Există o nevoie din ce în ce mai mare de învățare centrată pe elev (SCL) în instituțiile de învățământ superior, inclusiv stomatologia. Cu toate acestea, SCL are o aplicație limitată în educația stomatologică. Prin urmare, acest studiu își propune să promoveze aplicarea SCL în stomatologie prin utilizarea tehnologiei de învățare a mașinilor de decizie (ML) pentru a cartografia stilul de învățare preferat (LS) și strategiile de învățare corespunzătoare (IS) ale studenților stomatologi ca instrument util pentru dezvoltarea este orientări . Metode promițătoare pentru studenții stomatologi.
Un total de 255 de studenți stomatologi de la Universitatea din Malaya au completat chestionarul modificat al Indexului de învățare (M-ILS), care conținea 44 de articole pentru a le clasifica în LS-urile respective. Datele colectate (numite un set de date) sunt utilizate în arborele de decizie supravegheat, învățând să se potrivească automat stilurilor de învățare ale elevilor până la cele mai potrivite. Precizia instrumentului de recomandare bazat pe învățare automată este apoi evaluată.
Aplicarea modelelor de arbori de decizie într -un proces de mapare automată între LS (intrare) și IS (ieșirea țintă) permite o listă imediată a strategiilor de învățare adecvate pentru fiecare student stomatologic. Instrumentul de recomandare IS a demonstrat o precizie perfectă și rechemarea preciziei generale a modelului, ceea ce indică faptul că potrivirea LS la IS are o sensibilitate și specificitate bună.
Un instrument de recomandare IS bazat pe un arbore de decizie ML și -a dovedit capacitatea de a se potrivi cu exactitate de stiluri de învățare ale studenților stomatologi cu strategii de învățare adecvate. Acest instrument oferă opțiuni puternice pentru planificarea cursurilor sau modulelor centrate pe elev care pot îmbunătăți experiența de învățare a studenților.
Predarea și învățarea sunt activități fundamentale în instituțiile de învățământ. Atunci când dezvoltați un sistem de educație profesională de înaltă calitate, este important să vă concentrați pe nevoile de învățare ale elevilor. Interacțiunea dintre elevi și mediul lor de învățare poate fi determinată prin LS. Cercetările sugerează că nepotrivirile intenționate de profesori între LS și IS pot avea consecințe negative pentru învățarea elevilor, cum ar fi scăderea atenției și motivația. Acest lucru va afecta indirect performanța elevilor [1,2].
IS este o metodă folosită de profesori pentru a oferi studenților cunoștințe și abilități, inclusiv ajutând elevii să învețe [3]. În general, profesorii buni planifică strategii de predare sau este că cel mai bine se potrivesc nivelului de cunoștințe al elevilor, conceptele pe care le învață și stadiul lor de învățare. Teoretic, atunci când LS și se potrivesc, studenții vor putea organiza și folosi un set specific de abilități pentru a învăța eficient. De obicei, un plan de lecție include mai multe tranziții între etape, cum ar fi de la predare la practică ghidată sau de la practică ghidată la practică independentă. Având în vedere acest lucru, profesorii eficienți planifică adesea instrucțiunile cu scopul de a construi cunoștințele și abilitățile elevilor [4].
Cererea pentru SCL crește în instituțiile de învățământ superior, inclusiv în stomatologia. Strategiile SCL sunt concepute pentru a răspunde nevoilor de învățare ale elevilor. Acest lucru poate fi obținut, de exemplu, dacă elevii participă activ la activități de învățare și profesorii acționează ca facilitatori și sunt responsabili de furnizarea de feedback valoroase. Se spune că furnizarea de materiale de învățare și activități adecvate nivelului educațional sau preferințelor elevilor poate îmbunătăți mediul de învățare al elevilor și poate promova experiențe de învățare pozitive [5].
În general, procesul de învățare al studenților stomatologi este influențat de diferitele proceduri clinice pe care trebuie să le efectueze și de mediul clinic în care dezvoltă abilități interpersonale eficiente. Scopul instruirii este de a permite studenților să combine cunoștințele de bază ale stomatologiei cu abilitățile clinice dentare și să aplice cunoștințele dobândite în noile situații clinice [6, 7]. Cercetările timpurii asupra relației dintre LS și se constată că ajustarea strategiilor de învățare mapate la LS preferate ar contribui la îmbunătățirea procesului educațional [8]. De asemenea, autorii recomandă utilizarea unei varietăți de metode de predare și evaluare pentru a se adapta învățării și nevoilor elevilor.
Profesorii beneficiază de aplicarea cunoștințelor LS pentru a -i ajuta să proiecteze, să dezvolte și să implementeze instrucțiuni care să sporească achiziția de cunoștințe și o înțelegere mai profundă a subiectului. Cercetătorii au dezvoltat mai multe instrumente de evaluare a LS, cum ar fi modelul de învățare experiențială KOLB, modelul de stil de învățare Felder-Silverman (FSLSM) și modelul Fleming VAK/VARK [5, 9, 10]. Conform literaturii, aceste modele de învățare sunt cele mai frecvent utilizate și cele mai studiate modele de învățare. În lucrările actuale de cercetare, FSLSM este utilizat pentru a evalua LS în rândul studenților stomatologi.
FSLSM este un model utilizat pe scară largă pentru evaluarea învățării adaptive în inginerie. Există multe lucrări publicate în științele sănătății (inclusiv medicină, asistență medicală, farmacie și stomatologie) care pot fi găsite folosind modele FSLSM [5, 11, 12, 13]. Instrumentul utilizat pentru a măsura dimensiunile LS în FLSM se numește Indexul stilurilor de învățare (ILS) [8], care conține 44 de elemente care evaluează patru dimensiuni ale LS: procesare (activ/reflectorizant), percepție (perceptual/intuitiv), intrare (vizual). /verbal) și înțelegere (secvențial/global) [14].
Așa cum se arată în figura 1, fiecare dimensiune FSLSM are o preferință dominantă. De exemplu, în dimensiunea de procesare, elevii cu LS „activ” preferă să proceseze informațiile prin interacțiunea directă cu materialele de învățare, învață făcând și tind să învețe în grupuri. LS „reflectorizant” se referă la învățare prin gândire și preferă să lucreze singur. Dimensiunea „percepetoare” a LS poate fi împărțită în „sentiment” și/sau „intuiție”. Studenții „sentiment” preferă informații mai concrete și proceduri practice, sunt orientate către fapt în comparație cu studenții „intuitivi” care preferă materialele abstracte și sunt mai inovatoare și mai creative în natură. Dimensiunea „de intrare” a LS constă în studenți „vizuali” și „verbali”. Persoanele cu „vizual” LS preferă să învețe prin demonstrații vizuale (cum ar fi diagrame, videoclipuri sau demonstrații live), în timp ce persoanele cu „verbale” LS preferă să învețe prin cuvinte în explicații scrise sau orale. Pentru a „înțelege” dimensiunile LS, astfel de cursanți pot fi împărțiți în „secvențial” și „global”. „Studenții secvențiali preferă un proces de gândire liniară și învață pas cu pas, în timp ce elevii globali tind să aibă un proces de gândire holistic și au întotdeauna o mai bună înțelegere a ceea ce învață.
Recent, mulți cercetători au început să exploreze metode pentru descoperirea automată bazată pe date, inclusiv dezvoltarea de noi algoritmi și modele capabile să interpreteze cantități mari de date [15, 16]. Pe baza datelor furnizate, ML supravegheat (învățare automată) este capabil să genereze modele și ipoteze care prezic rezultate viitoare pe baza construcției algoritmilor [17]. Mai simplu spus, tehnicile supravegheate de învățare automată manipulează datele de intrare și algoritmii de tren. Apoi generează o gamă care clasifică sau prezice rezultatul pe baza unor situații similare pentru datele de intrare furnizate. Principalul avantaj al algoritmilor de învățare automată supravegheată este capacitatea sa de a stabili rezultate ideale și dorite [17].
Prin utilizarea metodelor bazate pe date și a modelelor de control al arborelui decizional, este posibilă detectarea automată a LS. S -a raportat că arborii de decizie au fost folosiți pe scară largă în programele de instruire în diverse domenii, inclusiv în științele sănătății [18, 19]. În acest studiu, modelul a fost instruit în mod special de dezvoltatorii de sistem pentru a identifica LS -ul elevilor și a recomanda cel mai bun pentru ei.
Scopul acestui studiu este de a dezvolta este strategiile de livrare bazate pe LS -ul elevilor și aplicarea abordării SCL prin dezvoltarea unui instrument de recomandare IS mapat la LS. Fluxul de proiectare a instrumentului de recomandare IS, deoarece o strategie a metodei SCL este prezentată în figura 1. Instrumentul de recomandare IS este împărțit în două părți, inclusiv mecanismul de clasificare LS folosind ILS și cel mai potrivit este afișarea pentru studenți.
În special, caracteristicile instrumentelor de recomandare a securității informațiilor includ utilizarea tehnologiilor web și utilizarea învățării mașinilor de decizie. Dezvoltatorii de sistem îmbunătățesc experiența și mobilitatea utilizatorului prin adaptarea lor la dispozitive mobile, cum ar fi telefoane mobile și tablete.
Experimentul a fost realizat în două etape, iar studenții de la Facultatea de Stomatologie de la Universitatea din Malaya au participat voluntar. Participanții au răspuns la M-IL-urile online ale unui student stomatologic în engleză. În faza inițială, un set de date de 50 de studenți a fost utilizat pentru a instrui algoritmul de învățare a mașinilor de decizie. În a doua fază a procesului de dezvoltare, un set de date de 255 de studenți a fost utilizat pentru a îmbunătăți precizia instrumentului dezvoltat.
Toți participanții primesc o informare online la începutul fiecărei etape, în funcție de anul universitar, prin intermediul echipelor Microsoft. Scopul studiului a fost explicat și a fost obținut consimțământul informat. Toți participanților li s-a oferit un link pentru a accesa M-IL. Fiecare student a fost instruit să răspundă la toate cele 44 de articole din chestionar. Li s -a oferit o săptămână pentru a completa IL -urile modificate la un moment și o locație convenabilă pentru ei în timpul pauzei semestrului înainte de începerea semestrului. M-ILS se bazează pe instrumentul ILS original și modificat pentru studenții stomatologi. Similar cu IL -urile originale, conține 44 de articole distribuite uniform (A, B), cu 11 elemente fiecare, care sunt utilizate pentru a evalua aspecte ale fiecărei dimensiuni FSLSM.
În timpul etapelor inițiale ale dezvoltării instrumentelor, cercetătorii au adnotat manual hărțile folosind un set de date de 50 de studenți stomatologi. Potrivit FSLM, sistemul oferă suma răspunsurilor „A” și „B”. Pentru fiecare dimensiune, dacă studentul selectează „A” ca răspuns, LS este clasificat ca activ/perceptual/vizual/secvențial, iar dacă studentul selectează „B” ca răspuns, elevul este clasificat ca reflectorizant/intuitiv/lingvistic . / Învățător global.
După calibrarea fluxului de lucru între cercetătorii de educație stomatologică și dezvoltatorii de sistem, au fost selectate întrebări pe baza domeniului FLSSM și introduse în modelul ML pentru a prezice LS -ul fiecărui student. „Garbage In Calitatea datelor de intrare determină precizia și exactitatea modelului de învățare automată. În faza de inginerie a caracteristicilor, este creat un nou set de caracteristici, care este suma răspunsurilor „A” și „B” pe baza FLSSM. Numărul de identificare al pozițiilor medicamentului sunt prezentate în tabelul 1.
Calculați scorul pe baza răspunsurilor și determinați LS -ul studentului. Pentru fiecare student, intervalul de scor este de la 1 la 11. Scorurile de la 1 la 3 indică un echilibru al preferințelor de învățare în aceeași dimensiune, iar scorurile de la 5 la 7 indică o preferință moderată, ceea ce indică faptul că elevii tind să prefere un mediu învățându -i pe alții . O altă variație pe aceeași dimensiune este că scorurile de la 9 la 11 reflectă o preferință puternică pentru un capăt sau altul [8].
Pentru fiecare dimensiune, medicamentele au fost grupate în „active”, „reflectorizante” și „echilibrate”. De exemplu, atunci când un student răspunde „A” mai des decât „B” pe un articol desemnat, iar scorul său depășește pragul de 5 pentru un anumit articol reprezentând dimensiunea LS de procesare, el/ea aparține LS „activ” domeniu. . Cu toate acestea, elevii au fost clasificați drept „reflectorizanți” atunci când au ales „B” mai mult decât „A” în 11 întrebări specifice (tabelul 1) și au marcat mai mult de 5 puncte. În cele din urmă, studentul se află într -o stare de „echilibru”. Dacă scorul nu depășește 5 puncte, atunci acesta este un „proces” LS. Procesul de clasificare a fost repetat pentru celelalte dimensiuni LS, și anume percepția (activ/reflectorizant), intrare (vizual/verbal) și înțelegere (secvențial/global).
Modelele de arbori de decizie pot utiliza diferite subseturi de caracteristici și reguli de decizie în diferite etape ale procesului de clasificare. Este considerat un instrument popular de clasificare și predicție. Poate fi reprezentat folosind o structură de arbore, cum ar fi o diagramă de flux [20], în care există noduri interne care reprezintă teste prin atribut, fiecare ramură reprezentând rezultatele testelor și fiecare nod de frunze (nodul frunzei) care conține o etichetă de clasă.
Un program simplu bazat pe reguli a fost creat pentru a înscrie și adnota automat LS-ul fiecărui student pe baza răspunsurilor lor. Bazat pe reguli ia forma unei afirmații IF, în care „IF” descrie declanșatorul și „atunci” specifică acțiunea care trebuie efectuată, de exemplu: „Dacă se întâmplă X, atunci do y” (Liu și colab., 2014). Dacă setul de date prezintă corelație și modelul arborelui de decizie este instruit și evaluat corespunzător, această abordare poate fi o modalitate eficientă de a automatiza procesul de potrivire a LS și IS.
În a doua fază de dezvoltare, setul de date a fost crescut la 255 pentru a îmbunătăți precizia instrumentului de recomandare. Setul de date este împărțit într -un raport 1: 4. 25% (64) din setul de date au fost utilizate pentru setul de teste, iar restul de 75% (191) a fost utilizat ca set de antrenament (Figura 2). Setul de date trebuie împărțit pentru a împiedica modelul să fie instruit și testat pe același set de date, ceea ce ar putea determina modelul să -și amintească mai degrabă decât să învețe. Modelul este instruit pe setul de instruire și își evaluează performanța pe setul de teste - data pe care modelul nu a mai văzut -o până acum.
Odată ce instrumentul IS este dezvoltat, aplicația va putea clasifica LS pe baza răspunsurilor studenților stomatologi printr -o interfață web. Sistemul de instrumente de recomandare a informațiilor bazat pe web este construit folosind limbajul de programare Python folosind cadrul Django ca backend. Tabelul 2 listează bibliotecile utilizate în dezvoltarea acestui sistem.
Setul de date este alimentat unui model de arbore de decizie pentru a calcula și extrage răspunsurile elevilor pentru a clasifica automat măsurătorile LS ale elevilor.
Matricea de confuzie este utilizată pentru a evalua exactitatea unui algoritm de învățare a mașinilor de decizie pe un set de date dat. În același timp, evaluează performanța modelului de clasificare. Acesta rezumă predicțiile modelului și le compară cu etichetele de date reale. Rezultatele evaluării se bazează pe patru valori diferite: adevărat pozitiv (TP) - modelul a prezis corect categoria pozitivă, false pozitive (FP) - modelul a prezis categoria pozitivă, dar adevărata etichetă a fost negativă, adevărată negativă (TN) - Modelul a prezis corect clasa negativă, iar fals negativ (FN) - modelul prezice o clasă negativă, dar adevărata etichetă este pozitivă.
Aceste valori sunt apoi utilizate pentru a calcula diverse valori de performanță ale modelului de clasificare Scikit-Learn în Python, și anume precizie, precizie, reamintire și scor F1. Iată exemple:
Reamintirea (sau sensibilitatea) măsoară capacitatea modelului de a clasifica cu exactitate LS-ul unui elev după ce a răspuns la chestionarul M-ILS.
Specificitatea se numește o adevărată rată negativă. După cum puteți vedea din formula de mai sus, acesta ar trebui să fie raportul dintre adevărații negativi (TN) și adevărații negativi și falsuri pozitive (FP). Ca parte a instrumentului recomandat pentru clasificarea medicamentelor studenților, acesta ar trebui să fie capabil să identifice exact.
Setul de date original format din 50 de studenți obișnuiau să instruiască modelul ML arbore de decizie a arătat o precizie relativ scăzută din cauza erorilor umane în adnotări (tabelul 3). După crearea unui program simplu bazat pe reguli pentru a calcula automat scorurile LS și adnotările studenților, un număr tot mai mare de seturi de date (255) au fost utilizate pentru a se instrui și testa sistemul de recomandare.
În matricea de confuzie multiclasă, elementele diagonale reprezintă numărul de predicții corecte pentru fiecare tip LS (Figura 4). Folosind modelul arborelui de decizie, au fost prezise corect 64 de probe. Astfel, în acest studiu, elementele diagonale arată rezultatele așteptate, ceea ce indică faptul că modelul performează bine și prezice cu exactitate eticheta clasei pentru fiecare clasificare LS. Astfel, precizia generală a instrumentului de recomandare este de 100%.
Valorile de precizie, precizie, rechemare și scor F1 sunt prezentate în figura 5. Pentru sistemul de recomandare folosind modelul de arbore de decizie, scorul său F1 este 1,0 „perfect”, ceea ce indică o precizie perfectă și rechemare, reflectând sensibilitate și specificitate semnificative valori.
Figura 6 prezintă o vizualizare a modelului arborelui decizional după ce sunt finalizate antrenamentele și testarea. Într-o comparație cot la cot, modelul arborelui de decizie instruit cu mai puține caracteristici a arătat o precizie mai mare și o vizualizare mai ușoară a modelului. Acest lucru arată că ingineria caracteristicilor care duce la reducerea caracteristicilor este un pas important în îmbunătățirea performanței modelului.
Prin aplicarea învățării supravegheate a arborelui de decizie, maparea dintre LS (intrare) și IS (ieșirea țintă) este generată automat și conține informații detaliate pentru fiecare LS.
Rezultatele au arătat că 34,9% dintre cei 255 de studenți au preferat o opțiune (1) LS. Majoritatea (54,3%) au avut două sau mai multe preferințe LS. 12,2% dintre studenți au remarcat că LS este destul de echilibrat (tabelul 4). În plus față de cele opt LS principale, există 34 de combinații de clasificări LS pentru studenții stomatologi de la Universitatea Malaya. Printre ele, percepția, viziunea și combinația dintre percepție și viziune sunt principalele LS raportate de studenți (figura 7).
După cum se poate observa din tabelul 4, majoritatea studenților au avut un LS senzorial predominant (13,7%) sau vizual (8,6%). S-a raportat că 12,2% dintre studenți au combinat percepția cu viziunea (LS perceptual-vizual). Aceste descoperiri sugerează că elevii preferă să învețe și să -și amintească prin metode consacrate, să urmeze proceduri specifice și detaliate și sunt atenți în natură. În același timp, le place să învețe căutând (folosind diagrame etc.) și tind să discute și să aplice informații în grupuri sau pe cont propriu.
Acest studiu oferă o imagine de ansamblu asupra tehnicilor de învățare automată utilizate în extragerea datelor, cu accent pe prezicerea instantaneu și precisă a LS -ului elevilor și recomandarea adecvată a IS. Aplicarea unui model de arbori de decizie a identificat factorii cel mai strâns legați de viața lor și de experiențele educaționale. Este un algoritm supravegheat de învățare automată care folosește o structură de arbore pentru a clasifica datele prin împărțirea unui set de date în subcategorii bazate pe anumite criterii. Funcționează prin împărțirea recursivă a datelor de intrare în subseturi pe baza valorii uneia dintre caracteristicile de intrare ale fiecărui nod intern până la luarea unei decizii la nodul frunzei.
Nodurile interne ale arborelui de decizie reprezintă soluția pe baza caracteristicilor de intrare ale problemei M-IL, iar nodurile frunzelor reprezintă predicția finală de clasificare a LS. Pe parcursul studiului, este ușor de înțeles ierarhia copacilor de decizie care explică și vizualizează procesul decizional, analizând relația dintre caracteristicile de intrare și predicțiile de ieșire.
În domeniile informaticii și ingineriei, algoritmii de învățare automată sunt folosiți pe scară largă pentru a prezice performanța elevilor pe baza scorurilor examenului de admitere [21], a informațiilor demografice și a comportamentului de învățare [22]. Cercetările au arătat că algoritmul a prezis cu exactitate performanța studenților și i -a ajutat să identifice studenții cu risc pentru dificultăți academice.
Este raportată aplicarea algoritmilor ML în dezvoltarea simulatoarelor virtuale de pacienți pentru antrenament dentar. Simulatorul este capabil să reproducă cu exactitate răspunsurile fiziologice ale pacienților reali și poate fi utilizat pentru a antrena studenții stomatologi într -un mediu sigur și controlat [23]. Mai multe alte studii arată că algoritmii de învățare automată pot îmbunătăți calitatea și eficiența educației stomatologice și medicale și a îngrijirii pacienților. Algoritmii de învățare automată au fost folosiți pentru a ajuta la diagnosticul bolilor dentare pe baza unor seturi de date, cum ar fi simptomele și caracteristicile pacientului [24, 25]. În timp ce alte studii au explorat utilizarea algoritmilor de învățare automată pentru a efectua sarcini precum prezicerea rezultatelor pacientului, identificarea pacienților cu risc ridicat, dezvoltarea de planuri de tratament personalizate [26], tratament parodontal [27] și tratament cari [25].
Deși au fost publicate rapoarte despre aplicarea învățării automate în stomatologie, aplicarea sa în educația stomatologică rămâne limitată. Prin urmare, acest studiu și -a propus să utilizeze un model de arbore de decizie pentru a identifica factorii cel mai strâns asociați cu LS și este printre studenții stomatologi.
Rezultatele acestui studiu arată că instrumentul de recomandare dezvoltat are o precizie ridicată și o precizie perfectă, ceea ce indică faptul că profesorii pot beneficia de acest instrument. Folosind un proces de clasificare bazat pe date, acesta poate oferi recomandări personalizate și poate îmbunătăți experiențele și rezultatele educaționale pentru educatori și studenți. Printre acestea, informațiile obținute prin instrumente de recomandare pot rezolva conflictele dintre metodele de predare preferate ale profesorilor și nevoile de învățare ale elevilor. De exemplu, datorită producției automate a instrumentelor de recomandare, timpul necesar pentru identificarea IP -ului unui student și să -l potrivească cu IP -ul corespunzător va fi redus semnificativ. În acest fel, pot fi organizate activități de instruire adecvate și materiale de instruire. Acest lucru ajută la dezvoltarea comportamentului de învățare pozitiv al elevilor și a capacității de concentrare. Un studiu a raportat că oferirea elevilor cu materiale de învățare și activități de învățare care se potrivesc cu LS -ul lor preferat poate ajuta elevii să se integreze, să proceseze și să se bucure de învățare în mai multe moduri pentru a obține un potențial mai mare [12]. Cercetările arată, de asemenea, că, pe lângă îmbunătățirea participării elevilor la clasă, înțelegerea procesului de învățare a elevilor joacă, de asemenea, un rol critic în îmbunătățirea practicilor didactice și în comunicarea cu elevii [28, 29].
Cu toate acestea, ca în cazul oricărei tehnologii moderne, există probleme și limitări. Acestea includ probleme legate de confidențialitatea datelor, părtinirea și corectitudinea și abilitățile și resursele profesionale necesare pentru dezvoltarea și implementarea algoritmilor de învățare automată în educația stomatologică; Cu toate acestea, interesul din ce în ce mai mare și cercetarea în acest domeniu sugerează că tehnologiile de învățare automată poate avea un impact pozitiv asupra educației stomatologice și serviciilor stomatologice.
Rezultatele acestui studiu indică faptul că jumătate dintre studenții stomatologi au tendința de a „percepe” medicamentele. Acest tip de cursant are o preferință pentru fapte și exemple concrete, o orientare practică, răbdare pentru detalii și o preferință „vizuală” LS, unde elevii preferă să folosească imagini, grafică, culori și hărți pentru a transmite idei și gânduri. Rezultatele actuale sunt în concordanță cu alte studii care utilizează ILS pentru a evalua LS la studenții stomatologici și medicali, majoritatea având caracteristici ale LS perceptive și vizuale [12, 30]. Dalmolin et al sugerează că informarea elevilor despre LS -ul lor le permite să își atingă potențialul de învățare. Cercetătorii susțin că atunci când profesorii înțeleg pe deplin procesul educațional al elevilor, pot fi implementate diverse metode și activități de predare care vor îmbunătăți experiența de învățare și învățare a elevilor [12, 31, 32]. Alte studii au arătat că ajustarea LS a elevilor arată, de asemenea, îmbunătățiri în experiența și performanța de învățare a elevilor după schimbarea stilurilor de învățare pentru a se potrivi cu propriile LS [13, 33].
Opiniile profesorilor pot varia în ceea ce privește implementarea strategiilor de predare pe baza abilităților de învățare a elevilor. În timp ce unii văd beneficiile acestei abordări, inclusiv oportunități de dezvoltare profesională, mentorat și sprijin comunitar, alții pot fi preocupați de timp și de sprijin instituțional. Studiul de echilibru este esențial pentru crearea unei atitudini centrate pe elev. Autoritățile de învățământ superior, precum administratorii universității, pot juca un rol important în conducerea schimbărilor pozitive prin introducerea practicilor inovatoare și susținerea dezvoltării facultăților [34]. Pentru a crea un sistem de învățământ superior cu adevărat dinamic și sensibil, factorii de decizie trebuie să facă pași îndrăzneți, cum ar fi schimbarea politicilor, dedicarea resurselor integrării tehnologiei și crearea de cadre care promovează abordări centrate pe elev. Aceste măsuri sunt esențiale pentru obținerea rezultatelor dorite. Cercetările recente privind instrucțiunile diferențiate au arătat clar că implementarea cu succes a instrucțiunilor diferențiate necesită oportunități de formare și dezvoltare continuă pentru profesori [35].
Acest instrument oferă un sprijin valoros educatorilor stomatologi care doresc să adopte o abordare centrată pe elev pentru planificarea activităților de învățare prietenoase ale elevilor. Cu toate acestea, acest studiu este limitat la utilizarea modelelor de arbori de decizie. În viitor, ar trebui colectate mai multe date pentru a compara performanța diferitelor modele de învățare automată pentru a compara precizia, fiabilitatea și precizia instrumentelor de recomandare. În plus, atunci când alegeți cea mai potrivită metodă de învățare automată pentru o anumită sarcină, este important să luăm în considerare alți factori, cum ar fi complexitatea și interpretarea modelului.
O limitare a acestui studiu este că s -a concentrat doar pe cartografierea LS și este printre studenții stomatologi. Prin urmare, sistemul de recomandare dezvoltat va recomanda doar cei care sunt potriviți pentru studenții stomatologi. Modificările sunt necesare pentru utilizarea generală a studenților în învățământul superior.
Instrumentul recent dezvoltat de recomandare bazată pe învățare automată este capabil să clasifice instantaneu și să se potrivească cu LS-ul elevilor la corespondența este, ceea ce îl face primul program de educație stomatologică care ajută educatorii stomatologi să planifice activități relevante de predare și învățare. Folosind un proces de triaj bazat pe date, acesta poate oferi recomandări personalizate, economisirea timpului, îmbunătățirea strategiilor de predare, poate sprijini intervențiile vizate și poate promova dezvoltarea profesională în curs. Aplicația sa va promova abordări centrate pe elev pentru educația stomatologică.
Gilak Jani Associated Press. Potrivire sau nepotrivire între stilul de învățare al elevului și stilul de predare al profesorului. Int J Mod Educ Computer Science. 2012; 4 (11): 51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Timpul post: 29-2024 aprilie