Існує зростаюча потреба в студентоцентрованому навчанні (SCL) у вищих навчальних закладах, включаючи стоматологію.Однак SCL має обмежене застосування в стоматологічній освіті.Таким чином, це дослідження спрямоване на сприяння застосуванню SCL у стоматології за допомогою технології машинного навчання (ML) дерева рішень для відображення бажаного стилю навчання (LS) і відповідних стратегій навчання (IS) студентів-стоматологів як корисного інструменту для розробки рекомендацій щодо IS. .Перспективні методики для студентів-стоматологів.
Загалом 255 студентів-стоматологів з Малайського університету заповнили модифікований опитувальник Індексу стилів навчання (m-ILS), який містив 44 пункти для класифікації їх у відповідні LS.Зібрані дані (які називаються набором даних) використовуються в керованому навчанні дерева рішень, щоб автоматично зіставляти стилі навчання студентів з найбільш прийнятною ІС.Потім оцінюється точність інструменту рекомендацій ІБ на основі машинного навчання.
Застосування моделей дерева рішень в автоматизованому процесі відображення між LS (вхід) і IS (цільовий вихід) дозволяє негайно скласти список відповідних стратегій навчання для кожного студента-стоматолога.Інструмент рекомендації IS продемонстрував ідеальну точність і запам’ятовування загальної точності моделі, вказуючи на те, що зіставлення LS з IS має хорошу чутливість і специфічність.
Інструмент рекомендацій ІБ, заснований на дереві рішень МЛ, довів свою здатність точно поєднувати стилі навчання студентів-стоматологів із відповідними стратегіями навчання.Цей інструмент надає потужні можливості для планування орієнтованих на учня курсів або модулів, які можуть покращити навчальний досвід студентів.
Викладання та навчання є основними видами діяльності в навчальних закладах.Розбудовуючи якісну систему професійної освіти, важливо орієнтуватися на навчальні потреби учнів.Взаємодія між студентами та їхнім навчальним середовищем може бути визначена через їх LS.Дослідження свідчать про те, що розбіжності між LS та IS студентів, заплановані вчителем, можуть мати негативні наслідки для навчання студентів, такі як зниження уваги та мотивації.Це опосередковано вплине на успішність студентів [1,2].
ІС – це метод, який використовують вчителі для передачі знань і навичок учням, у тому числі допомоги учням у навчанні [3].Загалом, хороші вчителі планують стратегії навчання або ІС, які найкраще відповідають рівню знань їхніх учнів, поняттям, які вони вивчають, і їхньому етапу навчання.Теоретично, коли LS та IS збігаються, студенти зможуть організувати та використовувати певний набір навичок для ефективного навчання.Як правило, план уроку включає кілька переходів між етапами, наприклад, від викладання до практики під керівництвом або від практики під керівництвом до самостійної практики.Маючи це на увазі, ефективні вчителі часто планують навчання з метою формування знань і навичок учнів [4].
Зростає попит на SCL у вищих навчальних закладах, у тому числі стоматології.Стратегії SCL розроблені для задоволення потреб учнів у навчанні.Цього можна досягти, наприклад, якщо учні активно беруть участь у навчальній діяльності, а вчителі виконують роль фасилітаторів і відповідають за надання цінного зворотного зв’язку.Вважається, що надання навчальних матеріалів і заходів, які відповідають освітньому рівню або вподобанням студентів, може покращити навчальне середовище студентів і сприяти позитивному досвіду навчання [5].
Загалом, на процес навчання студентів-стоматологів впливають різноманітні клінічні процедури, які вони повинні виконувати, і клінічне середовище, в якому вони розвивають ефективні навички міжособистісного спілкування.Мета навчання полягає в тому, щоб дати можливість студентам поєднати базові знання стоматології з стоматологічними клінічними навичками та застосувати отримані знання в нових клінічних ситуаціях [6, 7].Ранні дослідження взаємозв’язку між LS та IS показали, що коригування стратегій навчання, віднесених до бажаного LS, допоможе покращити навчальний процес [8].Автори також рекомендують використовувати різні методи навчання та оцінювання, щоб адаптувати їх до навчання та потреб студентів.
Викладачі отримують вигоду від застосування знань LS, щоб допомогти їм спроектувати, розробити та реалізувати навчання, яке покращить набуття учнями глибших знань і розуміння предмета.Дослідники розробили кілька інструментів оцінювання LS, таких як модель експериментального навчання Колба, модель стилю навчання Фелдера-Сільвермана (FSLSM) і модель Флемінга VAK/VARK [5, 9, 10].Відповідно до літератури, ці моделі навчання є найбільш часто використовуваними та найбільш дослідженими моделями навчання.У поточній дослідницькій роботі FSLSM використовується для оцінки LS серед студентів-стоматологів.
FSLSM є широко використовуваною моделлю для оцінки адаптивного навчання в інженерії.Існує багато опублікованих робіт у галузі медичних наук (включаючи медицину, сестринську справу, фармацію та стоматологію), які можна знайти за допомогою моделей FSLSM [5, 11, 12, 13].Інструмент, який використовується для вимірювання розмірів LS у FLSM, називається Індексом стилів навчання (ILS) [8], який містить 44 пункти, що оцінюють чотири виміри LS: процес обробки (активний/рефлексивний), сприйняття (перцептивний/інтуїтивний), введення (візуальне)./вербальне) і розуміння (послідовне/глобальне) [14].
Як показано на малюнку 1, кожен вимір FSLSM має домінуючу перевагу.Наприклад, у вимірі обробки студенти з «активним» LS віддають перевагу обробці інформації шляхом безпосередньої взаємодії з навчальними матеріалами, навчаються на практиці та, як правило, навчаються в групах.«Рефлексивний» LS відноситься до навчання через мислення та вважає за краще працювати наодинці.Вимір «сприйняття» LS можна розділити на «відчуття» та/або «інтуїцію».«Відчуваючі» учні віддають перевагу більш конкретній інформації та практичним процедурам, вони орієнтовані на факти порівняно з «інтуїтивними» учнями, які віддають перевагу абстрактному матеріалу та є більш інноваційними та творчими за своєю природою.«Вхідний» вимір LS складається з «візуальних» і «вербальних» учнів.Люди з «візуальним» LS віддають перевагу навчанню за допомогою візуальних демонстрацій (таких як діаграми, відео або живі демонстрації), тоді як люди з «вербальним» LS віддають перевагу навчанню за допомогою слів у письмових або усних поясненнях.Щоб «розуміти» виміри LS, таких учнів можна розділити на «послідовних» і «глобальних».«Послідовні учні віддають перевагу лінійному мисленню та вчаться крок за кроком, тоді як глобальні учні, як правило, мають цілісний процес мислення та завжди краще розуміють те, що вони вивчають.
Останнім часом багато дослідників почали досліджувати методи автоматичного виявлення даних, включаючи розробку нових алгоритмів і моделей, здатних інтерпретувати великі обсяги даних [15, 16].На основі наданих даних контрольований ML (машинне навчання) здатний генерувати шаблони та гіпотези, які передбачають майбутні результати на основі побудови алгоритмів [17].Простіше кажучи, контрольовані методи машинного навчання маніпулюють вхідними даними та навчають алгоритми.Потім він генерує діапазон, який класифікує або прогнозує результат на основі подібних ситуацій для наданих вхідних даних.Основною перевагою керованих алгоритмів машинного навчання є їх здатність встановлювати ідеальні та бажані результати [17].
Завдяки використанню методів, керованих даними, і моделей керування деревом рішень можливе автоматичне виявлення LS.Повідомлялося, що дерева рішень широко використовуються в навчальних програмах у різних галузях, включаючи науки про здоров’я [18, 19].У цьому дослідженні модель була спеціально навчена розробниками системи, щоб ідентифікувати LS студентів і рекомендувати для них найкращий IS.
Метою цього дослідження є розробка стратегій надання ІБ на основі LS студентів і застосування підходу SCL шляхом розробки інструменту рекомендацій щодо ІБ, зіставленого з LS.Потік проектування інструменту рекомендації IS як стратегії методу SCL показано на рисунку 1. Інструмент рекомендації IS розділений на дві частини, включаючи механізм класифікації LS з використанням ILS і найбільш прийнятний дисплей IS для студентів.
Зокрема, характеристики рекомендаційних засобів інформаційної безпеки включають використання веб-технологій та використання машинного навчання дерева рішень.Розробники системи покращують користувацький досвід і мобільність, адаптуючи їх до мобільних пристроїв, таких як мобільні телефони та планшети.
Експеримент проводився в два етапи, і студенти факультету стоматології Малайського університету брали участь на добровільній основі.Учасники відповіли на онлайн-запит студента-стоматолога m-ILS англійською мовою.На початковому етапі набір даних із 50 студентів використовувався для навчання алгоритму машинного навчання дерева рішень.На другому етапі процесу розробки набір даних 255 студентів використовувався для підвищення точності розробленого інструменту.
Усі учасники отримують онлайн-брифінг на початку кожного етапу, залежно від навчального року, через Microsoft Teams.Було пояснено мету дослідження та отримано інформовану згоду.Усім учасникам було надано посилання для доступу до m-ILS.Кожному студенту було запропоновано відповісти на всі 44 пункти анкети.Їм було надано один тиждень для завершення модифікованого ILS у зручний для них час і в зручному для них місці під час семестрової перерви перед початком семестру.m-ILS базується на оригінальному інструменті ILS і модифікований для студентів-стоматологів.Подібно до оригінального ILS, він містить 44 рівномірно розподілених елементи (a, b), по 11 елементів кожен, які використовуються для оцінки аспектів кожного виміру FSLSM.
На початкових етапах розробки інструменту дослідники вручну анотували карти, використовуючи набір даних 50 студентів-стоматологів.Відповідно до FSLM, система надає суму відповідей «а» і «б».Для кожного параметра, якщо учень вибирає «а» як відповідь, LS класифікується як активний/перцептивний/візуальний/послідовний, а якщо учень вибирає «b» як відповідь, учень класифікується як рефлексивний/інтуїтивний/лінгвістичний ./ глобальний учень.
Після калібрування робочого процесу між дослідниками стоматологічної освіти та розробниками систем запитання були вибрані на основі домену FLSSM і введені в модель ML для прогнозування LS кожного студента.«Сміття всередину, сміття геть» — популярний вислів у сфері машинного навчання з наголосом на якості даних.Якість вхідних даних визначає точність і точність моделі машинного навчання.На етапі розробки функцій створюється новий набір функцій, який є сумою відповідей «a» і «b» на основі FLSSM.Ідентифікаційні номери позицій препарату наведені в табл.1.
Підрахувати бал за відповідями та визначити LS студента.Для кожного учня діапазон балів становить від 1 до 11. Оцінки від 1 до 3 вказують на баланс уподобань у навчанні в межах того самого виміру, а бали від 5 до 7 вказують на помірні переваги, що вказує на те, що учні, як правило, віддають перевагу одному середовищу, навчаючи інших .Інша варіація того самого виміру полягає в тому, що бали від 9 до 11 відображають значну перевагу того чи іншого кінця [8].
Для кожного виміру препарати були згруповані на «активні», «відбиваючі» та «збалансовані».Наприклад, якщо учень відповідає «а» частіше, ніж «б» на визначене завдання, і його/її бал перевищує порогове значення 5 для конкретного пункту, що представляє вимір «Обробка LS», він/вона належить до «активного» LS. домен..Проте студенти були класифіковані як «рефлексивні» LS, коли вони вибрали «b» більше, ніж «a» в конкретних 11 питаннях (таблиця 1) і набрали більше 5 балів.Нарешті, учень знаходиться в стані «рівноваги».Якщо оцінка не перевищує 5 балів, то це «процес» LS.Процес класифікації було повторено для інших параметрів LS, а саме сприйняття (активне/рефлексивне), введення (візуальне/вербальне) та розуміння (послідовне/глобальне).
Моделі дерева рішень можуть використовувати різні підмножини ознак і правил прийняття рішень на різних етапах процесу класифікації.Він вважається популярним інструментом класифікації та прогнозування.Його можна представити за допомогою деревовидної структури, такої як блок-схема [20], в якій є внутрішні вузли, що представляють тести за атрибутом, кожна гілка представляє результати тестування, а кожен листовий вузол (листовий вузол) містить мітку класу.
Було створено просту програму, засновану на правилах, для автоматичного оцінювання та коментування LS кожного студента на основі їхніх відповідей.На основі правил набуває форми оператора IF, де «IF» описує тригер, а «THEN» визначає дію, яку потрібно виконати, наприклад: «Якщо станеться X, виконайте Y» (Liu et al., 2014).Якщо набір даних демонструє кореляцію, а модель дерева рішень належним чином навчена та оцінена, цей підхід може бути ефективним способом автоматизації процесу зіставлення LS та IS.
На другому етапі розробки набір даних було збільшено до 255, щоб підвищити точність інструменту рекомендацій.Набір даних розділений у співвідношенні 1:4.25% (64) набору даних використовували для тестового набору, а решта 75% (191) використовували як навчальний набір (рис. 2).Набір даних потрібно розділити, щоб запобігти навчанню та тестуванню моделі на одному наборі даних, що може спричинити запам’ятовування моделі, а не навчання.Модель навчається на навчальному наборі та оцінює свою продуктивність на тестовому наборі — даних, які модель ніколи раніше не бачила.
Після розробки інструменту IS програма зможе класифікувати LS на основі відповідей студентів-стоматологів через веб-інтерфейс.Система рекомендацій щодо інформаційної безпеки на основі Інтернету побудована з використанням мови програмування Python із використанням фреймворку Django як серверної частини.У таблиці 2 наведено список бібліотек, використаних при розробці цієї системи.
Набір даних передається в модель дерева рішень для обчислення та отримання відповідей студентів для автоматичної класифікації вимірювань LS студентів.
Матриця плутанини використовується для оцінки точності алгоритму машинного навчання дерева рішень на заданому наборі даних.Водночас він оцінює ефективність моделі класифікації.Він узагальнює прогнози моделі та порівнює їх із фактичними мітками даних.Результати оцінки базуються на чотирьох різних значеннях: True Positive (TP) – модель правильно передбачила позитивну категорію, False Positive (FP) – модель передбачила позитивну категорію, але справжня мітка була негативною, True Negative (TN) – модель правильно передбачила негативний клас, а помилково негативний (FN) – модель передбачає негативний клас, але справжня мітка позитивна.
Потім ці значення використовуються для обчислення різних показників продуктивності моделі класифікації scikit-learn у Python, а саме точності, точності, запам’ятовування та оцінки F1.Ось приклади:
Пригадування (або чутливість) вимірює здатність моделі точно класифікувати LS студента після відповіді на анкету m-ILS.
Специфічністю називають істинно негативний показник.Як ви можете бачити з наведеної вище формули, це має бути співвідношення істинно негативних (TN) до істинно негативних і хибнопозитивних (FP).Як частина рекомендованого інструменту для класифікації студентських наркотиків, він повинен бути здатним до точної ідентифікації.
Оригінальний набір даних із 50 студентів, використаний для навчання моделі ML дерева рішень, показав відносно низьку точність через людську помилку в анотаціях (табл. 3).Після створення простої програми, заснованої на правилах, для автоматичного підрахунку балів LS і анотацій студентів, зростаюча кількість наборів даних (255) використовувалася для навчання та тестування системи рекомендацій.
У багатокласовій матриці плутанини діагональні елементи представляють кількість правильних прогнозів для кожного типу LS (рис. 4).Використовуючи модель дерева рішень, загалом було правильно передбачено 64 зразки.Таким чином, у цьому дослідженні діагональні елементи показують очікувані результати, вказуючи на те, що модель добре працює та точно передбачає мітку класу для кожної класифікації LS.Таким чином, загальна точність інструменту рекомендацій становить 100%.
Значення точності, точності, запам’ятовування та показника F1 показано на рисунку 5. Для системи рекомендацій, що використовує модель дерева рішень, його показник F1 становить 1,0 «ідеально», що вказує на ідеальну точність і запам’ятовування, що відображає значну чутливість і специфічність значення.
На малюнку 6 показано візуалізацію моделі дерева рішень після завершення навчання та тестування.У порівняльному порівнянні модель дерева рішень, навчена меншою кількістю функцій, показала вищу точність і легшу візуалізацію моделі.Це показує, що розробка функцій, яка веде до зменшення функцій, є важливим кроком у покращенні продуктивності моделі.
Застосовуючи контрольоване навчання дерева рішень, відображення між LS (вхід) і IS (цільовий вихід) створюється автоматично та містить детальну інформацію для кожного LS.
Результати показали, що 34,9% із 255 студентів віддали перевагу одному (1) варіанту LS.Більшість (54,3%) мали два або більше переваг LS.12,2% студентів відзначили, що ЛС досить збалансований (табл. 4).Окрім восьми основних класифікацій LS, існує 34 комбінації класифікацій LS для студентів-стоматологів Малайського університету.Серед них сприйняття, бачення та поєднання сприйняття та бачення є основними LS, про які повідомляють студенти (рис. 7).
Як видно з таблиці 4, у більшості студентів переважала сенсорна (13,7%) або зорова (8,6%) ЛС.Повідомлялося, що 12,2% студентів поєднували сприйняття з баченням (перцептивно-зоровий LS).Ці результати свідчать про те, що учні віддають перевагу навчанню та запам’ятовуванню за допомогою встановлених методів, дотримуються конкретних і детальних процедур і є уважними за своєю природою.У той же час їм подобається вчитися, дивлячись (використовуючи діаграми тощо) і схильні обговорювати та застосовувати інформацію в групах або самостійно.
У цьому дослідженні представлено огляд методів машинного навчання, які використовуються в інтелектуальному аналізі даних, зосереджено на миттєвому й точному прогнозуванні LS студентів і рекомендації відповідних IS.Застосування моделі дерева рішень виявило фактори, найбільш тісно пов'язані з їхнім життєвим та освітнім досвідом.Це контрольований алгоритм машинного навчання, який використовує деревоподібну структуру для класифікації даних шляхом поділу набору даних на підкатегорії на основі певних критеріїв.Він працює шляхом рекурсивного розподілу вхідних даних на підмножини на основі значення однієї з вхідних характеристик кожного внутрішнього вузла, доки рішення не буде прийнято на кінцевому вузлі.
Внутрішні вузли дерева рішень представляють рішення на основі вхідних характеристик проблеми m-ILS, а листові вузли представляють остаточне передбачення класифікації LS.У ході дослідження легко зрозуміти ієрархію дерев рішень, які пояснюють і візуалізують процес прийняття рішень, дивлячись на зв’язок між вхідними характеристиками та вихідними прогнозами.
У сферах інформатики та техніки алгоритми машинного навчання широко використовуються для прогнозування успішності студентів на основі їхніх балів вступних іспитів [21], демографічної інформації та поведінки у навчанні [22].Дослідження показали, що алгоритм точно передбачив успішність учнів і допоміг їм визначити учнів, які ризикують отримати труднощі в навчанні.
Повідомляється про застосування алгоритмів ML у розробці віртуальних симуляторів пацієнтів для навчання стоматологів.Симулятор здатний точно відтворювати фізіологічні реакції реальних пацієнтів і може використовуватися для навчання студентів-стоматологів у безпечному та контрольованому середовищі [23].Кілька інших досліджень показують, що алгоритми машинного навчання потенційно можуть підвищити якість і ефективність стоматологічної та медичної освіти та догляду за пацієнтами.Алгоритми машинного навчання використовувалися для допомоги в діагностиці стоматологічних захворювань на основі наборів даних, таких як симптоми та характеристики пацієнтів [24, 25].У той час як інші дослідження досліджували використання алгоритмів машинного навчання для виконання таких завдань, як прогнозування результатів пацієнтів, ідентифікація пацієнтів із високим ризиком, розробка персоналізованих планів лікування [26], лікування пародонту [27] і лікування карієсу [25].
Хоча звіти про застосування машинного навчання в стоматології були опубліковані, його застосування в стоматологічній освіті залишається обмеженим.Таким чином, це дослідження було спрямоване на використання моделі дерева рішень для визначення факторів, найбільш тісно пов’язаних із LS та IS серед студентів-стоматологів.
Результати цього дослідження показують, що розроблений інструмент рекомендацій має високу точність і ідеальну точність, що свідчить про те, що вчителі можуть отримати користь від цього інструменту.Використовуючи процес класифікації на основі даних, він може надавати персоналізовані рекомендації та покращувати навчальний досвід і результати для викладачів і студентів.Серед них інформація, отримана за допомогою інструментів рекомендацій, може вирішити конфлікти між методами викладання, яким вчителі віддають перевагу, і навчальними потребами учнів.Наприклад, завдяки автоматизованому виведенню інструментів рекомендацій значно скоротиться час на ідентифікацію IP студента та його зіставлення з відповідним IP.Таким чином можна організувати відповідні навчальні заходи та навчальні матеріали.Це допомагає розвивати в учнів позитивну навчальну поведінку та здатність зосереджуватися.Одне дослідження показало, що надання студентам навчальних матеріалів і навчальних заходів, які відповідають їхнім перевагам у LS, може допомогти студентам інтегрувати, опрацьовувати та отримувати задоволення від навчання різними способами, щоб досягти більшого потенціалу [12].Дослідження також показують, що окрім покращення участі студентів у класі, розуміння процесу навчання студентів також відіграє вирішальну роль у покращенні практики викладання та спілкування зі студентами [28, 29].
Однак, як і у будь-якої сучасної технології, тут є проблеми та обмеження.До них належать питання, пов’язані з конфіденційністю даних, упередженістю та справедливістю, а також професійними навичками та ресурсами, необхідними для розробки та впровадження алгоритмів машинного навчання в стоматологічній освіті;Проте зростаючий інтерес і дослідження в цій галузі показують, що технології машинного навчання можуть мати позитивний вплив на стоматологічну освіту та стоматологічні послуги.
Результати цього дослідження свідчать про те, що половина студентів-стоматологів мають схильність до «сприйняття» наркотиків.Цей тип учнів надає перевагу фактам і конкретним прикладам, практичну орієнтацію, терпіння до деталей і перевагу «візуальному» LS, де учні віддають перевагу використанню малюнків, графіки, кольорів і карт для передачі ідей і думок.Поточні результати узгоджуються з іншими дослідженнями з використанням ILS для оцінки LS у студентів-стоматологів і медиків, більшість із яких мають характеристики перцептивного та зорового LS [12, 30].Далмолін та інші припускають, що інформування студентів про їх LS дозволяє їм досягти свого навчального потенціалу.Дослідники стверджують, що коли вчителі повністю розуміють навчальний процес учнів, можна впроваджувати різні методи навчання та заходи, які покращать успішність учнів та досвід навчання [12, 31, 32].Інші дослідження показали, що коригування LS студентів також демонструє покращення досвіду навчання та продуктивності студентів після зміни їхніх стилів навчання відповідно до їх власних LS [13, 33].
Думки вчителів щодо реалізації стратегій навчання, що базуються на навчальних здібностях учнів, можуть бути різними.Хоча деякі бачать переваги цього підходу, включаючи можливості професійного розвитку, наставництво та підтримку громади, інші можуть бути стурбовані часом та інституційною підтримкою.Прагнення до рівноваги є ключовим для створення ставлення, орієнтованого на учня.Органи управління вищою освітою, такі як адміністратори університетів, можуть відігравати важливу роль у сприянні позитивним змінам шляхом впровадження інноваційних практик і підтримки розвитку викладачів [34].Щоб створити справді динамічну та адаптивну систему вищої освіти, політики повинні вдатися до сміливих кроків, таких як внесення змін до політики, виділення ресурсів на інтеграцію технологій та створення рамок, які сприяють підходам, орієнтованим на студента.Ці заходи мають вирішальне значення для досягнення бажаних результатів.Останні дослідження диференційованого навчання чітко показали, що для успішного впровадження диференційованого навчання вчителі потребують постійного навчання та розвитку [35].
Цей інструмент надає цінну підтримку педагогам-стоматологам, які бажають застосовувати орієнтований на студента підхід до планування зручних для студентів навчальних заходів.Однак це дослідження обмежується використанням моделей ML дерева рішень.У майбутньому потрібно зібрати більше даних для порівняння продуктивності різних моделей машинного навчання, щоб порівняти точність, надійність і точність інструментів рекомендацій.Крім того, вибираючи найбільш відповідний метод машинного навчання для конкретного завдання, важливо враховувати інші фактори, такі як складність моделі та інтерпретація.
Обмеженням цього дослідження є те, що воно зосереджено лише на картографуванні LS та IS серед студентів-стоматологів.Тому розроблена система рекомендацій рекомендуватиме лише ті, які підходять студентам-стоматологам.Зміни необхідні для загального користування студентами вищих навчальних закладів.
Нещодавно розроблений інструмент рекомендацій на основі машинного навчання здатний миттєво класифікувати та зіставляти LS студентів з відповідними IS, що робить його першою програмою стоматологічної освіти, яка допомагає педагогам-стоматологам планувати відповідні викладацькі та навчальні дії.Використовуючи процес сортування на основі даних, він може надавати персоналізовані рекомендації, економити час, покращувати стратегії навчання, підтримувати цільові втручання та сприяти постійному професійному розвитку.Його застосування сприятиме підходам до стоматологічної освіти, орієнтованим на студента.
Гілак Джані Associated Press.Збіг або невідповідність між стилем навчання учня та стилем викладання вчителя.Int J Mod Educ Computer Science.2012;4(11):51–60.https://doi.org/10.5815/ijmecs.2012.11.05
Час публікації: 29 квітня 2024 р