Можно сказать, что дистанционное обучение предполагает компьютерную визуализацию учебной информации

Обновлено: 30.06.2024

Проведите систематический обзор 45 часто цитируемых статей, опубликованных AI.

Определите пробелы в применении и теории во время распространения ИИ в образовании.

Установить связь между текущими исследованиями AIE и будущими тенденциями.

Уточнить определения AIEd в широком и узком смысле.

Аннотация

Учитывая растущую важность искусственного интеллекта в образовании (ИИО) и отсутствие всестороннего обзора по нему, это исследование направлено на проведение всестороннего и систематического обзора влиятельных исследований ИИ. Мы проанализировали 45 статей с точки зрения ежегодного распространения, ведущих журналов, учреждений, стран/регионов, наиболее часто используемых терминов, а также принятых теорий и технологий. Мы также оценили определения AIEd с широкой и узкой точек зрения и прояснили взаимосвязь между AIEd, интеллектуальным анализом образовательных данных, компьютерным образованием и аналитикой обучения. Результаты показали, что: 1) наблюдается постоянно растущий интерес к исследованиям AIEd и их влияние на них; 2) было проведено мало работы по внедрению технологий глубокого обучения в образовательный контекст; 3) традиционные технологии искусственного интеллекта, такие как обработка естественного языка, широко применялись в образовательном контексте, в то время как более продвинутые методы применялись редко, 4) не хватало исследований, в которых одновременно использовались бы технологии искусственного интеллекта и глубоко затрагивались образовательные теории. Результаты предложили ученым: 1) искать потенциал применения ИИ в физических условиях класса; 2) экономить усилия, чтобы распознать подробные взаимосвязи между ответами учащихся и желаемым концептуальным пониманием в интеллектуальных системах обучения; 3) уделять больше внимания внедрению передовых алгоритмов глубокого обучения, таких как генеративно-состязательная сеть и глубокая нейронная сеть; 4) искать потенциал НЛП в продвижении точного или персонализированного обучения; 5) сочетать биомедицинские технологии обнаружения и визуализации, такие как электроэнцефалограмма, и ориентироваться на вопросы, касающиеся учащихся в процессе обучения; 6) тесно интегрировать применение технологий ИИ в образовательные теории.

У каждого свой «стиль» сбора и организации информации в виде полезных знаний, и онлайн-среда может особенно хорошо подходить для некоторых стилей обучения и индивидуальных потребностей. Например, учащимся-интровертам часто легче общаться с помощью компьютера, чем в ситуациях лицом к лицу. Кроме того, онлайн-среда позволяет использовать менее иерархический подход к обучению, что отвечает потребностям людей, которые не подходят к новой информации систематическим или линейным образом. Среды онлайн-обучения используются в полной мере для совместного обучения, когда они дополняют стили обучения многих студентов. Независимые учащиеся также считают, что онлайн-курсы хорошо подходят для их нужд.

Поскольку учащиеся используют разные стили обучения или их комбинацию, онлайн-преподавателям следует разрабатывать задания, учитывающие несколько режимов обучения, чтобы повысить вероятность успешного опыта для каждого участника занятия. При разработке онлайн-курсов используйте несколько учебных стратегий. Ниже приведена таблица наиболее часто обсуждаемых стилей обучения. Эти описания отражают разные каналы восприятия (зрение, слух, осязание/движение):

Какой ВАШ предпочтительный стиль обучения?

    • Пройдите онлайн-тест Университета штата Северная Каролина, чтобы узнать, какой стиль обучения вы предпочитаете. Продолжайте читать о модели Фельдера-Сильвермана.
    • Изучите модель стилей обучения Данна и Данна

    Визуальное/вербальное обучение:

    Эти люди лучше всего учатся, когда информация представлена ​​визуально и в письменной форме. В классе они предпочитают, чтобы преподаватели, которые используют наглядные пособия (например, черную доску, презентацию PowerPoint), перечисляли основные моменты лекции, чтобы дать им план, которому нужно следовать во время лекции. Они получают пользу от информации, полученной из учебников и классных заметок. Эти учащиеся любят учиться в одиночестве в тихой обстановке. Они визуализируют информацию в своих «мысленных глазах», чтобы что-то запомнить. Онлайн-среда особенно подходит для визуальных/вербальных учащихся, потому что мы представляем большую часть информации для курса в письменной форме.

    Визуальные/невербальные учащиеся:

    Эти люди лучше всего учатся, когда информация представлена ​​визуально, в виде изображения или рисунка. В классе они получают пользу от инструкторов, которые дополняют свои лекции такими материалами, как фильмы, видео, карты и диаграммы. Они хорошо соотносятся с информацией, полученной из изображений и диаграмм в учебниках. Они, как правило, предпочитают работать в одиночестве в тихой обстановке.Они визуализируют образ чего-либо в своем уме, пытаясь вспомнить это. Эти учащиеся также могут быть артистичными и наслаждаться изобразительным искусством и дизайном. Онлайн-среда хорошо подходит для этого типа учащихся, поскольку графическое представление информации может помочь им запомнить концепции и идеи. Графическая информация включает диаграммы, таблицы, графики и изображения.

    Аудиальные/вербальные учащиеся:

    Эти люди лучше всего учатся, когда информация представлена ​​на слух. В классе им полезно слушать лекции и участвовать в групповых дискуссиях. Им также полезно слушать аудиозаписи. Пытаясь что-то запомнить, они часто повторяют это вслух и могут мысленно «слышать» то, как им объясняли информацию. Они лучше всего учатся, взаимодействуя с другими в процессе слушания/разговора. Среда онлайн-обучения может дополнить стиль этих учащихся. Хотя большая часть информации представлена ​​визуально (письменно или графически), групповое участие и совместная деятельность хорошо осуществляются онлайн. Кроме того, в онлайн-курс можно включить потоковое аудио и синхронную веб-конференцию.

    Тактильные/кинестетические учащиеся:

    Эти люди лучше всего учатся, когда занимаются физическими упражнениями. В классе они предпочитают изучать новые материалы в лабораторных условиях, где они могут трогать и перемещать материалы. Они лучше всего учатся в физически активных учебных ситуациях. Они получают пользу от инструкторов, которые используют демонстрации в классе, практический опыт обучения и полевые работы вне класса. Онлайн-среда может предоставить возможности обучения тактильным/кинестетически учащимся. Симуляции с трехмерной графикой могут воспроизводить физические демонстрации. Проводите лабораторные занятия в кампусе или дома у студентов, а затем обсуждайте их в Интернете. Включите полевые исследования в курсовые работы, организовав обширное онлайн-обсуждение как до, так и после опыта. Наконец, онлайн-среда хорошо подходит для презентации и обсуждения как групповых, так и индивидуальных проектов и мероприятий.

    Обучающие последствия

    Каковы последствия этих «предпочтительных стилей обучения»? Короче говоря, это может быть полезно для самопознания, но исследований, подтверждающих «гипотезу соответствия» о том, что инструкции подстраиваются под индивидуальный стиль, практически нет. имеет какой-либо значимый эффект. См. эту статью для более подробного обсуждения.

    Растущий спрос на дистанционное образование, электронное обучение, онлайн-обучение и другие цифровые сферы (например, развлечения) привел к чрезмерному объему электронного контента. Учебные объекты (LO) являются одними из наиболее важных компонентов электронного контента (e-content) и сохраняются в репозиториях учебных объектов (LOR). LOR производят различные типы электронного контента. При создании электронного контента используются несколько методов визуализации, чтобы привлечь пользователей и обеспечить лучшее понимание предоставленной информации. Многие из этих систем визуализации сопоставляют изображения с соответствующим текстом, используя такие методы, как семантическая сеть, онтологии, обработка естественного языка, статистические методы, нейронные сети и глубокие нейронные сети. В отличие от этих методов, в этом исследовании автоматическая и интеллектуальная система визуализации контента разработана с использованием глубокого обучения и популярных методов искусственного интеллекта. Предлагаемая система включает в себя подсистемы, которые сегментируют изображения на экземпляры паноптических изображений и используют эти экземпляры изображений для создания новых изображений с использованием генетического алгоритма, метода, основанного на эволюции, который является одним из самых известных методов искусственного интеллекта. Эта крупномасштабная предлагаемая система использовалась для тестирования различного количества LO для различных областей науки. Результаты показывают, что разработанную систему можно эффективно использовать для создания визуально улучшенного контента для цифрового использования.

    Введение

    Дистанционное обучение предоставляет учащимся возможность тренироваться индивидуально в гибкой среде [1]. Когда существуют препятствия для традиционного образования, такие как пандемия Covid-19, использование дистанционного образования увеличивается, а образовательные данные растут в геометрической прогрессии [2, 3]. Более того, несколько исследований продемонстрировали важность и популярность дистанционного образования [4]. Электронное обучение, онлайн-обучение и онлайн-обучение являются некоторыми примерами применения дистанционного обучения [5]. Эти системы содержат огромное количество неструктурированного контента [6]. Учитывая растущий спрос на эти виды образовательной деятельности [7], возникла проблема потребности в квалифицированном электронном контенте [8]. Эти образовательные системы содержат огромное количество электронного контента, содержащего открытый текст, изображения и видео. В частности, электронный контент создается с помощью учебных объектов (LO) [9]: контента, образовательных и информационных объектов и многоразовых учебных ресурсов [10]. ЛО могут содержать изображения, текст, видео, звук, анимацию, моделирование, графики и таблицы, имеющие образовательное значение [11].LO поддерживается стандартами IEEE LOM, IMS и DCMI, которые требуют определенных свойств, таких как доступность, интероперабельность, совместимость и возможность повторного использования [12]. Чтобы соответствовать этим критериям, LO объединяются с описательной информацией, называемой метаданными [13]. LO и метаданные их идентификаторов хранятся в репозиториях обучающих объектов (LOR) [14]. Благодаря LOR, LO можно многократно использовать, совместно использовать и взаимодействовать с другими системами, а также читать их компьютерами [10]. Создание высококачественного электронного контента обычно требует много времени и финансовых ресурсов, но такой контент можно легко и быстро создавать с помощью LO из LOR. ЛО можно сегментировать на более мелкие объекты, которые, в свою очередь, можно комбинировать для создания различных крупномасштабных ЛО [15]. Во время этого процесса можно визуализировать текстовый контент [16]. Визуализация содержания обучения важна, потому что она упрощает темы и улучшает понимание информации учащимися [17]. В настоящее время системы визуализации необходимы, поскольку они помогают разъяснять смысл для пользователей с ограниченными возможностями обучения [18]. Изображения, видео, анимация и симуляции — это некоторые методы визуализации, используемые для привлечения пользователей, улучшения концентрации и осмысления данной информации в контенте [19, 20]. Более того, визуализация помогает обеспечить сохранение информации в долговременной памяти учащегося [21, 22]. Исследования показывают, что у людей может быть более высокая скорость запоминания, когда они подвергаются визуализированному тексту, чем когда они этого не делают [23, 24]. Еще одним важным эффектом визуализации является то, что она улучшает удержание пользователей в отношении цвета, размера, формы, ориентации, положения, организации и отношений в дизайне контента [25]. Более того, визуализацию можно использовать не только в образовании, но и в повседневной жизни, например, в бизнесе, развлечениях и других цифровых контекстах [26, 27].

    В настоящее время цифровые документы широко используются в образовательных целях, а также широко используются во всех аспектах нашей повседневной жизни. Таким образом, цифровизация создала потребность в интерактивных и эффективных методах визуализации текста. В нескольких исследованиях тексты на естественном языке автоматически преобразовывались в изображения, которые представляют смысл соответствующих текстов [28]. Ван Вирст и др. [29] разработали BolVis, чтобы помочь исследователям в области философии, которая во многом зависит от множества прочитанных текстов. Исследователи могут фильтровать, сравнивать и исследовать значения наиболее релевантной части крупномасштабных текстов для чтения. В другом исследовании было разработано программное обеспечение Text Variation Explorer для эффективной визуализации изменений в социолингвистических исследованиях и предоставления общей структуры для использования в других лингвистических исследованиях [30]. Сингх и др. [31] объединили выбор отличительных признаков и анализ скрытых тем, чтобы визуализировать репрезентативные данные для крупномасштабного корпуса, полученного из материалов конференций, резюме фильмов и сообщений в группах новостей. Их вдохновило колесо эмоций для визуализации данных в виде цветка. В исследовании Sui [32] метод своевременной оценки тем использовался для отображения тенденций тем в тексте Twitter за исследуемый период времени. Еще одно применение визуализации текста — клинические исследования [33]. Документы пациентов представлены в неструктурированном текстовом формате, и, учитывая количество этих документов, клиницисты часто не могут справиться со всеми ими за короткое время. Таким образом, MedStory была разработана для обработки длинных текстов с помощью визуализации текста. Sprint — это система, разработанная Yamada et al. [34] для создания 3D-моделей из текстовых описаний сцены. Точно так же Джоши и соавт. [35] разработали движок сюжетных картинок для представления текста с некоторыми картинками. Михалча и др. [36] разработал аналогичную систему для создания изображений для автоматического представления простых предложений. В этой системе в качестве лексического источника используется структура WordNet. Уткус — еще одна система, основанная на онтологии русского языка, которая использовалась для создания репрезентативных изображений поведения объектов [37]. Буи и др. [38] разработали еще одну медицинскую систему преобразования текста в картинку для визуализации инструкций пациента. В аналогичном исследовании Ruan et al. [39] обобщили медицинские данные пациентов. Цзян и др. [40] разработали программное обеспечение для обмена мгновенными сообщениями для получения изображений запрашиваемых ключевых слов. Vishit — еще одно программное обеспечение, которое использовалось носителями индуистского языка для облегчения общения между разными культурами с помощью семантической визуализации преобразования текста в изображение [41]. Еще одним применением системы визуализации текста является трансляция новостей с усиленным представлением эмоций [42]. Хотя существует множество систем преобразования текста в изображение, Хассани и Ли [43] предположили, что они не находятся на желаемом уровне. Они хотели создавать сцены, а не показывать репрезентативное изображение для данного текста. NALIG [44], WordsEye [45], VizStory [46] и мобильный визуализатор сцен на арабском языке [47] являются некоторыми примерами систем преобразования текста в сцену. Производство [48], картографирование [49] и образование [50] — вот некоторые из других областей применения систем визуализации текста.Эти исследования также могут быть использованы для образовательного электронного контента. Более того, есть исследования, более специфичные для образовательных целей. Например, Gunarathne et al. [51] разработали веб-систему визуализации LO, которая работает на хорошо известном MERLOT II LOR. В этой системе, когда пользователи выполняют поиск по ключевому слову, результаты визуализируются с использованием методов извлечения, преобразования и кластеризации данных. В другом исследовании инструмент DLNotes2, основанный на семантических сетях, был разработан для визуализации результатов учебной деятельности в электронных библиотеках [52]. В этих исследованиях для представления текста с изображениями использовались семантическая сеть, онтологии, обработка естественного языка, статистические методы, нейронные сети и глубокие нейронные сети.

    Целью этого исследования является предоставление альтернативного гибридного метода для автоматической и интеллектуальной системы визуализации электронного контента, который отличается от вышеупомянутых исследований. Предлагаемое исследование, использующее как сегментацию паноптических изображений, так и генетические алгоритмы, призвано внести свой вклад в соответствующую литературу. В этой системе сохраненные и вновь добавленные LO, содержащие открытый текст, визуализируются с помощью изображений с помощью интеллектуального и нового метода, сочетающего глубокое обучение и генетические алгоритмы. Используя паноптическую сегментацию изображений (PIS), обработку естественного языка (NLP), сверточные нейронные сети (CNN), сети долговременной кратковременной памяти (LSTM) и генетический алгоритм (GA), можно эффективно визуализировать и улучшать электронный контент. Генерация электронного контента требует больших затрат и может привести к проблемам, связанным с напрасной тратой времени. Использование экземпляров изображений с паноптической сегментацией для создания новых изображений с помощью GA обеспечивает возможность повторного использования. Важно отметить, что разработка гибридных систем, сочетающих глубокое обучение и ГА, обеспечивает эффективный и интересный взгляд на проблему визуализации изображений. Таким образом, образовательные преимущества электронного контента увеличиваются. Предлагаемая система содержит разные модули, использующие разные методы искусственного интеллекта, и отличается от других исследований своим модулем создания изображений на основе ГА. Предлагаемая система, основанная на нескольких подсистемах (модулях), проста в проектировании и предлагает альтернативный подход к проблеме визуализации контента.

    Учитывая общую тему исследования, некоторые заслуживающие внимания исследования из литературы следует кратко объяснить следующим образом. Паноптическая сегментация представляет собой комбинацию сегментации экземпляров и семантической сегментации. Его целью является обнаружение исчисляемых объектов переднего плана («предметов», например, автомобиля, животного, человека) и бесчисленных аморфных областей заднего плана («предметов», например, неба, травы) [53]. Многие исследования изучали задачу паноптической сегментации. Кириллов и др. [54] объединили Mask R-CNN (метод сегментации экземпляров) с сетью пирамид признаков (FPN) (метод семантической сегментации). Они начали с магистрали FPN, используемой для извлечения богатых многомасштабных функций. В Mask R-CNN они использовали региональную ветвь поверх FPN, например, сегментацию. Затем поверх того же FPN была добавлена ​​легкая ветвь плотного предсказания для семантической сегментации. Таким образом, Mask R-CNN, дополненный FPN, обеспечивает быструю и точную базовую линию как для экземплярной, так и для семантической сегментации в одной сети. В другом исследовании Cai et al. [55] разработали систему паноптической сегментации, основанную на внимании к областям сегментации. Они использовали функции изображения, основанные на форме областей сегментации, и генерировали подписи на основе функций, взвешенных по вниманию, для независимой обработки вещей и классов материалов. Аналогичное исследование, в котором сегментировались как вещи, так и вещи, создало полуконтролируемую паноптическую систему сегментации, которая использует смесь слабых и полностью помеченных аннотаций [56]. Унифицированная сеть, управляемая вниманием (AUNET), — это еще один подход к паноптической сегментации, в котором используется сеть предложений регионов (RPN) и внимание на уровне пикселей [57]. Для достижения более правильной сегментации в AUNET использовались модули внимания на уровне объектов и пикселей. Модуль внимания предложения (PAM) использовался для обнаружения объектов переднего плана, в то время как модуль внимания маски (MAM) использовался для фоновых объектов. Точность сегментации как вещей, так и вещей была значительно улучшена за счет использования различных модулей внимания. AUNET был протестирован на тестовых наборах данных Mscoco и Cityscapes, и результаты показали его эффективность. В исследовании De Geus et al. [58], метод одной сети использовался с моделью извлечения признаков ResNet-50 для паноптической сегментации. Они использовали Mask R-CNN и модуль объединения пирамид для создания областей для потенциальных объектов, чтобы предсказать правильные классы пикселей. Сеть с учетом окклюзии (OANET) была представлена ​​Liu et al. [59] как новый метод, использующий эвристический подход для объединения моделей экземплярной и семантической сегментации для преодоления проблемы перекрытия между объектами. Они также использовали модуль пространственного ранжирования для решения проблемы окклюзии между предсказанными экземплярами. Де Геус и др.[60] разработали сквозную сеть быстрой паноптической сегментации (FPSNET). FPSNET присваивает идентификатор экземпляра каждому пикселю, а не маскирует предсказания и классифицирует на основе правил. Скорость этого метода была эффективно проверена на наборах данных Cityscapes и Pascal Voc. Ocfusion — это еще одна система для решения проблем перекрывающихся областей объектов путем моделирования масок экземпляров с бинарными отношениями и их проверки с помощью отношений истинности, полученных из существующих эталонных наборов данных [61]. Мохан и Валада [62] разработали эффективную систему паноптической сегментации (EfficientPS) для автономных операций роботов. EfficientPS использовала двустороннюю FPN для паноптического слияния конкретного экземпляра задачи и модулей семантической сегментации без каких-либо параметров.

    НЛП — одно из популярных приложений искусственного интеллекта — представляет собой анализ, понимание и реконструкцию языка по определенным правилам [63]. Операции NLP в основном включают предварительную обработку текста, морфологический анализ, синтаксический анализ и семантический анализ [64]. Морфологический анализ включает в себя процессы нахождения корней путем выделения суффиксов слов. Таким образом, можно определить, какой частью речи является слово [65]. При синтаксическом анализе определяются цели использования слов в предложении, таких как подлежащее, дополнение и наречие. Использование этих слов в разных местах и ​​числах в предложениях может иметь разное значение. С другой стороны, семантический анализ исследует ассоциации отдельных слов с соответствующими объектами [65]. После этих операций выполняется нормализация текста. Для этого можно использовать инструменты NLP, такие как NLTK [66], для преобразования заглавных букв в строчные, преобразования чисел в текст, удаления знаков препинания и разметки, удаления пробелов, открытия сокращений и удаления ненужных слов [67].

    В компьютерных науках существует множество методов искусственного интеллекта для задач эволюционной оптимизации [68]. Стратегии эволюции, ГА и программирование — хорошо известные методы искусственного интеллекта, основанные на эволюции. ГА стремятся решать сложные и комплексные проблемы во многих предметных областях, используя определенные математические модели и функции. Они используют закодированные параметры для поиска и оптимизации решений связанной проблемы [69]. Использование ГА позволяет получить возможные решения проблемы в пространстве решений, не ограничиваясь локальным максимумом или минимумом. Если проблема трудна и сложна, а область решения очень велика, классический подход к поиску увеличивает время поиска за счет производительности. Фитнес-функция, отбор, репродукция и мутация являются основными процессами ГА. ГА ищет наилучшие решения в заданной популяции для проблемной области, выполняя следующие основные шаги [70]: определение исходной популяции в пространстве решений, вычисление каждой хромосомы как кандидата решения с помощью функции пригодности, выбор наилучших хромосом в соответствии с функцию пригодности, кроссинговер и мутацию хромосом и (если найдено наилучшее решение или задано терминальное условие) остановку алгоритма.

    Алгоритмы глубокого обучения часто используются во многих областях, включая обработку изображений, классификацию и НЛП. Эти методы — так называемые сети глубокого обучения — отличаются от классических искусственных нейронных сетей несколькими способами, включая применение номеров слоев [71]. CNN — один из самых известных алгоритмов глубокого обучения. Хотя CNN является нейронной сетью с прямой связью, она также содержит сверточные, объединяющие и полностью связанные слои. CNN в основном используется для обработки изображений, чтобы уменьшить размер изображения, а также извлечь и классифицировать атрибуты изображения [72]. Еще одним часто используемым алгоритмом глубокого обучения являются рекуррентные нейронные сети (RNN). RNN связывают значение, рассчитанное в предыдущем выводе, с текущими входными значениями [73]. RNN могут обрабатывать входные последовательности произвольной длины и задачи временных рядов. На этапе обучения задач RNN с длинной последовательностью компонент вектора градиента может увеличиваться или уменьшаться [74]. Это может вызвать проблемы с исчезновением градиента, а также проблемы с обучением в отношении поиска правильных отношений в последовательностях модели RNN. Чтобы решить эту проблему, были разработаны сети LSTM — особая версия классической RNN.

    Остальная часть статьи структурирована следующим образом. Раздел 2 описывает методы, используемые в предлагаемой системе. Раздел 3 подробно описывает применение и оценку предлагаемого подхода к визуализации контента. В последнем разделе представлены выводы статьи.

    Материал и методы

    Методы этого исследования были выбраны на основе цели, мотивов, предыстории и исследовательской деятельности. В частности, для PIS использовалось глубокое обучение, а для создания изображений из сегментированных изображений использовался GA. На рис. 1 представлены этапы работы представленного подхода.Когда в LOR или других репозиториях контента много открытых текстовых LO, требуется визуализация контента, чтобы обеспечить наилучшее понимание данной информации. Предлагаемый метод состоит из множества подсистем (модулей). В нашем репозитории есть много видов LO, некоторые из которых основаны на открытом тексте, а некоторые содержат изображения. Как описано в литературе, LO могут быть разделены на более мелкие LO или наоборот. Экземпляры сегментированного изображения используются для составления изображений, представляющих соответствующий открытый текст в LO. Таким образом, LO можно визуализировать интеллектуальным и автоматическим методом.


    Термин "стиль обучения" широко используется в образовании. Эта популярная теория учит, что люди учатся лучше, когда их обучают таким образом, который соответствует их стилю обучения — будь то аудиальный, тактильный, визуальный или кинестетический. Согласно этой теории, аудиальный учащийся лучше всего учится, слушая контент, в то время как визуальный учащийся находит аудиальный контент менее полезным.

    Сегодня многие программы подготовки учителей включают теорию стилей обучения в свои учебные планы, чтобы научить учителей приспосабливаться к различным стилям обучения в своих классах. Однако недавние исследования показывают, что эта модель может оказаться не такой эффективной, как считалось ранее.

    Откуда появились стили обучения

    Концепция стилей обучения восходит к 334 году до н. э., когда Аристотель предположил, что "каждый ребенок обладает определенными талантами и навыками". После того, как Аристотель признал, что у детей есть эти различия, сформировалась концепция стилей обучения, и исследователи начали разрабатывать свои собственные теории.

    • Визуальное обучение (фильмы, изображения, графики)
    • Аудиалы (музыка, обсуждение, лекции)
    • Читать и писать (составлять списки, читать учебники, делать заметки)
    • Кинестетический ученик (эксперименты, практические занятия)

    Флеминг, как и некоторые другие теоретики стиля обучения, верил в важность того, чтобы люди знали и чувствовали себя комфортно с различными стилями обучения, особенно со своим собственным способом обучения, чтобы они могли понять, как они и другие учатся лучше всего.

    Как используются стили обучения?

    Модель стиля обучения глубоко укоренилась в мире образования, начиная с подготовки учителей. Фактически, более половины учителей в Соединенных Штатах должны изучать стили обучения для сдачи экзаменов на получение лицензии. Центры академической поддержки и ряд обучающих продуктов также ориентированы на стили обучения.

    По оценкам, 89 % учителей считают, что свой стиль преподавания следует адаптировать к предпочтительному стилю обучения учащегося, однако недавние исследования показывают, что все учащиеся могут извлечь пользу из обучения с использованием различных методов.

    Реальны ли стили обучения?

    Несмотря на то, что у людей могут формироваться предпочтения в обучении, существует мало научных данных, свидетельствующих о том, что адаптация уроков к определенному стилю обучения на самом деле приносит пользу учащимся. На самом деле, есть несколько исследований, которые противоречат теории стиля обучения.

    В исследовании, опубликованном в 2018 году в журнале Anatomical Sciences Education, исследователи обнаружили, что учащиеся не только учатся таким образом, который, казалось бы, не соответствует их стилю обучения, но и те, кто приспосабливает свое обучение к своему стилю, этого не делают. лучше в своих тестах.

    Могут ли стили обучения навредить росту учащихся?

    Предыдущее исследование показало, что модель стилей обучения может подорвать рост учащихся. Например, если учащиеся обозначены как ученики только одного типа, у них нет возможности укрепиться и вырасти в других стилях обучения. Они могут учиться только таким образом, который соответствует их предполагаемому стилю обучения, даже если это не поможет им добиться успеха. В некоторых случаях учащиеся могут даже избегать эффективных стратегий обучения, если считают, что им лучше подходит стиль обучения, который, по их мнению, не соответствует их собственному, даже если этот подход не соответствует задаче.

    Альтернативы стилям обучения

    Помимо теории стиля обучения, существует ряд научно обоснованных моделей обучения, которые могут использовать преподаватели. Ниже приведены некоторые из наиболее широко используемых:


    • Когнитивная теория обучения понимает, что на учащихся могут влиять как внутренние, так и внешние элементы. И когда учащиеся поймут, как их мышление влияет на их обучение и поведение, они смогут больше контролировать это.
    • Теория обучения бихевиоризму — это идея о том, что поведение учащегося зависит от его взаимодействия с окружающей средой.Это предполагает, что на поведение влияют внешние силы, а не внутренние силы. Положительное подкрепление — популярный элемент этой теории.
    • Конструктивистская теория обучения предполагает, что учителя действуют скорее как проводники, помогая учащимся создавать собственное обучение и понимание. Студенты берут то, чему их учат, и добавляют это к своим предыдущим знаниям и опыту, создавая уникальную для них реальность. Эта теория ориентируется на обучение как на активный процесс, который является личным и индивидуальным для каждого ученика.
    • Теория обучения гуманизму очень тесно связана с конструктивизмом. Он фокусируется на идее самореализации и на том, что среда обучения может либо двигаться в сторону удовлетворения потребностей, либо наоборот. Педагоги могут помочь удовлетворить эмоциональные и физические потребности учащихся, предоставив им безопасное и удобное место для обучения и поддержку, необходимую им для достижения успеха.
    • Теория обучения коннективизму – одна из новейших теорий обучения в сфере образования. Он фокусируется на идее о том, что учащиеся учатся и растут, когда они формируют связи, которые их волнуют. Это могут быть связи друг с другом учениками или группами сверстников, либо связи с увлечениями, целями и т. д.

    Исследования показывают, что в дополнение к реализации нескольких теорий обучения учителя могут принести пользу своим ученикам и повысить качество обучения, используя различные стратегии обучения, такие как:

    • Основание на предшествующих знаниях: исследования в области педагогической психологии показывают, что предварительные знания учащихся могут напрямую влиять на их обучение в классе.
    • Поощрение метапознания. Метапознание – это процесс "размышления о мышлении" или размышлений о личных привычках, знаниях и подходах к обучению.
    • Обучение в социальных сетях или групповая работа. Более чем столетие исследований в области когнитивных и педагогических наук подтверждают, что учащиеся получают значительные успехи в обучении, когда учителя создают социальную среду в классе.
    • Перенос знаний в новые контексты: это когнитивная практика, при которой овладение учащимся знаниями в одном контексте позволяет им применять эти знания в другом контексте.

    Понимание этих теорий и стратегий обучения может помочь преподавателям установить контакт с самыми разными учащимися. Применяя широкий подход к методам обучения, преподаватели могут помочь своим ученикам развить навыки во всех областях обучения, что сделает их более разносторонними учениками.

    Продолжение обучения в сфере образования

    Образование постоянно меняется. По мере того, как мы получаем больше информации о методах обучения, теории развиваются и появляются новые. Нынешние и начинающие учителя должны быть обучены, чтобы быть готовыми к ежедневному обучению студентов, и важная часть педагогического образования заключается в том, чтобы оставаться в курсе этих изменений. Хотя модель стиля обучения по-прежнему важно знать, преподавателям еще важнее быть в курсе последних исследований, касающихся обучения и преподавания.

    Отличным местом для начала является получение всестороннего образования, в котором рассказывается о различных методах обучения. Здесь, в WGU, мы стремимся помочь нынешним и начинающим учителям учиться и расти, чтобы они могли использовать самые лучшие знания и навыки в своих классах. Если вы планируете стать учителем, WGU может помочь вам достичь своей цели удобным для вас способом. Узнайте больше о степенях бакалавра в области образования и о том, почему WGU идеально подходит для достижения ваших карьерных целей.

    Преподавание и образование

    Обзор равенства в образовании

    Читайте дальше, чтобы узнать больше о равенстве в образовании и о том, как учителя могут использовать его для поддержки учащихся любого типа.

    Преподавание и образование

    Почему учебная программа STEAM — это новая программа STEM.

    Включение архитектуры в STEM может объединить науку с искусством и создать новые возможности для студентов.

    Преподавание и образование

    Теория экспериментального обучения.

    Узнайте больше о теории эмпирического обучения и узнайте, как учителя могут использовать ее в своих классах.

    Исследователи изучили преимущества и области применения виртуальной реальности (VR) в различных сценариях. VR обладает большим потенциалом, и в последнее время его применение в образовании вызвало большой интерес исследователей. Однако в настоящее время существует мало систематической работы о том, как исследователи применяли иммерсивную виртуальную реальность для целей высшего образования, которая учитывает использование как высококачественных, так и бюджетных головных дисплеев (HMD). Следовательно, мы предлагаем использовать систематическое картирование для выявления элементов дизайна существующих исследований, посвященных применению виртуальной реальности в высшем образовании. Рецензируемые статьи были получены путем извлечения ключевой информации из документов, проиндексированных в четырех научных электронных библиотеках, которые были систематически отфильтрованы с использованием методов исключения, включения, полуавтоматического и ручного методов.В нашем обзоре подчеркиваются три ключевых момента: текущая структура предметной области с точки зрения содержания обучения, элементы дизайна виртуальной реальности и теории обучения как основа успешного обучения на основе виртуальной реальности. Сопоставление проводилось между предметными областями и содержанием обучения, а также между элементами дизайна и содержанием обучения. Наш анализ выявил несколько пробелов в применении VR в сфере высшего образования — например, теории обучения не часто учитывались при разработке приложений VR, чтобы помочь и направить к результатам обучения. Кроме того, оценка образовательных приложений виртуальной реальности в основном была сосредоточена на удобстве использования приложений виртуальной реальности, а не на результатах обучения, а иммерсивная виртуальная реальность в основном была частью экспериментальной и опытно-конструкторской работы, а не регулярно применялась в реальном обучении. Тем не менее, виртуальная реальность кажется многообещающей сферой, поскольку в этом исследовании определены 18 областей применения, что свидетельствует о лучшем восприятии этой технологии во многих дисциплинах. Выявленные пробелы указывают на неисследованные области дизайна виртуальной реальности для образования, которые могут мотивировать будущую работу в этой области.

    Ключевые слова

    Рекомендуемые статьи

    Ссылки на статьи

    Показатели статей

    Авторское право © 2022 Elsevier B.V. или ее лицензиары или участники. ScienceDirect ® является зарегистрированным товарным знаком Elsevier B.V.

    Читайте также: