Há uma necessidade crescente de aprendizagem centrada no aluno (SCL) em instituições de ensino superior, incluindo odontologia.No entanto, o SCL tem aplicação limitada na educação odontológica.Portanto, este estudo tem como objetivo promover a aplicação do SCL em odontologia usando a tecnologia de aprendizado de máquina de árvore de decisão (ML) para mapear o estilo de aprendizagem preferido (LS) e as estratégias de aprendizagem (IS) correspondentes de estudantes de odontologia como uma ferramenta útil para o desenvolvimento de diretrizes de SI. .Métodos promissores para estudantes de odontologia.
Um total de 255 estudantes de odontologia da Universidade da Malásia preencheram o questionário modificado do Índice de Estilos de Aprendizagem (m-ILS), que continha 44 itens para classificá-los em seus respectivos LSs.Os dados coletados (chamados de conjunto de dados) são usados na aprendizagem supervisionada da árvore de decisão para combinar automaticamente os estilos de aprendizagem dos alunos com o SI mais apropriado.A precisão da ferramenta de recomendação de SI baseada em aprendizado de máquina é então avaliada.
A aplicação de modelos de árvore de decisão em um processo de mapeamento automatizado entre LS (entrada) e IS (saída alvo) permite uma lista imediata de estratégias de aprendizagem adequadas para cada estudante de odontologia.A ferramenta de recomendação IS demonstrou perfeita precisão e recuperação da precisão geral do modelo, indicando que a correspondência de LS com IS tem boa sensibilidade e especificidade.
Uma ferramenta de recomendação de SI baseada em uma árvore de decisão de ML provou sua capacidade de combinar com precisão os estilos de aprendizagem dos estudantes de odontologia com estratégias de aprendizagem apropriadas.Esta ferramenta oferece opções poderosas para planejar cursos ou módulos centrados no aluno que podem aprimorar a experiência de aprendizagem dos alunos.
Ensinar e aprender são atividades fundamentais nas instituições de ensino.Ao desenvolver um sistema de ensino profissional de alta qualidade, é importante concentrar-se nas necessidades de aprendizagem dos alunos.A interação entre os alunos e o seu ambiente de aprendizagem pode ser determinada através do seu LS.A investigação sugere que as incompatibilidades pretendidas pelo professor entre o LS e o IS dos alunos podem ter consequências negativas para a aprendizagem dos alunos, tais como diminuição da atenção e da motivação.Isso afetará indiretamente o desempenho dos alunos [1,2].
SI é um método usado pelos professores para transmitir conhecimentos e habilidades aos alunos, inclusive ajudando os alunos a aprender [3].De modo geral, bons professores planejam estratégias de ensino ou SI que melhor correspondam ao nível de conhecimento de seus alunos, aos conceitos que estão aprendendo e ao seu estágio de aprendizagem.Teoricamente, quando LS e IS combinam, os alunos serão capazes de organizar e utilizar um conjunto específico de competências para aprender de forma eficaz.Normalmente, um plano de aula inclui várias transições entre estágios, como do ensino para a prática guiada ou da prática guiada para a prática independente.Com isto em mente, professores eficazes muitas vezes planejam o ensino com o objetivo de desenvolver o conhecimento e as habilidades dos alunos [4].
A procura pelo SCL é crescente nas instituições de ensino superior, inclusive na odontologia.As estratégias SCL são projetadas para atender às necessidades de aprendizagem dos alunos.Isto pode ser alcançado, por exemplo, se os alunos participarem ativamente nas atividades de aprendizagem e os professores atuarem como facilitadores e forem responsáveis por fornecer feedback valioso.Diz-se que fornecer materiais e atividades de aprendizagem apropriados ao nível educacional ou às preferências dos alunos pode melhorar o ambiente de aprendizagem dos alunos e promover experiências de aprendizagem positivas [5].
De modo geral, o processo de aprendizagem dos estudantes de odontologia é influenciado pelos diversos procedimentos clínicos que são obrigados a realizar e pelo ambiente clínico em que desenvolvem habilidades interpessoais eficazes.O objetivo da formação é capacitar os alunos para combinar conhecimentos básicos de odontologia com habilidades clínicas dentárias e aplicar os conhecimentos adquiridos a novas situações clínicas [6, 7].As primeiras pesquisas sobre a relação entre LS e SI descobriram que ajustar as estratégias de aprendizagem mapeadas 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 adaptar-se à aprendizagem e às necessidades dos alunos.
Os professores beneficiam da aplicação do conhecimento da LS para os ajudar a conceber, desenvolver e implementar instruções que irão melhorar a aquisição de conhecimentos mais profundos e a compreensão do assunto pelos alunos.Os pesquisadores desenvolveram várias ferramentas de avaliação de LS, como o Modelo de Aprendizagem Experiencial Kolb, o Modelo de Estilo de Aprendizagem Felder-Silverman (FSLSM) e o Modelo Fleming VAK/VARK [5, 9, 10].De acordo com a literatura, esses modelos de aprendizagem são os modelos de aprendizagem mais utilizados e mais estudados.No atual trabalho de pesquisa, o FSLSM é utilizado para avaliar o LS entre estudantes de odontologia.
FSLSM é um modelo amplamente utilizado para avaliar a aprendizagem adaptativa em engenharia.Existem muitos trabalhos publicados nas ciências da saúde (incluindo medicina, enfermagem, farmácia e odontologia) que podem ser encontrados usando modelos FSLSM [5, 11, 12, 13].O instrumento utilizado para medir as dimensões do SL no FLSM é denominado Índice de Estilos de Aprendizagem (ILS) [8], que contém 44 itens que avaliam quatro dimensões do SL: processamento (ativo/reflexivo), percepção (perceptual/intuitivo), entrada (visual)./verbal) e compreensão (sequencial/global) [14].
Conforme mostrado na Figura 1, cada dimensão do FSLSM tem uma preferência dominante.Por exemplo, na dimensão de processamento, os alunos com LS “ativo” preferem processar a informação interagindo diretamente com os materiais de aprendizagem, aprender fazendo e tendem a aprender em grupo.O LS “reflexivo” refere-se à aprendizagem através do pensamento e prefere trabalhar sozinho.A dimensão “percepção” da LS pode ser dividida em “sentimento” e/ou “intuição”.Os alunos “sensíveis” preferem informações mais concretas e procedimentos práticos, são orientados para os factos em comparação com os alunos “intuitivos” que preferem material abstrato e são mais inovadores e criativos por natureza.A dimensão “input” 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 pessoas com LS “verbal” preferem aprender através de palavras em explicações escritas ou orais.Para “compreender” as dimensões de LS, tais aprendizes podem ser divididos em “sequenciais” e “globais”.“Os alunos sequenciais preferem um processo de pensamento linear e aprendem passo a passo, enquanto os alunos globais tendem a ter um processo de pensamento holístico e têm sempre uma melhor compreensão do que estão a aprender.
Recentemente, muitos pesquisadores começaram a explorar métodos para descoberta automática baseada em 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 preveem resultados futuros com base na construção de algoritmos [17].Simplificando, as técnicas de aprendizado de máquina supervisionado 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 de aprendizado de máquina supervisionado é sua capacidade de estabelecer resultados ideais e desejados [17].
Através do uso de métodos baseados em dados e modelos de controle de árvore 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 SI para eles.
O objetivo deste estudo é desenvolver estratégias de entrega de SI baseadas no LS dos alunos e aplicar a abordagem SCL através do desenvolvimento de uma ferramenta de recomendação de SI mapeada para LS.O fluxo de design da ferramenta de recomendação de SI como estratégia do método SCL é mostrado na Figura 1. A ferramenta de recomendação de SI é dividida em duas partes, incluindo o mecanismo de classificação LS usando ILS e a exibição de SI mais adequada para os alunos.
Em particular, as características das ferramentas de recomendação de segurança da informação incluem o uso de tecnologias web e o uso de aprendizado de máquina de árvore de decisão.Os desenvolvedores de sistemas melhoram a experiência e a mobilidade do usuário, adaptando-os a dispositivos móveis, como celulares e tablets.
O experimento foi realizado em duas etapas e alunos da Faculdade de Odontologia da Universidade da Malásia participaram de forma voluntária.Os participantes responderam ao m-ILS on-line de um estudante de odontologia em inglês.Na fase inicial, um conjunto de dados de 50 alunos foi utilizado para treinar o algoritmo de aprendizado de máquina da árvore de decisão.Na segunda fase do processo de desenvolvimento, foi utilizado um conjunto de dados de 255 alunos para melhorar a precisão do instrumento desenvolvido.
Todos os participantes recebem um briefing online no início de cada etapa, dependendo do ano letivo, através do Microsoft Teams.O objetivo do estudo foi explicado e o consentimento informado foi obtido.Todos os participantes receberam um link para acessar o m-ILS.Cada aluno foi instruído a responder todos os 44 itens do questionário.Eles tiveram uma semana para completar o ILS modificado em um horário e local conveniente para eles durante o intervalo do 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, contém 44 itens distribuídos uniformemente (a, b), com 11 itens cada, que são utilizados para avaliar aspectos de cada dimensão do FSLSM.
Durante os estágios iniciais de desenvolvimento da ferramenta, os pesquisadores anotaram manualmente os mapas usando um conjunto de dados de 50 estudantes de odontologia.Segundo o FSLM, o sistema fornece a soma das respostas “a” e “b”.Para cada dimensão, se o aluno selecionar “a” como resposta, o LS é classificado como Ativo/Perceptual/Visual/Sequencial, e se o aluno selecionar “b” como resposta, o aluno é classificado como Reflexivo/Intuitivo/Linguístico ./ aluno global.
Depois de calibrar o fluxo de trabalho entre pesquisadores de educação odontológica e desenvolvedores de sistemas, as questões foram selecionadas com base no domínio FLSSM e alimentadas no modelo ML para prever o LS de cada aluno.“Entra lixo, sai lixo” é um ditado popular na área de aprendizado de máquina, com ênfase na qualidade dos dados.A qualidade dos dados de entrada determina a precisão e exatidão do modelo de aprendizado de máquina.Durante a fase de engenharia de recursos, um novo conjunto de recursos é criado que é a soma das respostas “a” e “b” com base no FLSSM.Os números de identificação das posições dos medicamentos são apresentados na Tabela 1.
Calcule a pontuação com base nas respostas e determine o LS do aluno.Para cada aluno, a pontuação varia de 1 a 11. Pontuações de 1 a 3 indicam um equilíbrio de preferências de aprendizagem dentro da mesma dimensão, e pontuações de 5 a 7 indicam uma preferência moderada, indicando que os alunos tendem a preferir um ambiente ensinando outros. .Outra variação na mesma dimensão é que pontuações de 9 a 11 refletem uma forte preferência por um extremo ou outro [8].
Para cada dimensão, os medicamentos foram agrupados em “ativos”, “reflexivos” e “equilibrados”.Por exemplo, quando um aluno responde “a” com mais frequência do que “b” num item designado e a sua pontuação excede o limite de 5 para um item específico que representa a dimensão LS Processamento, ele/ela pertence à LS “ativa”. domínio..Contudo, os estudantes foram classificados como LS “reflexivos” quando escolheram mais “b” do que “a” em 11 questões específicas (Tabela 1) e obtiveram mais de 5 pontos.Finalmente, o aluno está em um estado de “equilíbrio”.Se a pontuação não ultrapassar 5 pontos, então este é um LS de “processo”.O processo de classificação foi repetido para as demais dimensões da LS, nomeadamente percepção (ativa/reflexiva), input (visual/verbal) e compreensão (sequencial/global).
Os modelos de árvore de decisão podem usar diferentes subconjuntos de recursos e regras de decisão em diferentes estágios do processo de classificação.É considerada uma ferramenta popular de classificação e previsão.Ele pode ser representado usando uma estrutura em árvore como um fluxograma [20], no qual existem nós internos representando os testes por atributo, cada ramo representando os resultados dos testes e cada nó folha (nó folha) contendo um rótulo 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 “IF” descreve o gatilho e “THEN” especifica a ação a ser executada, por exemplo: “Se X acontecer, então faça Y” (Liu et al., 2014).Se o conjunto de dados apresentar correlação e o modelo de árvore de decisão for devidamente treinado e avaliado, esta abordagem pode ser uma forma 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 teste e os 75% restantes (191) foram utilizados como conjunto de treinamento (Figura 2).O conjunto de dados precisa ser dividido para evitar que o modelo seja treinado e testado no mesmo conjunto de dados, o que poderia fazer com que o modelo lembrasse em vez de aprender.O modelo é treinado no conjunto de treinamento e avalia seu desempenho no conjunto de teste – dados que o modelo nunca viu antes.
Uma vez desenvolvida a ferramenta IS, o aplicativo será capaz de classificar LS com base nas respostas dos estudantes de odontologia por meio de uma interface web.O sistema de ferramenta de recomendação de segurança da informação baseado na web é construído usando a linguagem de programação Python usando a estrutura Django como backend.A Tabela 2 lista as bibliotecas utilizadas no desenvolvimento deste sistema.
O conjunto de dados é alimentado em um modelo de árvore de decisão para calcular e extrair as respostas dos alunos para classificar automaticamente as medidas de LS dos alunos.
A matriz de confusão é usada para avaliar a precisão de um algoritmo de aprendizado de máquina de 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 com os rótulos de dados reais.Os resultados da avaliação são baseados em quatro valores diferentes: Verdadeiro Positivo (TP) – o modelo previu corretamente a categoria positiva, Falso Positivo (FP) – o modelo previu a categoria positiva, mas o rótulo verdadeiro foi negativo, Verdadeiro Negativo (TN) – o modelo previu corretamente a classe negativa e 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 F1.Aqui estão alguns exemplos:
A recordação (ou sensibilidade) mede a capacidade do modelo de classificar com precisão o LS de um aluno após responder ao questionário m-ILS.
A especificidade é chamada de taxa verdadeiramente negativa.Como você pode ver na fórmula acima, esta deve ser a proporção entre verdadeiros negativos (TN) e verdadeiros negativos e falsos positivos (FP).Como parte da ferramenta recomendada para classificação de drogas estudantis, ela deve ser capaz de permitir uma identificação precisa.
O conjunto de dados original de 50 alunos usado para treinar o modelo de ML da árvore de decisão apresentou 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 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 predições corretas para cada tipo de LS (Figura 4).Usando o modelo de árvore de decisão, um total de 64 amostras foram previstas corretamente.Assim, neste estudo, os elementos diagonais apresentam os resultados esperados, indicando que o modelo tem um bom desempenho e prevê com precisão o rótulo de classe para cada classificação LS.Assim, a precisão global da ferramenta de recomendação é de 100%.
Os valores de exatidão, precisão, recall e pontuação F1 são mostrados na Figura 5. Para o sistema de recomendação usando o modelo de árvore de decisão, sua pontuação F1 é 1,0 “perfeito”, indicando precisão e recall perfeitos, refletindo sensibilidade e especificidade significativas. valores.
A Figura 6 mostra uma visualização do modelo de árvore de decisão após a conclusão do treinamento e do teste.Em uma comparação lado a lado, o modelo de árvore de decisão treinado com menos recursos apresentou maior precisão e maior facilidade de visualização do modelo.Isso mostra que a engenharia de recursos que leva à redução de recursos é um passo importante para melhorar o desempenho do modelo.
Ao aplicar a aprendizagem supervisionada por árvore de decisão, o mapeamento entre LS (entrada) e IS (saída alvo) 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 alunos notaram que o LS é bastante equilibrado (Tabela 4).Além dos oito LS principais, existem 34 combinações de classificações LS para estudantes de odontologia da Universidade da Malásia.Dentre eles, a percepção, a visão e a combinação de percepção e visão são os principais LS relatados pelos estudantes (Figura 7).
Como pode ser observado na Tabela 4, a maioria dos alunos apresentou LS predominantemente sensorial (13,7%) ou visual (8,6%).Foi relatado que 12,2% dos estudantes combinavam percepção com visão (LS perceptivo-visual).Estas descobertas sugerem que os alunos preferem aprender e lembrar através de métodos estabelecidos, seguem procedimentos específicos e detalhados e são atentos por natureza.Ao mesmo tempo, gostam de aprender olhando (usando diagramas, etc.) e tendem a discutir e aplicar informações em grupos ou sozinhos.
Este estudo fornece uma visão geral das técnicas de aprendizado de máquina usadas na mineração de dados, com foco na previsão instantânea e precisa do LS dos alunos e na recomendação de SI adequado.A aplicação de um modelo de árvore de decisão identificou os fatores mais intimamente relacionados às suas experiências de vida e educacionais.É um algoritmo de aprendizado de máquina supervisionado que usa uma estrutura em árvore para classificar 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 folha.
Os nós internos da árvore de decisão representam a solução baseada nas características de entrada do problema m-ILS, e os nós folha representam a previsão final da classificação LS.Ao longo do estudo, é fácil compreender a hierarquia das árvores de decisão que explicam e visualizam o processo de decisão, observando a relação entre os recursos de entrada e as previsões de saída.
Nas áreas de ciência da computação e engenharia, algoritmos de aprendizado de máquina são amplamente utilizados para prever o desempenho dos alunos com base nas notas do vestibular [21], informações demográficas e comportamento de aprendizagem [22].A pesquisa mostrou que o algoritmo previu com precisão o desempenho dos alunos e os ajudou a identificar alunos em risco de dificuldades acadêmicas.
É relatada a aplicação de algoritmos de ML no desenvolvimento de simuladores virtuais de pacientes para treinamento odontológico.O simulador é capaz de reproduzir com precisão as respostas fisiológicas de pacientes reais e pode ser utilizado para treinar estudantes de odontologia em um ambiente seguro e controlado [23].Vários outros estudos mostram que algoritmos de aprendizado de máquina podem melhorar potencialmente a qualidade e a eficiência da educação odontológica e médica e do atendimento ao paciente.Algoritmos de aprendizado de máquina têm sido usados para auxiliar 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 de pacientes, identificar pacientes de alto risco, desenvolver planos de tratamento personalizados [26], tratamento periodontal [27] e tratamento de cárie [25].
Embora tenham sido publicados relatórios sobre a aplicação de aprendizado de máquina em odontologia, sua aplicação na educação odontológica permanece limitada.Portanto, este estudo teve como objetivo utilizar um modelo de árvore de decisão para identificar os fatores mais associados a LS e IS entre estudantes de odontologia.
Os resultados deste estudo mostram que a ferramenta de recomendação desenvolvida possui alta precisão e precisão perfeita, indicando que os professores podem se beneficiar desta ferramenta.Usando um processo de classificação baseado em dados, pode fornecer recomendações personalizadas e melhorar experiências e resultados educacionais para educadores e alunos.Entre eles, as informações obtidas através de ferramentas de recomendação podem resolver conflitos entre os métodos de ensino preferidos dos professores e as necessidades de aprendizagem dos alunos.Por exemplo, devido ao resultado automatizado das ferramentas de recomendação, o tempo necessário para identificar o IP de um aluno e combiná-lo com o IP correspondente será significativamente reduzido.Desta forma, podem ser organizadas atividades de formação e materiais de formação adequados.Isso ajuda a desenvolver o comportamento de aprendizagem positivo e a capacidade de concentração dos alunos.Um estudo relatou que fornecer aos alunos materiais de aprendizagem e atividades de aprendizagem que correspondam ao seu LS preferido pode ajudar os alunos a integrar, processar e desfrutar da aprendizagem de várias maneiras para alcançar um maior potencial [12].A pesquisa também mostra que, além de melhorar a participação dos alunos na sala de aula, a compreensão do 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 acontece com qualquer tecnologia moderna, existem problemas e limitações.Estas incluem questões relacionadas com a privacidade dos dados, preconceito e justiça, e as competências e recursos profissionais necessários para desenvolver e implementar algoritmos de aprendizagem automática na educação dentária;No entanto, o crescente interesse e investigação nesta área sugere que as tecnologias de aprendizagem automática podem ter um impacto positivo na educação dentária e nos serviços dentários.
Os resultados deste estudo indicam que metade dos estudantes de odontologia tem tendência a “perceber” os medicamentos.Este tipo de aluno tem preferência por factos e exemplos concretos, uma orientação prática, paciência para detalhes e uma preferência “visual” de LS, onde os alunos preferem usar imagens, gráficos, cores e mapas para transmitir ideias e pensamentos.Os resultados atuais são consistentes com outros estudos que utilizam ILS para avaliar LS em estudantes de odontologia e medicina, a maioria dos quais possui características de LS perceptivo e visual [12, 30].Dalmolin et al sugerem que informar os alunos sobre a sua LS permite-lhes atingir o seu potencial de aprendizagem.Os pesquisadores argumentam que quando os professores compreendem completamente o processo educacional dos alunos, vários métodos e atividades de ensino podem ser implementados que irão melhorar o desempenho e a experiência de aprendizagem dos alunos [12, 31, 32].Outros estudos mostraram que ajustar o LS dos alunos também mostra melhorias na experiência de aprendizagem e no desempenho dos alunos após mudarem seus estilos de aprendizagem para se adequarem ao seu próprio LS [13, 33].
As opiniões dos professores podem variar quanto à implementação de estratégias de ensino baseadas nas capacidades de aprendizagem dos alunos.Embora alguns vejam os benefícios desta abordagem, incluindo oportunidades de desenvolvimento profissional, orientação e apoio comunitário, outros podem estar preocupados com o tempo e o apoio institucional.Buscar o equilíbrio é a chave para criar uma atitude centrada no aluno.As autoridades do ensino superior, como os administradores universitários, podem desempenhar um papel importante na promoção 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 decisores políticos devem tomar medidas ousadas, tais como fazer mudanças políticas, dedicar recursos à integração tecnológica e criar quadros que promovam abordagens centradas no aluno.Estas medidas são fundamentais para alcançar os resultados desejados.Pesquisas recentes sobre ensino diferenciado mostraram claramente que a implementação bem-sucedida do ensino diferenciado requer treinamento contínuo e oportunidades de desenvolvimento para professores [35].
Esta ferramenta fornece suporte valioso para educadores odontológicos que desejam adotar uma abordagem centrada no aluno para planejar atividades de aprendizagem amigáveis aos alunos.No entanto, este estudo limita-se ao uso de modelos de ML de árvore de decisão.No futuro, mais dados deverão ser coletados para comparar o desempenho de diferentes modelos de aprendizado de máquina e comparar a exatidão, confiabilidade e precisão das ferramentas de recomendação.Além disso, ao escolher o método de aprendizado de máquina mais adequado 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 IS entre estudantes de odontologia.Portanto, o sistema de recomendação desenvolvido recomendará apenas aqueles que sejam adequados para estudantes de odontologia.As alterações são necessárias para uso geral dos estudantes do ensino superior.
A recém-desenvolvida ferramenta de recomendação baseada em aprendizado de máquina é capaz de classificar e combinar instantaneamente o LS dos alunos com o IS correspondente, tornando-o o primeiro programa de educação odontológica a ajudar os educadores odontológicos a planejar atividades de ensino e aprendizagem relevantes.Utilizando um processo de triagem baseado em dados, pode fornecer recomendações personalizadas, poupar tempo, melhorar estratégias de ensino, apoiar intervenções específicas e promover o desenvolvimento profissional contínuo.Sua aplicação promoverá abordagens centradas no aluno para a educação odontológica.
Gilak Jani Associated Press.Correspondência ou incompatibilidade entre o estilo de aprendizagem do aluno e o estilo de ensino do professor.Int J Mod Educ Ciência da Computação.2012;4(11):51–60.https://doi.org/10.5815/ijmecs.2012.11.05
Horário da postagem: 29 de abril de 2024