Нараства нуждата от студентоцентрирано обучение (СОО) във висшите учебни заведения, включително в стоматологията. СОО обаче има ограничено приложение в стоматологичното образование. Следователно, това проучване има за цел да насърчи приложението на СОО в стоматологията, като използва технология за машинно обучение (МО) с дърво на решенията, за да картографира предпочитания стил на обучение (СУ) и съответните стратегии за обучение (СУ) на студентите по дентална медицина като полезен инструмент за разработване на насоки за СУ. Перспективни методи за студенти по дентална медицина.
Общо 255 студенти по дентална медицина от Университета в Малая попълниха модифицирания въпросник „Индекс на стиловете на учене“ (m-ILS), който съдържаше 44 елемента за класифицирането им в съответните им LS. Събраните данни (наречени набор от данни) се използват в контролирано обучение с дърво на решенията, за да се съпоставят автоматично стиловете на учене на студентите с най-подходящата IS. След това се оценява точността на инструмента за препоръки на IS, базиран на машинно обучение.
Прилагането на модели на дървета на решенията в автоматизиран процес на картографиране между LS (вход) и IS (целеви изход) позволява незабавен списък с подходящи стратегии за обучение за всеки студент по дентална медицина. Инструментът за препоръки на IS демонстрира перфектна точност и изчерпаемост на общата точност на модела, което показва, че съпоставянето на LS с IS има добра чувствителност и специфичност.
Инструмент за препоръки в областта на информационните системи, базиран на дърво на решенията, базирано на машинно обучение, е доказал способността си точно да съпоставя 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 процес на студентите.
Преподаването и ученето са основни дейности в образователните институции. При разработването на висококачествена система за професионално образование е важно да се съсредоточим върху учебните потребности на учениците. Взаимодействието между учениците и тяхната учебна среда може да се определи чрез техните знания и умения (LS). Изследванията показват, че несъответствията между знанията и уменията на учениците, предвидени от учителя, могат да имат отрицателни последици за обучението на учениците, като например намалено внимание и мотивация. Това косвено ще повлияе на представянето им [1,2].
ИО е метод, използван от учителите, за да предават знания и умения на учениците, включително да им помагат да учат [3]. Най-общо казано, добрите учители планират стратегии за преподаване или ИО, които най-добре съответстват на нивото на знания на техните ученици, понятията, които изучават, и етапа им на обучение. Теоретично, когато LS и ИО 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 самостоятелна практика. Имайки това предвид, ефективните учители често планират обучението с цел изграждане на знания и умения на учениците [4].
Търсенето на SCL (Successful Continuous ...
Най-общо казано, процесът на обучение на студентите по дентална медицина се влияе от различните клинични процедури, които трябва да извършват, 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 клинични умения за дентална медицина и да приложат придобитите знания в нови клинични ситуации [6, 7]. Ранни изследвания на връзката между LS и IS установиха, че коригирането на стратегиите за обучение, съобразени с предпочитания LS, би помогнало за подобряване на образователния процес [8]. Авторите също така препоръчват използването на разнообразни методи на преподаване и оценяване, за да се адаптират към обучението и нуждите на студентите.
Учителите се възползват от прилагането на знания за обучението чрез опит (LS), за да проектират, разработват и прилагат обучение, което ще подобри придобиването на по-задълбочени знания и разбиране на учебния материал от страна на учениците. Изследователите са разработили няколко инструмента за оценка на обучението чрез опит (LS), като например модела за експериментално обучение на Колб, модела за стил на обучение 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-изучаваните модели на обучение. В настоящите изследвания FSLSM се използва за оценка на обучението чрез опит сред студентите по дентална медицина.
FSLSM е широко използван модел за оценка на адаптивното обучение в инженерството. Има много публикувани трудове в 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 (активна/рефлективна), възприятие (перцептивно/интуитивно), вход (визуален/вербален) и разбиране (последователно/глобално) [14].
Както е показано на Фигура 1, всяко измерение на FSLSM има доминиращо предпочитание. Например, в измерението за обработка, учениците с „активно“ LS предпочитат да обработват информация чрез директно взаимодействие с учебни материали, да учат чрез правене и са склонни да учат в групи. „Рефлективното“ LS се отнася до учене чрез мислене и предпочита да работи самостоятелно. Измерението „възприемане“ на LS може да бъде разделено на „чувстване“ 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. Измерението „вход“ на LS се състои от „визуални“ и „вербални“ учащи. Хората с „визуално“ LS предпочитат да учат чрез визуални демонстрации (като диаграми, видеоклипове или демонстрации на живо), докато хората с „вербално“ LS предпочитат да учат чрез думи в писмени или устни обяснения. За да „разберат“ измеренията на LS, такива учащи 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 за това, което учат.“
Напоследък много изследователи започнаха да изследват методи за автоматично откриване, основано на данни, включително разработването на нови алгоритми и модели, способни да интерпретират големи количества данни [15, 16]. Въз основа на предоставените данни, контролираното машинно обучение (ML) е в състояние да генерира модели и хипотези, които предсказват бъдещи резултати въз основа на конструирането на алгоритми [17]. Просто казано, техниките за контролирано машинно обучение манипулират входните данни и обучават алгоритми. След това генерира диапазон, който класифицира или предсказва резултата въз основа на подобни ситуации за предоставените входни данни. Основното предимство на алгоритмите за контролирано машинно обучение е способността им да установяват идеални и желани резултати [17].
Чрез използването на методи, базирани на данни, и модели за управление на дървета на решенията е възможно автоматичното откриване на дървета на решенията (LS). Съобщава се, че дърветата на решенията се използват широко в обучителни програми в различни области, включително здравни науки [18, 19]. В това проучване моделът е специално обучен от разработчиците на системата, за да идентифицира дърветата на решенията на студентите и да препоръча най-добрата информационна система за тях.
Целта на това проучване е да се разработят стратегии за предоставяне на информационни системи, базирани на LS на учениците, и да се приложи SCL подходът чрез разработване на инструмент за препоръки на IS, съпоставен с LS. Процесът на проектиране на инструмента за препоръки на IS като стратегия на метода SCL е показан на Фигура 1. Инструментът за препоръки на IS е разделен на две части, включително механизма за класификация на LS, използващ ILS, и най-подходящия IS дисплей за учениците.
По-специално, характеристиките на инструментите за препоръки за информационна сигурност включват използването на уеб технологии и използването на машинно обучение тип „дърво на решенията“. Разработчиците на системи подобряват потребителското изживяване и мобилността, като ги адаптират към мобилни устройства, като мобилни телефони и таблети.
Експериментът беше проведен на два етапа, като студенти от Стоматологичния факултет на Университета в Малая участваха на доброволни начала. Участниците отговориха на онлайн m-ILS анкета на студент по дентална медицина на английски език. В началната фаза беше използван набор от данни от 50 студенти за обучение на алгоритъма за машинно обучение „дърво на решенията“. Във втората фаза на процеса на разработка беше използван набор от данни от 255 студенти за подобряване на точността на разработения инструмент.
Всички участници получават онлайн инструктаж в началото на всеки етап, в зависимост от академичната година, чрез Microsoft Teams. Целта на проучването беше обяснена и беше получено информирано съгласие. На всички участници беше предоставен линк за достъп до m-ILS. Всеки студент беше инструктиран да отговори на всичките 44 елемента от въпросника. Дадена им беше една седмица, за да попълнят модифицирания ILS в удобно за тях време и място по време на семестърната ваканция преди началото на семестъра. m-ILS е базиран на оригиналния инструмент ILS и е модифициран за студенти по дентална медицина. Подобно на оригиналния ILS, той съдържа 44 равномерно разпределени елемента (a, b), с по 11 елемента всеки, които се използват за оценка на аспекти на всяко измерение на FSLSM.
По време на началните етапи на разработване на инструмента, изследователите ръчно анотирали картите, използвайки набор от данни от 50 студенти по дентална медицина. Според FSLM, системата предоставя сумата от отговори „a“ и „b“. За всяко измерение, ако студентът избере „a“ като отговор, LS се класифицира като Активен/Перцептивен/Визуален/Секвенциален, а ако студентът избере „b“ като отговор, той се класифицира като Рефлективен/Интуитивен/Лингвистичен/глобален обучаем.
След калибриране на работния процес между изследователите в областта на денталното образование и разработчиците на системи, въпросите бяха избрани въз основа на домейна FLSSM и въведени в модела на машинно обучение, за да се предскаже LS на всеки ученик. „Боклук вътре, боклук навън“ 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 разработване на характеристики се създава нов набор от характеристики, който е сумата от отговори „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 средния образователен рейтинг (LS) на ученика. За всеки ученик диапазонът на резултатите е от 1 до 11. Резултати от 1 до 3 показват баланс на предпочитанията за учене в рамките на едно и също измерение, а резултати от 5 до 7 показват умерено предпочитание, което показва, че учениците са склонни да предпочитат една среда, която обучава други. Друг вариант на същото измерение е, че резултати от 9 до 11 отразяват силно предпочитание към единия или другия край [8].
За всяко измерение, лекарствата бяха групирани в „активни“, „рефлективни“ и „балансирани“. Например, когато ученик отговори с „а“ по-често от „б“ на определен елемент и резултатът му/й надвишава прага от 5 за определен елемент, представляващ измерението „Обработка на LS“, той/тя принадлежи към областта на „активния“ LS. Учениците обаче бяха класифицирани като „рефлективни“ LS, когато избраха „б“ повече от „а“ в конкретни 11 въпроса (Таблица 1) и получиха повече от 5 точки. Накрая, ученикът е в състояние на „равновесие“. Ако резултатът не надвишава 5 точки, тогава това е „процесен“ LS. Процесът на класификация беше повторен за останалите измерения на LS, а именно възприятие (активно/рефлективно), вход (визуален/вербален) и разбиране (последователно/глобално).
Моделите на дървета на решенията могат да използват различни подмножества от характеристики и правила за вземане на решения на различни етапи от процеса на класификация. Считат се за популярен инструмент за класификация и прогнозиране. Може да се представи с помощта на дървовидна структура, като например блок-схема [20], в която има вътрешни възли, представляващи тестове по атрибут, всеки клон представлява резултатите от тестовете, а всеки листен възел (листов възел) съдържа етикет на клас.
Създадена е проста програма, базирана на правила, която автоматично оценява и анотира LS (дърво на решенията) на всеки ученик въз основа на неговите отговори. Базираните на правила програми са под формата на IF оператор, където „IF“ описва спусъка, а „THEN“ указва действието, което трябва да се извърши, например: „Ако се случи X, 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 е използван за тестовия набор, а останалите 75% (191) са използвани като обучителен набор (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 би могло да доведе до запомняне, вместо обучение. Моделът се обучава върху обучителния набор и оценява производителността си върху тестовия набор – данни, които моделът никога преди не е виждал.
След като инструментът за информационна сигурност бъде разработен, приложението ще може да класифицира LS въз основа на отговорите на студентите по дентална медицина чрез уеб интерфейс. Уеб-базираната система за препоръки за информационна сигурност е изградена с помощта на езика за програмиране Python, като като backend е използвана рамката Django. 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 объркването се използва за оценка на точността на алгоритъм за машинно обучение тип „дърво на решения“ върху даден набор от данни. Същевременно тя оценява производителността на класификационния модел. Тя обобщава прогнозите на модела и ги сравнява с действителните етикети на данните. Резултатите от оценката се основават на четири различни стойности: Истински положителен (TP) – моделът правилно е предсказал положителната категория, Фалшиво положителен (FP) – моделът е предсказал положителната категория, но истинският етикет е бил отрицателен, Истински отрицателен (TN) – моделът правилно е предсказал отрицателния клас и Фалшиво отрицателен (FN) – моделът предсказва отрицателен клас, но истинският етикет е положителен.
Тези стойности след това се използват за изчисляване на различни показатели за ефективност на класификационния модел scikit-learn в Python, а именно прецизност, прецизност, извиканост и F1 резултат. Ето примери:
Припомняемостта (или чувствителността) измерва способността на модела да класифицира точно LS на ученика след отговаряне на въпросника m-ILS.
Специфичността се нарича процент на истински отрицателни резултати. Както можете да видите от горната формула, това трябва да е съотношението на истински отрицателните резултати (TN) към истински отрицателните и фалшиво положителните резултати (FP). Като част от препоръчителния инструмент за класифициране на студентски лекарства, той трябва да може да бъде точен за идентифициране.
Оригиналният набор от данни от 50 студенти, използван за обучение на модела на машинно обучение с дърво на решенията, показа относително 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 студентите, все по-голям брой набори от данни (255) бяха използвани за обучение и тестване на системата за препоръки.
В матрицата на многокласовото объркване, диагоналните елементи представляват броя на правилните прогнози за всеки тип LS (Фигура 4). Използвайки модела на дървото на решенията, общо 64 извадки бяха правилно предсказани. 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 LS. По този начин, общата точност на инструмента за препоръки е 100%.
Стойностите на точност, прецизност, отзивчивост и F1 оценка са показани на Фигура 5. За системата за препоръки, използваща модела на дървото на решенията, нейната F1 оценка е 1,0 „перфектна“, което показва перфектна прецизност и отзивчивост, отразявайки значителни стойности на чувствителност и специфичност.
Фигура 6 показва визуализация на модела на дървото на решенията след завършване на обучението и тестването. При паралелно сравнение, моделът на дървото на решенията, обучен с по-малко характеристики, показа по-висока точност и по-лесна визуализация на модела. Това показва, че инженерството на характеристиките, водещо до намаляване на характеристиките, е важна стъпка за подобряване на производителността на модела.
Чрез прилагане на контролирано обучение с дърво на решенията, съпоставянето между LS (вход) и IS (целеви изход) се генерира автоматично и съдържа подробна информация за всеки LS.
Резултатите показват, че 34,9% от 255-те студенти предпочитат един (1) вариант за LS. По-голямата част (54,3%) имат два 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 класификации на LS за студентите по дентална медицина в Университета в Малая. Сред тях възприятието, зрението и комбинацията от възприятие и зрение са основните LS, посочени от студентите (Фигура 7).
Както може да се види от Таблица 4, по-голямата част от учениците са имали преобладаващо сензорно (13,7%) или зрително (8,6%) НС. Съобщава се, че 12,2% от учениците комбинират възприятие със зрение (перцептивно-визуално НС). Тези открития показват, че учениците предпочитат да учат и запомнят чрез установени методи, да следват специфични и подробни процедури и да са внимателни по природа. В същото време те обичат да учат чрез гледане (използвайки диаграми и др.) и са склонни да обсъждат и прилагат информация в групи или самостоятелно.
Това изследване предоставя общ преглед на техниките за машинно обучение, използвани в извличането на данни, с фокус върху незабавното и точно прогнозиране на LS (Life Overflow - обучение на студентите) и препоръчването на подходящи IS (Information Information - образователни системи). Прилагането на модел на дърво на решенията идентифицира факторите, най-тясно свързани с техния житейски и образователен опит. Това е контролиран алгоритъм за машинно обучение, който използва дървовидна структура 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 се вземе решение в крайния възел.
Вътрешните възли на дървото на решенията представляват решението, базирано на входните характеристики на m-ILS проблема, а листните възли представляват крайната прогноза за LS класификация. В цялото изследване е лесно да се разбере йерархията на дърветата на решенията, които обясняват и визуализират процеса на вземане на решения, като се разглежда връзката между входните характеристики и прогнозите за изхода.
В областта на компютърните науки и инженерството, алгоритмите за машинно обучение се използват широко за прогнозиране на представянето на студентите въз основа на резултатите от приемните им изпити [21], демографска информация и поведение при учене [22]. Изследванията показват, че алгоритъмът точно прогнозира представянето на студентите и им помага да идентифицират студенти с риск от академични затруднения.
В статията се описва приложението на алгоритми за машинно обучение (ML) 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 стоматологични заболявания въз основа на набори от данни като симптоми и характеристики на пациента [24, 25]. Други проучвания са изследвали използването на алгоритми за машинно обучение за изпълнение на задачи като прогнозиране на резултатите при 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 стоматологията, приложението му в стоматологичното образование остава ограничено. Поради това, това проучване имаше за цел да използва модел на дърво на решенията, за да идентифицира фактори, 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 прецизност, което показва, че учителите могат да се възползват от този инструмент. Използвайки процес на класификация, базиран на данни, той може да предостави персонализирани препоръки и да подобри образователния опит и резултати за преподавателите и учениците. Сред тях, информацията, получена чрез инструменти за препоръки, може да разреши конфликти между предпочитаните от учителите методи на преподаване и учебните нужди на учениците. Например, благодарение на автоматизирания изход на инструментите за препоръки, времето, необходимо за идентифициране на ИП на ученика и съпоставянето му със съответния ИП, ще бъде значително намалено. По този начин могат да се организират подходящи обучителни дейности и учебни материали. Това помага за развитието на позитивното учебно поведение и способността на учениците за концентрация. Едно проучване съобщава, че предоставянето на учениците на учебни материали и учебни дейности, които съответстват на предпочитаните от тях учебни материали, може да им помогне да интегрират, обработват и да се наслаждават на ученето по множество начини, за да постигнат по-голям потенциал [12]. Изследванията показват също, че освен подобряването на участието на учениците в класната стая, разбирането на учебния процес на учениците също играе критична роля за подобряване на преподавателските практики 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, пристрастността и справедливостта, както и професионалните умения и ресурси, необходими за разработване и внедряване на алгоритми за машинно обучение в стоматологичното образование. Нарастващият интерес и изследванията в тази област обаче показват, че технологиите за машинно обучение могат да имат положително въздействие върху стоматологичното образование и стоматологичните услуги.
Резултатите от това проучване показват, че половината от студентите по дентална медицина имат склонност да „възприемат“ лекарства. Този тип учащи имат предпочитание към факти и конкретни примери, практическа ориентация, търпение към детайлите и предпочитание към „визуално“ обучение, при което учащите предпочитат да използват снимки, графики, цветове и карти, за да предадат идеи и мисли. Настоящите резултати са в съответствие с други проучвания, използващи интегрирано обучение, за да оценят обучението при студенти по дентална медицина и медицина, повечето от които имат характеристики на перцептивно и визуално обучение [12, 30]. Далмолин и др. предполагат, че информирането на студентите за тяхното обучение им позволява да достигнат своя учебен потенциал. Изследователите твърдят, че когато учителите напълно разбират образователния процес на студентите, могат да се прилагат различни методи на преподаване и дейности, които ще подобрят представянето и учебния им опит [12, 31, 32]. Други проучвания показват, че коригирането на обучението на студентите също показва подобрения в учебния им опит и представянето им след промяна на стиловете им на учене, за да отговарят на собственото им обучение [13, 33].
Мненията на учителите може да се различават по отношение на прилагането на стратегии за преподаване, основани 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 създаването на ориентирано към студентите отношение. Органите на висшето образование, като например университетските администратори, могат да играят важна роля за стимулиране на положителни промени чрез въвеждане на иновативни практики и подкрепа за развитието на преподавателския състав [34]. За да се създаде наистина динамична и адаптивна система за висше образование, политиците трябва да предприемат смели стъпки, като например промени в политиките, отделяне на ресурси за интеграция на технологии и създаване на рамки, които насърчават ориентирани към студентите подходи. Тези мерки са от решаващо значение за постигане на желаните резултати. Последните изследвания върху диференцираното обучение ясно показват, че успешното прилагане на диференцираното обучение изисква непрекъснато обучение и възможности за развитие на учителите [35].
Този инструмент предоставя ценна подкрепа на преподавателите по дентална медицина, които искат да възприемат подход, ориентиран към студентите, при планирането на учебни дейности, подходящи за студентите. Това проучване обаче е ограничено до използването на модели за машинно обучение тип „дърво на решенията“. В бъдеще трябва да се съберат повече данни, за да се сравни производителността на различните модели за машинно обучение, за да се сравни точността, надеждността и прецизността на инструментите за препоръки. Освен това, при избора на най-подходящия метод за машинно обучение за определена задача е важно да се вземат предвид и други фактори, като сложността на модела и интерпретацията.
Ограничение на това проучване е, че то се фокусира само върху картографиране на LS и IS сред студентите 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 студентите във висшето образование.
Новоразработеният инструмент за препоръки, базиран на машинно обучение, е способен незабавно да класифицира и съпоставя LS на учениците със съответната IS, което го прави първата програма за дентално образование, която помага на преподавателите по дентална медицина да планират подходящи учебни дейности. Използвайки процес на триаж, базиран на данни, той може да предоставя персонализирани препоръки, да спестява време, да подобрява стратегиите за преподаване, да подкрепя целенасочени интервенции и да насърчава непрекъснатото професионално развитие. Приложението му ще насърчи ориентирани към учениците подходи към денталното образование.
Гилак Яни, Асошиейтед Прес. Съвпадение или несъответствие между стила на учене 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 на публикуване: 29 април 2024 г.