Эффективность использования нейроинтерфейсов в образовательном процессе для оптимизации когнитивной нагрузки студентов
Как цитировать
Аннотация
Современные образовательные технологии сталкиваются с проблемой управления когнитивной нагрузкой обучающихся, определяющей эффективность усвоения материала и развитие компетенций. Нейроинтерфейсы на основе электроэнцефалографии (ЭЭГ) представляют значительный потенциал для объективной оценки и динамической регуляции когнитивной нагрузки в режиме реального времени. Данное исследование направлено на установление эффективности использования ЭЭГ-нейроинтерфейсов для оптимизации когнитивной нагрузки студентов в образовательном процессе. Методология исследования основана на экспериментальном дизайне с применением неинвазивной 24- канальной ЭЭГ-системы для мониторинга нейрофизиологических показателей 128 студентов (19-25 лет) в процессе выполнения образовательных задач различной сложности с применением адаптивной системы обучения. Количественный анализ результатов демонстрирует значительное улучшение показателей запоминания (на 27,3%), концентрации внимания (на 31,6%) и скорости обработки информации (на 24,8%) в экспериментальной группе по сравнению с контрольной. Интеграция мультимодальных данных ЭЭГ с применением алгоритмов машинного обучения позволила достичь точности 87,5% в классификации уровней когнитивной нагрузки и автоматической адаптации образовательного контента. Результаты исследования подтверждают эффективность применения нейроинтерфейсов для персонализации образовательного процесса и раскрывают новые перспективы для разработки адаптивных обучающих систем, учитывающих индивидуальные нейрокогнитивные особенности студентов.
Ключевые слова
Библиографические ссылки
Abasolo D., Hornero R., Espino P., Poza J., Sanchez C.I., de la Rosa R. Analysis of regularity in the EEG background activity of Alzheimer's disease patients with approximate entropy. Clinical neurophysiology. 2005. Vol. 116(8). pp. 1826-1834.
Antonenko P., Davis R., Wang J., Celepkolu M. On the same wavelength: exploring EEG alpha oscillations as predictors of learning outcomes. British journal of educational technology. 2022. Vol. 53(1). pp. 86-107.
Antonenko P.D., Paas F., Grabner R., van Gog T. Using electroencephalography to measure cognitive load. Educational psychology review. 2010. Vol. 22. pp. 425-438.
Bigdely-Shamlo N., Mullen T., Kothe C., Su K.M., Robbins K.A. The PREP pipeline: standardized preprocessing for large-scale EEG analysis. Frontiers in neuroinformatics. 2015. Vol. 9. pp. 1-16.
Castro-Meneses L.J., Kruger J.-L., Doherty S. Validating theta power as an objective measure of cognitive load in educational video. Educational Technology Research and Development. 2020. Vol. 68. pp. 181-202.
Chen F., Zhou J., Wang Y., Yu K., Arshad S.Z., Khawaji A., Conway D. Robust multimodal cognitive load measurement. Cham: Springer International Publishing, 2016.
Craik A., He Y., Contreras-Vidal J.L. Deep learning for electroencephalogram (EEG) classification tasks: a review. Journal of neural engineering. 2019. Vol. 16(3). pp. 1-31.
Delavari N., Nainian M.R., Batooli Z., Goodarzi M.A., Talebi M. The role of neurofeedback in cognitive enhancement in students with learning disabilities. Applied neuropsychology: Child. 2023. Vol. 12(1). pp. 79-88.
Ding Y., Robinson N., Zhang S., Zeng Q., Guan C. TSception: Capturing temporal dynamics and spatial asymmetry from EEG for emotion recognition. IEEE Transactions on affective computing. 2022. Vol. 14(2). pp. 1020-1032.
Friedman N., Fekete T., Gal K., Shriki O. EEG-Based Prediction of Cognitive Load in Intelligence Tests. Frontiers in human neuroscience. 2019. Vol. 13. pp. 1-191.
Le Cunff A.L., Giampietro V., Dommett E. Neurodiversity and cognitive load in online learning: a focus group study. PLoS One. 2024. Vol. 19. pp. e0301932.
Mastropietro A., Pirovano I., Marciano A., Porcelli S., Rizzo G. Reliability of mental workload index assessed by EEG with different electrode configurations and signal pre-processing pipelines. Sensors. 2023. Vol. 23(3). pp. 1-1367.
Paas F., van Merriënboer J.J.G. Cognitive-load theory: methods to manage working memory load in the learning of complex tasks. Current directions in psychological science. 2020. Vol. 29(4). pp. 394-398.
Parveen F., Bhavsar A. Attention based 1D-CNN for mental workload classification using EEG. Proceedings of the 16th Inter. conf. on PErvasive technologies related to assistive environments. 2023. pp. 739-745.
Seghier M.L., Fahim M.A., Habak C. Educational neuroscience: challenges and opportunities. Trends in neuroscience and education. 2019. Vol. 16. pp. 100-116.
Siddhad G., Gupta A., Dogra D.P., Roy P.P. Assessment of instantaneous cognitive load imposed by educational multimedia using electroencephalography signals. Frontiers in neuroscience. 2022. Vol. 16. pp. 737-744.
So W.K.Y., Wong S.W.H., Mak J.N., Chan R.H.M. An evaluation of mental workload with frontal EEG. PLoS One. 2017. Vol. 12(4). pp. e174-949.
Sweller J. Cognitive load theory, educational research, and instructional design: some food for thought. Instructional science. 2010. Vol. 38(2). pp. 105-134.
Sweller J., van Merriënboer J.J.G., Paas F. Cognitive architecture and instructional design: 20 years later. Educational psychology review. 2019. Vol. 31. pp. 261-292.
Taheri Gorji H., Wilson N., VanBree J., Hoffmann B., Petros T., Tavakolian K. Using machine learning methods and EEG to discriminate aircraft pilot cognitive workload during flight. Scientific reports. 2023. Vol. 13. pp. 1-2507.
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. Vol. 60(4). pp. 477-492.
Загрузки
Опубликован
Выпуск
Раздел
Метрики
Лицензия
Copyright (c) 2025 Управление образованием: теория и практика
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.