figura 7).
Tal e como se desprende da táboa 4, a maioría dos alumnos tiñan un LS sensorial (13,7%) ou visual (8,6%) predominante.Informeuse de que o 12,2% dos estudantes combinou a percepción coa visión (LS perceptivo-visual).Estes achados suxiren que os estudantes prefiren aprender e lembrar a través de métodos establecidos, seguir procedementos específicos e detallados e son de carácter atento.Ao mesmo tempo, gozan de aprender mirando (utilizando esquemas, etc.) e tenden a discutir e aplicar a información en grupo ou por conta propia.
Este estudo ofrece unha visión xeral das técnicas de aprendizaxe automática utilizadas na minería de datos, centrándose en predecir de forma instantánea e precisa o LS dos estudantes e recomendar o IS axeitado.A aplicación dun modelo de árbore de decisión identificou os factores máis relacionados coas súas experiencias vitais e educativas.É un algoritmo de aprendizaxe automática supervisado que utiliza unha estrutura en árbore para clasificar os datos dividindo un conxunto de datos en subcategorías en función de 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 folla.
Os nodos internos da árbore de decisión representan a solución baseada nas características de entrada do problema m-ILS, e os nodos folla representan a predición final da clasificación LS.Ao longo do estudo, é fácil comprender a xerarquía das árbores de decisión que explican e visualizan o proceso de decisión observando a relación entre as características de entrada e as predicións de saída.
Nos campos da informática e da enxeñaría, os algoritmos de aprendizaxe automática úsanse amplamente para predicir o rendemento dos estudantes en función das puntuacións dos exames de acceso [21], a información demográfica e o comportamento de aprendizaxe [22].A investigación mostrou que o algoritmo predixo con precisión o rendemento dos estudantes e axudoulles a identificar os estudantes en risco de sufrir dificultades académicas.
Infórmase da aplicación de algoritmos de ML no desenvolvemento de simuladores virtuais de pacientes para adestramento dental.O simulador é capaz de reproducir con precisión as respostas fisiolóxicas de pacientes reais e pódese usar para formar estudantes de odontoloxía nun ambiente seguro e controlado [23].Outros estudos mostran que os algoritmos de aprendizaxe automática poden mellorar potencialmente a calidade e a eficiencia da educación dental e médica e da atención ao paciente.Utilizáronse algoritmos de aprendizaxe automática para axudar no diagnóstico de enfermidades dentais baseándose en conxuntos de datos como síntomas e características do paciente [24, 25].Aínda que outros estudos exploraron o uso de algoritmos de aprendizaxe automática para realizar tarefas como prever os resultados dos pacientes, identificar pacientes de alto risco, desenvolver plans de tratamento personalizados [26], tratamento periodontal [27] e tratamento da carie [25].
Aínda que se publicaron informes sobre a aplicación da aprendizaxe automática en odontoloxía, a súa aplicación na educación dental segue sendo limitada.Polo tanto, este estudo tivo como obxectivo utilizar un modelo de árbore de decisión para identificar os factores máis estreitamente asociados con LS e IS entre os estudantes de odontoloxía.
Os resultados deste estudo mostran que a ferramenta de recomendación desenvolvida ten unha alta precisión e unha 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 educativas e os resultados para educadores e estudantes.Entre elas, a información obtida a través de ferramentas de recomendación pode resolver conflitos entre os métodos de ensino preferidos polos profesores e as necesidades de aprendizaxe dos alumnos.Por exemplo, debido á saída automatizada das ferramentas de recomendación, o tempo necesario para identificar a IP dun alumno e asociala coa IP correspondente reducirase significativamente.Deste xeito, pódense organizar actividades formativas e materiais formativos axeitados.Isto axuda a desenvolver un comportamento positivo de aprendizaxe 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 integrarse, procesar e gozar da aprendizaxe de múltiples formas para acadar un maior potencial [12].A investigación tamén mostra que, ademais de mellorar a participación dos estudantes na aula, a comprensión do proceso de aprendizaxe dos estudantes tamén xoga un papel fundamental na mellora das prácticas docentes e da comunicación cos estudantes [28, 29].
Non obstante, como con calquera tecnoloxía moderna, hai problemas e limitacións.Estes inclúen cuestións relacionadas coa privacidade dos datos, a parcialidade e a equidade, e as habilidades profesionais e os recursos necesarios para desenvolver e implementar algoritmos de aprendizaxe automática na educación dental;Non obstante, o crecente interese e investigación nesta área suxire que as tecnoloxías de aprendizaxe automática poden ter un impacto positivo na educación e os servizos de odontoloxía.
Os resultados deste estudo indican que a metade dos estudantes de odontoloxía tende a "percibir" as drogas.Este tipo de aprendiz ten preferencia polos feitos e exemplos concretos, unha orientación práctica, paciencia para os detalles e unha preferencia LS "visual", onde os alumnos prefiren usar imaxes, gráficos, cores e mapas para transmitir ideas e pensamentos.Os resultados actuais son consistentes con outros estudos que usan ILS para avaliar LS en estudantes de odontoloxía e medicina, a maioría dos cales teñen características de LS perceptiva 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 argumentan que cando os profesores comprenden completamente o proceso educativo dos estudantes, pódense implementar varios métodos de ensino e actividades que mellorarán o rendemento e a experiencia de aprendizaxe dos estudantes [12, 31, 32].Outros estudos demostraron que o axuste do LS dos estudantes tamén mostra melloras na experiencia de aprendizaxe e no rendemento dos estudantes despois de cambiar os seus estilos de aprendizaxe para adaptarse ao seu propio LS [13, 33].
As opinións do profesorado poden variar en canto á implantación de estratexias de ensino en función das capacidades de aprendizaxe do alumnado.Aínda que algúns ven os beneficios deste enfoque, incluíndo oportunidades de desenvolvemento profesional, mentoría e apoio comunitario, outros poden estar preocupados polo tempo e o apoio institucional.Esforzarse polo equilibrio é clave para crear unha actitude centrada no alumno.As autoridades de educación superior, como os administradores universitarios, poden desempeñar un papel importante para impulsar un cambio positivo introducindo prácticas innovadoras e apoiando o desenvolvemento do profesorado [34].Para crear un sistema de educación superior verdadeiramente dinámico e sensible, os responsables políticos deben tomar medidas audaces, como facer cambios de políticas, dedicar recursos á integración tecnolóxica e crear marcos que promovan enfoques centrados no alumnado.Estas medidas son fundamentais para acadar os resultados desexados.Investigacións recentes sobre a ensinanza diferenciada mostraron claramente que a implantación exitosa da ensinanza diferenciada require formación continua e oportunidades de desenvolvemento para os profesores [35].
Esta ferramenta ofrece un valioso apoio aos educadores de odontoloxía que queren adoptar un enfoque centrado no alumno para planificar actividades de aprendizaxe amigables para o alumnado.Non obstante, este estudo limítase ao uso de modelos ML de árbores de decisión.No futuro, deberían recollerse máis datos para comparar o rendemento de diferentes modelos de aprendizaxe automática para comparar a precisión, fiabilidade e precisión das ferramentas de recomendación.Ademais, á hora de escoller o método de aprendizaxe automática máis axeitado para unha tarefa concreta, é importante ter en conta outros factores como a complexidade e a interpretación do modelo.
Unha limitación deste estudo é que só se centrou na cartografía de LS e IS entre os estudantes de odontoloxía.Polo tanto, o sistema de recomendación desenvolvido só recomendará aqueles que sexan adecuados para estudantes de odontoloxía.Os cambios son necesarios para o uso xeral dos estudantes de educación superior.
A ferramenta de recomendación baseada na aprendizaxe automática de recente desenvolvemento é capaz de clasificar e relacionar instantáneamente os LS dos estudantes co IS correspondente, o que o converte no primeiro programa de educación dental que axuda aos educadores en odontoloxía a planificar actividades de ensino e aprendizaxe relevantes.Usando un proceso de clasificación 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 no estudante da educación dental.
Gilak Jani Associated Press.Coincidencia ou desaxuste entre o estilo de aprendizaxe do alumno e o estilo de ensinanza do profesor.Int J Mod Educ Informática.2012;4(11):51–60.https://doi.org/10.5815/ijmecs.2012.11.05
Hora de publicación: 29-Abr-2024