Зростає потреба в навчанні, орієнтованому на студентів (SCL) у вищих навчальних закладах, включаючи стоматологію. Однак SCL має обмежене застосування в стоматологічній освіті. Отже, це дослідження має на меті сприяти застосуванню SCL у стоматології за допомогою технології машинного навчання дерева рішень (ML) для відображення бажаного стилю навчання (LS) та відповідних стратегій навчання (ІС) студентів -зубів як корисного інструменту для розробки - це керівні принципи . Перспективні методи для стоматологічних студентів.
Всього 255 стоматологічних студентів з університету Малайї заповнили модифікований індекс стилів навчання (M-ILS), яка містила 44 пункти, щоб класифікувати їх у відповідний LSS. Зібрані дані (що називаються набором даних) використовуються для контрольованого дерева рішень, щоб автоматично відповідати стилю навчання учнів із найбільш підходящим є. Потім оцінюється точність заснованого на машинному навчанні інструменту рекомендації.
Застосування моделей дерев рішень в процесі автоматизованого відображення між LS (вхід) і IS (цільовий вихід) дозволяє негайно перелічити відповідні стратегії навчання для кожного стоматологічного студента. Інструмент рекомендації продемонстрував ідеальну точність та згадування загальної точності моделі, що свідчить про те, що відповідність LS має хорошу чутливість та специфічність.
Інструмент рекомендації на основі дерева рішень ML довело його здатність точно відповідати стилю навчання стоматологічних студентів із відповідними стратегіями навчання. Цей інструмент пропонує потужні варіанти планування курсів або модулів, орієнтованих на учнів, які можуть покращити досвід навчання студентів.
Навчання та навчання - це основні заходи в навчальних закладах. Розробляючи високоякісну систему професійної освіти, важливо зосередитись на навчальних потребах учнів. Взаємодія між учнями та їх навчальним середовищем можна визначити через їх LS. Дослідження свідчать про те, що невідповідні вчителі невідповідності між ЛС учнів і можуть мати негативні наслідки для навчання студентів, таких як зниження уваги та мотивації. Це опосередковано вплине на результативність учнів [1,2].
Це метод, який використовують викладачі для надання знань та навичок студентам, включаючи допомогу студентам вчитися [3]. Взагалі кажучи, хороші викладачі планують стратегії викладання або це найкраще відповідати рівню знань своїх учнів, поняттям, які вони вивчають, та їхнім етапом навчання. Теоретично, коли LS і відповідає, студенти зможуть організувати та використовувати конкретний набір навичок для ефективного навчання. Зазвичай план уроку включає кілька переходів між етапами, наприклад, від викладання до керованої практики або від керованої практики до незалежної практики. Зважаючи на це, ефективні вчителі часто планують інструкцію з метою побудови знань та навичок учнів [4].
Попит на SCL зростає у вищих навчальних закладах, включаючи стоматологію. Стратегії SCL розроблені для задоволення потреб студентів. Цього можна досягти, наприклад, якщо студенти активно беруть участь у навчальній діяльності, а викладачі виступають фасилітаторами та несуть відповідальність за надання цінних відгуків. Кажуть, що надання навчальних матеріалів та заходів, відповідних навчальних рівнях або уподобаннях студентів, може покращити навчальне середовище студентів та сприяти позитивному досвіду навчання [5].
Взагалі, на процес навчання студентів стоматологів впливає різні клінічні процедури, які вони повинні виконувати, та клінічне середовище, в якому вони розвивають ефективні міжособистісні навички. Мета навчання - дати можливість студентам поєднувати основні знання стоматології з стоматологічними клінічними навичками та застосовувати набуті знання до нових клінічних ситуацій [6, 7]. Раннє дослідження взаємозв'язку між LS і встановлено, що коригування стратегій навчання, відображених на кращий ЛС, допоможе покращити навчальний процес [8]. Автори також рекомендують використовувати різноманітні методи викладання та оцінки для адаптації до навчання та потреб учнів.
Вчителі виграють від застосування знань LS, щоб допомогти їм розробити, розробити та впровадити інструкції, що сприятиме покращенню набуття учнів глибших знань та розуміння предмета. Дослідники розробили кілька інструментів оцінювання LS, таких як модель навчання досвіду Колба, модель стилю навчання Фелдер-Сільверман (FSLSM) та модель Fleming Vak/Vark [5, 9, 10]. Згідно з літературою, ці моделі навчання є найбільш часто використовуваними та найбільш вивченими моделями навчання. У поточній дослідницькій роботі FSLSM використовується для оцінки ЛС серед студентів -зубів.
FSLSM - це широко використовувана модель для оцінки адаптивного навчання в інженерії. Існує багато опублікованих творів наук про здоров'я (включаючи медицину, медсестринство, аптеку та стоматологію), які можна знайти за допомогою моделей FSLSM [5, 11, 12, 13]. Інструмент, що використовується для вимірювання розмірів ЛС у FLSM, називається індексом стилів навчання (ILS) [8], який містить 44 пункти, що оцінюють чотири виміри LS: обробка (активна/рефлексивна), сприйняття (перцептивне/інтуїтивне),), вхід (візуальний). /словесний) та розуміння (послідовне/глобальне) [14].
Як показано на малюнку 1, кожен розмір FSLSM має домінуючу перевагу. Наприклад, у вимірі обробки студенти з «активними» ЛС вважають за краще обробляти інформацію, безпосередньо взаємодіючи з навчальними матеріалами, навчаються, роблячи та прагнуть навчатися в групах. "Рефлексивна" ЛС стосується навчання через мислення і вважає за краще працювати поодинці. Вимір "сприйняття" LS можна розділити на "почуття" та/або "інтуїцію". Студенти «почуття» віддають перевагу більш конкретній інформації та практичній процедурі, орієнтовані на факти порівняно з «інтуїтивними» студентами, які віддають перевагу абстрактному матеріалу та мають більш інноваційний та творчий характер. Вимір "введення" LS складається з "візуальних" та "словесних" учнів. Люди з "візуальними" ЛС вважають за краще вчитися на візуальних демонстраціях (таких як діаграми, відеоролики чи живі демонстрації), тоді як люди з "словесними" ЛС вважають за краще вчитися словами в письмових або усних поясненнях. Щоб «зрозуміти» розміри LS, таких учнів можна розділити на «послідовні» та «глобальні». «Послідовні учні віддають перевагу лінійному процесу мислення та вчитися поетапно, тоді як глобальні учні, як правило, мають цілісний процес мислення і завжди краще розуміють те, що вони навчаються.
Нещодавно багато дослідників почали досліджувати методи автоматичного відкриття, керованого даними, включаючи розробку нових алгоритмів та моделей, здатних інтерпретувати велику кількість даних [15, 16]. Виходячи з наданих даних, контрольований ML (машинне навчання) здатний генерувати закономірності та гіпотези, які прогнозують майбутні результати на основі побудови алгоритмів [17]. Простіше кажучи, контрольовані методи машинного навчання маніпулюють вхідними даними та алгоритмами тренування. Потім він генерує діапазон, який класифікує або прогнозує результат на основі подібних ситуацій для наданих вхідних даних. Основна перевага контрольованих алгоритмів машинного навчання - це його здатність встановлювати ідеальні та бажані результати [17].
Завдяки використанню методів, керованих даними та моделями управління деревами рішення, можливе автоматичне виявлення LS. Повідомлялося, що дерева рішень широко використовуються в навчальних програмах у різних галузях, включаючи наук про здоров'я [18, 19]. У цьому дослідженні модель була спеціально підготовлена розробниками системи для виявлення ЛС учнів та рекомендую найкраще для них.
Метою цього дослідження є розробка - це стратегії доставки, засновані на LS студентів та застосовувати підхід SCL, розробляючи інструмент рекомендації, відображений на LS. Проектний потік інструменту рекомендацій IS як стратегія методу SCL показана на малюнку 1. Інструмент рекомендації IS розділений на дві частини, включаючи механізм класифікації LS за допомогою ILS, а найбільш підходящим є для студентів.
Зокрема, характеристики інструментів рекомендацій інформаційної безпеки включають використання веб -технологій та використання машинного навчання дерев. Розробники системи вдосконалюють досвід користувачів та мобільність, адаптуючи їх до мобільних пристроїв, таких як мобільні телефони та планшети.
Експеримент проводився на двох етапах, а студенти з стоматології в університеті Малайї брали участь у добровільній основі. Учасники відповіли на онлайн-M-IL студента стоматологічного студента англійською мовою. На початковій фазі набору даних із 50 студентів використовувались для підготовки алгоритму машинного навчання дерева рішень. На другому етапі процесу розробки було використано набір даних з 255 студентів для підвищення точності розробленого інструменту.
Усі учасники отримують онлайн -інструктаж на початку кожного етапу, залежно від навчального року, через команди Microsoft. Мета дослідження була пояснена та отримана поінформована згода. Усі учасники були надані посиланням для доступу до M-ILS. Кожному студенту було доручено відповісти на всі 44 пункти на анкету. Їм було надано один тиждень, щоб завершити модифіковані ILS одночасно та місце розташування, зручні для них під час перерви в семестрі до початку семестру. M-ILS заснований на оригінальному інструменті ILS та модифікований для студентів-зубів. Подібно до початкових ІЛ, він містить 44 рівномірно розподілені елементи (A, B), з 11 предметами, які використовуються для оцінки аспектів кожного виміру FSLSM.
На початкових етапах розробки інструментів дослідники вручну анотували карти, використовуючи набір даних з 50 студентів -зубів. Відповідно до FSLM, система надає сумум відповідей "A" та "B". Для кожного виміру, якщо студент вибирає "A" як відповідь, LS класифікується як активна/перцептивна/візуальна/послідовна, і якщо студент вибирає "B" як відповідь, студент класифікується як рефлексивна/інтуїтивна/лінгвістична . / Глобальний учень.
Після калібрування робочого процесу між дослідниками стоматологічної освіти та розробниками системи було обрано питання на основі домену FLSSM та подані в модель ML для прогнозування LS кожного студента. "Сміття в, сміття" - популярна приказка в галузі машинного навчання з акцентом на якість даних. Якість вхідних даних визначає точність та точність моделі машинного навчання. Під час фази інженерії функції створюється новий набір функцій, що є сумою відповідей "A" та "B" на основі FLSSM. Ідентифікаційна кількість положень лікарських засобів наведена в таблиці 1.
Обчисліть оцінку на основі відповідей та визначте LS студента. Для кожного студента діапазон балів становить від 1 до 11. Оцінки від 1 до 3 вказують на баланс уподобань у навчанні в межах одного виміру, а бали від 5 до 7 вказують на помірну перевагу, що свідчить про те, що студенти, як правило, віддають перевагу одному середовищу, які навчають інших . Ще одна варіація одного виміру полягає в тому, що бали від 9 до 11 відображають сильну перевагу для одного або іншого [8].
Для кожного виміру наркотики були згруповані в "активні", "рефлексивні" та "збалансовані". Наприклад, коли студент відповідає на "A" частіше, ніж "B" на визначений предмет, і його бал перевищує поріг 5 для певного предмета, що представляє обробку виміру LS, він належить до "активного" LS домен. . Однак студентів класифікували як "рефлексивні" LS, коли вони обрали "B" більше, ніж "A" у конкретних 11 питань (табл. 1) та набрали більше 5 балів. Нарешті, студент перебуває у стані "рівноваги". Якщо оцінка не перевищує 5 балів, то це "процес". Процес класифікації повторювали для інших розмірів LS, а саме сприйняття (активне/відбиваюче), вхід (візуальний/словесний) та розуміння (послідовне/глобальне).
Моделі дерев рішень можуть використовувати різні підмножини функцій та правила прийняття рішень на різних етапах класифікації. Він вважається популярним інструментом класифікації та прогнозування. Він може бути представлений за допомогою структури дерева, такої як блок -схема [20], в якій є внутрішні вузли, що представляють тести за атрибутом, кожна гілка, що представляє результати випробувань, і кожен вузол листя (вузол листя), що містить мітку класу.
Була створена проста програма, заснована на правилах, щоб автоматично оцінити та анотувати LS кожного студента на основі їх відповідей. На основі правил має форму оператора IF, де "якщо" описує тригер і "тоді" визначає дію, яка буде виконана, наприклад: "Якщо X трапляється, то зробіть Y" (Liu et al., 2014). Якщо набір даних демонструє кореляцію та модель дерева рішень належним чином навчається та оцінюється, цей підхід може бути ефективним способом автоматизації процесу відповідності ЛС та є.
На другому етапі розробки набір даних був збільшений до 255 для підвищення точності інструменту рекомендації. Набір даних розділений у співвідношенні 1: 4. Для тестового набору було використано 25% (64) набору даних, а решта 75% (191) використовувались як навчальний набір (рис. 2). Набір даних потрібно розділити, щоб запобігти навчанню та перевірці моделі на одному наборі даних, що може призвести до запам'ятовування моделі, а не вчитися. Модель проходить навчання в навчальному наборі та оцінює її продуктивність на тестовому наборі - дані модель ніколи не бачили.
Після того, як інструмент буде розроблений, програма зможе класифікувати LS на основі відповідей студентів -стоматологів через веб -інтерфейс. Система інструментів інструментів веб-інформаційної безпеки побудована за допомогою мови програмування Python за допомогою рамки Django в якості бекенду. У таблиці 2 перераховані бібліотеки, які використовуються в розробці цієї системи.
Набір даних подається на модель дерева рішень для обчислення та отримання відповідей учнів для автоматичного класифікації вимірювань студентів LS.
Матриця плутанини використовується для оцінки точності алгоритму машинного навчання дерева рішень на заданому наборі даних. У той же час він оцінює продуктивність моделі класифікації. Він узагальнює прогнози моделі та порівнює їх із фактичними мітками даних. Результати оцінки ґрунтуються на чотирьох різних значеннях: справжній позитивний (TP) - модель правильно передбачила позитивну категорію, помилкову позитивну (FP) - модель передбачила позитивну категорію, але справжня мітка була негативною, справжньою негативною (TN) - Модель правильно передбачила негативний клас, і помилковий негативний (FN) - модель прогнозує негативний клас, але справжня мітка є позитивною.
Потім ці значення використовуються для обчислення різних показників продуктивності моделі класифікації Scikit-Learn у Python, а саме точній, точній, відкликанні та оцінці F1. Ось приклади:
Нагадаємо (або чутливість) вимірює здатність моделі точно класифікувати ЛС студента після відповіді на анкету M-ILS.
Специфічність називається справжньою негативною швидкістю. Як ви бачите з вищезгаданої формули, це має бути відношення справжніх негативів (TN) до справжніх негативів та помилкових позитивів (FP). У рамках рекомендованого інструменту класифікації студентських препаратів він повинен бути здатним до точної ідентифікації.
Оригінальний набір даних з 50 студентів, які використовуються для підготовки моделі ML Tree Mle, показали відносно низьку точність через помилки людини в анотації (табл. 3). Після створення простої програми на основі правил для автоматичного обчислення балів LS та анотацій студентів, для підготовки та тестування системи рекомендацій використовували все більшу кількість наборів даних (255).
У матриці багатокласної плутанини діагональні елементи представляють кількість правильних прогнозів для кожного типу LS (рис. 4). Використовуючи модель дерева рішень, загалом 64 зразки було правильно прогнозовано. Таким чином, у цьому дослідженні діагональні елементи показують очікувані результати, що вказує на те, що модель працює добре та точно прогнозує мітку класу для кожної класифікації LS. Таким чином, загальна точність інструменту рекомендації становить 100%.
Значення точності точності, точності, відкликання та F1 показані на малюнку 5. Для системи рекомендацій за допомогою моделі дерева рішень його показник F1 - 1,0 «ідеальна», що вказує на ідеальну точність та відкликання, що відображає значну чутливість та специфічність значення.
На малюнку 6 показана візуалізація моделі дерева рішень після навчання та тестування завершена. У порівнянні з боку, модель дерева рішень, що навчається з меншою кількістю ознак, показала більш високу точність та простішу візуалізацію моделі. Це показує, що інженерія функцій, що веде до зменшення функцій, є важливим кроком у підвищенні продуктивності моделі.
Застосовуючи навчання дерева, що контролюється, відображення між LS (вхід) і IS (цільовий вихід) автоматично генерується і містить детальну інформацію для кожного LS.
Результати показали, що 34,9% з 255 студентів віддавали перевагу одному (1) варіанту LS. Більшість (54,3%) мали дві або більше переваг ЛС. 12,2% студентів зазначили, що LS досить збалансований (табл. 4). Окрім восьми основних ЛС, існує 34 комбінації класифікацій LS для студентів стоматологічних студентів університету Малайї. Серед них сприйняття, бачення та поєднання сприйняття та бачення є основними ЛС, про які повідомляли студенти (рис. 7).
Як видно з таблиці 4, більшість студентів мали переважну сенсорну (13,7%) або візуальну (8,6%) LS. Повідомлялося, що 12,2% студентів поєднували сприйняття з зором (перцептивно-візуальний LS). Ці висновки говорять про те, що студенти вважають за краще вчитися та запам'ятати за допомогою встановлених методів, дотримуватися конкретних та детальних процедур та мають уважний характер. У той же час вони насолоджуються навчанням, шукаючи (використовуючи діаграми тощо) і прагнуть обговорювати та застосовувати інформацію в групах або самостійно.
Це дослідження надає огляд методів машинного навчання, що використовуються в обміні даними, з акцентом на миттєво та точно прогнозувати LS учнів та рекомендувати відповідний. Застосування моделі дерева рішень визначило фактори, які найбільш тісно пов'язані з їхнім життям та навчальним досвідом. Це наглядовий алгоритм машинного навчання, який використовує структуру дерева для класифікації даних, поділяючи набір даних на підкатегорії на основі певних критеріїв. Він працює шляхом рекурсивного ділення вхідних даних на підмножини на основі значення однієї з вхідних особливостей кожного внутрішнього вузла, поки рішення не буде прийнято на вузлі листя.
Внутрішні вузли дерева рішень представляють рішення на основі вхідних характеристик задачі M-ILS, а вузли листя представляють остаточне прогнозування класифікації LS. Протягом усього дослідження легко зрозуміти ієрархію дерев рішень, які пояснюють та візуалізують процес прийняття рішення, переглядаючи взаємозв'язок між вхідними функціями та прогнозами виводу.
У галузях інформатики та інженерії алгоритми машинного навчання широко використовуються для прогнозування продуктивності студентів на основі їх балів вступного іспиту [21], демографічної інформації та поведінки навчання [22]. Дослідження показали, що алгоритм точно передбачив результативність студентів та допомагає їм визначити студентів, які ризикують академічними труднощами.
Повідомляється про застосування алгоритмів ML у розробці віртуальних симуляторів пацієнтів для стоматологічних тренувань. Симулятор здатний точно відтворити фізіологічні реакції реальних пацієнтів і може бути використаний для підготовки студентів -стоматологів у безпечному та контрольованому середовищі [23]. Кілька інших досліджень показують, що алгоритми машинного навчання потенційно можуть покращити якість та ефективність стоматологічної та медичної освіти та догляду за пацієнтами. Алгоритми машинного навчання були використані для сприяння діагностиці зубних захворювань на основі наборів даних, таких як симптоми та характеристики пацієнта [24, 25]. У той час як інші дослідження досліджували використання алгоритмів машинного навчання для виконання таких завдань, як прогнозування результатів пацієнтів, виявлення пацієнтів з високим рівнем ризику, розробка персоналізованих планів лікування [26], періодонтальне лікування [27] та лікування карієсу [25].
Незважаючи на те, що звіти про застосування машинного навчання в стоматології були опубліковані, його застосування у стоматологічній освіті залишається обмеженим. Тому це дослідження мало на меті використовувати модель дерева рішень для виявлення факторів, найбільш тісно пов'язаних з ЛС та є серед студентів -зубів.
Результати цього дослідження показують, що розроблений інструмент рекомендацій має високу точність та ідеальну точність, що свідчить про те, що вчителі можуть отримати користь від цього інструменту. Використовуючи процес класифікації, орієнтований на дані, він може дати персоналізовані рекомендації та вдосконалити навчальний досвід та результати для викладачів та студентів. Серед них інформація, отримана за допомогою інструментів рекомендацій, може вирішити конфлікти між бажаними методами навчання викладачам та потребами учнів учнів. Наприклад, завдяки автоматизованому виводу інструментів рекомендацій, час, необхідний для ідентифікації IP студента та відповідності його з відповідним IP, буде значно скорочений. Таким чином можна організувати відповідні навчальні заходи та навчальні матеріали. Це допомагає розвивати позитивну поведінку студентів та здатність концентруватися. Одне дослідження повідомило, що надання студентам навчальних матеріалів та навчальних заходів, які відповідають їм бажаним ЛС, може допомогти студентам інтегрувати, обробляти та насолоджуватися навчанням різними способами для досягнення більшого потенціалу [12]. Дослідження також показують, що крім вдосконалення участі учнів у класі, розуміння процесу навчання учнів також відіграє вирішальну роль у вдосконаленні викладацької практики та спілкування зі студентами [28, 29].
Однак, як і будь -яка сучасна технологія, є проблеми та обмеження. Сюди входять проблеми, 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; Однак зростаючий інтерес та дослідження в цій галузі свідчать про те, що технології машинного навчання можуть мати позитивний вплив на стоматологічну освіту та стоматологічні послуги.
Результати цього дослідження свідчать про те, що половина студентів -зубів мають тенденцію до «сприйняття» наркотиків. Цей тип учня має перевагу фактів та конкретних прикладів, практичній орієнтації, терпіння для деталей та «візуальних» переваг LS, де учні вважають за краще використовувати зображення, графіку, кольори та карти для передачі ідей та думок. Поточні результати узгоджуються з іншими дослідженнями, що використовують ILS для оцінки ЛС у студентів -зубів та медиків, більшість з яких мають характеристики перцептивного та зорового ЛС [12, 30]. Далмолін та ін припускають, що інформування учнів про їх ЛС дозволяє їм досягти свого потенціалу навчання. Дослідники стверджують, що коли викладачі повністю розуміють навчальний процес учнів, можуть бути реалізовані різні методи та заходи навчання, які покращать ефективність роботи та досвід навчання учнів [12, 31, 32]. Інші дослідження показали, що коригування ЛС учнів також показує вдосконалення досвіду навчання та ефективності учнів після зміни стилів навчання відповідно до власного LS [13, 33].
Думки викладачів можуть відрізнятися щодо впровадження стратегій викладання на основі навчальних здібностей учнів. Хоча деякі бачать переваги такого підходу, включаючи можливості професійного розвитку, наставництво та підтримку громади, інші можуть бути стурбовані часом та інституційною підтримкою. Прагнення до балансу є ключовим для створення ставлення, орієнтованого на студентів. Органи вищої освіти, такі як адміністратори університету, можуть відігравати важливу роль у сприянні позитивних змін, вводячи інноваційні практики та підтримку розвитку викладачів [34]. Щоб створити справді динамічну та чуйну систему вищої освіти, розробники політики повинні вжити сміливих кроків, таких як внесення змін у політику, присвячення ресурсів інтеграції технологій та створення рамок, що сприяють підходам, орієнтованим на студентів. Ці заходи мають вирішальне значення для досягнення бажаних результатів. Останні дослідження диференційованих інструкцій чітко показали, що успішна реалізація диференційованих інструкцій вимагає постійних можливостей навчання та розвитку для викладачів [35].
Цей інструмент надає цінну підтримку вихователям зубів, які хочуть застосувати підхід, орієнтований на студентів, до планування навчальних заходів, сприятливих для студентів. Однак це дослідження обмежується використанням моделей ML Tree Mlese. Надалі слід зібрати більше даних для порівняння продуктивності різних моделей машинного навчання для порівняння точності, надійності та точності інструментів рекомендацій. Крім того, при виборі найбільш відповідного методу машинного навчання для певного завдання важливо враховувати інші фактори, такі як складність моделі та інтерпретація.
Обмеженням цього дослідження є те, що воно зосереджене лише на картографуванні ЛС і є серед студентів -стоматологів. Тому розроблена система рекомендацій рекомендує лише тим, хто підходить для студентів -стоматологів. Зміни необхідні для загального використання студентів вищої освіти.
Нещодавно розроблений інструмент рекомендацій на машинному навчанні здатний миттєво класифікувати та поєднувати ЛС учнів до відповідної ІС, що робить його першою програмою стоматологічної освіти, яка допоможе вихователям стоматологів планувати відповідні навчальні та навчальні заходи. Використовуючи процес Triage, керований даними, він може надавати персоналізовані рекомендації, економити час, покращити стратегії викладання, підтримувати цілеспрямовані втручання та сприяти постійному професійному розвитку. Його застосування сприятиме орієнтованим на студентів підходам до стоматологічної освіти.
Gilak Jani Associated Press. Відповідність або невідповідність між стилем навчання учня та стилем викладання вчителя. INT J MOD EDUC FIOTOURTION. 2012; 4 (11): 51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Час посади: квітня-29-2024