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. НосоваРоссия
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
Россия
Белоусова Наталья Анатольевна, доктор биол. наук, доцент, декан факультета математики, физики, информатики
г. Челябинск
Ю. В. Корчемкина
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