Preview

Информатика и образование

Расширенный поиск

Нейротехнологии и искусственный интеллект как ключевые факторы кастомизации жизненно-образовательного маршрута

https://doi.org/10.32517/0234-0453-2023-38-3-5-15

Аннотация

В настоящее время наблюдается активное развитие технологий искусственного интеллекта (ИИ) и быстрый рост числа сфер его применения. Не является исключением и сектор образования, который в перспективе может быть существенно трансформирован за счет применения ИИ, например, в части развития подходов к кастомизации образовательного маршрута. Одновременно активное развитие технологий нейровизуализации, а также прогресс в нейронауке и нейротехнологиях позволяют обеспечить алгоритмы ИИ важными данными о работе головного мозга обучающегося.
В статье рассматриваются вопросы кастомизации жизненно-образовательного маршрута (КЖОМ) с использованием указанных ассистирующих технологий: нейротехнологий и искусственного интеллекта. Сформулирован основной принцип функционирования предлагаемой системы КЖОМ: на основании анализа регистрируемых мультимодальных данных об обучающемся алгоритмы на базе ИИ предлагают действия для реализации обратной связи, которая обеспечит повышение эффективности и кастомизацию образовательного процесса.
Авторы предлагают модульный принцип построения системы КЖОМ и, кроме того, описывают те методы ИИ, которые могут найти применение в качестве ядра интеллектуальной подсистемы КЖОМ. В заключение представлены различные стратегии применения предложенной системы КЖОМ, которые позволят реализовать на ее базе универсальную систему поддержки принятия образовательных решений.

Об авторах

А. А. Федоров
Балтийский федеральный университет имени Иммануила Канта
Россия

Федоров Александр Александрович, доктор филос. наук, профессор, ректор

Калининград



С. А. Куркин
Балтийский федеральный университет имени Иммануила Канта
Россия

Куркин Семен Андреевич, доктор физ.-мат. наук, доцент, ведущий научный сотрудник

Калининград



М. В. Храмова
Балтийский федеральный университет имени Иммануила Канта
Россия

Храмова Марина Викторовна, канд. пед. наук, директор Высшей школы образования и психологии, ОНК «Институт образования и гуманитарных наук»; старший научный сотрудник Балтийского центра нейротехнологий и искусственного интеллекта

Калининград



А. Е. Храмов
Балтийский федеральный университет имени Иммануила Канта
Россия

Храмов Александр Евгеньевич, доктор физ.-мат. наук, профессор, главный научный сотрудник

Калининград



Список литературы

1. Унт И. Э. Индивидуализация и дифференциация обучения. М.: Педагогика; 1990. 190 с. EDN: SUSDWD

2. Селевко Г. К. Современные образовательные технологии. М.: Народное образование; 1998. 256 с.

3. Другова Е. А., Журавлева И. И., Захарова У. С., Сотникова В. Е., Яковлева К. И. Искусственный интеллект для учебной аналитики и этапы педагогического проектирования: обзор решений. Вопросы образования. 2022;(4):107–153. EDN: BYFFFX. DOI: 10.17323/1814-9545-2022-4-107-153

4. Кушнир М. Э., Рабинович П. Д., Заведенский К. Е., Царьков И. С. Образовательный профиль студента как инструмент персональной образовательной логистики. Высшее образование в России. 2021;30(12):48–58. EDN: CGJRCF. DOI: 10.31992/0869-3617-2021-30-12-48-58

5. Комаров Р. В., Ковалева Т. М. Персонализация образовательного процесса: 3D-пространство интерпретаций. Вестник Московского городского педагогического университета. Серия: Педагогика и психология. 2021;(1(55)):8–21. EDN: TNSPKP. DOI: 10.25688/2076-9121.2021.55.1.01

6. Зеер Э. Ф., Крежевских О. В. Концептуально-теоретические основы персонализированного образования. Образование и наука. 2022;24(4):11–39. EDN: JXGKAX. DOI: 10.17853/1994-5639-2022-4-11-39

7. Fedorov A. A., Budarina A. O., Polupan K. L., Zhitinevich D. G. Digital reform of higher education: Implementation experience. Samara Journal of Science. 2022;11(2):325–331. EDN: DHVVWV. DOI: 10.55355/snv2022112311

8. Колесникова И. А. Непрерывное образование как феномен XXI века: новые ракурсы исследования. Непрерывное образование: XXI век. 2013;1(1):2–18. EDN: RXQXHD. DOI: 10.15393/j5.art.2013.1941

9. Григорьев С. Г. Искусственный интеллект в образовании. Физико-математическое образование: цели, достижения и перспективы: Материалы Международной научно-практической конференции. Минск: БГПУ; 2022:20–24. EDN GOKXAM.

10. Grigoriev S. G., Sabitov R. A., Smirnova G. S., Sabitov Sh. R. The concept of the formation and development of a digital intellectual ecosystem of blended university learning. Informatics and Education. 2020;(5):15–23. EDN: LMWOIT. DOI: 10.32517/0234-0453-2020-35-5-15-23

11. Peng Y., Zhang Y., Wang L. Artificial intelligence in biomedical engineering and informatics: An introduction and review. Artificial Intelligence in Medicine. 2010;48(2-3):71–73. DOI: 10.1016/j.artmed.2009.07.007

12. Ashby W. R. An introduction to cybernetics. London, UK, Chapman & Hall Ltd.; 1957. 296 p.

13. Thomas M. S. C., Ansari D., Knowland V. C. P. Annual research review: Educational neuroscience: Progress and prospects. Journal of Child Psychology and Psychiatry. 2019;60(4):477–492. DOI: 10.1111/jcpp.12973

14. Goswami U. Neuroscience and education: From research to practice? Nature Reviews Neuroscience. 2006;7(5):406–413. DOI: 10.1038/nrn1907

15. Bukina T. V., Khramova M. V., Kurkin S. A. Modern research on primary school children brain functioning in the learning process: Review. Izvestiya Vysshikh Uchebnykh Zavedeniy. Applied Nonlinear Dynamics. 2021;29(3):449–456. EDN: UATPQA. DOI: 10.18500/0869-6632-2021-29-3-449-456

16. Kurkin S. A., Grubov V. V., Maksimenko V. A., Pitsik E. N., Khramova M. V., Hramov A. E. System monitoring and adjusting the learning process of primary schoolchildren based on the EEG data analysis. Information and Control Systems. 2020;5(108):50–61. EDN: IYJJLE. DOI: 10.31799/1684-8853-2020-5-50-61

17. Andretta J. R., Worrell F. C., Mello Z. R. Predicting educational outcomes and psychological well-being in adolescents using time attitude profiles. Psychology in the Schools. 2014;51(5):434–451. DOI: 10.1002/pits.21762

18. Virtanen T. E., Vasalampi K., Torppa M., Lerkkanen M.-K., Nurmi J.-E. Changes in students’ psychological well-being during transition from primary school to lower secondary school: A person-centered approach. Learning and Individual Differences. 2019;69:138–149. DOI: 10.1016/j.lindif.2018.12.001

19. Donnelly J. E., Hillman C. H., Castelli D., Etnier J. L., Lee S., Tomporowski P., Lambourne K., Szabo-Reed A. N. Physical activity, fitness, cognitive function, and academic achievement in children: A systematic review. Medicine and Science in Sports and Exercise. 2016;48(6):1197–1222. DOI: 10.1249/MSS.0000000000000901

20. Decker S. L., Hale J. B., Flanagan D. P. Professional practice issues in the assessment of cognitive functioning for educational applications. Psychology in the Schools. 2013;50(3):300–313. DOI: 10.1002/pits.21675

21. Vernon P. A. Der Zahlen-Verbindungs-Test and other trail-making correlates of general intelligence. Personality and Individual Differences. 1993;14(1):35–40. DOI: 10.1016/0191-8869(93)90172-Y

22. Antonenko P. D., van Gog T., Paas F. Implications of neuroimaging for educational research. Handbook of Research on Educational Communications and Technology. Springer, New York, NY, 2014:51–63. DOI: 10.1007/978-1-4614-3185-5_5

23. Wu C. L., Lin T. J., Chiou G. L., Lee C. Y., Luan H., Tsai M. J., Potvin P., Tsai C. C. A systematic review of MRI neuroimaging for education research. Frontiers in Psychology. 2021;12:617599. DOI: 10.3389/fpsyg.2021.617599

24. Xu J., Zhong B. Review on portable EEG technology in educational research. Computers in Human Behavior. 2018;81:340–349. DOI: 10.1016/j.chb.2017.12.037

25. Hramov A. E., Maksimenko V. A., Pisarchik A. N. Physical principles of brain-computer interfaces and their applications for rehabilitation, robotics and control of human brain states. Physics Reports. 2021;918:1–133. DOI: 10.1016/j.physrep.2021.03.002

26. Ahmad P., Qamar S., Rizvi S. Q. A. Techniques of data mining in healthcare: A review. International Journal of Computer Applications. 2015;120(15):38–50. DOI: 10.5120/21307-4126

27. LeCun Y., Bengio Y., Hinton G. Deep learning. Nature. 2015;521(7553):436–444. DOI: 10.1038/nature14539

28. Alpaydin E. Introduction to machine learning. London, England, MIT press; 2020. 683 p.

29. Mayer-Schönberger V., Ingelsson E. Big Data and medicine: A big deal? Journal of Internal Medicine. 2018;283(5):418–429. DOI: 10.1111/joim.12721


Рецензия

Для цитирования:


Федоров А.А., Куркин С.А., Храмова М.В., Храмов А.Е. Нейротехнологии и искусственный интеллект как ключевые факторы кастомизации жизненно-образовательного маршрута. Информатика и образование. 2023;38(3):5-15. https://doi.org/10.32517/0234-0453-2023-38-3-5-15

For citation:


Fedorov A.A., Kurkin S.A., Khramova M.V., Hramov A.E. Neurotechnology and artificial intelligence as key factors in the customization of the lifelong learning route. Informatics and education. 2023;38(3):5-15. (In Russ.) https://doi.org/10.32517/0234-0453-2023-38-3-5-15

Просмотров: 952


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


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