Il y a un besoin croissant d'apprentissage centré sur les étudiants (SCL) dans les établissements d'enseignement supérieur, y compris la dentisterie. Cependant, SCL a une application limitée dans l'enseignement dentaire. Par conséquent, cette étude vise à promouvoir l'application de SCL en dentisterie en utilisant la technologie d'apprentissage de la machine à arbre de décision (ML) pour cartographier le style d'apprentissage préféré (LS) et les stratégies d'apprentissage correspondantes (IS) des étudiants dentaires comme un outil utile pour l'élaboration des directives sont . Méthodes prometteuses pour les étudiants dentaires.
Au total, 255 étudiants dentaires de l'Université de Malaisie ont rempli le questionnaire modifié de l'index des styles d'apprentissage (M-ILS), qui contenait 44 éléments pour les classer dans leur LSS respectif. Les données collectées (appelé ensemble de données) sont utilisées dans l'apprentissage de l'arbre de décision supervisé pour faire correspondre automatiquement les styles d'apprentissage des élèves au plus approprié. La précision de l'outil de recommandation basé sur l'apprentissage automatique est ensuite évaluée.
L'application des modèles d'arbre de décision dans un processus de cartographie automatisé entre LS (entrée) et IS (sortie cible) permet une liste immédiate de stratégies d'apprentissage appropriées pour chaque étudiant dentaire. L'outil de recommandation IS a démontré une précision parfaite et un rappel de la précision globale du modèle, indiquant que la correspondance de LS à SI a une bonne sensibilité et spécificité.
Un outil de recommandation SE basé sur un arbre de décision ML a prouvé sa capacité à faire correspondre avec précision les styles d'apprentissage des étudiants dentaires avec des stratégies d'apprentissage appropriées. Cet outil offre des options puissantes pour planifier des cours ou des modules centrés sur l'apprenant qui peuvent améliorer l'expérience d'apprentissage des étudiants.
L'enseignement et l'apprentissage sont des activités fondamentales dans les établissements d'enseignement. Lors du développement d'un système d'éducation professionnelle de haute qualité, il est important de se concentrer sur les besoins d'apprentissage des élèves. L'interaction entre les élèves et leur environnement d'apprentissage peut être déterminée à travers leur LS. La recherche suggère que les inadéquations intentionnées par les enseignants entre les LS des élèves et peuvent avoir des conséquences négatives pour l'apprentissage des élèves, comme une diminution de l'attention et de la motivation. Cela affectera indirectement la performance des élèves [1,2].
Is est une méthode utilisée par les enseignants pour transmettre des connaissances et des compétences aux élèves, notamment en aidant les élèves à apprendre [3]. D'une manière générale, les bons enseignants prévoient des stratégies d'enseignement ou qui correspondent le mieux au niveau de connaissances de leurs élèves, aux concepts qu'ils apprennent et à leur stade d'apprentissage. Théoriquement, lorsque LS et est assorti, les étudiants pourront organiser et utiliser un ensemble spécifique de compétences pour apprendre efficacement. En règle générale, un plan de cours comprend plusieurs transitions entre les étapes, comme de l'enseignement à la pratique guidée ou de la pratique guidée à la pratique indépendante. Dans cet esprit, les enseignants efficaces planifient souvent l'enseignement dans le but de développer les connaissances et les compétences des élèves [4].
La demande de SCL augmente dans les établissements d'enseignement supérieur, y compris la dentisterie. Les stratégies SCL sont conçues pour répondre aux besoins d'apprentissage des élèves. Cela peut être réalisé, par exemple, si les élèves participent activement aux activités d'apprentissage et que les enseignants agissent comme facilitateurs et sont responsables de fournir des commentaires précieux. On dit que la fourniture de matériel d'apprentissage et d'activités adaptées au niveau d'éducation ou aux préférences des élèves peut améliorer l'environnement d'apprentissage des élèves et promouvoir des expériences d'apprentissage positives [5].
D'une manière générale, le processus d'apprentissage des étudiants dentaires est influencé par les différentes procédures cliniques qu'ils doivent effectuer et l'environnement clinique dans lequel ils développent des compétences interpersonnelles efficaces. Le but de la formation est de permettre aux étudiants de combiner les connaissances de base de la dentisterie avec les compétences cliniques dentaires et d'appliquer les connaissances acquises à de nouvelles situations cliniques [6, 7]. Les premières recherches sur la relation entre LS et constate que l'ajustement des stratégies d'apprentissage mappées au LS préféré contribuerait à améliorer le processus éducatif [8]. Les auteurs recommandent également d'utiliser une variété de méthodes d'enseignement et d'évaluation pour s'adapter à l'apprentissage et aux besoins des élèves.
Les enseignants bénéficient de l'application des connaissances LS pour les aider à concevoir, développer et mettre en œuvre des instructions qui amélioreront l'acquisition par les élèves de connaissances et de compréhension plus profondes de la matière. Les chercheurs ont développé plusieurs outils d'évaluation LS, tels que le modèle d'apprentissage expérientiel KOLB, le modèle de style d'apprentissage Felder-Silverman (FSLSM) et le modèle Fleming VAK / Vark [5, 9, 10]. Selon la littérature, ces modèles d'apprentissage sont les modèles d'apprentissage les plus couramment utilisés et les plus étudiés. Dans les travaux de recherche actuels, le FSLSM est utilisé pour évaluer LS chez les étudiants dentaires.
Le FSLSM est un modèle largement utilisé pour évaluer l'apprentissage adaptatif en ingénierie. Il existe de nombreux travaux publiés dans les sciences de la santé (y compris la médecine, les soins infirmiers, la pharmacie et la dentisterie) qui peuvent être trouvés à l'aide de modèles FSLSM [5, 11, 12, 13]. L'instrument utilisé pour mesurer les dimensions de LS dans le FLSM est appelé l'indice des styles d'apprentissage (ILS) [8], qui contient 44 éléments évaluant quatre dimensions de LS: traitement (actif / réfléchissant), perception (perceptual / intuitif), entrée (visuel). / verbal) et compréhension (séquentiel / global) [14].
Comme le montre la figure 1, chaque dimension FSLSM a une préférence dominante. Par exemple, dans la dimension de traitement, les étudiants ayant des LS «actifs» préfèrent traiter les informations en interagissant directement avec le matériel d'apprentissage, en apprenant en faisant et en ayant tendance à apprendre en groupe. Le LS «réfléchissant» fait référence à l'apprentissage par la pensée et préfère travailler seul. La dimension «percevant» de LS peut être divisée en «sentiment» et / ou «intuition». Les étudiants «ressentir» préfèrent des informations plus concrètes et des procédures pratiques, sont axées sur les faits par rapport aux étudiants «intuitifs» qui préfèrent le matériel abstrait et sont de nature plus innovante et créative. La dimension «entrée» de LS se compose d'apprenants «visuels» et «verbaux». Les personnes atteintes de Ls «visuelles» préfèrent apprendre à travers des démonstrations visuelles (telles que des diagrammes, des vidéos ou des démonstrations en direct), tandis que les personnes ayant des ls «verbales» préfèrent apprendre à travers des mots dans des explications écrites ou orales. Pour «comprendre» les dimensions LS, ces apprenants peuvent être divisés en «séquentiels» et «mondiaux». «Les apprenants séquentiels préfèrent un processus de réflexion linéaire et apprennent pas à pas, tandis que les apprenants mondiaux ont tendance à avoir un processus de pensée holistique et à mieux comprendre ce qu'ils apprennent.
Récemment, de nombreux chercheurs ont commencé à explorer des méthodes de découverte automatique basée sur les données, y compris le développement de nouveaux algorithmes et modèles capables d'interpréter de grandes quantités de données [15, 16]. Sur la base des données fournies, la ML supervisée (Machine Learning) est capable de générer des modèles et des hypothèses qui prédisent les résultats futurs en fonction de la construction d'algorithmes [17]. En termes simples, les techniques d'apprentissage automatique supervisées manipulent les données d'entrée et les algorithmes de train. Il génère ensuite une plage qui classe ou prédit le résultat basé sur des situations similaires pour les données d'entrée fournies. Le principal avantage des algorithmes d'apprentissage automatique supervisés est sa capacité à établir des résultats idéaux et souhaités [17].
Grâce à l'utilisation de méthodes basées sur les données et de modèles de contrôle des arbres de décision, la détection automatique de LS est possible. Les arbres de décision auraient été largement utilisés dans les programmes de formation dans divers domaines, y compris les sciences de la santé [18, 19]. Dans cette étude, le modèle a été spécifiquement formé par les développeurs du système pour identifier les LS des étudiants et recommander que le meilleur est pour eux.
Le but de cette étude est de développer des stratégies de livraison basées sur les LS des étudiants et d'appliquer l'approche SCL en développant un outil de recommandation SIM mappé à LS. Le flux de conception de l'outil de recommandation IS en tant que stratégie de la méthode SCL est illustré à la figure 1. L'outil de recommandation IS est divisé en deux parties, y compris le mécanisme de classification LS utilisant ILS et le plus approprié est affiché pour les étudiants.
En particulier, les caractéristiques des outils de recommandation de sécurité de l'information incluent l'utilisation des technologies Web et l'utilisation de l'apprentissage de la machine d'arbre de décision. Les développeurs de systèmes améliorent l'expérience utilisateur et la mobilité en les adaptant à des appareils mobiles tels que les téléphones mobiles et les tablettes.
L'expérience a été réalisée en deux étapes et les étudiants de la Faculté de dentisterie de l'Université de Malaisie ont participé à une base volontaire. Les participants ont répondu aux M-Ils en ligne d'un étudiant dentaire en anglais. Dans la phase initiale, un ensemble de données de 50 élèves a été utilisé pour former l'algorithme d'apprentissage de la machine des arbres de décision. Dans la deuxième phase du processus de développement, un ensemble de données de 255 étudiants a été utilisé pour améliorer la précision de l'instrument développé.
Tous les participants reçoivent un briefing en ligne au début de chaque étape, selon l'année académique, via les équipes de Microsoft. Le but de l'étude a été expliqué et un consentement éclairé a été obtenu. Tous les participants ont reçu un lien pour accéder au M-ILS. Chaque élève a été invité à répondre aux 44 éléments du questionnaire. Ils ont été donnés une semaine pour terminer les IL modifiés à la fois et à leur emplacement, il est pratique pendant la pause du semestre avant le début du semestre. Le M-IS est basé sur l'instrument ILS d'origine et modifié pour les étudiants dentaires. Semblable à l'ILS d'origine, il contient 44 éléments répartis uniformément (A, B), avec 11 éléments chacun, qui sont utilisés pour évaluer les aspects de chaque dimension FSLSM.
Au cours des premières étapes du développement des outils, les chercheurs ont manuellement annoté les cartes à l'aide d'un ensemble de données de 50 étudiants dentaires. Selon le FSLM, le système fournit la somme des réponses «A» et «B». Pour chaque dimension, si l'élève sélectionne «A» comme réponse, le LS est classé comme actif / perceptuel / visuel / séquentiel, et si l'élève sélectionne «B» comme réponse, l'élève est classé comme réflexion / intuitif / linguistique . / apprenant mondial.
Après avoir calibré le flux de travail entre les chercheurs en éducation dentaire et les développeurs de systèmes, les questions ont été sélectionnées sur la base du domaine FLSSM et introduites dans le modèle ML pour prédire le LS de chaque élève. «Garbage in, Garbage Out» est un dicton populaire dans le domaine de l'apprentissage automatique, en mettant l'accent sur la qualité des données. La qualité des données d'entrée détermine la précision et la précision du modèle d'apprentissage automatique. Au cours de la phase d'ingénierie des fonctionnalités, un nouvel ensemble de fonctionnalités est créé qui est la somme des réponses «A» et «B» basées sur FLSSM. Les numéros d'identification des positions du médicament sont donnés dans le tableau 1.
Calculez le score basé sur les réponses et déterminez le LS de l'élève. Pour chaque élève, la plage de score est de 1 à 11. Les scores de 1 à 3 indiquent un équilibre des préférences d'apprentissage dans la même dimension, et les scores de 5 à 7 indiquent une préférence modérée, indiquant que les élèves préfèrent un environnement enseignant aux autres . Une autre variation de la même dimension est que les scores de 9 à 11 reflètent une préférence forte pour une extrémité ou l'autre [8].
Pour chaque dimension, les médicaments ont été regroupés en «actifs», «réfléchissants» et «équilibrés». Par exemple, lorsqu'un élève répond plus souvent «A» que «B» sur un élément désigné et que son score dépasse le seuil de 5 pour un élément particulier représentant la dimension LS de traitement, il appartient au LS «actif» domaine. . Cependant, les élèves ont été classés comme LS «réfléchissants» lorsqu'ils ont choisi «B» plus que «A» en 11 questions spécifiques (tableau 1) et ont marqué plus de 5 points. Enfin, l'étudiant est dans un état «d'équilibre». Si le score ne dépasse pas 5 points, il s'agit d'un «processus» LS. Le processus de classification a été répété pour les autres dimensions LS, à savoir la perception (active / réflexive), l'entrée (visuelle / verbale) et la compréhension (séquentielle / globale).
Les modèles d'arbre de décision peuvent utiliser différents sous-ensembles de fonctionnalités et de règles de décision à différentes étapes du processus de classification. Il est considéré comme un outil de classification et de prédiction populaire. Il peut être représenté à l'aide d'une structure d'arbre telle qu'un organigramme [20], dans lequel il existe des nœuds internes représentant des tests par attribut, chaque branche représentant les résultats des tests et chaque nœud feuille (nœud feuille) contenant une étiquette de classe.
Un programme basé sur des règles a été créé pour marquer et annoter automatiquement le LS de chaque élève en fonction de ses réponses. La base de règles prend la forme d'une instruction IF, où «IF» décrit le déclencheur et «alors» spécifie l'action à effectuer, par exemple: «Si x se passe, alors faites y» (Liu et al., 2014). Si l'ensemble de données présente une corrélation et que le modèle d'arbre de décision est correctement formé et évalué, cette approche peut être un moyen efficace d'automatiser le processus de correspondance LS et IS.
Dans la deuxième phase de développement, l'ensemble de données a été porté à 255 pour améliorer la précision de l'outil de recommandation. L'ensemble de données est divisé dans un rapport 1: 4. 25% (64) de l'ensemble de données a été utilisé pour l'ensemble de tests, et les 75% restants (191) ont été utilisés comme ensemble de formation (figure 2). L'ensemble de données doit être divisé pour empêcher le modèle d'être formé et testé sur le même ensemble de données, ce qui pourrait provoquer le souvenir du modèle plutôt que d'apprendre. Le modèle est formé sur l'ensemble de formation et évalue ses performances sur l'ensemble de tests - data que le modèle n'a jamais vu auparavant.
Une fois l'outil IS développé, l'application sera en mesure de classer LS en fonction des réponses des étudiants dentaires via une interface Web. Le système d'outils de recommandation de sécurité des informations basés sur le Web est construit à l'aide du langage de programmation Python à l'aide du framework Django comme backend. Le tableau 2 répertorie les bibliothèques utilisées dans le développement de ce système.
L'ensemble de données est alimenté à un modèle d'arbre de décision pour calculer et extraire les réponses des élèves pour classer automatiquement les mesures LS des élèves.
La matrice de confusion est utilisée pour évaluer la précision d'un algorithme d'apprentissage de la machine d'arbre de décision sur un ensemble de données donné. Dans le même temps, il évalue les performances du modèle de classification. Il résume les prédictions du modèle et les compare aux étiquettes de données réelles. Les résultats d'évaluation sont basés sur quatre valeurs différentes: True Positive (TP) - le modèle a correctement prédit la catégorie positive, faux positif (FP) - le modèle a prédit la catégorie positive, mais la véritable étiquette était négative, vrai négatif (TN) - Le modèle prédit correctement la classe négative et le faux négatif (FN) - le modèle prédit une classe négative, mais la véritable étiquette est positive.
Ces valeurs sont ensuite utilisées pour calculer diverses métriques de performance du modèle de classification Scikit-Learn dans Python, à savoir la précision, la précision, le rappel et le score F1. Voici des exemples:
Le rappel (ou la sensibilité) mesure la capacité du modèle à classer avec précision LS d'un élève après avoir répondu au questionnaire M-ILS.
La spécificité est appelée un véritable taux négatif. Comme vous pouvez le voir dans la formule ci-dessus, cela devrait être le rapport des véritables négatifs (TN) aux vrais négatifs et aux faux positifs (FP). Dans le cadre de l'outil recommandé pour classer les médicaments étudiants, il devrait être capable d'une identification précise.
L'ensemble de données d'origine de 50 étudiants utilisés pour former le modèle de l'arborescence ML a montré une précision relativement faible en raison d'une erreur humaine dans les annotations (tableau 3). Après avoir créé un programme simple basé sur des règles pour calculer automatiquement les scores LS et les annotations des étudiants, un nombre croissant d'ensembles de données (255) ont été utilisés pour former et tester le système de recommandation.
Dans la matrice de confusion multiclasse, les éléments diagonaux représentent le nombre de prédictions correctes pour chaque type LS (figure 4). En utilisant le modèle d'arbre de décision, un total de 64 échantillons ont été correctement prédits. Ainsi, dans cette étude, les éléments diagonaux montrent les résultats attendus, indiquant que le modèle fonctionne bien et prédit avec précision l'étiquette de classe pour chaque classification LS. Ainsi, la précision globale de l'outil de recommandation est de 100%.
Les valeurs de précision, de précision, de rappel et de score F1 sont présentées sur la figure 5. Pour le système de recommandation utilisant le modèle d'arbre de décision, son score F1 est de 1,0 «parfait», indiquant une précision et un rappel parfaits, reflétant une sensibilité et une spécificité significatives valeurs.
La figure 6 montre une visualisation du modèle d'arbre de décision une fois la formation et les tests terminés. Dans une comparaison côte à côte, le modèle d'arbre de décision formé avec moins de fonctionnalités a montré une plus grande précision et une visualisation du modèle plus facile. Cela montre que l'ingénierie des caractéristiques conduisant à la réduction des fonctionnalités est une étape importante pour améliorer les performances du modèle.
En appliquant l'apprentissage supervisé par l'arbre de décision, la cartographie entre LS (entrée) et IS (sortie cible) est automatiquement générée et contient des informations détaillées pour chaque LS.
Les résultats ont montré que 34,9% des 255 étudiants préféraient une (1) option LS. La majorité (54,3%) avait deux préférences LS ou plus. 12,2% des étudiants ont noté que LS était assez équilibré (tableau 4). En plus des huit LS principaux, il existe 34 combinaisons de classifications LS pour les étudiants dentaires de l'Université de Malaisie. Parmi eux, la perception, la vision et la combinaison de la perception et de la vision sont les principales LS rapportées par les étudiants (figure 7).
Comme le montre le tableau 4, la majorité des étudiants avaient un LS sensoriel (13,7%) ou visuel (8,6%). Il a été signalé que 12,2% des étudiants combinaient la perception avec la vision (LS perceptuelle-visuelle). Ces résultats suggèrent que les élèves préfèrent apprendre et se souvenir des méthodes établies, suivre des procédures spécifiques et détaillées et sont de nature attentive. En même temps, ils aiment apprendre en regardant (en utilisant des diagrammes, etc.) et ont tendance à discuter et à appliquer des informations en groupes ou seuls.
Cette étude donne un aperçu des techniques d'apprentissage automatique utilisées dans l'exploration de données, en mettant l'accent sur la prédiction instantané et avec précision des LS des étudiants et le recommandation de l'EI approprié. L'application d'un modèle d'arbre de décision a identifié les facteurs les plus étroitement liés à leur vie et à leurs expériences éducatives. Il s'agit d'un algorithme d'apprentissage automatique supervisé qui utilise une structure d'arbre pour classer les données en divisant un ensemble de données en sous-catégories en fonction de certains critères. Il fonctionne en divisant récursivement les données d'entrée en sous-ensembles en fonction de la valeur de l'une des caractéristiques d'entrée de chaque nœud interne jusqu'à ce qu'une décision soit prise au nœud feuille.
Les nœuds internes de l'arbre de décision représentent la solution basée sur les caractéristiques d'entrée du problème M-ILS, et les nœuds de feuilles représentent la prédiction finale de classification LS. Tout au long de l'étude, il est facile de comprendre la hiérarchie des arbres de décision qui expliquent et visualisent le processus de décision en examinant la relation entre les caractéristiques d'entrée et les prévisions de sortie.
Dans les domaines de l'informatique et de l'ingénierie, les algorithmes d'apprentissage automatique sont largement utilisés pour prédire les performances des élèves en fonction de leurs scores d'examen d'entrée [21], des informations démographiques et des comportements d'apprentissage [22]. La recherche a montré que l'algorithme prédisait avec précision les performances des étudiants et les a aidés à identifier les étudiants à risque de difficultés scolaires.
L'application des algorithmes ML dans le développement de simulateurs virtuels pour les patients pour la formation dentaire est signalé. Le simulateur est capable de reproduire avec précision les réponses physiologiques des patients réels et peut être utilisé pour former des étudiants dentaires dans un environnement sûr et contrôlé [23]. Plusieurs autres études montrent que les algorithmes d'apprentissage automatique peuvent potentiellement améliorer la qualité et l'efficacité de l'éducation dentaire et médicale et des soins aux patients. Des algorithmes d'apprentissage automatique ont été utilisés pour aider au diagnostic des maladies dentaires sur la base d'ensembles de données tels que les symptômes et les caractéristiques des patients [24, 25]. Alors que d'autres études ont exploré l'utilisation des algorithmes d'apprentissage automatique pour effectuer des tâches telles que la prévision des résultats des patients, l'identification des patients à haut risque, le développement de plans de traitement personnalisés [26], le traitement parodontal [27] et le traitement des caries [25].
Bien que des rapports sur l'application de l'apprentissage automatique en dentisterie aient été publiés, son application dans l'enseignement dentaire reste limitée. Par conséquent, cette étude visait à utiliser un modèle d'arbre de décision pour identifier les facteurs les plus étroitement associés à la LS et fait partie des étudiants dentaires.
Les résultats de cette étude montrent que l'outil de recommandation développé a une précision élevée et une précision parfaite, ce qui indique que les enseignants peuvent bénéficier de cet outil. En utilisant un processus de classification basé sur les données, il peut fournir des recommandations personnalisées et améliorer les expériences éducatives et les résultats pour les éducateurs et les étudiants. Parmi eux, les informations obtenues par le biais d'outils de recommandation peuvent résoudre les conflits entre les méthodes d'enseignement préférées des enseignants et les besoins d'apprentissage des élèves. Par exemple, en raison de la sortie automatisée des outils de recommandation, le temps nécessaire pour identifier la propriété intellectuelle d'un étudiant et le faire correspondre avec l'IP correspondant sera considérablement réduit. De cette façon, des activités de formation appropriées et du matériel de formation peuvent être organisées. Cela aide à développer le comportement d'apprentissage positif des élèves et sa capacité à se concentrer. Une étude a rapporté que la fourniture de matériel d'apprentissage et d'activités d'apprentissage qui correspondent à leur LS préférée peut aider les élèves à intégrer, traiter et à aimer l'apprentissage de plusieurs façons d'atteindre un plus grand potentiel [12]. La recherche montre également qu'en plus d'améliorer la participation des étudiants en classe, la compréhension du processus d'apprentissage des élèves joue également un rôle essentiel dans l'amélioration des pratiques pédagogiques et de la communication avec les étudiants [28, 29].
Cependant, comme pour toute technologie moderne, il y a des problèmes et des limites. Il s'agit notamment des problèmes liés à la confidentialité des données, aux biais et à l'équité, ainsi que les compétences et ressources professionnelles nécessaires pour développer et mettre en œuvre des algorithmes d'apprentissage automatique dans l'enseignement dentaire; Cependant, l'intérêt et la recherche croissants dans ce domaine suggèrent que les technologies d'apprentissage automatique peuvent avoir un impact positif sur l'éducation dentaire et les services dentaires.
Les résultats de cette étude indiquent que la moitié des étudiants dentaires ont tendance à «percevoir» les médicaments. Ce type d'apprenant a une préférence pour les faits et des exemples concrètes, une orientation pratique, une patience pour le détail et une préférence LS «visuelle», où les apprenants préfèrent utiliser des images, des graphiques, des couleurs et des cartes pour transmettre des idées et des pensées. Les résultats actuels sont cohérents avec d'autres études utilisant ILS pour évaluer les LS chez les étudiants dentaires et en médecine, dont la plupart ont des caractéristiques de LS perceptuelle et visuelle [12, 30]. Dalmolin et al suggèrent que l'informer des élèves de leur LS leur permet d'atteindre leur potentiel d'apprentissage. Les chercheurs soutiennent que lorsque les enseignants comprennent pleinement le processus éducatif des élèves, diverses méthodes d'enseignement et activités peuvent être mises en œuvre, ce qui améliorera la performance et l'expérience d'apprentissage des élèves [12, 31, 32]. D'autres études ont montré que l'ajustement des LS des élèves montre également des améliorations de l'expérience d'apprentissage et des performances des élèves après avoir changé leurs styles d'apprentissage en fonction de leur propre LS [13, 33].
Les opinions des enseignants peuvent varier concernant la mise en œuvre des stratégies d'enseignement basées sur les capacités d'apprentissage des élèves. Bien que certains voient les avantages de cette approche, notamment les opportunités de développement professionnel, le mentorat et le soutien communautaire, d'autres peuvent être préoccupés par le temps et le soutien institutionnel. L'effondrement de l'équilibre est la clé pour créer une attitude centrée sur l'élève. Les autorités de l'enseignement supérieur, telles que les administrateurs universitaires, peuvent jouer un rôle important dans la conduite de changements positifs en introduisant des pratiques innovantes et en soutenant le développement du corps professoral [34]. Pour créer un système d'enseignement supérieur véritablement dynamique et réactif, les décideurs doivent prendre des mesures audacieuses, telles que les changements de politique, consacrer des ressources à l'intégration technologique et créer des cadres qui promeuvent les approches centrées sur les élèves. Ces mesures sont essentielles pour obtenir les résultats souhaités. Des recherches récentes sur l'enseignement différencié ont clairement montré qu'une mise en œuvre réussie de l'enseignement différencié nécessite des possibilités de formation et de développement continues pour les enseignants [35].
Cet outil fournit un soutien précieux aux éducateurs dentaires qui souhaitent adopter une approche centrée sur les élèves pour planifier des activités d'apprentissage adaptées aux étudiants. Cependant, cette étude est limitée à l'utilisation de modèles ML d'arbre de décision. À l'avenir, davantage de données devraient être collectées pour comparer les performances de différents modèles d'apprentissage automatique pour comparer la précision, la fiabilité et la précision des outils de recommandation. De plus, lors du choix de la méthode d'apprentissage automatique la plus appropriée pour une tâche particulière, il est important de considérer d'autres facteurs tels que la complexité du modèle et l'interprétation.
Une limitation de cette étude est qu'elle ne se concentrait que sur la cartographie du LS et est parmi les étudiants dentaires. Par conséquent, le système de recommandation développé ne recommandera que ceux qui conviennent aux étudiants dentaires. Des changements sont nécessaires à l'utilisation générale des élèves de l'enseignement supérieur.
Le nouvel outil de recommandation basé sur l'apprentissage automatique est capable de classer instantanément et de faire correspondre les élèves de la LS des élèves à l'EI correspondant, ce qui en fait le premier programme d'enseignement dentaire pour aider les éducateurs dentaires à planifier des activités d'enseignement et d'apprentissage pertinentes. À l'aide d'un processus de triage basé sur les données, il peut fournir des recommandations personnalisées, gagner du temps, améliorer les stratégies d'enseignement, soutenir les interventions ciblées et promouvoir le développement professionnel continu. Sa demande favorisera les approches centrées sur les élèves de l'enseignement dentaire.
Gilak Jani Associated Press. Match ou décalage entre le style d'apprentissage de l'élève et le style d'enseignement de l'enseignant. INT J MOD Educ Informatique. 2012; 4 (11): 51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Heure du poste: avr-29-2024