• Ние

Картографиране на предпочитаните стилове на учене на студентите към съответните стратегии за обучение с помощта на модели за машинно обучение за дърво за решения BMC Medical Education |

Нараства нарастваща нужда от обучение, ориентирано към студентите (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, като използва технологията за машинно обучение за дърво за решения (ML) за картографиране на предпочитания стил на обучение (LS) и съответните стратегии за обучение (IS) на зъбните студенти като полезен инструмент за разработване е насоките . Обещаващи методи за студенти от зъби.
Общо 255 студенти от зъбите от Университета на Малая попълниха въпросника за модифициран индекс на стилове на обучение (M-ILS), който съдържа 44 елемента, за да ги класифицира в съответните им LS. Събраните данни (наречени набор от данни) се използват в контролираното обучение за дърво за решения за автоматично съвпадение на стиловете на обучение на учениците с най -подходящия е. След това се оценява точността на инструмента, базиран на машинното обучение, се оценява.
Прилагането на модели на дърво за решения в автоматизиран процес на картографиране между LS (вход) и IS (целеви изход) позволява незабавен списък на подходящи стратегии за обучение за всеки зъбен студент. Инструментът за препоръка на IS демонстрира перфектна точност и припомняне на общата точност на модела, което показва, че съвпадението на LS има добра чувствителност и специфичност.
Инструментът за препоръка на IS, базиран на дървото на ML, е доказал способността си да съвпада точно с стиловете на учене на зъбните ученици с подходящи стратегии за обучение. Този инструмент предоставя мощни опции за планиране на курсове или модули, ориентирани към обучаемите, които могат да подобрят обучението на студентите.
Преподаването и обучението са основни дейности в образователните институции. При разработването на висококачествена система за професионално образование е важно да се съсредоточим върху нуждите на учениците на учениците. Взаимодействието между учениците и тяхната учебна среда може да бъде определено чрез техните LS. Изследванията показват, че несъответстващите на учителите несъответствия между LS на учениците и IS могат да имат негативни последици за обучението на учениците, като намалено внимание и мотивация. Това ще повлияе косвено на представянето на студентите [1,2].
Е метод, използван от учителите за предаване на знания и умения на учениците, включително да помогне на учениците да учат [3]. Най -общо казано, добрите учители планират да преподават стратегии или това е най -добре да съответстват на нивото на знания на учениците, понятията, които учат, и техния етап на обучение. Теоретично, когато LS и съвпадат, студентите ще могат да организират и използват конкретен набор от умения, за да учат ефективно. Обикновено планът на урока включва няколко прехода между етапите, като например от преподаване до ръководена практика или от ръководена практика до независима практика. Имайки това предвид, ефективните учители често планират инструкции с цел изграждане на знания и умения на учениците [4].
Търсенето на SCL нараства във висшите учебни заведения, включително стоматологията. SCL стратегиите са предназначени да отговарят на нуждите на учениците на учениците. Това може да се постигне например, ако студентите активно участват в учебни дейности, а учителите действат като фасилитатори и са отговорни за предоставянето на ценна обратна връзка. Говори се, че предоставянето на учебни материали и дейности, 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, процесът на обучение на студенти от зъболекар се влияе от различните клинични процедури, които са необходими за изпълнение, и клиничната среда, в която те развиват ефективни междуличностни умения. Целта на обучението е да се даде възможност на студентите да комбинират основни познания по дентална медицина с дентални клинични умения и да прилагат придобитите знания в нови клинични ситуации [6, 7]. Ранното изследване на връзката между LS и се установява, че приспособяването на стратегии за обучение, картографирани към предпочитаните LS, би помогнало за подобряване на образователния процес [8]. Авторите също така препоръчват да се използват различни методи за преподаване и оценка, за да се адаптират към обучението и нуждите на учениците.
Учителите се възползват от прилагането на знания за LS, за да им помогнат да проектират, развиват и прилагат инструкции, които ще подобрят придобиването на учениците от по -задълбочени знания и разбиране на темата. Изследователите са разработили няколко инструмента за оценка на LS, като модела на обучение на KOLB, моделът на учене на Felder-Silverman (FSLSM) и модела на Fleming Vak/Vark [5, 9, 10]. Според литературата тези модели на обучение са най -често използваните и най -изследвани модели за обучение. В настоящата изследователска работа FSLSM се използва за оценка на LS сред студенти от зъби.
FSLSM е широко използван модел за оценка на адаптивното обучение в инженерството. Има много публикувани произведения в областта на здравните науки (включително медицина, медицинска сестра, фармация и стоматология), които могат да бъдат намерени с помощта на FSLSM модели [5, 11, 12, 13]. Инструментът, използван за измерване на размерите на LS в FLSM, се нарича индекс на стилове на обучение (ILS) [8], който съдържа 44 елемента, оценяващи четири измерения на LS: обработка (активна/отражение), възприятие (перцептивно/интуитивно), вход (визуално). /словесно) 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 „активни“ LS предпочитат да обработват информация, като директно взаимодействат с учебни материали, учат се чрез правене и са склонни да учат в групи. „Отразителният“ LS се отнася до ученето чрез мислене и предпочита да работи сам. Размерът на „възприемането“ на LS може да бъде разделено на „чувство“ и/или „интуиция“. „Чувството“, студентите предпочитат по-конкретна информация и практически процедури, са ориентирани към фактите в сравнение с „интуитивни“ студенти, които предпочитат абстрактни материали и имат по-иновативен и креативен характер. Размерът на „вход“ на LS се състои от „визуални“ и „словесни“ учащи се. Хората с „визуални“ LS предпочитат да учат чрез визуални демонстрации (като диаграми, видеоклипове или демонстрации на живо), докато хората с „словесни“ LS предпочитат да учат чрез думи в писмени или устни обяснения. За да „разберат“ LS размерите, такива учащи могат да бъдат разделени на „последователни“ и „глобални“. „Последователните учащи предпочитат линеен мисловен процес и се учат стъпка по стъпка, докато глобалните учащи са склонни да имат цялостен мисловен процес и винаги имат по -добро разбиране за това, което учат.
Напоследък много изследователи започнаха да изследват методите 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, контролираният ML (машинно обучение) е в състояние да генерира модели и хипотези, които прогнозират бъдещи резултати въз основа на изграждането на алгоритми [17]. Просто казано, контролираните техники за машинно обучение манипулират входните данни и алгоритмите на влаковете. След това той генерира диапазон, който класифицира или прогнозира резултата въз основа на подобни ситуации за предоставените входни данни. Основното предимство на контролираните алгоритми за машинно обучение е способността му да установява идеални и желани резултати [17].
Чрез използването на методи, управлявани от данни и модели за контрол на дървото, е възможно автоматично откриване на LS. Съобщава се, че дърветата на решенията са широко използвани в програми за обучение в различни области, включително здравни науки [18, 19]. В това проучване моделът е бил специално обучен от разработчиците на системата, за да идентифицират LS на студентите и препоръчват най -доброто за тях.
Целта на това проучване е да се разработи, е стратегии за доставка, базирани на LS на студентите и прилагане на подхода на SCL чрез разработване на инструмент за препоръка на IS, картографиран към LS. Проектният поток на инструмента за препоръка на IS като стратегия на метода SCL е показан на фигура 1. Инструментът за препоръка на IS е разделен на две части, включително механизмът за класификация на LS, използвайки ILS, а най -подходящият е дисплей за студентите.
По -специално, характеристиките на инструментите за препоръки за информационна сигурност включват използването на уеб технологии и използването на машинното обучение за дърво за решения. 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 в Университета на Малая участваха доброволно. Участниците отговориха на онлайн M-ILS на студент по английски език на английски език. В началната фаза беше използван набор от 50 студенти за обучение на алгоритъма за машинно обучение за дърво. Във втората фаза на процеса на разработка беше използван набор от 255 студенти за подобряване на точността на разработения инструмент.
Всички участници получават онлайн брифинг в началото на всеки етап, в зависимост от учебната година, чрез екипи на Microsoft. Целта на проучването беше обяснено и беше получено информирано съгласие. Всички участници бяха предоставени с връзка за достъп до M-ILS. Всеки ученик беше инструктиран да отговори на всички 44 елемента по въпросника. На тях им беше дадена една седмица, за да завършат модифицираните ILS в момент и място, удобно за тях по време на почивката на семестъра преди началото на семестъра. M-ILS се основава на оригиналния инструмент на ILS и модифициран за студенти от зъби. Подобно на оригиналните IL, той съдържа 44 равномерно разпределени елемента (A, B), с по 11 елемента, които се използват за оценка на аспекти на всяко измерение на FSLSM.
По време на началните етапи на разработване на инструменти изследователите ръчно анотират картите, използвайки набор от данни от 50 студенти от зъби. Според FSLM системата предоставя сумата от отговори „A“ и „B“. За всяко измерение, ако ученикът избира „A“ като отговор, LS е класифициран като активен/перцептивен/визуален/последователен и ако ученикът избира „B“ като отговор, студентът е класифициран като отразяващ/интуитивен/езиков . / Глобален ученик.
След калибриране на работния процес между изследователите на денталното образование и разработчиците на системи бяха избрани въпроси въз основа на FLSSM домейна и се подаваха в ML модела, за да се прогнозира LS на всеки ученик. „Боклук в, боклук навън“ е популярна поговорка в областта на машинното обучение, с акцент върху качеството на данните. Качеството на входните данни определя точността и точността на модела на машинно обучение. По време на фазата на инженерството на функциите се създава нов набор от функции, който е сумата от отговори „A“ и „B“ въз основа на FLSSM. Идентификационният брой на позициите на лекарството е даден в таблица 1.
Изчислете резултата въз основа на отговорите и определете LS на ученика. За всеки ученик диапазонът на оценката е от 1 до 11. Резултатите от 1 до 3 показват, че салдото на предпочитанията за обучение в рамките на същото измерение, а оценките от 5 до 7 показват умерено предпочитание, което показва, че студентите са склонни да предпочитат една среда, която учат други . Друга промяна в едно и също измерение е, че оценката от 9 до 11 отразява силно предпочитание за единия или другия край [8].
За всяко измерение лекарствата бяха групирани в „активни“, „отразяващи“ и „балансирани“. Например, когато студентът отговаря на „A“ по -често от „B“ на определен елемент и неговият резултат надвишава прага от 5 за определен елемент, представляващ измерението на обработващия LS, той/тя принадлежи към „активния“ LS домейн. . Въпреки това, студентите 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, студентът е в състояние на „равновесие“. Ако резултатът не надвишава 5 точки, това е „процес“ LS. Процесът на класификация се повтаря за другите LS размери, а именно възприятие (активно/отразяващо), вход (визуално/словесно) и разбиране (последователно/глобално).
Моделите на дървото на решения могат да използват различни подмножества от функции и правила за решения на различни етапи от процеса на класификация. Счита се за популярен инструмент за класификация и прогнозиране. Той може да бъде представен с помощта на дърво структура като схема [20], в която има вътрешни възли, представляващи тестове по атрибут, всеки клон представлява резултати от тестовете и всеки листен възел (листен възел), съдържащ етикет от клас.
Създадена е проста програма, базирана на правила, за да оцени автоматично и анотиране на LS на всеки ученик въз основа на техните отговори. Базираното на правила е под формата на изявление на IF, където „ако“ описва спусъка и „тогава“ определя действието, което трябва да се извърши, например: „Ако x се случи, тогава направете y“ (Liu et al., 2014). Ако наборът от данни проявява корелация и моделът на дървото на решенията е правилно обучен и оценен, този подход може да бъде ефективен начин за автоматизиране на процеса на съвпадение на LS и е.
Във втората фаза на развитие наборът от данни е 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 са били използвани за тестовия набор, а останалите 75% (191) са използвани като тренировъчен набор (Фигура 2). Наборът от данни трябва да бъде разделен, за да се предотврати обучението и тестването на модела на един и същ набор от данни, което може да доведе до запомняне на модела, а не да се учи. Моделът е обучен на тренировъчния набор и оценява работата му в тестовия набор - DATA, които моделът никога не е виждал досега.
След като инструментът IS е разработен, приложението ще може да класифицира LS въз основа на отговорите на студентите по дентални чрез уеб интерфейс. Уеб базираната система за препоръки за информационна сигурност е изградена с помощта на езика за програмиране на Python с помощта на рамката на Django като бекенд. В таблица 2 са изброени библиотеките, използвани в развитието на тази система.
Наборът от данни се подава на модел на дърво за решения за изчисляване и извличане на отговори на учениците, за да се класифицират автоматично измерванията на студентските LS.
Матрицата за объркване се използва за оценка на точността на алгоритъма за машинно обучение на дървото на решенията върху даден набор от данни. В същото време тя оценява ефективността на модела на класификация. Той обобщава прогнозите на модела и ги сравнява с действителните етикети на данни. 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, истински отрицателен (TN) - Моделът правилно прогнозира отрицателния клас и фалшив 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 модела на класификация на Scikit-Learn в Python, а именно точност, точност, припомняне и F1 резултат. Ето примери:
Припомнете (или чувствителността) измерва способността на модела да точно класифицира LS на ученика, след като отговаря на въпросника M-ILS.
Специфичността се нарича истинска отрицателна скорост. Както можете да видите от горната формула, това трябва да е съотношението на истински негативи (TN) към истински негативи и фалшиви положителни (FP). Като част от препоръчителния инструмент за класифициране на студентските наркотици, той трябва да може да може да се идентифицира точна.
Оригиналният набор от данни от 50 студенти, използвани за обучение на модела на ML на дървото на решенията, показа сравнително ниска точност поради човешка грешка в поясненията (Таблица 3). След създаването на проста програма, базирана на правила, за автоматично изчисляване на LS резултати и пояснения на студентите, се използва все по-голям брой набори от данни (255) за обучение и тестване на системата за препоръки.
В матрицата за объркване на многокласната объркване, диагоналните елементи представляват броя на правилните прогнози за всеки тип LS (Фигура 4). Използвайки модела на дървото на решенията, бяха правилно предвидени общо 64 проби. По този начин, в това проучване, диагоналните елементи показват очакваните резултати, което показва, че моделът се представя добре и точно предсказва етикета на класа за всяка класификация на LS. По този начин общата точност на инструмента за препоръки е 100%.
Стойностите на точността, прецизността, припомнянето и резултата от F1 са показани на фигура 5. За препоръчителната система, използвайки модела на дървото на решенията, неговият резултат от F1 е 1,0 „перфектен“, показваща перфектна точност и припомняне, отразявайки значителна чувствителност и специфичност стойности.
Фигура 6 показва визуализация на модела на дървото на решенията след приключване на обучението и тестването. В сравнение с страничното сравнение моделът на дървото на дървото, обучен с по-малко характеристики, показва по-висока точност и по-лесна визуализация на модела. Това показва, че инженерингът на функциите, водещ до намаляване на функциите, е важна стъпка за подобряване на производителността на модела.
Чрез прилагането на дървото за надзор на решенията, картографирането между LS (вход) и IS (целевия изход) се генерира автоматично и съдържа подробна информация за всеки LS.
Резултатите показват, че 34,9% от 255 -те студенти предпочитат една (1) LS опция. Мнозинството (54,3%) има две или повече предпочитания за LS. 12,2% от студентите отбелязват, че LS е доста балансиран (Таблица 4). В допълнение към осемте основни LS има 34 комбинации от LS класификации за студенти от университета в Малая. Сред тях възприятието, зрението и комбинацията от възприятие и зрение са основните LS, отчетени от студентите (Фигура 7).
Както се вижда от таблица 4, по -голямата част от студентите са имали преобладаващ сензор (13,7%) или визуални (8,6%) LS. Съобщава се, че 12,2% от студентите комбинират възприятието с зрението (перцептивно-визуални LS). Тези констатации предполагат, че студентите предпочитат да учат и запомнят чрез установени методи, да следват специфични и подробни процедури и имат внимателен характер. В същото време те се радват да учат, като търсят (използвайки диаграми и т.н.) и са склонни да обсъждат и прилагат информация в групи или сами.
Това проучване предоставя преглед на техниките за машинно обучение, използвани при извличането на данни, с акцент върху незабавно и точно прогнозиране на LS на студентите и препоръчително е подходящо. Прилагането на модел на дърво за решения идентифицира факторите, най -тясно свързани с техния живот и образователен опит. Това е контролиран алгоритъм за машинно обучение, който използва структура на дърво за класифициране на данни, като разделя 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 на листния възел.
Вътрешните възли на дървото на решенията представляват решението въз основа на входните характеристики на проблема с M-ILS, а листните възли представляват окончателното прогнозиране на класификацията на LS. По време на изследването е лесно да се разбере йерархията на дърветата на решенията, които обясняват и визуализират процеса на решение, като се разгледат връзката между входните функции и прогнозите на изхода.
В областта на компютърните науки и инженерството алгоритмите за машинно обучение се използват широко за прогнозиране на резултатите от студентите въз основа на техните резултати от приемните изпити [21], демографската информация и поведението на обучението [22]. Изследванията показват, че алгоритъмът точно прогнозира представянето на студентите и им помага да идентифицират студентите в риск от академични затруднения.
Съобщава се за прилагането на ML алгоритми при разработването на виртуални симулатори на пациенти за зъболекарско обучение. Симулаторът е способен да възпроизвежда точно физиологичните реакции на реални пациенти и може да се използва за обучение на студенти 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 са изследвали използването на алгоритми за машинно обучение за изпълнение на задачи като прогнозиране на резултатите от пациента, 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 прилагането на машинно обучение по дентална медицина, приложението му в денталното образование остава ограничено. Следователно, това проучване има за цел да използва модел на дърво за решения, за да идентифицира фактори, които са най -тясно свързани с LS и е сред студенти от зъби.
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 класификация, управляван от данни, той може да предостави персонализирани препоръки и да подобри образователния опит и резултатите за преподаватели и студенти. Сред тях информацията, получена чрез препоръчителни инструменти, може да разреши конфликти между предпочитаните методи на преподаване на учителите и нуждите на учениците на учениците. Например, поради автоматизирания изход на инструментите за препоръки, времето, необходимо за идентифициране на IP на студента и да го съпоставите със съответния IP, ще бъде значително намалено. По този начин могат да бъдат организирани подходящи тренировъчни дейности и учебни материали. Това помага да се развие положителното поведение на учениците и способността да се концентрират. Едно проучване съобщава, че предоставянето на ученици с учебни материали и учебни дейности, които съответстват на предпочитания от тях LS, може да помогне на студентите да се интегрират, да обработват и да се наслаждават на ученето по множество начини за постигане на по -голям потенциал [12]. Изследванията показват също, че в допълнение към подобряването на участието на учениците в класната стая, разбирането на процеса на обучение на учениците също играе критична роля за подобряване на преподавателските практики и комуникацията със студентите [28, 29].
Както и при всяка съвременна технология, има проблеми и ограничения. Те включват проблеми, свързани с поверителност на данните, пристрастия и справедливост и професионалните умения и ресурси, необходими за разработване и прилагане на алгоритми за машинно обучение в денталното образование; Въпреки това, нарастващият интерес и изследвания в тази област предполагат, че технологиите за машинно обучение могат да имат положително въздействие върху денталното образование и стоматологичните услуги.
Резултатите от това проучване показват, че половината от студенти по дентална стойност имат склонност да „възприемат“ лекарствата. Този тип обучаем има предпочитание към факти и конкретни примери, практическа ориентация, търпение за детайли и „визуално“ предпочитание, където учащите предпочитат да използват снимки, графики, цветове и карти, за да предадат идеи и мисли. Настоящите резултати са в съответствие с други проучвания, използващи IL за оценка на LS при студенти по дентална и медицина, повечето от които имат характеристики на възприятието и визуалните LS [12, 30]. Dalmolin et al предлагат, че информирането на студентите за техните LS им позволява да достигнат своя потенциал за обучение. Изследователите твърдят, че когато учителите разбират напълно образователния процес на учениците, могат да се приложат различни методи и дейности на преподаване, които ще подобрят резултатите от учениците и обучението [12, 31, 32]. Други проучвания показват, че приспособяването на LS на студентите също показва подобрения в опита и ефективността на учениците на учениците след промяна на техните стилове на обучение, за да отговарят на собствените си LS [13, 33].
Мненията на учителите могат да варират по отношение на прилагането на стратегиите за преподаване въз основа на способностите на учебното обучение. Докато някои виждат предимствата на този подход, включително възможностите за професионално развитие, менторството и подкрепата на общността, други може да са загрижени за времето и институционалната подкрепа. Стремежът към баланс е от ключово значение за създаването на отношение към ориентирана към ученика отношение. Органите за висше образование, като университетските администратори, могат да играят важна роля в стимулирането на положителни промени чрез въвеждане на иновативни практики и подпомагане на развитието на факултетите [34]. За да създадат наистина динамична и отзивчива система за висше образование, политиците трябва да предприемат смели стъпки, като например да правят промени в политиката, да отделят ресурси за технологична интеграция и да създават рамки, които насърчават ориентираните към учениците подходи. Тези мерки са от решаващо значение за постигането на желаните резултати. Последните изследвания на диференцираните инструкции ясно показват, че успешното прилагане на диференцираното обучение изисква текущи възможности за обучение и развитие на учителите [35].
Този инструмент предоставя ценна подкрепа на преподавателите по дентални, които искат да предприемат ориентиран към студента подход за планиране на учебни дейности, подходящи за учениците. Това проучване обаче е ограничено до използването на ML модели на дърво за решения. В бъдеще трябва да се събират повече данни, за да се сравни работата на различни модели на машинно обучение, за да се сравни точността, надеждността и прецизността на инструментите за препоръки. Освен това, когато избирате най -подходящия метод за машинно обучение за определена задача, е важно да се вземат предвид други фактори като сложността и интерпретацията на модела.
Ограничение на това проучване е, че то се фокусира само върху картографирането на LS и е сред студентите по дентални. Следователно, разработената система за препоръки ще препоръча само тези, които са подходящи за студенти от зъби. Промените са необходими за общото използване на студентите във висшето образование.
Новоразработеният инструмент за препоръки, базиран на машинно обучение, е способен незабавно да класифицира и съпоставя LS на студентите със съответния е, което го прави първата програма за дентално образование, която да помогне на денталните преподаватели да планират съответните преподавателски и учебни дейности. Използвайки процес, управляван от данни, той може да предостави персонализирани препоръки, да спести време, да подобри стратегиите за преподаване, да подкрепи целевите интервенции и да насърчава текущото професионално развитие. Приложението му ще насърчава ориентираните към студентите подходи към денталното образование.
Gilak Jani Associated Press. Съвпадение или несъответствие между стила на обучение на ученика и стила на преподаване на учителя. Int J Mod Educ Computer Science. 2012; 4 (11): 51–60. https://doi.org/10.5815/ijmecs.2012.11.05


Време за публикация: април-29-2024