Există o nevoie tot mai mare de învățare centrată pe student (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 automată a arborelui de decizie (ML) pentru a mapa stilul de învățare preferat (LS) și strategiile de învățare corespunzătoare (IS) ale studenților la stomatologie ca instrument util pentru dezvoltarea ghidurilor IS. .Metode promițătoare pentru studenții stomatologi.
Un total de 255 de studenți stomatologici de la Universitatea din Malaya au completat chestionarul modificat Indexul stilurilor de învățare (m-ILS), care conținea 44 de itemi pentru a-i clasifica în LS-urile lor respective.Datele colectate (numite set de date) sunt utilizate în învățarea arborelui de decizie supravegheat pentru a potrivi automat stilurile de învățare ale elevilor cu cel mai potrivit IS.Este apoi evaluată acuratețea instrumentului de recomandare IS bazat pe învățarea automată.
Aplicarea modelelor de arbore de decizie într-un proces de mapare automatizat între LS (input) și IS (target output) permite o listă imediată a strategiilor de învățare adecvate pentru fiecare student la stomatologie.Instrumentul de recomandare IS a demonstrat acuratețea perfectă și reamintirea preciziei generale a modelului, indicând faptul că potrivirea LS cu IS are o sensibilitate și o specificitate bune.
Un instrument de recomandare IS bazat pe un arbore decizional ML și-a dovedit capacitatea de a potrivi cu precizie stilurile de învățare ale studenților stomatologi cu strategiile de învățare adecvate.Acest instrument oferă opțiuni puternice pentru planificarea cursurilor sau modulelor centrate pe cursant care pot îmbunătăți experiența de învățare a studenților.
Predarea și învățarea sunt activități fundamentale în instituțiile de învățământ.Atunci când se dezvoltă un sistem de învățământ profesional de înaltă calitate, este important să se concentreze asupra nevoilor de învățare ale elevilor.Interacțiunea dintre studenți și mediul lor de învățare poate fi determinată prin LS lor.Cercetările sugerează că nepotrivirile intenționate de profesor între LS și IS ale elevilor pot avea consecințe negative asupra învățării elevilor, cum ar fi scăderea atenției și a motivației.Acest lucru va afecta indirect performanțele elevilor [1,2].
IS este o metodă folosită de profesori pentru a oferi elevilor cunoștințe și abilități, inclusiv pentru a ajuta elevii să învețe [3].În general, profesorii buni planifică strategiile de predare sau SI care se potrivesc cel mai bine cu nivelul de cunoștințe al elevilor lor, conceptele pe care le învață și stadiul lor de învățare.Teoretic, atunci când LS și IS se potrivesc, elevii vor fi capabili să organizeze și să folosească 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 practica ghidată sau de la practica ghidată la practica independentă.Având în vedere acest lucru, profesorii eficienți planifică adesea instruirea cu scopul de a construi cunoștințele și abilitățile elevilor [4].
Cererea de SCL este în creștere în instituțiile de învățământ superior, inclusiv în stomatologie.Strategiile SCL sunt concepute pentru a satisface nevoile de învățare ale elevilor.Acest lucru poate fi realizat, de exemplu, dacă elevii participă activ la activitățile de învățare, iar profesorii acționează ca facilitatori și sunt responsabili pentru furnizarea de feedback valoros.Se spune că furnizarea de materiale și activități de învățare care sunt 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 își 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 situații clinice noi [6, 7].Cercetările timpurii privind relația dintre LS și IS au descoperit că ajustarea strategiilor de învățare mapate la LS preferat ar ajuta la îmbunătățirea procesului educațional [8].Autorii recomandă, de asemenea, utilizarea unei varietăți de metode de predare și evaluare pentru a se adapta la învățarea și nevoile elevilor.
Profesorii beneficiază de aplicarea cunoștințelor LS pentru a-i ajuta să proiecteze, să dezvolte și să implementeze instrucțiuni care vor îmbunătăți dobândirea de către elevi a cunoștințelor și înțelegerii mai profunde a materiei.Cercetătorii au dezvoltat mai multe instrumente de evaluare LS, cum ar fi Modelul Kolb de Învățare Experienţială, Modelul Stil de Învățare Felder-Silverman (FSLSM) și Modelul Fleming VAK/VARK [5, 9, 10].Conform literaturii de specialitate, aceste modele de învățare sunt cele mai frecvent utilizate și mai studiate modele de învățare.În activitatea de cercetare actuală, FSLSM este utilizat pentru a evalua LS în rândul studenților la stomatologie.
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 modelele FSLSM [5, 11, 12, 13].Instrumentul utilizat pentru măsurarea dimensiunilor LS în FLSM se numește Index of Learning Styles (ILS) [8], care conține 44 de itemi care evaluează patru dimensiuni ale LS: procesare (activ/reflexiv), percepție (perceptiv/intuitiv), intrare (vizual)./verbal) și înțelegere (secvențial/global) [14].
După 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 informația interacționând direct cu materialele de învățare, să învețe prin practică și tind să învețe în grupuri.LS „reflexiv” se referă la învățarea prin gândire și preferă să lucreze singur.Dimensiunea „perceptivă” a LS poate fi împărțită în „sentiment” și/sau „intuiție”.Studenții „feeling” preferă informații mai concrete și proceduri practice, sunt orientați către fapte în comparație cu studenții „intuitivi” care preferă materialul abstract și sunt mai inovatori și creativi în natură.Dimensiunea „input” a LS constă din cursanți „vizual” și „verbal”.Persoanele cu LS „vizual” preferă să învețe prin demonstrații vizuale (cum ar fi diagrame, videoclipuri sau demonstrații live), în timp ce persoanele cu LS „verbal” 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”.„Cursanții secvențiali preferă un proces de gândire liniar și învață pas cu pas, în timp ce cei care învață global tind să aibă un proces de gândire holistic și să înțeleagă întotdeauna ceea ce învață.
Recent, mulți cercetători au început să exploreze metode de descoperire 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 (învățare automată) supravegheată este capabilă să genereze modele și ipoteze care prezic rezultate viitoare pe baza construcției de algoritmi [17].Mai simplu spus, tehnicile de învățare automată supravegheate manipulează datele de intrare și antrenează algoritmi.Apoi generează un interval care clasifică sau prezice rezultatul pe baza unor situații similare pentru datele de intrare furnizate.Principalul avantaj al algoritmilor de învățare automată supravegheați este capacitatea sa de a stabili rezultatele ideale și dorite [17].
Prin utilizarea metodelor bazate pe date și a modelelor de control al arborelui de decizie, este posibilă detectarea automată a LS.S-a raportat că arborii de decizie sunt utilizați pe scară largă în programele de formare în diverse domenii, inclusiv științele sănătății [18, 19].În acest studiu, modelul a fost instruit în mod special de către dezvoltatorii de sistem pentru a identifica LS-ul studenților și pentru a recomanda cel mai bun IS pentru ei.
Scopul acestui studiu este de a dezvolta strategii de livrare SI bazate pe LS-ul studenților și de a aplica abordarea SCL prin dezvoltarea unui instrument de recomandare IS mapat cu LS.Fluxul de proiectare al instrumentului de recomandare IS ca strategie a metodei SCL este prezentat în Figura 1. Instrumentul de recomandare IS este împărțit în două părți, inclusiv mecanismul de clasificare LS folosind ILS și cel mai potrivit afișaj IS pentru studenți.
În special, caracteristicile instrumentelor de recomandare pentru securitatea informațiilor includ utilizarea tehnologiilor web și utilizarea învățării automate a arborelui de decizie.Dezvoltatorii de sisteme îmbunătățesc experiența utilizatorului și mobilitatea adaptându-le la dispozitive mobile, cum ar fi telefoanele mobile și tabletele.
Experimentul a fost realizat în două etape și studenții de la Facultatea de Stomatologie a Universității din Malaya au participat pe bază de voluntariat.Participanții au răspuns la m-ILS online al unui student stomatologic în limba engleză.În faza inițială, un set de date de 50 de studenți a fost folosit pentru a antrena algoritmul de învățare automată a arborelui de decizie.În a doua fază a procesului de dezvoltare, un set de date de 255 de studenți a fost utilizat pentru a îmbunătăți acuratețea instrumentului dezvoltat.
Toți participanții primesc un briefing online la începutul fiecărei etape, în funcție de anul universitar, prin Microsoft Teams.Scopul studiului a fost explicat și a fost obținut consimțământul informat.Tuturor participanților li sa oferit un link pentru a accesa m-ILS.Fiecare elev a fost instruit să răspundă la toate cele 44 de itemi din chestionar.Li s-a dat o săptămână pentru a finaliza ILS-ul modificat la un moment și un loc convenabil pentru ei în timpul pauzei semestriale înainte de începerea semestrului.m-ILS se bazează pe instrumentul ILS original și a fost modificat pentru studenții stomatologici.Similar cu ILS original, acesta conține 44 de itemi distribuiti uniform (a, b), cu 11 itemi fiecare, care sunt utilizați pentru a evalua aspecte ale fiecărei dimensiuni FSLSM.
În timpul etapelor inițiale de dezvoltare a instrumentului, cercetătorii au adnotat manual hărțile folosind un set de date de 50 de studenți la stomatologie.Potrivit FSLM, sistemul furnizează suma răspunsurilor „a” și „b”.Pentru fiecare dimensiune, dacă elevul selectează „a” ca răspuns, LS este clasificat ca Activ/Perceptual/Vizual/Secvenţial, iar dacă elevul selectează „b” ca răspuns, elevul este clasificat ca Reflexiv/Intuitiv/Lingvistic ./ cursant global.
După calibrarea fluxului de lucru între cercetătorii din educația stomatologică și dezvoltatorii de sisteme, întrebările au fost selectate pe baza domeniului FLSSM și au fost introduse în modelul ML pentru a prezice LS-ul fiecărui student.„Garbage in, garbage out” este o vorbă populară în domeniul învățării automate, cu accent pe calitatea datelor.Calitatea datelor de intrare determină precizia și acuratețea modelului de învățare automată.În timpul fazei de inginerie a caracteristicilor, este creat un nou set de caracteristici care este suma răspunsurilor „a” și „b” bazate pe FLSSM.Numerele de identificare ale posturilor de droguri sunt date în Tabelul 1.
Calculați scorul pe baza răspunsurilor și determinați LS-ul elevului.Pentru fiecare elev, intervalul de scor este de la 1 la 11. Scorurile de la 1 la 3 indică un echilibru al preferințelor de învățare în cadrul aceleiași dimensiuni, iar scorurile de la 5 la 7 indică o preferință moderată, indicând faptul că elevii tind să prefere un mediu în care predau pe alții. .O altă variație a aceleiași dimensiuni 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”, „reflexive” și „echilibrate”.De exemplu, atunci când un elev răspunde „a” mai des decât „b” la un item desemnat și scorul său depășește pragul de 5 pentru un anumit item reprezentând dimensiunea Procesare LS, el/ea aparține LS „activ” domeniu..Cu toate acestea, elevii au fost clasificați ca LS „reflexiv” atunci când au ales „b” mai mult decât „a” în 11 întrebări specifice (Tabelul 1) și au obținut mai mult de 5 puncte.În cele din urmă, elevul se află într-o stare de „echilibru”.Dacă scorul nu depășește 5 puncte, atunci acesta este un LS „proces”.Procesul de clasificare a fost repetat pentru celelalte dimensiuni LS, și anume percepția (activ/reflexiv), input (vizual/verbal) și înțelegerea (secvențială/globală).
Modelele arborelui 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 arborescentă, cum ar fi o diagramă [20], în care există noduri interne reprezentând teste după atribut, fiecare ramură reprezentând rezultatele testelor și fiecare nod frunză (nod frunză) care conține o etichetă de clasă.
A fost creat un program simplu, bazat pe reguli, pentru a nota și adnota automat LS-ul fiecărui student pe baza răspunsurilor acestuia.Bazat pe reguli ia forma unei instrucțiuni IF, unde „IF” descrie declanșatorul și „THEN” specifică acțiunea care trebuie efectuată, de exemplu: „Dacă se întâmplă X, atunci faceți Y” (Liu et al., 2014).Dacă setul de date prezintă corelație și modelul arborelui de decizie este antrenat și evaluat corespunzător, această abordare poate fi o modalitate eficientă de automatizare a procesului de potrivire LS și IS.
În a doua fază de dezvoltare, setul de date a fost mărit la 255 pentru a îmbunătăți acuratețea instrumentului de recomandare.Setul de date este împărțit într-un raport de 1:4.25% (64) din setul de date a fost utilizat pentru setul de testare, iar restul de 75% (191) a fost folosit ca set de antrenament (Figura 2).Setul de date trebuie împărțit pentru a preveni antrenamentul și testarea modelului pe același set de date, ceea ce ar putea face ca modelul să-și amintească mai degrabă decât să învețe.Modelul este antrenat pe setul de antrenament și își evaluează performanța pe setul de testare - date pe care modelul nu le-a văzut niciodată înainte.
Odată ce instrumentul IS este dezvoltat, aplicația va putea clasifica LS pe baza răspunsurilor studenților la stomatologie printr-o interfață web.Sistemul de instrumente de recomandare a securității informațiilor bazat pe web este construit folosind limbajul de programare Python, folosind framework-ul Django ca backend.Tabelul 2 enumeră bibliotecile utilizate în dezvoltarea acestui sistem.
Setul de date este introdus într-un 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 acuratețea unui algoritm de învățare automată a arborelui de decizie pe un set de date dat.În același timp, evaluează performanța modelului de clasificare.Acesta rezumă previziunile modelului și le compară cu etichetele de date reale.Rezultatele evaluării se bazează pe patru valori diferite: True Positive (TP) – modelul a prezis corect categoria pozitivă, Fals Positive (FP) – modelul a prezis categoria pozitivă, dar adevărata etichetă a fost negativă, True Negative (TN) – modelul a prezis corect clasa negativă și fals negativ (FN) – Modelul prezice o clasă negativă, dar eticheta adevărată este pozitivă.
Aceste valori sunt apoi utilizate pentru a calcula diferite valori de performanță ale modelului de clasificare scikit-learn în Python, și anume precizie, precizie, reamintire și scor F1.Iată exemple:
Rechemarea (sau sensibilitatea) măsoară capacitatea modelului de a clasifica cu acuratețe LS al unui elev după ce a răspuns la chestionarul m-ILS.
Specificitatea se numește o rată negativă adevărată.După cum puteți vedea din formula de mai sus, acesta ar trebui să fie raportul dintre adevăratele negative (TN) și adevăratele negative și false pozitive (FP).Ca parte a instrumentului recomandat pentru clasificarea drogurilor pentru studenți, acesta ar trebui să fie capabil de o identificare precisă.
Setul de date inițial de 50 de studenți utilizat pentru a antrena modelul ML a arborelui de decizie a arătat o acuratețe relativ scăzută din cauza erorii 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 folosite pentru a 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 un total de 64 de eșantioane.Astfel, în acest studiu, elementele diagonale arată rezultatele așteptate, indicând că modelul funcționează bine și prezice cu acuratețe eticheta de clasă pentru fiecare clasificare LS.Astfel, acuratețea generală a instrumentului de recomandare este de 100%.
Valorile acurateței, preciziei, reamintirii și scorului F1 sunt prezentate în Figura 5. Pentru sistemul de recomandare care utilizează modelul arborelui de decizie, scorul său F1 este 1,0 „perfect”, indicând precizia și reamintirea perfecte, reflectând sensibilitate și specificitate semnificative. valorile.
Figura 6 prezintă o vizualizare a modelului arborelui de decizie după finalizarea instruirii și a testării.Într-o comparație alăturată, modelul arborelui de decizie antrenat 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 în arbore de decizie, maparea dintre LS (intrare) și IS (ieșire 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 (1) opțiune LS.Majoritatea (54,3%) au avut două sau mai multe preferințe LS.12,2% dintre studenți au observat 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 de la Universitatea din Malaya.Printre acestea, percepția, viziunea și combinația dintre percepție și viziune sunt principalele LS raportate de elevi (Figura 7).
După cum se poate observa din Tabelul 4, majoritatea elevilor au avut un LS predominant senzorial (13,7%) sau vizual (8,6%).S-a raportat că 12,2% dintre elevi au combinat percepția cu vederea (LS perceptiv-vizual).Aceste constatări sugerează că studenții preferă să învețe și să-și amintească prin metode stabilite, să urmeze proceduri specifice și detaliate și să fie atenți în natură.În același timp, le place să învețe uitându-se (folosind diagrame etc.) și tind să discute și să aplice informații în grupuri sau singuri.
Acest studiu oferă o privire de ansamblu asupra tehnicilor de învățare automată utilizate în data mining, cu accent pe prezicerea instantanee și cu acuratețe LS al studenților și pe recomandarea IS adecvată.Aplicarea unui model de arbore de decizie a identificat factorii cei mai strâns legați de experiențele lor de viață și educaționale.Este un algoritm de învățare automată supravegheat care utilizează o structură arborescentă pentru a clasifica datele prin împărțirea unui set de date în subcategorii pe baza anumitor criterii.Funcționează prin împărțirea recursivă a datelor de intrare în subseturi pe baza valorii uneia dintre caracteristicile de intrare ale fiecărui nod intern până când se ia o decizie la nodul frunză.
Nodurile interne ale arborelui de decizie reprezintă soluția bazată pe caracteristicile de intrare ale problemei m-ILS, iar nodurile frunză reprezintă predicția finală a clasificării LS.De-a lungul studiului, este ușor de înțeles ierarhia arborilor de decizie care explică și vizualizează procesul de decizie, 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 la examenele de admitere [21], informații demografice și comportamentul de învățare [22].Cercetările au arătat că algoritmul a prezis cu exactitate performanța elevilor și i-a ajutat să identifice studenții cu risc de dificultăți academice.
Este raportată aplicarea algoritmilor ML în dezvoltarea simulatoarelor virtuale de pacienți pentru pregătirea stomatologică.Simulatorul este capabil să reproducă cu acuratețe răspunsurile fiziologice ale pacienților reali și poate fi folosit pentru a instrui studenții stomatologici 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 pacientului.Algoritmii de învățare automată au fost utilizați pentru a ajuta la diagnosticarea 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 îndeplini sarcini precum prezicerea rezultatelor pacienților, identificarea pacienților cu risc ridicat, dezvoltarea planurilor de tratament personalizate [26], tratamentul parodontal [27] și tratamentul cariilor [25].
Deși au fost publicate rapoarte privind aplicarea învățării automate în stomatologie, aplicarea acesteia 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 IS în rândul studenților la stomatologie.
Rezultatele acestui studiu arată că instrumentul de recomandare dezvoltat are o acuratețe ridicată și o acuratețe perfectă, ceea ce indică faptul că profesorii pot beneficia de acest instrument.Folosind un proces de clasificare bazat pe date, 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 de profesori și nevoile de învățare ale elevilor.De exemplu, datorită ieșirii automate a instrumentelor de recomandare, timpul necesar pentru a identifica IP-ul unui student și pentru a-l potrivi cu IP-ul corespunzător va fi redus semnificativ.În acest fel, pot fi organizate activități de instruire și materiale de instruire adecvate.Acest lucru ajută la dezvoltarea comportamentului de învățare pozitiv al elevilor și a capacității de concentrare.Un studiu a raportat că furnizarea studenților de materiale de învățare și activități de învățare care se potrivesc cu LS-ul lor preferat poate ajuta studenții să se integreze, să proceseze și să se bucure de învățare în mai multe moduri pentru a atinge un potențial mai mare [12].Cercetările arată, de asemenea, că, pe lângă îmbunătățirea participării elevilor la clasă, înțelegerea procesului de învățare al elevilor joacă, de asemenea, un rol critic în îmbunătățirea practicilor de predare și a comunicării cu studenții [28, 29].
Cu toate acestea, ca în orice tehnologie modernă, există probleme și limitări.Acestea includ probleme legate de confidențialitatea datelor, părtinire și corectitudine, precum și abilitățile și resursele profesionale necesare pentru a dezvolta și implementa algoritmi de învățare automată în educația stomatologică;Cu toate acestea, interesul și cercetarea în creștere în acest domeniu sugerează că tehnologiile de învățare automată pot avea un impact pozitiv asupra educației și serviciilor stomatologice.
Rezultatele acestui studiu indică faptul că jumătate dintre studenții stomatologici 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 cursanții preferă să folosească imagini, grafice, 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 la medicină, dintre care majoritatea au caracteristici ale LS perceptuale și vizuale [12, 30].Dalmolin și colab. sugerează că informarea studenților despre LS le permite să-și 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 performanța și experiența de învățare a elevilor [12, 31, 32].Alte studii au arătat că ajustarea LS al elevilor arată, de asemenea, îmbunătățiri în experiența de învățare și performanța elevilor după schimbarea stilurilor de învățare pentru a se potrivi propriului LS [13, 33].
Opiniile profesorilor pot varia cu privire la implementarea strategiilor de predare bazate pe abilitățile de învățare ale elevilor.În timp ce unii văd beneficiile acestei abordări, inclusiv oportunități de dezvoltare profesională, mentorat și sprijin comunitar, alții pot fi îngrijorați de timp și de sprijinul instituțional.Efortul pentru echilibru este cheia pentru crearea unei atitudini centrate pe elev.Autoritățile din învățământul superior, cum ar fi administratorii universităților, pot juca un rol important în stimularea schimbărilor pozitive prin introducerea de practici inovatoare și sprijinirea dezvoltării facultăților [34].Pentru a crea un sistem de învățământ superior cu adevărat dinamic și receptiv, factorii de decizie politică trebuie să ia măsuri îndrăznețe, cum ar fi schimbarea politicilor, alocarea de resurse pentru integrarea tehnologiei și crearea de cadre care promovează abordări centrate pe studenți.Aceste măsuri sunt esențiale pentru obținerea rezultatelor dorite.Cercetările recente privind instruirea diferențiată au arătat în mod clar că implementarea cu succes a instruirii diferențiate necesită oportunități de formare și dezvoltare continuă pentru profesori [35].
Acest instrument oferă un sprijin valoros educatorilor stomatologici care doresc să adopte o abordare centrată pe student în planificarea activităților de învățare prietenoase pentru studenți.Cu toate acestea, acest studiu se limitează la utilizarea modelelor ML ale arborelui decizional.În viitor, ar trebui să fie colectate mai multe date pentru a compara performanța diferitelor modele de învățare automată pentru a compara acuratețea, 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 luați în considerare alți factori, cum ar fi complexitatea modelului și interpretarea.
O limitare a acestui studiu este că s-a concentrat doar pe cartografierea LS și IS în rândul studenților la stomatologie.Prin urmare, sistemul de recomandare dezvoltat le va recomanda doar pe cele care sunt potrivite pentru studenții stomatologi.Modificările sunt necesare pentru utilizarea generală a studenților din învățământul superior.
Instrumentul de recomandare bazat pe învățarea automată recent dezvoltat este capabil să clasifice și să potrivească instantaneu LS-ul studenților cu IS-ul corespunzător, făcându-l primul program de educație stomatologică care îi ajută pe educatorii stomatologici să planifice activități relevante de predare și învățare.Folosind un proces de triaj bazat pe date, acesta poate oferi recomandări personalizate, poate economisi timp, îmbunătăți strategiile de predare, poate sprijini intervenții direcționate și poate promova dezvoltarea profesională continuă.Aplicarea sa va promova abordări centrate pe elev ale educației stomatologice.
Gilak Jani Associated Press.Potrivire sau nepotrivire între stilul de învățare al elevului și stilul de predare al profesorului.Int J Mod Educ Informatică.2012;4(11):51–60.https://doi.org/10.5815/ijmecs.2012.11.05
Ora postării: Apr-29-2024