Il existe un besoin croissant d’apprentissage centré sur l’étudiant (SCL) dans les établissements d’enseignement supérieur, y compris en médecine dentaire.Cependant, SCL a une application limitée dans l’enseignement dentaire.Par conséquent, cette étude vise à promouvoir l'application du SCL en dentisterie en utilisant la technologie d'apprentissage automatique (ML) d'arbre de décision pour cartographier le style d'apprentissage préféré (LS) et les stratégies d'apprentissage (SI) correspondantes des étudiants en médecine dentaire comme outil utile pour développer des lignes directrices IS. .Des méthodes prometteuses pour les étudiants en médecine dentaire.
Au total, 255 étudiants en médecine dentaire de l'Université de Malaisie ont rempli le questionnaire modifié de l'Indice des styles d'apprentissage (m-ILS), qui contenait 44 éléments permettant de les classer dans leurs LS respectifs.Les données collectées (appelées ensemble de données) sont utilisées dans l'apprentissage supervisé par arbre de décision pour faire correspondre automatiquement les styles d'apprentissage des étudiants au SI le plus approprié.La précision de l’outil de recommandation de SI basé sur l’apprentissage automatique est ensuite évaluée.
L'application de modèles d'arbre de décision dans un processus de cartographie automatisé entre LS (entrée) et IS (sortie cible) permet d'obtenir une liste immédiate de stratégies d'apprentissage appropriées pour chaque étudiant en médecine dentaire.L'outil de recommandation IS a démontré une précision et un rappel parfaits de la précision globale du modèle, indiquant que l'appariement de LS à IS présente une bonne sensibilité et spécificité.
Un outil de recommandation SI basé sur un arbre de décision ML a prouvé sa capacité à faire correspondre avec précision les styles d'apprentissage des étudiants en médecine dentaire 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’enseignement professionnel de haute qualité, il est important de se concentrer sur les besoins d’apprentissage des étudiants.L'interaction entre les étudiants et leur environnement d'apprentissage peut être déterminée par leur LS.Les recherches suggèrent que les inadéquations voulues par l'enseignant entre le LS et l'IS des élèves peuvent avoir des conséquences négatives sur l'apprentissage des élèves, telles qu'une diminution de l'attention et de la motivation.Cela affectera indirectement les performances des élèves [1,2].
L'IS est une méthode utilisée par les enseignants pour transmettre des connaissances et des compétences aux élèves, notamment en les aidant à apprendre [3].De manière générale, les bons enseignants planifient des stratégies pédagogiques ou des SI 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 IS correspondent, les étudiants seront capables d'organiser et d'utiliser un ensemble spécifique de compétences pour apprendre efficacement.En règle générale, un plan de cours comprend plusieurs transitions entre les étapes, par exemple de l'enseignement à la pratique guidée ou de la pratique guidée à la pratique indépendante.Dans cette optique, 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, notamment en médecine dentaire.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 si les enseignants agissent en tant que facilitateurs et sont chargés de fournir des commentaires précieux.On dit que fournir du matériel et des activités d'apprentissage adaptés au niveau d'éducation ou aux préférences des étudiants peut améliorer l'environnement d'apprentissage des étudiants et promouvoir des expériences d'apprentissage positives [5].
De manière générale, le processus d'apprentissage des étudiants en médecine dentaire est influencé par les diverses procédures cliniques qu'ils doivent effectuer et par 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 en 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 IS ont révélé qu'ajuster les stratégies d'apprentissage adaptées au LS préféré contribuerait à améliorer le processus éducatif [8].Les auteurs recommandent également d’utiliser diverses méthodes d’enseignement et d’évaluation pour s’adapter aux apprentissages et aux besoins des élèves.
Les enseignants bénéficient de l'application des connaissances LS pour les aider à concevoir, développer et mettre en œuvre un enseignement qui améliorera l'acquisition par les élèves de connaissances et d'une compréhension plus approfondies 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 le LS chez les étudiants en médecine dentaire.
FSLSM est un modèle largement utilisé pour évaluer l’apprentissage adaptatif en ingénierie.Il existe de nombreux ouvrages publiés dans le domaine des sciences de la santé (y compris la médecine, les soins infirmiers, la pharmacie et la dentisterie) qui peuvent être trouvés à l'aide des modèles FSLSM [5, 11, 12, 13].L'instrument utilisé pour mesurer les dimensions du LS dans le FLSM est appelé l'Indice des styles d'apprentissage (ILS) [8], qui contient 44 items évaluant quatre dimensions du LS : le traitement (actif/réflexif), la perception (perceptuelle/intuitive), entrée (visuelle)./verbal) et compréhension (séquentielle/globale) [14].
Comme le montre la figure 1, chaque dimension du FSLSM a une préférence dominante.Par exemple, dans la dimension traitement, les élèves ayant un LS « actif » préfèrent traiter l’information en interagissant directement avec le matériel d’apprentissage, apprendre par la pratique et ont tendance à apprendre en groupe.Le LS « réflexif » fait référence à l’apprentissage par la réflexion et préfère travailler seul.La dimension « perception » du LS peut être divisée en « sentiment » et/ou « intuition ».Les étudiants « sensibles » préfèrent des informations plus concrètes et des procédures pratiques, sont orientés vers 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 comprend les apprenants « visuels » et « verbaux ».Les personnes atteintes de LS « visuel » préfèrent apprendre à travers des démonstrations visuelles (telles que des diagrammes, des vidéos ou des démonstrations en direct), tandis que les personnes atteintes de LS « verbal » préfèrent apprendre à travers des mots dans des explications écrites ou orales.Pour « comprendre » les dimensions du LS, ces apprenants peuvent être divisés en « séquentiels » et « globaux ».« Les apprenants séquentiels préfèrent un processus de pensée linéaire et apprennent étape par étape, tandis que les apprenants globaux ont tendance à avoir un processus de pensée holistique et ont toujours une meilleure compréhension de ce qu'ils apprennent.
Récemment, de nombreux chercheurs ont commencé à explorer des méthodes de découverte automatique basée sur les données, notamment le développement de nouveaux algorithmes et modèles capables d'interpréter de grandes quantités de données [15, 16].Sur la base des données fournies, le ML (apprentissage automatique) supervisé est capable de générer des modèles et des hypothèses qui prédisent les résultats futurs basés sur la construction d'algorithmes [17].En termes simples, les techniques d'apprentissage automatique supervisé manipulent les données d'entrée et entraînent les algorithmes.Il génère ensuite une plage qui classe ou prédit le résultat en fonction de situations similaires pour les données d'entrée fournies.Le principal avantage des algorithmes d’apprentissage automatique supervisé est leur capacité à établir les résultats idéaux et souhaités [17].
Grâce à l’utilisation de méthodes basées sur les données et de modèles de contrôle d’arbre de décision, la détection automatique du LS est possible.Il a été rapporté que les arbres de décision sont largement utilisés dans les programmes de formation dans divers domaines, notamment 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 leur recommander le meilleur SI pour eux.
Le but de cette étude est de développer des stratégies de prestation de SI basées sur le LS des étudiants et d'appliquer l'approche SCL en développant un outil de recommandation SI mappé sur LS.Le flux de conception de l'outil de recommandation IS en tant que stratégie de la méthode SCL est présenté dans la figure 1. L'outil de recommandation IS est divisé en deux parties, comprenant le mécanisme de classification LS utilisant ILS et l'affichage IS le plus approprié pour les étudiants.
En particulier, les caractéristiques des outils de recommandation en matière de sécurité de l'information incluent l'utilisation des technologies Web et l'utilisation de l'apprentissage automatique des arbres de décision.Les développeurs de systèmes améliorent l'expérience utilisateur et la mobilité en les adaptant aux appareils mobiles tels que les téléphones mobiles et les tablettes.
L'expérience s'est déroulée en deux étapes et les étudiants de la Faculté de médecine dentaire de l'Université de Malaisie y ont participé sur une base volontaire.Les participants ont répondu au m-ILS en ligne d'un étudiant en médecine dentaire en anglais.Dans la phase initiale, un ensemble de données de 50 étudiants a été utilisé pour entraîner l’algorithme d’apprentissage automatique de l’arbre 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 universitaire, via Microsoft Teams.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 étudiant devait répondre aux 44 éléments du questionnaire.Ils ont eu une semaine pour compléter l'ILS modifié à une heure et à un endroit qui leur convenaient pendant les vacances semestrielles précédant le début du semestre.Le m-ILS est basé sur l’instrument ILS original et modifié pour les étudiants en médecine dentaire.Semblable à l'ILS original, il contient 44 éléments répartis uniformément (a, b), avec 11 éléments chacun, qui sont utilisés pour évaluer les aspects de chaque dimension du FSLSM.
Au cours des premières étapes de développement de l’outil, les chercheurs ont annoté manuellement les cartes à l’aide d’un ensemble de données de 50 étudiants en médecine dentaire.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 réfléchissant/intuitif/linguistique. ./ apprenant global.
Après avoir calibré le flux de travail entre les chercheurs en formation 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 étudiant.« Garbage in, garbage out » est un dicton populaire dans le domaine de l'apprentissage automatique, qui met l'accent sur la qualité des données.La qualité des données d'entrée détermine la précision et l'exactitude 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 de médicaments sont indiqués dans le tableau 1.
Calculez le score en fonction des réponses et déterminez le LS de l'élève.Pour chaque élève, la plage de scores va de 1 à 11. Les scores de 1 à 3 indiquent un équilibre des préférences d'apprentissage au sein de la même dimension, et les scores de 5 à 7 indiquent une préférence modérée, indiquant que les élèves ont tendance à préférer un environnement pour enseigner aux autres. .Une autre variation sur la même dimension est que les scores de 9 à 11 reflètent une forte préférence pour un côté ou pour l’autre [8].
Pour chaque dimension, les drogues ont été regroupées en « actives », « réflexives » et « équilibrées ».Par exemple, lorsqu'un élève répond « a » plus souvent que « b » à un item désigné et que son score dépasse le seuil de 5 pour un item particulier représentant la dimension Processing LS, il appartient au LS « actif ». domaine..Cependant, les étudiants ont été classés comme LS « réfléchis » lorsqu'ils ont choisi « b » plutôt que « a » dans 11 questions spécifiques (tableau 1) et ont obtenu plus de 5 points.Finalement, l’élève est dans un état « d’équilibre ».Si le score ne dépasse pas 5 points, alors il s'agit d'un « processus » LS.Le processus de classification a été répété pour les autres dimensions du LS, à savoir la perception (active/réflexive), la saisie (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 arborescente telle qu'un organigramme [20], dans laquelle se trouvent des nœuds internes représentant les tests par attribut, chaque branche représentant les résultats des tests et chaque nœud feuille (nœud feuille) contenant une étiquette de classe.
Un programme simple basé sur des règles a été créé pour noter et annoter automatiquement le LS de chaque élève en fonction de ses réponses.L’approche basée sur des 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 produit, 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 mise en correspondance de LS et IS.
Au cours de la deuxième phase de développement, l'ensemble de données a été augmenté à 255 pour améliorer la précision de l'outil de recommandation.L'ensemble de données est divisé selon un rapport de 1:4.25 % (64) de l'ensemble de données ont été utilisés pour l'ensemble de test et les 75 % restants (191) ont été utilisés comme ensemble de formation (Figure 2).L'ensemble de données doit être divisé pour éviter que le modèle ne soit entraîné et testé sur le même ensemble de données, ce qui pourrait amener le modèle à se souvenir plutôt qu'à apprendre.Le modèle est formé sur l'ensemble d'entraînement et évalue ses performances sur l'ensemble de test, des données que le modèle n'a jamais vues auparavant.
Une fois l'outil IS développé, l'application sera capable de classer les LS en fonction des réponses des étudiants en médecine dentaire via une interface web.Le système d'outils de recommandation en matière de sécurité de l'information basé sur le Web est construit à l'aide du langage de programmation Python utilisant le framework Django comme backend.Le tableau 2 répertorie les bibliothèques utilisées dans le développement de ce système.
L'ensemble de données est introduit dans un modèle d'arbre de décision pour calculer et extraire les réponses des étudiants afin de classer automatiquement les mesures LS des étudiants.
La matrice de confusion est utilisée pour évaluer l'exactitude d'un algorithme d'apprentissage automatique d'arbre de décision sur un ensemble de données donné.En 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 de l'évaluation sont basés sur quatre valeurs différentes : Vrai positif (TP) – le modèle a correctement prédit la catégorie positive, Faux positif (FP) – le modèle a prédit la catégorie positive, mais la vraie étiquette était négative, Vrai négatif (TN) – le modèle a prédit correctement la classe négative et les faux négatifs (FN) – Le modèle prédit une classe négative, mais la vraie étiquette est positive.
Ces valeurs sont ensuite utilisées pour calculer diverses métriques de performances du modèle de classification scikit-learn en Python, à savoir la précision, la précision, le rappel et le score F1.Voici des exemples :
Le rappel (ou sensibilité) mesure la capacité du modèle à classer avec précision le LS d'un élève après avoir répondu au questionnaire m-ILS.
La spécificité est appelée un vrai taux négatif.Comme vous pouvez le voir d'après la formule ci-dessus, cela devrait être le rapport entre les vrais négatifs (TN) et les vrais négatifs et faux positifs (FP).Dans le cadre de l’outil recommandé pour classer les médicaments des étudiants, il devrait être capable d’une identification précise.
L'ensemble de données original de 50 étudiants utilisé pour former le modèle ML d'arbre de décision montrait 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 d'exactitude, de précision, de rappel et de score F1 sont présentées dans 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 plus facile du modèle.Cela montre que l’ingénierie des fonctionnalités conduisant à la réduction des fonctionnalités constitue une étape importante dans l’amélioration des performances du modèle.
En appliquant l'apprentissage supervisé par arbre de décision, le mappage entre LS (entrée) et IS (sortie cible) est automatiquement généré et contient des informations détaillées pour chaque LS.
Les résultats ont montré que 34,9 % des 255 étudiants ont préféré une (1) option LS.La majorité (54,3 %) avait au moins deux préférences LS.12,2 % des étudiants ont noté que LS est assez équilibré (tableau 4).En plus des huit LS principaux, il existe 34 combinaisons de classifications LS pour les étudiants en médecine dentaire de l'Université de Malaisie.Parmi eux, la perception, la vision et la combinaison de la perception et de la vision sont les principaux LS rapportés par les étudiants (Figure 7).
Comme le montre le tableau 4, la majorité des élèves avaient un LS sensoriel (13,7 %) ou visuel (8,6 %) prédominant.Il a été rapporté que 12,2 % des étudiants combinaient perception et vision (LS perceptuel-visuel).Ces résultats suggèrent que les élèves préfèrent apprendre et se souvenir grâce à des méthodes établies, suivent des procédures spécifiques et détaillées et sont de nature attentive.En même temps, ils aiment apprendre en regardant (à l’aide de diagrammes, etc.) et ont tendance à discuter et à appliquer les informations en groupe ou seuls.
Cette étude donne un aperçu des techniques d'apprentissage automatique utilisées dans l'exploration de données, en mettant l'accent sur la prévision instantanée et précise du LS des étudiants et sur la recommandation d'un SI approprié.L'application d'un modèle d'arbre de décision a permis d'identifier 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 arborescente pour classer les données en divisant un ensemble de données en sous-catégories en fonction de certains critères.Il fonctionne en divisant de manière récursive 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 niveau du 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 feuilles représentent la prédiction finale de la 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 prédictions 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 étudiants en fonction de leurs résultats à l’examen d’entrée [21], des informations démographiques et de leur comportement d’apprentissage [22].La recherche a montré que l’algorithme prédisait avec précision les performances des étudiants et les aidait à identifier les étudiants à risque de difficultés scolaires.
L'application d'algorithmes ML dans le développement de simulateurs de patients virtuels pour la formation dentaire est rapportée.Le simulateur est capable de reproduire avec précision les réponses physiologiques de patients réels et peut être utilisé pour former des étudiants en médecine dentaire 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 la formation dentaire et médicale ainsi que 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).Tandis que d'autres études ont exploré l'utilisation d'algorithmes d'apprentissage automatique pour effectuer des tâches telles que la prévision des résultats pour les patients, l'identification des patients à haut risque, l'élaboration 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 au LS et à l’IS chez les étudiants en médecine dentaire.
Les résultats de cette étude montrent que l’outil de recommandation développé présente une grande précision et une exactitude parfaite, indiquant que les enseignants peuvent bénéficier de cet outil.Grâce à un processus de classification basé sur les données, il peut fournir des recommandations personnalisées et améliorer les expériences et les résultats éducatifs des enseignants et des étudiants.Parmi eux, les informations obtenues grâce aux outils de recommandation peuvent résoudre les conflits entre les méthodes d'enseignement préférées des enseignants et les besoins d'apprentissage des élèves.Par exemple, grâce à la sortie automatisée des outils de recommandation, le temps nécessaire pour identifier l'adresse IP d'un étudiant et la faire correspondre avec l'adresse IP correspondante sera considérablement réduit.De cette manière, des activités de formation et du matériel de formation adaptés peuvent être organisés.Cela aide à développer un comportement d’apprentissage positif et une capacité de concentration des élèves.Une étude a rapporté que fournir aux étudiants du matériel d'apprentissage et des activités d'apprentissage correspondant à leur LS préféré peut aider les étudiants à intégrer, traiter et apprécier l'apprentissage de plusieurs manières pour 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 étudiants 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 existe des problèmes et des limites.Il s’agit notamment des questions liées à la confidentialité des données, aux préjugés et à l’équité, ainsi qu’aux compétences et ressources professionnelles nécessaires pour développer et mettre en œuvre des algorithmes d’apprentissage automatique dans l’enseignement dentaire ;Cependant, l’intérêt et les recherches croissants dans ce domaine suggèrent que les technologies d’apprentissage automatique pourraient avoir un impact positif sur l’enseignement dentaire et les services dentaires.
Les résultats de cette étude indiquent que la moitié des étudiants en médecine dentaire ont tendance à « percevoir » les médicaments.Ce type d’apprenant a une préférence pour les faits et les exemples concrets, une orientation pratique, une patience pour les détails et une préférence « visuelle » pour le LS, 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 l'ILS pour évaluer le LS chez les étudiants en médecine dentaire et en médecine, dont la plupart présentent des caractéristiques de LS perceptuel et visuel [12, 30].Dalmolin et al suggèrent qu'informer les étudiants sur 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 et activités d'enseignement peuvent être mises en œuvre pour améliorer les performances et l'expérience d'apprentissage des élèves [12, 31, 32].D'autres études ont montré que l'ajustement du LS des étudiants montre également des améliorations de l'expérience d'apprentissage et des performances des étudiants après avoir modifié leurs styles d'apprentissage pour les adapter à leur propre LS [13, 33].
Les opinions des enseignants peuvent varier quant à la mise en œuvre de stratégies pédagogiques basées sur les capacités d’apprentissage des élèves.Alors que certains voient les avantages de cette approche, notamment les opportunités de développement professionnel, le mentorat et le soutien communautaire, d'autres peuvent s'inquiéter du temps et du soutien institutionnel.La recherche de l’équilibre est essentielle pour créer une attitude centrée sur l’élève.Les autorités de l'enseignement supérieur, telles que les administrateurs universitaires, peuvent jouer un rôle important en favorisant un changement positif 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 politiques doivent prendre des mesures audacieuses, comme apporter des changements politiques, consacrer des ressources à l’intégration technologique et créer des cadres qui favorisent des approches centrées sur l’étudiant.Ces mesures sont essentielles pour atteindre les résultats souhaités.Des recherches récentes sur l'enseignement différencié ont clairement montré que la mise en œuvre réussie de l'enseignement différencié nécessite une formation continue et des opportunités de développement pour les enseignants [35].
Cet outil fournit un soutien précieux aux professeurs de médecine dentaire qui souhaitent adopter une approche centrée sur l'étudiant pour planifier des activités d'apprentissage adaptées aux étudiants.Cependant, cette étude se limite 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 afin de comparer l’exactitude, 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 prendre en compte d’autres facteurs tels que la complexité et l’interprétation du modèle.
Une limite de cette étude est qu’elle s’est uniquement concentrée sur la cartographie des LS et IS chez les étudiants en médecine dentaire.Par conséquent, le système de recommandation développé ne recommandera que ceux qui conviennent aux étudiants en médecine dentaire.Des évolutions sont nécessaires pour l’usage des étudiants de l’enseignement supérieur général.
Le nouvel outil de recommandation basé sur l'apprentissage automatique est capable de classer et de faire correspondre instantanément les LS des étudiants à l'IS correspondant, ce qui en fait le premier programme de formation dentaire à aider les éducateurs dentaires à planifier des activités d'enseignement et d'apprentissage pertinentes.Grâce à un processus de tri basé sur les données, il peut fournir des recommandations personnalisées, gagner du temps, améliorer les stratégies d'enseignement, soutenir des interventions ciblées et promouvoir le développement professionnel continu.Son application favorisera des approches de formation dentaire centrées sur l’étudiant.
Presse associée Gilak Jani.Adéquation ou inadéquation 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 de publication : 29 avril 2024