Nelle istituzioni di istruzione superiore, compresa l'odontoiatria, si avverte una crescente necessità di apprendimento centrato sullo studente (SCL). Tuttavia, l'applicazione dell'SCL nella formazione odontoiatrica è limitata. Pertanto, questo studio si propone di promuovere l'applicazione dell'SCL in odontoiatria utilizzando la tecnologia di apprendimento automatico (ML) ad 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 sulle IS. Metodi promettenti per gli studenti di odontoiatria.
Un totale di 255 studenti di odontoiatria dell'Università della Malesia ha compilato il questionario modificato Index of Learning Styles (m-ILS), composto da 44 item per classificarli nei rispettivi stili di apprendimento. I dati raccolti (chiamati dataset) vengono utilizzati nell'apprendimento supervisionato tramite alberi decisionali per abbinare automaticamente gli stili di apprendimento degli studenti al sistema informativo più appropriato. Viene quindi valutata l'accuratezza dello strumento di raccomandazione del sistema informativo basato sull'apprendimento automatico.
L'applicazione di modelli ad albero decisionale in un processo di mappatura automatizzato tra LS (input) e IS (output target) consente di ottenere immediatamente un elenco di strategie di apprendimento appropriate per ogni studente di odontoiatria. Lo strumento di raccomandazione IS ha dimostrato un'accuratezza e una precisione perfette rispetto all'accuratezza complessiva del modello, indicando che l'abbinamento di LS a IS presenta una buona sensibilità e specificità.
Uno strumento di raccomandazione di sistemi informativi basato su un albero decisionale di apprendimento automatico ha dimostrato la sua capacità di abbinare con precisione gli stili di apprendimento degli studenti di odontoiatria alle strategie didattiche più appropriate. Questo strumento offre potenti opzioni per la pianificazione di corsi o moduli incentrati sullo studente, in grado di migliorare la sua esperienza di apprendimento.
L'insegnamento e l'apprendimento sono attività fondamentali negli istituti di istruzione. Nello sviluppo di 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 (Learning Support, apprendimento). La ricerca suggerisce che le discrepanze intenzionali degli insegnanti tra LS e IS (Instructional Support, apprendimento e sistema) degli studenti possono avere conseguenze negative sull'apprendimento degli studenti, come la diminuzione dell'attenzione e della motivazione. Ciò influirà indirettamente sul rendimento degli studenti [1,2].
L'IS è un metodo utilizzato dagli insegnanti per trasmettere conoscenze e competenze agli studenti, incluso l'aiuto all'apprendimento [3]. In generale, i bravi insegnanti pianificano strategie didattiche o IS che meglio si adattano al livello di conoscenza dei loro studenti, ai concetti che stanno apprendendo e alla loro fase di apprendimento. Teoricamente, quando LS e IS corrispondono, gli studenti saranno in grado di organizzare e utilizzare una serie specifica di competenze per apprendere in modo efficace. Tipicamente, un piano di lezione include diverse transizioni tra le fasi, come dall'insegnamento alla pratica guidata o dalla pratica guidata alla pratica indipendente. Tenendo presente questo, gli insegnanti efficaci spesso pianificano l'istruzione con l'obiettivo di costruire 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 raggiunto, ad esempio, se gli studenti partecipano attivamente alle attività di apprendimento e gli insegnanti agiscono come facilitatori e sono responsabili di fornire un feedback valido. Si dice che fornire materiali e attività di apprendimento appropriati al livello di istruzione o alle preferenze degli studenti può 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 sono tenuti a eseguire e dall'ambiente clinico in cui sviluppano efficaci capacità interpersonali. Lo scopo della formazione è quello di 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 rilevato che l'adattamento delle strategie di apprendimento mappate sul LS preferito contribuirebbe 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 sullo stile di apprendimento (LS) per progettare, sviluppare e implementare un'istruzione che migliori l'acquisizione da parte degli studenti di una conoscenza e comprensione più approfondite della materia. I ricercatori hanno sviluppato diversi strumenti di valutazione dello stile di apprendimento, come il modello di apprendimento esperienziale di Kolb, il modello di stile di apprendimento di Felder-Silverman (FSLSM) e il modello VAK/VARK di Fleming [5, 9, 10]. Secondo la letteratura, questi modelli di apprendimento sono i più comunemente utilizzati e studiati. Nel presente lavoro di ricerca, il modello FSLSM viene utilizzato per valutare lo stile di apprendimento tra gli studenti di odontoiatria.
Il modello FSLSM è ampiamente utilizzato per valutare l'apprendimento adattivo in ingegneria. Esistono numerose pubblicazioni nel campo delle scienze della salute (tra cui medicina, infermieristica, farmacia e odontoiatria) che utilizzano modelli FSLSM [5, 11, 12, 13]. Lo strumento utilizzato per misurare le dimensioni dello stile di apprendimento (LS) nel modello FLSM è chiamato Indice degli stili di apprendimento (ILS) [8], che contiene 44 elementi che valutano quattro dimensioni dello stile di apprendimento: elaborazione (attiva/riflessiva), percezione (percettiva/intuitiva), input (visivo/verbale) e comprensione (sequenziale/globale) [14].
Come illustrato nella Figura 1, ogni dimensione del modello FSLSM presenta una preferenza dominante. Ad esempio, nella dimensione dell'elaborazione, gli studenti con un apprendimento "attivo" preferiscono elaborare le informazioni interagendo direttamente con i materiali didattici, imparano facendo e tendono a studiare in gruppo. L'apprendimento "riflessivo" si riferisce all'apprendimento attraverso il pensiero e predilige il lavoro individuale. La dimensione della "percezione" dell'apprendimento può essere suddivisa in "sentimento" e/o "intuizione". Gli studenti "sentimento" 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 per natura. La dimensione dell'"input" dell'apprendimento comprende studenti "visivi" e "verbali". Le persone con un apprendimento "visivo" preferiscono apprendere attraverso dimostrazioni visive (come diagrammi, video o dimostrazioni dal vivo), mentre le persone con un apprendimento "verbale" preferiscono apprendere attraverso le parole in spiegazioni scritte o orali. Per "comprendere" le dimensioni dell'apprendimento, tali studenti possono essere suddivisi in "sequenziali" e "globali". "Gli studenti con una mentalità sequenziale preferiscono un processo di pensiero lineare e apprendono passo dopo passo, mentre gli studenti con una mentalità globale tendono ad avere un approccio olistico e comprendono sempre meglio ciò che stanno imparando."
Recentemente, 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, l'apprendimento automatico supervisionato (ML) è in grado di generare modelli e ipotesi che prevedono risultati futuri sulla base della costruzione di algoritmi [17]. In parole semplici, le tecniche di apprendimento automatico supervisionato manipolano i dati di input e addestrano gli algoritmi. Generano quindi un intervallo che classifica o prevede il risultato sulla base di 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 ad albero decisionale, è possibile il rilevamento automatico della LS. È stato riportato 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 la LS degli studenti e raccomandare loro il miglior IS.
Lo scopo di questo studio è sviluppare strategie di erogazione di sistemi informativi basate sulle competenze linguistiche degli studenti (LS) e applicare l'approccio SCL (Student-Centered Learning) sviluppando uno strumento di raccomandazione di sistemi informativi mappato sulle competenze linguistiche. Il flusso di progettazione dello strumento di raccomandazione di sistemi informativi, come strategia del metodo SCL, è mostrato in Figura 1. Lo strumento di raccomandazione di sistemi informativi è suddiviso in due parti: il meccanismo di classificazione delle competenze linguistiche tramite ILS (Integrated Learning System) e la visualizzazione dei sistemi informativi più adatti agli studenti.
In particolare, le caratteristiche degli strumenti di raccomandazione per la sicurezza informatica includono l'utilizzo di tecnologie web e l'impiego di algoritmi di apprendimento automatico basati su alberi decisionali. Gli sviluppatori di sistemi migliorano l'esperienza utente e la mobilità adattandoli a dispositivi mobili come smartphone 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 a un questionario online m-ILS per studenti di odontoiatria, in lingua inglese. Nella fase iniziale, è stato utilizzato un set di dati di 50 studenti per addestrare l'algoritmo di apprendimento automatico ad 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. Lo scopo dello studio è stato spiegato ed è stato ottenuto il consenso informato. A tutti i partecipanti è stato fornito un link per accedere all'm-ILS. A ogni studente è stato chiesto di rispondere a tutti i 44 quesiti del questionario. Hanno avuto una settimana di tempo per completare l'ILS modificato in un momento e in un luogo a loro convenienti durante la pausa semestrale prima dell'inizio del semestre. L'm-ILS si basa sullo strumento ILS originale ed è stato modificato per gli studenti di odontoiatria. Analogamente all'ILS originale, contiene 44 quesiti equamente distribuiti (a, b), con 11 quesiti ciascuno, utilizzati per valutare gli aspetti di ciascuna dimensione del 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 modello FSLM, il sistema fornisce la somma delle risposte "a" e "b". Per ogni dimensione, se lo studente seleziona "a" come risposta, il suo stile di apprendimento viene classificato come Attivo/Percettivo/Visivo/Sequenziale, mentre se seleziona "b" come risposta, viene classificato come Riflessivo/Intuitivo/Linguistico / studente globale.
Dopo aver calibrato il flusso di lavoro tra i ricercatori nel campo della formazione odontoiatrica e gli sviluppatori di sistemi, sono state selezionate le domande in base al dominio FLSSM e inserite nel modello di apprendimento automatico per prevedere il punteggio LS di ogni studente. "Dati errati in ingresso, risultati errati in uscita" è un detto popolare nel campo dell'apprendimento automatico, con particolare 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 caratteristiche, viene creato un nuovo set di caratteristiche 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.
Calcola il punteggio in base alle risposte e determina l'LS dello studente. Per ogni studente, il punteggio varia da 1 a 11. I punteggi da 1 a 3 indicano un equilibrio delle 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 di insegnamento rispetto a un altro. Un'altra variazione sulla stessa dimensione è che i punteggi da 9 a 11 riflettono una forte preferenza per un estremo o per l'altro [8].
Per ciascuna dimensione, i farmaci sono stati raggruppati in “attivi”, “riflessivi” ed “equilibrati”. Ad esempio, quando uno studente risponde “a” più spesso di “b” a un determinato quesito e il suo punteggio supera la soglia di 5 per un particolare quesito che rappresenta la dimensione Elaborazione LS, appartiene al dominio LS “attivo”. 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 un punteggio superiore a 5 punti. Infine, lo studente si trova in uno stato di “equilibrio”. Se il punteggio non supera i 5 punti, si tratta di un LS “di processo”. Il processo di classificazione è stato ripetuto per le altre dimensioni LS, ovvero percezione (attiva/riflessiva), input (visivo/verbale) e comprensione (sequenziale/globale).
I modelli ad albero decisionale possono utilizzare diversi sottoinsiemi di caratteristiche e regole decisionali in diverse fasi del processo di classificazione. È considerato uno strumento di classificazione e previsione molto diffuso. Può essere rappresentato utilizzando una struttura ad albero come un diagramma di flusso [20], in cui ci sono nodi interni che rappresentano i test per attributo, ogni ramo che rappresenta i risultati del test e ogni nodo foglia (nodo foglia) contenente un'etichetta di classe.
È stato creato un semplice programma basato su regole per valutare e annotare automaticamente le competenze linguistiche (LS) di ogni studente in base alle sue risposte. Il sistema basato su regole si presenta sotto forma di un'istruzione IF, dove "IF" descrive l'evento scatenante e "THEN" specifica l'azione da eseguire, ad esempio: "Se si verifica X, allora fai Y" (Liu et al., 2014). Se il set di dati mostra una correlazione e il modello ad albero decisionale è correttamente addestrato e valutato, questo approccio può essere un modo efficace per automatizzare il processo di abbinamento tra competenze linguistiche (LS) e sistemi informativi (IS).
Nella seconda fase di sviluppo, il dataset è stato aumentato a 255 per migliorare la precisione dello strumento di raccomandazione. Il dataset è stato suddiviso in un rapporto di 1:4. Il 25% (64) del dataset è stato utilizzato per il set di test e il restante 75% (191) è stato utilizzato come set di addestramento (Figura 2). Il dataset deve essere suddiviso per evitare che il modello venga addestrato e testato sullo stesso dataset, il che potrebbe indurre il modello a memorizzare anziché apprendere. Il modello viene addestrato sul set di addestramento 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 raccomandazione per la sicurezza delle informazioni basato sul web è stato realizzato utilizzando il linguaggio di programmazione Python con il framework Django come backend. La Tabella 2 elenca le librerie utilizzate nello sviluppo di questo sistema.
Il set di dati viene fornito in input a un modello ad albero decisionale per calcolare ed estrarre le risposte degli studenti al fine di classificare automaticamente le misurazioni LS degli studenti.
La matrice di confusione viene utilizzata per valutare l'accuratezza di un algoritmo di apprendimento automatico basato su alberi decisionali su un dato set di dati. Allo stesso tempo, valuta le prestazioni del modello di classificazione. Riassume le previsioni del modello e le confronta con le etichette dei dati effettivi. I risultati della valutazione si basano su quattro valori diversi: Veri Positivi (TP) – il modello ha previsto correttamente la categoria positiva, Falsi Positivi (FP) – il modello ha previsto la categoria positiva, ma l'etichetta reale era negativa, Veri Negativi (TN) – il modello ha previsto correttamente la classe negativa e Falsi Negativi (FN) – il modello prevede una classe negativa, ma l'etichetta reale è positiva.
Questi valori vengono poi utilizzati per calcolare diverse metriche di prestazione del modello di classificazione scikit-learn in Python, ovvero precisione, sensibilità, richiamo e punteggio F1. Ecco alcuni esempi:
Il recall (o sensibilità) misura la capacità del modello di classificare accuratamente il livello di apprendimento di uno studente dopo che questi ha risposto al questionario m-ILS.
La specificità è detta tasso di veri negativi. Come si può vedere dalla formula sopra riportata, questo dovrebbe essere il rapporto tra veri negativi (TN) e veri negativi e falsi positivi (FP). Essendo uno strumento raccomandato per la classificazione delle droghe assunte dagli studenti, dovrebbe essere in grado di effettuare un'identificazione accurata.
Il dataset originale di 50 studenti utilizzato per addestrare il modello di apprendimento automatico ad albero decisionale ha mostrato un'accuratezza relativamente bassa a causa di errori umani nelle annotazioni (Tabella 3). Dopo aver creato un semplice programma basato su regole per calcolare automaticamente i punteggi LS e le annotazioni degli studenti, un numero crescente di dataset (255) è stato utilizzato 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 di LS (Figura 4). Utilizzando il modello ad 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 ogni classificazione LS. Di conseguenza, l'accuratezza 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 ad albero decisionale, il suo punteggio F1 è 1,0 "perfetto", il che indica precisione e richiamo perfetti, riflettendo valori significativi di sensibilità e specificità.
La Figura 6 mostra una visualizzazione del modello ad albero decisionale dopo il completamento dell'addestramento e del test. In un confronto diretto, il modello ad albero decisionale addestrato con un numero inferiore di caratteristiche ha mostrato una maggiore accuratezza e una visualizzazione più semplice. Ciò dimostra che l'ingegneria delle caratteristiche, che porta alla riduzione delle caratteristiche, è un passaggio importante per migliorare le prestazioni del modello.
Applicando l'apprendimento supervisionato tramite alberi decisionali, 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 ha preferito un'opzione LS. La maggioranza (54,3%) ha espresso due o più preferenze LS. Il 12,2% degli studenti ha notato che LS è abbastanza equilibrato (Tabella 4). Oltre agli otto LS principali, ci sono 34 combinazioni di classificazioni LS per gli studenti di odontoiatria dell'Università della Malesia. Tra queste, percezione, vista e la combinazione di percezione e vista sono i principali LS riportati dagli studenti (Figura 7).
Come si evince dalla Tabella 4, la maggior parte degli studenti presentava un apprendimento prevalentemente sensoriale (13,7%) o visivo (8,6%). È stato riportato che il 12,2% degli studenti combinava percezione e vista (apprendimento percettivo-visivo). Questi risultati suggeriscono che gli studenti preferiscono apprendere e memorizzare attraverso metodi consolidati, seguire procedure specifiche e dettagliate e sono attenti per natura. Allo stesso tempo, apprezzano l'apprendimento visivo (utilizzando diagrammi, ecc.) e tendono a discutere e applicare le informazioni in gruppo o individualmente.
Questo studio fornisce una panoramica delle tecniche di apprendimento automatico utilizzate nel data mining, con particolare attenzione alla previsione istantanea e accurata del livello di apprendimento degli studenti e alla raccomandazione di sistemi informativi adeguati. L'applicazione di un modello ad albero decisionale ha identificato i fattori più strettamente correlati alle loro esperienze di vita e formative. Si tratta di un algoritmo di apprendimento automatico supervisionato che utilizza una struttura ad albero per classificare i dati, suddividendo un insieme di dati in sottocategorie in base a determinati criteri. Funziona suddividendo 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 nel 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 il rendimento 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 ha previsto accuratamente il rendimento degli studenti e li ha aiutati a identificare gli studenti a rischio di difficoltà accademiche.
Viene riportata l'applicazione di algoritmi di apprendimento automatico nello sviluppo di simulatori di pazienti virtuali per la formazione odontoiatrica. Il simulatore è in grado di riprodurre accuratamente le risposte fisiologiche di pazienti reali e può essere utilizzato per addestrare studenti di odontoiatria in un ambiente sicuro e controllato [23]. Diversi altri studi dimostrano che gli algoritmi di apprendimento automatico possono potenzialmente migliorare la qualità e l'efficienza dell'istruzione odontoiatrica e medica e dell'assistenza ai pazienti. Gli algoritmi di apprendimento automatico sono stati utilizzati per assistere nella diagnosi di 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 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 studi sull'applicazione dell'apprendimento automatico in odontoiatria, la sua applicazione nella formazione odontoiatrica rimane limitata. Pertanto, questo studio si propone di utilizzare un modello ad albero decisionale per identificare i fattori maggiormente associati alla LS e all'IS tra gli studenti di odontoiatria.
I risultati di questo studio dimostrano che lo strumento di raccomandazione sviluppato ha un'elevata accuratezza e una precisione perfetta, indicando che gli insegnanti possono trarne beneficio. 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 tramite 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 il profilo di apprendimento di uno studente e abbinarlo al profilo di apprendimento corrispondente sarà significativamente ridotto. In questo modo, è possibile organizzare attività e materiali didattici adeguati. Ciò contribuisce a sviluppare un comportamento di apprendimento positivo negli studenti e la loro capacità di concentrazione. Uno studio ha riportato che fornire agli studenti materiali e attività di apprendimento che corrispondano al loro stile di apprendimento preferito può aiutarli a integrare, elaborare e apprezzare l'apprendimento in più 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 didattiche e la comunicazione con gli studenti [28, 29].
Tuttavia, come per ogni tecnologia moderna, esistono problemi e limitazioni. Tra questi, 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. Ciononostante, il crescente interesse e la ricerca in questo campo suggeriscono che le tecnologie di apprendimento automatico potrebbero avere un impatto positivo sulla formazione e sui servizi odontoiatrici.
I risultati di questo studio indicano che metà degli studenti di odontoiatria ha una tendenza a "percepire" i farmaci. Questo tipo di studente ha una preferenza per i fatti e gli esempi concreti, un orientamento pratico, pazienza per i dettagli e una preferenza di apprendimento "visivo", in cui gli studenti preferiscono usare immagini, grafici, colori e mappe per trasmettere idee e pensieri. I risultati attuali sono coerenti con altri studi che utilizzano l'ILS per valutare l'apprendimento negli studenti di odontoiatria e medicina, la maggior parte dei quali presenta caratteristiche di apprendimento percettivo e visivo [12, 30]. Dalmolin et al. suggeriscono che informare gli studenti sul loro apprendimento consente loro di raggiungere il loro potenziale di apprendimento. I ricercatori sostengono che quando gli insegnanti comprendono appieno il processo educativo degli studenti, è possibile implementare 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 adattare l'apprendimento degli studenti porta anche a miglioramenti nell'esperienza di apprendimento e nelle prestazioni degli studenti dopo aver modificato i loro stili di apprendimento per adattarli al proprio apprendimento [13, 33].
Le opinioni degli insegnanti possono variare in merito all'implementazione di strategie didattiche basate sulle capacità di apprendimento degli studenti. Mentre alcuni ne riconoscono i benefici, tra cui opportunità di sviluppo professionale, tutoraggio e supporto della comunità, altri potrebbero essere preoccupati per il tempo e il supporto istituzionale. Cercare un equilibrio è fondamentale per creare un atteggiamento centrato sullo studente. Le autorità dell'istruzione superiore, come gli amministratori universitari, possono svolgere un ruolo importante nel promuovere un cambiamento positivo introducendo pratiche innovative e supportando lo sviluppo del corpo docente [34]. Per creare un sistema di istruzione superiore veramente dinamico e reattivo, i responsabili politici devono intraprendere azioni coraggiose, come apportare modifiche alle politiche, dedicare risorse all'integrazione tecnologica e creare quadri di riferimento che promuovano approcci centrati sullo studente. Queste misure sono fondamentali per raggiungere i risultati desiderati. Recenti ricerche sulla didattica differenziata hanno chiaramente dimostrato che l'implementazione efficace della didattica differenziata richiede opportunità di formazione e sviluppo continue per gli insegnanti [35].
Questo strumento fornisce un valido supporto ai docenti di odontoiatria che desiderano adottare un approccio centrato sullo studente nella pianificazione di attività di apprendimento a misura di studente. Tuttavia, questo studio è limitato all'utilizzo di modelli di apprendimento automatico ad albero decisionale. In futuro, sarebbe opportuno raccogliere ulteriori dati per confrontare le prestazioni di diversi modelli di apprendimento automatico al fine di valutare l'accuratezza, l'affidabilità e la precisione degli strumenti di raccomandazione. Inoltre, nella scelta del metodo di apprendimento automatico più appropriato per un determinato compito, è importante considerare altri fattori come la complessità del modello e la sua interpretabilità.
Un limite di questo studio è che si è concentrato esclusivamente sulla mappatura di LS e IS tra gli studenti di odontoiatria. Pertanto, il sistema di raccomandazione sviluppato suggerirà solo quelli adatti agli studenti di odontoiatria. Sono necessari degli adattamenti per un utilizzo generale da parte degli studenti universitari.
Il nuovo strumento di raccomandazione basato sull'apprendimento automatico è in grado di classificare e abbinare istantaneamente le competenze di apprendimento (LS) degli studenti alle corrispondenti competenze di base (IS), diventando così il primo programma di formazione odontoiatrica in grado di aiutare i docenti a pianificare attività di insegnamento e apprendimento pertinenti. Grazie a un processo di triage basato sui dati, può fornire raccomandazioni personalizzate, risparmiare tempo, migliorare le strategie didattiche, 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 discrepanza tra lo stile di apprendimento dello studente e lo stile di insegnamento dell'insegnante. Int J Mod Educ Computer Science. 2012;4(11):51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Data di pubblicazione: 29 aprile 2024