В высших учебных заведениях, включая стоматологические вузы, растет потребность в обучении, ориентированном на студента (SCL). Однако применение SCL в стоматологическом образовании ограничено. Поэтому данное исследование направлено на продвижение применения SCL в стоматологии с использованием технологии машинного обучения на основе деревьев решений для определения предпочтительного стиля обучения (LS) и соответствующих стратегий обучения (IS) студентов-стоматологов в качестве полезного инструмента для разработки рекомендаций по IS. Перспективные методы для студентов-стоматологов.
В общей сложности 255 студентов-стоматологов из Университета Малайзии заполнили модифицированный опросник Индекса стилей обучения (m-ILS), содержащий 44 пункта, для классификации их по соответствующим стилям обучения. Собранные данные (называемые набором данных) используются в контролируемом обучении деревьев решений для автоматического сопоставления стилей обучения студентов с наиболее подходящим стилем обучения. Затем оценивается точность инструмента рекомендаций стилей обучения на основе машинного обучения.
Применение моделей деревьев решений в автоматизированном процессе сопоставления между LS (входные данные) и IS (целевые выходные данные) позволяет немедленно получить список подходящих стратегий обучения для каждого студента-стоматолога. Инструмент рекомендаций IS продемонстрировал идеальную точность и полноту общей точности модели, что указывает на то, что сопоставление LS с IS обладает хорошей чувствительностью и специфичностью.
Инструмент рекомендаций для информационных систем, основанный на дереве решений машинного обучения, доказал свою способность точно сопоставлять стили обучения студентов-стоматологов с соответствующими стратегиями обучения. Этот инструмент предоставляет мощные возможности для планирования курсов или модулей, ориентированных на обучающихся, которые могут улучшить процесс обучения студентов.
Обучение и преподавание являются основополагающими видами деятельности в образовательных учреждениях. При разработке высококачественной системы профессионального образования важно сосредоточиться на учебных потребностях студентов. Взаимодействие студентов с их учебной средой можно определить через их учебную среду. Исследования показывают, что преднамеренные преподавателем несоответствия между учебной средой и образовательной средой студентов могут иметь негативные последствия для обучения студентов, такие как снижение внимания и мотивации. Это косвенно повлияет на успеваемость студентов [1,2].
ИС — это метод, используемый учителями для передачи знаний и навыков учащимся, включая помощь в обучении [3]. В целом, хорошие учителя планируют стратегии обучения или ИС, которые наилучшим образом соответствуют уровню знаний их учеников, изучаемым ими понятиям и этапу их обучения. Теоретически, когда LS и ИС совпадают, учащиеся смогут организовать и использовать определенный набор навыков для эффективного обучения. Как правило, план урока включает несколько переходов между этапами, например, от обучения к управляемой практике или от управляемой практики к самостоятельной практике. С учетом этого, эффективные учителя часто планируют обучение с целью развития знаний и навыков учащихся [4].
Спрос на SCL растет в высших учебных заведениях, включая стоматологические факультеты. Стратегии SCL разработаны для удовлетворения учебных потребностей студентов. Этого можно достичь, например, если студенты активно участвуют в учебных мероприятиях, а преподаватели выступают в роли фасилитаторов и несут ответственность за предоставление ценной обратной связи. Считается, что предоставление учебных материалов и мероприятий, соответствующих уровню образования или предпочтениям студентов, может улучшить учебную среду и способствовать позитивному опыту обучения [5].
В целом, процесс обучения студентов-стоматологов зависит от различных клинических процедур, которые им необходимо выполнять, и клинической среды, в которой они развивают эффективные навыки межличностного общения. Цель обучения состоит в том, чтобы дать студентам возможность сочетать базовые знания стоматологии с клиническими навыками и применять полученные знания в новых клинических ситуациях [6, 7]. Ранние исследования взаимосвязи между LS и IS показали, что корректировка стратегий обучения, соответствующих предпочтительному LS, поможет улучшить образовательный процесс [8]. Авторы также рекомендуют использовать разнообразные методы обучения и оценки, чтобы адаптироваться к обучению и потребностям студентов.
Преподаватели получают пользу от применения знаний в области обучения, что помогает им разрабатывать, создавать и внедрять учебные материалы, способствующие углубленному усвоению знаний и понимания предмета учащимися. Исследователи разработали несколько инструментов оценки обучения, таких как модель экспериментального обучения Колба, модель стилей обучения Фелдера-Сильвермана (FSLSM) и модель Флеминга VAK/VARK [5, 9, 10]. Согласно литературе, эти модели обучения являются наиболее часто используемыми и наиболее изученными. В данной исследовательской работе для оценки обучения среди студентов-стоматологов используется модель FSLSM.
FSLSM — широко используемая модель для оценки адаптивного обучения в инженерии. Существует множество опубликованных работ в области медицинских наук (включая медицину, сестринское дело, фармацию и стоматологию), в которых используются модели FSLSM [5, 11, 12, 13]. Инструмент, используемый для измерения измерений LS в FLSM, называется Индексом стилей обучения (ILS) [8], который содержит 44 пункта, оценивающих четыре измерения LS: обработка (активная/рефлексивная), восприятие (перцептивное/интуитивное), ввод (визуальный/вербальный) и понимание (последовательное/глобальное) [14].
Как показано на рисунке 1, каждое измерение FSLSM имеет доминирующее предпочтение. Например, в измерении обработки информации студенты с «активным» типом обучения предпочитают обрабатывать информацию, непосредственно взаимодействуя с учебными материалами, учатся на практике и, как правило, учатся в группах. «Рефлексивный» тип обучения подразумевает обучение посредством мышления и предпочитает работать в одиночку. Измерение «восприятия» в LS можно разделить на «чувства» и/или «интуицию». Студенты с «чувствами» предпочитают более конкретную информацию и практические процедуры, ориентированы на факты по сравнению со студентами с «интуицией», которые предпочитают абстрактный материал и более инновационны и креативны по своей природе. Измерение «ввода» в LS включает в себя «визуальных» и «вербальных» учащихся. Люди с «визуальным» типом обучения предпочитают учиться с помощью визуальных демонстраций (таких как диаграммы, видео или живые демонстрации), тогда как люди с «вербальным» типом обучения предпочитают учиться с помощью слов в письменных или устных объяснениях. Чтобы «понять» измерения LS, таких учащихся можно разделить на «последовательных» и «глобальных». «Учащиеся, предпочитающие последовательный подход, склонны к линейному мышлению и учатся шаг за шагом, в то время как учащиеся, склонные к целостному мышлению, всегда лучше понимают изучаемый материал».
В последнее время многие исследователи начали изучать методы автоматического обнаружения на основе данных, включая разработку новых алгоритмов и моделей, способных интерпретировать большие объемы данных [15, 16]. На основе предоставленных данных контролируемое машинное обучение (ML) способно генерировать закономерности и гипотезы, которые предсказывают будущие результаты на основе построения алгоритмов [17]. Проще говоря, методы контролируемого машинного обучения обрабатывают входные данные и обучают алгоритмы. Затем они генерируют диапазон, который классифицирует или предсказывает результат на основе аналогичных ситуаций для предоставленных входных данных. Главное преимущество алгоритмов контролируемого машинного обучения заключается в их способности устанавливать идеальные и желаемые результаты [17].
Благодаря использованию методов, основанных на данных, и моделей управления на основе деревьев решений становится возможным автоматическое обнаружение LS. Сообщается, что деревья решений широко используются в учебных программах в различных областях, включая медицинские науки [18, 19]. В данном исследовании модель была специально обучена разработчиками системы для определения LS студентов и рекомендации им наилучшего IS.
Цель данного исследования — разработка стратегий предоставления информационных систем на основе уровня знаний студентов и применение подхода SCL путем создания инструмента рекомендаций информационных систем, адаптированного к уровню знаний студентов. Схема разработки инструмента рекомендаций информационных систем как стратегии метода SCL показана на рисунке 1. Инструмент рекомендаций информационных систем разделен на две части: механизм классификации уровня знаний студентов с использованием ILS и наиболее подходящее отображение информационных систем для студентов.
В частности, к характеристикам инструментов рекомендаций по информационной безопасности относятся использование веб-технологий и машинного обучения на основе деревьев решений. Разработчики систем улучшают пользовательский опыт и мобильность, адаптируя их к мобильным устройствам, таким как мобильные телефоны и планшеты.
Эксперимент проводился в два этапа, и студенты стоматологического факультета Университета Малайзии участвовали на добровольной основе. Участники отвечали на вопросы онлайн-теста m-ILS, разработанного студентом-стоматологом, на английском языке. На начальном этапе для обучения алгоритма машинного обучения на основе дерева решений использовался набор данных из 50 студентов. На втором этапе разработки использовался набор данных из 255 студентов для повышения точности разработанного инструмента.
В начале каждого этапа, в зависимости от учебного года, все участники получают онлайн-инструкцию через Microsoft Teams. Им разъясняется цель исследования и дается информированное согласие. Всем участникам предоставляется ссылка для доступа к модифицированной версии ILS. Каждому студенту было предложено ответить на все 44 вопроса анкеты. Им была предоставлена одна неделя для заполнения модифицированной версии ILS в удобное для них время и месте во время семестровых каникул перед началом семестра. Модифицированная версия ILS основана на оригинальном инструменте ILS и модифицирована для студентов-стоматологов. Аналогично оригинальной версии ILS, она содержит 44 равномерно распределенных вопроса (a, b), по 11 вопросов в каждом, которые используются для оценки аспектов каждого измерения FSLSM.
На начальных этапах разработки инструмента исследователи вручную аннотировали карты, используя набор данных из 50 студентов-стоматологов. Согласно модели FSLM, система предоставляет сумму ответов «a» и «b». Для каждого измерения, если студент выбирает «a» в качестве ответа, LS классифицируется как активный/перцептивный/визуальный/последовательный, а если студент выбирает «b» в качестве ответа, он классифицируется как рефлексивный/интуитивный/лингвистический/глобальный ученик.
После согласования рабочего процесса между исследователями в области стоматологического образования и разработчиками системы, вопросы были отобраны на основе предметной области FLSSM и переданы в модель машинного обучения для прогнозирования уровня знаний каждого студента. «Мусор на входе — мусор на выходе» — популярное выражение в области машинного обучения, подчеркивающее важность качества данных. Качество входных данных определяет точность и достоверность модели машинного обучения. На этапе проектирования признаков создается новый набор признаков, представляющий собой сумму ответов «a» и «b» на основе FLSSM. Идентификационные номера позиций лекарственных препаратов приведены в таблице 1.
Рассчитайте баллы на основе ответов и определите уровень LS студента. Для каждого студента диапазон баллов составляет от 1 до 11. Баллы от 1 до 3 указывают на сбалансированность предпочтений в обучении в рамках одного измерения, а баллы от 5 до 7 указывают на умеренное предпочтение, свидетельствуя о том, что студенты склонны предпочитать одну среду обучения другим. Другой вариант в рамках того же измерения заключается в том, что баллы от 9 до 11 отражают сильное предпочтение одному или другому концу [8].
Для каждого измерения препараты были сгруппированы в категории «активные», «рефлексивные» и «сбалансированные». Например, если студент отвечает «а» чаще, чем «б» на определенный вопрос, и его/ее оценка превышает пороговое значение в 5 баллов для конкретного вопроса, представляющего измерение обработки информации, он/она относится к «активной» области обработки информации. Однако студенты классифицировались как имеющие «рефлексивную» обработку информации, если они выбирали «б» чаще, чем «а», в 11 конкретных вопросах (таблица 1) и набирали более 5 баллов. Наконец, студент находится в состоянии «равновесия». Если оценка не превышает 5 баллов, то это «процессная» обработка информации. Процесс классификации был повторен для других измерений обработки информации, а именно восприятия (активное/рефлексивное), ввода (визуальный/вербальный) и понимания (последовательное/глобальное).
Модели деревьев решений могут использовать различные подмножества признаков и правил принятия решений на разных этапах процесса классификации. Они считаются популярным инструментом классификации и прогнозирования. Их можно представить в виде древовидной структуры, например, блок-схемы [20], в которой есть внутренние узлы, представляющие тесты по атрибутам, каждая ветвь, представляющая результаты тестов, и каждый листовой узел (листовой узел), содержащий метку класса.
Была создана простая программа, основанная на правилах, для автоматической оценки и аннотирования ответов каждого студента на основе его оценок. Программа, основанная на правилах, использует оператор IF, где «IF» описывает триггер, а «THEN» указывает действие, которое необходимо выполнить, например: «Если произойдет X, то выполните Y» (Liu et al., 2014). Если набор данных демонстрирует корреляцию, а модель дерева решений должным образом обучена и оценена, этот подход может быть эффективным способом автоматизации процесса сопоставления ответов и оценок.
На втором этапе разработки набор данных был увеличен до 255 для повышения точности инструмента рекомендаций. Набор данных был разделен в соотношении 1:4. 25% (64) набора данных было использовано для тестового набора, а оставшиеся 75% (191) — для обучающего набора (Рисунок 2). Разделение набора данных необходимо для предотвращения обучения и тестирования модели на одном и том же наборе данных, что может привести к тому, что модель будет запоминать, а не учиться. Модель обучается на обучающем наборе и оценивает свою производительность на тестовом наборе — данных, которые модель никогда раньше не видела.
После разработки инструмента информационной безопасности приложение сможет классифицировать LS на основе ответов студентов-стоматологов через веб-интерфейс. Веб-система рекомендаций по информационной безопасности создана с использованием языка программирования Python и фреймворка Django в качестве бэкэнда. В таблице 2 перечислены библиотеки, использованные при разработке этой системы.
Полученный набор данных подается на вход модели дерева решений для расчета и извлечения ответов студентов с целью автоматической классификации результатов измерений LS у студентов.
Матрица ошибок используется для оценки точности алгоритма машинного обучения на основе дерева решений на заданном наборе данных. Одновременно она оценивает производительность модели классификации. Она суммирует предсказания модели и сравнивает их с фактическими метками данных. Результаты оценки основаны на четырех различных значениях: истинно положительные (TP) – модель правильно предсказала положительную категорию, ложноположительные (FP) – модель предсказала положительную категорию, но истинная метка оказалась отрицательной, истинно отрицательные (TN) – модель правильно предсказала отрицательный класс, и ложноотрицательные (FN) – модель предсказала отрицательный класс, но истинная метка оказалась положительной.
Затем эти значения используются для расчета различных показателей производительности модели классификации scikit-learn на Python, а именно точности, прецизии, полноты и F1-меры. Вот примеры:
Показатель полноты (или чувствительности) измеряет способность модели точно классифицировать уровень LS студента после заполнения анкеты m-ILS.
Специфичность называется показателем истинно отрицательных результатов. Как видно из приведенной выше формулы, это должно быть отношение истинно отрицательных результатов (TN) к истинно отрицательным и ложноположительным результатам (FP). В качестве рекомендуемого инструмента для классификации наркотиков среди студентов он должен обеспечивать точную идентификацию.
Исходный набор данных из 50 студентов, использованный для обучения модели машинного обучения на основе дерева решений, показал относительно низкую точность из-за человеческих ошибок в аннотациях (таблица 3). После создания простой программы на основе правил для автоматического расчета оценок LS и аннотаций студентов, для обучения и тестирования рекомендательной системы было использовано все большее количество наборов данных (255).
В матрице ошибок многоклассовой классификации диагональные элементы представляют количество правильных предсказаний для каждого типа LS (рисунок 4). Используя модель дерева решений, было правильно предсказано в общей сложности 64 образца. Таким образом, в данном исследовании диагональные элементы показывают ожидаемые результаты, указывая на то, что модель работает хорошо и точно предсказывает метку класса для каждой классификации LS. Таким образом, общая точность инструмента рекомендаций составляет 100%.
Значения точности, прецизионности, полноты и F1-меры показаны на рисунке 5. Для системы рекомендаций, использующей модель дерева решений, показатель F1 равен 1,0 («идеальный»), что указывает на идеальную точность и полноту, отражая значительные значения чувствительности и специфичности.
На рисунке 6 представлена визуализация модели дерева решений после завершения обучения и тестирования. При сравнении бок о бок модель дерева решений, обученная с меньшим количеством признаков, показала более высокую точность и более удобную визуализацию. Это показывает, что инженерия признаков, ведущая к сокращению их количества, является важным шагом в улучшении производительности модели.
С помощью контролируемого обучения на основе деревьев решений автоматически генерируется отображение между LS (входные данные) и IS (целевые выходные данные), содержащее подробную информацию для каждого LS.
Результаты показали, что 34,9% из 255 студентов предпочли один (1) вариант LS. Большинство (54,3%) имели два или более предпочтения LS. 12,2% студентов отметили, что LS достаточно сбалансирован (Таблица 4). В дополнение к восьми основным LS, существует 34 комбинации классификаций LS для студентов стоматологического факультета Университета Малайзии. Среди них восприятие, зрение и комбинация восприятия и зрения являются основными LS, о которых сообщили студенты (Рисунок 7).
Как видно из таблицы 4, у большинства студентов преобладал сенсорный (13,7%) или визуальный (8,6%) тип обучения. Было отмечено, что 12,2% студентов сочетали восприятие со зрением (перцептивно-визуальный тип обучения). Эти результаты свидетельствуют о том, что студенты предпочитают учиться и запоминать с помощью установленных методов, следуют конкретным и подробным процедурам и внимательны по своей природе. В то же время им нравится учиться, рассматривая информацию (используя диаграммы и т. д.), и они склонны обсуждать и применять информацию в группах или самостоятельно.
В данном исследовании представлен обзор методов машинного обучения, используемых в интеллектуальном анализе данных, с акцентом на мгновенное и точное прогнозирование жизненного опыта студентов и рекомендации подходящих учебных программ. Применение модели дерева решений позволило выявить факторы, наиболее тесно связанные с их жизненным и образовательным опытом. Это алгоритм машинного обучения с учителем, который использует древовидную структуру для классификации данных путем разделения набора данных на подкатегории на основе определенных критериев. Он работает путем рекурсивного разделения входных данных на подмножества на основе значения одной из входных характеристик каждого внутреннего узла до тех пор, пока в листовом узле не будет принято решение.
Внутренние узлы дерева решений представляют собой решение, основанное на входных характеристиках задачи m-ILS, а листовые узлы представляют собой окончательный прогноз классификации LS. На протяжении всего исследования легко понять иерархию деревьев решений, которые объясняют и визуализируют процесс принятия решений, рассматривая взаимосвязь между входными признаками и выходными прогнозами.
В области компьютерных наук и инженерии алгоритмы машинного обучения широко используются для прогнозирования успеваемости студентов на основе результатов их вступительных экзаменов [21], демографической информации и учебного поведения [22]. Исследования показали, что алгоритм точно прогнозирует успеваемость студентов и помогает выявлять студентов, подверженных риску академических трудностей.
Сообщается о применении алгоритмов машинного обучения при разработке виртуальных симуляторов пациентов для обучения стоматологов. Симулятор способен точно воспроизводить физиологические реакции реальных пациентов и может использоваться для обучения студентов-стоматологов в безопасной и контролируемой среде [23]. Несколько других исследований показывают, что алгоритмы машинного обучения потенциально могут улучшить качество и эффективность стоматологического и медицинского образования и ухода за пациентами. Алгоритмы машинного обучения использовались для помощи в диагностике стоматологических заболеваний на основе таких наборов данных, как симптомы и характеристики пациентов [24, 25]. В то время как другие исследования изучали использование алгоритмов машинного обучения для выполнения таких задач, как прогнозирование результатов лечения пациентов, выявление пациентов высокого риска, разработка персонализированных планов лечения [26], лечение пародонтита [27] и лечение кариеса [25].
Несмотря на то, что были опубликованы отчеты о применении машинного обучения в стоматологии, его использование в стоматологическом образовании остается ограниченным. Поэтому целью данного исследования было использование модели дерева решений для выявления факторов, наиболее тесно связанных с LS и IS среди студентов-стоматологов.
Результаты данного исследования показывают, что разработанный инструмент рекомендаций обладает высокой и идеальной точностью, что указывает на то, что учителя могут извлечь из него пользу. Используя процесс классификации, основанный на данных, он может предоставлять персонализированные рекомендации и улучшать образовательный опыт и результаты для преподавателей и учащихся. При этом информация, полученная с помощью инструментов рекомендаций, может разрешать конфликты между предпочтительными методами обучения учителей и потребностями учащихся в обучении. Например, благодаря автоматизированному выводу инструментов рекомендаций, время, необходимое для определения IP-адреса учащегося и сопоставления его с соответствующим IP-адресом, значительно сократится. Таким образом, можно организовать подходящие учебные мероприятия и учебные материалы. Это помогает развивать у учащихся позитивное учебное поведение и способность к концентрации. В одном исследовании сообщалось, что предоставление учащимся учебных материалов и учебных мероприятий, соответствующих их предпочтительным учебным планам, может помочь им интегрировать, обрабатывать и получать удовольствие от обучения различными способами для достижения большего потенциала [12]. Исследования также показывают, что помимо повышения вовлеченности учащихся в учебный процесс, понимание процесса обучения учащихся также играет решающую роль в улучшении педагогической практики и общения с учащимися [28, 29].
Однако, как и у любой современной технологии, существуют проблемы и ограничения. К ним относятся вопросы, связанные с конфиденциальностью данных, предвзятостью и справедливостью, а также профессиональные навыки и ресурсы, необходимые для разработки и внедрения алгоритмов машинного обучения в стоматологическом образовании; тем не менее, растущий интерес и исследования в этой области позволяют предположить, что технологии машинного обучения могут оказать положительное влияние на стоматологическое образование и стоматологические услуги.
Результаты данного исследования показывают, что половина студентов-стоматологов склонны к «восприятию» лекарств. Этот тип обучающихся предпочитает факты и конкретные примеры, практическую ориентацию, терпение к деталям и «визуальный» стиль обучения, при котором учащиеся предпочитают использовать картинки, графику, цвета и карты для передачи идей и мыслей. Полученные результаты согласуются с другими исследованиями, использующими ILS для оценки стиля обучения у студентов-стоматологов и медиков, большинство из которых имеют характеристики перцептивного и визуального стиля обучения [12, 30]. Далмолин и др. предполагают, что информирование студентов об их стиле обучения позволяет им раскрыть свой учебный потенциал. Исследователи утверждают, что когда преподаватели полностью понимают образовательный процесс студентов, можно внедрять различные методы и виды деятельности, которые улучшат успеваемость и опыт обучения студентов [12, 31, 32]. Другие исследования показали, что корректировка стиля обучения студентов также приводит к улучшению опыта обучения и успеваемости студентов после изменения их стиля обучения в соответствии с их собственным стилем обучения [13, 33].
Мнения преподавателей могут различаться относительно внедрения стратегий обучения, основанных на способностях учащихся к обучению. Некоторые видят преимущества такого подхода, включая возможности профессионального развития, наставничество и поддержку со стороны сообщества, другие же могут быть обеспокоены нехваткой времени и институциональной поддержкой. Стремление к балансу является ключом к формированию ориентированного на студента подхода. Органы высшего образования, такие как администраторы университетов, могут играть важную роль в стимулировании позитивных изменений, внедряя инновационные практики и поддерживая развитие преподавательского состава [34]. Для создания действительно динамичной и гибкой системы высшего образования политики должны предпринять смелые шаги, такие как внесение изменений в политику, выделение ресурсов на интеграцию технологий и создание рамок, способствующих применению ориентированных на студента подходов. Эти меры имеют решающее значение для достижения желаемых результатов. Недавние исследования дифференцированного обучения ясно показали, что успешное внедрение дифференцированного обучения требует постоянного обучения и возможностей повышения квалификации для преподавателей [35].
Этот инструмент оказывает ценную поддержку преподавателям стоматологических дисциплин, которые хотят использовать ориентированный на студента подход к планированию учебных мероприятий. Однако данное исследование ограничено использованием моделей машинного обучения на основе деревьев решений. В будущем необходимо собрать больше данных для сравнения производительности различных моделей машинного обучения, чтобы оценить точность, надежность и прецизионность инструментов рекомендаций. Кроме того, при выборе наиболее подходящего метода машинного обучения для конкретной задачи важно учитывать и другие факторы, такие как сложность модели и интерпретация результатов.
Ограничением данного исследования является то, что оно сосредоточено только на сопоставлении LS и IS среди студентов-стоматологов. Следовательно, разработанная система рекомендаций будет рекомендовать только те варианты, которые подходят для студентов-стоматологов. Для использования студентами высших учебных заведений общего профиля необходимы изменения.
Разработанный инструмент рекомендаций на основе машинного обучения способен мгновенно классифицировать и сопоставлять уровень знаний студентов с соответствующим уровнем подготовки, что делает его первой программой стоматологического образования, помогающей преподавателям стоматологии планировать соответствующие учебные мероприятия. Используя процесс сортировки на основе данных, он может предоставлять персонализированные рекомендации, экономить время, улучшать стратегии обучения, поддерживать целенаправленные вмешательства и способствовать непрерывному профессиональному развитию. Его применение будет способствовать внедрению ориентированных на студента подходов в стоматологическом образовании.
Гилак Джани, Associated Press. Соответствие или несоответствие между стилем обучения студента и стилем преподавания учителя. Int J Mod Educ Computer Science. 2012;4(11):51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Дата публикации: 29 апреля 2024 г.