emr Управление образованием: теория и практика Education Management Review 2311-2174 Индивидуальный предприниматель Подколзин М.М. 2185 ТЕХНОЛОГИЗАЦИЯ ПЕДАГОГИЧЕСКОГО ПРОЦЕССА Эффективность использования нейроинтерфейсов в образовательном процессе для оптимизации когнитивной нагрузки студентов The effectiveness of using neural interfaces in the educational process to optimize the cognitive load of students Бабин Юрий Михайлович Babin Yuri M. urii-box@rambler.ru Академия государственной противопожарной службы МЧС России Academy of the State Fire Service of the Ministry of Emergency Situations of Russia 30 04 2025 15 4-1 63 76 18 09 2025 18 09 2025 Copyright (c) 2025 Управление образованием: теория и практика 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. Метаданные настоящей записи распространяются на условиях Creative Commons CC0 1.0 (передача в общественное достояние).

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.

Modern educational technologies face the problem of managing the cognitive load of students, which determines the effectiveness of learning material and the development of competencies. Neurointerfaces based on electroencephalography (EEG) represent a significant potential for objective assessment and dynamic regulation of cognitive load in real time. This study is aimed at establishing the effectiveness of using EEG neural interfaces to optimize the cognitive load of students in the educational process. The research methodology is based on an experimental design using a non-invasive 24-channel EEG system to monitor the neurophysiological parameters of 128 students (19-25 years old) while performing educational tasks of varying complexity using an adaptive learning system. Quantitative analysis of the results demonstrates a significant improvement in memorization (by 27,3%), concentration (by 31,6%) and information processing speed (by 24,8%) in the experimental group compared with the control group. The integration of multimodal EEG data using machine learning algorithms made it possible to achieve 87,5% accuracy in classifying cognitive load levels and automatically adapting educational content. The results of the study confirm the effectiveness of using neural interfaces to personalize the educational process and reveal new perspectives for the development of adaptive learning systems that take into account the individual neurocognitive characteristics of students.

 neurointerfaces electroencephalography cognitive load adaptive learning educational technologies machine learning neuroeducation нейроинтерфейсы электроэнцефалография когнитивная нагрузка адаптивное обучение образовательные технологии машинное обучение нейрообразование Исследование выполнено без внешнего финансирования. The study was conducted without external funding. metadata-license CC0 1.0

Список литературы 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.