Há uma necessidade crescente de aprendizado centrado no aluno (SCL) em instituições de ensino superior, incluindo odontologia. No entanto, o SCL tem aplicação limitada no ensino odontológico. Portanto, este estudo tem como objetivo promover a aplicação do SCL na odontologia usando a tecnologia de aprendizado de máquina de árvores de decisão (ML) para mapear o estilo de aprendizado preferido (LS) e as estratégias de aprendizado correspondentes (IS) de estudantes odontológicos como uma ferramenta útil para o desenvolvimento de diretrizes é . Métodos promissores para estudantes de odontologia.
Um total de 255 estudantes de odontologia da Universidade da Malásia concluíram o questionário de Estilos de Aprendizagem (M-ILS) modificado, que continha 44 itens para classificá-los em seus respectivos LSs. Os dados coletados (chamados de conjunto de dados) são usados no aprendizado de árvores de decisão supervisionado para combinar automaticamente os estilos de aprendizagem dos alunos com o mais apropriado. A precisão da ferramenta de recomendação baseada em aprendizado de máquina é avaliada.
A aplicação de modelos de árvores de decisão em um processo de mapeamento automatizado entre LS (entrada) e IS (saída de destino) permite uma lista imediata de estratégias de aprendizado apropriadas para cada estudante odontológico. A ferramenta de recomendação IS demonstrou precisão perfeita e recall da precisão geral do modelo, indicando que a correspondência de LS a SI tem boa sensibilidade e especificidade.
Uma ferramenta de recomendação é baseada em uma árvore de decisão de ML, provou sua capacidade de combinar com precisão os estilos de aprendizado dos alunos de odontologia com estratégias de aprendizado apropriadas. Essa ferramenta oferece opções poderosas para planejar cursos ou módulos centrados no aluno que podem melhorar a experiência de aprendizado dos alunos.
O ensino e a aprendizagem são atividades fundamentais em instituições educacionais. Ao desenvolver um sistema de educação profissional de alta qualidade, é importante se concentrar nas necessidades de aprendizagem dos alunos. A interação entre os alunos e seu ambiente de aprendizado pode ser determinada por meio de seu LS. Pesquisas sugerem que as incompatibilidades intencionadas pelo professor entre os alunos e o IS podem ter consequências negativas para a aprendizagem dos alunos, como diminuição da atenção e motivação. Isso afetará indiretamente o desempenho do aluno [1,2].
IS é um método usado pelos professores para transmitir conhecimentos e habilidades aos alunos, incluindo ajudar os alunos a aprender [3]. De um modo geral, bons professores planejam estratégias de ensino ou é melhor corresponder ao nível de conhecimento de seus alunos, aos conceitos que estão aprendendo e seu estágio de aprendizado. Teoricamente, quando LS e for correspondente, os alunos poderão organizar e usar um conjunto específico de habilidades para aprender de maneira eficaz. Normalmente, um plano de aula inclui várias transições entre os estágios, como do ensino à prática guiada ou da prática guiada à prática independente. Com isso em mente, professores eficazes geralmente planejam instruções com o objetivo de construir o conhecimento e as habilidades dos alunos [4].
A demanda por SCL está crescendo em instituições de ensino superior, incluindo odontologia. As estratégias de SCL são projetadas para atender às necessidades de aprendizado dos alunos. Isso pode ser alcançado, por exemplo, se os alunos participarem ativamente de atividades e professores de aprendizagem agem como facilitadores e forem responsáveis por fornecer feedback valioso. Dizem que o fornecimento de materiais e atividades de aprendizagem apropriado ao nível educacional ou preferências dos alunos pode melhorar o ambiente de aprendizado dos alunos e promover experiências positivas de aprendizado [5].
De um modo geral, o processo de aprendizado dos estudantes de odontologia é influenciado pelos vários procedimentos clínicos que eles são obrigados a realizar e pelo ambiente clínico em que desenvolvem habilidades interpessoais eficazes. O objetivo do treinamento é permitir que os alunos combinem o conhecimento básico da odontologia com as habilidades clínicas dentárias e aplique o conhecimento adquirido a novas situações clínicas [6, 7]. Pesquisas iniciais sobre a relação entre LS e constatam -se que o ajuste de estratégias de aprendizado mapeado para o LS preferido ajudaria a melhorar o processo educacional [8]. Os autores também recomendam o uso de uma variedade de métodos de ensino e avaliação para se adaptar à aprendizagem e às necessidades dos alunos.
Os professores se beneficiam da aplicação do conhecimento de LS para ajudá -los a projetar, desenvolver e implementar instruções que aprimorem a aquisição dos alunos de conhecimento e compreensão mais profundos do assunto. Os pesquisadores desenvolveram várias ferramentas de avaliação de LS, como o modelo de aprendizado experimental do Kolb, o modelo de estilo de aprendizado Felder-Silverman (FSLSM) e o modelo Fleming Vak/Vark [5, 9, 10]. De acordo com a literatura, esses modelos de aprendizado são os modelos de aprendizado mais usados e mais estudados. No atual trabalho de pesquisa, o FSLSM é usado para avaliar a LS entre estudantes de odontologia.
O FSLSM é um modelo amplamente utilizado para avaliar o aprendizado adaptativo em engenharia. Existem muitos trabalhos publicados nas ciências da saúde (incluindo medicina, enfermagem, farmácia e odontologia) que podem ser encontradas usando modelos FSLSM [5, 11, 12, 13]. O instrumento usado para medir as dimensões de LS no FLSM é chamado de índice de estilos de aprendizagem (ILS) [8], que contém 44 itens que avaliam quatro dimensões de LS: processamento (ativo/reflexivo), percepção (perceptivo/intuitivo), entrada (visual). /verbal) e compreensão (sequencial/global) [14].
Como mostrado na Figura 1, cada dimensão FSLSM tem uma preferência dominante. Por exemplo, na dimensão de processamento, os alunos com LS "ativos" preferem processar informações interagindo diretamente com os materiais de aprendizagem, aprendem fazendo e tendem a aprender em grupos. O LS "reflexivo" refere -se ao aprendizado através do pensamento e prefere trabalhar sozinho. A dimensão "percebendo" da LS pode ser dividida em "sentimento" e/ou "intuição". Os alunos de “sentimento” preferem informações mais concretas e procedimentos práticos, são orientados a fatos em comparação com os alunos “intuitivos” que preferem material abstrato e são de natureza mais inovadora e criativa. A dimensão "entrada" do LS consiste em alunos "visuais" e "verbais". Pessoas com LS “visual” preferem aprender através de demonstrações visuais (como diagramas, vídeos ou demonstrações ao vivo), enquanto as pessoas com LS “verbal” preferem aprender através de palavras em explicações escritas ou orais. Para "entender" as dimensões do LS, esses alunos podem ser divididos em "sequencial" e "global". “Os alunos seqüenciais preferem um processo de pensamento linear e aprendem passo a passo, enquanto os alunos globais tendem a ter um processo holístico de pensamento e sempre entendem melhor o que estão aprendendo.
Recentemente, muitos pesquisadores começaram a explorar métodos para descoberta automática orientada a dados, incluindo o desenvolvimento de novos algoritmos e modelos capazes de interpretar grandes quantidades de dados [15, 16]. Com base nos dados fornecidos, o ML supervisionado (aprendizado de máquina) é capaz de gerar padrões e hipóteses que prevêem resultados futuros com base na construção de algoritmos [17]. Simplificando, as técnicas supervisionadas de aprendizado de máquina manipulam dados de entrada e treinam algoritmos. Em seguida, gera um intervalo que classifica ou prevê o resultado com base em situações semelhantes para os dados de entrada fornecidos. A principal vantagem dos algoritmos supervisionados de aprendizado de máquina é sua capacidade de estabelecer resultados ideais e desejados [17].
Através do uso de métodos orientados a dados e modelos de controle de árvores de decisão, a detecção automática de LS é possível. Foi relatado que as árvores de decisão são amplamente utilizadas em programas de treinamento em vários campos, incluindo ciências da saúde [18, 19]. Neste estudo, o modelo foi treinado especificamente pelos desenvolvedores do sistema para identificar o LS dos alunos e recomendar o melhor para eles.
O objetivo deste estudo é desenvolver as estratégias de entrega com base no LS dos alunos e aplicar a abordagem SCL, desenvolvendo uma ferramenta de recomendação mapeada para LS. O fluxo de design da ferramenta de recomendação do SI como uma estratégia do método SCL é mostrado na Figura 1. A ferramenta de recomendação IS é dividida em duas partes, incluindo o mecanismo de classificação LS usando ILs e o mais adequado é exibido para os alunos.
Em particular, as características das ferramentas de recomendação de segurança da informação incluem o uso de tecnologias da Web e o uso do aprendizado de máquina de árvores de decisão. Os desenvolvedores do sistema melhoram a experiência e a mobilidade do usuário, adaptando -os a dispositivos móveis, como telefones celulares e tablets.
O experimento foi realizado em duas etapas e estudantes da Faculdade de Odontologia da Universidade da Malásia participaram de uma base voluntária. Os participantes responderam aos M-ILs online de um estudante de odontologia em inglês. Na fase inicial, um conjunto de dados de 50 alunos foi usado para treinar o algoritmo de aprendizado de máquina em árvore de decisão. Na segunda fase do processo de desenvolvimento, um conjunto de dados de 255 alunos foi usado para melhorar a precisão do instrumento desenvolvido.
Todos os participantes recebem um briefing on -line no início de cada etapa, dependendo do ano acadêmico, via Microsoft Teams. O objetivo do estudo foi explicado e o consentimento informado foi obtido. Todos os participantes receberam um link para acessar os M-ILs. Cada aluno foi instruído a responder a todos os 44 itens no questionário. Eles receberam uma semana para concluir as ILs modificadas em um momento e local convenientes para eles durante o semestre antes do início do semestre. O M-ILS é baseado no instrumento ILS original e modificado para estudantes de odontologia. Semelhante ao ILS original, ele contém 44 itens distribuídos uniformemente (a, b), com 11 itens cada, que são usados para avaliar aspectos de cada dimensão FSLSM.
Durante os estágios iniciais do desenvolvimento de ferramentas, os pesquisadores anotaram manualmente os mapas usando um conjunto de dados de 50 estudantes de odontologia. De acordo com o FSLM, o sistema fornece a soma das respostas "A" e "B". Para cada dimensão, se o aluno selecionar "A" como resposta, o LS será classificado como ativo/perceptivo/visual/sequencial, e se o aluno selecionar "B" como uma resposta, o aluno será classificado como reflexivo/intuitivo/linguístico . / aluno global.
Depois de calibrar o fluxo de trabalho entre pesquisadores de educação odontológica e desenvolvedores de sistemas, as perguntas foram selecionadas com base no domínio FLSSM e alimentadas no modelo ML para prever o LS de cada aluno. "Lixo no lixo" é um ditado popular no campo do aprendizado de máquina, com ênfase na qualidade dos dados. A qualidade dos dados de entrada determina a precisão e a precisão do modelo de aprendizado de máquina. Durante a fase de engenharia de recursos, é criado um novo conjunto de recursos, que é a soma das respostas "A" e "B" com base no FLSSM. Os números de identificação das posições do medicamento são apresentados na Tabela 1.
Calcule a pontuação com base nas respostas e determine o LS do aluno. Para cada aluno, o alcance da pontuação é de 1 a 11. Pontuações de 1 a 3 indicam um equilíbrio de preferências de aprendizado na mesma dimensão, e as pontuações de 5 a 7 indicam uma preferência moderada, indicando que os alunos tendem a preferir um ambiente de ensino de outros que ensinam a outros . Outra variação na mesma dimensão é que as pontuações de 9 a 11 refletem uma forte preferência por uma extremidade ou outra [8].
Para cada dimensão, os medicamentos foram agrupados em "ativos", "reflexivos" e "equilibrados". Por exemplo, quando um aluno responde a "A" com mais frequência do que "B" em um item designado e sua pontuação excede o limite de 5 para um item específico que representa a dimensão do processamento de LS, ele pertence ao LS "ativo" domínio. . No entanto, os alunos foram classificados como LS "reflexivos" quando escolheram "B" mais do que "A" em 11 perguntas específicas (Tabela 1) e marcaram mais de 5 pontos. Finalmente, o aluno está em um estado de "equilíbrio". Se a pontuação não exceder 5 pontos, este é um LS de "processo". O processo de classificação foi repetido para as outras dimensões do LS, a saber, percepção (ativa/reflexiva), entrada (visual/verbal) e compreensão (sequencial/global).
Os modelos de árvores de decisão podem usar diferentes subconjuntos de recursos e regras de decisão em diferentes estágios do processo de classificação. É considerado uma ferramenta popular de classificação e previsão. Ele pode ser representado usando uma estrutura de árvore como um fluxograma [20], no qual existem nós internos representando testes por atributo, cada ramo que representa os resultados dos testes e cada nó foliar (nó da folha) contendo uma etiqueta de classe.
Um programa simples baseado em regras foi criado para pontuar e anotar automaticamente o LS de cada aluno com base em suas respostas. Baseado em regras assume a forma de uma instrução IF, onde "se" descreve o gatilho e "então" especifica a ação a ser executada, por exemplo: "Se x acontecer, então faça y" (Liu et al., 2014). Se o conjunto de dados exibir correlação e o modelo de árvore de decisão for treinado e avaliado adequadamente, essa abordagem pode ser uma maneira eficaz de automatizar o processo de correspondência de LS e IS.
Na segunda fase de desenvolvimento, o conjunto de dados foi aumentado para 255 para melhorar a precisão da ferramenta de recomendação. O conjunto de dados é dividido em uma proporção de 1: 4. 25% (64) do conjunto de dados foram utilizados para o conjunto de testes e os 75% restantes (191) foram usados como conjunto de treinamento (Figura 2). O conjunto de dados precisa ser dividido para impedir que o modelo seja treinado e testado no mesmo conjunto de dados, o que pode fazer com que o modelo se lembre em vez de aprender. O modelo é treinado no conjunto de treinamento e avalia seu desempenho no conjunto de testes - os dados que o modelo nunca viu antes.
Depois que a ferramenta IS for desenvolvida, o aplicativo poderá classificar o LS com base nas respostas dos estudantes de odontologia por meio de uma interface da Web. O sistema de ferramentas de recomendação de segurança da informação baseado na Web é criado usando a linguagem de programação Python usando a estrutura do Django como back-end. A Tabela 2 lista as bibliotecas usadas no desenvolvimento deste sistema.
O conjunto de dados é alimentado a um modelo de árvore de decisão para calcular e extrair as respostas dos alunos para classificar automaticamente as medições de LS dos alunos.
A matriz de confusão é usada para avaliar a precisão de um algoritmo de aprendizado de máquina em árvore de decisão em um determinado conjunto de dados. Ao mesmo tempo, avalia o desempenho do modelo de classificação. Ele resume as previsões do modelo e as compara aos rótulos de dados reais. Os resultados da avaliação são baseados em quatro valores diferentes: verdadeiro positivo (TP) - o modelo previu corretamente a categoria positiva, falsa positiva (FP) - o modelo previu a categoria positiva, mas o rótulo verdadeiro foi negativo, verdadeiro negativo (TN) - O modelo previu corretamente a classe negativa e o falso negativo (FN) - o modelo prevê uma classe negativa, mas o rótulo verdadeiro é positivo.
Esses valores são então usados para calcular várias métricas de desempenho do modelo de classificação Scikit-Learn em Python, ou seja, precisão, precisão, recall e pontuação de F1. Aqui estão exemplos:
O recall (ou sensibilidade) mede a capacidade do modelo de classificar com precisão o LS de um aluno depois de responder ao questionário M-ILS.
A especificidade é chamada de taxa negativa verdadeira. Como você pode ver na fórmula acima, essa deve ser a proporção de negativos verdadeiros (TN) e negativos verdadeiros e falsos positivos (FP). Como parte da ferramenta recomendada para classificar os medicamentos para estudantes, ela deve ser capaz de identificação precisa.
O conjunto de dados original de 50 alunos usados para treinar o modelo de árvore de decisão ML mostrou precisão relativamente baixa devido a erro humano nas anotações (Tabela 3). Depois de criar um programa simples baseado em regras para calcular automaticamente as pontuações do LS e as anotações dos alunos, um número crescente de conjuntos de dados (255) foi usado para treinar e testar o sistema de recomendação.
Na matriz de confusão multiclasse, os elementos diagonais representam o número de previsões corretas para cada tipo de LS (Figura 4). Usando o modelo de árvore de decisão, um total de 64 amostras foi previsto corretamente. Assim, neste estudo, os elementos diagonais mostram os resultados esperados, indicando que o modelo tem um bom desempenho e prevê com precisão o rótulo da classe para cada classificação LS. Assim, a precisão geral da ferramenta de recomendação é de 100%.
Os valores de precisão, precisão, recall e pontuação de F1 são mostrados na Figura 5. Para o sistema de recomendação usando o modelo de árvore de decisão, sua pontuação de F1 é 1,0 "perfeita", indicando precisão e recordação perfeitas, refletindo sensibilidade e especificidade significativas valores.
A Figura 6 mostra uma visualização do modelo de árvore de decisão após o treinamento e o teste. Em uma comparação lado a lado, o modelo de árvore de decisão treinado com menos recursos mostrou maior precisão e visualização mais fácil do modelo. Isso mostra que a engenharia de recursos levando à redução de recursos é uma etapa importante para melhorar o desempenho do modelo.
Ao aplicar o aprendizado supervisionado por árvores de decisão, o mapeamento entre LS (entrada) e IS (saída de destino) é gerado automaticamente e contém informações detalhadas para cada LS.
Os resultados mostraram que 34,9% dos 255 alunos preferiram uma (1) opção LS. A maioria (54,3%) tinha duas ou mais preferências de LS. 12,2% dos estudantes observaram que o LS é bastante equilibrado (Tabela 4). Além dos oito principais LS, existem 34 combinações de classificações de LS para estudantes de odontologia da Universidade da Malásia. Entre eles, a percepção, a visão e a combinação de percepção e visão são os principais Ls relatados pelos alunos (Figura 7).
Como pode ser visto na Tabela 4, a maioria dos estudantes teve um LS sensorial predominante (13,7%) ou visual (8,6%). Foi relatado que 12,2% dos estudantes combinaram percepção com visão (LS perceptual visual). Essas descobertas sugerem que os alunos preferem aprender e lembrar por métodos estabelecidos, seguir procedimentos específicos e detalhados e estão atentos por natureza. Ao mesmo tempo, eles gostam de aprender olhando (usando diagramas, etc.) e tendem a discutir e aplicar informações em grupos ou por conta própria.
Este estudo fornece uma visão geral das técnicas de aprendizado de máquina usadas na mineração de dados, com foco em prever instantaneamente e com precisão o LS dos alunos e a recomendação adequada. A aplicação de um modelo de árvore de decisão identificou os fatores mais intimamente relacionados à sua vida e às experiências educacionais. É um algoritmo de aprendizado de máquina supervisionado que usa uma estrutura de árvore para classificar os dados dividindo um conjunto de dados em subcategorias com base em determinados critérios. Ele funciona dividindo recursivamente os dados de entrada em subconjuntos com base no valor de um dos recursos de entrada de cada nó interno até que uma decisão seja tomada no nó foliar.
Os nós internos da árvore de decisão representam a solução com base nas características de entrada do problema do M-ILS, e os nós foliares representam a previsão final da classificação do LS. Ao longo do estudo, é fácil entender a hierarquia das árvores de decisão que explicam e visualizam o processo de decisão, analisando a relação entre os recursos de entrada e as previsões de saída.
Nos campos da ciência da computação e engenharia, os algoritmos de aprendizado de máquina são amplamente utilizados para prever o desempenho do aluno com base nas pontuações dos exames de admissão [21], informações demográficas e comportamento de aprendizado [22]. A pesquisa mostrou que o algoritmo previu com precisão o desempenho dos alunos e os ajudou a identificar os alunos em risco de dificuldades acadêmicas.
A aplicação de algoritmos ML no desenvolvimento de simuladores de pacientes virtuais para treinamento odontológico é relatado. O simulador é capaz de reproduzir com precisão as respostas fisiológicas de pacientes reais e pode ser usado para treinar estudantes odontológicos em um ambiente seguro e controlado [23]. Vários outros estudos mostram que os algoritmos de aprendizado de máquina podem potencialmente melhorar a qualidade e a eficiência da educação odontológica e médica e atendimento ao paciente. Os algoritmos de aprendizado de máquina têm sido usados para ajudar no diagnóstico de doenças dentárias com base em conjuntos de dados como sintomas e características do paciente [24, 25]. Enquanto outros estudos exploraram o uso de algoritmos de aprendizado de máquina para realizar tarefas como prever resultados dos pacientes, identificar pacientes de alto risco, desenvolver planos de tratamento personalizados [26], tratamento periodontal [27] e tratamento de cárie [25].
Embora os relatórios sobre a aplicação do aprendizado de máquina em odontologia tenham sido publicados, sua aplicação no ensino odontológico permanece limitada. Portanto, este estudo teve como objetivo usar um modelo de árvore de decisão para identificar fatores mais intimamente associados ao LS e está entre os estudantes de odontologia.
Os resultados deste estudo mostram que a ferramenta de recomendação desenvolvida tem alta precisão e precisão perfeita, indicando que os professores podem se beneficiar dessa ferramenta. Usando um processo de classificação orientado a dados, ele pode fornecer recomendações personalizadas e melhorar as experiências e resultados educacionais para educadores e alunos. Entre eles, as informações obtidas por meio de ferramentas de recomendação podem resolver conflitos entre os métodos de ensino preferidos dos professores e as necessidades de aprendizado dos alunos. Por exemplo, devido à saída automatizada das ferramentas de recomendação, o tempo necessário para identificar o IP de um aluno e combiná -lo com o IP correspondente será significativamente reduzido. Dessa forma, atividades de treinamento e materiais de treinamento adequados podem ser organizados. Isso ajuda a desenvolver o comportamento positivo de aprendizado dos alunos e a capacidade de se concentrar. Um estudo relatou que fornecer aos alunos materiais de aprendizagem e atividades de aprendizagem que correspondem ao seu LS preferido pode ajudar os alunos a integrar, processar e desfrutar de aprender de várias maneiras para obter maior potencial [12]. A pesquisa também mostra que, além de melhorar a participação dos alunos na sala de aula, entender o processo de aprendizagem dos alunos também desempenha um papel crítico na melhoria das práticas de ensino e na comunicação com os alunos [28, 29].
No entanto, como em qualquer tecnologia moderna, existem problemas e limitações. Isso inclui questões relacionadas à privacidade de dados, preconceitos e justiça e as habilidades e recursos profissionais necessários para desenvolver e implementar algoritmos de aprendizado de máquina no ensino odontológico; No entanto, o crescente interesse e pesquisas nessa área sugerem que as tecnologias de aprendizado de máquina podem ter um impacto positivo no ensino odontológico e nos serviços odontológicos.
Os resultados deste estudo indicam que metade dos estudantes de odontologia tende a "perceber" os medicamentos. Esse tipo de aluno tem uma preferência por fatos e exemplos concretos, uma orientação prática, paciência para detalhes e uma preferência de LS "visual", onde os alunos preferem usar imagens, gráficos, cores e mapas para transmitir idéias e pensamentos. Os resultados atuais são consistentes com outros estudos usando ILs para avaliar LS em estudantes odontológicos e de medicina, a maioria dos quais têm características de LS perceptivo e visual [12, 30]. Dalmolin et al sugerem que informar os alunos sobre seu LS permite que eles atinjam seu potencial de aprendizado. Os pesquisadores argumentam que, quando os professores entendem completamente o processo educacional dos alunos, vários métodos e atividades de ensino podem ser implementados que melhoram o desempenho e a experiência de aprendizado dos alunos [12, 31, 32]. Outros estudos mostraram que o ajuste do LS dos alunos também mostra melhorias na experiência e desempenho de aprendizado dos alunos depois de alterar seus estilos de aprendizagem para se adequar ao seu próprio LS [13, 33].
As opiniões dos professores podem variar em relação à implementação de estratégias de ensino com base nas habilidades de aprendizagem dos alunos. Enquanto alguns veem os benefícios dessa abordagem, incluindo oportunidades de desenvolvimento profissional, orientação e apoio da comunidade, outros podem estar preocupados com o tempo e o apoio institucional. O luto pelo equilíbrio é essencial para criar uma atitude centrada no aluno. As autoridades do ensino superior, como administradores de universidades, podem desempenhar um papel importante na condução de mudanças positivas, introduzindo práticas inovadoras e apoiando o desenvolvimento do corpo docente [34]. Para criar um sistema de ensino superior verdadeiramente dinâmico e responsivo, os formuladores de políticas devem dar passos ousados, como fazer mudanças de políticas, dedicar recursos à integração da tecnologia e criar estruturas que promovam abordagens centradas no aluno. Essas medidas são críticas para alcançar os resultados desejados. Pesquisas recentes sobre instrução diferenciada mostraram claramente que a implementação bem -sucedida de instruções diferenciadas requer oportunidades contínuas de treinamento e desenvolvimento para professores [35].
Essa ferramenta fornece um apoio valioso aos educadores odontológicos que desejam adotar uma abordagem centrada no aluno para planejar atividades de aprendizado amigáveis ao aluno. No entanto, este estudo é limitado ao uso de modelos de árvore de decisão ML. No futuro, mais dados devem ser coletados para comparar o desempenho de diferentes modelos de aprendizado de máquina para comparar a precisão, confiabilidade e precisão das ferramentas de recomendação. Além disso, ao escolher o método de aprendizado de máquina mais apropriado para uma tarefa específica, é importante considerar outros fatores, como complexidade e interpretação do modelo.
Uma limitação deste estudo é que ele se concentrou apenas no mapeamento de LS e está entre os estudantes de odontologia. Portanto, o sistema de recomendação desenvolvido recomendará apenas aqueles que são adequados para estudantes de odontologia. As mudanças são necessárias para o uso geral dos alunos do ensino superior.
A nova ferramenta de recomendação baseada em aprendizado de máquina é capaz de classificar e combinar instantaneamente os alunos dos alunos com o correspondente, tornando-o o primeiro programa de educação odontológica para ajudar os educadores dentários a planejar atividades relevantes de ensino e aprendizagem. Usando um processo de triagem orientado a dados, ele pode fornecer recomendações personalizadas, economizar tempo, melhorar estratégias de ensino, apoiar intervenções direcionadas e promover o desenvolvimento profissional em andamento. Sua aplicação promoverá abordagens centradas no aluno para a educação odontológica.
Gilak Jani Associated Press. Combine ou incompatibilidade entre o estilo de aprendizagem do aluno e o estilo de ensino do professor. Int J Mod Educ Educ Computer Science. 2012; 4 (11): 51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Hora de postagem: 29-2024 de abril