Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: style uczenia się

Sortuj według:

Ogranicz wyniki do:

Active teaching and learning as a remedy for engineering education problems

Dębiec Piotr

Przegląd Elektrotechniczny

2019

R. 95, nr 11

1--4

On examples of teaching introductory courses on digital design, the article summarizes four years of the author’s experience in using active teaching and learning methods in engineering education. The results of a number of pedagogical experiments showed that: 1) active strategies lead to higher attendance in lectures and a noticeable improvement in student performance; 2) reducing course content and slide presentations in favor of more active teaching style is greatly welcomed by students and has positive influence on learning outcomes; 3) “Concept Inventories” standards allow for defining the minimum course content and identifying gaps in conceptual understanding; and 4) a significant improvement of learning outcomes can be obtained using dedicated video mini-lectures available to students online.

Na przykładzie dwóch przedmiotów podstawowych z dziedziny techniki cyfrowej artykuł podsumowuje cztery lata doświadczeń autora oraz stan obecnej wiedzy dotyczącej aktywnych metod nauczania inżynierskiego. Rezultaty przeprowadzonych eksperymentów wykazują, że: 1) strategie aktywne prowadzą do zwiększenia frekwencji wykładowej i polepszenia wyników egzaminacyjnych; 2) rezygnacja z prezentacji slajdów na rzecz form aktywnych spotyka się z bardzo dobrym przyjęciem studentów i wpływa korzystnie na osiągnięcie założonych efektów kształcenia; 3) wykorzystanie istniejących standardów „Concept Inventories” pozwala wykryć luki w zrozumieniu podstawowych koncepcji; 4) znaczną poprawę efektów uczenia się można uzyskać udostępniając studentom dedykowane przedmiotowi krótkie wykłady wideo.

Zastosowanie metod eksploracji danych do wspomagania przygotowania procesu dydaktycznego

Sidor K.

Zeszyty Naukowe Politechniki Rzeszowskiej. Elektrotechnika

2016

z. 35 [294], nr 1

27--38

Eksploracja danych dostarcza cennej wiedzy ukrytej w dużych zbiorach danych. Pozwala na odkrywanie zależności niewidocznych gołym okiem. Swoje zastosowanie może znaleźć także w edukacji podczas przygotowywania oferty dydaktycznej. Artykuł przedstawia zastosowanie algorytmów eksploracji danych w przygotowaniu procesu edukacyjnego. W rozważanym zakresie eksploracja danych służy do przekształcania surowych danych w wiedzę, która pozwala na poznanie preferencji studentów. Skupiono się na odkrywaniu grup studentów oraz tworzeniu ich modeli określających style uczenia się. W trakcie budowania grup zastosowano klasyfikację bez nadzoru m.in. metody k-średnich oraz EM. Grupy tworzone były z uwzględnieniem preferencji studentów dotyczących nauki. Pozwoliło to na uzyskanie grup zawierających studentów o podobnych stylach uczenia się. Do zweryfikowania poprawności klasyfikacji wykorzystane zostały indeksy walidacyjne, które pozwoliły na wybranie najbardziej efektywnego podziału studentów. Badania przeprowadzono na danych zebranych wśród studentów Politechniki Rzeszowskiej na podstawie ankiety zawierającej kwestionariusz ILS. Uzyskane podczas badań wyniki pozwoliły na określenie ile różnorodnych materiałów dydaktycznych należy przygotować, aby były dopasowane do preferencji studentów różnych grup. Poznanie stylów uczenia się studentów pozwala nauczycielowi na lepsze zrozumienie upodobań studentów, a samym uczniom na dopasowanie materiałów do własnego stylu uczenia, dzięki czemu łatwiej i szybciej przyswajają wiedzę.

Data mining provides valuable knowledge hidden in large data sets. It allows to explore depending invisible to the naked eye. It has been used in education while preparation educational offer. The article shows the application of data mining algorithms in the preparation of the educational process. In the considered range, data mining is used to transform raw data into knowledge, which allows to know the students' preferences. It has been focused on discovering groups of students and the development of models for the assessment of their learning styles. It has been applied unsupervised classification during process build groups. Groups have been created taking into account the preferences of students in science. It has been allowed get the groups consisting of students with similar learning styles. To verify the accuracy of the classification has been used indexes validation that allowed you to select the most efficient distribution of students. The study was conducted on data collected among students of Rzeszow University of Technology based on a survey questionnaire containing the ILS. Obtained during the studies results allowed to determine what materials teaching should be prepared to be tailored to the preferences of different groups of students. Understanding the learning styles of students allows teachers to better understand the preferences of students and the students to tailor materials to their own learning style, making it easier and faster to acquire knowledge.