Preview

Информатика и образование

Расширенный поиск

Разработка прикладной интеллектуальной системы на основе нейрофизиологических данных для поддержки принятия решений по организации образовательного процесса

https://doi.org/10.32517/0234-0453-2023-38-2-16-25

Аннотация

В современной науке одной из актуальных проблем является поиск путей повышения эффективности обучения. Исследование нейрофизиологических закономерностей в формировании индивидуальных вариаций когнитивной активности обучающихся на различных этапах онтогенеза — важное условие для создания инновационных технологий повышения качества образовательного процесса. В статье представлена разработка прикладной интеллектуальной системы, позволяющей с помощью технологий нейронаук выявлять индивидуальные различия в когнитивной активности студентов и школьников и учитывать эти различия в образовательном процессе.

Использование различных методов и приемов обучения во многом обусловлено индивидуально-типологическими особенностями, которые можно анализировать, используя нейробиологические показатели. Экспресс-анализ индивидуального нейрофизиологического профиля характеризует поведенческие аспекты когнитивной деятельности. С помощью интеллектуальной системы проводится обработка комплекса нейрофизиологических показателей групп обучающихся с целью выявления того, как условия обучения влияют на данные показатели. На основе наборов данных, полученных в ходе испытаний, система распределяет обучающихся по парам, группам или проектным командам и рекомендует учебные задания в зависимости от нейрофизиологических профилей обучающихся.

При разработке системы учитываются такие принципы развития и использования искусственного интеллекта, как прозрачность выбора программой процесса формирования пар и групп обучающихся и критериев подбора заданий, поэтому используется так называемый слабый искусственный интеллект, машинное обучение с учителем.

Об авторах

Л. С. Носова
Южно-Уральский государственный гуманитарно-педагогический университет
Россия

Носова Людмила Сергеевна, канд. пед. наук, доцент, зам. декана по учебной работе, доцент кафедры  информатики, информационных технологий и  методики обучения информатике, факультет  математики, физики, информатики 

г. Челябинск



Н. А. Белоусова
Южно-Уральский государственный гуманитарно-педагогический университет
Россия

Белоусова Наталья Анатольевна, доктор биол. наук, доцент, декан факультета математики, физики, информатики

г. Челябинск



Ю. В. Корчемкина
Южно-Уральский государственный гуманитарно-педагогический университет
Россия

Корчемкина Юлия Валерьевна, старший преподаватель кафедры информатики, информационных технологий и методики обучения информатике, факультет математики, физики, информатики

г. Челябинск



Список литературы

1. Пройдаков Э. М. Современное состояние искусственного интеллекта. Науковедческие исследования. 2018:(1)129–153. EDN: YQTRVJ. DOI: 10.31249/scis/2018.00.09

2. Lindner K.-T., Alnahdi G. H., Wahl S., Schwab S. Perceived differentiation and personalization teaching approaches in inclusive classrooms: Perspectives of students and teachers. Frontiers in Education. 2019;4:58. DOI: 10.3389/feduc.2019.00058

3. Salas-Pilco S. Z., Yang Y. Artificial intelligence applications in Latin American higher education: A systematic review. International Journal of Educational Technology in Higher Education. 2022;19:21. DOI: 10.1186/s41239-022-00326-w

4. Shang H., Sivaparthipan C. B., Thanjaivadivel M. Interactive teaching using human-machine interaction for higher education systems. Computers and Electrical Engineering. 2022;100:107811. DOI: 10.1016/j.compeleceng.2022.107811

5. Hamim T., Benabbou F., Sael N. Student profile modeling using boosting algorithms. International Journal of WebBased Learning and Teaching Technologies. 2022;17(5):1–13. DOI: 10.4018/IJWLTT.20220901.oa4

6. Wang P., Li L., Wang R., Xie Y., Zhang J. Complexitybased attentive interactive student performance prediction for personalized course study planning. Education and Information Technologies. 2022;27(4):5471–5493. DOI: 10.1007/s10639-021-10842-3

7. Zhang Z. Application of digital intelligent communication technology in contemporary comparative education methodology. Alexandria Engineering Journal. 2022;61(6):4647–4657. DOI: 10.1016/j.aej.2021.10.019

8. Yağci M. Educational data mining: Prediction of students’ academic performance using machine learning algorithms. Smart Learning Environments. 2022;9:11. DOI: 10.1186/s40561-022-00192-z

9. Амиров Р. А., Билалова У. М. Перспективы внедрения технологий искусственного интеллекта в сфере высшего образования. Управленческое консультирование. 2020;(3(135)):80–88. EDN: XKTQTC. DOI: 10.22394/17261139-2020-3-80-88

10. Титов В. А. Искусственный интеллект в образовании. Приоритетные направления развития науки и образования. Сборник статей XIII Международной научно-практической конференции. Пенза: Наука и просвещение (ИП Гуляев Г. Ю.); 2020:40–43. EDN: VRBPEN

11. Измайлова М. А. Возможности и угрозы искусственного интеллекта в образовании. Психология обучения. 2020;(3):84–94. EDN: FBLYFF

12. Карпухин С. В. Актуальные проблемы использования искусственного интеллекта в образовании. Вестник Национальной академии туризма. 2019;(2(50)):40–41. EDN: FBZDLK

13. Торосян Р. А. Искусственный интеллект в сфере образования: положительные и отрицательные стороны. Проблемы и вызовы цифрового общества: тенденции развития правового регулирования цифровых трансформаций. Сборник научных трудов по материалам I Международной научно-практической конференции. Саратов: Саратовская государственная юридическая академия; 2019:65–67. EDN: FVBZHZ

14. Батаев А. В., Батаева К. И. Технологии искусственного интеллекта в высших учебных заведениях: модель адаптивного обучения. Планирование и обеспечение подготовки кадров для промышленно-экономического комплекса региона. Сборник докладов XVIII Всероссийской научно-практической конференции. 2019;1:30–34. EDN: MOOUEA

15. Lester B., Al-Rfou R., Constant N. The power of scale for parameter efficient prompt tuning. Proc. EMNLP 2021 Conf. on Empirical Methods in Natural Language Processing. 2021:3045–3059. EDN: IQDBST. DOI: 10.48550/arXiv.2104.08691

16. Мантрова И. H. Методическое руководство по психофизиологической и психологической диагностике. Иваново: ООО «Нейрософт»; 2007. 216 с. Режим доступа: https://kognoreg.files.wordpress.com/2015/03/psyhotest2.pdf

17. Мороз М. П. Экспресс-диагностика работоспособности и функционального состояния человека. Рекомендации по допуску к работе: методическое руководство. СПб.: ИМАТОН, 2007. 40 с.

18. Belousova N., Shefer O., Semenova M., Maltsev V., Lebedeva T., Korchemkina Yu. Neurodynamic predictors the effectiveness of cognitive activity of students ensuring healthy lifestyle. International Journal of Health Sciences. 2021;5(3):531–541. DOI: 10.53730/ijhs.v5n3.2270


Рецензия

Для цитирования:


Носова Л.С., Белоусова Н.А., Корчемкина Ю.В. Разработка прикладной интеллектуальной системы на основе нейрофизиологических данных для поддержки принятия решений по организации образовательного процесса. Информатика и образование. 2023;38(2):16-25. https://doi.org/10.32517/0234-0453-2023-38-2-16-25

For citation:


Nosova L.S., Belousova N.A., Korchemkina Yu.V. Development of an applied intelligent system based on neurophysiological data to support decision-making on the organization of the educational process. Informatics and education. 2023;38(2):16-25. (In Russ.) https://doi.org/10.32517/0234-0453-2023-38-2-16-25

Просмотров: 259


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 0234-0453 (Print)
ISSN 2658-7769 (Online)