Existe una creciente necesidad de aprendizaje centrado en el estudiante (ACE) en las instituciones de educación superior, incluida la odontología. Sin embargo, el ACE tiene una aplicación limitada en la educación odontológica. Por lo tanto, este estudio tiene como objetivo promover la aplicación del ACE en odontología mediante el uso de la tecnología de aprendizaje automático (AA) de árboles de decisión para mapear el estilo de aprendizaje (EA) preferido y las estrategias de aprendizaje (EA) correspondientes de los estudiantes de odontología como una herramienta útil para desarrollar directrices de EA. Métodos prometedores para estudiantes de odontología.
Un total de 255 estudiantes de odontología de la Universidad de Malaya completaron el cuestionario modificado del Índice de Estilos de Aprendizaje (m-ILS), que consta de 44 ítems para clasificarlos según sus respectivos estilos de aprendizaje. Los datos recopilados (denominados conjunto de datos) se utilizan en un modelo de aprendizaje supervisado basado en árboles de decisión para relacionar automáticamente los estilos de aprendizaje de los estudiantes con el estilo de aprendizaje más adecuado. Posteriormente, se evalúa la precisión de la herramienta de recomendación de estilos de aprendizaje 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 de inmediato una lista de estrategias de aprendizaje adecuadas para cada estudiante de odontología. La herramienta de recomendación de IS demostró una precisión y recuperación perfectas de la precisión general del modelo, lo que indica que la correspondencia entre LS e IS tiene buena sensibilidad y especificidad.
Una herramienta de recomendación de sistemas de información basada en un árbol de decisión de aprendizaje automático ha demostrado su capacidad para relacionar con precisión los estilos de aprendizaje de los estudiantes de odontología con las estrategias de aprendizaje adecuadas. Esta herramienta ofrece opciones eficaces para planificar cursos o módulos centrados en el estudiante que pueden mejorar su experiencia de aprendizaje.
La enseñanza y el aprendizaje son actividades fundamentales en las instituciones educativas. Al desarrollar un sistema de formación profesional 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 estilo de aprendizaje (EA). Las investigaciones sugieren que las discrepancias intencionadas del profesor entre el EA y el estilo de aprendizaje (EA) de los estudiantes pueden tener consecuencias negativas para el aprendizaje, como una disminución de la atención y la motivación. Esto afectará indirectamente al rendimiento estudiantil [1,2].
La IS es un método utilizado por los docentes para impartir conocimientos y habilidades a los estudiantes, incluyendo la ayuda en el aprendizaje [3]. En general, los buenos docentes planifican estrategias de enseñanza o IS que mejor se ajustan al nivel de conocimiento de sus estudiantes, los conceptos que están aprendiendo y su etapa de aprendizaje. Teóricamente, 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 docentes 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, incluyendo 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 docentes actúan como facilitadores y son responsables de brindar retroalimentación valiosa. Se afirma que proporcionar materiales y actividades de aprendizaje adecuados al nivel educativo o las preferencias de los estudiantes puede mejorar su entorno de aprendizaje 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 formación es capacitar a los estudiantes para combinar el conocimiento básico de odontología con las habilidades clínicas dentales y aplicar el conocimiento adquirido a nuevas situaciones clínicas [6, 7]. Investigaciones previas sobre la relación entre el estilo de aprendizaje (EA) y el estilo de aprendizaje (EA) encontraron que ajustar las estrategias de aprendizaje según el EA 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 docentes se benefician al aplicar el conocimiento de los estilos de aprendizaje (EA) para diseñar, desarrollar e implementar una instrucción que mejore la adquisición de conocimientos y la comprensión más profunda de la materia por parte de los estudiantes. Los investigadores han desarrollado varias herramientas de evaluación de los EA, como el Modelo de Aprendizaje Experiencial de Kolb, el Modelo de Estilos de Aprendizaje de Felder-Silverman (FSLSM) y el Modelo VAK/VARK de Fleming [5, 9, 10]. Según la literatura, estos modelos de aprendizaje son los más utilizados y estudiados. En el presente trabajo de investigación, se utiliza el FSLSM para evaluar los EA entre los estudiantes de odontología.
FSLSM es un modelo ampliamente utilizado para evaluar el aprendizaje adaptativo en ingeniería. Existen numerosos trabajos publicados en ciencias de la salud (incluyendo medicina, enfermería, farmacia y odontología) que utilizan modelos FSLSM [5, 11, 12, 13]. El instrumento utilizado para medir las dimensiones de LS en el FLSM se denomina Índice de Estilos de Aprendizaje (ILS) [8], que contiene 44 ítems que evalúan cuatro dimensiones de LS: procesamiento (activo/reflexivo), percepción (perceptual/intuitivo), entrada (visual/verbal) y comprensión (secuencial/global) [14].
Como se muestra en la Figura 1, cada dimensión del FSLSM tiene una preferencia dominante. Por ejemplo, en la dimensión de procesamiento, los estudiantes con LS “activo” prefieren procesar la información interactuando directamente con los materiales de aprendizaje, aprenden haciendo y tienden a aprender en grupo. El LS “reflexivo” se refiere al aprendizaje a través del pensamiento y prefiere trabajar solo. La dimensión “perceptiva” del LS se puede dividir en “sentimiento” y/o “intuición”. Los estudiantes “sentimiento” prefieren información más concreta y procedimientos prácticos, están orientados a los hechos en comparación con los estudiantes “intuitivos”, que prefieren material abstracto y son más innovadores y creativos por naturaleza. La dimensión “entrada” del LS consta de aprendices “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 “entender” las dimensiones del LS, estos aprendices 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, incluyendo el desarrollo de nuevos algoritmos y modelos capaces de interpretar grandes cantidades de datos [15, 16]. A partir de los datos proporcionados, el aprendizaje automático supervisado (ML supervisado) puede generar patrones e hipótesis que predicen resultados futuros mediante la construcción de algoritmos [17]. En resumen, las técnicas de aprendizaje automático supervisado manipulan los datos de entrada y entrenan algoritmos. Luego, generan 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 supervisado 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 la 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, el modelo fue entrenado específicamente por los desarrolladores del sistema para identificar la LS de los estudiantes y recomendarles el mejor IS.
El objetivo de este estudio es desarrollar estrategias de entrega de sistemas de información (SI) basadas en las habilidades de aprendizaje (SA) de los estudiantes y aplicar el enfoque SCL mediante el desarrollo de una herramienta de recomendación de SI mapeada a las SA. El flujo de diseño de la herramienta de recomendación de SI como estrategia del método SCL se muestra en la Figura 1. La herramienta de recomendación de SI se divide en dos partes: el mecanismo de clasificación de SA mediante el Sistema Integrado de Aprendizaje (SIA) y la visualización de SI más adecuada para los estudiantes.
En concreto, las herramientas de recomendación de seguridad de la información se caracterizan por el uso de tecnologías web y el aprendizaje automático basado en árboles de decisión. Los desarrolladores de sistemas mejoran la experiencia del usuario y la movilidad adaptándolas a dispositivos móviles como teléfonos y tabletas.
El experimento se llevó a cabo en dos etapas y contó con la participación voluntaria de estudiantes de la Facultad de Odontología de la Universidad de Malaya. Los participantes respondieron a un cuestionario m-ILS en línea diseñado para estudiantes de odontología, en inglés. En la fase inicial, se utilizó un conjunto de datos de 50 estudiantes para entrenar el algoritmo de aprendizaje automático de árbol de decisión. En la segunda fase del proceso de desarrollo, se empleó un conjunto de datos de 255 estudiantes para mejorar la precisión del instrumento desarrollado.
Todos los participantes reciben una sesión informativa en línea al inicio de cada etapa, según el año académico, a través de Microsoft Teams. Se les explicó el propósito del estudio y se obtuvo el consentimiento informado. Todos los participantes recibieron un enlace para acceder al m-ILS. Cada estudiante recibió instrucciones para responder los 44 ítems del cuestionario. Se les dio una semana para completar el ILS modificado en el momento y lugar que les resultara conveniente durante el receso semestral previo al inicio del semestre. El m-ILS se basa en el instrumento ILS original y se ha modificado para estudiantes de odontología. Al igual que el 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. / aprendiz global.
Tras calibrar el flujo de trabajo entre los investigadores de educación dental y los desarrolladores del sistema, se seleccionaron preguntas basadas en el dominio FLSSM y se introdujeron en el modelo de aprendizaje automático para predecir el LS de cada estudiante. "Si introduces datos erróneos, obtendrás resultados erróneos" es un dicho popular en el campo del aprendizaje automático, que enfatiza la importancia de 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 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 las posiciones de los fármacos se muestran en la Tabla 1.
Calcula la puntuación basándote en las respuestas y determina el LS del estudiante. Para cada estudiante, el rango de puntuación va 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 de enseñanza para los demás. Otra variación en la misma dimensión es que las puntuaciones de 9 a 11 reflejan una fuerte preferencia por un extremo u otro [8].
Para cada dimensión, los fármacos se agruparon en “activos”, “reflexivos” y “equilibrados”. Por ejemplo, cuando un estudiante responde “a” con más frecuencia que “b” en un ítem designado y su puntuación supera el umbral de 5 para un ítem particular que representa la dimensión Procesamiento LS, pertenece al dominio “activo” LS. Sin embargo, los estudiantes se clasificaron como “reflexivos” LS 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 “procesamiento” LS. El proceso de clasificación se repitió para las otras dimensiones LS, a saber, percepción (activa/reflexiva), entrada (visual/verbal) y comprensión (secuencial/global).
Los modelos de árbol de decisión pueden utilizar diferentes subconjuntos de características y reglas de decisión en distintas etapas del proceso de clasificación. Se considera una herramienta popular de clasificación y predicción. Se puede representar mediante 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 sencillo basado en reglas para calificar y anotar automáticamente las habilidades de aprendizaje de cada estudiante según sus respuestas. Este programa se basa en una instrucción condicional (SI), donde "SI" describe el desencadenante y "ENTONCES" especifica la acción a realizar; por ejemplo: "Si ocurre X, entonces hacer Y" (Liu et al., 2014). Si el conjunto de datos presenta correlación y el modelo de árbol de decisión se entrena y evalúa correctamente, este enfoque puede ser una forma eficaz de automatizar el proceso de emparejamiento entre habilidades de aprendizaje y habilidades de aprendizaje.
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 dividió en una proporción de 1:4. El 25 % (64) se utilizó para el conjunto de prueba y el 75 % restante (191) para el conjunto de entrenamiento (Figura 2). Esta división evita que el modelo se entrene y se pruebe con el mismo conjunto de datos, lo que podría provocar que el modelo memorice en lugar de aprender. El modelo se entrena con el conjunto de entrenamiento y evalúa su rendimiento con el conjunto de prueba, datos que el modelo nunca ha visto antes.
Una vez desarrollada la herramienta de seguridad de la información, la aplicación podrá clasificar los riesgos de seguridad de la información (LS) según las respuestas de los estudiantes de odontología a través de una interfaz web. El sistema de recomendación de seguridad de la información basado en la web está desarrollado en Python, utilizando el framework 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 y clasificar automáticamente las mediciones de habilidades de aprendizaje 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 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 (VP): el modelo predijo correctamente la categoría positiva; Falso Positivo (FP): el modelo predijo la categoría positiva, pero la etiqueta real era negativa; Verdadero Negativo (VN): el modelo predijo correctamente la clase negativa; y Falso Negativo (FN): el modelo predice una clase negativa, pero la etiqueta real es positiva.
Estos valores se utilizan posteriormente para calcular diversas métricas de rendimiento del modelo de clasificación scikit-learn en Python, a saber, precisión, exhaustividad y puntuación F1. Aquí hay algunos ejemplos:
La sensibilidad (o recuperación) mide la capacidad del modelo para clasificar con precisión el nivel de competencia lingüística de un estudiante después de responder al cuestionario m-ILS.
La especificidad se denomina tasa de verdaderos negativos. Como se puede observar en la fórmula anterior, esta debe ser la proporción de verdaderos negativos (VN) con respecto a los verdaderos negativos y los falsos positivos (FP). Como parte de la herramienta recomendada para clasificar las drogas consumidas por los estudiantes, debe ser capaz de realizar una identificación precisa.
El conjunto de datos original de 50 estudiantes utilizado para entrenar el modelo de aprendizaje automático de árbol de decisión mostró una precisión relativamente baja debido a errores humanos en las anotaciones (Tabla 3). Tras crear un programa sencillo basado en reglas para calcular automáticamente las puntuaciones LS y las anotaciones de los estudiantes, se utilizó un número creciente de conjuntos de datos (255) para entrenar y probar el sistema de recomendación.
En la matriz de confusión multiclase, los elementos de la diagonal 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 de la diagonal muestran los resultados esperados, lo que indica que el modelo funciona bien y predice con precisión la etiqueta de clase para cada clasificación de LS. En consecuencia, la precisión general de la herramienta de recomendación es del 100 %.
Los valores de exactitud, precisión, exhaustividad 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 una precisión y exhaustividad perfectas, reflejando valores significativos de sensibilidad y especificidad.
La Figura 6 muestra una visualización del modelo de árbol de decisión una vez finalizados el entrenamiento y las pruebas. En una comparación directa, el modelo de árbol de decisión entrenado con menos características mostró mayor precisión y una visualización más sencilla. Esto demuestra que la ingeniería de características, que conduce a la reducción de características, es un paso importante para mejorar el rendimiento del modelo.
Mediante la aplicación del aprendizaje supervisado basado en árboles de decisión, se genera automáticamente la correspondencia entre LS (entrada) e IS (salida objetivo), la cual 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 equilibrado (Tabla 4). Además de los ocho LS principales, existen 34 combinaciones de clasificaciones de LS para los estudiantes de odontología de la Universidad de Malaya. Entre ellas, la percepción, la visión y la combinación de percepción y visión son los principales LS reportados por los estudiantes (Figura 7).
Como se puede observar en la Tabla 4, la mayoría de los estudiantes presentaban un estilo de aprendizaje predominantemente sensorial (13,7 %) o visual (8,6 %). Se informó que el 12,2 % de los estudiantes combinaban la percepción con la visión (estilo de aprendizaje perceptivo-visual). Estos hallazgos sugieren que los estudiantes prefieren aprender y recordar mediante métodos establecidos, siguen procedimientos específicos y detallados, y son personas atentas. Asimismo, disfrutan aprendiendo a través de la observación (utilizando diagramas, etc.) y tienden a debatir y aplicar la información en grupo o individualmente.
Este estudio ofrece una visión general de las técnicas de aprendizaje automático utilizadas en la minería de datos, centrándose en la predicción instantánea y precisa de las experiencias vitales de los estudiantes y en la recomendación de estrategias de apoyo adecuadas. La aplicación de un modelo de árbol de decisión permitió identificar los factores más estrechamente relacionados con sus experiencias vitales y educativas. Se trata de 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 final de la clasificación LS. A lo largo del estudio, resulta 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 estudiantil basándose en sus calificaciones en el examen de ingreso [21], información demográfica y comportamiento de aprendizaje [22]. La investigación demostró que el algoritmo predijo con precisión el rendimiento estudiantil y ayudó a identificar a los estudiantes en riesgo de tener dificultades académicas.
Se informa sobre la aplicación de algoritmos de aprendizaje automático 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 capacitar 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 la eficiencia de la educación odontológica y médica y la atención al paciente. Los algoritmos de aprendizaje automático se han utilizado 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 resultados de pacientes, identificar pacientes de alto riesgo, desarrollar planes de tratamiento personalizados [26], tratamiento periodontal [27] y tratamiento de caries [25].
Si bien 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 relacionados con el aprendizaje y la seguridad en la práctica entre los estudiantes de odontología.
Los resultados de este estudio muestran que la herramienta de recomendación desarrollada tiene una alta precisión, lo que indica que los docentes pueden beneficiarse de ella. Mediante un proceso de clasificación basado en datos, puede proporcionar recomendaciones personalizadas y mejorar las experiencias y los resultados educativos tanto para educadores como para estudiantes. Entre ellos, la información obtenida a través de las herramientas de recomendación puede resolver conflictos entre los métodos de enseñanza preferidos por los docentes y las necesidades de aprendizaje de los estudiantes. Por ejemplo, debido a la automatización de la salida de las herramientas de recomendación, el tiempo necesario para identificar el IP de un estudiante y relacionarlo con el IP correspondiente se reducirá significativamente. De esta manera, se pueden organizar actividades y materiales de capacitación adecuados. Esto ayuda a desarrollar el comportamiento de aprendizaje positivo de los estudiantes y su capacidad de concentración. 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 del aprendizaje de múltiples maneras para alcanzar 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 ocurre con cualquier tecnología moderna, existen problemas y limitaciones. Estos incluyen cuestiones relacionadas con la privacidad de los datos, los sesgos y la equidad, así como las habilidades y los recursos profesionales necesarios para desarrollar e implementar algoritmos de aprendizaje automático en la formación odontológica. No obstante, el creciente interés y la investigación en este campo sugieren que las tecnologías de aprendizaje automático pueden tener un impacto positivo en la formación y los servicios odontológicos.
Los resultados de este estudio indican que la mitad de los estudiantes de odontología tienen una tendencia a "percibir" los medicamentos. Este tipo de estudiante tiene preferencia por los hechos y los ejemplos concretos, una orientación práctica, paciencia para los detalles y una preferencia por un estilo de aprendizaje visual, donde los estudiantes prefieren usar imágenes, gráficos, colores y mapas para transmitir ideas y pensamientos. Los resultados actuales son consistentes con otros estudios que utilizan el Sistema Integrado de Aprendizaje (SIA) para evaluar el SAA en estudiantes de odontología y medicina, la mayoría de los cuales tienen características de SAA perceptual y visual [12, 30]. Dalmolin et al. sugieren que informar a los estudiantes sobre su SAA les permite alcanzar su potencial de aprendizaje. Los investigadores argumentan que cuando los docentes 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 el SAA 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 propio SAA [13, 33].
Las opiniones de los docentes pueden variar con respecto a la implementación de estrategias de enseñanza basadas en las capacidades de aprendizaje de los estudiantes. Si bien algunos ven los beneficios de este enfoque, incluyendo oportunidades de desarrollo profesional, mentoría y apoyo comunitario, otros pueden estar preocupados por el tiempo y el apoyo institucional. Buscar 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 en impulsar un cambio positivo mediante la introducción de prácticas innovadoras y el apoyo al desarrollo docente [34]. Para crear un sistema de educación superior verdaderamente dinámico y receptivo, los responsables políticos deben tomar medidas audaces, como realizar cambios en las políticas, destinar recursos a la integración de la tecnología y crear marcos que promuevan enfoques centrados en el estudiante. Estas medidas son fundamentales para lograr los resultados deseados. Investigaciones recientes sobre la instrucción diferenciada han demostrado claramente que su implementación exitosa requiere oportunidades continuas de capacitación y desarrollo para los docentes [35].
Esta herramienta ofrece un valioso apoyo a los docentes de odontología que desean adoptar un enfoque centrado en el estudiante para planificar actividades de aprendizaje amigables. Sin embargo, este estudio se limita al uso de modelos de aprendizaje automático basados en árboles de decisión. En el futuro, se deberían recopilar más datos para comparar el rendimiento de diferentes modelos de aprendizaje automático y así evaluar la precisión, confiabilidad y exactitud de las herramientas de recomendación. Además, al elegir el método de aprendizaje automático más adecuado para una tarea específica, es importante considerar otros factores como la complejidad e interpretación del modelo.
Una limitación de este estudio es que se centró únicamente en el mapeo de habilidades de aprendizaje y habilidades de apoyo entre estudiantes de odontología. Por lo tanto, el sistema de recomendación desarrollado solo recomendará aquellos que sean adecuados para estudiantes de odontología. Se requieren modificaciones para su uso general por parte de estudiantes de educación superior.
La herramienta de recomendación basada en aprendizaje automático, de reciente desarrollo, es capaz de clasificar y relacionar instantáneamente el nivel de aprendizaje de los estudiantes con su nivel de conocimientos correspondiente, convirtiéndose así en el primer programa de educación odontológica que ayuda a los docentes a planificar actividades de enseñanza y aprendizaje pertinentes. Mediante un proceso de triaje basado en datos, ofrece recomendaciones personalizadas, ahorra tiempo, mejora las estrategias de enseñanza, apoya intervenciones específicas y promueve el desarrollo profesional continuo. Su aplicación impulsará enfoques centrados en el estudiante para la educación odontológica.
Gilak Jani, Associated Press. Coincidencia o discrepancia entre el estilo de aprendizaje del estudiante y el estilo de enseñanza del profesor. Int J Mod Educ Computer Science. 2012;4(11):51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Fecha de publicación: 29 de abril de 2024