Ci hè una necessità crescente per l'apprendimentu centratu nantu à i studienti (SCL) in istituzioni d'istruzione superiore, cumpresa l'odontoiatria.Tuttavia, SCL hà una applicazione limitata in l'educazione dentale.Dunque, stu studiu hà per scopu di prumove l'applicazione di SCL in odontoiatria aduprendu a tecnulugia di l'apprendimentu automaticu di l'arbre di decisione (ML) per mappe u stilu d'apprendimentu preferitu (LS) è e strategie di apprendimentu currispondenti (IS) di i studienti dentali cum'è un strumentu utile per sviluppà linee guida IS. .Metudi promettenti per i studienti dentali.
Un totale di 255 studenti dentali da l'Università di Malaya hà cumpletu u questionariu mudificatu Index of Learning Styles (m-ILS), chì cuntene 44 elementi per classificà in i so rispettivi LS.I dati raccolti (chjamati un set di dati) sò usati in l'apprendimentu di l'arburu di decisione supervisatu per abbinà automaticamente i stili di apprendimentu di i studienti à l'IS più apprupriatu.L'accuratezza di l'utile di raccomandazione IS basatu nantu à l'apprendimentu automaticu hè poi valutata.
L'applicazione di mudelli di l'arburu di decisione in un prucessu di mappatura automatizatu trà LS (input) è IS (output target) permette una lista immediata di strategie di apprendimentu adattate per ogni studiente dentale.L'instrumentu di raccomandazione IS hà dimustratu una precisione perfetta è ricurdamentu di a precisione generale di u mudellu, chì indica chì l'accordu LS à IS hà una bona sensibilità è specificità.
Un strumentu di raccomandazione IS basatu annantu à un arbre di decisione ML hà dimustratu a so capacità di abbinà accuratamente i stili di apprendimentu di i studienti dentali cù strategie di apprendimentu adatte.Stu strumentu furnisce opzioni putenti per a pianificazione di corsi o moduli centrati in i studienti chì ponu migliurà l'esperienza di apprendimentu di i studienti.
L'insignamentu è l'apprendimentu sò attività fundamentali in l'istituzioni educative.Quandu si sviluppa un sistema di educazione prufessiunale di alta qualità, hè impurtante di fucalizza nantu à i bisogni di apprendimentu di i studienti.L'interazzione trà i studienti è u so ambiente di apprendimentu pò esse determinata da u so LS.A ricerca suggerisce chì i scontri intenzioni di i prufessori trà LS è IS di i studienti ponu avè cunsequenze negative per l'apprendimentu di i studienti, cum'è una diminuzione d'attenzione è di motivazione.Questu affetterà indirettamente u rendiment di i studienti [1,2].
IS hè un metudu utilizatu da i prufessori per impartisce cunniscenze è cumpetenze à i studienti, cumpresu l'aiutu à i studienti à amparà [3].In generale, i boni maestri prughjettanu strategie d'insignamentu o IS chì currispondenu megliu à u livellu di cunniscenza di i so studienti, à i cuncetti ch'elli amparanu è à u so stadiu di apprendimentu.In teoria, quandu LS è IS currispondenu, i studienti puderanu urganizà è aduprà un settore specificu di cumpetenze per amparà in modu efficace.Di genere, un pianu di lezioni include parechje transizioni trà e tappe, cum'è da l'insignamentu à a pratica guidata o da a pratica guidata à a pratica indipendente.Cù questu in mente, i prufessori efficaci spessu pianificanu l'istruzione cù u scopu di custruisce a cunniscenza è e cumpetenze di i studienti [4].
A dumanda di SCL cresce in istituzioni d'istruzione superiore, cumpresa l'odontoiatria.E strategie SCL sò pensate per risponde à i bisogni di apprendimentu di i studienti.Questu pò esse rializatu, per esempiu, se i studienti participanu attivamente à l'attività di apprendimentu è i prufessori agiscenu cum'è facilitatori è sò rispunsevuli di furnisce un feedback preziosu.Si dice chì furnisce materiali di apprendimentu è attività chì sò adattati à u livellu educativu o preferenze di i studienti ponu migliurà l'ambiente di apprendimentu di i studienti è prumove l'esperienze di apprendimentu pusitivu [5].
In generale, u prucessu di apprendimentu di i studienti dentali hè influenzatu da e diverse prucedure cliniche chì sò tenuti à eseguisce è da l'ambiente clinicu in quale sviluppanu capacità interpersonali efficaci.U scopu di a furmazione hè di permette à i studienti di cumminà a cunniscenza di basa di l'odontoiatria cù e cumpetenze cliniche dentali è di applicà a cunniscenza acquistata à novi situazioni cliniche [6, 7].A ricerca iniziale nantu à a relazione trà LS è IS hà truvatu chì l'aghjustà e strategie di apprendimentu mappate à u LS preferitu aiutaria à migliurà u prucessu educativu [8].L'autori ricumandenu ancu di utilizà una varietà di metudi d'insignamentu è di valutazione per adattà à l'apprendimentu è i bisogni di i studienti.
I prufessori prufittà di l'applicazione di a cunniscenza LS per aiutà à cuncepisce, sviluppà è implementà una struzzione chì aumenterà l'acquistu di i studienti di cunniscenze più profonde è di capiscitura di a materia.I ricercatori anu sviluppatu parechji strumenti di valutazione LS, cum'è u Modellu d'Apprendimentu Esperienziale Kolb, u Modellu di Stile di Apprendimentu Felder-Silverman (FSLSM), è u Modellu Fleming VAK / VARK [5, 9, 10].Sicondu a literatura, sti mudelli di apprendimentu sò i mudelli di apprendimentu più cumuni è più studiati.In u travagliu di ricerca attuale, FSLSM hè adupratu per valutà LS trà i studienti dentali.
FSLSM hè un mudellu largamente utilizatu per valutà l'apprendimentu adattativu in ingegneria.Ci hè parechje opere publicate in e scienze di a salute (cumpresa a medicina, l'infermiera, a farmacia è l'odontoiatria) chì ponu esse truvate cù mudelli FSLSM [5, 11, 12, 13].L'instrumentu utilizatu per misurà e dimensioni di LS in u FLSM hè chjamatu Index of Learning Styles (ILS) [8], chì cuntene 44 articuli chì valutanu quattru dimensioni di LS: processing (attivu / riflettente), percepzioni (perceptive / intuitive), input (visuale)./verbale) è capiscitura (sequenziale/globale) [14].
Comu mostra in a Figura 1, ogni dimensione FSLSM hà una preferenza dominante.Per esempiu, in a dimensione di trasfurmazioni, i studienti cù LS "attivu" preferiscenu processà l'infurmazioni interagiscendu direttamente cù i materiali di apprendimentu, amparanu per fà, è tendenu à amparà in gruppi.U LS "riflettente" si riferisce à l'apprendimentu attraversu u pensamentu è preferisce travaglià solu.A dimensione "perceive" di LS pò esse divisa in "sentimentu" è / o "intuizione".I studienti "Feeling" preferanu infurmazioni più cuncrete è prucedure pratiche, sò orientati à i fatti paragunati à i studienti "intuitivi" chì preferanu materiale astrattu è sò più innovatori è creativi in natura.A dimensione "input" di LS hè custituita da studienti "visivi" è "verbali".E persone cun LS "visuale" preferiscenu amparà attraversu manifestazioni visuali (cum'è diagrammi, video, o manifestazioni in diretta), mentre chì e persone cun LS "verbali" preferiscenu amparà à traversu e parolle in spiegazioni scritte o orali.Per "capisce" e dimensioni LS, tali studienti ponu esse divisi in "sequenziale" è "globale"."I studienti sequenziali preferanu un prucessu di pensamentu lineale è amparanu passu per passu, mentre chì i studienti glubale tendenu à avè un prucessu di pensamentu olisticu è avè sempre una megliu comprensione di ciò chì imparanu.
Ricertamenti, assai circadori anu cuminciatu à spiegà metudi per a scuperta automatica guidata da dati, cumpresu u sviluppu di novi algoritmi è mudelli capaci di interpretà una grande quantità di dati [15, 16].Basatu nantu à i dati furniti, ML (apprendimentu automaticu) supervisatu hè capaci di generà mudelli è ipotesi chì predicanu risultati futuri basati nantu à a custruzzione di algoritmi [17].Simply put, tecnichi di apprendimentu automaticu supervisatu manipulanu i dati di input è furmà l'algoritmi.Allora genera un intervallu chì classifica o predice u risultatu basatu annantu à situazioni simili per i dati di input furniti.U vantaghju principalu di l'algoritmi di apprendimentu automaticu supervisatu hè a so capacità di stabilisce risultati ideali è desiderati [17].
Attraversu l'usu di metudi di dati-driven è mudelli di cuntrollu di l'arburu di decisione, a rilevazione automatica di LS hè pussibule.L'arbureti di decisione sò stati rappurtati chì sò largamente usati in i prugrammi di furmazione in diversi campi, cumprese e scienze di a salute [18, 19].In questu studiu, u mudellu hè statu furmatu specificamente da i sviluppatori di u sistema per identificà i LS di i studienti è ricumandemu u megliu IS per elli.
U scopu di stu studiu hè di sviluppà strategie di consegna IS basate nantu à LS di i studienti è applicà l'approcciu SCL sviluppendu un strumentu di raccomandazione IS mappatu à LS.U flussu di designu di l'uttellu di ricunniscenza IS cum'è una strategia di u metudu SCL hè mostratu in a Figura 1. L'uttellu di ricunniscenza IS hè divisu in dui parti, cumpresu u mecanismu di classificazione LS cù ILS è a visualizazione IS più adatta per i studienti.
In particulare, e caratteristiche di i strumenti di ricunniscenza di a sicurità di l'infurmazioni includenu l'usu di tecnulugii web è l'usu di l'apprendimentu automaticu di l'arbre di decisione.I sviluppatori di u sistema migliurà l'esperienza di l'utilizatori è a mobilità adattendu à i dispositi mobili cum'è i telefunini è i tablette.
L'esperimentu hè statu realizatu in duie tappe è i studienti di a Facultà di Odontoiatria di l'Università di Malaya anu participatu in modu voluntariu.I participanti anu rispostu à un m-ILS in linea di un studiente dentale in inglese.In a fase iniziale, un inseme di dati di 50 studienti hè statu utilizatu per furmà l'algoritmu di apprendimentu automaticu di l'arbre di decisione.In a seconda fase di u prucessu di sviluppu, un dataset di 255 studienti hè stata utilizata per migliurà a precisione di u strumentu sviluppatu.
Tutti i participanti ricevenu un briefing in linea à l'iniziu di ogni tappa, secondu l'annu accademicu, via Microsoft Teams.U scopu di u studiu hè statu spiegatu è u cunsensu infurmatu hè statu ottenutu.Tutti i participanti sò stati furniti cun un ligame per accede à l'm-ILS.Ogni studiente hè statu urdinatu per risponde à tutti i 44 articuli nantu à u questionnaire.Ci sò stati dati una settimana per compie l'ILS mudificatu à un tempu è locu cunvene per elli durante a pausa di u semestru prima di l'iniziu di u semestru.L'm-ILS hè basatu annantu à l'instrumentu ILS originale è mudificatu per i studienti dentali.Simile à l'ILS originale, cuntene 44 articuli distribuiti uniformemente (a, b), cù 11 articuli ognunu, chì sò usati per valutà aspetti di ogni dimensione FSLSM.
Durante e fasi iniziali di u sviluppu di l'arnesi, i circadori anu annotatu manualmente e carte utilizendu un dataset di 50 studenti dentali.Sicondu u FSLM, u sistema furnisce a summa di e risposte "a" è "b".Per ogni dimensione, se u studiente sceglie "a" cum'è risposta, u LS hè classificatu cum'è Active / Perceptual / Visual / Sequential, è se u studiente selezziunate "b" cum'è risposta, u studiente hè classificatu cum'è Reflective / Intuitive / Linguistic. ./ studiente globale.
Dopu avè calibratu u flussu di travagliu trà i ricercatori di l'educazione dentale è i sviluppatori di sistemi, e dumande sò state scelte in basa di u duminiu FLSSM è alimentate in u mudellu ML per predichendu u LS di ogni studiente."Garbage in, garbage out" hè un dittu populari in u campu di l'apprendimentu machine, cun enfasi in a qualità di dati.A qualità di i dati di input determina a precisione è a precisione di u mudellu d'apprendimentu machine.Durante a fase di l'ingegneria di e funzioni, hè creatu un novu settore di funzioni chì hè a summa di e risposte "a" è "b" basate nantu à FLSSM.I numeri d'identificazione di i posti di droga sò datu in a Tabella 1.
Calcule u puntuatu basatu nantu à e risposte è determina u LS di u studiente.Per ogni studiente, u puntu di puntuazione hè da 1 à 11. I punteggi da 1 à 3 indicanu un equilibriu di preferenze di apprendimentu in a listessa dimensione, è i punteggi da 5 à 7 indicanu una preferenza moderata, chì indicanu chì i studienti tendenu à preferisce un ambiente chì insegna à l'altri. .Una altra variazione nantu à a listessa dimensione hè chì i punteggi da 9 à 11 riflettenu una forte preferenza per una fine o l'altru [8].
Per ogni dimensione, i droghe sò raggruppati in "attivu", "riflettente" è "equilibratu".Per esempiu, quandu un studiente risponde "a" più spessu chì "b" nantu à un articulu designatu è u so puntuatu supera u limitu di 5 per un articulu particulari chì rapprisenta a dimensione LS di Trattamentu, ellu appartene à u LS "attivu". duminiu..Tuttavia, i studienti sò stati classificati cum'è LS "riflettenti" quandu anu sceltu "b" più di "a" in 11 dumande specifiche (Table 1) è anu puntuatu più di 5 punti.Infine, u studiente hè in un statu di "equilibriu".Se u puntuazione ùn supera i punti 5, allora questu hè un LS "processu".U prucessu di classificazione hè stata ripetuta per l'altri dimensioni LS, vale à dì a percepzione (attivu / riflettente), input (visuale / verbale) è a cumpressione (sequenziale / globale).
I mudelli di l'arbureti di decisione ponu utilizà diverse sottogruppi di caratteristiche è regule di decisione in diverse tappe di u prucessu di classificazione.Hè cunsideratu un strumentu populari di classificazione è predizione.Pò esse rapprisintatu cù una struttura d'arburu cum'è un diagramma di flussu [20], in quale ci sò nodi interni chì rapprisentanu testi per attributu, ogni ramu chì rapprisenta risultati di teste, è ogni node foglia (node foglia) chì cuntene una etichetta di classa.
Un prugramma simplice basatu in regule hè statu creatu per puntuà automaticamente è annotà u LS di ogni studiente basatu nantu à e so risposte.Basatu nantu à e regule piglia a forma di una dichjarazione IF, induve "IF" descrive u trigger è "THEN" specifica l'azzione per esse realizatu, per esempiu: "Se X succede, allora fate Y" (Liu et al., 2014).Se u settore di dati mostra una correlazione è u mudellu di l'arburu di decisione hè furmatu è evaluatu bè, questu approcciu pò esse un modu efficau per automatizà u prucessu di currispondenza LS è IS.
In a seconda fase di sviluppu, u dataset hè statu aumentatu à 255 per migliurà a precisione di l'uttellu di ricunniscenza.U settore di dati hè divisu in un rapportu 1: 4.U 25% (64) di u settore di dati hè stata utilizata per a prova, è u 75% restante (191) hè stata utilizata cum'è u gruppu di furmazione (Figura 2).U settore di dati deve esse divisu per impediscenu chì u mudellu sia furmatu è pruvatu nantu à u listessu settore di dati, chì puderia fà chì u mudellu ricurdà invece di amparà.U mudellu hè furmatu nantu à u settore di furmazione è evalueghja u so rendimentu nantu à u set di teste - dati chì u mudellu ùn hà mai vistu prima.
Una volta chì u strumentu IS hè sviluppatu, l'applicazione serà capace di classificà LS in basa di e risposte di i studienti dentali via una interfaccia web.U sistema di l'uttellu di ricunniscenza di a sicurità di l'informazioni basatu in u web hè custruitu cù a lingua di prugrammazione Python utilizendu u framework Django cum'è backend.A Tabella 2 elenca e biblioteche usate in u sviluppu di stu sistema.
U dataset hè alimentatu à un mudellu di l'arbre di decisione per calculà è estrae e risposte di i studienti per classificà automaticamente e misurazioni LS di i studienti.
A matrice di cunfusione hè aduprata per valutà a precisione di un algoritmu di apprendimentu automaticu di l'arbre di decisione nantu à un determinatu set di dati.À u listessu tempu, valuta u rendiment di u mudellu di classificazione.Riassume e previsioni di u mudellu è li paraguna cù l'etichette di dati attuali.I risultati di l'evaluazione sò basati nantu à quattru valori diffirenti: True Positive (TP) - u mudellu hà preditu currettamente a categuria pusitiva, False Positive (FP) - u mudellu hà previstu a categuria positiva, ma a vera etichetta era negativa, True Negative (TN) - u mudellu predice currettamente a classa negativa, è falsa negativa (FN) - U mudellu predice una classa negativa, ma l'etichetta vera hè pusitiva.
Questi valori sò allora aduprati per calculà diverse metriche di prestazione di u mudellu di classificazione scikit-learn in Python, vale à dì precisione, precisione, ricurdamentu è puntuazione F1.Eccu esempi:
Recall (o sensibilità) misura a capacità di u mudellu per classificà accuratamente u LS di un studiente dopu avè rispostu u questionnaire m-ILS.
A specificità hè chjamata una vera rata negativa.Comu pudete vede da a formula sopra, questu deve esse u rapportu di veri negativi (TN) à veri negativi è falsi pusitivi (FP).Cum'è parte di l'uttellu cunsigliatu per classificà e droghe studianti, deve esse capace di identificazione precisa.
U dataset uriginale di 50 studienti utilizati per furmà u mudellu ML di l'arbre di decisione hà mostratu una precisione relativamente bassa per l'errore umanu in l'annotazioni (Table 3).Dopu avè creatu un prugramma simplice basatu in regule per calculà automaticamente i punteggi LS è l'annotazioni di i studienti, un numeru crescente di datasets (255) sò stati utilizati per furmà è pruvà u sistema di cunsigliu.
In a matrice di cunfusione multiclasse, l'elementi diagonali rapprisentanu u numeru di predizioni currette per ogni tipu LS (Figura 4).Utilizendu u mudellu di l'arburu di decisione, un totale di 64 campioni sò stati predetti currettamente.Cusì, in questu studiu, l'elementi diagonali mostranu i risultati previsti, chì indicanu chì u mudellu funziona bè è predice accuratamente l'etichetta di classi per ogni classificazione LS.Cusì, a precisione generale di u strumentu di ricunniscenza hè 100%.
I valori di precisione, precisione, ricurdamentu è puntuazione F1 sò mostrati in a Figura 5. Per u sistema di ricunniscenza chì utilizeghja u mudellu di l'arburu di decisione, a so puntuazione F1 hè 1.0 "perfetta", chì indica una precisione perfetta è ricurdata, riflettendu una sensibilità è specificità significativa. valori.
A Figura 6 mostra una visualizazione di u mudellu di l'arbre di decisione dopu chì a furmazione è a prova sò finite.In un paragone side-by-side, u mudellu di l'arbre di decisione furmatu cù menu caratteristiche hà dimustratu una precisione più alta è una visualizazione di mudellu più faciule.Questu mostra chì l'ingegneria di e funzioni chì porta à a riduzione di e funzioni hè un passu impurtante per migliurà u rendiment di u mudellu.
Appliendu l'apprendimentu supervisatu di l'arbre di decisione, a mappatura trà LS (input) è IS (output target) hè generata automaticamente è cuntene infurmazioni detallate per ogni LS.
I risultati anu dimustratu chì u 34.9% di i studienti 255 anu preferitu una (1) opzione LS.A maiuranza (54.3%) avianu duie o più preferenze LS.12,2% di i studienti anu nutatu chì LS hè abbastanza equilibratu (Table 4).In più di l'ottu LS principali, ci sò 34 combinazioni di classificazioni LS per i studienti dentali di l'Università di Malaya.Frà elli, a percepzione, a visione è a cumminazzioni di percepzioni è visione sò i principali LS riportati da i studienti (Figura 7).
Comu pò esse vistu da a Tabella 4, a maiò parte di i studienti avianu un LS sensoriale (13.7%) o visuale (8.6%) predominante.Hè statu infurmatu chì u 12,2% di i studienti cumminanu a percepzioni cù a visione (LS perceptivu-visuale).Questi risultati suggerenu chì i studienti preferiscenu amparà è ricurdà per mezu di metudi stabiliti, seguitanu prucedure specifiche è detallate, è sò attenti in natura.À u listessu tempu, piacenu à amparà à circà (usendu diagrammi, etc.) è tendenu à discutiri è applicà l'infurmazioni in gruppi o per sè stessu.
Stu studiu furnisce una panoramica di e tecniche di apprendimentu automaticu aduprate in l'estrazione di dati, cun un focusu nantu à a predizione istantanea è precisa di LS di i studienti è di ricumandà IS adattati.L'applicazione di un mudellu di l'arburu di decisione hà identificatu i fatturi più strettamente ligati à a so vita è l'esperienze educative.Hè un algoritmu di apprendimentu automaticu supervisatu chì usa una struttura d'arburu per classificà e dati dividendu un inseme di dati in sottocategorie basatu annantu à certi criterii.Funziona dividendu recursivamente i dati di input in subsets basatu annantu à u valore di una di e funzioni di input di ogni nodu internu finu à chì una decisione hè presa à u node foglia.
I nodi internu di l'arburu di decisione rapprisentanu a suluzione basatu annantu à e caratteristiche di input di u prublema m-ILS, è i nodi di foglia rapprisentanu a predizione finale di classificazione LS.In tuttu u studiu, hè faciule capisce a ghjerarchia di l'arburi di decisione chì spiegà è visualizeghja u prucessu di decisione fighjendu a relazione trà e funzioni di input è e previsioni di output.
In i campi di l'informatica è l'ingegneria, l'algoritmi di apprendimentu automaticu sò largamente usati per predichendu u rendimentu di i studienti in basa di i so punteggi di l'esame d'ingressu [21], l'infurmazioni demografiche è u cumpurtamentu di l'apprendimentu [22].A ricerca hà dimustratu chì l'algoritmu hà predettu accuratamente u rendiment di i studienti è li aiutava à identificà i studienti in risicu per difficultà accademiche.
L'applicazione di l'algoritmi ML in u sviluppu di simulatori di pazienti virtuali per a furmazione dentale hè riportata.U simulatore hè capaci di ripruduce accuratamente e risposte fisiologiche di i pazienti reali è pò esse usatu per furmà i studienti dentali in un ambiente sicuru è cuntrullatu [23].Diversi altri studii mostranu chì l'algoritmi di apprendimentu automaticu ponu potenzialmente migliurà a qualità è l'efficienza di l'educazione dentale è medica è a cura di i pazienti.L'algoritmi di apprendimentu automaticu sò stati utilizati per aiutà à u diagnosticu di e malatie dentali basatu nantu à setti di dati cum'è sintomi è caratteristiche di i pazienti [24, 25].Mentre chì altri studii anu esploratu l'usu di l'algoritmi d'apprendimentu di macchina per eseguisce attività cum'è predichendu i risultati di i pazienti, identificà i pazienti à risicu altu, sviluppà piani di trattamentu persunalizati [26], trattamentu parodontale [27] è trattamentu di carie [25].
Ancu se i rapporti nantu à l'applicazione di l'apprendimentu automaticu in odontoiatria sò stati publicati, a so applicazione in l'educazione dentale resta limitata.Dunque, stu studiu hà u scopu di utilizà un mudellu di l'arbre di decisione per identificà i fatturi più strettamente assuciati cù LS è IS trà i studienti dentali.
I risultati di stu studiu mostranu chì u strumentu di ricunniscenza sviluppatu hà una alta precisione è una precisione perfetta, chì indicanu chì i prufessori ponu benefiziu di stu strumentu.Utilizendu un prucessu di classificazione guidatu da dati, pò furnisce cunsiglii persunalizati è migliurà l'esperienze educative è i risultati per i educatori è i studienti.Frà elli, l'infurmazioni ottenute per mezu di strumenti di raccomandazione ponu risolve i cunflitti trà i metudi d'insignamentu preferiti da i prufessori è i bisogni di apprendimentu di i studienti.Per esempiu, per via di l'output automatizatu di strumenti di ricunniscenza, u tempu necessariu per identificà l'IP di un studiente è l'abbinate cù l'IP currispundente serà ridutta significativamente.In questu modu, l'attività di furmazione adattata è i materiali di furmazione ponu esse urganizati.Questu aiuta à sviluppà un cumpurtamentu di apprendimentu pusitivu di i studienti è a capacità di cuncentrazione.Un studiu hà dettu chì furnisce à i studienti materiali di apprendimentu è attività di apprendimentu chì currispondenu à u so LS preferitu pò aiutà i studienti à integrà, processà è gode di l'apprendimentu in parechje manere per ottene un putenziale più grande [12].A ricerca mostra ancu chì in più di migliurà a participazione di i studienti in l'aula, capisce u prucessu di apprendimentu di i studienti ghjoca ancu un rolu criticu in a migliurà e pratiche d'insignamentu è a cumunicazione cù i studienti [28, 29].
Tuttavia, cum'è cù qualsiasi tecnulugia muderna, ci sò prublemi è limitazioni.Questi includenu prublemi riguardanti a privacy di e dati, a preghjudiziu è l'equità, è e cumpetenze prufessiunali è e risorse necessarie per sviluppà è implementà algoritmi di apprendimentu automaticu in l'educazione dentale;Tuttavia, l'interessu crescente è a ricerca in questa zona suggerisce chì e tecnulugia di apprendimentu automaticu ponu avè un impattu pusitivu in l'educazione dentale è i servizii dentali.
I risultati di stu studiu indicanu chì a mità di i studienti dentali anu una tendenza à "percive" droghe.Stu tipu di studiente hà una preferenza per i fatti è esempi concreti, una orientazione pratica, pacienza per i dettagli, è una preferenza LS "visuale", induve i studienti preferiscenu aduprà stampe, gràfiche, culori è carte per trasmette idee è pinsamenti.I risultati attuali sò cunsistenti cù altri studii chì utilizanu ILS per valutà LS in i studienti dentali è medichi, a maiò parte di i quali anu caratteristiche di LS perceptuale è visuale [12, 30].Dalmolin et al suggerenu chì informà i studienti nantu à a so LS li permette di ghjunghje à u so potenziale di apprendimentu.I ricercatori sustenenu chì quandu i prufessori capiscenu cumplettamente u prucessu educativu di i studienti, ponu esse implementati diversi metudi di insegnamentu è attività chì migliurà u rendiment di i studienti è l'esperienza di apprendimentu [12, 31, 32].Altri studii anu dimustratu chì l'aghjustà LS di i studienti mostra ancu migliure in l'esperienza di apprendimentu è u rendiment di i studienti dopu avè cambiatu i so stili di apprendimentu per adattà à u so propiu LS [13, 33].
L'opinioni di i prufessori ponu varià in quantu à l'implementazione di strategie d'insignamentu basate nantu à e capacità di apprendimentu di i studienti.Mentre chì certi vedenu i beneficii di questu approcciu, cumprese l'opportunità di sviluppu prufessiunale, u mentoring è u sustegnu di a cumunità, altri ponu esse preoccupati di u tempu è di u sustegnu istituzionale.A lotta per l'equilibriu hè chjave per creà una attitudine centrata in u studiente.L'autorità di l'istruzione superiore, cum'è l'amministratori di l'università, ponu ghjucà un rolu impurtante in guidà un cambiamentu pusitivu intruducendu pratiche innovatrici è sustene u sviluppu di i docenti [34].Per creà un sistema d'istruzione superiore veramente dinamicu è responsive, i decisori pulitichi anu da piglià passi audaci, cum'è fà cambiamenti pulitichi, dedicà risorse à l'integrazione tecnologica, è creanu quadri chì prumove approcci centrati in i studienti.Queste misure sò critichi per ottene i risultati desiderati.Ricerche recenti nantu à l'istruzione differenziata anu dimustratu chjaramente chì l'implementazione riescita di l'istruzione differenziata richiede una furmazione cuntinua è opportunità di sviluppu per i prufessori [35].
Stu strumentu furnisce un supportu preziosu à l'educatori dentali chì volenu piglià un approcciu centratu nantu à i studienti per pianificà attività di apprendimentu amichevuli di i studienti.Tuttavia, stu studiu hè limitatu à l'usu di mudelli ML di l'arburu di decisione.In u futuru, più dati deve esse raccolti per paragunà a prestazione di diversi mudelli di apprendimentu di macchina per paragunà l'accuratezza, l'affidabilità è a precisione di l'arnesi di raccomandazione.Inoltre, quandu sceglite u metudu di apprendimentu automaticu più adattatu per un compitu particulari, hè impurtante di cunsiderà altri fatturi, cum'è a cumplessità di u mudellu è l'interpretazione.
Una limitazione di stu studiu hè chì si concentra solu nantu à a mappatura di LS è IS trà i studienti dentali.Dunque, u sistema di ricunniscenza sviluppatu ricumanderà solu quelli chì sò adattati per i studienti dentali.I cambiamenti sò necessarii per l'usu generale di i studienti di l'istruzione superiore.
U strumentu di ricunniscenza basatu nantu à l'apprendimentu automaticu di novu sviluppatu hè capace di classificà istantaneamente è abbinà i LS di i studienti à l'IS currispondente, facendu u primu prugramma di educazione dentale per aiutà l'educatori dentali à pianificà attività di insegnamentu è apprendimentu pertinenti.Utilizendu un prucessu di triage guidatu da dati, pò furnisce cunsiglii persunalizati, risparmià tempu, migliurà e strategie d'insegnamentu, sustene l'intervenzioni mirate è prumove u sviluppu prufessiunale cuntinuu.A so applicazione prumove approcci centrati in i studienti à l'educazione dentale.
Gilak Jani Associated Press.Corrispondenza o incompatibilità trà u stilu di apprendimentu di u studiente è u stilu d'insignamentu di u maestru.Int J Mod Educ Informatica.2012;4(11):51–60.https://doi.org/10.5815/ijmecs.2012.11.05
Postu tempu: Apr-29-2024