Existe una creciente necesidad de aprendizaje centrado en el alumno (SCL) en las instituciones de educación superior, incluida la odontología. Sin embargo, SCL tiene una aplicación limitada en educación dental. Por lo tanto, este estudio tiene como objetivo promover la aplicación de SCL en odontología mediante el uso de la tecnología de aprendizaje automático de árboles de decisión (ML) para mapear el estilo de aprendizaje preferido (LS) y las estrategias de aprendizaje correspondientes (IS) de los estudiantes de odontología como una herramienta útil para desarrollar las pautas de IS. . Métodos prometedores para estudiantes de odontología.
Un total de 255 estudiantes de odontología de la Universidad de Malaya completaron el cuestionario del índice modificado de estilos de aprendizaje (M-ILS), que contenía 44 ítems para clasificarlos en sus respectivos LSS. Los datos recopilados (llamados un conjunto de datos) se utilizan en el aprendizaje de árbol de decisión supervisado para que coincidan automáticamente con los estilos de aprendizaje de los estudiantes con los más apropiados. Luego se evalúa la precisión de la herramienta de recomendación basada en el aprendizaje automático.
La aplicación de los modelos de árbol de decisión en un proceso de mapeo automatizado entre LS (entrada) y IS (salida objetivo) permite una lista inmediata de estrategias de aprendizaje apropiadas para cada estudiante de odontología. La herramienta de recomendación de IS demostró una precisión perfecta y recuerdo de la precisión general del modelo, lo que indica que coincidir con LS con IS tiene una buena sensibilidad y especificidad.
Una herramienta de recomendación de IS basada en un árbol de decisión de ML ha demostrado su capacidad para igualar con precisión los estilos de aprendizaje de los estudiantes de odontología con estrategias de aprendizaje apropiadas. Esta herramienta proporciona opciones poderosas para planificar cursos o módulos centrados en el aprendizaje que pueden mejorar la experiencia de aprendizaje de los estudiantes.
La enseñanza y el aprendizaje son actividades fundamentales en instituciones educativas. Al desarrollar un sistema de educación vocacional de alta calidad, es importante centrarse en las necesidades de aprendizaje de los estudiantes. La interacción entre los estudiantes y su entorno de aprendizaje se puede determinar a través de su LS. La investigación sugiere que los desajustes intencionados por maestros entre los LS y el IS de los estudiantes pueden tener consecuencias negativas para el aprendizaje de los estudiantes, como la disminución de la atención y la motivación. Esto afectará indirectamente el rendimiento del estudiante [1,2].
El IS es un método utilizado por los maestros para impartir conocimiento y habilidades a los estudiantes, incluida la ayuda a los estudiantes a aprender [3]. En términos generales, los buenos maestros planifican estrategias de enseñanza o es que mejor coincida con el nivel de conocimiento de sus alumnos, los conceptos que están aprendiendo y su etapa de aprendizaje. Teóricamente, cuando LS y Is Match, los estudiantes podrán organizar y usar un conjunto específico de habilidades para aprender de manera efectiva. Por lo general, un plan de lección incluye varias transiciones entre etapas, como la enseñanza hasta la práctica guiada o de la práctica guiada a la práctica independiente. Con esto en mente, los maestros efectivos a menudo planean la instrucción con el objetivo de construir el conocimiento y las habilidades de los estudiantes [4].
La demanda de SCL está creciendo en las instituciones de educación superior, incluida la odontología. Las estrategias SCL están diseñadas para satisfacer las necesidades de aprendizaje de los estudiantes. Esto se puede lograr, por ejemplo, si los estudiantes participan activamente en actividades de aprendizaje y los maestros actúan como facilitadores y son responsables de proporcionar comentarios valiosos. Se dice que proporcionar materiales y actividades de aprendizaje que sean apropiados para el nivel o preferencias de los estudiantes pueden mejorar el entorno de aprendizaje de los estudiantes y promover experiencias de aprendizaje positivas [5].
En términos generales, el proceso de aprendizaje de los estudiantes de odontología está influenciado por los diversos procedimientos clínicos que deben realizar y el entorno clínico en el que desarrollan habilidades interpersonales efectivas. El propósito de la capacitación es permitir a los estudiantes combinar el conocimiento básico de la odontología con las habilidades clínicas dentales y aplicar el conocimiento adquirido a nuevas situaciones clínicas [6, 7]. La investigación temprana sobre la relación entre LS y se encuentra que ajustar las estrategias de aprendizaje asignadas a los LS preferidos ayudaría a mejorar el proceso educativo [8]. Los autores también recomiendan utilizar una variedad de métodos de enseñanza y evaluación para adaptarse al aprendizaje y las necesidades de los estudiantes.
Los maestros se benefician de aplicar el conocimiento LS para ayudarlos a diseñar, desarrollar e implementar instrucción que mejore la adquisición de los estudiantes de un conocimiento más profundo y la comprensión del tema. Los investigadores han desarrollado varias herramientas de evaluación LS, como el modelo de aprendizaje experimental Kolb, el modelo de estilo de aprendizaje de Felder-Silverman (FSLSM) y el modelo Fleming VAK/VARK [5, 9, 10]. Según la literatura, estos modelos de aprendizaje son los modelos de aprendizaje más utilizados y estudiados. En el trabajo de investigación actual, FSLSM se utiliza para evaluar LS entre los estudiantes de odontología.
FSLSM es un modelo ampliamente utilizado para evaluar el aprendizaje adaptativo en ingeniería. Hay muchos trabajos publicados en las ciencias de la salud (incluidas la medicina, la enfermería, la farmacia y la odontología) que se pueden encontrar utilizando modelos FSLSM [5, 11, 12, 13]. El instrumento utilizado para medir las dimensiones de LS en el FLSM se llama índice de estilos de aprendizaje (ILS) [8], que contiene 44 ítems que evalúan cuatro dimensiones de LS: procesamiento (activo/reflexivo), percepción (perceptual/intuitiva),, entrada (visual). /verbal) y comprensión (secuencial/global) [14].
Como se muestra en la Figura 1, cada dimensión FSLSM tiene una preferencia dominante. Por ejemplo, en la dimensión de procesamiento, los estudiantes con LS "activo" prefieren procesar información interactuando directamente con los materiales de aprendizaje, aprender haciendo y tienden a aprender en grupos. El LS "reflexivo" se refiere al aprendizaje a través del pensamiento y prefiere trabajar solo. La dimensión de "percepción" de LS se puede dividir en "sentimiento" y/o "intuición". Los estudiantes de "sentir" prefieren información más concreta y procedimientos prácticos, están orientados a los hechos en comparación con los estudiantes "intuitivos" que prefieren material abstracto y son de naturaleza más innovadora y creativa. La dimensión de "entrada" de LS consiste en estudiantes "visuales" y "verbales". Las personas con LS "visuales" prefieren aprender a través de demostraciones visuales (como diagramas, videos o demostraciones en vivo), mientras que las personas con LS "verbal" prefieren aprender a través de palabras en explicaciones escritas o orales. Para "comprender" las dimensiones de LS, tales alumnos se pueden dividir en "secuencial" y "global". “Los alumnos secuenciales prefieren un proceso de pensamiento lineal y aprenden paso a paso, mientras que los alumnos globales tienden a tener un proceso de pensamiento holístico y siempre comprenden mejor lo que están aprendiendo.
Recientemente, muchos investigadores han comenzado a explorar métodos para el descubrimiento automático basado en datos, incluido el desarrollo de nuevos algoritmos y modelos capaces de interpretar grandes cantidades de datos [15, 16]. Según los datos proporcionados, ML supervisado (aprendizaje automático) es capaz de generar patrones e hipótesis que predicen resultados futuros basados en la construcción de algoritmos [17]. En pocas palabras, las técnicas supervisadas de aprendizaje automático manipulan datos de entrada y algoritmos de trenes. Luego genera un rango que clasifica o predice el resultado basado en situaciones similares para los datos de entrada proporcionados. La principal ventaja de los algoritmos de aprendizaje automático supervisado es su capacidad para establecer los resultados ideales y deseados [17].
Mediante el uso de métodos basados en datos y modelos de control de árboles de decisión, es posible la detección automática de LS. Se ha informado que los árboles de decisión se utilizan ampliamente en programas de capacitación en varios campos, incluidas las ciencias de la salud [18, 19]. En este estudio, el modelo fue capacitado específicamente por los desarrolladores del sistema para identificar el LS de los estudiantes y recomendar lo mejor es para ellos.
El propósito de este estudio es desarrollar estrategias de entrega basadas en el LS de los estudiantes y aplicar el enfoque SCL desarrollando una herramienta de recomendación IS mapeada a LS. El flujo de diseño de la herramienta de recomendación IS como una estrategia del método SCL se muestra en la Figura 1. La herramienta de recomendación del SI se divide en dos partes, incluido el mecanismo de clasificación LS utilizando ILS y la más adecuada se exhibe para los estudiantes.
En particular, las características de las herramientas de recomendación de seguridad de la información incluyen el uso de tecnologías web y el uso del aprendizaje automático de los árboles de decisión. Los desarrolladores de sistemas mejoran la experiencia del usuario y la movilidad adaptándolos a dispositivos móviles como teléfonos móviles y tabletas.
El experimento se llevó a cabo en dos etapas y los estudiantes de la Facultad de Odontología de la Universidad de Malaya participaron de forma voluntaria. Los participantes respondieron a los M-IL en línea de un estudiante de odontología en inglés. En la fase inicial, se utilizó un conjunto de datos de 50 estudiantes para capacitar al algoritmo de aprendizaje automático de árboles de decisión. En la segunda fase del proceso de desarrollo, se utilizó un conjunto de datos de 255 estudiantes para mejorar la precisión del instrumento desarrollado.
Todos los participantes reciben una sesión informativa en línea al comienzo de cada etapa, dependiendo del año académico, a través de equipos de Microsoft. Se explicó el propósito del estudio y se obtuvo el consentimiento informado. Todos los participantes recibieron un enlace para acceder a los M-ILS. Cada estudiante recibió instrucciones de responder los 44 elementos en el cuestionario. Se les dio una semana para completar las IL modificadas a la vez y una ubicación convenientes para ellos durante el descanso del semestre antes del comienzo del semestre. El M-ILS se basa en el instrumento ILS original y se modifica para estudiantes de odontología. Similar a la IL original, contiene 44 elementos distribuidos uniformemente (A, B), con 11 elementos cada uno, que se utilizan para evaluar los aspectos de cada dimensión FSLSM.
Durante las etapas iniciales del desarrollo de herramientas, los investigadores anotaron manualmente los mapas utilizando un conjunto de datos de 50 estudiantes de odontología. Según el FSLM, el sistema proporciona la suma de las respuestas "A" y "B". Para cada dimensión, si el alumno selecciona "A" como respuesta, el LS se clasifica como activo/perceptual/visual/secuencial, y si el alumno selecciona "B" como respuesta, el alumno se clasifica como reflexivo/intuitivo/lingüístico . / alumno global.
Después de calibrar el flujo de trabajo entre los investigadores de educación dental y los desarrolladores de sistemas, se seleccionaron preguntas en base al dominio FLSSM y se alimentaron al modelo ML para predecir el LS de cada estudiante. "Basina, In, Bask Out" es un dicho popular en el campo del aprendizaje automático, con énfasis en la calidad de los datos. La calidad de los datos de entrada determina la precisión y precisión del modelo de aprendizaje automático. Durante la fase de ingeniería de características, se crea un nuevo conjunto de características que es la suma de las respuestas "A" y "B" basadas en FLSSM. Los números de identificación de posiciones de drogas se dan en la Tabla 1.
Calcule el puntaje según las respuestas y determine el LS del estudiante. Para cada estudiante, el rango de puntaje es de 1 a 11. Los puntajes de 1 a 3 indican un equilibrio de preferencias de aprendizaje dentro de la misma dimensión, y los puntajes de 5 a 7 indican una preferencia moderada, lo que indica que los estudiantes tienden a preferir un entorno que enseñan a otros. . Otra variación en la misma dimensión es que los puntajes de 9 a 11 reflejan una fuerte preferencia por un extremo u otro [8].
Para cada dimensión, las drogas se agruparon en "activo", "reflexivo" y "equilibrado". Por ejemplo, cuando un estudiante responde "A" con más frecuencia que "B" en un elemento designado y su puntaje excede el umbral de 5 para un elemento en particular que representa el procesamiento LS Dimension, él/ella pertenece al LS "activo" dominio. . Sin embargo, los estudiantes fueron clasificados como LS "reflexivos" cuando eligieron "B" más que "A" en 11 preguntas específicas (Tabla 1) y obtuvieron más de 5 puntos. Finalmente, el estudiante está en un estado de "equilibrio". Si la puntuación no excede los 5 puntos, entonces este es un "proceso" LS. El proceso de clasificación se repitió para las otras dimensiones LS, a saber, la percepción (activa/reflexiva), la entrada (visual/verbal) y la comprensión (secuencial/global).
Los modelos de árboles de decisión pueden usar diferentes subconjuntos de características y reglas de decisión en diferentes etapas del proceso de clasificación. Se considera una herramienta de clasificación y predicción popular. Se puede representar utilizando una estructura de árbol como un diagrama de flujo [20], en el que hay nodos internos que representan pruebas por atributo, cada rama que representa los resultados de las pruebas y cada nodo de hoja (nodo de hoja) que contiene una etiqueta de clase.
Se creó un programa simple basado en reglas para obtener automáticamente y anotar el LS de cada estudiante en función de sus respuestas. Basado en reglas toma la forma de una declaración IF, donde "si" describe el disparador y "entonces" especifica la acción que se realizará, por ejemplo: "Si x sucede, entonces haz" (Liu et al., 2014). Si el conjunto de datos exhibe correlación y el modelo de árbol de decisión está debidamente capacitado y evaluado, este enfoque puede ser una forma efectiva de automatizar el proceso de coincidencia de LS e IS.
En la segunda fase de desarrollo, el conjunto de datos se incrementó a 255 para mejorar la precisión de la herramienta de recomendación. El conjunto de datos se divide en una relación 1: 4. El 25% (64) del conjunto de datos se usó para el conjunto de pruebas, y el 75% restante (191) se utilizó como conjunto de entrenamiento (Figura 2). El conjunto de datos debe dividirse para evitar que el modelo sea capacitado y probado en el mismo conjunto de datos, lo que podría hacer que el modelo recuerde en lugar de aprender. El modelo está entrenado en el conjunto de capacitación y evalúa su rendimiento en el conjunto de pruebas: los datos que el modelo nunca ha visto antes.
Una vez que se desarrolla la herramienta IS, la aplicación podrá clasificar LS en función de las respuestas de los estudiantes de odontología a través de una interfaz web. El sistema de herramientas de recomendación de seguridad de seguridad de la información basado en la web se crea utilizando el lenguaje de programación de Python utilizando el marco Django como backend. La Tabla 2 enumera las bibliotecas utilizadas en el desarrollo de este sistema.
El conjunto de datos se alimenta a un modelo de árbol de decisión para calcular y extraer respuestas de los estudiantes para clasificar automáticamente las mediciones LS de Student.
La matriz de confusión se utiliza para evaluar la precisión de un algoritmo de aprendizaje automático de árbol de decisión en un conjunto de datos determinado. Al mismo tiempo, evalúa el rendimiento del modelo de clasificación. Resume las predicciones del modelo y las compara con las etiquetas de datos reales. Los resultados de la evaluación se basan en cuatro valores diferentes: verdadero positivo (TP): el modelo predijo correctamente la categoría positiva, falso positivo (FP): el modelo predijo la categoría positiva, pero la etiqueta verdadera fue negativa, verdadera negativa (TN) - - El modelo predijo correctamente la clase negativa y el falso negativo (FN): el modelo predice una clase negativa, pero la etiqueta verdadera es positiva.
Estos valores se utilizan para calcular diversas métricas de rendimiento del modelo de clasificación Scikit-Learn en Python, a saber, precisión, precisión, recuperación y puntaje F1. Aquí hay ejemplos:
El recuerdo (o la sensibilidad) mide la capacidad del modelo para clasificar con precisión el LS de un estudiante después de responder al cuestionario M-ILS.
La especificidad se llama una verdadera tasa negativa. Como puede ver en la fórmula anterior, esta debería ser la relación de verdaderos negativos (TN) con verdaderos negativos y falsos positivos (FP). Como parte de la herramienta recomendada para clasificar las drogas estudiantiles, debe ser capaz de una identificación precisa.
El conjunto de datos original de 50 estudiantes utilizados para capacitar al modelo ML del árbol de decisión mostró una precisión relativamente baja debido al error humano en las anotaciones (Tabla 3). Después de crear un programa simple basado en reglas para calcular automáticamente los puntajes LS y las anotaciones de los estudiantes, se usó un número creciente de conjuntos de datos (255) para entrenar y probar el sistema de recomendación.
En la matriz de confusión multiclase, los elementos diagonales representan el número de predicciones correctas para cada tipo LS (Figura 4). Usando el modelo de árbol de decisión, se predijo correctamente un total de 64 muestras. Por lo tanto, en este estudio, los elementos diagonales muestran los resultados esperados, lo que indica que el modelo funciona bien y predice con precisión la etiqueta de clase para cada clasificación LS. Por lo tanto, la precisión general de la herramienta de recomendación es del 100%.
Los valores de precisión, precisión, recuperación y puntaje F1 se muestran en la Figura 5. Para el sistema de recomendación utilizando el modelo de árbol de decisión, su puntaje F1 es 1.0 "perfecto", lo que indica una precisión y recuperación perfecta, que refleja una sensibilidad y especificidad significativas valores.
La Figura 6 muestra una visualización del modelo de árbol de decisión después de completar la capacitación y las pruebas. En una comparación de lado a lado, el modelo de árbol de decisión entrenado con menos características mostró una mayor precisión y una visualización del modelo más fácil. Esto muestra que la ingeniería de características que conduce a la reducción de características es un paso importante para mejorar el rendimiento del modelo.
Al aplicar el aprendizaje supervisado del árbol de decisión, el mapeo entre LS (entrada) y IS (salida de destino) se genera automáticamente y contiene información detallada para cada LS.
Los resultados mostraron que el 34.9% de los 255 estudiantes prefirieron una (1) opción LS. La mayoría (54.3%) tenía dos o más preferencias de LS. El 12.2% de los estudiantes notaron que LS está bastante equilibrado (Tabla 4). Además de los ocho LS principales, hay 34 combinaciones de clasificaciones LS para estudiantes de odontología de la Universidad de Malaya. Entre ellos, la percepción, la visión y la combinación de percepción y visión están los principales LS informados por los estudiantes (Figura 7).
Como se puede ver en la Tabla 4, la mayoría de los estudiantes tenían un LS sensorial predominante (13.7%) o visual (8.6%). Se informó que el 12.2% de los estudiantes combinaban la percepción con la visión (LS perceptual-visual). Estos hallazgos sugieren que los estudiantes prefieren aprender y recordar a través de métodos establecidos, seguir procedimientos específicos y detallados, y son de naturaleza atenta. Al mismo tiempo, disfrutan del aprendizaje buscando (usando diagramas, etc.) y tienden a discutir y aplicar información en grupos o por su cuenta.
Este estudio proporciona una visión general de las técnicas de aprendizaje automático utilizadas en la minería de datos, con un enfoque en predecir instantáneamente y con precisión los LS de los estudiantes y recomendar IS adecuados. La aplicación de un modelo de árbol de decisión identificó los factores más estrechamente relacionados con su vida y experiencias educativas. Es un algoritmo de aprendizaje automático supervisado que utiliza una estructura de árbol para clasificar los datos dividiendo un conjunto de datos en subcategorías basadas en ciertos criterios. Funciona dividiendo recursivamente los datos de entrada en subconjuntos en función del valor de una de las características de entrada de cada nodo interno hasta que se tome una decisión en el nodo de hoja.
Los nodos internos del árbol de decisión representan la solución basada en las características de entrada del problema M-ILS, y los nodos de hoja representan la predicción final de clasificación LS. A lo largo del estudio, es fácil comprender la jerarquía de los árboles de decisión que explican y visualizan el proceso de decisión al observar la relación entre las características de entrada y las predicciones de salida.
En los campos de la informática e ingeniería, los algoritmos de aprendizaje automático se utilizan ampliamente para predecir el rendimiento del estudiante en función de sus puntajes de examen de ingreso [21], información demográfica y comportamiento de aprendizaje [22]. La investigación mostró que el algoritmo predijo con precisión el rendimiento de los estudiantes y les ayudó a identificar a los estudiantes en riesgo de dificultades académicas.
Se informa la aplicación de algoritmos ML en el desarrollo de simuladores de pacientes virtuales para capacitación dental. El simulador es capaz de reproducir con precisión las respuestas fisiológicas de pacientes reales y puede usarse para capacitar a estudiantes dentales en un entorno seguro y controlado [23]. Varios otros estudios muestran que los algoritmos de aprendizaje automático pueden mejorar potencialmente la calidad y la eficiencia de la educación dental y médica y la atención al paciente. Los algoritmos de aprendizaje automático se han utilizado para ayudar en el diagnóstico de enfermedades dentales en función de conjuntos de datos como síntomas y características del paciente [24, 25]. Mientras que otros estudios han explorado el uso de algoritmos de aprendizaje automático para realizar tareas como predecir los resultados del paciente, identificar pacientes de alto riesgo, desarrollar planes de tratamiento personalizados [26], tratamiento periodontal [27] y tratamiento con caries [25].
Aunque se han publicado informes sobre la aplicación del aprendizaje automático en odontología, su aplicación en educación dental sigue siendo limitada. Por lo tanto, este estudio tuvo como objetivo utilizar un modelo de árbol de decisión para identificar los factores más estrechamente asociados con LS y es entre los estudiantes de odontología.
Los resultados de este estudio muestran que la herramienta de recomendación desarrollada tiene una alta precisión y una precisión perfecta, lo que indica que los maestros pueden beneficiarse de esta herramienta. Utilizando un proceso de clasificación basado en datos, puede proporcionar recomendaciones personalizadas y mejorar las experiencias y resultados educativos para educadores y estudiantes. Entre ellos, la información obtenida a través de herramientas de recomendación puede resolver conflictos entre los métodos de enseñanza preferidos de los maestros y las necesidades de aprendizaje de los estudiantes. Por ejemplo, debido a la salida automatizada de herramientas de recomendación, el tiempo requerido para identificar la IP de un estudiante y coincidir con la IP correspondiente se reducirá significativamente. De esta manera, se pueden organizar actividades de capacitación adecuadas y materiales de capacitación. Esto ayuda a desarrollar el comportamiento de aprendizaje positivo de los estudiantes y la capacidad de concentrarse. Un estudio informó que proporcionar a los estudiantes materiales de aprendizaje y actividades de aprendizaje que coincidan con sus LS preferidos pueden ayudar a los estudiantes a integrar, procesar y disfrutar del aprendizaje de múltiples formas para lograr un mayor potencial [12]. La investigación también muestra que, además de mejorar la participación de los estudiantes en el aula, comprender el proceso de aprendizaje de los estudiantes también juega un papel fundamental en la mejora de las prácticas de enseñanza y la comunicación con los estudiantes [28, 29].
Sin embargo, como con cualquier tecnología moderna, hay problemas y limitaciones. Estos incluyen problemas relacionados con la privacidad de los datos, el sesgo y la equidad, y las habilidades y recursos profesionales necesarios para desarrollar e implementar algoritmos de aprendizaje automático en educación dental; Sin embargo, el creciente interés e investigación en esta área sugiere que las tecnologías de aprendizaje automático pueden tener un impacto positivo en la educación dental y los servicios dentales.
Los resultados de este estudio indican que la mitad de los estudiantes de odontología tienden a "percibir" las drogas. Este tipo de alumno tiene preferencia por los hechos y ejemplos concretos, una orientación práctica, paciencia para los detalles y una preferencia LS "visual", donde los alumnos prefieren usar imágenes, gráficos, colores y mapas para transmitir ideas y pensamientos. Los resultados actuales son consistentes con otros estudios que usan IL para evaluar LS en estudiantes dentales y de medicina, la mayoría de los cuales tienen características de LS perceptual y visual [12, 30]. Dalmolin et al sugieren que informar a los estudiantes sobre su LS les permite alcanzar su potencial de aprendizaje. Los investigadores argumentan que cuando los maestros entienden completamente el proceso educativo de los estudiantes, se pueden implementar varios métodos y actividades de enseñanza que mejoren el desempeño y la experiencia de aprendizaje de los estudiantes [12, 31, 32]. Otros estudios han demostrado que ajustar el LS de los estudiantes también muestra mejoras en la experiencia y el rendimiento de aprendizaje de los estudiantes después de cambiar sus estilos de aprendizaje para adaptarse a sus propios LS [13, 33].
Las opiniones de los maestros pueden variar con respecto a la implementación de estrategias de enseñanza basadas en las habilidades de aprendizaje de los estudiantes. Si bien algunos ven los beneficios de este enfoque, incluidas las oportunidades de desarrollo profesional, la tutoría y el apoyo comunitario, otros pueden estar preocupados por el tiempo y el apoyo institucional. Se esforzar por el equilibrio es clave para crear una actitud centrada en el alumno. Las autoridades de educación superior, como los administradores universitarios, pueden desempeñar un papel importante en impulsar un cambio positivo al introducir prácticas innovadoras y apoyar el desarrollo de la facultad [34]. Para crear un sistema de educación superior verdaderamente dinámica y receptiva, los formuladores de políticas deben tomar medidas audaces, como hacer cambios de política, dedicar recursos a la integración de la tecnología y crear marcos que promuevan enfoques centrados en los estudiantes. Estas medidas son críticas para lograr los resultados deseados. Investigaciones recientes sobre instrucción diferenciada han demostrado claramente que la implementación exitosa de la instrucción diferenciada requiere capacitación continua y oportunidades de desarrollo para los maestros [35].
Esta herramienta brinda un valioso apoyo a los educadores dentales que desean adoptar un enfoque centrado en el estudiante para planificar actividades de aprendizaje amigables para los estudiantes. Sin embargo, este estudio se limita al uso de modelos ML de árboles de decisión. En el futuro, se deben recopilar más datos para comparar el rendimiento de los diferentes modelos de aprendizaje automático para comparar la precisión, confiabilidad y precisión de las herramientas de recomendación. Además, al elegir el método de aprendizaje automático más apropiado para una tarea en particular, es importante considerar otros factores, como la complejidad e interpretación del modelo.
Una limitación de este estudio es que solo se centró en mapear LS y se encuentra entre los estudiantes de odontología. Por lo tanto, el sistema de recomendación desarrollado solo recomendará aquellos que sean adecuados para estudiantes de odontología. Los cambios son necesarios para el uso general de los estudiantes de educación superior.
La herramienta de recomendación basada en el aprendizaje automático recientemente desarrollado es capaz de clasificar instantáneamente y igualar el LS de los estudiantes con el correspondiente es, lo que es el primer programa de educación dental para ayudar a los educadores dentales a planificar actividades de enseñanza y aprendizaje relevantes. Utilizando un proceso de clasificación basado en datos, puede proporcionar recomendaciones personalizadas, ahorrar tiempo, mejorar las estrategias de enseñanza, apoyar las intervenciones específicas y promover el desarrollo profesional continuo. Su solicitud promoverá enfoques centrados en el estudiante para la educación dental.
Gilak Jani Associated Press. Coincidir o no coincidir entre el estilo de aprendizaje del estudiante y el estilo de enseñanza del maestro. Int j mod con educación informática. 2012; 4 (11): 51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Tiempo de publicación: abril-29-2024