Há uma crescente necessidade de aprendizagem centrada no aluno (ACA) em instituições de ensino superior, incluindo a odontologia. No entanto, a ACA tem aplicação limitada no ensino odontológico. Portanto, este estudo visa promover a aplicação da ACA na odontologia utilizando a tecnologia de aprendizado de máquina (AM) com árvores de decisão para mapear o estilo de aprendizagem (EA) preferido e as estratégias de aprendizagem (EA) correspondentes de estudantes de odontologia, como uma ferramenta útil para o desenvolvimento de diretrizes de EA. Métodos promissores para estudantes de odontologia.
Um total de 255 estudantes de odontologia da Universidade da Malásia responderam ao questionário modificado do Índice de Estilos de Aprendizagem (m-ILS), que continha 44 itens para classificá-los em seus respectivos estilos de aprendizagem. Os dados coletados (denominados conjunto de dados) são utilizados em aprendizado supervisionado por árvore de decisão para associar automaticamente os estilos de aprendizagem dos estudantes ao sistema de informação (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 automatizado de mapeamento entre LS (entrada) e IS (saída desejada) permite a geração imediata de uma lista de estratégias de aprendizagem adequadas para cada estudante de odontologia. A ferramenta de recomendação de IS demonstrou precisão e recall perfeitos na acurácia geral do modelo, indicando que a correspondência entre LS e IS apresenta boa sensibilidade e especificidade.
Uma ferramenta de recomendação de sistemas de informação baseada em uma árvore de decisão de aprendizado de máquina comprovou sua capacidade de combinar com precisão os estilos de aprendizagem de estudantes de odontologia com estratégias de aprendizagem adequadas. Essa ferramenta oferece opções poderosas para o planejamento de cursos ou módulos centrados no aluno, que podem aprimorar a experiência de aprendizagem dos estudantes.
O ensino e a aprendizagem são atividades fundamentais nas instituições de ensino. Ao desenvolver um sistema de educação profissional de alta qualidade, é importante focar nas necessidades de aprendizagem dos alunos. A interação entre os alunos e seu ambiente de aprendizagem pode ser determinada por meio de suas necessidades de aprendizagem (VA). Pesquisas sugerem que a incompatibilidade intencional entre as VA e as necessidades de aprendizagem dos alunos, provocada pelos professores, pode ter consequências negativas para a aprendizagem, como a diminuição da atenção e da motivação. Isso afetará indiretamente o desempenho dos alunos [1,2].
A estratégia de ensino (EE) é um método utilizado pelos professores para transmitir conhecimentos e habilidades aos alunos, incluindo o auxílio na aprendizagem [3]. De modo geral, bons professores planejam estratégias de ensino ou EE que melhor se adequem ao nível de conhecimento dos alunos, aos conceitos que estão aprendendo e ao seu estágio de aprendizagem. Teoricamente, quando o plano de aula (PA) e a EE são compatíveis, os alunos serão capazes de organizar e utilizar um conjunto específico de habilidades para aprender com eficácia. Normalmente, um plano de aula inclui diversas transições entre estágios, como da instrução para a prática guiada ou da prática guiada para a prática independente. Com isso em mente, professores eficazes frequentemente planejam o ensino com o objetivo de desenvolver o conhecimento e as habilidades dos alunos [4].
A procura por Aprendizagem Colaborativa Autodirigida (ACA) está a crescer nas instituições de ensino superior, incluindo a área da odontologia. As estratégias de ACA são concebidas para satisfazer as necessidades de aprendizagem dos estudantes. Isto pode ser conseguido, por exemplo, se os estudantes participarem ativamente nas atividades de aprendizagem e os professores atuarem como facilitadores e forem responsáveis por fornecer feedback valioso. Afirma-se que o fornecimento de materiais e atividades de aprendizagem adequados ao nível de escolaridade ou às preferências dos estudantes pode melhorar o ambiente de aprendizagem 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 precisam realizar e pelo ambiente clínico no qual desenvolvem habilidades interpessoais eficazes. O objetivo do treinamento é permitir que os alunos combinem o conhecimento básico de odontologia com habilidades clínicas odontológicas e apliquem o conhecimento adquirido a novas situações clínicas [6, 7]. Pesquisas iniciais sobre a relação entre a autoeficácia (AE) e a autoeficácia (AE) constataram que o ajuste das estratégias de aprendizagem de acordo com a AE preferida ajudaria a aprimorar 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 sobre estilos de aprendizagem (EA) para ajudá-los a planejar, desenvolver e implementar o ensino, de modo a aprimorar a aquisição de conhecimento e a compreensão mais profundos da matéria por parte dos alunos. Pesquisadores desenvolveram diversas ferramentas de avaliação de EA, como o Modelo de Aprendizagem Experiencial de Kolb, o Modelo de Estilos de Aprendizagem de Felder-Silverman (FSLSM) e o Modelo VAK/VARK de Fleming [5, 9, 10]. De acordo com a literatura, esses modelos de aprendizagem são os mais utilizados e estudados. No presente trabalho de pesquisa, o FSLSM é utilizado para avaliar os EA entre estudantes de odontologia.
O 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 utilizam modelos FSLSM [5, 11, 12, 13]. O instrumento utilizado para medir as dimensões do estilo de aprendizagem (EA) no FSLSM é o Índice de Estilos de Aprendizagem (IEA) [8], que contém 44 itens que avaliam quatro dimensões do EA: processamento (ativo/reflexivo), percepção (perceptual/intuitivo), input (visual/verbal) e compreensão (sequencial/global) [14].
Como mostrado na Figura 1, cada dimensão do Modelo de Aprendizagem Funcional e de Estilo de Aprendizagem (FSLSM) possui uma preferência dominante. Por exemplo, na dimensão de processamento, alunos com estilo de aprendizagem “ativo” preferem processar informações interagindo diretamente com materiais de aprendizagem, aprendem fazendo e tendem a aprender em grupo. O estilo de aprendizagem “reflexivo” refere-se à aprendizagem por meio do pensamento e prefere trabalhar sozinho. A dimensão de percepção do estilo de aprendizagem pode ser dividida em “sentimento” e/ou “intuição”. Alunos com estilo de aprendizagem “sentimento” preferem informações mais concretas e procedimentos práticos, são orientados a fatos em comparação com alunos com estilo de aprendizagem “intuitivo”, que preferem material abstrato e são mais inovadores e criativos por natureza. A dimensão de entrada do estilo de aprendizagem consiste em aprendizes “visuais” e “verbais”. Pessoas com estilo de aprendizagem “visual” preferem aprender por meio de demonstrações visuais (como diagramas, vídeos ou demonstrações ao vivo), enquanto pessoas com estilo de aprendizagem “verbal” preferem aprender por meio de palavras em explicações escritas ou orais. Para “compreender” as dimensões do estilo de aprendizagem, esses aprendizes podem ser divididos em “sequenciais” e “globais”. “Os aprendizes sequenciais preferem um processo de pensamento linear e aprendem passo a passo, enquanto os aprendizes globais tendem a ter um processo de pensamento holístico e sempre compreendem melhor o que estão aprendendo.
Recentemente, muitos pesquisadores começaram a explorar métodos para descoberta automática orientada por dados, incluindo o desenvolvimento de novos algoritmos e modelos capazes de interpretar grandes quantidades de dados [15, 16]. Com base nos dados fornecidos, o aprendizado de máquina supervisionado (ML) 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 os dados de entrada e treinam algoritmos. Em seguida, geram um conjunto de algoritmos que classificam ou preveem 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].
Por meio do uso de métodos baseados em dados e modelos de controle de árvore de decisão, é possível a detecção automática de LS. Árvores de decisão têm sido amplamente utilizadas em programas de treinamento em diversas áreas, incluindo ciências da saúde [18, 19]. Neste estudo, o modelo foi especificamente treinado pelos desenvolvedores do sistema para identificar o LS dos alunos e recomendar o melhor IS para eles.
O objetivo deste estudo é desenvolver estratégias de entrega de SI com base nos níveis de conhecimento dos alunos e aplicar a abordagem SCL (Aprendizagem Colaborativa Social) por meio do desenvolvimento de uma ferramenta de recomendação de SI mapeada para esses níveis. O fluxograma de projeto da ferramenta de recomendação de SI, como estratégia do método SCL, é apresentado na Figura 1. A ferramenta de recomendação de SI é dividida em duas partes: o mecanismo de classificação dos níveis de conhecimento utilizando a aprendizagem colaborativa integrada (ILS) e a exibição dos SI mais adequados 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 baseado em árvores de decisão. Os desenvolvedores de sistemas melhoram a experiência do usuário e a mobilidade, adaptando-as a dispositivos móveis, como celulares e tablets.
O experimento foi realizado em duas etapas e contou com a participação voluntária de estudantes da Faculdade de Odontologia da Universidade de Malaya. Os participantes responderam a um questionário online de aprendizagem de máquina (m-ILS) para estudantes de odontologia, em inglês. Na fase inicial, um conjunto de dados com 50 estudantes foi utilizado para treinar o algoritmo de aprendizado de máquina baseado em árvore de decisão. Na segunda fase do processo de desenvolvimento, um conjunto de dados com 255 estudantes foi utilizado para aprimorar a precisão do instrumento desenvolvido.
Todos os participantes receberam uma sessão informativa online no início de cada etapa, dependendo do ano letivo, via 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 a todos os 44 itens do questionário. Eles tiveram uma semana para completar o ILS modificado em um horário e local convenientes durante o recesso semestral, antes do início do semestre. O m-ILS é baseado no instrumento ILS original e adaptado para estudantes de odontologia. Assim como o ILS original, ele contém 44 itens distribuídos uniformemente (a, b), com 11 itens cada, que são usados 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. 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 é classificado como Ativo/Perceptual/Visual/Sequencial, e se o aluno selecionar “b” como resposta, o aluno é classificado como Reflexivo/Intuitivo/Linguístico/aprendiz global.
Após calibrar o fluxo de trabalho entre pesquisadores de educação odontológica e desenvolvedores de sistemas, as perguntas foram selecionadas com base no domínio FLSSM e inseridas no modelo de aprendizado de máquina para prever o LS de cada aluno. “Lixo entra, lixo sai” 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 a acurácia do modelo de aprendizado de máquina. Durante a fase de engenharia de recursos, um novo conjunto de recursos é criado, sendo este 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 nas 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 de ensino para os outros. Outra variação na mesma dimensão é que pontuações de 9 a 11 refletem uma forte preferência por um dos extremos [8].
Para cada dimensão, os alunos foram agrupados em “ativo”, “reflexivo” e “equilibrado”. Por exemplo, quando um aluno responde “a” com mais frequência do que “b” em um item específico e sua pontuação ultrapassa o limite de 5 para esse item, representando a dimensão de Processamento da Aprendizagem da Linguagem (AL), ele pertence ao domínio “ativo” da AL. Por outro lado, os alunos foram classificados como tendo AL “reflexivo” quando escolheram “b” mais do que “a” em 11 questões específicas (Tabela 1) e obtiveram uma pontuação superior a 5 pontos. Finalmente, o aluno encontra-se em um estado de “equilíbrio”. Se a pontuação não ultrapassar 5 pontos, então trata-se de AL “processo”. O processo de classificação foi repetido para as demais dimensões da AL, a saber: percepção (ativa/reflexiva), input (visual/verbal) e compreensão (sequencial/global).
Os modelos de árvore de decisão podem usar diferentes subconjuntos de características e regras de decisão em diferentes estágios do processo de classificação. É considerada uma ferramenta popular de classificação e previsão. Pode ser representada usando uma estrutura de árvore, como um fluxograma [20], no qual existem nós internos representando testes por atributo, cada ramo representando resultados de teste e cada nó folha (nó folha) contendo um rótulo de classe.
Um programa simples baseado em regras foi criado para pontuar e anotar automaticamente a LS de cada aluno com base em suas respostas. O modelo 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, essa abordagem pode ser uma maneira eficaz de automatizar o processo de correspondência entre LS e IS.
Na segunda fase de desenvolvimento, o conjunto de dados foi ampliado para 255 para melhorar a precisão da ferramenta de recomendação. O conjunto de dados foi dividido na proporção de 1:4. 25% (64) do conjunto de dados foram usados para o conjunto de teste e os 75% restantes (191) foram usados como conjunto de treinamento (Figura 2). A divisão do conjunto de dados é necessária para evitar que o modelo seja treinado e testado no mesmo conjunto de dados, o que poderia fazer com que o modelo memorizasse em vez de aprender. O modelo é treinado no conjunto de treinamento e seu desempenho é avaliado no conjunto de teste — dados que o modelo nunca viu antes.
Uma vez desenvolvida a ferramenta de segurança da informação, a aplicação será capaz de classificar a segurança da informação com base nas respostas dos estudantes de odontologia por meio de uma interface web. O sistema de recomendação de segurança da informação baseado na web foi construído utilizando a linguagem de programação Python com o framework Django como backend. A Tabela 2 lista as bibliotecas utilizadas no desenvolvimento deste sistema.
O conjunto de dados é inserido em um modelo de árvore de decisão para calcular e extrair as respostas dos alunos, a fim de classificar automaticamente as medidas de LS (Vida na Escola) dos alunos.
A matriz de confusão é usada para avaliar a precisão de um algoritmo de aprendizado de máquina baseado em árvore de decisão em um determinado conjunto de dados. Ao mesmo tempo, ela avalia o desempenho do modelo de classificação. A matriz resume as previsões do modelo e as compara com os rótulos reais dos dados. Os resultados da avaliação são baseados em quatro valores diferentes: Verdadeiro Positivo (VP) – o modelo previu corretamente a categoria positiva; Falso Positivo (FP) – o modelo previu a categoria positiva, mas o rótulo verdadeiro era negativo; Verdadeiro Negativo (VN) – o modelo previu corretamente a classe negativa; e Falso Negativo (FN) – o modelo prevê a 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, como precisão, recall e pontuação F1. Aqui estão alguns exemplos:
A métrica de recall (ou sensibilidade) mede a capacidade do modelo de classificar com precisão o nível de alfabetização de um aluno após ele responder ao questionário m-ILS.
A especificidade é chamada de taxa de verdadeiros negativos. Como você pode ver na fórmula acima, essa taxa deve ser a proporção entre verdadeiros negativos (VN) e verdadeiros negativos mais falsos positivos (FP). Como parte da ferramenta recomendada para classificar o uso de drogas por estudantes, ela deve ser capaz de realizar uma identificação precisa.
O conjunto de dados original de 50 alunos usado para treinar o modelo de aprendizado de máquina de árvore de decisão apresentou precisão relativamente baixa devido a erros humanos nas anotações (Tabela 3). Após a criação de 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 da diagonal representam o número de previsões corretas para cada tipo de LS (Figura 4). Utilizando o modelo de árvore de decisão, um total de 64 amostras foram previstas corretamente. Assim, neste estudo, os elementos da diagonal mostram os resultados esperados, indicando que o modelo apresenta bom desempenho e prevê com precisão o rótulo da classe para cada classificação de LS. Portanto, a acurácia geral da ferramenta de recomendação é de 100%.
Os valores de acurácia, precisão, recall e pontuação F1 são mostrados na Figura 5. Para o sistema de recomendação que utiliza o modelo de árvore de decisão, sua pontuação F1 é 1,0, "perfeita", indicando precisão e recall perfeitos, refletindo valores significativos de sensibilidade e especificidade.
A Figura 6 mostra uma visualização do modelo de árvore de decisão após a conclusão do treinamento e teste. Em uma comparação lado a lado, o modelo de árvore de decisão treinado com menos recursos apresentou maior precisão e visualização mais fácil. Isso demonstra que a engenharia de recursos, que leva à redução de recursos, é uma etapa 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 de LS. A maioria (54,3%) tinha duas ou mais preferências de LS. 12,2% dos alunos observaram que a LS é bastante equilibrada (Tabela 4). Além das oito principais LS, existem 34 combinações de classificações de LS para os alunos de odontologia da Universidade de Malaya. Entre elas, percepção, visão e a combinação de percepção e visão são as principais LS relatadas pelos alunos (Figura 7).
Como pode ser observado na Tabela 4, a maioria dos alunos apresentou um estilo de aprendizagem predominantemente sensorial (13,7%) ou visual (8,6%). Foi relatado que 12,2% dos alunos combinaram percepção com visão (estilo de aprendizagem perceptivo-visual). Esses resultados sugerem que os alunos preferem aprender e memorizar por meio de métodos estabelecidos, seguir procedimentos específicos e detalhados e são naturalmente atentos. Ao mesmo tempo, eles apreciam aprender observando (utilizando diagramas, etc.) e tendem a discutir e aplicar informações em grupo ou individualmente.
Este estudo apresenta uma visão geral das técnicas de aprendizado de máquina utilizadas em mineração de dados, com foco na previsão instantânea e precisa da satisfação com a vida dos alunos e na recomendação de recursos educacionais adequados. A aplicação de um modelo de árvore de decisão identificou os fatores mais intimamente relacionados às suas experiências de vida e educacionais. Trata-se de um algoritmo de aprendizado de máquina supervisionado que utiliza 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 uma das características 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 as características de entrada e as previsões de saída.
Nas áreas de ciência da computação e engenharia, os algoritmos de aprendizado de máquina são amplamente utilizados para prever o desempenho dos alunos com base em suas notas nos exames de admissão [21], informações demográficas e comportamento de aprendizagem [22]. A pesquisa mostrou que o algoritmo previu com precisão o desempenho dos alunos e ajudou a identificar aqueles em risco de dificuldades acadêmicas.
Este trabalho relata a aplicação de algoritmos de aprendizado de máquina no desenvolvimento de simuladores de pacientes virtuais para treinamento odontológico. O simulador é capaz de reproduzir com precisão as respostas fisiológicas de pacientes reais e pode ser usado para treinar estudantes de odontologia em um ambiente seguro e controlado [23]. Diversos outros estudos mostram que algoritmos de aprendizado de máquina podem potencialmente melhorar a qualidade e a eficiência do ensino odontológico e médico, bem como o 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]. 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 já tenham sido publicados relatos sobre a aplicação de aprendizado de máquina na odontologia, sua aplicação no ensino odontológico ainda é limitada. Portanto, este estudo teve como objetivo utilizar um modelo de árvore de decisão para identificar os fatores mais intimamente associados à satisfação com a vida (SV) e à satisfação com a imagem (SI) entre estudantes de odontologia.
Os resultados deste estudo mostram que a ferramenta de recomendação desenvolvida apresenta alta precisão e acurácia perfeita, indicando que os professores podem se beneficiar dela. Utilizando um processo de classificação baseado em dados, ela pode fornecer recomendações personalizadas e melhorar as experiências e os resultados educacionais para educadores e alunos. Entre os benefícios, as informações obtidas por meio de ferramentas de recomendação podem resolver conflitos entre os métodos de ensino preferidos pelos professores e as necessidades de aprendizagem dos alunos. Por exemplo, devido à saída automatizada das ferramentas de recomendação, o tempo necessário para identificar o IP de um aluno e associá-lo ao IP correspondente será significativamente reduzido. Dessa forma, atividades e materiais de treinamento adequados podem ser organizados. Isso ajuda a desenvolver o comportamento positivo de aprendizagem dos alunos e sua capacidade de concentração. Um estudo relatou que fornecer aos alunos materiais e atividades de aprendizagem que correspondam às suas preferências de aprendizagem pode ajudá-los a integrar, processar e desfrutar da aprendizagem de múltiplas maneiras, alcançando um potencial maior [12]. Pesquisas também mostram que, além de melhorar a participação dos alunos em sala de aula, a compreensão do processo de aprendizagem dos alunos também desempenha um papel fundamental na melhoria das práticas de ensino e da comunicação com os alunos [28, 29].
Contudo, como acontece com qualquer tecnologia moderna, existem problemas e limitações. Estes incluem questões relacionadas à privacidade dos dados, viés e imparcialidade, bem como às competências profissionais e aos recursos necessários para desenvolver e implementar algoritmos de aprendizagem automática no ensino odontológico. No entanto, o crescente interesse e a investigação nesta área sugerem que as tecnologias de aprendizagem automática podem ter um impacto positivo no ensino e nos serviços odontológicos.
Os resultados deste estudo indicam que metade dos estudantes de odontologia apresenta uma tendência a "perceber" medicamentos. Esse tipo de aprendiz demonstra preferência por fatos e exemplos concretos, uma orientação prática, paciência para detalhes e uma preferência por um estilo de aprendizagem "visual", no qual os aprendizes preferem usar imagens, gráficos, cores e mapas para transmitir ideias e pensamentos. Os resultados atuais são consistentes com outros estudos que utilizaram o ILS (Information Learning Standards - Padrão de Aprendizagem Interpessoal) para avaliar o estilo de aprendizagem em estudantes de odontologia e medicina, a maioria dos quais apresenta características de estilo de aprendizagem perceptual e visual [12, 30]. Dalmolin et al. sugerem que informar os alunos sobre seu estilo de aprendizagem permite que eles alcancem seu potencial de aprendizagem. Pesquisadores argumentam que, quando os professores compreendem plenamente o processo educacional dos alunos, diversos métodos e atividades de ensino podem ser implementados para melhorar o desempenho e a experiência de aprendizagem dos alunos [12, 31, 32]. Outros estudos mostraram que o ajuste do estilo de aprendizagem dos alunos também resulta em melhorias na experiência de aprendizagem e no desempenho dos alunos após a mudança de seus estilos de aprendizagem para se adequarem ao seu próprio estilo de aprendizagem [13, 33].
As opiniões dos professores podem variar em relação à implementação de estratégias de ensino baseadas nas habilidades de aprendizagem dos alunos. Enquanto alguns reconhecem os benefícios dessa abordagem, incluindo oportunidades de desenvolvimento profissional, mentoria e apoio da comunidade, outros podem se preocupar com o tempo e o apoio institucional. Buscar o equilíbrio é fundamental 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 docente [34]. Para criar um sistema de ensino superior verdadeiramente dinâmico e responsivo, os formuladores de políticas devem tomar medidas ousadas, como mudanças nas políticas, investimento em integração tecnológica e criação de estruturas que promovam abordagens centradas no aluno. Essas medidas são cruciais para alcançar os resultados desejados. Pesquisas recentes sobre ensino diferenciado demonstraram claramente que a implementação bem-sucedida desse método requer oportunidades contínuas de treinamento e desenvolvimento para os professores [35].
Esta ferramenta oferece um suporte valioso para educadores da área odontológica que desejam adotar uma abordagem centrada no aluno para o planejamento de atividades de aprendizagem acessíveis aos estudantes. No entanto, este estudo se limita ao uso de modelos de aprendizado de máquina baseados em árvores de decisão. No futuro, mais dados devem ser coletados para comparar o desempenho de diferentes modelos de aprendizado de máquina, a fim de avaliar a acurácia, a confiabilidade e a 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 a complexidade e a interpretação do modelo.
Uma limitação deste estudo é que ele se concentrou apenas no mapeamento da LS e da IS entre estudantes de odontologia. Portanto, o sistema de recomendação desenvolvido recomendará apenas aqueles adequados para estudantes de odontologia. São necessárias alterações para que o sistema seja utilizado por estudantes do ensino superior em geral.
A ferramenta de recomendação baseada em aprendizado de máquina, recentemente desenvolvida, é capaz de classificar e associar instantaneamente os perfis de aprendizagem (LS) dos alunos aos recursos de informação (IS) correspondentes, tornando-se o primeiro programa de educação odontológica a auxiliar educadores da área no planejamento de atividades de ensino e aprendizagem relevantes. Utilizando um processo de triagem orientado por dados, ela pode fornecer recomendações personalizadas, economizar tempo, aprimorar estratégias de ensino, apoiar intervenções direcionadas 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 Computer Science. 2012;4(11):51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Data da publicação: 29/04/2024