Existe una necesidad creciente de aprendizaje centrado en el estudiante (SCL) en las instituciones de educación superior, incluida la odontología.Sin embargo, SCL tiene una aplicación limitada en la educación dental.Por lo tanto, este estudio tiene como objetivo promover la aplicación de SCL en odontología mediante el uso de tecnología de aprendizaje automático (ML) de árbol de decisión 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 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 de estilos de aprendizaje modificado (m-ILS), que contenía 44 ítems para clasificarlos en sus respectivos LS.Los datos recopilados (llamados conjunto de datos) se utilizan en el aprendizaje supervisado del árbol de decisiones para hacer coincidir automáticamente los estilos de aprendizaje de los estudiantes con el SI más apropiado.Luego se evalúa la precisión de la herramienta de recomendación de SI basada en aprendizaje automático.
La aplicación de modelos de árbol de decisión en un proceso de mapeo automatizado entre LS (entrada) e IS (salida objetivo) permite obtener una lista inmediata de estrategias de aprendizaje apropiadas para cada estudiante de odontología.La herramienta de recomendación IS demostró una precisión y un recuerdo perfectos de la precisión general del modelo, lo que indica que hacer coincidir LS con IS tiene buena sensibilidad y especificidad.
Una herramienta de recomendación de SI basada en un árbol de decisiones de ML ha demostrado su capacidad para hacer coincidir con precisión los estilos de aprendizaje de los estudiantes de odontología con las estrategias de aprendizaje adecuadas.Esta herramienta proporciona opciones potentes para planificar cursos o módulos centrados en el alumno que pueden mejorar la experiencia de aprendizaje de los estudiantes.
La enseñanza y el aprendizaje son actividades fundamentales en las 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.Las investigaciones sugieren que los desajustes previstos por los profesores entre el LS y el IS de los estudiantes pueden tener consecuencias negativas para el aprendizaje de los estudiantes, como una disminución de la atención y la motivación.Esto afectará indirectamente el rendimiento de los estudiantes [1,2].
IS es un método utilizado por los profesores para impartir conocimientos y habilidades a los estudiantes, incluida la ayuda para aprender [3].En términos generales, los buenos profesores planifican estrategias de enseñanza o IS que mejor se adaptan al nivel de conocimiento de sus alumnos, los conceptos que están aprendiendo y su etapa de aprendizaje.En teoría, cuando LS e IS coinciden, los estudiantes podrán organizar y utilizar un conjunto específico de habilidades para aprender de manera efectiva.Normalmente, un plan de lección incluye varias transiciones entre etapas, como de la enseñanza a la práctica guiada o de la práctica guiada a la práctica independiente.Teniendo esto en cuenta, los profesores eficaces suelen planificar la instrucción con el objetivo de desarrollar los conocimientos y habilidades de los estudiantes [4].
La demanda de SCL está creciendo en las instituciones de educación superior, incluida la odontología.Las estrategias de SCL están diseñadas para satisfacer las necesidades de aprendizaje de los estudiantes.Esto se puede lograr, por ejemplo, si los estudiantes participan activamente en las actividades de aprendizaje y los profesores actúan como facilitadores y son responsables de brindar retroalimentación valiosa.Se dice que proporcionar materiales y actividades de aprendizaje que sean apropiados para el nivel educativo o las preferencias de los estudiantes puede 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 objetivo de la formación es permitir a los estudiantes combinar conocimientos básicos de odontología con habilidades clínicas dentales y aplicar los conocimientos adquiridos a nuevas situaciones clínicas [6, 7].Las primeras investigaciones sobre la relación entre LS e IS encontraron que ajustar las estrategias de aprendizaje asignadas al LS preferido 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 la aplicación del conocimiento de LS para ayudarlos a diseñar, desarrollar e implementar una instrucción que mejorará la adquisición de un conocimiento y comprensión más profundos de la materia por parte de los estudiantes.Los investigadores han desarrollado varias herramientas de evaluación de LS, como el modelo de aprendizaje experiencial de 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 más utilizados y estudiados.En el trabajo de investigación actual, FSLSM se utiliza para evaluar LS entre estudiantes de odontología.
FSLSM es un modelo ampliamente utilizado para evaluar el aprendizaje adaptativo en ingeniería.Hay muchos trabajos publicados en ciencias de la salud (incluidas medicina, enfermería, farmacia y 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 materiales de aprendizaje, aprender haciendo y tienden a aprender en grupos.El LS “reflexivo” se refiere a aprender pensando y prefiere trabajar solo.La dimensión de “percepción” de LS se puede dividir en “sentimiento” y/o “intuición”.Los estudiantes “sensivos” 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 consta de alumnos "visuales" y "verbales".Las personas con LS “visual” 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 u orales.Para "comprender" las dimensiones de LS, estos alumnos se pueden dividir en "secuenciales" y "globales".“Los estudiantes secuenciales prefieren un proceso de pensamiento lineal y aprenden paso a paso, mientras que los estudiantes 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].A partir de los datos proporcionados, el ML (aprendizaje automático) supervisado es capaz de generar patrones e hipótesis que predicen resultados futuros a partir de la construcción de algoritmos [17].En pocas palabras, las técnicas de aprendizaje automático supervisado manipulan los datos de entrada y entrenan algoritmos.Luego genera un rango que clasifica o predice el resultado basándose en situaciones similares para los datos de entrada proporcionados.La principal ventaja de los algoritmos de aprendizaje automático supervisados es su capacidad para establecer 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 diversos campos, incluidas las ciencias de la salud [18, 19].En este estudio, los desarrolladores del sistema entrenaron específicamente el modelo para identificar los LS de los estudiantes y recomendarles el mejor IS.
El propósito de este estudio es desarrollar estrategias de entrega de IS basadas en los LS de los estudiantes y aplicar el enfoque SCL mediante el desarrollo de una herramienta de recomendación de IS asignada a LS.El flujo de diseño de la herramienta de recomendación IS como estrategia del método SCL se muestra en la Figura 1. La herramienta de recomendación IS se divide en dos partes, incluido el mecanismo de clasificación LS que utiliza ILS y la visualización IS más adecuada 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 de aprendizaje automático de 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 participaron de forma voluntaria estudiantes de la Facultad de Odontología de la Universidad de Malaya.Los participantes respondieron al m-ILS en línea de un estudiante de odontología en inglés.En la fase inicial, se utilizó un conjunto de datos de 50 estudiantes para entrenar el algoritmo de aprendizaje automático del árbol 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 un briefing online al inicio de cada etapa, según el curso académico, a través de Microsoft Teams.Se explicó el propósito del estudio y se obtuvo el consentimiento informado.Todos los participantes recibieron un enlace para acceder al m-ILS.A cada estudiante se le pidió que respondiera los 44 ítems del cuestionario.Se les dio una semana para completar el ILS modificado en un momento y lugar conveniente para ellos durante el receso semestral antes del inicio del semestre.El m-ILS se basa en el instrumento ILS original y está modificado para estudiantes de odontología.Similar al ILS original, contiene 44 ítems distribuidos uniformemente (a, b), con 11 ítems cada uno, que se utilizan para evaluar aspectos de cada dimensión del FSLSM.
Durante las etapas iniciales del desarrollo de la herramienta, 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 estudiante selecciona “a” como respuesta, el LS se clasifica como Activo/Perceptual/Visual/Secuencial, y si el estudiante selecciona “b” como respuesta, el estudiante se clasifica como Reflexivo/Intuitivo/Lingüístico ./ alumno global.
Después de calibrar el flujo de trabajo entre los investigadores de educación odontológica y los desarrolladores de sistemas, se seleccionaron preguntas en función del dominio FLSSM y se incorporaron al modelo ML para predecir el LS de cada estudiante.“Basura entra, basura sale” 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 exactitud del modelo de aprendizaje automático.Durante la fase de ingeniería de funciones, se crea un nuevo conjunto de funciones que es la suma de las respuestas "a" y "b" según FLSSM.Los números de identificación de las posiciones de los medicamentos se dan en la Tabla 1.
Calcule la puntuación en función de las respuestas y determine el LS del estudiante.Para cada estudiante, el rango de puntuación es de 1 a 11. Las puntuaciones de 1 a 3 indican un equilibrio de preferencias de aprendizaje dentro de la misma dimensión, y las puntuaciones de 5 a 7 indican una preferencia moderada, lo que indica que los estudiantes tienden a preferir un entorno que enseña a otros. .Otra variación de la misma dimensión es que las puntuaciones de 9 a 11 reflejan una fuerte preferencia por un extremo u otro [8].
Para cada dimensión, las drogas se agruparon en “activas”, “reflexivas” y “equilibradas”.Por ejemplo, cuando un estudiante responde "a" con más frecuencia que "b" en un ítem designado y su puntuación excede el umbral de 5 para un ítem en particular que representa la dimensión Procesamiento LS, pertenece a la dimensión LS "activa". 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 se encuentra en un estado de “equilibrio”.Si la puntuación no supera los 5 puntos, entonces se trata de un LS de “proceso”.El proceso de clasificación se repitió para las otras dimensiones de LS, a saber, percepción (activa/reflexiva), información (visual/verbal) y comprensión (secuencial/global).
Los modelos de árbol de decisión pueden utilizar diferentes subconjuntos de características y reglas de decisión en diferentes etapas del proceso de clasificación.Se considera una herramienta popular de clasificación y predicción.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 representa los resultados de las pruebas y cada nodo hoja contiene una etiqueta de clase.
Se creó un programa simple basado en reglas para calificar y anotar automáticamente el LS de cada estudiante en función de sus respuestas.Basado en reglas toma la forma de una declaración IF, donde “SI” describe el desencadenante y “ENTONCES” especifica la acción que se realizará, por ejemplo: “Si sucede X, entonces haz Y” (Liu et al., 2014).Si el conjunto de datos muestra correlación y el modelo de árbol de decisión se entrena y evalúa adecuadamente, este enfoque puede ser una forma eficaz de automatizar el proceso de hacer coincidir LS e IS.
En la segunda fase de desarrollo, el conjunto de datos se aumentó a 255 para mejorar la precisión de la herramienta de recomendación.El conjunto de datos se divide en una proporción de 1:4.El 25% (64) del conjunto de datos se utilizó para el conjunto de prueba y el 75% restante (191) se utilizó como conjunto de entrenamiento (Figura 2).Es necesario dividir el conjunto de datos para evitar que el modelo se entrene y pruebe con el mismo conjunto de datos, lo que podría hacer que el modelo recuerde en lugar de aprender.El modelo se entrena en el conjunto de entrenamiento y evalúa su desempeño en el conjunto de prueba: datos que el modelo nunca antes había visto.
Una vez que se desarrolle 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 la información basado en la web se construye utilizando el lenguaje de programación 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 introduce en un modelo de árbol de decisión para calcular y extraer las respuestas de los estudiantes para clasificar automáticamente las mediciones de LS de los estudiantes.
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 desempeño 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, Verdadero Negativo (TN): el modelo predijo correctamente la clase negativa y falso negativo (FN): el modelo predice una clase negativa, pero la etiqueta verdadera es positiva.
Estos valores luego se utilizan para calcular varias métricas de rendimiento del modelo de clasificación scikit-learn en Python, a saber, precisión, precisión, recuperación y puntuación F1.Aquí hay ejemplos:
La recuperación (o sensibilidad) mide la capacidad del modelo para clasificar con precisión el LS de un estudiante después de responder el cuestionario m-ILS.
La especificidad se denomina tasa negativa verdadera.Como puede ver en la fórmula anterior, esta debería ser la proporción de verdaderos negativos (TN) a verdaderos negativos y falsos positivos (FP).Como parte de la herramienta recomendada para clasificar las drogas de los estudiantes, debería ser capaz de realizar una identificación precisa.
El conjunto de datos original de 50 estudiantes utilizado para entrenar el 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 las puntuaciones de LS y las anotaciones de los estudiantes, se utilizó un número cada vez mayor 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 de LS (Figura 4).Utilizando el modelo de árbol de decisión, se predijeron 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 tanto, la precisión general de la herramienta de recomendación es del 100%.
Los valores de exactitud, precisión, recuperación y puntuación F1 se muestran en la Figura 5. Para el sistema de recomendación que utiliza el modelo de árbol de decisión, su puntuación F1 es 1,0 "perfecto", lo que indica precisión y recuperación perfectas, lo que refleja una sensibilidad y especificidad significativas. valores.
La Figura 6 muestra una visualización del modelo de árbol de decisión después de completar el entrenamiento y las pruebas.En una comparación lado a lado, el modelo de árbol de decisión entrenado con menos características mostró una mayor precisión y una visualización del modelo más sencilla.Esto muestra que la ingeniería de funciones que conduce a la reducción de funciones es un paso importante para mejorar el rendimiento del modelo.
Al aplicar el aprendizaje supervisado por árbol de decisión, el mapeo entre LS (entrada) e IS (salida objetivo) 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 de LS.La mayoría (54,3%) tenía dos o más preferencias de LS.El 12,2% de los estudiantes señaló que LS está bastante equilibrada (Tabla 4).Además de los ocho LS principales, existen 34 combinaciones de clasificaciones de LS para estudiantes de odontología de la Universidad de Malaya.Entre ellas, la percepción, la visión y la combinación de percepción y visión son las principales EC reportadas por los estudiantes (Figura 7).
Como se puede observar en la Tabla 4, la mayoría de los estudiantes tenían una LS predominante sensorial (13,7%) o visual (8,6%).Se informó que el 12,2% de los estudiantes combinaron la percepción con la visión (LS perceptivo-visual).Estos hallazgos sugieren que los estudiantes prefieren aprender y recordar a través de métodos establecidos, seguir procedimientos específicos y detallados y ser atentos por naturaleza.Al mismo tiempo, disfrutan aprendiendo mirando (usando diagramas, etc.) y tienden a discutir y aplicar la información en grupos o solos.
Este estudio proporciona una descripción general de las técnicas de aprendizaje automático utilizadas en la minería de datos, centrándose en predecir de forma instantánea y precisa el LS de los estudiantes y recomendar el IS adecuado.La aplicación de un modelo de árbol de decisión identificó los factores más estrechamente relacionados con sus experiencias de vida y educativas.Es un algoritmo de aprendizaje automático supervisado que utiliza una estructura de árbol para clasificar datos dividiendo un conjunto de datos en subcategorías según ciertos criterios.Funciona dividiendo recursivamente los datos de entrada en subconjuntos según el valor de una de las características de entrada de cada nodo interno hasta que se toma una decisión en el nodo hoja.
Los nodos internos del árbol de decisión representan la solución basada en las características de entrada del problema m-ILS, y los nodos hoja representan la predicción de clasificación LS final.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 y la ingeniería, los algoritmos de aprendizaje automático se utilizan ampliamente para predecir el rendimiento de los estudiantes en función de las puntuaciones de sus exámenes de ingreso [21], información demográfica y comportamiento de aprendizaje [22].La investigación demostró que el algoritmo predijo con precisión el desempeño de los estudiantes y les ayudó a identificar a los estudiantes en riesgo de sufrir dificultades académicas.
Se informa la aplicación de algoritmos de ML en el desarrollo de simuladores de pacientes virtuales para la formación odontológica.El simulador es capaz de reproducir con precisión las respuestas fisiológicas de pacientes reales y puede utilizarse para formar a estudiantes de odontología en un entorno seguro y controlado [23].Varios otros estudios muestran que los algoritmos de aprendizaje automático pueden mejorar potencialmente la calidad y eficiencia de la educación médica y dental y la atención al paciente.Se han utilizado algoritmos de aprendizaje automático para ayudar en el diagnóstico de enfermedades dentales basándose en 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 de los pacientes, identificar pacientes de alto riesgo, desarrollar planes de tratamiento personalizados [26], tratamiento periodontal [27] y tratamiento de caries [25].
Aunque se han publicado informes sobre la aplicación del aprendizaje automático en odontología, su aplicación en la educación odontológica 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 e IS 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 profesores pueden beneficiarse de esta herramienta.Al utilizar un proceso de clasificación basado en datos, puede proporcionar recomendaciones personalizadas y mejorar las experiencias y los 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 profesores y las necesidades de aprendizaje de los estudiantes.Por ejemplo, debido a la salida automatizada de las herramientas de recomendación, el tiempo necesario para identificar la IP de un estudiante y relacionarla con la IP correspondiente se reducirá significativamente.De esta manera se pueden organizar actividades y materiales de formación adecuados.Esto ayuda a desarrollar el comportamiento de aprendizaje positivo y la capacidad de concentración de los estudiantes.Un estudio informó que proporcionar a los estudiantes materiales y actividades de aprendizaje que coincidan con su LS preferido puede ayudarlos a integrar, procesar y disfrutar el aprendizaje de múltiples maneras para lograr un mayor potencial [12].Las investigaciones también muestran que, además de mejorar la participación de los estudiantes en el aula, comprender el proceso de aprendizaje de los estudiantes también desempeña un papel fundamental en la mejora de las prácticas docentes y la comunicación con los estudiantes [28, 29].
Sin embargo, como ocurre con cualquier tecnología moderna, existen problemas y limitaciones.Estos incluyen cuestiones relacionadas con la privacidad, el sesgo y la equidad de los datos, y las habilidades y recursos profesionales necesarios para desarrollar e implementar algoritmos de aprendizaje automático en la educación dental;Sin embargo, el creciente interés y la investigación en esta área sugieren que las tecnologías de aprendizaje automático pueden tener un impacto positivo en la educación y los servicios dentales.
Los resultados de este estudio indican que la mitad de los estudiantes de odontología tienen tendencia a “percibir” las drogas.Este tipo de alumno tiene preferencia por hechos y ejemplos concretos, una orientación práctica, paciencia para los detalles y una preferencia LS “visual”, donde los alumnos prefieren utilizar imágenes, gráficos, colores y mapas para transmitir ideas y pensamientos.Los resultados actuales son consistentes con otros estudios que utilizan ILS para evaluar LS en estudiantes de odontología y 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 sostienen que cuando los profesores comprenden plenamente el proceso educativo de los estudiantes, se pueden implementar diversos métodos y actividades de enseñanza que mejorarán el rendimiento y la experiencia de aprendizaje de los estudiantes [12, 31, 32].Otros estudios han demostrado que ajustar la LS de los estudiantes también muestra mejoras en la experiencia de aprendizaje y el rendimiento de los estudiantes después de cambiar sus estilos de aprendizaje para adaptarlos a su propia LS [13, 33].
Las opiniones de los docentes pueden variar 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 oportunidades de desarrollo profesional, tutoría y apoyo comunitario, otros pueden estar preocupados por el tiempo y el apoyo institucional.Esforzarse por lograr el equilibrio es clave para crear una actitud centrada en el estudiante.Las autoridades de educación superior, como los administradores universitarios, pueden desempeñar un papel importante a la hora de impulsar cambios positivos introduciendo prácticas innovadoras y apoyando el desarrollo del profesorado [34].Para crear un sistema de educación superior verdaderamente dinámico y receptivo, los formuladores de políticas deben tomar medidas audaces, como realizar cambios en las políticas, dedicar recursos a la integración tecnológica y crear marcos que promuevan enfoques centrados en los estudiantes.Estas medidas son fundamentales 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 docentes [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 deberían recopilar más datos para comparar el rendimiento de diferentes modelos de aprendizaje automático y comparar la exactitud, confiabilidad y precisión de las herramientas de recomendación.Además, al elegir el método de aprendizaje automático más apropiado para una tarea particular, es importante considerar otros factores como la complejidad y la interpretación del modelo.
Una limitación de este estudio es que solo se centró en mapear LS e IS entre 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 aprendizaje automático recientemente desarrollada es capaz de clasificar y relacionar instantáneamente los LS de los estudiantes con el IS correspondiente, lo que lo convierte en el primer programa de educación dental que ayuda a los educadores dentales a planificar actividades de enseñanza y aprendizaje relevantes.Al utilizar un proceso de clasificación basado en datos, puede proporcionar recomendaciones personalizadas, ahorrar tiempo, mejorar las estrategias de enseñanza, respaldar intervenciones específicas y promover el desarrollo profesional continuo.Su aplicación promoverá enfoques de educación odontológica centrados en el estudiante.
Prensa asociada de Gilak Jani.Coincidencia o desajuste entre el estilo de aprendizaje del alumno y el estilo de enseñanza del profesor.Int J Mod Educ Ciencias de la Computación.2012;4(11):51–60.https://doi.org/10.5815/ijmecs.2012.11.05
Hora de publicación: 29 de abril de 2024