Адаптивная выдача учебно-методических материалов на основе моделей нейролингвистического программирования по результатам оценки позы учащегося за компьютером или в аудитории средствами машинного обучения
(Стр. 81-88)

В статье исследуется использование нейролингвистического программирования (НЛП) и методов машинного обучения для адаптивного предоставления учебно-методических материалов с учетом индивидуальных особенностей восприятия студентов. Основная цель работы – создание и оптимизация индивидуальных образовательных траекторий на основе анализа позы и поведения учащихся при взаимодействии с учебными материалами. В статье рассматриваются три основных типа восприятия – визуальный, аудиальный и кинестетический – и предлагаются методы адаптации учебного контента для каждого из них. Для определения типа восприятия используется анализ данных о положении головы, направлении взгляда, выражении лица и других физиологических параметрах, получаемых с помощью компьютерного зрения и нейронных сетей, таких как FSA-Net. Авторы предлагают алгоритмы для динамической калибровки и анализа позы студентов, которые могут быть применены как в индивидуальном, так и в групповом обучении. Рассматривается возможность использования этих алгоритмов в системах дистанционного обучения для повышения качества взаимодействия студентов с образовательной платформой и улучшения их образовательных результатов. Также обсуждается перспективы применения предложенных технологий для оценки вовлеченности студентов на лекциях и создания адаптивных траекторий обучения с учетом динамических характеристик, таких как эмоциональное состояние и степень умственных усилий, которые могут быть оценены с помощью анализа изменений зрачков.

ОБРАЗЕЦ ЦИТИРОВАНИЯ: Живетьев А.В., Белов М.А. Адаптивная выдача учебно-методических материалов на основе моделей нейролингвистического программирования по результатам оценки позы учащегося за компьютером или в аудитории средствами машинного обучения // Computational Nanotechnology. 2024. Т. 11. № 3. С. 81-88. DOI: 10.33693/2313-223X-2024-11-3-81-88. EDN: QIUKZS

Grishko S., Belov M., Cheremisina E., Sychev P. Model for creating an adaptive individual learning path for training digital transformation professionals and big data engineers using Virtual Computer Lab // Communications in Computer and Information Science. 2021. Vol. 1448 CCIS. Pp. 496–507.
Волков Н.Г. Нейролингвистическое программирование и основные концепции обучения в технологическом вузе и военно-учебном заведении // Вестник Казанского технологического университета. 2014. Т. 17. № 8. С. 315–322.
Qin H., Gong R., Liu X., Shen M. Forward and backward information retention for accurate binary neural networks. In: IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR): Proceedings. 2020. Pp. 2257–2265.
Белов М.А., Гришко С.И., Живетьев А.В. и др. Применение методов нечеткой логики для формирования адаптивной индивидуальной траектории обучения на основе динамического управления сложностью курса // Моделирование, оптимизация и информационные технологии. 2022. № 10 (4).
Kahneman D. et al. Pupillary, heart rate, and skin resistance changes during a mental task // Journal of Experimental Psychology. 1969. No. 79. Pp. 164–167.
Albiero V., Chen X., Yin X., Pang G. img2pose: Face alignment and detection via 6DoF, face pose estimation. In: IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR): Proceedings. 2021. Pp. 755–764.
Есин Р.В., Зыкова Т.В., Кустицкая Т.А., Кытманов А.А. Цифровая образовательная история как составляющая цифрового профиля обучающегося в условиях трансформации образования // Перспективы науки и образования. 2022. № 5 (59). С. 566–584.

методы адаптации образовательного процесса, современные образовательные технологии, инновации в образовании, нейролингвистическое программирование, определение позы, типы восприятия обучаемого, цифровой профиль, подбор заданий, индивидуальные образовательные траектории.