L'apprentissage centré sur l'étudiant (ACE) est de plus en plus demandé dans l'enseignement supérieur, y compris en odontologie. Cependant, son application reste limitée dans ce domaine. Cette étude vise donc à promouvoir l'application de l'ACE en odontologie en utilisant l'apprentissage automatique par arbre de décision (AA) pour identifier les styles d'apprentissage privilégiés et les stratégies d'apprentissage correspondantes des étudiants en odontologie. Ce modèle constituera un outil précieux pour l'élaboration de recommandations pédagogiques.
Au total, 255 étudiants en médecine dentaire de l'Université de Malaya ont rempli le questionnaire m-ILS (Index des styles d'apprentissage modifié), composé de 44 items permettant de les classer selon leur style d'apprentissage respectif. Les données recueillies (appelées jeu de données) sont utilisées dans un apprentissage supervisé par arbre de décision afin d'associer automatiquement les styles d'apprentissage des étudiants aux systèmes d'information les plus appropriés. La précision de l'outil de recommandation de systèmes d'information basé sur l'apprentissage automatique est ensuite évaluée.
L'application de modèles d'arbres de décision dans un processus de mise en correspondance automatisée entre les stratégies d'apprentissage (données d'entrée) et les stratégies d'apprentissage (données de sortie) permet d'obtenir immédiatement une liste de stratégies d'apprentissage adaptées à chaque étudiant en médecine dentaire. L'outil de recommandation des stratégies d'apprentissage a démontré une précision et un rappel parfaits de la précision globale du modèle, indiquant que l'adéquation entre les stratégies d'apprentissage et les stratégies d'apprentissage présente une bonne sensibilité et spécificité.
Un outil de recommandation de systèmes d'information basé sur un arbre de décision d'apprentissage automatique a démontré sa capacité à adapter précisément les stratégies d'apprentissage aux styles d'apprentissage des étudiants en médecine dentaire. Cet outil offre des options performantes pour la conception de cours ou de modules centrés sur l'apprenant, susceptibles d'améliorer son expérience d'apprentissage.
L'enseignement et l'apprentissage sont des activités fondamentales dans les établissements d'enseignement. Lors de la mise en place d'un système de formation professionnelle de qualité, il est essentiel de se concentrer sur les besoins d'apprentissage des élèves. L'interaction entre les élèves et leur environnement d'apprentissage est déterminée par leurs compétences socio-économiques. La recherche suggère que les inadéquations, intentionnelles de la part des enseignants, entre les compétences socio-économiques des élèves peuvent avoir des conséquences négatives sur leur apprentissage, telles qu'une baisse de l'attention et de la motivation. Ceci affecte indirectement leurs performances scolaires [1,2].
Les stratégies d'enseignement (SE) sont des méthodes utilisées 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 conçoivent des stratégies d'enseignement (SE) adaptées au niveau de connaissances de leurs élèves, aux concepts qu'ils apprennent et à leur stade d'apprentissage. Théoriquement, lorsque les stratégies d'enseignement et les SE sont pertinentes, les élèves sont capables d'organiser et d'utiliser un ensemble de compétences spécifiques pour apprendre efficacement. Un plan de leçon comprend généralement plusieurs transitions entre les différentes étapes, par exemple du passage de l'enseignement à la pratique guidée ou de la pratique guidée à la pratique autonome. Dans cette optique, les enseignants efficaces conçoivent souvent leur enseignement dans le but de développer les connaissances et les compétences des élèves [4].
La demande d'apprentissage collaboratif (AC) est croissante dans les établissements d'enseignement supérieur, y compris en odontologie. Les stratégies d'AC sont conçues pour répondre aux besoins d'apprentissage des étudiants. Ceci peut être réalisé, par exemple, si les étudiants participent activement aux activités d'apprentissage et si les enseignants jouent un rôle de facilitateurs et fournissent un retour d'information constructif. Il est admis que proposer des ressources et des activités d'apprentissage adaptées au niveau scolaire et aux préférences des étudiants peut améliorer leur environnement d'apprentissage et favoriser des expériences d'apprentissage positives [5].
De manière générale, l'apprentissage des étudiants en médecine dentaire est influencé par les différentes procédures cliniques qu'ils doivent réaliser et par l'environnement clinique dans lequel ils développent des compétences interpersonnelles efficaces. La formation vise à permettre aux étudiants d'associer les connaissances fondamentales en odontologie aux compétences cliniques et d'appliquer les connaissances acquises à de nouvelles situations cliniques [6, 7]. Les premières recherches sur la relation entre les préférences d'apprentissage et les systèmes d'information ont montré que l'adaptation des stratégies d'apprentissage aux préférences d'apprentissage des étudiants contribue à améliorer le processus éducatif [8]. Les auteurs recommandent également d'utiliser une variété de méthodes d'enseignement et d'évaluation afin de s'adapter à l'apprentissage et aux besoins des étudiants.
Les enseignants tirent profit de l'application des connaissances sur les styles d'apprentissage pour concevoir, développer et mettre en œuvre un enseignement qui favorise l'acquisition par les étudiants de connaissances et d'une compréhension plus approfondies de la matière. Les chercheurs ont développé plusieurs outils d'évaluation des styles d'apprentissage, tels que le modèle d'apprentissage expérientiel de Kolb, le modèle de styles d'apprentissage de Felder-Silverman (FSLSM) et le modèle VAK/VARK de Fleming [5, 9, 10]. D'après la littérature, ces modèles d'apprentissage sont les plus utilisés et les plus étudiés. Dans le cadre de cette recherche, le FSLSM est utilisé pour évaluer les styles d'apprentissage des étudiants en médecine dentaire.
Le modèle FSLSM est largement utilisé pour évaluer l'apprentissage adaptatif en ingénierie. De nombreuses publications en sciences de la santé (médecine, soins infirmiers, pharmacie et odontologie) utilisent ce modèle [5, 11, 12, 13]. L'instrument de mesure des dimensions des styles d'apprentissage dans le FSLSM est l'Index des styles d'apprentissage (ILS) [8], qui comprend 44 items évaluant quatre dimensions : le traitement (actif/réflexif), la perception (perceptive/intuitive), l'entrée (visuelle/verbale) et la compréhension (séquentielle/globale) [14].
Comme illustré dans la figure 1, chaque dimension du modèle FSLSM présente une préférence dominante. Par exemple, dans la dimension du traitement, les apprenants ayant un style d'apprentissage « actif » préfèrent traiter l'information en interagissant directement avec les supports pédagogiques, en apprenant par la pratique et en travaillant généralement en groupe. Le style d'apprentissage « réflexif » privilégie l'apprentissage par la réflexion et le travail individuel. La dimension de la « perception » se divise en « ressenti » et/ou « intuition ». Les apprenants « ressentis » privilégient les informations concrètes et les procédures pratiques, et sont orientés vers les faits, contrairement aux apprenants « intuitifs » qui préfèrent les concepts abstraits et sont plus innovants et créatifs. La dimension de l'« assimilation » distingue les apprenants « visuels » et « verbaux ». Les apprenants « visuels » préfèrent apprendre par le biais de démonstrations visuelles (diagrammes, vidéos ou démonstrations en direct), tandis que les apprenants « verbaux » préfèrent apprendre par les mots, à l'écrit comme à l'oral. Pour mieux comprendre les dimensions du style d'apprentissage, on peut distinguer les apprenants « 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 à toujours mieux comprendre ce qu’ils apprennent. »
Récemment, de nombreux chercheurs ont exploré des méthodes de découverte automatique à partir des données, notamment le développement de nouveaux algorithmes et modèles capables d'interpréter de grandes quantités de données [15, 16]. À partir des données fournies, l'apprentissage automatique supervisé (ML) génère des modèles et des hypothèses permettant de prédire les résultats futurs grâce à la construction d'algorithmes [17]. En d'autres termes, les techniques d'apprentissage automatique supervisé manipulent les données d'entrée et entraînent des algorithmes. Elles génèrent ensuite une série de résultats qui classent ou prédisent le résultat en fonction de situations similaires pour les données d'entrée fournies. Le principal avantage des algorithmes d'apprentissage automatique supervisé réside dans leur capacité à produire des résultats optimaux et conformes aux attentes [17].
L’utilisation de méthodes basées sur les données et de modèles de contrôle par arbre de décision permet la détection automatique des difficultés d’apprentissage. Les arbres de décision sont largement utilisés dans les programmes de formation de divers domaines, notamment les sciences de la santé [18, 19]. Dans cette étude, le modèle a été spécifiquement entraîné par les développeurs du système afin d’identifier les difficultés d’apprentissage des étudiants et de leur recommander le système d’information le plus adapté.
Cette étude vise à développer des stratégies de diffusion des systèmes d'information (SI) basées sur les domaines d'apprentissage des étudiants et à appliquer l'approche SCL en concevant un outil de recommandation de SI adapté à ces domaines. Le schéma de conception de cet outil, en tant que stratégie de la méthode SCL, est présenté dans la figure 1. L'outil de recommandation de SI se divise en deux parties : le mécanisme de classification des domaines d'apprentissage à l'aide du système d'information intégré (SII) et l'affichage du SI le plus approprié pour chaque étudiant.
Les outils de recommandation en matière de sécurité de l'information se caractérisent notamment par l'utilisation des technologies web et de l'apprentissage automatique par arbres de décision. Les développeurs de systèmes améliorent l'expérience utilisateur et la mobilité en adaptant ces outils aux appareils mobiles tels que les téléphones et les tablettes.
L'expérience s'est déroulée en deux phases et des étudiants de la Faculté de médecine dentaire de l'Université de Malaya y ont participé volontairement. Les participants ont répondu à un questionnaire en ligne (m-ILS) conçu par un étudiant en médecine dentaire et rédigé en anglais. Dans un premier temps, un ensemble de données portant sur 50 étudiants a servi à entraîner l'algorithme d'apprentissage automatique de l'arbre de décision. Dans un second temps, un ensemble de données portant sur 255 étudiants a permis d'améliorer la précision de l'outil développé.
Au début de chaque étape, et selon l'année universitaire, tous les participants reçoivent une séance d'information en ligne via Microsoft Teams. L'objectif de l'étude leur est expliqué et leur consentement éclairé est recueilli. Un lien d'accès au questionnaire m-ILS leur est fourni. Chaque étudiant est invité à répondre aux 44 questions. Ils disposent d'une semaine, pendant les vacances scolaires précédant la rentrée, pour compléter le questionnaire m-ILS à leur convenance. Le m-ILS est une version adaptée du questionnaire ILS original, conçu pour les étudiants en médecine dentaire. Comme l'ILS original, il comprend 44 questions (a, b) réparties équitablement, à raison de 11 questions par dimension, permettant d'évaluer différents aspects du modèle FSLSM.
Lors des premières étapes du développement de l'outil, les chercheurs ont annoté manuellement les cartes à l'aide d'un ensemble de données provenant de 50 étudiants en médecine dentaire. Conformément au modèle FSLM, le système calcule la somme des réponses « a » et « b ». Pour chaque dimension, si l'étudiant choisit « a », son profil d'apprentissage est classé comme actif, perceptif, visuel et séquentiel ; s'il choisit « b », il est classé comme réflexif, intuitif et linguistique, ou apprenant global.
Après avoir calibré le flux de travail entre les chercheurs en pédagogie dentaire et les développeurs du système, les questions ont été sélectionnées en fonction du domaine FLSSM et intégrées au modèle d'apprentissage automatique afin de prédire le score LS de chaque étudiant. L'adage « si les données d'entrée sont mauvaises, les résultats le seront aussi » est courant en apprentissage automatique, soulignant l'importance de la qualité des données. La qualité des données d'entrée détermine la précision et l'exactitude du modèle. Lors de la phase d'ingénierie des caractéristiques, un nouvel ensemble de caractéristiques est créé, correspondant à la somme des réponses « a » et « b » selon le FLSSM. Les numéros d'identification des positions des médicaments sont indiqués dans le tableau 1.
Calculez le score à partir des réponses et déterminez le profil d'apprentissage de l'élève. Pour chaque élève, le score varie de 1 à 11. Un score de 1 à 3 indique un équilibre des préférences d'apprentissage au sein d'une même dimension, tandis qu'un score de 5 à 7 indique une préférence modérée, suggérant que les élèves tendent à privilégier un environnement d'apprentissage particulier pour enseigner aux autres. Une autre interprétation possible, toujours au sein d'une même dimension, est que les scores de 9 à 11 reflètent une forte préférence pour l'un ou l'autre environnement [8].
Pour chaque dimension, les comportements d'apprentissage ont été regroupés en trois catégories : « actifs », « réflexifs » et « équilibrés ». Par exemple, si un étudiant répond plus souvent « a » que « b » à une question donnée et que son score dépasse le seuil de 5 pour cette question représentant la dimension « Traitement », il appartient à la catégorie « actifs ». En revanche, les étudiants sont classés dans la catégorie « réflexifs » lorsqu'ils choisissent plus souvent « b » que « a » à 11 questions spécifiques (tableau 1) et obtiennent un score supérieur à 5. Enfin, l'étudiant se trouve dans un état d'« équilibre ». Si le score ne dépasse pas 5, il s'agit d'une catégorie « processus ». Ce processus de classification a été répété pour les autres dimensions du comportement d'apprentissage : la perception (active/réflexive), l'entrée (visuelle/verbale) et la compréhension (séquentielle/globale).
Les modèles d'arbres de décision peuvent utiliser différents sous-ensembles de caractéristiques et de règles de décision à différentes étapes du processus de classification. Ils constituent un outil de classification et de prédiction répandu. Ils peuvent être représentés par une structure arborescente, telle qu'un organigramme [20], où les nœuds internes représentent les tests par attribut, chaque branche représente les résultats des tests et chaque nœud feuille contient une étiquette de classe.
Un programme simple, basé sur des règles, a été créé pour évaluer et annoter automatiquement les compétences d'apprentissage (CA) de chaque étudiant en fonction de ses réponses. Ce programme utilise une instruction SI, où « SI » décrit le déclencheur et « ALORS » spécifie l'action à effectuer, par exemple : « Si X se produit, alors faire Y » (Liu et al., 2014). Si l'ensemble de données présente une corrélation et que le modèle d'arbre de décision est correctement entraîné et évalué, cette approche peut s'avérer efficace pour automatiser le processus d'appariement des CA et des compétences d'apprentissage (CA).
Dans la seconde phase de développement, la taille de l'ensemble de données a été portée à 255 éléments afin d'améliorer la précision de l'outil de recommandation. Cet ensemble est divisé en quatre sous-ensembles : 25 % (64) pour l'ensemble de test et les 75 % restants (191) pour l'ensemble d'entraînement (Figure 2). Cette division est nécessaire pour éviter que le modèle ne soit entraîné et testé sur le même ensemble de données, ce qui pourrait l'amener à mémoriser des informations plutôt qu'à apprendre. Le modèle est entraîné sur l'ensemble d'entraînement, puis ses performances sont évaluées sur l'ensemble de test, composé de données qu'il n'a jamais vues auparavant.
Une fois l'outil de sécurité de l'information développé, l'application pourra classer les problèmes de sécurité en fonction des réponses des étudiants en médecine dentaire via une interface web. Ce système de recommandation de sécurité de l'information, accessible via le web, est conçu en Python avec le framework Django comme backend. Le tableau 2 répertorie les bibliothèques utilisées pour son développement.
L'ensemble de données est transmis à 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 sert à évaluer la précision d'un algorithme d'apprentissage automatique basé sur un arbre de décision, appliqué à un ensemble de données donné. Elle évalue simultanément la performance du modèle de classification. Elle synthétise les prédictions du modèle et les compare aux étiquettes des données réelles. Les résultats de l'évaluation reposent sur quatre valeurs : vrai positif (VP) – le modèle a correctement prédit la catégorie positive ; faux positif (FP) – le modèle a prédit la catégorie positive alors que l'étiquette réelle était négative ; vrai négatif (VN) – le modèle a correctement prédit la classe négative ; et faux négatif (FN) – le modèle a prédit une classe négative alors que l'étiquette réelle était positive.
Ces valeurs sont ensuite utilisées pour calculer différentes métriques de performance du modèle de classification scikit-learn en Python, à savoir 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 le niveau de difficulté d'un étudiant après avoir répondu au questionnaire m-ILS.
La spécificité est appelée taux de vrais négatifs. Comme le montre la formule ci-dessus, il s'agit du rapport entre les vrais négatifs (VN) et la somme des vrais négatifs et des faux positifs (FP). Cet outil, recommandé pour la classification des drogues consommées par les étudiants, doit permettre une identification précise.
L'ensemble de données initial de 50 étudiants utilisé pour entraîner le modèle d'apprentissage automatique par arbre de décision a montré une précision relativement faible en raison d'erreurs humaines dans les annotations (Tableau 3). Après la création d'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) a été utilisé pour entraîner 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). Avec le modèle d'arbre de décision, 64 échantillons ont été correctement prédits. Ainsi, dans cette étude, les éléments diagonaux présentent les résultats attendus, indiquant que le modèle est performant et prédit avec précision l'étiquette de classe pour chaque classification LS. Par conséquent, la précision globale de l'outil de recommandation est de 100 %.
Les valeurs 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 des valeurs de sensibilité et de spécificité significatives.
La figure 6 présente une visualisation du modèle d'arbre de décision après l'entraînement et les tests. Lors d'une comparaison directe, le modèle entraîné avec un nombre réduit de caractéristiques a démontré une précision supérieure et une visualisation plus aisée. Ceci indique que l'ingénierie des caractéristiques, permettant de réduire leur nombre, constitue une étape cruciale pour améliorer les performances du modèle.
En appliquant l'apprentissage supervisé par arbre de décision, la correspondance entre LS (entrée) et IS (sortie cible) est générée automatiquement et contient des informations détaillées pour chaque LS.
Les résultats ont montré que 34,9 % des 255 étudiants préféraient une seule option de sciences de la vie (SV). La majorité (54,3 %) avait deux préférences ou plus. 12,2 % des étudiants ont indiqué que leurs préférences en matière de SV étaient assez équilibrées (tableau 4). Outre les huit principales SV, il existe 34 combinaisons de classifications de SV pour les étudiants en médecine dentaire de l'Université de Malaya. Parmi celles-ci, la perception, la vision et la combinaison perception-vision sont les principales SV mentionnées par les étudiants (figure 7).
Comme le montre le tableau 4, la majorité des élèves présentaient un profil d'apprentissage à prédominance sensorielle (13,7 %) ou visuelle (8,6 %). On a constaté que 12,2 % des élèves combinaient perception et vision (profil perceptivo-visuel). Ces résultats suggèrent que les élèves préfèrent apprendre et mémoriser par des méthodes éprouvées, suivent des procédures précises et détaillées, et sont de nature attentive. Par ailleurs, ils apprécient l'apprentissage visuel (à l'aide de schémas, etc.) et ont tendance à discuter et à appliquer les informations, individuellement ou en groupe.
Cette étude présente un aperçu des techniques d'apprentissage automatique utilisées en exploration de données, en particulier pour prédire avec précision les aspirations des étudiants et recommander des systèmes d'information adaptés. L'application d'un modèle d'arbre de décision a permis d'identifier les facteurs les plus étroitement liés à leurs expériences de vie et scolaires. Cet algorithme d'apprentissage automatique supervisé utilise une structure arborescente pour classer les données en les divisant en sous-catégories selon certains critères. Il fonctionne en divisant récursivement les données d'entrée en sous-ensembles en fonction de la valeur d'une des caractéristiques d'entrée de chaque nœud interne, jusqu'à ce qu'une décision soit prise au niveau du nœud terminal.
Les nœuds internes de l'arbre de décision représentent la solution basée sur les caractéristiques d'entrée du problème m-ILS, et les nœuds terminaux représentent la prédiction finale de classification LS. Tout au long de l'étude, la hiérarchie des arbres de décision permet de comprendre aisément le processus de décision en observant la relation entre les caractéristiques d'entrée et les prédictions de sortie.
En informatique et en ingénierie, les algorithmes d'apprentissage automatique sont largement utilisés pour prédire les performances des étudiants à partir de leurs résultats aux examens d'entrée [21], de leurs données démographiques et de leurs comportements d'apprentissage [22]. Les recherches ont montré que l'algorithme prédisait avec précision les performances des étudiants et permettait d'identifier ceux susceptibles de rencontrer des difficultés scolaires.
L'application d'algorithmes d'apprentissage automatique au développement de simulateurs de patients virtuels pour la formation dentaire est présentée. Ce simulateur est capable de reproduire fidèlement les réponses physiologiques de patients réels et peut être utilisé pour former les 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 la prise en charge des patients. Ces algorithmes ont été utilisés pour faciliter le diagnostic des maladies dentaires à partir de données telles que les symptômes et les caractéristiques des patients [24, 25]. D'autres études ont exploré l'utilisation de ces algorithmes pour réaliser des tâches telles que la prédiction de l'évolution clinique des 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 études sur l'application de l'apprentissage automatique en dentisterie aient été publiées, son utilisation dans la formation dentaire demeure limitée. Par conséquent, cette étude visait à utiliser un modèle d'arbre de décision pour identifier les facteurs les plus étroitement associés à la motivation et à la persévérance scolaires chez les étudiants en médecine dentaire.
Les résultats de cette étude montrent que l'outil de recommandation développé présente une grande précision, voire une exactitude parfaite, ce qui indique que les enseignants peuvent en tirer profit. Grâce à un processus de classification basé sur les données, il fournit des recommandations personnalisées et améliore l'expérience et les résultats pédagogiques des enseignants et des élèves. Les informations obtenues grâce à cet outil permettent notamment de résoudre les conflits entre les méthodes d'enseignement privilégiées par les enseignants et les besoins d'apprentissage des élèves. Par exemple, grâce à l'automatisation des recommandations, le temps nécessaire pour identifier le profil pédagogique d'un élève et le mettre en correspondance avec le profil pédagogique correspondant est considérablement réduit. Ainsi, des activités et des supports de formation adaptés peuvent être organisés. Cela contribue à développer un comportement d'apprentissage positif et une meilleure concentration chez les élèves. Une étude a montré que proposer aux élèves des supports et des activités d'apprentissage correspondant à leurs préférences d'apprentissage les aide à intégrer, à traiter et à apprécier l'apprentissage de multiples façons, leur permettant ainsi d'atteindre leur plein potentiel [12]. La recherche montre également qu'en plus d'améliorer la participation des élèves en classe, la compréhension de leur processus d'apprentissage joue un rôle crucial dans l'amélioration des pratiques pédagogiques et de la communication avec les élèves [28, 29].
Cependant, comme toute technologie moderne, elle présente des problèmes et des limites. Parmi ceux-ci figurent des questions liées à la confidentialité des données, aux biais et à l'équité, ainsi qu'aux compétences et ressources professionnelles nécessaires au développement et à la mise en œuvre d'algorithmes d'apprentissage automatique dans la formation dentaire. Néanmoins, l'intérêt croissant et les recherches menées dans ce domaine laissent entrevoir que les technologies d'apprentissage automatique pourraient avoir un impact positif sur la formation et les services dentaires.
Les résultats de cette étude indiquent que la moitié des étudiants en médecine dentaire ont tendance à privilégier une approche perceptive des médicaments. Ce type d'apprenant préfère les faits et les exemples concrets, est orienté vers la pratique, attentif aux détails et possède une préférence pour un style d'apprentissage visuel, utilisant de préférence les images, les graphiques, les couleurs et les cartes pour communiquer ses idées. Ces résultats concordent avec d'autres études utilisant des systèmes d'apprentissage intégrés (SAI) pour évaluer les styles d'apprentissage chez les étudiants en médecine et en médecine dentaire, dont la plupart présentent des caractéristiques perceptives et visuelles [12, 30]. Dalmolin et al. suggèrent qu'informer les étudiants de leurs styles d'apprentissage leur permet d'atteindre leur plein potentiel. Les chercheurs affirment que lorsque les enseignants comprennent pleinement le processus éducatif des étudiants, diverses méthodes et activités pédagogiques peuvent être mises en œuvre pour améliorer leurs performances et leur expérience d'apprentissage [12, 31, 32]. D'autres études ont montré que l'adaptation des styles d'apprentissage des étudiants améliore également leur expérience et leurs performances [13, 33].
Les opinions des enseignants peuvent diverger quant à la mise en œuvre de stratégies pédagogiques adaptées aux capacités d'apprentissage des élèves. Si certains perçoivent les avantages de cette approche, notamment les opportunités de développement professionnel, le mentorat et le soutien de la communauté, d'autres peuvent s'inquiéter du temps et du soutien institutionnel. La recherche d'un équilibre est essentielle pour instaurer une culture centrée sur l'élève. Les instances de l'enseignement supérieur, telles que les administrations universitaires, peuvent jouer un rôle important dans la conduite du changement positif en introduisant des pratiques innovantes et en soutenant le développement professionnel du corps professoral [34]. Pour créer un système d'enseignement supérieur véritablement dynamique et réactif, les décideurs politiques doivent prendre des mesures audacieuses, comme modifier les politiques, consacrer des ressources à l'intégration des technologies et créer des cadres favorisant les approches centrées sur l'élève. Ces mesures sont cruciales pour atteindre les résultats escomptés. Des recherches récentes sur la pédagogie différenciée ont clairement démontré que sa mise en œuvre réussie exige une formation continue et des opportunités de développement professionnel pour les enseignants [35].
Cet outil offre un soutien précieux aux enseignants en médecine dentaire souhaitant adopter une approche pédagogique centrée sur l'étudiant pour concevoir des activités d'apprentissage adaptées. Cependant, cette étude se limite à l'utilisation de modèles d'apprentissage automatique basés sur les arbres de décision. À l'avenir, il conviendra de recueillir davantage de données afin de comparer les performances de différents modèles d'apprentissage automatique et d'évaluer l'exactitude, la fiabilité et la précision des outils de recommandation. Par ailleurs, lors du choix de la méthode d'apprentissage automatique la plus appropriée à une tâche donnée, il est important de prendre en compte d'autres facteurs tels que la complexité du modèle et son interprétation.
Cette étude présente une limite : elle s’est concentrée uniquement sur la cartographie des compétences en matière de vie et d’intelligence émotionnelle chez les étudiants en médecine dentaire. Par conséquent, le système de recommandation développé ne recommandera que les compétences adaptées à ce public. Des modifications sont nécessaires pour une utilisation plus générale par les étudiants de l’enseignement supérieur.
Le nouvel outil de recommandation basé sur l'apprentissage automatique est capable de classer et d'associer instantanément les besoins d'apprentissage des étudiants aux compétences d'apprentissage correspondantes. Il s'agit du premier programme de formation dentaire à aider les enseignants à planifier des activités pédagogiques pertinentes. Grâce à un processus de triage basé sur les données, il fournit des recommandations personnalisées, permet un gain de temps, améliore les stratégies pédagogiques, soutient des interventions ciblées et favorise le développement professionnel continu. Son application encouragera une approche de l'enseignement dentaire centrée sur l'étudiant.
Gilak Jani, Associated Press. Adéquation ou inadéquation entre le style d'apprentissage de l'élève et le style d'enseignement de l'enseignant. Int J Mod Educ Computer Science. 2012;4(11):51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Date de publication : 29 avril 2024