Ci hè un bisognu crescente di apprendimentu centratu nantu à u studiente (SCL) in l'istituzioni d'insignamentu superiore, cumprese l'odontoiatria. Tuttavia, SCL hà una applicazione limitata in l'educazione dentale. Dunque, questu studiu hà per scopu di prumove l'applicazione di SCL in odontoiatria utilizendu a tecnulugia di apprendimentu automaticu (ML) à arburu di decisione per mappà u stile di apprendimentu preferitu (LS) è e strategie di apprendimentu currispondenti (IS) di i studienti di odontoiatria cum'è un strumentu utile per sviluppà linee guida IS. Metodi promettenti per i studienti di odontoiatria.
Un totale di 255 studienti di odontoiatria di l'Università di Malaya anu cumpletatu u quistionariu mudificatu di l'Indice di Stili d'Apprendimentu (m-ILS), chì cuntene 44 elementi per classificalli in i so rispettivi LS. I dati raccolti (chjamati un inseme di dati) sò aduprati in l'apprendimentu supervisatu di l'arburu di decisione per abbinà automaticamente i stili d'apprendimentu di i studienti à u SI più apprupriatu. A precisione di u strumentu di raccomandazione di u SI basatu nantu à l'apprendimentu automaticu hè tandu valutata.
L'applicazione di mudelli d'arburu di decisione in un prucessu di mappatura automatizatu trà LS (input) è IS (target output) permette una lista immediata di strategie d'apprendimentu adatte per ogni studiente di odontoiatria. U strumentu di raccomandazione IS hà dimustratu una precisione è un richiamu perfetti di a precisione generale di u mudellu, indicendu chì l'abbinamentu LS à IS hà una bona sensibilità è specificità.
Un strumentu di raccomandazione IS basatu annantu à un arburu di decisione ML hà dimustratu a so capacità di abbinà accuratamente i stili di apprendimentu di i studienti di odontoiatria cù strategie di apprendimentu adatte. Stu strumentu furnisce opzioni putenti per a pianificazione di corsi o moduli centrati nantu à l'apprendista 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 furmazione prufessiunale di alta qualità, hè impurtante di fucalizza si nantu à i bisogni d'apprendimentu di i studienti. L'interazzione trà i studienti è u so ambiente d'apprendimentu pò esse determinata per mezu di i so LS. A ricerca suggerisce chì l'incoerenze previste da l'insegnanti trà u LS è l'IS di i studienti ponu avè cunsequenze negative per l'apprendimentu di i studienti, cum'è una diminuzione di l'attenzione è di a motivazione. Questu influenzerà indirettamente u rendimentu di i studienti [1,2].
L'IS hè un metudu utilizatu da l'insegnanti per trasmette cunniscenze è cumpetenze à i studienti, cumprese l'aiutu à i studienti à amparà [3]. In generale, i boni insegnanti pianificanu strategie d'insignamentu o IS chì currispondenu megliu à u livellu di cunniscenza di i so studienti, i cuncetti chì stanu amparendu è a so fase di apprendimentu. Teoricamente, quandu LS è IS currispondenu, i studienti saranu capaci di urganizà è aduprà un inseme specificu di cumpetenze per amparà in modu efficace. Tipicamente, un pianu di lezione include parechje transizioni trà e tappe, cume da l'insignamentu à a pratica guidata o da a pratica guidata à a pratica indipendente. Cù questu in mente, l'insegnanti efficaci spessu pianificanu l'istruzione cù l'ubbiettivu di custruisce e cunniscenze è e cumpetenze di i studienti [4].
A dumanda di SCL hè in crescita in l'istituzioni d'istruzione superiore, cumprese l'odontoiatria. E strategie SCL sò cuncepite per risponde à i bisogni d'apprendimentu di i studienti. Questu pò esse ottenutu, per esempiu, se i studienti participanu attivamente à l'attività d'apprendimentu è i prufessori agiscenu cum'è facilitatori è sò rispunsevuli di furnisce feedback preziosi. Si dice chì furnisce materiali è attività d'apprendimentu chì sò adatti à u livellu educativu o à e preferenze di i studienti pò migliurà l'ambiente d'apprendimentu di i studienti è prumove esperienze d'apprendimentu pusitivi [5].
In generale, u prucessu d'apprendimentu di i studienti di odontoiatria hè influenzatu da e diverse procedure cliniche chì devenu fà è da l'ambiente clinicu in u quale sviluppanu cumpetenze interpersonali efficaci. U scopu di a furmazione hè di permette à i studienti di cumbinà e cunniscenze basiche di odontoiatria cù e cumpetenze cliniche dentali è di applicà e cunniscenze acquistate à nuove situazioni cliniche [6, 7]. E prime ricerche nantu à a relazione trà LS è IS anu trovu chì l'aghjustamentu di e strategie d'apprendimentu mappate à u LS preferitu aiuterebbe à migliurà u prucessu educativu [8]. L'autori raccomandanu ancu di utilizà una varietà di metudi d'insignamentu è di valutazione per adattassi à l'apprendimentu è à i bisogni di i studienti.
L'insegnanti prufittanu di l'applicazione di a cunniscenza di LS per aiutalli à cuncepisce, sviluppà è implementà struzzioni chì migliureranu l'acquistu di cunniscenze è capiscitura più prufonde di a materia da parte di i studienti. I circadori anu sviluppatu parechji strumenti di valutazione LS, cum'è u Modellu di 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 i più cumunamente usati è i più studiati. In u travagliu di ricerca attuale, FSLSM hè adupratu per valutà LS trà i studienti di odontoiatria.
FSLSM hè un mudellu largamente utilizatu per valutà l'apprendimentu adattivu in ingegneria. Ci sò parechji travagli publicati in e scienze di a salute (cumprese a medicina, l'infermiera, a farmacia è l'odontoiatria) chì ponu esse truvati aduprendu i mudelli FSLSM [5, 11, 12, 13]. U strumentu utilizatu per misurà e dimensioni di LS in u FLSM hè chjamatu Index of Learning Styles (ILS) [8], chì cuntene 44 elementi chì valutanu quattru dimensioni di LS: trasfurmazione (attiva/riflessiva), percezione (percettiva/intuitiva), input (visuale/verbale) è capiscitura (sequenziale/globale) [14].
Cum'è mostratu in a Figura 1, ogni dimensione FSLSM hà una preferenza dominante. Per esempiu, in a dimensione di trasfurmazione, i studienti cù LS "attivu" preferiscenu trasfurmà l'infurmazioni interagendu direttamente cù i materiali d'apprendimentu, amparanu fendu, è tendenu à amparà in gruppi. U LS "riflessivu" si riferisce à l'apprendimentu per mezu di u pensamentu è preferisce travaglià solu. A dimensione "perceptiva" di LS pò esse divisa in "sentimentu" è/o "intuizione". I studienti "sentienti" preferiscenu informazioni più concrete è prucedure pratiche, sò orientati à i fatti paragunatu à i studienti "intuitivi" chì preferiscenu materiale astrattu è sò più innovativi è creativi in natura. A dimensione "input" di LS hè custituita da discenti "visivi" è "verbali". E persone cù LS "visivu" preferiscenu amparà per mezu di dimostrazioni visuali (cum'è diagrammi, video o dimostrazioni in diretta), mentre chì e persone cù LS "verbale" preferiscenu amparà per mezu di e parolle in spiegazioni scritte o orali. Per "capisce" e dimensioni LS, tali discenti ponu esse divisi in "sequenziali" è "globali". "L'apprendisti sequenziali preferiscenu un prucessu di pensamentu lineare è amparanu passu à passu, mentre chì l'apprendisti glubali tendenu à avè un prucessu di pensamentu olisticu è anu sempre una megliu capiscitura di ciò chì stanu amparanu."
Recentemente, parechji circadori anu cuminciatu à esplorà metudi per a scuperta automatica basata nantu à i dati, cumpresu u sviluppu di novi algoritmi è mudelli capaci di interpretà grandi quantità di dati [15, 16]. Basatu annantu à i dati furniti, l'apprendimentu automaticu (ML) supervisatu hè capace di generà mudelli è ipotesi chì predicenu i risultati futuri basati annantu à a custruzzione di l'algoritmi [17]. In poche parole, e tecniche di apprendimentu automaticu supervisatu manipulanu i dati d'input è addestranu l'algoritmi. Dopu genera un intervallu chì classifica o predice u risultatu basatu annantu à situazioni simili per i dati d'input furniti. U principale vantaghju di l'algoritmi di apprendimentu automaticu supervisatu hè a so capacità di stabilisce risultati ideali è desiderati [17].
Attraversu l'usu di metudi basati nantu à i dati è mudelli di cuntrollu di l'arburi di decisione, a rilevazione automatica di LS hè pussibule. L'arburi di decisione sò stati signalati cum'è largamente aduprati in 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 LS di i studienti è ricumandà u megliu SI per elli.
U scopu di stu studiu hè di sviluppà strategie di consegna di 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 cuncepimentu di u strumentu di raccomandazione IS cum'è strategia di u metudu SCL hè mostratu in a Figura 1. U strumentu di raccomandazione IS hè divisu in duie parti, cumprese u mecanismu di classificazione LS chì usa ILS è a visualizazione IS più adatta per i studienti.
In particulare, e caratteristiche di l'arnesi di raccomandazione di a sicurezza di l'infurmazione includenu l'usu di e tecnulugie web è l'usu di l'apprendimentu automaticu di l'arburi di decisione. I sviluppatori di sistemi migliuranu l'esperienza di l'utente è a mobilità adattenduli à i dispositivi mobili cum'è i telefoni cellulari è e tablette.
L'esperimentu hè statu realizatu in duie tappe è i studienti di a Facultà di Odontoiatria di l'Università di Malaya anu participatu vuluntariamente. I participanti anu rispostu à u m-ILS in linea di un studiente di odontoiatria 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'arburu di decisione. In a seconda fase di u prucessu di sviluppu, un inseme di dati di 255 studienti hè statu utilizatu 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 hè statu ottenutu u cunsensu infurmatu. Tutti i participanti sò stati furniti cù un ligame per accede à u m-ILS. Ogni studiente hè statu istruitu à risponde à tutti i 44 elementi di u quistionariu. Li hè stata data una settimana per cumpletà l'ILS mudificatu à un tempu è locu cunveniente per elli durante a pausa di u semestru prima di l'iniziu di u semestru. L'm-ILS hè basatu annantu à u strumentu ILS originale è mudificatu per i studienti di odontoiatria. Simile à l'ILS originale, cuntene 44 elementi distribuiti uniformemente (a, b), cù 11 elementi ognunu, chì sò aduprati per valutà aspetti di ogni dimensione FSLSM.
Durante e fasi iniziali di sviluppu di u strumentu, i circadori anu annotatu manualmente e carte utilizendu un inseme di dati di 50 studienti di odontoiatria. Sicondu u FSLM, u sistema furnisce a somma di e risposte "a" è "b". Per ogni dimensione, se u studiente selezziunate "a" cum'è risposta, u LS hè classificatu cum'è Attivu/Percettivu/Visuale/Sequenziale, è se u studiente selezziunate "b" cum'è risposta, u studiente hè classificatu cum'è Riflessivu/Intuitivu/Linguisticu / apprendente glubale.
Dopu avè calibratu u flussu di travagliu trà i circadori di l'educazione dentale è i sviluppatori di sistemi, e dumande sò state selezziunate in basa à u duminiu FLSSM è inserite in u mudellu ML per prevede u LS di ogni studiente. "Garbage in, garbage out" hè un dettu pupulare in u campu di l'apprendimentu automaticu, cù un enfasi nantu à a qualità di i dati. A qualità di i dati d'input determina a precisione è l'accuratezza di u mudellu di apprendimentu automaticu. Durante a fase di ingegneria di e caratteristiche, si crea un novu inseme di caratteristiche chì hè a somma di e risposte "a" è "b" basate nantu à FLSSM. I numeri d'identificazione di e pusizioni di i medicinali sò dati in a Tavula 1.
Calcula u puntuatu basatu annantu à e risposte è determina u LS di u studiente. Per ogni studiente, l'intervallu di puntuatu hè da 1 à 11. I punteggi da 1 à 3 indicanu un equilibriu di preferenze d'apprendimentu in a stessa dimensione, è i punteggi da 5 à 7 indicanu una preferenza muderata, chì indica chì i studienti tendenu à preferisce un ambiente insignendu à l'altri. Un'altra variazione di a stessa dimensione hè chì i punteggi da 9 à 11 riflettenu una forte preferenza per una estremità o l'altra [8].
Per ogni dimensione, e droghe sò state raggruppate in "attive", "riflettive" è "equilibrate". Per esempiu, quandu un studiente risponde à "a" più spessu chè "b" à un elementu designatu è u so puntuatu supera a soglia di 5 per un elementu particulare chì rapprisenta a dimensione LS di Processing, appartene à u duminiu LS "attivu". Tuttavia, i studienti sò stati classificati cum'è LS "riflettivi" quandu anu sceltu "b" più chè "a" in 11 dumande specifiche (Tavula 1) è anu ottenutu più di 5 punti. Infine, u studiente hè in un statu di "equilibriu". Se u puntuatu ùn supera micca i 5 punti, allora questu hè un LS di "prucessu". U prucessu di classificazione hè statu ripetutu per l'altre dimensioni LS, vale à dì a percezione (attiva/riflettiva), l'input (visuale/verbale) è a cumprensione (sequenziale/globale).
I mudelli d'arburu di decisione ponu aduprà diversi sottoinsiemi di caratteristiche è regule di decisione in diverse fasi di u prucessu di classificazione. Hè cunsideratu un strumentu di classificazione è di previsione pupulare. Pò esse rapprisintatu aduprendu una struttura d'arburu cum'è un diagramma di flussu [20], in u quale ci sò nodi interni chì rapprisentanu i testi per attributu, ogni branca chì rapprisenta i risultati di i testi, è ogni nodu foglia (nodu foglia) chì cuntene una etichetta di classe.
Un prugramma simplice basatu annantu à e regule hè statu creatu per puntuà è annotà automaticamente u LS di ogni studiente basatu annantu à e so risposte. U prugramma basatu annantu à e regule piglia a forma di una dichjarazione IF, induve "IF" descrive u trigger è "THEN" specifica l'azione da fà, per esempiu: "Se X accade, allora fate Y" (Liu et al., 2014). Se l'inseme di dati mostra una currelazione è u mudellu di l'arburu di decisione hè furmatu è valutatu currettamente, questu approcciu pò esse un modu efficace per automatizà u prucessu di currispundenza LS è IS.
In a seconda fase di sviluppu, l'inseme di dati hè statu aumentatu à 255 per migliurà a precisione di u strumentu di raccomandazione. L'inseme di dati hè divisu in un rapportu 1:4. 25% (64) di l'inseme di dati hè statu utilizatu per l'inseme di prova, è u restante 75% (191) hè statu utilizatu cum'è inseme di furmazione (Figura 2). L'inseme di dati deve esse divisu per impedisce chì u mudellu sia furmatu è testatu nantu à u listessu inseme di dati, ciò chì puderia fà chì u mudellu si ricordi invece di amparà. U mudellu hè furmatu nantu à l'inseme di furmazione è valuta e so prestazioni nantu à l'inseme di prova - dati chì u mudellu ùn hà mai vistu prima.
Una volta chì u strumentu IS hè sviluppatu, l'applicazione serà capace di classificà LS basatu annantu à e risposte di i studienti di odontoiatria via una interfaccia web. U sistema di strumenti di raccomandazione di sicurezza di l'infurmazione basatu annantu à u web hè custruitu cù u linguaghju di prugrammazione Python aduprendu u framework Django cum'è backend. A Tavula 2 elenca e biblioteche aduprate in u sviluppu di stu sistema.
L'inseme di dati hè alimentatu à un mudellu d'arburu 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'arburu di decisione nantu à un inseme di dati datu. À u listessu tempu, valuta a prestazione di u mudellu di classificazione. Riassume e previsioni di u mudellu è e paraguna à l'etichette di dati attuali. I risultati di a valutazione sò basati nantu à quattru valori diversi: Veru Positivu (TP) - u mudellu hà previstu currettamente a categuria pusitiva, Falsu Positivu (FP) - u mudellu hà previstu a categuria pusitiva, ma a vera etichetta era negativa, Veru Negativu (VN) - u mudellu hà previstu currettamente a classa negativa, è falsu negativu (FN) - U mudellu prevede una classa negativa, ma a vera etichetta hè pusitiva.
Questi valori sò poi aduprati per calculà diverse metriche di prestazione di u mudellu di classificazione scikit-learn in Python, vale à dì precisione, precisione, richiamo è puntuazione F1. Eccu alcuni esempi:
U richiamu (o sensibilità) misura a capacità di u mudellu di classificà accuratamente u LS di un studiente dopu avè rispostu à u quistionariu m-ILS.
A specificità hè chjamata un veru tassu negativu. Cum'è si pò vede da a formula sopra, questu deve esse u rapportu trà i veri negativi (VN) è i veri negativi è i falsi pusitivi (FP). Cum'è parte di u strumentu cunsigliatu per classificà e droghe di i studienti, deve esse capace di una identificazione precisa.
L'inseme di dati originale di 50 studienti utilizatu per furmà u mudellu ML di l'arburu di decisione hà mostratu una precisione relativamente bassa per via di l'errore umanu in l'annotazioni (Tavula 3). Dopu avè creatu un prugramma simplice basatu nantu à e regule per calculà automaticamente i punteggi LS è l'annotazioni di i studienti, un numeru crescente di insemi di dati (255) sò stati utilizati per furmà è testà u sistema di raccomandazione.
In a matrice di cunfusione multiclasse, l'elementi diagonali rapprisentanu u numeru di predizioni currette per ogni tipu LS (Figura 4). Usendu u mudellu di l'arburu di decisione, un totale di 64 campioni sò stati previsti currettamente. Cusì, in questu studiu, l'elementi diagonali mostranu i risultati previsti, chì indicanu chì u mudellu funziona bè è prevede accuratamente l'etichetta di classe per ogni classificazione LS. Cusì, a precisione generale di u strumentu di raccomandazione hè di 100%.
I valori di accuratezza, precisione, richiamu è puntuazione F1 sò mostrati in a Figura 5. Per u sistema di raccomandazione chì utilizza u mudellu di l'arburu di decisione, u so puntuazione F1 hè 1.0 "perfettu", chì indica una precisione è un richiamu perfetti, riflettendu valori significativi di sensibilità è specificità.
A figura 6 mostra una visualizazione di u mudellu di l'arburu di decisione dopu à a fine di a furmazione è di i testi. In una paragone fiancu à fiancu, u mudellu di l'arburu di decisione furmatu cù menu caratteristiche hà mostratu una precisione più alta è una visualizazione di u mudellu più faciule. Questu mostra chì l'ingegneria di e caratteristiche chì porta à a riduzione di e caratteristiche hè un passu impurtante per migliurà e prestazioni di u mudellu.
Applicendu l'apprendimentu supervisatu da l'arburu di decisione, a mappa trà LS (input) è IS (target output) hè generata automaticamente è cuntene informazioni dettagliate per ogni LS.
I risultati anu dimustratu chì 34,9% di i 255 studienti anu preferitu una (1) opzione LS. A maiuranza (54,3%) avia duie o più preferenze LS. 12,2% di i studienti anu nutatu chì LS hè abbastanza equilibratu (Tavula 4). In più di l'ottu LS principali, ci sò 34 cumminazzioni di classificazioni LS per i studienti di odontoiatria di l'Università di Malaya. Trà elle, a percezione, a visione è a cumminazione di percezione è visione sò i principali LS riportati da i studienti (Figura 7).
Cum'è si pò vede da a Tavula 4, a maiò parte di i studienti avianu una LS predominante sensoriale (13,7%) o visuale (8,6%). Hè statu signalatu chì u 12,2% di i studienti cumbinavanu a percezione cù a visione (LS percettivu-visuale). Sti risultati suggerenu chì i studienti preferiscenu amparà è ricurdà per mezu di metudi stabiliti, seguitanu prucedure specifiche è dettagliate, è sò attenti per natura. À u listessu tempu, li piace à amparà guardendu (usendu diagrammi, ecc.) è tendenu à discute è applicà l'infurmazioni in gruppi o da soli.
Stu studiu furnisce una panoramica di e tecniche di apprendimentu automaticu aduprate in l'estrazione di dati, cù un focus nantu à a previsione istantanea è precisa di u LS di i studienti è a raccomandazione di SI adatti. L'applicazione di un mudellu d'arburu di decisione hà identificatu i fattori più strettamente ligati à e so esperienze di vita è educative. Hè un algoritmu di apprendimentu automaticu supervisatu chì usa una struttura d'arburu per classificà i dati dividendu un inseme di dati in sottocategorie basate nantu à certi criteri. Funziona dividendu recursivamente i dati d'input in sottoinsiemi basati nantu à u valore di una di e caratteristiche d'input di ogni nodu internu finu à chì una decisione sia presa à u nodu foglia.
I nodi interni di l'arburu di decisione rapprisentanu a suluzione basata annantu à e caratteristiche d'entrata di u prublema m-ILS, è i nodi foglia rapprisentanu a previsione finale di classificazione LS. In tuttu u studiu, hè faciule capisce a ghjerarchia di l'arburi di decisione chì spieganu è visualizanu u prucessu di decisione fighjendu a relazione trà e caratteristiche d'entrata è e previsioni di uscita.
In i campi di l'informatica è di l'ingegneria, l'algoritmi di apprendimentu automaticu sò largamente aduprati per prevede u rendimentu di i studienti basendu si nantu à i so punteggi à l'esame d'ingressu [21], l'infurmazioni demografiche è u cumpurtamentu d'apprendimentu [22]. A ricerca hà dimustratu chì l'algoritmu hà previstu accuratamente u rendimentu di i studienti è li hà aiutati à identificà i studienti à risicu di difficultà accademiche.
L'applicazione di l'algoritmi di apprendimentu automaticu (ML) in u sviluppu di simulatori di pazienti virtuali per a furmazione dentale hè stata signalata. U simulatore hè capace di riproduce accuratamente e risposte fisiologiche di i pazienti reali è pò esse adupratu per furmà i studienti di odontoiatria in un ambiente sicuru è cuntrullatu [23]. Parechji altri studii mostranu chì l'algoritmi di apprendimentu automaticu ponu potenzialmente migliurà a qualità è l'efficienza di l'educazione dentale è medica è di a cura di i pazienti. L'algoritmi di apprendimentu automaticu sò stati aduprati per aiutà à a diagnosi di e malatie dentali basate nantu à insemi di dati cum'è sintomi è caratteristiche di i pazienti [24, 25]. Mentre altri studii anu esploratu l'usu di l'algoritmi di apprendimentu automaticu per eseguisce compiti cum'è a previsione di i risultati di i pazienti, l'identificazione di i pazienti à altu risicu, u sviluppu di piani di trattamentu persunalizati [26], u trattamentu parodontale [27] è u trattamentu di e carie [25].
Ancu s'è i rapporti nantu à l'applicazione di l'apprendimentu automaticu in odontoiatria sò stati publicati, a so applicazione in l'educazione dentale ferma limitata. Dunque, questu studiu hà avutu cum'è scopu di utilizà un mudellu d'arburu di decisione per identificà i fattori più strettamente assuciati à LS è IS trà i studienti di odontoiatria.
I risultati di questu studiu mostranu chì u strumentu di raccomandazione sviluppatu hà una alta precisione è una precisione perfetta, ciò chì indica chì l'insegnanti ponu prufittà di questu strumentu. Utilizendu un prucessu di classificazione basatu nantu à i dati, pò furnisce raccomandazioni persunalizate è migliurà l'esperienze è i risultati educativi per l'educatori è i studienti. Frà elle, l'infurmazioni ottenute attraversu strumenti di raccomandazione ponu risolve i cunflitti trà i metudi d'insignamentu preferiti da l'insegnanti è i bisogni d'apprendimentu di i studienti. Per esempiu, per via di l'output automatizatu di strumenti di raccomandazione, u tempu necessariu per identificà l'IP di un studiente è currisponde à l'IP currispondente serà significativamente riduttu. In questu modu, si ponu urganizà attività di furmazione è materiali di furmazione adatti. Questu aiuta à sviluppà u cumpurtamentu d'apprendimentu pusitivu di i studienti è a capacità di cuncentrazione. Un studiu hà signalatu chì furnisce à i studienti materiali d'apprendimentu è attività d'apprendimentu chì currispondenu à u so LS preferitu pò aiutà i studienti à integrà, processà è gode di l'apprendimentu in parechji modi per ottene un putenziale più grande [12]. A ricerca mostra ancu chì, in più di migliurà a participazione di i studienti in aula, a comprensione di u prucessu d'apprendimentu di i studienti ghjoca ancu un rolu criticu in u miglioramentu di e pratiche d'insignamentu è a cumunicazione cù i studienti [28, 29].
Tuttavia, cum'è cù qualsiasi tecnulugia muderna, ci sò prublemi è limitazioni. Quessi includenu prublemi ligati à a privacy di i dati, u pregiudiziu è l'equità, è e cumpetenze è e risorse prufessiunali necessarie per sviluppà è implementà algoritmi di apprendimentu automaticu in l'educazione dentale; Tuttavia, l'interessu crescente è a ricerca in questu duminiu suggeriscenu chì e tecnulugie di apprendimentu automaticu possinu avè un impattu pusitivu nantu à l'educazione dentale è i servizii dentali.
I risultati di questu studiu indicanu chì a metà di i studienti di odontoiatria anu a tendenza à "perceve" e droghe. Questu tipu d'apprenente hà una preferenza per i fatti è l'esempi concreti, un orientamentu praticu, pazienza per i dettagli è una preferenza LS "visuale", induve l'apprenenti preferiscenu aduprà immagini, grafiche, culori è carte per trasmette idee è pinsamenti. I risultati attuali sò coerenti cù altri studii chì utilizanu ILS per valutà LS in i studienti di odontoiatria è medicina, a maiò parte di i quali anu caratteristiche di LS percettiva è visuale [12, 30]. Dalmolin et al. suggerenu chì informà i studienti nantu à a so LS li permette di ghjunghje à u so putenziale di apprendimentu. I circadori sustenenu chì quandu l'insegnanti capiscenu cumpletamente u prucessu educativu di i studienti, si ponu implementà diversi metudi d'insignamentu è attività chì migliuraranu e prestazioni è l'esperienza di apprendimentu di i studienti [12, 31, 32]. Altri studii anu dimustratu chì l'aghjustamentu di a LS di i studienti mostra ancu miglioramenti in l'esperienza di apprendimentu è in e prestazioni di i studienti dopu avè cambiatu i so stili di apprendimentu per adattassi à a so propria LS [13, 33].
L'opinioni di l'insegnanti ponu varià in quantu à l'implementazione di strategie d'insignamentu basate nantu à e capacità d'apprendimentu di i studienti. Mentre chì certi vedenu i benefici di questu approcciu, cumprese opportunità di sviluppu prufessiunale, mentoratu è sustegnu cumunitariu, altri ponu esse preoccupati per u tempu è u sustegnu istituziunale. A ricerca di l'equilibriu hè chjave per creà una attitudine centrata nantu à u studiente. L'autorità di l'istruzione superiore, cum'è l'amministratori universitari, ponu ghjucà un rolu impurtante in a prumuzione di cambiamenti pusitivi introducendu pratiche innovative è sustinendu u sviluppu di a facultà [34]. Per creà un sistema d'istruzione superiore veramente dinamicu è reattivu, i decisori pulitichi devenu fà passi audaci, cum'è fà cambiamenti di pulitica, dedicà risorse à l'integrazione di a tecnulugia è creà quadri chì prumove approcci centrati nantu à u studiente. Queste misure sò critiche per ottene i risultati desiderati. A ricerca recente nantu à l'istruzione differenziata hà dimustratu chjaramente chì l'implementazione riescita di l'istruzione differenziata richiede opportunità di furmazione è sviluppu cuntinue per l'insegnanti [35].
Stu strumentu furnisce un sustegnu preziosu à l'educatori dentali chì volenu aduttà un approcciu centratu nantu à u studiente per pianificà attività d'apprendimentu amichevuli per u studiente. Tuttavia, stu studiu hè limitatu à l'usu di mudelli ML à arbre decisionale. In u futuru, più dati devenu esse raccolti per paragunà e prestazioni di diversi mudelli di apprendimentu automaticu per paragunà l'accuratezza, l'affidabilità è a precisione di i strumenti di raccomandazione. Inoltre, quandu si sceglie u metudu di apprendimentu automaticu più apprupriatu per un compitu particulare, hè impurtante cunsiderà altri fattori cum'è a cumplessità è l'interpretazione di u mudellu.
Una limitazione di stu studiu hè chì s'hè cuncentratu solu nantu à a mappatura di LS è IS trà i studienti di odontoiatria. Dunque, u sistema di raccomandazione sviluppatu ricumanderà solu quelli chì sò adatti per i studienti di odontoiatria. I cambiamenti sò necessarii per l'usu generale di i studienti di l'istruzione superiore.
U strumentu di raccomandazione basatu annantu à l'apprendimentu automaticu appena sviluppatu hè capace di classificà è abbinà istantaneamente i LS di i studienti à l'IS currispundente, ciò chì ne face u primu prugramma di educazione dentale per aiutà l'educatori dentali à pianificà attività d'insignamentu è d'apprendimentu pertinenti. Utilizendu un prucessu di triage basatu annantu à i dati, pò furnisce raccomandazioni persunalizate, risparmià tempu, migliurà e strategie d'insignamentu, sustene interventi mirati è prumove u sviluppu prufessiunale cuntinuu. A so applicazione prumoverà approcci centrati nantu à u studiente à l'educazione dentale.
Gilak Jani Associated Press. Corrispondenza o incoerenza trà u stile d'apprendimentu di u studiente è u stile d'insignamentu di l'insegnante. Int J Mod Educ Computer Science. 2012;4(11):51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Data di publicazione: 29 d'aprile di u 2024