Există o nevoie tot mai mare de învățare centrată pe student (SCL) în instituțiile de învățământ superior, inclusiv în stomatologie. 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 (ML) cu arbore de decizie pentru a cartografia stilul de învățare preferat (LS) și strategiile de învățare corespunzătoare (IS) ale studenților la stomatologie, ca instrument util pentru dezvoltarea ghidurilor pentru SI. Metode promițătoare pentru studenții la stomatologie.
Un total de 255 de studenți la stomatologie de la Universitatea din Malaya au completat chestionarul Indexul Stilurilor de Învățare (m-ILS) modificat, care conținea 44 de itemi pentru a-i clasifica în LS-urile respective. Datele colectate (numite set de date) sunt utilizate în învățarea supravegheată prin arbori de decizie pentru a potrivi automat stilurile de învățare ale studenților cu cel mai potrivit SI. Apoi, este evaluată acuratețea instrumentului de recomandare a SI bazat pe învățare automată.
Aplicarea modelelor arborelui decizional într-un proces automat de mapare între LS (intrare) și IS (ieșire țintă) permite obținerea imediată a strategiilor de învățare adecvate pentru fiecare student la stomatologie. Instrumentul de recomandare IS a demonstrat o acuratețe și o reținere perfecte ale acurateței generale a modelului, indicând faptul că potrivirea LS cu IS are o sensibilitate și specificitate bune.
Un instrument de recomandare a sistemelor de informații (IS) bazat pe un arbore decizional de învățare automată (ML) și-a dovedit capacitatea de a potrivi cu precizie stilurile de învățare ale studenților la stomatologie 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 pună accentul pe nevoile de învățare ale elevilor. Interacțiunea dintre elevi și mediul lor de învățare poate fi determinată prin intermediul competențelor lor de învățare (LS). Cercetările sugerează că neconcordanțele intenționate de profesori 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 performanța elevilor [1,2].
SI este o metodă utilizată de profesori pentru a transmite cunoștințe și abilități elevilor, inclusiv pentru a-i ajuta să învețe [3]. În general, profesorii buni planifică strategii de predare sau SI care se potrivesc cel mai bine nivelului de cunoștințe al elevilor lor, conceptelor pe care le învață și etapei lor de învățare. Teoretic, atunci când LS și SI se potrivesc, elevii vor putea organiza și utiliza 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 instruirea cu scopul de a dezvolta 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 studenților. Acest lucru poate fi realizat, de exemplu, dacă studenții participă activ la activitățile de învățare, iar profesorii acționează ca facilitatori și sunt responsabili de furnizarea de feedback valoros. Se spune că furnizarea de materiale și activități de învățare adecvate nivelului educațional sau preferințelor studenților poate îmbunătăți mediul de învățare al acestora și poate promova experiențe pozitive de învățare [5].
În general, procesul de învățare al studenților la stomatologie este influențat de diversele 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 de stomatologie cu abilitățile clinice dentare și să aplice cunoștințele dobândite în situații clinice noi [6, 7]. Cercetările timpurii privind relația dintre LS și IS au constatat că ajustarea strategiilor de învățare corelate cu LS-ul preferat ar contribui 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 studenților.
Profesorii beneficiază de aplicarea cunoștințelor de învățare prin învățare (LS) pentru a-i ajuta să proiecteze, să dezvolte și să implementeze instruire care va îmbunătăți dobândirea de cunoștințe și înțelegere mai profundă de către elevi a materiei. Cercetătorii au dezvoltat mai multe instrumente de evaluare a LS, cum ar fi Modelul de învățare experiențială Kolb, Modelul stilului 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. În lucrările de cercetare actuale, FSLSM este utilizat pentru a evalua LS în rândul studenților de stomatologie.
FSLSM este un model utilizat pe scară largă pentru evaluarea învățării adaptive în inginerie. Există numeroase lucrări publicate în științele sănătății (inclusiv medicină, asistență medicală, farmacie și stomatologie) care pot fi găsite utilizând 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 itemi care evaluează patru dimensiuni ale LS: procesare (activă/reflexivă), percepție (perceptivă/intuitivă), input (vizual/verbal) și înțelegere (secvențială/globală) [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 informații prin interacțiunea directă cu materialele de învățare, învață prin practică și tind să învețe în grup. LS „reflexiv” se referă la învățarea prin gândire și preferă să lucreze individual. Dimensiunea „perceptivă” a LS poate fi împărțită în „sentiment” și/sau „intuiție”. Elevii „sentimentali” preferă informații mai concrete și proceduri practice, sunt orientați spre fapte în comparație cu elevii „intuitivi” care preferă materialele abstracte și sunt mai inovatori și creativi prin natura lor. Dimensiunea „input” a LS este formată din elevi „vizuali” și „verbali”. 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, acești elevi pot fi împărțiți în „secvențiali” și „globali”. „Cei care învață secvențial 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 înțeleg întotdeauna mai bine 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 (învățarea automată) supervizată este capabilă să genereze modele și ipoteze care prezic rezultate viitoare pe baza construcției algoritmilor [17]. Simplu spus, tehnicile de învățare automată supervizată manipulează datele de intrare și antrenează algoritmii. 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 supervizată este capacitatea lor de a stabili rezultate ideale și dorite [17].
Prin utilizarea metodelor bazate pe date și a modelelor de control al arborilor decizionali, este posibilă detectarea automată a LS (Low-to-Shift - LS). S-a raportat că arborii decizionali sunt utilizați pe scară largă în programele de formare din diverse domenii, inclusiv în științele sănătății [18, 19]. În acest studiu, modelul a fost antrenat special de către dezvoltatorii sistemului pentru a identifica LS-urile studenților și a recomanda cel mai bun SI pentru aceștia.
Scopul acestui studiu este de a dezvolta strategii de livrare a SI bazate pe LS-urile studenților și de a aplica abordarea SCL prin dezvoltarea unui instrument de recomandare SI mapat la LS. Fluxul de proiectare al instrumentului de recomandare SI ca strategie a metodei SCL este prezentat în Figura 1. Instrumentul de recomandare SI este împărțit în două părți, incluzând mecanismul de clasificare LS folosind ILS și cea mai potrivită afișare SI pentru studenți.
În special, caracteristicile instrumentelor de recomandare în domeniul securității informațiilor includ utilizarea tehnologiilor web și utilizarea învățării automate cu ajutorul arborilor decizionali. Dezvoltatorii de sisteme îmbunătățesc experiența și mobilitatea utilizatorilor prin adaptarea acestora la dispozitive mobile, cum ar fi telefoanele mobile și tabletele.
Experimentul a fost realizat în două etape, iar studenții de la Facultatea de Medicină Dentară a Universității din Malaya au participat pe bază de voluntariat. Participanții au răspuns la un chestionar online m-ILS, în limba engleză, al unui student la stomatologie. În faza inițială, un set de date de 50 de studenți a fost utilizat pentru a antrena algoritmul de învățare automată bazat pe arborele decizional. 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 o informare online la începutul fiecărei etape, în funcție de anul universitar, prin intermediul Microsoft Teams. Scopul studiului a fost explicat și s-a obținut consimțământul informat. Tuturor participanților li s-a furnizat un link pentru a accesa m-ILS. Fiecare student a fost instruit să răspundă la toate cele 44 de itemi din chestionar. Li s-a acordat o săptămână pentru a completa ILS-ul modificat la un moment și într-un loc convenabil pentru el, în timpul pauzei semestriale, înainte de începerea semestrului. m-ILS se bazează pe instrumentul ILS original și este modificat pentru studenții de stomatologie. Similar cu ILS-ul original, acesta conține 44 de itemi distribuiți uniform (a, b), cu câte 11 itemi fiecare, care sunt utilizați pentru a evalua aspecte ale fiecărei dimensiuni FSLSM.
În etapele inițiale de dezvoltare a instrumentului, cercetătorii au adnotat manual hărțile folosind un set de date de la 50 de studenți la stomatologie. Conform 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, studentul este clasificat ca Reflexiv/Intuitiv/Lingvistic / învățător global.
După calibrarea fluxului de lucru dintre cercetătorii din domeniul educației dentare și dezvoltatorii de sisteme, întrebările au fost selectate pe baza domeniului FLSSM și introduse în modelul ML pentru a prezice scorul LS al fiecărui student. „Garbage in, garbage out” („Dacă intră gunoi, ieși gunoi”) este o expresie 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, se creează un nou set de caracteristici, care reprezintă suma răspunsurilor „a” și „b” bazate pe FLSSM. Numerele de identificare ale pozițiilor medicamentelor sunt prezentate în Tabelul 1.
Calculați scorul pe baza răspunsurilor și determinați LS-ul elevului. Pentru fiecare elev, intervalul de scoruri 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 de învățare în locul altora. 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, drogurile au fost grupate în „active”, „reflexive” și „echilibrate”. De exemplu, atunci când un student răspunde la „a” mai des decât la „b” la un item desemnat și scorul său depășește pragul de 5 pentru un anumit item care reprezintă dimensiunea LS de Procesare, acesta aparține domeniului LS „activ”. Cu toate acestea, studenții au fost clasificați ca LS „reflexivi” 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, studentul se află într-o stare de „echilibru”. Dacă scorul nu depășește 5 puncte, atunci acesta este un LS „de proces”. Procesul de clasificare a fost repetat pentru celelalte dimensiuni LS, și anume percepția (activă/reflexivă), inputul (vizual/verbal) și înțelegerea (secvențială/globală).
Modelele arborelui decizional 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 logică [20], în care există noduri interne care reprezintă teste după atribut, fiecare ramură reprezentând rezultatele testelor și fiecare nod frunză (nod frunză) conținând o etichetă de clasă.
Un program simplu bazat pe reguli a fost creat pentru a evalua și adnota automat scorul LS al fiecărui elev pe baza răspunsurilor sale. Programul bazat pe reguli ia forma unei instrucțiuni IF, unde „IF” descrie declanșatorul, iar „THEN” specifică acțiunea care trebuie efectuată, de exemplu: „Dacă se întâmplă X, atunci execută Y” (Liu et al., 2014). Dacă setul de date prezintă corelație și modelul arborelui decizional este antrenat 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 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 utilizat ca set de antrenament (Figura 2). Setul de date trebuie împărțit pentru a preveni antrenarea și testarea modelului pe același set de date, ceea ce ar putea determina modelul să își amintească în loc să învețe. Modelul este antrenat pe setul de antrenament și își evaluează performanța pe setul de testare - date pe care modelul nu le-a mai văzut până acum.
Odată ce instrumentul IS este dezvoltat, aplicația va putea clasifica LS pe baza răspunsurilor studenților la stomatologie prin intermediul unei interfețe web. Sistemul de instrumente de recomandare privind securitatea 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 decizional pentru a calcula și extrage răspunsurile elevilor în vederea clasificării automate a măsurătorilor LS ale elevilor.
Matricea de confuzie este utilizată pentru a evalua acuratețea unui algoritm de învățare automată bazat pe arborele decizional pe un set de date dat. În același timp, evaluează performanța modelului de clasificare. Aceasta 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, Fals Pozitiv (FP) – modelul a prezis categoria pozitivă, dar eticheta reală a fost negativă, Adevărat Negativ (VN) – modelul a prezis corect clasa negativă și Fals Negativ (FN) – modelul prezice o clasă negativă, dar eticheta reală este pozitivă.
Aceste valori sunt apoi utilizate pentru a calcula diverse indicatori de performanță ai modelului de clasificare scikit-learn în Python, și anume precizia, precizia, rechemarea și scorul F1. Iată câteva exemple:
Reamintirea (sau sensibilitatea) măsoară capacitatea modelului de a clasifica cu precizie LS-ul unui elev după ce a răspuns la chestionarul m-ILS.
Specificitatea se numește rată a rezultatelor negative reale. După cum se poate observa din formula de mai sus, aceasta ar trebui să fie raportul dintre rezultatele negative reale (VN) și cele negative reale și cele pozitive false (FP). Ca parte a instrumentului recomandat pentru clasificarea drogurilor utilizate de studenți, acesta ar trebui să fie capabil de identificare precisă.
Setul de date inițial, format din 50 de studenți, utilizat pentru antrenarea modelului ML cu arbore decizional, a prezentat o precizie relativ scăzută din cauza erorilor umane din adnotări (Tabelul 3). După crearea unui program simplu bazat pe reguli pentru calcularea automată a scorurilor LS și a adnotărilor studenților, un număr tot mai mare de seturi de date (255) au fost utilizate pentru antrenarea și testarea sistemului de recomandare.
În matricea de confuzie multiclasă, elementele diagonale reprezintă numărul de predicții corecte pentru fiecare tip LS (Figura 4). Folosind modelul arborelui decizional, un total de 64 de eșantioane au fost prezise corect. Astfel, în acest studiu, elementele diagonale arată rezultatele așteptate, indicând faptul că modelul funcționează bine și prezice cu acuratețe eticheta de clasă pentru fiecare clasificare LS. Astfel, precizia generală a instrumentului de recomandare este de 100%.
Valorile acurateței, preciziei, rechemării și scorului F1 sunt prezentate în Figura 5. Pentru sistemul de recomandare care utilizează modelul arborelui decizional, scorul său F1 este 1,0 „perfect”, indicând o precizie și o rechemare perfecte, reflectând valori semnificative ale sensibilității și specificității.
Figura 6 prezintă o vizualizare a modelului arborelui decizional după finalizarea antrenamentului și testării. Într-o comparație comparativă, modelul arborelui decizional antrenat cu mai puține caracteristici a demonstrat o precizie mai mare și o vizualizare mai ușoară a modelului. Acest lucru arată că ingineria caracteristicilor, care duce la reducerea acestora, este un pas important în îmbunătățirea performanței modelului.
Prin aplicarea învățării supervizate prin arbore decizional, 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 de 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). Pe lângă cele opt LS principale, există 34 de combinații de clasificări LS pentru studenții de la stomatologie de la Universitatea din Malaya. Printre acestea, percepția, vederea și combinația dintre percepție și vedere sunt principalele LS raportate de studenți (Figura 7).
După cum se poate observa din Tabelul 4, majoritatea elevilor au avut o LS predominant senzorială (13,7%) sau vizuală (8,6%). S-a raportat că 12,2% dintre elevi au combinat percepția cu vederea (LS perceptiv-vizuală). Aceste constatări sugerează că elevii preferă să învețe și să rețină prin metode stabilite, urmează proceduri specifice și detaliate și sunt atenți prin natura lor. În același timp, le place să învețe uitându-se (folosind diagrame etc.) și tind să discute și să aplice informațiile în grupuri sau individual.
Acest studiu oferă o imagine de ansamblu asupra tehnicilor de învățare automată utilizate în data mining, concentrându-se pe prezicerea instantanee și precisă a LS-ului (Sistem de Informații) al studenților și pe recomandarea unui Sistem de Inițiere (IS) adecvat. Aplicarea unui model de arbore decizional a identificat factorii cei mai strâns legați de experiențele lor de viață și educaționale. Este un algoritm de învățare automată supervizată 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 decizional reprezintă soluția bazată pe caracteristicile de intrare ale problemei m-ILS, iar nodurile frunză reprezintă predicția finală de clasificare LS. Pe parcursul studiului, este ușor de înțeles ierarhia arborilor decizionali 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 utilizați pe scară largă pentru a prezice performanța elevilor pe baza scorurilor la examenele de admitere [21], a informațiilor demografice și a comportamentului de învățare [22]. Cercetările au arătat că algoritmul a prezis cu exactitate performanța elevilor și i-a ajutat să identifice elevii cu risc de dificultăți academice.
Este raportată aplicarea algoritmilor de învățare automată (ML) în dezvoltarea simulatoarelor virtuale de pacienți pentru instruirea în stomatologie. Simulatorul este capabil să reproducă cu acuratețe răspunsurile fiziologice ale pacienților reali și poate fi utilizat pentru a instrui studenții la stomatologie într-un mediu sigur și controlat [23]. Alte câteva studii arată că algoritmii de învățare automată pot îmbunătăți potențial calitatea și eficiența educației stomatologice și medicale și a îngrijirii pacienților. Algoritmii de învățare automată au fost utilizați pentru a ajuta la diagnosticarea bolilor dentare pe baza unor seturi de date precum simptomele și caracteristicile pacienților [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 crescut, dezvoltarea de planuri de tratament personalizate [26], tratamentul parodontal [27] și tratamentul cariilor [25].
Deși au fost publicate rapoarte privind 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 decizional pentru a identifica factorii cei mai strâns asociați cu LS și IS în rândul studenților de stomatologie.
Rezultatele acestui studiu arată că instrumentul de recomandare dezvoltat are o precizie ridicată și o acuratețe perfectă, indicând 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 elevi. Printre acestea, informațiile obținute prin intermediul instrumentelor 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 identificarea IP-ului unui elev și potrivirea acestuia 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 elevilor de materiale de învățare și activități de învățare care corespund limbii lor școlare preferate poate ajuta elevii să 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 esențial în îmbunătățirea practicilor de predare și a comunicării cu elevii [28, 29].
Cu toate acestea, ca în cazul oricărei tehnologii moderne, există probleme și limitări. Acestea includ aspecte 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 cercetările tot mai mari în acest domeniu sugerează că tehnologiile de învățare automată pot avea un impact pozitiv asupra educației stomatologice și a serviciilor stomatologice.
Rezultatele acestui studiu indică faptul că jumătate dintre studenții la stomatologie 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 pentru învățarea la distanță (LS) „vizuală”, unde cursanții preferă să utilizeze 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 la stomatologie și medicină, majoritatea având caracteristici ale LS perceptive și vizuale [12, 30]. Dalmolin și colab. 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 performanța și experiența de învățare a elevilor [12, 31, 32]. Alte studii au arătat că ajustarea LS-ului elevilor arată, de asemenea, îmbunătățiri în experiența și performanța de învățare a elevilor după schimbarea stilurilor lor de învățare pentru a se potrivi propriului LS [13, 33].
Opiniile profesorilor pot varia în ceea ce privește implementarea strategiilor de predare bazate pe abilitățile de învățare ale elevilor. În timp ce unii văd beneficiile acestei abordări, inclusiv oportunitățile de dezvoltare profesională, mentoratul și sprijinul comunității, alții pot fi preocupați de timp și de sprijinul instituțional. Efortul de a găsi un echilibru este esențial pentru crearea unei atitudini centrate pe student. Autoritățile din învățământul superior, cum ar fi administratorii universitari, pot juca un rol important în impulsionarea schimbărilor pozitive prin introducerea unor practici inovatoare și sprijinirea dezvoltării cadrelor didactice [34]. Pentru a crea un sistem de învățământ superior cu adevărat dinamic și receptiv, factorii de decizie trebuie să ia măsuri îndrăznețe, cum ar fi efectuarea de schimbări de politici, alocarea de resurse integrării tehnologiei și crearea de cadre care promovează abordări centrate pe student. Aceste măsuri sunt esențiale pentru obținerea rezultatelor dorite. Cercetările recente privind instruirea diferențiată au arătat clar că implementarea cu succes a instruirii diferențiate necesită oportunități continue de formare și dezvoltare pentru profesori [35].
Acest instrument oferă un sprijin valoros educatorilor din domeniul stomatologic care doresc să adopte o abordare centrată pe student în planificarea activităților de învățare prietenoase cu elevii. Cu toate acestea, acest studiu este limitat la utilizarea modelelor de învățare automată bazate pe arbori de decizie. În viitor, ar trebui 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 se alege cea mai potrivită metodă de învățare automată pentru o anumită sarcină, este important să se ia în considerare și alți factori, cum ar fi complexitatea și interpretarea modelului.
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 va recomanda doar pe cele potrivite pentru studenții la stomatologie. Sunt necesare modificări pentru utilizarea generală a studenților din învățământul superior.
Instrumentul de recomandare bazat pe învățare automată recent dezvoltat este capabil să clasifice și să potrivească instantaneu LS-urile studenților cu IS-ul corespunzător, 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, economisi timp, îmbunătăți strategiile de predare, susține intervenții specifice și promovează dezvoltarea profesională continuă. Aplicarea sa va promova abordări centrate pe student în educația stomatologică.
Gilak Jani Associated Press. Potrivirea sau nepotrivirea dintre 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
Data publicării: 29 aprilie 2024