Vi è una crescente necessità di apprendimento centrato sullo studente (SCL) negli istituti di istruzione superiore, compresa l’odontoiatria.Tuttavia, SCL ha un’applicazione limitata nella formazione odontoiatrica.Pertanto, questo studio mira a promuovere l'applicazione di SCL in odontoiatria utilizzando la tecnologia di apprendimento automatico (ML) dell'albero decisionale per mappare lo stile di apprendimento preferito (LS) e le corrispondenti strategie di apprendimento (IS) degli studenti di odontoiatria come strumento utile per lo sviluppo di linee guida IS .Metodi promettenti per gli studenti di odontoiatria.
Un totale di 255 studenti di odontoiatria dell'Università della Malesia hanno completato il questionario modificato dell'Indice degli stili di apprendimento (m-ILS), che conteneva 44 elementi per classificarli nei rispettivi LS.I dati raccolti (chiamati set di dati) vengono utilizzati nell'apprendimento supervisionato dell'albero decisionale per abbinare automaticamente gli stili di apprendimento degli studenti all'IS più appropriato.Viene quindi valutata l'accuratezza dello strumento di raccomandazione IS basato sull'apprendimento automatico.
L'applicazione dei modelli di albero decisionale in un processo di mappatura automatizzata tra LS (input) e IS (output target) consente un elenco immediato di strategie di apprendimento appropriate per ciascuno studente di odontoiatria.Lo strumento di raccomandazione IS ha dimostrato un'accuratezza e un richiamo perfetti dell'accuratezza complessiva del modello, indicando che l'abbinamento LS con IS ha una buona sensibilità e specificità.
Uno strumento di raccomandazione IS basato su un albero decisionale ML ha dimostrato la sua capacità di abbinare accuratamente gli stili di apprendimento degli studenti di odontoiatria con strategie di apprendimento appropriate.Questo strumento fornisce potenti opzioni per pianificare corsi o moduli incentrati 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 sui bisogni di apprendimento degli studenti.L'interazione tra gli studenti e il loro ambiente di apprendimento può essere determinata attraverso il loro LS.La ricerca suggerisce che le discrepanze nelle intenzioni degli insegnanti tra LS e IS degli studenti possono avere conseguenze negative per l'apprendimento degli studenti, come una diminuzione dell'attenzione e della motivazione.Ciò influenzerà indirettamente il rendimento degli studenti [1,2].
L'IS è un metodo utilizzato dagli insegnanti per impartire conoscenze e competenze agli studenti, incluso aiutare gli studenti ad apprendere [3].In generale, i buoni insegnanti pianificano strategie di insegnamento o IS che meglio si adattano al livello di conoscenza dei loro studenti, ai concetti che stanno imparando e al loro stadio di apprendimento.Teoricamente, quando LS e IS corrispondono, gli studenti saranno in grado di organizzare e utilizzare un insieme specifico di competenze per apprendere in modo efficace.In genere, un programma di lezione comprende diverse transizioni tra le fasi, ad esempio dall'insegnamento alla pratica guidata o dalla pratica guidata alla pratica indipendente.Con questo in mente, gli insegnanti efficaci spesso pianificano l'insegnamento con l'obiettivo di sviluppare le conoscenze e le competenze degli studenti [4].
La domanda di SCL è in crescita 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 di fornire feedback preziosi.Si dice che fornire materiali e attività didattiche adeguati al livello educativo o alle preferenze degli studenti possa migliorare l'ambiente di apprendimento degli studenti e promuovere esperienze di apprendimento positive [5].
In generale, il processo di apprendimento degli studenti di odontoiatria è influenzato dalle varie procedure cliniche che devono eseguire e dall'ambiente clinico in cui sviluppano efficaci capacità interpersonali.Lo scopo della formazione è consentire agli studenti di combinare le conoscenze di base dell'odontoiatria con le competenze cliniche odontoiatriche e di applicare le conoscenze acquisite a nuove situazioni cliniche [6, 7].Le prime ricerche sulla relazione tra LS e IS hanno scoperto che adattare le strategie di apprendimento mappate al LS preferito aiuterebbe a migliorare il processo educativo [8].Gli autori raccomandano inoltre di utilizzare una varietà di metodi di insegnamento e valutazione per adattarsi all'apprendimento e alle esigenze degli studenti.
Gli insegnanti traggono vantaggio dall'applicazione delle conoscenze LS per aiutarli a progettare, sviluppare e implementare istruzioni che miglioreranno l'acquisizione di una conoscenza e una comprensione più approfondite della materia da parte degli studenti.I ricercatori hanno sviluppato diversi strumenti di valutazione LS, come il modello di apprendimento esperienziale di 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 utilizzati e più studiati.Nel presente lavoro di ricerca, FSLSM viene utilizzato per valutare LS tra gli studenti di odontoiatria.
FSLSM è un modello ampiamente utilizzato per valutare l'apprendimento adattivo in ingegneria.Esistono molti lavori pubblicati nel campo delle scienze sanitarie (tra cui medicina, infermieristica, farmacia e odontoiatria) che possono essere trovati utilizzando i 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 (attiva/riflessiva), percezione (percettiva/intuitiva), input (visivo)./verbale) e comprensione (sequenziale/globale) [14].
Come mostrato nella Figura 1, ciascuna dimensione FSLSM ha una preferenza dominante.Ad esempio, nella dimensione dell’elaborazione, gli studenti con LS “attivo” preferiscono elaborare le informazioni interagendo direttamente con i materiali didattici, imparano facendo e tendono ad apprendere in gruppi.Il LS “riflessivo” si riferisce all’apprendimento attraverso il pensiero e preferisce lavorare da solo.La dimensione “percettiva” della LS può essere divisa in “sentimento” e/o “intuizione”.Gli studenti “sensenti” preferiscono informazioni più concrete e procedure pratiche, sono orientati ai fatti rispetto agli studenti “intuitivi” che preferiscono materiale astratto e sono di natura più innovativa e creativa.La dimensione “input” di LS è composta da studenti “visivi” e “verbali”.Le persone con LS “visivo” preferiscono apprendere attraverso dimostrazioni visive (come diagrammi, video o dimostrazioni dal vivo), mentre le persone con LS “verbale” preferiscono apprendere attraverso le parole in spiegazioni scritte o orali.Per “comprendere” le dimensioni LS, tali studenti possono essere suddivisi in “sequenziali” e “globali”.“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.
Recentemente, molti ricercatori hanno iniziato a esplorare metodi per la scoperta automatica guidata dai dati, compreso lo sviluppo di nuovi algoritmi e modelli in grado di interpretare grandi quantità di dati [15, 16].Sulla base dei dati forniti, il ML supervisionato (machine learning) è in grado di generare modelli e ipotesi che prevedono risultati futuri basati sulla costruzione di algoritmi [17].In poche parole, le tecniche di machine learning supervisionate manipolano i dati di input e addestrano gli algoritmi.Quindi genera un intervallo che classifica o prevede il risultato in base a situazioni simili per i dati di input forniti.Il vantaggio principale 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 campi, comprese le scienze della salute [18, 19].In questo studio, il modello è stato specificamente addestrato dagli sviluppatori del sistema per identificare i LS degli studenti e consigliare loro il miglior IS.
Lo scopo di questo studio è sviluppare strategie di fornitura IS basate sui LS degli studenti e applicare l'approccio SCL sviluppando uno strumento di raccomandazione IS mappato su 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, compreso il meccanismo di classificazione LS che utilizza ILS e la visualizzazione IS più adatta per gli studenti.
In particolare, le caratteristiche degli strumenti di raccomandazione sulla sicurezza delle informazioni includono l’uso di tecnologie web e l’uso del machine learning degli alberi decisionali.Gli sviluppatori di sistemi migliorano l'esperienza dell'utente e la mobilità adattandoli ai 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 Malesia hanno partecipato su base volontaria.I partecipanti hanno risposto al m-ILS online di uno studente di odontoiatria 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 la precisione 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 collegamento per accedere a m-ILS.Ad ogni studente è stato chiesto di rispondere a tutti i 44 elementi del questionario.È stata concessa loro una settimana per completare l'ILS modificato in un momento e in un luogo a loro convenienti durante la pausa prima dell'inizio del semestre.m-ILS si basa sullo strumento ILS originale e modificato per gli studenti di odontoiatria.Simile all'ILS originale, contiene 44 item equamente distribuiti (a, b), con 11 item ciascuno, che vengono utilizzati per valutare gli aspetti di ciascuna dimensione FSLSM.
Durante le fasi iniziali dello sviluppo dello strumento, i ricercatori hanno annotato manualmente le mappe utilizzando un set di dati di 50 studenti di odontoiatria.Secondo il FSLM il sistema prevede la somma delle risposte “a” e “b”.Per ciascuna dimensione, se lo studente seleziona “a” come risposta, il 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 formazione odontoiatrica e sviluppatori di sistemi, le domande sono state selezionate in base al dominio FLSSM e inserite nel modello ML per prevedere il LS di ciascuno 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 machine learning.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 dei farmaci sono riportati nella Tabella 1.
Calcolare il punteggio in base alle risposte e determinare il LS dello studente.Per ogni studente, l'intervallo di punteggio va da 1 a 11. I punteggi da 1 a 3 indicano un equilibrio di preferenze di apprendimento all'interno della stessa dimensione, mentre i punteggi da 5 a 7 indicano una preferenza moderata, indicando che gli studenti tendono a preferire un ambiente insegnando ad altri .Un'altra variazione sulla stessa dimensione è che i punteggi da 9 a 11 riflettono una forte preferenza per un'estremità o per l'altra [8].
Per ciascuna dimensione, i farmaci sono stati raggruppati in “attivi”, “riflessivi” e “bilanciati”.Ad esempio, quando uno studente risponde "a" più spesso di "b" su un elemento designato e il suo punteggio supera la soglia di 5 per un particolare elemento che rappresenta la dimensione LS di elaborazione, appartiene all'LS "attivo" 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 ottenuto più di 5 punti.Infine, lo studente è in uno stato di “equilibrio”.Se il punteggio non supera i 5 punti, allora si tratta di un LS “di processo”.Il processo di classificazione è stato ripetuto per le altre dimensioni LS, vale a dire percezione (attiva/riflessiva), input (visivo/verbale) e comprensione (sequenziale/globale).
I modelli di albero decisionale possono utilizzare diversi sottoinsiemi di caratteristiche e regole decisionali in diverse fasi del processo di classificazione.È considerato uno strumento popolare di classificazione e previsione.Può essere rappresentato utilizzando una struttura ad albero come un diagramma di flusso [20], in cui sono presenti nodi interni che rappresentano i test per attributo, ciascun ramo che rappresenta i risultati del test e ciascun nodo foglia (nodo foglia) contenente un'etichetta di classe.
È stato creato un semplice programma basato su regole per valutare e annotare automaticamente il LS di ogni studente in base alle sue risposte.Basato su regole assume la forma di un'istruzione IF, dove "IF" descrive il trigger e "THEN" specifica l'azione da eseguire, ad esempio: "Se X accade, allora fai Y" (Liu et al., 2014).Se il set di dati mostra correlazione e il modello dell’albero decisionale è adeguatamente addestrato e valutato, questo approccio può essere un modo efficace per automatizzare il processo di corrispondenza LS e IS.
Nella seconda fase di sviluppo, il set di dati è stato aumentato a 255 per migliorare la precisione dello strumento di raccomandazione.Il set di dati è suddiviso 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 suddiviso per evitare che il modello venga addestrato e testato sullo stesso set di dati, il che potrebbe far sì che il modello ricordi anziché apprendere.Il modello viene addestrato sul set di training e valuta le sue prestazioni sul set di test, ovvero dati che 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 di odontoiatria tramite un'interfaccia web.Il sistema di strumenti di raccomandazione sulla sicurezza delle informazioni basato sul Web è costruito 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 inserito in 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 machine learning dell'albero decisionale su un dato set di dati.Allo stesso tempo, valuta la performance del modello di classificazione.Riepiloga le previsioni del modello e le confronta con le etichette dei dati effettivi.I risultati della valutazione si basano su quattro valori diversi: Vero Positivo (TP) – il modello ha previsto correttamente la categoria positiva, Falso Positivo (FP) – il modello ha previsto la categoria positiva, ma la vera etichetta era negativa, Vero Negativo (TN) – il modello ha previsto correttamente la classe negativa e falso negativo (FN) – Il modello prevede una classe negativa, ma la vera etichetta è positiva.
Questi valori vengono quindi utilizzati per calcolare vari parametri prestazionali del modello di classificazione scikit-learn in Python, ovvero precisione, precisione, richiamo e punteggio F1.Ecco alcuni esempi:
Il ricordo (o sensibilità) misura la capacità del modello di classificare accuratamente il LS di uno studente dopo aver risposto al questionario m-ILS.
La specificità è chiamata vero tasso negativo.Come puoi vedere dalla formula sopra, questo dovrebbe essere il rapporto tra veri negativi (TN) e veri negativi e falsi positivi (FP).Come parte dello strumento raccomandato per classificare i farmaci degli studenti, dovrebbe essere in grado di consentirne un'identificazione accurata.
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 dell'errore umano nelle annotazioni (Tabella 3).Dopo aver creato un semplice programma basato su regole per calcolare automaticamente i punteggi LS e le annotazioni degli studenti, è stato utilizzato un numero crescente di set di dati (255) per addestrare e testare il sistema di raccomandazione.
Nella matrice di confusione multiclasse, gli elementi diagonali rappresentano il numero di previsioni corrette per ciascun tipo LS (Figura 4).Utilizzando il modello dell'albero decisionale, sono stati previsti correttamente un totale di 64 campioni.Pertanto, in questo studio, gli elementi diagonali mostrano i risultati attesi, indicando che il modello funziona bene e prevede accuratamente l'etichetta di classe per ciascuna classificazione LS.Pertanto, la precisione complessiva dello strumento di raccomandazione è del 100%.
I valori di accuratezza, precisione, richiamo e punteggio F1 sono mostrati nella Figura 5. Per il sistema di raccomandazione che utilizza il modello dell'albero decisionale, il suo punteggio F1 è 1,0 "perfetto", indicando precisione e richiamo perfetti, riflettendo sensibilità e specificità significative valori.
La Figura 6 mostra una visualizzazione del modello dell'albero decisionale dopo il completamento della formazione e dei test.In un confronto affiancato, il modello di albero decisionale addestrato con meno funzionalità ha mostrato una maggiore precisione e una visualizzazione del modello più semplice.Ciò dimostra che l'ingegnerizzazione delle funzionalità che porta alla riduzione delle funzionalità è un passo importante nel miglioramento delle prestazioni del modello.
Applicando l'apprendimento supervisionato dall'albero decisionale, la mappatura tra LS (input) e IS (output target) viene generata automaticamente e contiene informazioni dettagliate per ciascun LS.
I risultati hanno mostrato che il 34,9% dei 255 studenti preferiva una (1) opzione LS.La maggioranza (54,3%) aveva due o più preferenze LS.Il 12,2% degli studenti ha notato che LS è abbastanza equilibrato (Tabella 4).Oltre alle otto LS principali, ci sono 34 combinazioni di classificazioni LS per gli studenti di odontoiatria dell'Università della Malesia.Tra questi, percezione, visione e la combinazione di percezione e visione sono i principali LS riportati dagli studenti (Figura 7).
Come si può vedere dalla Tabella 4, la maggior parte degli studenti aveva un LS prevalentemente sensoriale (13,7%) o visivo (8,6%).È stato riferito che il 12,2% degli studenti combinava la percezione con la visione (LS percettivo-visivo).Questi risultati suggeriscono che gli studenti preferiscono apprendere e ricordare attraverso metodi consolidati, seguire procedure specifiche e dettagliate e sono di natura attenta.Allo stesso tempo, amano imparare guardando (utilizzando diagrammi, ecc.) e tendono a discutere e applicare le informazioni in gruppo o da soli.
Questo studio fornisce una panoramica delle tecniche di machine learning utilizzate nel data mining, con particolare attenzione alla previsione istantanea e accurata dei LS degli studenti e alla raccomandazione di IS adeguati.L'applicazione di un modello di albero decisionale ha identificato i fattori più strettamente legati alla loro vita e alle loro esperienze educative.Si tratta di un algoritmo di machine learning supervisionato che utilizza una struttura ad albero per classificare i dati dividendo un insieme di dati in sottocategorie in base a 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 finché non viene presa una decisione sul nodo foglia.
I nodi interni dell'albero decisionale rappresentano la soluzione basata sulle caratteristiche di input del problema m-ILS, mentre i nodi foglia rappresentano la previsione finale della classificazione LS.Nel corso dello studio, è facile comprendere la gerarchia degli alberi decisionali che spiegano e visualizzano il processo decisionale osservando la relazione tra le caratteristiche di input e le previsioni di output.
Nei campi dell'informatica e dell'ingegneria, gli algoritmi di apprendimento automatico sono ampiamente utilizzati per prevedere le prestazioni degli studenti in base ai punteggi degli esami di ammissione [21], alle informazioni demografiche e al comportamento di apprendimento [22].La ricerca ha dimostrato che l’algoritmo prevedeva con precisione il rendimento degli studenti e li aiutava a identificare gli studenti a rischio di difficoltà accademiche.
Viene riportata l'applicazione di algoritmi ML nello sviluppo di simulatori di pazienti virtuali per la formazione dentale.Il simulatore è in grado di riprodurre accuratamente le risposte fisiologiche di pazienti reali e può essere utilizzato per formare gli studenti di odontoiatria 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 della formazione odontoiatrica e medica e della cura dei pazienti.Gli algoritmi di apprendimento automatico sono stati utilizzati per assistere nella diagnosi delle malattie dentali sulla base di 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 dei risultati dei pazienti, l’identificazione dei 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 nella formazione odontoiatrica rimane limitata.Pertanto, questo studio mirava a utilizzare un modello di albero decisionale per identificare i fattori più strettamente associati a LS e IS tra gli studenti di odontoiatria.
I risultati di questo studio mostrano che lo strumento di raccomandazione sviluppato ha un’elevata precisione e un’accuratezza perfetta, indicando che gli insegnanti possono trarre vantaggio da questo strumento.Utilizzando un processo di classificazione basato sui dati, può fornire consigli personalizzati e migliorare le esperienze e i risultati educativi per educatori e studenti.Tra questi, le informazioni ottenute attraverso gli strumenti di raccomandazione possono risolvere i conflitti tra i metodi di insegnamento preferiti dagli insegnanti e le esigenze di apprendimento degli studenti.Ad esempio, grazie all'output automatizzato degli strumenti di raccomandazione, il tempo necessario per identificare l'IP di uno studente e abbinarlo all'IP corrispondente sarà notevolmente ridotto.In questo modo potranno essere organizzate attività formative adeguate e materiale formativo.Ciò aiuta a sviluppare il comportamento di apprendimento positivo e la capacità di concentrazione degli studenti.Uno studio ha riportato che fornire agli studenti materiali didattici e attività di apprendimento che corrispondono ai loro LS preferiti può aiutare gli studenti a integrare, elaborare e apprezzare l’apprendimento in molteplici modi per raggiungere un maggiore potenziale [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, ai pregiudizi e all’equità, nonché alle competenze professionali e alle risorse necessarie per sviluppare e implementare algoritmi di apprendimento automatico nella formazione odontoiatrica;Tuttavia, il crescente interesse e la ricerca in questo settore suggeriscono che le tecnologie di apprendimento automatico possono avere un impatto positivo sulla formazione odontoiatrica e sui servizi odontoiatrici.
I risultati di questo studio indicano che la metà degli studenti di odontoiatria hanno 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 utilizzare immagini, grafica, colori e mappe per trasmettere idee e pensieri.I risultati attuali sono coerenti con altri studi che utilizzano l’ILS per valutare l’LS negli studenti di odontoiatria e medicina, la maggior parte dei quali ha caratteristiche di LS percettiva e visiva [12, 30].Dalmolin et al suggeriscono che informare gli studenti sui 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 e attività di insegnamento che miglioreranno le prestazioni e l'esperienza di apprendimento degli studenti [12, 31, 32].Altri studi hanno dimostrato che l'adeguamento dei LS degli studenti mostra anche miglioramenti nell'esperienza di apprendimento e nelle prestazioni degli studenti dopo aver modificato i loro stili di apprendimento per adattarli ai propri LS [13, 33].
Le opinioni degli insegnanti possono variare riguardo all'implementazione delle strategie didattiche in base alle capacità di apprendimento degli studenti.Mentre alcuni vedono i vantaggi di questo approccio, comprese le opportunità di sviluppo professionale, tutoraggio e sostegno della comunità, altri potrebbero essere preoccupati per il tempo e il supporto istituzionale.La ricerca dell’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 promuovere cambiamenti positivi introducendo pratiche innovative e sostenendo lo sviluppo dei docenti [34].Per creare un sistema di istruzione superiore veramente dinamico e reattivo, i politici devono compiere passi coraggiosi, come apportare cambiamenti politici, dedicare risorse all’integrazione tecnologica e creare strutture che promuovano approcci incentrati sullo studente.Queste misure sono fondamentali per ottenere i risultati desiderati.Recenti ricerche sull'istruzione differenziata hanno chiaramente dimostrato che un'attuazione efficace dell'istruzione differenziata richiede opportunità di formazione e sviluppo continue per gli insegnanti [35].
Questo strumento fornisce un valido supporto agli insegnanti di odontoiatria che desiderano adottare un approccio incentrato sullo studente per pianificare attività di apprendimento a misura di studente.Tuttavia, questo studio è limitato all'uso di modelli ML di alberi decisionali.In futuro, dovrebbero essere raccolti più dati per confrontare le prestazioni di diversi modelli di machine learning per confrontare l’accuratezza, l’affidabilità e la precisione degli strumenti di raccomandazione.Inoltre, quando si sceglie il metodo di machine learning più appropriato per una particolare attività, è importante considerare altri fattori come la complessità e l'interpretazione del modello.
Un limite di questo studio è che si è concentrato solo sulla mappatura di LS e IS tra gli studenti di odontoiatria.Pertanto, il sistema di raccomandazione sviluppato consiglierà solo quelli adatti agli studenti di odontoiatria.Le modifiche sono necessarie per l'uso generale da parte degli studenti dell'istruzione superiore.
Il nuovo strumento di raccomandazione basato sull'apprendimento automatico è in grado di classificare e abbinare istantaneamente la LS degli studenti all'IS corrispondente, rendendolo il primo programma di formazione dentale ad aiutare gli educatori odontoiatrici a pianificare attività di insegnamento e apprendimento pertinenti.Utilizzando un processo di triage basato sui dati, può fornire consigli personalizzati, risparmiare tempo, migliorare le strategie di insegnamento, supportare interventi mirati e promuovere lo sviluppo professionale continuo.La sua applicazione promuoverà approcci alla formazione odontoiatrica incentrati sullo studente.
Gilak Jani Associated Press.Corrispondenza o mancata corrispondenza tra lo stile di apprendimento dello studente e lo stile di insegnamento dell'insegnante.Int J Mod Educ Informatica.2012;4(11):51–60.https://doi.org/10.5815/ijmecs.2012.11.05
Orario di pubblicazione: 29 aprile 2024