Има нарастваща нужда от обучение, ориентирано към студента (SCL) във висшите учебни заведения, включително стоматологията.SCL обаче има ограничено приложение в денталното образование.Следователно, това проучване има за цел да насърчи прилагането на SCL в стоматологията чрез използване на технологията за машинно обучение на дървото на решенията (ML) за картографиране на предпочитания стил на учене (LS) и съответните стратегии за учене (IS) на студентите по дентална медицина като полезен инструмент за разработване на насоки за IS .Обещаващи методи за студенти по дентална медицина.
Общо 255 студенти по дентална медицина от Университета на Малая попълниха модифицирания въпросник за индекса на стиловете на учене (m-ILS), който съдържаше 44 елемента, за да ги класифицират в съответните им LS.Събраните данни (наречени набор от данни) се използват в контролирано обучение в дървото на решенията, за да съпоставят автоматично стиловете на учене на учениците с най-подходящия IS.След това се оценява точността на инструмента за препоръчване на IS, базиран на машинно обучение.
Прилагането на модели на дърво на решенията в автоматизиран процес на картографиране между LS (вход) и IS (целеви изход) позволява незабавен списък с подходящи стратегии за учене за всеки студент по дентална медицина.Инструментът за препоръчване на IS демонстрира перфектна точност и припомняне на цялостната точност на модела, което показва, че съвпадението на LS с IS има добра чувствителност и специфичност.
Инструмент за препоръчване на IS, базиран на дърво на решения за ML, е доказал способността си да съпоставя точно стиловете на учене на студентите по дентална медицина с подходящи стратегии за учене.Този инструмент предоставя мощни опции за планиране на курсове или модули, ориентирани към обучаемия, които могат да подобрят учебния опит на учениците.
Преподаването и ученето са основни дейности в образователните институции.При разработването на висококачествена система за професионално образование е важно да се съсредоточите върху учебните потребности на учениците.Взаимодействието между учениците и тяхната учебна среда може да се определи чрез техните LS.Изследванията показват, че несъответствията между LS и IS на учениците, предвидени от учителите, могат да имат отрицателни последици за ученето на учениците, като намалено внимание и мотивация.Това косвено ще повлияе на представянето на учениците [1,2].
IS е метод, използван от учителите за предаване на знания и умения на учениците, включително подпомагане на учениците да учат [3].Най-общо казано, добрите учители планират стратегии за преподаване или IS, които най-добре съответстват на нивото на знания на техните ученици, концепциите, които учат, и техния етап на обучение.Теоретично, когато LS и IS съвпадат, учениците ще могат да организират и използват специфичен набор от умения, за да учат ефективно.Обикновено планът на урока включва няколко прехода между етапите, като например от преподаване към ръководена практика или от ръководена практика към независима практика.Имайки това предвид, ефективните учители често планират обучение с цел изграждане на знания и умения на учениците [4].
Търсенето на SCL нараства във висшите учебни заведения, включително стоматологията.Стратегиите за SCL са предназначени да отговорят на учебните нужди на учениците.Това може да се постигне, например, ако учениците участват активно в учебните дейности, а учителите действат като фасилитатори и са отговорни за предоставянето на ценна обратна връзка.Твърди се, че предоставянето на учебни материали и дейности, които са подходящи за образователното ниво или предпочитанията на учениците, може да подобри учебната среда на учениците и да насърчи положителния опит в обучението [5].
Най-общо казано, учебният процес на студентите по дентална медицина се влияе от различните клинични процедури, които трябва да извършат, и клиничната среда, в която развиват ефективни междуличностни умения.Целта на обучението е да даде възможност на студентите да комбинират основни знания по дентална медицина с дентални клинични умения и да приложат придобитите знания в нови клинични ситуации [6, 7].Ранните изследвания на връзката между LS и IS установиха, че коригирането на стратегиите за учене, съпоставени с предпочитания LS, би помогнало за подобряване на образователния процес [8].Авторите също така препоръчват използването на различни методи за преподаване и оценяване, за да се адаптират към обучението и нуждите на учениците.
Учителите се възползват от прилагането на знанията на LS, за да им помогнат да проектират, разработят и внедрят инструкции, които ще подобрят придобиването на по-задълбочени знания и разбиране на предмета от учениците.Изследователите са разработили няколко инструмента за оценка на LS, като например модела на обучение чрез преживяване на Колб, модела на стил на учене на Фелдер-Силвърман (FSLSM) и модела на Флеминг VAK/VARK [5, 9, 10].Според литературата тези модели на обучение са най-често използваните и най-изследваните модели на обучение.В настоящата изследователска работа FSLSM се използва за оценка на LS сред студенти по дентална медицина.
FSLSM е широко използван модел за оценка на адаптивното обучение в инженерството.Има много публикувани трудове в областта на здравните науки (включително медицина, медицински сестри, фармация и стоматология), които могат да бъдат намерени с помощта на FSLSM модели [5, 11, 12, 13].Инструментът, използван за измерване на измеренията на LS в FLSM, се нарича Индекс на стиловете на учене (ILS) [8], който съдържа 44 елемента, оценяващи четири измерения на LS: обработка (активно/рефлективно), възприятие (перцептивно/интуитивно), вход (визуален)./вербално) и разбиране (последователно/глобално) [14].
Както е показано на фигура 1, всяко измерение на FSLSM има доминиращо предпочитание.Например, в измерението на обработката, учениците с „активен“ LS предпочитат да обработват информация чрез директно взаимодействие с учебни материали, учат чрез правене и са склонни да учат в групи.„Отразяващият“ LS се отнася до учене чрез мислене и предпочита да работи сам.„Възприемащото“ измерение на LS може да бъде разделено на „усещане“ и/или „интуиция“.„Чувстващите“ ученици предпочитат по-конкретна информация и практически процедури, ориентирани са към фактите в сравнение с „интуитивните“ ученици, които предпочитат абстрактен материал и са по-иновативни и креативни по природа.„Входното“ измерение на LS се състои от „визуални“ и „вербални“ обучаеми.Хората с „визуални“ LS предпочитат да учат чрез визуални демонстрации (като диаграми, видеоклипове или демонстрации на живо), докато хората с „вербални“ LS предпочитат да учат чрез думи в писмени или устни обяснения.За да „разберат“ измеренията на LS, такива обучаеми могат да бъдат разделени на „последователни“ и „глобални“.„Последователните учащи предпочитат линеен мисловен процес и учат стъпка по стъпка, докато глобалните учащи са склонни да имат холистичен мисловен процес и винаги имат по-добро разбиране на това, което учат.
Наскоро много изследователи започнаха да изследват методи за автоматично откриване на данни, включително разработването на нови алгоритми и модели, способни да интерпретират големи количества данни [15, 16].Въз основа на предоставените данни, контролираното ML (машинно обучение) е в състояние да генерира модели и хипотези, които предвиждат бъдещи резултати въз основа на изграждането на алгоритми [17].Просто казано, контролираните техники за машинно обучение манипулират входни данни и обучават алгоритми.След това генерира диапазон, който класифицира или прогнозира резултата въз основа на подобни ситуации за предоставените входни данни.Основното предимство на алгоритмите за контролирано машинно обучение е способността му да установява идеални и желани резултати [17].
Чрез използването на управлявани от данни методи и модели за управление на дървото на решенията е възможно автоматично откриване на LS.Съобщава се, че дърветата на решенията се използват широко в програми за обучение в различни области, включително здравни науки [18, 19].В това проучване моделът беше специално обучен от разработчиците на системата, за да идентифицира LS на учениците и да препоръча най-добрия IS за тях.
Целта на това проучване е да се разработят стратегии за предоставяне на IS, базирани на LS на учениците, и да се приложи SCL подходът чрез разработване на инструмент за препоръки за IS, съпоставен с LS.Потокът на проектиране на инструмента за препоръчване на IS като стратегия на метода SCL е показан на Фигура 1. Инструментът за препоръчване на IS е разделен на две части, включително механизма за класификация на LS, използващ ILS, и най-подходящия дисплей на IS за ученици.
По-специално, характеристиките на инструментите за препоръки за информационна сигурност включват използването на уеб технологии и използването на машинно обучение на дървото на решенията.Разработчиците на системи подобряват потребителското изживяване и мобилността, като ги адаптират към мобилни устройства като мобилни телефони и таблети.
Експериментът е проведен на два етапа и студенти от Факултета по дентална медицина към Университета на Малая са участвали на доброволни начала.Участниците отговориха на онлайн m-ILS на студент по дентална медицина на английски език.В началната фаза беше използван набор от данни от 50 студента за обучение на алгоритъма за машинно обучение на дървото на решенията.Във втората фаза на процеса на разработка беше използван набор от данни от 255 студента за подобряване на точността на разработения инструмент.
Всички участници получават онлайн брифинг в началото на всеки етап, в зависимост от академичната година, чрез Microsoft Teams.Обяснена е целта на изследването и е получено информирано съгласие.На всички участници беше предоставена връзка за достъп до m-ILS.Всеки студент беше инструктиран да отговори на всичките 44 елемента от въпросника.Беше им дадена една седмица да завършат модифицирания ILS в удобно за тях време и място по време на семестриалната ваканция преди началото на семестъра.m-ILS е базиран на оригиналния ILS инструмент и е модифициран за студенти по дентална медицина.Подобно на оригиналния ILS, той съдържа 44 равномерно разпределени елемента (a, b), с 11 елемента всеки, които се използват за оценка на аспектите на всяко измерение на FSLSM.
По време на началните етапи на разработване на инструмента, изследователите ръчно анотират картите, използвайки набор от данни на 50 студенти по дентална медицина.Според FSLM системата предоставя сумата от отговорите „а” и „б”.За всяко измерение, ако ученикът избере „a“ като отговор, LS се класифицира като активен/перцептивен/визуален/последователен, а ако ученикът избере „b“ като отговор, ученикът се класифицира като рефлективен/интуитивен/лингвистичен ./ глобален обучаем.
След калибриране на работния процес между изследователи по дентално образование и разработчици на системи, въпросите бяха избрани въз основа на домейна на FLSSM и въведени в ML модела, за да се предвиди LS на всеки ученик.„Боклук вътре, боклук вън“ е популярна поговорка в областта на машинното обучение, с акцент върху качеството на данните.Качеството на входните данни определя прецизността и точността на модела за машинно обучение.По време на фазата на проектиране на функции се създава нов набор от функции, който е сумата от отговорите „a“ и „b“ въз основа на FLSSM.Идентификационните номера на лекарствените позиции са дадени в таблица 1.
Изчислете резултата въз основа на отговорите и определете LS на ученика.За всеки ученик диапазонът на резултатите е от 1 до 11. Резултатите от 1 до 3 показват баланс на предпочитанията за учене в рамките на едно и също измерение, а резултатите от 5 до 7 показват умерено предпочитание, което показва, че учениците са склонни да предпочитат една среда, в която да обучават други .Друга вариация на същото измерение е, че резултатите от 9 до 11 отразяват силно предпочитание към единия или другия край [8].
За всяко измерение лекарствата бяха групирани в „активни“, „отразяващи“ и „балансирани“.Например, когато ученик отговаря с „а“ по-често от „б“ на определен елемент и неговият/нейният резултат надвишава прага от 5 за конкретен елемент, представляващ измерението на LS за обработка, той/тя принадлежи към „активния“ LS домейн..Въпреки това, учениците бяха класифицирани като „отразяващи“ LS, когато избраха „b“ повече от „a“ в конкретни 11 въпроса (Таблица 1) и отбелязаха повече от 5 точки.И накрая, ученикът е в състояние на „равновесие“.Ако резултатът не надвишава 5 точки, тогава това е „процес“ LS.Процесът на класифициране беше повторен за другите измерения на LS, а именно възприятие (активно/рефлексивно), въвеждане (визуално/вербално) и разбиране (последователно/глобално).
Моделите на дървото на решенията могат да използват различни подгрупи от характеристики и правила за вземане на решения на различни етапи от процеса на класификация.Смята се за популярен инструмент за класификация и прогнозиране.Тя може да бъде представена с помощта на дървовидна структура като блок-схема [20], в която има вътрешни възли, представящи тестове по атрибут, всеки клон представя резултати от тестове и всеки листов възел (листов възел), съдържащ етикет на клас.
Създадена е проста програма, базирана на правила, за автоматично оценяване и анотиране на LS на всеки ученик въз основа на техните отговори.Базираният на правила приеме формата на оператор IF, където „IF“ описва тригера, а „THEN“ уточнява действието, което трябва да бъде извършено, например: „Ако X се случи, тогава направете Y“ (Liu et al., 2014).Ако наборът от данни показва корелация и моделът на дървото на решенията е правилно обучен и оценен, този подход може да бъде ефективен начин за автоматизиране на процеса на съпоставяне на LS и IS.
Във втората фаза на разработка наборът от данни беше увеличен до 255, за да се подобри точността на инструмента за препоръки.Наборът от данни е разделен в съотношение 1:4.25% (64) от набора от данни бяха използвани за тестовия набор, а останалите 75% (191) бяха използвани като набор за обучение (Фигура 2).Наборът от данни трябва да бъде разделен, за да се предотврати обучението и тестването на модела върху един и същ набор от данни, което може да накара модела да запомни, вместо да се учи.Моделът се обучава на набора за обучение и оценява ефективността си на тестовия набор - данни, които моделът никога не е виждал преди.
След като инструментът IS бъде разработен, приложението ще може да класифицира LS въз основа на отговорите на студентите по дентална медицина чрез уеб интерфейс.Уеб-базираната система с инструменти за препоръки за информационна сигурност е изградена с помощта на езика за програмиране Python, използвайки рамката Django като бекенд.Таблица 2 изброява библиотеките, използвани при разработването на тази система.
Наборът от данни се подава към модел на дърво на решенията, за да се изчислят и извлекат отговорите на учениците, за да се класифицират автоматично измерванията на LS на учениците.
Матрицата на объркване се използва за оценка на точността на алгоритъм за машинно обучение на дърво на решения върху даден набор от данни.В същото време той оценява ефективността на класификационния модел.Той обобщава прогнозите на модела и ги сравнява с действителните етикети на данните.Резултатите от оценката се основават на четири различни стойности: True Positive (TP) – моделът правилно прогнозира положителната категория, False Positive (FP) – моделът прогнозира положителната категория, но истинският етикет е отрицателен, True Negative (TN) – моделът правилно прогнозира отрицателния клас и фалшиво отрицателен (FN) – Моделът прогнозира отрицателен клас, но истинският етикет е положителен.
След това тези стойности се използват за изчисляване на различни показатели за ефективност на класификационния модел scikit-learn в Python, а именно прецизност, прецизност, припомняне и F1 резултат.Ето примери:
Припомнянето (или чувствителността) измерва способността на модела да класифицира точно LS на ученик след отговор на въпросника m-ILS.
Специфичността се нарича истински отрицателен процент.Както можете да видите от горната формула, това трябва да е съотношението на истинските негативи (TN) към истинските негативи и фалшивите положителни резултати (FP).Като част от препоръчания инструмент за класифициране на ученически наркотици, той трябва да може да се идентифицира точно.
Оригиналният набор от данни от 50 студента, използван за обучение на ML модела на дървото на решенията, показа сравнително ниска точност поради човешка грешка в анотациите (Таблица 3).След създаването на проста програма, базирана на правила за автоматично изчисляване на резултатите от LS и анотациите на учениците, нарастващ брой набори от данни (255) бяха използвани за обучение и тестване на препоръчителната система.
В многокласовата матрица на объркване диагоналните елементи представляват броя на правилните прогнози за всеки тип LS (Фигура 4).Използвайки модела на дървото на решенията, общо 64 проби бяха правилно прогнозирани.По този начин в това проучване диагоналните елементи показват очакваните резултати, което показва, че моделът се представя добре и точно прогнозира етикета на класа за всяка LS класификация.Така общата точност на инструмента за препоръки е 100%.
Стойностите на точност, прецизност, припомняне и резултат F1 са показани на Фигура 5. За системата за препоръки, използваща модела на дървото на решенията, нейният резултат F1 е 1,0 „перфектен“, което показва перфектна точност и припомняне, отразяващи значителна чувствителност и специфичност стойности.
Фигура 6 показва визуализация на модела на дървото на решенията след приключване на обучението и тестването.При паралелно сравнение моделът на дървото на решенията, обучен с по-малко функции, показа по-висока точност и по-лесна визуализация на модела.Това показва, че инженерингът на функциите, водещ до намаляване на функциите, е важна стъпка в подобряването на производителността на модела.
Чрез прилагане на контролирано обучение в дървото на решенията, картографирането между LS (вход) и IS (целеви изход) се генерира автоматично и съдържа подробна информация за всеки LS.
Резултатите показват, че 34,9% от 255 студенти са предпочели една (1) опция за LS.Мнозинството (54,3%) са имали две или повече LS предпочитания.12,2% от учениците отбелязват, че LS е доста балансиран (Таблица 4).В допълнение към осемте основни LS, има 34 комбинации от LS класификации за студенти по дентална медицина в Университета на Малая.Сред тях възприятието, зрението и комбинацията от възприятие и зрение са основните LS, докладвани от учениците (Фигура 7).
Както може да се види от таблица 4, по-голямата част от учениците са имали преобладаващ сензорен (13,7%) или зрителен (8,6%) LS.Съобщава се, че 12,2% от учениците комбинират възприятие с визия (перцептивно-визуално LS).Тези констатации предполагат, че учениците предпочитат да учат и запомнят чрез установени методи, следват специфични и подробни процедури и са внимателни по природа.В същото време те обичат да учат чрез гледане (използвайки диаграми и т.н.) и са склонни да обсъждат и прилагат информация в групи или сами.
Това проучване предоставя общ преглед на техниките за машинно обучение, използвани в извличането на данни, с акцент върху незабавното и точно прогнозиране на LS на учениците и препоръчването на подходящи IS.Прилагането на модел на дърво на решенията идентифицира факторите, които са най-тясно свързани с техния живот и образователен опит.Това е контролиран алгоритъм за машинно обучение, който използва дървовидна структура за класифициране на данни чрез разделяне на набор от данни на подкатегории въз основа на определени критерии.Той работи чрез рекурсивно разделяне на входните данни на подмножества въз основа на стойността на една от входните характеристики на всеки вътрешен възел, докато не бъде взето решение в листовия възел.
Вътрешните възли на дървото на решенията представляват решението, базирано на входните характеристики на проблема m-ILS, а листовите възли представляват окончателното прогнозиране на LS класификацията.По време на проучването е лесно да се разбере йерархията на дърветата на решенията, които обясняват и визуализират процеса на вземане на решения, като разглеждат връзката между входните характеристики и изходните прогнози.
В областта на компютърните науки и инженерството алгоритмите за машинно обучение се използват широко за прогнозиране на представянето на учениците въз основа на техните резултати от приемните изпити [21], демографска информация и поведение при учене [22].Изследванията показват, че алгоритъмът точно прогнозира представянето на учениците и им помага да идентифицират учениците, изложени на риск от академични затруднения.
Докладва се приложението на ML алгоритми при разработването на виртуални симулатори на пациенти за дентално обучение.Симулаторът е способен точно да възпроизвежда физиологичните реакции на реални пациенти и може да се използва за обучение на студенти по дентална медицина в безопасна и контролирана среда [23].Няколко други проучвания показват, че алгоритмите за машинно обучение могат потенциално да подобрят качеството и ефективността на денталното и медицинското образование и грижите за пациентите.Алгоритмите за машинно обучение са използвани за подпомагане на диагностицирането на зъбни заболявания въз основа на набори от данни като симптоми и характеристики на пациента [24, 25].Докато други проучвания изследват използването на алгоритми за машинно обучение за изпълнение на задачи като прогнозиране на резултатите на пациентите, идентифициране на пациенти с висок риск, разработване на персонализирани планове за лечение [26], пародонтално лечение [27] и лечение на кариес [25].
Въпреки че са публикувани доклади за приложението на машинното обучение в денталната медицина, приложението му в денталното образование остава ограничено.Следователно, това проучване имаше за цел да използва модел на дърво на решенията, за да идентифицира факторите, които са най-тясно свързани с LS и IS сред студентите по дентална медицина.
Резултатите от това проучване показват, че разработеният инструмент за препоръки има висока точност и перфектна точност, което показва, че учителите могат да се възползват от този инструмент.Използвайки процес на класифициране, управляван от данни, той може да предостави персонализирани препоръки и да подобри образователния опит и резултати за преподаватели и ученици.Между тях информацията, получена чрез инструменти за препоръки, може да разреши конфликти между предпочитаните от учителите методи на преподаване и учебните нужди на учениците.Например, поради автоматизирания изход на инструментите за препоръки, времето, необходимо за идентифициране на IP адреса на ученика и съпоставянето му със съответния IP ще бъде значително намалено.По този начин могат да се организират подходящи обучителни дейности и учебни материали.Това спомага за развитието на положително поведение при учене и способността на учениците да се концентрират.Едно проучване съобщава, че предоставянето на учебни материали и учебни дейности на учениците, които отговарят на техните предпочитани LS, може да помогне на учениците да се интегрират, обработват и да се наслаждават на ученето по множество начини, за да постигнат по-голям потенциал [12].Изследванията показват също, че в допълнение към подобряването на участието на учениците в класната стая, разбирането на учебния процес на учениците също играе критична роля за подобряване на практиките на преподаване и комуникацията с учениците [28, 29].
Въпреки това, както при всяка съвременна технология, има проблеми и ограничения.Те включват въпроси, свързани с поверителността на данните, пристрастията и справедливостта, както и професионалните умения и ресурси, необходими за разработване и прилагане на алгоритми за машинно обучение в денталното образование;Въпреки това нарастващият интерес и изследванията в тази област предполагат, че технологиите за машинно обучение могат да имат положително въздействие върху денталното образование и денталните услуги.
Резултатите от това проучване показват, че половината от студентите по дентална медицина имат склонност да „възприемат“ лекарства.Този тип обучаеми имат предпочитания към факти и конкретни примери, практическа ориентация, търпение за детайли и „визуални“ предпочитания към LS, където обучаемите предпочитат да използват снимки, графики, цветове и карти, за да предадат идеи и мисли.Настоящите резултати са в съответствие с други проучвания, използващи ILS за оценка на LS при студенти по дентална медицина и медицина, повечето от които имат характеристики на перцептивни и визуални LS [12, 30].Dalmolin et al предполагат, че информирането на учениците за техните LS им позволява да достигнат своя потенциал за учене.Изследователите твърдят, че когато учителите разбират напълно образователния процес на учениците, могат да бъдат приложени различни методи на преподаване и дейности, които ще подобрят представянето на учениците и учебния опит [12, 31, 32].Други проучвания показват, че коригирането на LS на учениците също показва подобрения в учебния опит и представянето на учениците след промяна на техните стилове на учене, за да отговарят на техните собствени LS [13, 33].
Мненията на учителите могат да варират по отношение на прилагането на стратегии за преподаване, базирани на способностите за учене на учениците.Докато някои виждат ползите от този подход, включително възможности за професионално развитие, менторство и подкрепа от общността, други може да са загрижени за времето и институционалната подкрепа.Стремежът към баланс е ключов за създаване на нагласа, ориентирана към ученика.Органите на висшето образование, като например университетските администратори, могат да играят важна роля в стимулирането на положителна промяна чрез въвеждане на иновативни практики и подпомагане на развитието на преподавателите [34].За да създадат наистина динамична и отзивчива система за висше образование, политиците трябва да предприемат смели стъпки, като извършване на промени в политиката, отделяне на ресурси за технологична интеграция и създаване на рамки, които насърчават подходи, ориентирани към студентите.Тези мерки са критични за постигане на желаните резултати.Скорошни изследвания върху диференцираното обучение ясно показват, че успешното прилагане на диференцирано обучение изисква непрекъснато обучение и възможности за развитие на учителите [35].
Този инструмент предоставя ценна подкрепа на преподаватели по дентална медицина, които искат да възприемат подход, ориентиран към студентите, за планиране на учебни дейности, подходящи за студентите.Това проучване обаче е ограничено до използването на ML модели на дървото на решенията.В бъдеще трябва да се събират повече данни за сравняване на ефективността на различни модели за машинно обучение, за да се сравнява точността, надеждността и прецизността на инструментите за препоръки.Освен това, когато избирате най-подходящия метод за машинно обучение за конкретна задача, е важно да вземете предвид други фактори, като сложност на модела и интерпретация.
Ограничение на това проучване е, че то се фокусира само върху картографиране на LS и IS сред студенти по дентална медицина.Следователно разработената система за препоръки ще препоръчва само тези, които са подходящи за студенти по дентална медицина.Необходими са промени за общо ползване от студенти във висшето образование.
Новоразработеният инструмент за препоръки, базиран на машинно обучение, е в състояние незабавно да класифицира и съпоставя LS на учениците със съответния IS, което го прави първата програма за обучение по дентална медицина, която помага на преподавателите по дентална медицина да планират подходящи дейности за преподаване и обучение.Използвайки процес на сортиране, управляван от данни, той може да предостави персонализирани препоръки, да спести време, да подобри стратегиите за преподаване, да подкрепи целенасочени интервенции и да насърчи непрекъснатото професионално развитие.Приложението му ще насърчи ориентирани към студентите подходи към денталното образование.
Гилак Джани Асошиейтед прес.Съвпадение или несъответствие между стила на учене на ученика и стила на преподаване на учителя.Int J Mod Educ Компютърни науки.2012; 4 (11): 51–60.https://doi.org/10.5815/ijmecs.2012.11.05
Време на публикуване: 29 април 2024 г