Existe unha necesidade crecente de aprendizaxe centrada no estudante (AEC) nas institucións de educación superior, incluída a odontoloxía. Non obstante, a AEC ten unha aplicación limitada na educación odontolóxica. Polo tanto, este estudo ten como obxectivo promover a aplicación da AEC en odontoloxía mediante o uso da tecnoloxía de aprendizaxe automática de árbores de decisión (AA) para mapear o estilo de aprendizaxe preferido (EL) e as estratexias de aprendizaxe correspondentes (EI) dos estudantes de odontoloxía como unha ferramenta útil para desenvolver directrices para as EI. Métodos prometedores para estudantes de odontoloxía.
Un total de 255 estudantes de odontoloxía da Universidade de Malaya completaron o cuestionario do Índice de Estilos de Aprendizaxe modificado (m-ILS), que contiña 44 elementos para clasificalos nos seus respectivos LS. Os datos recollidos (denominados conxunto de datos) utilízanse na aprendizaxe supervisada de árbores de decisión para combinar automaticamente os estilos de aprendizaxe dos estudantes co SI máis axeitado. A continuación, avalíase a precisión da ferramenta de recomendación de SI baseada na aprendizaxe automática.
A aplicación de modelos de árbores de decisión nun proceso de mapeo automatizado entre LS (entrada) e IS (saída de destino) permite obter unha lista inmediata de estratexias de aprendizaxe axeitadas para cada estudante de odontoloxía. A ferramenta de recomendación IS demostrou unha precisión e unha recuperación perfectas da precisión global do modelo, o que indica que a correspondencia de LS con IS ten boa sensibilidade e especificidade.
Unha ferramenta de recomendación de SI baseada nunha árbore de decisións de aprendizaxe automática demostrou a súa capacidade para combinar con precisión os estilos de aprendizaxe dos estudantes de odontoloxía con estratexias de aprendizaxe axeitadas. Esta ferramenta ofrece opcións potentes para planificar cursos ou módulos centrados no alumno que poden mellorar a experiencia de aprendizaxe do alumnado.
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 do alumnado. A interacción entre o alumnado e o seu entorno de aprendizaxe pode determinarse a través das súas habilidades lingüísticas (LS). As investigacións suxiren que os desaxustes intencionados polo profesorado entre as habilidades lingüísticas e as habilidades sociais (IS) do alumnado poden ter consecuencias negativas para a aprendizaxe do alumnado, como a diminución da atención e a motivación. Isto afectará indirectamente o rendemento do alumnado [1,2].
Os SI son un método empregado polo profesorado para impartir coñecementos e habilidades ao alumnado, incluíndo axudar ao alumnado a aprender [3]. En xeral, os bos profesores planifican estratexias de ensino ou SI que mellor se axusten ao nivel de coñecemento do alumnado, aos conceptos que están a aprender e á súa etapa de aprendizaxe. Teoricamente, cando os SI e os SI coinciden, o alumnado poderá organizar e usar un conxunto específico de habilidades para aprender de forma eficaz. Normalmente, un plan de lección inclúe varias transicións entre etapas, como do ensino á práctica guiada ou da práctica guiada á práctica independente. Con isto en mente, o profesorado eficaz adoita planificar a instrución co obxectivo de desenvolver os coñecementos e as habilidades do alumnado [4].
A demanda de aprendizaxe por computación (SCL) está a medrar nas institucións de educación superior, incluída a odontoloxía. As estratexias de SCL están deseñadas para satisfacer as necesidades de aprendizaxe do alumnado. Isto pódese conseguir, por exemplo, se o alumnado participa activamente nas actividades de aprendizaxe e o profesorado actúa como facilitador e é responsable de proporcionar unha valiosa retroalimentación. Dise que proporcionar materiais e actividades de aprendizaxe axeitados para o nivel educativo ou as preferencias do alumnado pode mellorar o seu ambiente de aprendizaxe e promover experiencias de aprendizaxe positivas [5].
En xeral, o proceso de aprendizaxe dos estudantes de odontoloxía vese influenciado polos diversos procedementos clínicos que deben realizar e polo ambiente clínico no que desenvolven habilidades interpersoais eficaces. O obxectivo da formación é capacitar os estudantes para combinar coñecementos básicos de odontoloxía con habilidades clínicas dentais e aplicar os coñecementos adquiridos a novas situacións clínicas [6, 7]. As primeiras investigacións sobre a relación entre a lingua estranxeira (LS) e a lingua estranxeira interna (IS) descubriron que axustar as estratexias de aprendizaxe mapeadas á lingua estranxeira preferida axudaría a mellorar o proceso educativo [8]. Os autores tamén recomendan o uso dunha variedade de métodos de ensino e avaliación para adaptarse á aprendizaxe e ás necesidades dos estudantes.
O profesorado benefíciase da aplicación do coñecemento da aprendizaxe experiencial para axudalo a deseñar, desenvolver e implementar unha instrución que mellore a adquisición por parte do alumnado dun coñecemento e unha comprensión máis profundos da materia. Os investigadores desenvolveron varias ferramentas de avaliación da aprendizaxe experiencial, como o modelo de aprendizaxe experiencial de Kolb, o modelo de estilo de aprendizaxe de Felder-Silverman (FSLSM) e o modelo Fleming VAK/VARK [5, 9, 10]. Segundo a literatura, estes modelos de aprendizaxe son os máis utilizados e estudados. No traballo de investigación actual, o FSLSM utilízase para avaliar a aprendizaxe experiencial entre estudantes de odontoloxía.
O FSLSM é un modelo amplamente utilizado para avaliar a aprendizaxe adaptativa na enxeñaría. Existen moitos traballos publicados nas ciencias da saúde (incluíndo medicina, enfermaría, farmacia e odontoloxía) que se poden atopar empregando modelos FSLSM [5, 11, 12, 13]. O instrumento utilizado para medir as dimensións da LS no FLSM chámase Índice de Estilos de Aprendizaxe (ILS) [8], que contén 44 elementos que avalían catro dimensións da LS: procesamento (activo/reflexivo), percepción (perceptual/intuitiva), entrada (visual/verbal) e comprensión (secuencial/global) [14].
Como se mostra na Figura 1, cada dimensión da aprendizaxe lingüística tradicional (LSLM) ten unha preferencia dominante. Por exemplo, na dimensión de procesamento, os estudantes con LS "activa" prefiren procesar información interactuando directamente cos materiais de aprendizaxe, aprender facendo e tenden a aprender en grupo. A LS "reflexiva" refírese á aprendizaxe a través do pensamento e prefire traballar só. A dimensión de "percepción" da LS pódese dividir en "sentimento" e/ou "intuición". Os estudantes "sentidores" prefiren información máis concreta e procedementos prácticos, están orientados aos feitos en comparación cos estudantes "intuitivos" que prefiren material abstracto e son de natureza máis innovadora e creativa. A dimensión de "entrada" da LS consta de estudantes "visuais" e "verbais". As persoas con LS "visual" prefiren aprender a través de demostracións visuais (como diagramas, vídeos ou demostracións en directo), mentres que as persoas con LS "verbal" prefiren aprender a través de palabras en explicacións escritas ou orais. Para "comprender" as dimensións da LS, estes estudantes pódense dividir en "secuenciais" e "globais". "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 teñen unha mellor comprensión do 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]. Baseándose nos datos proporcionados, a aprendizaxe automática supervisada (ML) é capaz de xerar patróns e hipóteses que predín resultados futuros baseándose na construción de algoritmos [17]. En poucas palabras, as técnicas de aprendizaxe automática supervisada manipulan os datos de entrada e adestran algoritmos. Despois, xeran un rango que clasifica ou predí o resultado baseándose en situacións similares para os datos de entrada proporcionados. A principal vantaxe dos algoritmos de aprendizaxe automática supervisada 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 se empregan amplamente en programas de formación en diversos 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 SI.
O obxectivo deste estudo é desenvolver estratexias de impartición de SI baseadas na LS dos estudantes e aplicar o enfoque SCL mediante o desenvolvemento dunha ferramenta de recomendación de SI mapeada á LS. O fluxo de deseño da ferramenta de recomendación de SI como estratexia do método SCL móstrase na Figura 1. A ferramenta de recomendación de SI divídese en dúas partes, incluíndo o mecanismo de clasificación LS usando ILS e a visualización de SI máis axeitada 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 de árbores de decisión. Os desenvolvedores de sistemas melloran a experiencia e a mobilidade do usuario adaptándoos a dispositivos móbiles como teléfonos móbiles e tabletas.
O experimento levouse a cabo en dúas etapas e os estudantes da Facultade de Odontoloxía da Universidade de Malaya participaron de forma voluntaria. 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 de árbore de decisión. 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 unha sesión informativa en liña ao comezo de cada etapa, dependendo do curso académico, a través de Microsoft Teams. Explicouse o obxectivo do estudo e obtívose o consentimento informado. Proporcionouse a todos os participantes unha ligazón para acceder ao m-ILS. Cada estudante recibiu instrucións para responder aos 44 elementos do cuestionario. Déuselles unha semana para completar o ILS modificado nun momento e lugar que lles conviñan durante as vacacións semestrais antes do comezo do semestre. O m-ILS baséase no instrumento ILS orixinal e está modificado para estudantes de odontoloxía. De xeito similar ao ILS orixinal, contén 44 elementos distribuídos uniformemente (a, b), con 11 elementos cada un, que se usan para avaliar aspectos de cada dimensión do FSLSM.
Durante as etapas iniciais de desenvolvemento da ferramenta, os investigadores anotaron manualmente os mapas empregando 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 estudante selecciona "a" como resposta, a LS clasifícase como Activa/Perceptual/Visual/Secuencial, e se o estudante selecciona "b" como resposta, clasifícase como Reflexiva/Intuitiva/Lingüística/aprendiz global.
Despois de calibrar o fluxo de traballo entre os investigadores de educación dental e os desenvolvedores de sistemas, seleccionáronse preguntas baseadas no dominio FLSSM e incorporáronse ao modelo de aprendizaxe automática para predicir a LS de cada estudante. “Lixo dentro, lixo fóra” 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 a exactitude do modelo de aprendizaxe automática. Durante a fase de enxeñaría de características, créase un novo conxunto de características que é a suma das respostas “a” e “b” baseadas no FLSSM. Os números de identificación das posicións dos fármacos indícanse na Táboa 1.
Calcula a puntuación en función das respostas e determina a 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 o alumnado tenden a preferir un ambiente ensinando a 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 "activa", "reflexiva" e "equilibrada". Por exemplo, cando un estudante responde "a" con máis frecuencia que "b" nun elemento designado e a súa puntuación supera o limiar de 5 para un elemento particular que representa a dimensión LS de Procesamento, pertence ao dominio LS "activo". Non obstante, os estudantes clasificáronse como LS "reflexivos" cando elixiron "b" máis que "a" en 11 preguntas específicas (Táboa 1) e obtiveron máis de 5 puntos. Finalmente, o estudante atópase nun estado de "equilibrio". Se a puntuación non supera os 5 puntos, entón trátase dun LS de "proceso". O proceso de clasificación repetiuse para as outras dimensións LS, concretamente percepción (activa/reflexiva), input (visual/verbal) e comprensión (secuencial/global).
Os modelos de árbores de decisión poden empregar diferentes subconxuntos de características e regras de decisión en diferentes etapas do proceso de clasificación. Considérase unha ferramenta popular de clasificación e predición. Pode representarse mediante unha estrutura de árbore como un diagrama de fluxo [20], no que hai nodos internos que representan probas por atributo, cada rama que representa os resultados das probas e cada nodo folla (nodo folla) que contén unha etiqueta de clase.
Creouse un programa sinxelo baseado en regras para puntuar e anotar automaticamente a LS de cada estudante en función das súas respostas. A estrutura baseada en regras adopta a forma dunha sentenza IF, onde "IF" describe o desencadeante e "THEN" especifica a acción que se vai realizar, por exemplo: "Se ocorre X, entón fai Y" (Liu et al., 2014). Se o conxunto de datos presenta correlación e o modelo de árbore de decisións está adestrado e avaliado adecuadamente, esta estratexia pode ser unha forma eficaz de automatizar o proceso de emparellamento 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 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). É necesario dividir o conxunto de datos para evitar que o modelo se adestre e se probe no mesmo conxunto de datos, o que podería provocar que o modelo lembre en lugar de aprender. O modelo adéstrase no conxunto de adestramento e avalía o seu rendemento no conxunto de probas, datos que o modelo nunca vira antes.
Unha vez desenvolvida a ferramenta SI, a aplicación poderá clasificar a LS segundo as 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 coa linguaxe de programación Python e emprega o marco Django como backend. A táboa 2 enumera as bibliotecas empregadas no desenvolvemento deste sistema.
O conxunto de datos aliméntase 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 utilízase para avaliar a precisión dun algoritmo de aprendizaxe automática de árbore de decisión nun conxunto de datos determinado. Ao mesmo tempo, avalía o rendemento 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: Verdadeiro positivo (VP): o modelo predixo correctamente a categoría positiva, falso positivo (FP): o modelo predixo a categoría positiva, pero a etiqueta verdadeira era negativa, verdadeiro negativo (VN): o modelo predixo correctamente a clase negativa e falso negativo (FN): o modelo predí unha clase negativa, pero a etiqueta verdadeira é positiva.
Estes valores úsanse entón para calcular varias métricas de rendemento do modelo de clasificación scikit-learn en Python, concretamente precisión, recall e puntuación F1. Velaquí algúns exemplos:
A remarca (ou sensibilidade) mide a capacidade do modelo para clasificar con precisión a LS dun estudante despois de responder o cuestionario m-ILS.
A especificidade chámase taxa de verdadeiros negativos. Como se pode ver na fórmula anterior, esta debería ser a proporción de verdadeiros negativos (VN) con respecto a verdadeiros negativos e falsos positivos (FP). Como parte da ferramenta recomendada para clasificar as drogas dos estudantes, debería ser capaz de identificarse con precisión.
O conxunto de datos orixinal de 50 estudantes empregado para adestrar o modelo de aprendizaxe automática (ML) de árbore de decisión mostrou unha precisión relativamente baixa debido a erros humanos 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 de árbore de decisión, predixíronse correctamente un total de 64 mostras. Polo tanto, neste estudo, os elementos diagonais mostran os resultados esperados, o que indica que o modelo funciona ben e predí con precisión a etiqueta de clase para cada clasificación LS. Polo tanto, a precisión global da ferramenta de recomendación é do 100 %.
Os valores de exactitude, precisión, recuperación e puntuación F1 móstranse na Figura 5. Para o sistema de recomendación que emprega o modelo de árbore de decisión, a súa puntuación F1 é de 1,0 "perfecta", o que indica unha precisión e recuperación perfectas, o que reflicte valores significativos de sensibilidade e especificidade.
A figura 6 mostra unha visualización do modelo de árbore de decisións despois de completar o adestramento e as probas. Nunha comparación en paralelo, o modelo de árbore de decisións adestrado con menos características mostrou unha maior precisión e unha visualización do modelo máis sinxela. Isto demostra que a enxeñaría de características que leva á súa redución é un paso importante para mellorar o rendemento do modelo.
Ao aplicar a aprendizaxe supervisada por árbores de decisión, a correspondencia 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 preferiron unha (1) opción de LS. A maioría (54,3 %) tiña dúas ou máis preferencias de LS. O 12,2 % dos estudantes sinalaron que a LS está bastante equilibrada (Táboa 4). Ademais das oito LS principais, hai 34 combinacións de clasificacións de LS para os estudantes de odontoloxía da Universidade de Malaya. Entre elas, a percepción, a visión e a combinación de percepción e visión son as principais LS declaradas polos estudantes (Figura 7).
Como se pode observar na Táboa 4, a maioría do alumnado tiña unha LS predominantemente sensorial (13,7 %) ou visual (8,6 %). Informouse de que o 12,2 % do alumnado combinaba a percepción coa visión (LS perceptivo-visual). Estes achados suxiren que o alumnado prefire aprender e lembrar a través de métodos establecidos, segue procedementos específicos e detallados e é de natureza atenta. Ao mesmo tempo, gozan aprendendo mirando (usando diagramas, etc.) e tenden a discutir e aplicar a información en grupo ou pola súa conta.
Este estudo ofrece unha visión xeral das técnicas de aprendizaxe automática empregadas na minería de datos, centrándose na predicción instantánea e precisa da LS (Lifestyle Learning) dos estudantes e na recomendación dun SI (Sistema de Información Supervisado) axeitado. A aplicación dun modelo de árbore de decisión identificou os factores máis relacionados coas súas experiencias vitais e educativas. Trátase dun algoritmo de aprendizaxe automática supervisada que emprega unha estrutura de árbore para clasificar os datos dividindo un conxunto de datos en subcategorías baseadas en certos criterios. Funciona dividindo recursivamente os datos de entrada en subconxuntos baseándose no valor dunha das características de entrada de cada nodo interno ata que se toma 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 doado 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 a enxeñaría, os algoritmos de aprendizaxe automática úsanse amplamente para predicir o rendemento dos estudantes en función das súas puntuacións nos exames de acceso [21], a información demográfica e o comportamento de aprendizaxe [22]. A investigación demostrou que o algoritmo prediciu con precisión o rendemento dos estudantes e axudoulles a identificar os estudantes con risco de dificultades académicas.
Descríbese a aplicación de algoritmos de aprendizaxe automática no desenvolvemento de simuladores de pacientes virtuais para a formación 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 médica e dental e da atención ao paciente. Os algoritmos de aprendizaxe automática utilizáronse para axudar no diagnóstico de enfermidades dentais baseándose en conxuntos de datos como síntomas e características do paciente [24, 25]. Mentres que outros estudos exploraron o uso de algoritmos de aprendizaxe automática para realizar tarefas como a predición de resultados para pacientes, a identificación de pacientes de alto risco, o desenvolvemento de plans de tratamento personalizados [26], o tratamento periodontal [27] e o tratamento da carie [25].
Aínda que se publicaron informes sobre a aplicación da aprendizaxe automática na odontoloxía, a súa aplicación na educación odontolóxica segue sendo limitada. Polo tanto, este estudo tivo como obxectivo usar un modelo de árbore de decisión para identificar os factores máis estreitamente asociados coa aprendizaxe automática (LS) e a aprendizaxe por si soa (IS) entre os estudantes de odontoloxía.
Os resultados deste estudo amosan que a ferramenta de recomendación desenvolvida ten unha alta precisión e unha exactitude perfecta, o que indica que o profesorado pode beneficiarse desta ferramenta. Mediante un proceso de clasificación baseado en datos, pode proporcionar recomendacións personalizadas e mellorar as experiencias e os resultados educativos para educadores e estudantes. Entre elas, a información obtida a través de ferramentas de recomendación pode resolver conflitos entre os métodos de ensino preferidos polo profesorado e as necesidades de aprendizaxe do alumnado. Por exemplo, debido á saída automatizada das ferramentas de recomendación, o tempo necesario para identificar o IP dun estudante e combinalo co IP correspondente reducirase significativamente. Deste xeito, pódense organizar actividades e materiais de formación axeitados. Isto axuda a desenvolver un comportamento de aprendizaxe positivo do alumnado e a súa capacidade de concentración. Un estudo informou de que proporcionarlle ao alumnado materiais e actividades de aprendizaxe que coincidan coas súas LS preferidas pode axudar ao alumnado a integrar, procesar e gozar da aprendizaxe de múltiples xeitos para alcanzar un maior potencial [12]. A investigación tamén demostra que, ademais de mellorar a participación do alumnado na aula, comprender o proceso de aprendizaxe do alumnado tamén xoga un papel fundamental na mellora das prácticas de ensino e a comunicación co alumnado [28, 29].
Non obstante, como ocorre con calquera tecnoloxía moderna, existen problemas e limitacións. Estes inclúen cuestións relacionadas coa privacidade dos datos, o sesgo e a xustiza, así como as habilidades e recursos profesionais necesarios para desenvolver e implementar algoritmos de aprendizaxe automática na educación odontolóxica. Non obstante, o crecente interese e a investigación nesta área suxiren que as tecnoloxías de aprendizaxe automática poden ter un impacto positivo na educación odontolóxica e nos servizos odontolóxicos.
Os resultados deste estudo indican que a metade dos estudantes de odontoloxía tenden a "percibir" as drogas. Este tipo de alumno ten preferencia por feitos e exemplos concretos, unha orientación práctica, paciencia cos detalles e unha preferencia pola linguaxe visual (LS), onde os alumnos prefiren usar imaxes, gráficos, cores e mapas para transmitir ideas e pensamentos. Os resultados actuais son consistentes con outros estudos que empregan o ILS para avaliar a 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 a súa LS permítelles alcanzar o seu potencial de aprendizaxe. Os investigadores argumentan que cando os profesores comprenden plenamente o proceso educativo dos estudantes, pódense implementar varios métodos e actividades de ensino que mellorarán o rendemento e a experiencia de aprendizaxe dos estudantes [12, 31, 32]. Outros estudos demostraron que axustar a LS dos estudantes tamén mostra melloras na experiencia e no rendemento de aprendizaxe dos estudantes despois de cambiar os seus estilos de aprendizaxe para adaptarse á súa propia LS [13, 33].
As opinións do profesorado poden variar con respecto á implementación de estratexias de ensino baseadas nas capacidades de aprendizaxe do alumnado. Mentres que algúns ven os beneficios desta estratexia, incluíndo oportunidades de desenvolvemento profesional, mentoría e apoio comunitario, outros poden estar preocupados polo tempo e o apoio institucional. Esforzarse por atopar o equilibrio é fundamental para crear unha actitude centrada no estudante. As autoridades de educación superior, como os administradores universitarios, poden desempeñar un papel importante na impulsión dun cambio positivo mediante a introdución de prácticas innovadoras e o apoio ao desenvolvemento do profesorado [34]. Para crear un sistema de educación superior verdadeiramente dinámico e receptivo, os responsables políticos deben tomar medidas audaces, como realizar cambios nas políticas, dedicar recursos á integración da tecnoloxía e crear marcos que promovan estratexias centradas no estudante. Estas medidas son fundamentais para acadar os resultados desexados. Investigacións recentes sobre a instrución diferenciada demostraron claramente que a implementación exitosa da instrución diferenciada require oportunidades continuas de formación e desenvolvemento para o profesorado [35].
Esta ferramenta ofrece un apoio valioso para o profesorado de odontoloxía que desexe adoptar unha abordaxe centrada no estudante para planificar actividades de aprendizaxe amigables para o estudante. Non obstante, este estudo limítase ao uso de modelos de aprendizaxe automática de árbores de decisión. No futuro, deberíanse recompilar máis datos para comparar o rendemento de diferentes modelos de aprendizaxe automática para comparar a precisión, a fiabilidade e a precisión das ferramentas de recomendación. Ademais, ao elixir o método de aprendizaxe automática máis axeitado para unha tarefa en particular, é importante ter en conta outros factores como a complexidade e a interpretación do modelo.
Unha limitación deste estudo é que só se centrou no mapeo de LS e IS entre estudantes de odontoloxía. Polo tanto, o sistema de recomendación desenvolvido só recomendará aqueles que sexan axeitados para estudantes de odontoloxía. Son necesarios cambios para o uso xeral do alumnado de educación superior.
A ferramenta de recomendación baseada na aprendizaxe automática, recentemente desenvolvida, é capaz de clasificar e combinar instantaneamente as LS dos estudantes co SI correspondente, o que a converte no primeiro programa de educación odontolóxica que axuda aos educadores dentais a planificar actividades de ensino e aprendizaxe relevantes. Mediante un proceso de triaxe baseado en datos, pode proporcionar recomendacións personalizadas, aforrar tempo, mellorar as estratexias de ensino, apoiar intervencións específicas e promover o desenvolvemento profesional continuo. A súa aplicación promoverá enfoques centrados no estudante para a educación odontolóxica.
Gilak Jani Associated Press. Correspondencia ou discrepancia entre o estilo de aprendizaxe do alumno e o estilo de ensino do profesor. Int J Mod Educ Computer Science. 2012;4(11):51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Data de publicación: 29 de abril de 2024