Vi è una crescente necessità di apprendimento incentrato sullo studente (SCL) negli istituti di istruzione superiore, compresa l'odontoiatria. Tuttavia, SCL ha un'applicazione limitata nell'educazione dentale. Pertanto, questo studio mira a promuovere l'applicazione di SCL in odontoiatria utilizzando la tecnologia di apprendimento automatico dell'albero decisionale (ML) per mappare lo stile di apprendimento preferito (LS) e le corrispondenti strategie di apprendimento (IS) degli studenti dentali come strumento utile per lo sviluppo sono le linee guida . Metodi promettenti per gli studenti dentali.
Un totale di 255 studenti dentali dell'Università di Malaya ha completato il questionario M-ILS Index of Learning Styles (M-ILS), che conteneva 44 articoli per classificarli nei rispettivi LSS. I dati raccolti (chiamato set di dati) vengono utilizzati nell'apprendimento dell'albero decisionale supervisionato per abbinare automaticamente gli stili di apprendimento degli studenti ai più appropriati. L'accuratezza dello strumento di raccomandazione basato sull'apprendimento automatico viene quindi valutato.
L'applicazione dei modelli di alberi decisionali in un processo di mappatura automatizzata tra LS (input) e (output target) consente un elenco immediato di strategie di apprendimento appropriate per ogni studente dentale. Lo strumento di raccomandazione IS ha dimostrato una perfetta precisione e il richiamo dell'accuratezza complessiva del modello, indicando che l'abbinamento di LS a IS ha una buona sensibilità e specificità.
Uno strumento di raccomandazione è basato su un albero decisionale ML ha dimostrato la sua capacità di abbinare accuratamente gli stili di apprendimento degli studenti dentali con appropriate strategie di apprendimento. Questo strumento offre potenti opzioni per la pianificazione di corsi o moduli centrati sullo studente che possono migliorare l'esperienza di apprendimento degli studenti.
L'insegnamento e l'apprendimento sono attività fondamentali nelle istituzioni educative. Quando si sviluppa un sistema di istruzione professionale di alta qualità, è importante concentrarsi sulle esigenze di apprendimento degli studenti. L'interazione tra gli studenti e il loro ambiente di apprendimento può essere determinata attraverso la loro LS. La ricerca suggerisce che i disallineamenti intenzionali degli insegnanti tra LS degli studenti e IS possono avere conseguenze negative per l'apprendimento degli studenti, come una ridotta attenzione e motivazione. Ciò influenzerà indirettamente le prestazioni degli studenti [1,2].
IS è un metodo utilizzato dagli insegnanti per impartire conoscenze e abilità agli studenti, tra cui aiutare gli studenti a imparare [3]. In generale, i buoni insegnanti pianificano strategie di insegnamento o è che si abbinano al meglio il livello di conoscenza dei loro studenti, i concetti che stanno imparando e il loro stadio di apprendimento. Teoricamente, quando LS e sono corrispondenti, gli studenti saranno in grado di organizzare e utilizzare una serie specifica di competenze per apprendere in modo efficace. In genere, un piano di lezioni include diverse transizioni tra stadi, come dall'insegnamento alla pratica guidata o dalla pratica guidata alla pratica indipendente. Con questo in mente, insegnanti efficaci spesso pianificano istruzioni con l'obiettivo di costruire le conoscenze e le abilità degli studenti [4].
La domanda di SCL sta crescendo negli istituti di istruzione superiore, compresa l'odontoiatria. Le strategie SCL sono progettate per soddisfare le esigenze di apprendimento degli studenti. Ciò può essere ottenuto, ad esempio, se gli studenti partecipano attivamente alle attività di apprendimento e gli insegnanti agiscono come facilitatori e sono responsabili della fornitura di feedback preziosi. Si dice che fornire materiali di apprendimento e attività appropriate per il livello di istruzione o le preferenze degli studenti possano migliorare l'ambiente di apprendimento degli studenti e promuovere esperienze di apprendimento positive [5].
In generale, il processo di apprendimento degli studenti dentali è influenzato dalle varie procedure cliniche a cui sono tenuti a eseguire e dall'ambiente clinico in cui sviluppano efficaci capacità interpersonali. Lo scopo della formazione è consentire agli studenti di combinare la conoscenza di base dell'odontoiatria con le capacità cliniche dentali e applicare le conoscenze acquisite a nuove situazioni cliniche [6, 7]. Le prime ricerche sulla relazione tra LS e si scopre che l'adeguamento delle strategie di apprendimento mappato alla LS preferita contribuirebbe a migliorare il processo educativo [8]. Gli autori raccomandano anche di utilizzare una varietà di metodi di insegnamento e valutazione per adattarsi all'apprendimento e alle esigenze degli studenti.
Gli insegnanti traggono beneficio dall'applicazione della conoscenza LS per aiutarli a progettare, sviluppare e attuare istruzioni che miglioreranno l'acquisizione da parte degli studenti di conoscenze e comprensione più profonde dell'argomento. I ricercatori hanno sviluppato diversi strumenti di valutazione LS, come il modello di apprendimento esperienziale KOLB, il modello di stile di apprendimento Felder-Silverman (FSLSM) e il modello Fleming Vak/Vark [5, 9, 10]. Secondo la letteratura, questi modelli di apprendimento sono i modelli di apprendimento più comunemente usati e più studiati. Nell'attuale lavoro di ricerca, FSLSM viene utilizzato per valutare LS tra gli studenti dentali.
FSLSM è un modello ampiamente usato per valutare l'apprendimento adattivo in ingegneria. Ci sono molte opere pubblicate nelle scienze della salute (tra cui medicina, infermieristica, farmacia e odontoiatria) che possono essere trovate utilizzando modelli FSLSM [5, 11, 12, 13]. Lo strumento utilizzato per misurare le dimensioni di LS nel FLSM è chiamato indice degli stili di apprendimento (ILS) [8], che contiene 44 elementi che valutano quattro dimensioni di LS: elaborazione (attivo/riflettente), percezione (percettiva/intuitiva), Input (Visual). /verbale) e comprensione (sequenziale/globale) [14].
Come mostrato nella Figura 1, ogni dimensione FSLSM ha una preferenza dominante. Ad esempio, nella dimensione di elaborazione, gli studenti con LS "attivi" preferiscono elaborare le informazioni interagendo direttamente con i materiali di apprendimento, apprendere e tendono a imparare in gruppo. La LS "riflessiva" si riferisce all'apprendimento attraverso il pensiero e preferisce lavorare da solo. La dimensione di "percezione" di LS può essere divisa in "sentimento" e/o "intuizione". Gli studenti "Feels" preferiscono informazioni più concrete e procedure pratiche, sono orientati ai fatti rispetto agli studenti "intuitivi" che preferiscono materiale astratto e sono più innovativi e creativi di natura. La dimensione "input" di LS è costituita da studenti "visivi" e "verbali". Le persone con LS "visive" preferiscono imparare attraverso dimostrazioni visive (come diagrammi, video o dimostrazioni dal vivo), mentre le persone con LS "verbale" preferiscono imparare attraverso le parole in spiegazioni scritte o orali. Per "comprendere" le dimensioni LS, tali studenti possono essere divisi in "sequenziale" e "globale". “Gli studenti sequenziali preferiscono un processo di pensiero lineare e imparano passo dopo passo, mentre gli studenti globali tendono ad avere un processo di pensiero olistico e hanno sempre una migliore comprensione di ciò che stanno imparando.
Di recente, molti ricercatori hanno iniziato a esplorare metodi per la scoperta automatica basata sui dati, incluso lo sviluppo di nuovi algoritmi e modelli in grado di interpretare grandi quantità di dati [15, 16]. Sulla base dei dati forniti, ML supervisionato (apprendimento automatico) è in grado di generare modelli e ipotesi che prevedono risultati futuri in base alla costruzione di algoritmi [17]. In poche parole, le tecniche di apprendimento automatico supervisionate manipolano i dati di input e gli algoritmi dei treni. Genera quindi un intervallo che classifica o prevede il risultato in base a situazioni simili per i dati di input forniti. Il principale vantaggio degli algoritmi di apprendimento automatico supervisionato è la sua capacità di stabilire risultati ideali e desiderati [17].
Attraverso l'uso di metodi basati sui dati e modelli di controllo dell'albero decisionale, è possibile il rilevamento automatico di LS. È stato segnalato che gli alberi decisionali sono ampiamente utilizzati nei programmi di formazione in vari settori, tra cui le scienze della salute [18, 19]. In questo studio, il modello è stato specificamente formato dagli sviluppatori di sistema per identificare LS degli studenti e raccomandare che il meglio è per loro.
Lo scopo di questo studio è quello di svilupparsi sono le strategie di consegna in base alla LS degli studenti e applicare l'approccio SCL sviluppando uno strumento di raccomandazione IS mappato a LS. Il flusso di progettazione dello strumento di raccomandazione IS come strategia del metodo SCL è mostrato nella Figura 1. Lo strumento di raccomandazione IS è diviso in due parti, incluso il meccanismo di classificazione LS usando ILS e il più adatto è la visualizzazione per gli studenti.
In particolare, le caratteristiche degli strumenti di raccomandazione per la sicurezza delle informazioni includono l'uso delle tecnologie Web e l'uso dell'apprendimento automatico dell'albero decisionale. Gli sviluppatori di sistema migliorano l'esperienza dell'utente e la mobilità adattandoli a dispositivi mobili come telefoni cellulari e tablet.
L'esperimento è stato condotto in due fasi e gli studenti della facoltà di odontoiatria dell'Università della Malaya hanno partecipato su base volontaria. I partecipanti hanno risposto ai M-ILS online di uno studente dentale in inglese. Nella fase iniziale, è stato utilizzato un set di dati di 50 studenti per addestrare l'algoritmo di apprendimento automatico dell'albero decisionale. Nella seconda fase del processo di sviluppo, è stato utilizzato un set di dati di 255 studenti per migliorare l'accuratezza dello strumento sviluppato.
Tutti i partecipanti ricevono un briefing online all'inizio di ogni fase, a seconda dell'anno accademico, tramite Microsoft Teams. È stato spiegato lo scopo dello studio ed è stato ottenuto il consenso informato. A tutti i partecipanti è stato fornito un link per accedere ai M-ILS. A ogni studente è stato chiesto di rispondere a tutti e 44 articoli del questionario. Sono stati dati una settimana per completare gli IL modificati alla volta e posizione comodi per loro durante la pausa del semestre prima dell'inizio del semestre. M-ILS si basa sullo strumento ILS originale e modificato per gli studenti dentali. Simile agli IL originali, contiene 44 elementi uniformemente distribuiti (A, B), con 11 articoli ciascuno, che vengono utilizzati per valutare gli aspetti di ciascuna dimensione FSLSM.
Durante le fasi iniziali dello sviluppo degli strumenti, i ricercatori hanno annotato manualmente le mappe utilizzando un set di dati di 50 studenti dentali. Secondo l'FSLM, il sistema fornisce la somma delle risposte "A" e "B". Per ogni dimensione, se lo studente seleziona "A" come risposta, l'LS è classificato come attivo/percettivo/visivo/sequenziale e se lo studente seleziona "b" come risposta, lo studente è classificato come riflessivo/intuitivo/linguistico . / studente globale.
Dopo aver calibrato il flusso di lavoro tra ricercatori di educazione dentale e sviluppatori di sistemi, sono state selezionate domande in base al dominio FLSSM e alimentate nel modello ML per prevedere LS di ogni studente. "Garbage In, Garbage Out" è un detto popolare nel campo dell'apprendimento automatico, con un'enfasi sulla qualità dei dati. La qualità dei dati di input determina la precisione e l'accuratezza del modello di apprendimento automatico. Durante la fase di ingegneria delle funzionalità, viene creato un nuovo set di funzionalità che è la somma delle risposte "A" e "B" basate su FLSSM. I numeri di identificazione delle posizioni del farmaco sono riportati nella Tabella 1.
Calcola il punteggio in base alle risposte e determina la LS dello studente. Per ogni studente, l'intervallo di punteggio va da 1 a 11. I punteggi da 1 a 3 indicano un equilibrio delle preferenze di apprendimento all'interno della stessa dimensione e i punteggi da 5 a 7 indicano una preferenza moderata, indicando che gli studenti tendono a preferire un ambiente che insegna agli altri . Un'altra variazione sulla stessa dimensione è che i punteggi da 9 a 11 riflettono una forte preferenza per un'estremità o l'altra [8].
Per ogni dimensione, i farmaci sono stati raggruppati in "attivi", "riflessivi" e "bilanciati". Ad esempio, quando uno studente risponde a "A" più spesso di "B" su un oggetto designato e il suo punteggio supera la soglia di 5 per un particolare elemento che rappresenta la dimensione LS di elaborazione, appartiene alle "Active" LS dominio. . Tuttavia, gli studenti sono stati classificati come LS "riflessivi" quando hanno scelto "B" più di "A" in 11 domande specifiche (Tabella 1) e hanno segnato più di 5 punti. Infine, lo studente è in uno stato di "equilibrio". Se il punteggio non supera i 5 punti, questo è un "processo" LS. Il processo di classificazione è stato ripetuto per le altre dimensioni LS, vale a dire la percezione (attiva/riflettente), l'input (visivo/verbale) e la comprensione (sequenziale/globale).
I modelli di alberi decisionali possono utilizzare diversi sottoinsiemi di funzionalità e regole decisionali nelle diverse fasi del processo di classificazione. È considerato uno strumento di classificazione e previsione popolare. Può essere rappresentato usando una struttura ad albero come un diagramma di flusso [20], in cui vi sono nodi interni che rappresentano test per attributo, ciascun ramo che rappresenta i risultati dei test e ciascun nodo foglia (nodo foglia) contenente un'etichetta di classe.
È stato creato un semplice programma basato sulle regole per segnare automaticamente e annotare LS di ogni studente in base alle loro risposte. Basato sulle regole assume la forma di un'istruzione IF, in cui "if" descrive il grilletto e "allora" specifica l'azione da eseguire, ad esempio: "If x si verifica, allora fai y" (Liu et al., 2014). Se il set di dati mostra la correlazione e il modello di albero decisionale è adeguatamente addestrato e valutato, questo approccio può essere un modo efficace per automatizzare il processo di corrispondenza di LS e IS.
Nella seconda fase di sviluppo, il set di dati è stato aumentato a 255 per migliorare l'accuratezza dello strumento di raccomandazione. Il set di dati è diviso in un rapporto 1: 4. Il 25% (64) del set di dati è stato utilizzato per il set di test e il restante 75% (191) è stato utilizzato come set di addestramento (Figura 2). Il set di dati deve essere diviso per impedire che il modello venga addestrato e testato sullo stesso set di dati, il che potrebbe causare il ricordo del modello piuttosto che l'apprendimento. Il modello è addestrato sul set di addestramento e valuta le sue prestazioni sul set di test: Data il modello non ha mai visto prima.
Una volta sviluppato lo strumento IS, l'applicazione sarà in grado di classificare LS in base alle risposte degli studenti dentali tramite un'interfaccia Web. Il sistema di strumenti di raccomandazione di sicurezza delle informazioni basato sul Web è creato utilizzando il linguaggio di programmazione Python utilizzando il framework Django come backend. La tabella 2 elenca le librerie utilizzate nello sviluppo di questo sistema.
Il set di dati viene alimentato a un modello di albero decisionale per calcolare ed estrarre le risposte degli studenti per classificare automaticamente le misurazioni LS degli studenti.
La matrice di confusione viene utilizzata per valutare l'accuratezza di un algoritmo di apprendimento automatico dell'albero decisionale su un determinato set di dati. Allo stesso tempo, valuta le prestazioni del modello di classificazione. Riassume le previsioni del modello e le confronta con le etichette di dati effettive. I risultati della valutazione si basano su quattro valori diversi: True Positive (TP) - Il modello ha previsto correttamente la categoria positiva, falso positivo (FP) - Il modello prevedeva la categoria positiva, ma l'etichetta vera era negativa, vera negativa (TN) - Il modello prevedeva correttamente la classe negativa e il falso negativo (FN): il modello prevede una classe negativa, ma la vera etichetta è positiva.
Questi valori vengono quindi utilizzati per calcolare varie metriche di prestazione del modello di classificazione Scikit-Learn in Python, vale a dire precisione, precisione, richiamo e punteggio F1. Ecco esempi:
Il richiamo (o la sensibilità) misura la capacità del modello di classificare accuratamente LS di uno studente dopo aver risposto al questionario M-ILS.
La specificità è chiamata vera velocità negativa. Come puoi vedere dalla formula sopra, questo dovrebbe essere il rapporto tra i veri negativi (TN) e i veri negativi e i falsi positivi (FP). Come parte dello strumento raccomandato per classificare i farmaci per studenti, dovrebbe essere in grado di identificare accurati.
Il set di dati originale di 50 studenti utilizzato per addestrare il modello ML dell'albero decisionale ha mostrato una precisione relativamente bassa a causa di un errore umano nelle annotazioni (Tabella 3). Dopo aver creato un semplice programma basato sulle regole per calcolare automaticamente i punteggi LS e le annotazioni degli studenti, è stato utilizzato un numero crescente di set di dati (255) per formare e testare il sistema di raccomandazione.
Nella matrice di confusione multiclasse, gli elementi diagonali rappresentano il numero di previsioni corrette per ciascun tipo di LS (Figura 4). Usando il modello di albero decisionale, sono stati previsti in totale 64 campioni. Pertanto, in questo studio, gli elementi diagonali mostrano i risultati previsti, indicando che il modello funziona bene e prevede accuratamente l'etichetta di classe per ciascuna classificazione LS. Pertanto, l'accuratezza complessiva dello strumento di raccomandazione è al 100%.
I valori di accuratezza, precisione, richiamo e punteggio F1 sono mostrati nella Figura 5. Per il sistema di raccomandazione usando il modello dell'albero decisionale, il suo punteggio F1 è 1,0 "perfetto", indicando una precisione e un richiamo perfetti, riflettendo una sensibilità e una specificità significative valori.
La Figura 6 mostra una visualizzazione del modello di albero decisionale dopo che l'allenamento e i test sono stati completati. In un confronto fianco a fianco, il modello di albero decisionale addestrato con un minor numero di caratteristiche ha mostrato una maggiore precisione e una più facile visualizzazione del modello. Ciò dimostra che l'ingegneria delle caratteristiche che porta alla riduzione delle caratteristiche è un passo importante per migliorare le prestazioni del modello.
Applicando l'apprendimento supervisionato dall'albero decisionale, la mappatura tra LS (input) e IS (output di destinazione) viene generata automaticamente e contiene informazioni dettagliate per ciascun LS.
I risultati hanno mostrato che il 34,9% dei 255 studenti preferiva un'opzione LS (1). La maggioranza (54,3%) aveva due o più preferenze LS. Il 12,2% degli studenti ha notato che LS è piuttosto equilibrato (Tabella 4). Oltre alle otto principali LS, ci sono 34 combinazioni di classificazioni LS per gli studenti dentali dell'Università di Malaya. Tra questi, la percezione, la visione e la combinazione di percezione e visione sono i principali LS segnalati dagli studenti (Figura 7).
Come si può vedere dalla Tabella 4, la maggior parte degli studenti aveva una LS sensoriale (13,7%) o visiva (8,6%). È stato riferito che il 12,2% degli studenti ha combinato la percezione con la visione (LS percettivo-visiva). Questi risultati suggeriscono che gli studenti preferiscono imparare e ricordare attraverso metodi consolidati, seguire procedure specifiche e dettagliate e sono attenti di natura. Allo stesso tempo, si divertono ad apprendere guardando (usando diagrammi, ecc.) E tendono a discutere e applicare informazioni in gruppo o da soli.
Questo studio fornisce una panoramica delle tecniche di apprendimento automatico utilizzate nel data mining, con particolare attenzione alla previsione immediata e accurata degli studenti e raccomandare IS ADET. L'applicazione di un modello di albero decisionale ha identificato i fattori più strettamente correlati alla loro vita ed esperienze educative. È un algoritmo di apprendimento automatico supervisionato che utilizza una struttura ad albero per classificare i dati dividendo un insieme di dati in sottocategorie basate su determinati criteri. Funziona dividendo ricorsivamente i dati di input in sottoinsiemi in base al valore di una delle caratteristiche di input di ciascun nodo interno fino a quando non viene presa una decisione sul nodo foglia.
I nodi interni dell'albero decisionale rappresentano la soluzione in base alle caratteristiche di input del problema M-ILS e i nodi fogliari rappresentano la previsione della classificazione LS finale. Nel corso dello studio, è facile comprendere la gerarchia degli alberi decisionali che spiegano e visualizzano il processo decisionale osservando la relazione tra caratteristiche di input e previsioni di output.
Nei campi di informatica e ingegneria, gli algoritmi di apprendimento automatico sono ampiamente utilizzati per prevedere le prestazioni degli studenti in base ai loro punteggi degli esami di ammissione [21], informazioni demografiche e comportamento di apprendimento [22]. La ricerca ha dimostrato che l'algoritmo prevedeva accuratamente la performance degli studenti e li ha aiutati a identificare gli studenti a rischio di difficoltà accademiche.
Viene riportata l'applicazione di algoritmi ML nello sviluppo di simulatori di pazienti virtuali per l'allenamento dentale. Il simulatore è in grado di riprodurre accuratamente le risposte fisiologiche dei pazienti reali e può essere usato per formare gli studenti dentali in un ambiente sicuro e controllato [23]. Numerosi altri studi dimostrano che gli algoritmi di apprendimento automatico possono potenzialmente migliorare la qualità e l'efficienza dell'educazione dentale e medica e dell'assistenza ai pazienti. Gli algoritmi di apprendimento automatico sono stati utilizzati per aiutare nella diagnosi di malattie dentali in base a set di dati come sintomi e caratteristiche del paziente [24, 25]. Mentre altri studi hanno esplorato l'uso di algoritmi di apprendimento automatico per eseguire compiti come la previsione degli esiti dei pazienti, l'identificazione di pazienti ad alto rischio, lo sviluppo di piani di trattamento personalizzati [26], il trattamento parodontale [27] e il trattamento della carie [25].
Sebbene siano stati pubblicati rapporti sull'applicazione dell'apprendimento automatico in odontoiatria, la sua applicazione in educazione dentale rimane limitata. Pertanto, questo studio mirava a utilizzare un modello di albero decisionale per identificare i fattori più strettamente associati a LS ed è tra gli studenti dentali.
I risultati di questo studio mostrano che lo strumento di raccomandazione sviluppato ha un'elevata precisione e una perfetta precisione, indicando che gli insegnanti possono beneficiare di questo strumento. Utilizzando un processo di classificazione basato sui dati, può fornire raccomandazioni personalizzate e migliorare le esperienze e i risultati educativi per educatori e studenti. Tra questi, le informazioni ottenute attraverso strumenti di raccomandazione possono risolvere i conflitti tra i metodi di insegnamento preferiti degli insegnanti e le esigenze di apprendimento degli studenti. Ad esempio, a causa dell'output automatizzato di strumenti di raccomandazione, il tempo necessario per identificare l'IP di uno studente e abbinarlo all'IP corrispondente sarà significativamente ridotto. In questo modo, è possibile organizzare attività di formazione e materiali di formazione adeguati. Questo aiuta a sviluppare il comportamento di apprendimento positivo degli studenti e la capacità di concentrarsi. Uno studio ha riferito che fornire agli studenti materiali di apprendimento e attività di apprendimento che corrispondono ai loro LS preferiti può aiutare gli studenti a integrare, elaborare e godere dell'apprendimento in più modi per ottenere un potenziale maggiore [12]. La ricerca mostra anche che oltre a migliorare la partecipazione degli studenti in classe, la comprensione del processo di apprendimento degli studenti svolge anche un ruolo fondamentale nel migliorare le pratiche di insegnamento e la comunicazione con gli studenti [28, 29].
Tuttavia, come con qualsiasi tecnologia moderna, ci sono problemi e limitazioni. Questi includono questioni relative alla privacy dei dati, alla distorsione e all'equità e alle capacità e alle risorse professionali necessarie per sviluppare e implementare algoritmi di apprendimento automatico nell'educazione dentale; Tuttavia, il crescente interesse e la ricerca in questo settore suggeriscono che le tecnologie di apprendimento automatico possono avere un impatto positivo sull'educazione dentale e sui servizi dentali.
I risultati di questo studio indicano che la metà degli studenti dentali ha la tendenza a "percepire" i farmaci. Questo tipo di studente ha una preferenza per fatti ed esempi concreti, un orientamento pratico, pazienza per i dettagli e una preferenza "visiva" LS, in cui gli studenti preferiscono usare immagini, grafica, colori e mappe per trasmettere idee e pensieri. I risultati attuali sono coerenti con altri studi che utilizzano IL per valutare LS negli studenti dentali e di medicina, la maggior parte dei quali ha caratteristiche di LS percettiva e visiva [12, 30]. Dalmolin et al. Suggeriscono che informare gli studenti sul loro LS consente loro di raggiungere il loro potenziale di apprendimento. I ricercatori sostengono che quando gli insegnanti comprendono appieno il processo educativo degli studenti, possono essere implementati vari metodi di insegnamento e attività che miglioreranno le prestazioni e l'esperienza di apprendimento degli studenti [12, 31, 32]. Altri studi hanno dimostrato che l'adattamento di LS degli studenti mostra anche miglioramenti nell'esperienza di apprendimento e alle prestazioni degli studenti dopo aver cambiato i loro stili di apprendimento per adattarsi ai propri LS [13, 33].
Le opinioni degli insegnanti possono variare in merito all'implementazione delle strategie di insegnamento basate sulle capacità di apprendimento degli studenti. Mentre alcuni vedono i vantaggi di questo approccio, tra cui opportunità di sviluppo professionale, tutoraggio e supporto della comunità, altri possono essere preoccupati per il tempo e il supporto istituzionale. Lottare per l'equilibrio è la chiave per creare un atteggiamento centrato sullo studente. Le autorità dell'istruzione superiore, come gli amministratori universitari, possono svolgere un ruolo importante nel guidare un cambiamento positivo introducendo pratiche innovative e sostenendo lo sviluppo delle facoltà [34]. Per creare un sistema di istruzione superiore veramente dinamica e reattiva, i politici devono adottare passi audaci, come apportare modifiche alle politiche, dedicare risorse all'integrazione tecnologica e creare quadri che promuovono approcci centrati sugli studenti. Queste misure sono fondamentali per raggiungere i risultati desiderati. Ricerche recenti sull'istruzione differenziata hanno chiaramente dimostrato che la corretta attuazione di istruzioni differenziate richiede opportunità di formazione e sviluppo in corso per gli insegnanti [35].
Questo strumento fornisce un prezioso supporto agli educatori dentali che vogliono adottare un approccio incentrato sullo studente per la pianificazione di attività di apprendimento adatte agli studenti. Tuttavia, questo studio è limitato all'uso dei modelli ML dell'albero decisionale. In futuro, dovrebbero essere raccolti più dati per confrontare le prestazioni di diversi modelli di apprendimento automatico per confrontare l'accuratezza, l'affidabilità e la precisione degli strumenti di raccomandazione. Inoltre, quando si sceglie il metodo di apprendimento automatico più appropriato per un compito particolare, è importante considerare altri fattori come la complessità del modello e l'interpretazione.
Una limitazione di questo studio è che si è concentrata solo sulla mappatura di LS ed è tra gli studenti dentali. Pertanto, il sistema di raccomandazione sviluppato consiglierà solo coloro che sono adatti agli studenti dentali. Sono necessarie modifiche per l'uso generale dell'istruzione superiore.
Lo strumento di raccomandazione basato sull'apprendimento automatico di recente sviluppo è in grado di classificare e abbinare istantaneamente LS degli studenti al corrispondente, rendendolo il primo programma di educazione dentale per aiutare gli educatori dentali a pianificare le attività di insegnamento e apprendimento pertinenti. Utilizzando un processo di triage basato sui dati, può fornire raccomandazioni personalizzate, risparmiare tempo, migliorare le strategie di insegnamento, supportare gli interventi mirati e promuovere lo sviluppo professionale in corso. La sua applicazione promuoverà approcci centrati sullo studente all'educazione dentale.
Gilak Jani Associated Press. Abbina o non corrispondente tra lo stile di apprendimento dello studente e lo stile di insegnamento dell'insegnante. In computer scientifica educata e educ. 2012; 4 (11): 51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Tempo post: aprile-20-2024