CC BY
15
УДК 159.9.07
Применение метода оценки различий кадров для определения вовлеченности студентов в процессе онлайн-обучения
Applying the frame-differencing method to determine student engagement in online learning
Насибуллов К.И., Болгарская исламская академия, rtkamil@bk.ru
Николаев К.С., Казанский (Приволжский) федеральный университет, konnikolaeff@yandex.ru
Nasibullov K., Bolgar Islamic Academy, rtkamil@bk.ru
Nikolaev K. , Kazan (Volga Region) Federal University, konnikolaeff@yandex.ru DOI: 10.51379/KPJ.2022.153.3.030
Исследование выполнено при финансовой поддержке РФФИ в рамках научного проекта «Психологическая модель вовлеченности субъектов учебной деятельности на основе нейросетевого анализа в цифровой образовательной среде», № 20-04-60201.
Ключевые слова: вовлеченность, анализ видео, CRQA, участники учебной деятельности, цифровая образовательная среда, синхронность
Key words: engagement, video analysis, CRQA, participants in learning activities, digital educational environment, synchronicity
Аннотация. Актуальность данной статьи определяется тем фактом, что из-за пандемии COVID-19 и введенных ограничительных мер в России в последние годы востребованность образовательных программ, предоставляемых в дистанционном виде, заметно выросла. В этих условиях у преподавателей вузов ввиду технических и технологических особенностей онлайн-коммуникации возникают трудности с оценкой степени вовлеченности как отдельных студентов, так и всей группы обучающихся. В статье предложен алгоритм оперативной оценки степени вовлеченности обучающихся на основе невербальных проявлений поведения. Вовлеченность рассматривается как феномен коммуникации, проявляющий себя в синхронизации поведения его участников. В статье представлены результаты анализа видеозаписей двух лекций с использованием метода оценки различий кадров (frame-differencing method) и математического метода выявления синхронности CRQA (Cross Recurrence Quantification Analysis), разработаны и описаны алгоритмы оценки индивидуальной и групповой вовлеченности студентов. Статья предназначена для широкого круга специалистов, заинтересованных в совершенствовании технологии онлайн-образования.
Abstract. The relevance of this article is determined by the fact that due to the COVID-19 pandemic and the restrictive measures introduced in Russia in recent years, the demand for educational programs provided remotely has increased noticeably. In these conditions, University-teachers, due to the technical and technological features of online communication, have difficulties assessing the degree of involvement of both individual students and the entire group of students. The article proposes an algorithm for fast assessment of the degree of students' involvement based on nonverbal manifestations of behavior. Involvement is considered as a communication phenomenon that manifests itself in the synchronization of the behavior of its participants. The article presents the results of the analysis of video recordings of two lectures using the frame-differentiating method and the mathematical method of detecting synchronicity called CRQA (Cross Recurrence Quantification Analysis). Algorithms for assessing individual and group students' involvement were developed and described. The article is intended for a wide range of specialists interested in improving the technology of online education.
Введение. Эпидемия COVГО-19
активизировала использование онлайн-технологий по всему миру. В настоящее время в высшем образовании России онлайн-обучение становится все более популярным. Технологическая база для внедрения онлайн-
обучения (Microsoft Teams, Zoom и др.) разработана, доступна и отличается высокой функциональностью. Важно учитывать, что применение этих инновационных технологий требует наличия соответствующих компетенций как у преподавателя, так и у студента. Результаты
социологических исследований И.А.
Алешковского [1;2] показывают, что массовый переход в формат онлайн-обучения весной 2020 г. стал большим стрессом для всех участников образовательного процесса. Более половины опрошенных преподавателей (57,9%) отметили проблемы с мотивацией и вовлечением студентов в учебный процесс. Вовлеченность является одной из важных психологических характеристик, обеспечивающих эффективность образовательного процесса в цифровой среде. Хотя понятие вовлеченности первоначально разрабатывалось в отношении к иным видам деятельности, например, к трудовой деятельности, в дальнейшем это понятие стало широко применяться в сфере образования; в настоящее время существует большое число трактовок данного понятия (см. Н.В. Киселева [3]; Н.Г. Малошонок [4]; Fredricks [5] и др.).
При исследовании феномена вовлеченности важное значение имеет выбор масштаба, использованный для оценки вовлеченности учащегося в процесс обучения. Чаще всего, как указывают исследователи (Н.В. Киселева [3], Н.Г. Малошонок [4], Ф. Ньюман [6] и др.), вовлеченность оценивается на длительных временных участках и с охватом многообразных видов учебной и внеучебной деятельности. Например, вовлеченность учащегося в активную жизнь студенческой группы, вуза в целом, начиная с посещения занятий, выполнения учебных заданий, и заканчивая внеучебной, научной и социальной активностью в рамках вуза. Такой подход к изучению вовлеченности обычно предполагает учет долговременных эффектов обучения, таких как формирование новых компетенций, происходящих личностных изменений. В то же время вне поля зрения остается вовлеченность при анализе коротких фрагментов учебной активности.
Между тем, краткосрочная динамическая оценка вовлеченности важна для обеспечения эффективности онлайн-обучения в течении одного занятия. Преподаватель может испытывать значительные трудности при оценке вовлеченности как отдельного студента, так и группы в целом. Так, преподаватель может не иметь необходимой информации о поведении учащихся из-за технических особенностей интернет-коммуникации, если учащиеся выключают камеру, или же камера охватывает только часть движений. Неадекватная оценка вовлеченности студентов может привести к неверному выбору тех или иных методов и технологий обучения, приводить к снижению его эффективности. Для получения оперативной
обратной связи преподавателем об уровне и качестве вовлеченности студента необходимо фиксировать его поведение в «микромасштабе» (на коротких промежутках от нескольких секунд до нескольких минут) и «минимасштабе» (на протяжении определенной части занятия).
Как указывает Н.В. Киселева [3], вовлеченность является многомерным теоретическим конструктом, включающим компоненты, связанные с различными аспектами личности. Н.Г. Малошонок [4], обобщив многочисленные исследования вовлеченности, предлагает выделять две группы методов по ее изучению: объективные методы (наблюдение и внешнее описание поведения учащегося) и субъективные методы (самооценка
вовлеченности, экспертные опросы, интервью). Субъективные методы позволяют получать глубокую и многостороннюю информацию о том, как сами обучающиеся воспринимают те или иные аспекты образовательного процесса. В то же время, они, как правило, не позволяют получать оперативной информации о вовлеченности. Объективные методы изучения вовлеченности нередко характеризуются как более трудоемкие, так как требуют описания многообразия человеческого поведения, его динамических изменений под влиянием ситуации и внутренних тенденций. Вместе с тем, современные методы компьютерного зрения позволяют
автоматизировать сбор и анализ подобной информации [7].
В ходе онлайн-обучения существуют значительные ограничения в фиксации вербального поведения учащихся, так как большинство способов организации занятий в вузе (семинар, лекция, коллоквиум) ограничивают вербальную активность студентов. Наиболее доступным для применения объективных методов исследования является невербальное поведение, связанное с движениями тела, попадающими в поле зрения камеры -изменениями позы, жестов, мимики. Наиболее значимой для оценки характеристикой вовлеченности является степень вовлеченности студента. Представленная в простой количественной форме, она позволяет преподавателю получить обобщенную (интегральную) информацию о его вовлеченности. Данное исследование имеет своей основной задачей разработку и описание алгоритма, позволяющего осуществлять оперативную оценку степени вовлеченности обучающихся (как отдельного студента, так и группы в целом) на основе невербальных проявлений поведения.
1. Материалы и методы исследования.
1.1. Вовлеченность как феномен, связанный с синхронизацией поведения в ходе коммуникации.
Поставленная исследовательская задача допускает использование различных
исследовательских подходов. В данной статье предлагается относительно новый взгляд на изучение вовлеченности в связи с феноменом синхронизации поведения людей,
осуществляющих коммуникацию. Исследователи отмечают наличие определенной временной и пространственной структуры в организации группового поведения у живых сообществ. Например, рыбы в косяках синхронизируют направление и скорость движения со своими соседями, а птицы, летящие группой, синхронизируют взлет и посадку. Подобная синхронизация отмечается и в групповом поведении людей. M. Louwerse, R. Dale, E. Bard, P. Jeuniaux [8] определяют синхронизацию как комбинированное пространственное и временное согласование поведения. Личное взаимодействие включает несколько каналов - язык, жесты и другие формы поведения. Как отмечают R. Dale, R. Fusaroli, N.D. Duran, D.C. Richardson, «снижение сложности в межличностных взаимодействиях достигается путем уменьшения диапазона возможных поведенческих проявлений через постепенную адаптацию друг к другу. Таким образом, становясь все более похожими, собеседники значительно упрощают
когнитивную нагрузку, необходимую для взаимодействия» [9, с.69].
Наиболее распространенные способы объяснения синхронности, возникающей в человеческом взаимодействии, используют понятия подражания (имитации) и координации. Подражание может быть описано как воспроизведение выбранных характеристик поведения другого человека с определенной временной задержкой. Примеры
бессознательного и непреднамеренного подражания можно видеть в случае зевающего человека, когда зевок распространяется по всем, находящимся в комнате. Подражание имеет социальные преимущества, по-видимому, вызывая бессознательное чувство симпатии. Понятие координации, как правило, относится к более сложной и осознаваемой деятельности. В случае координации имеет место соотнесение действий нескольких человек для достижения общей цели, которое не всегда заключается в уподоблении. Когда два человека поднимают ящик, разговаривают по телефону или проводят финансовые расчеты, они должны выполнять отличающиеся действия в соответствии с
определенными временными интервалами, иначе ящик упадет, разговор не удастся, и финансовая операция не завершится. Точно так же люди координируют повороты диалога в нужной последовательности, например, когда один задает вопрос, а другой отвечает на него [10]. В результате межличностное взаимодействие рядом авторов (Gottman, Swanson, & Swanson [11]; Steenbeek & van Geert [12]) было концептуализировано в качестве примера нелинейной динамической системы.
Мы предлагаем применить эти представления о синхронности для объяснения механизма вовлеченности в образовательном процессе. Учебное взаимодействие студента и преподавателя также является разновидностью социального взаимодействия, в котором могут проявляться синхронность, основанная как на подражании (например, ученика учителю), так и на координации (например, при выполнении кооперативных учебных заданий). Исследование Laftance M., Broadbent M. [13] показало, что взаимодействие приводит к конгруэнтности поз, которые принимают участники образовательного процесса.
Мы полагаем, что синхронность может быть маркером (индикатором) степени вовлеченности участников образовательного процесса, то есть высокая синхронность будет свидетельствовать о высокой степени вовлеченности, и наоборот, низкая синхронность - о невовлеченности или низкой вовлеченности. Достоинством данного подхода является возможность изучения вовлеченности на основе анализа не только речевых сигналов, но также исследуя внеречевые сигналы, которые посылает человеческое тело, такие как поза, жесты, ритм движения и т.п.
1.2. Процедура проведения исследования и сбора даннъа.
Сбор видеоданных происходил на двух дистанционных занятиях студентов-психологов Казанского федерального университета (22 марта и 5 апреля 2022 года). Занятия проходили в формате лекции по курсу «Клиническая психология», студенты находились в удобном для обучения месте (как правило, дома), а не в учебной аудитории университета. На каждом занятии в каждый момент времени велась запись с видеокамер персональных компьютеров от 4 до 9 студентов и преподавателя; изменения в количестве одновременных записей в основном были связаны с кратковременными перебоями интернет-соединения и другими техническими проблемами. Особенностью записи было то, что студенты могли видеть только преподавателя, но не могли видеть друг друга, так как была
отключена трансляция с видеокамер студентов на общий экран (при этом запись с камер студентов осуществлялась, данные направлялись в облачное хранилище). Преподаватель также не мог видеть студентов, на экран транслировалось только его собственное изображение, а также учебные материалы. Преподаватель почти не общался с конкретными студентами (за исключением моментов настройки оборудования), то есть вербальная коммуникация студентов с преподавателем была сильно ограничена, общение со студентами носило односторонний и монологичный характер. Студенты были оповещены о проводимом исследовании, его целях, было получено их согласие на участие.
Сбор видео осуществлялся с помощью связки из программ OBS Studio и Google Drive. OBS Studio — это свободно распространяемая программа для проведения записи или трансляции из различных источников. Google Drive использовался для автоматической загрузки записанных видео в облачное хранилище для дальнейшей обработки. Для обработки видеофайлов и сбора информации использовался язык программирования Python и набор библиотек для языка Python: opencv-python, scipy, numpy, matplotlib, flmpeg. Наиболее часто использовалась библиотека opencv-python, которая представляет из себя python-обертку для набора библиотек OpenCV, направленную на обработку изображений с помощью классических методов обработки изображений и предобученных нейросетей (например, распознавание лиц, объектов и т.д.).
При сборе видео возникли технические задачи, которые пришлось решать как на этапе записи, так и при обработке видео: потребовалась синхронизация видео разных участников занятия, решение проблемы «пустых» фрагментов, в ходе которых по тем или иным причинам не происходил «захват» видео (для решения этой задачи все полученные данные о количестве движения были подвергнуты процедуре
фильтрации и сглаживания по алгоритму LOWESS (Locally Weighted Scatterplot Smoothing)).
1.3. Метод анализа даннъа.
Как отмечают А. Пакстон и Р. Дейл [14], одним из доступных и широко распространенных методов автоматизированного анализа телесной синхронности в межличностном взаимодействии является метод оценки различий кадров (frame -differencing method). Часто используется другое название того же метода - метод анализа энергии движения (motion energy analysis - Grammer et al. [15]; Ramseyer & Tschacher [16]). Данный метод основан на оценке изменений в пикселях от одного кадра к другому. Данный метод основан на оценке изменения в пикселях от одного кадра к другому. Отдельные кадры цифровой записи состоят из массива пикселей (элементов изображения). В статичном кадре каждый пиксель имеет определенный цвет, который может меняться при переходе от одного кадра к другому. Важно, чтобы во время видеосъёмки камера и фон оставались статичными, не менялась освещенность. Таким образом, изменения пикселей от кадра к кадру, скорее всего, будут вызваны только движением собеседников. Метод оценки различий кадров, как правило, анализирует движение количественно, строго измеряя изменения в числе пикселей, хотя иногда используются экспертные оценки. Метод предназначен для минимизации затрат и максимально возможной автоматизации анализа данных движений тела, но он не лишен ограничений. Это в значительной степени обобщенная оценка движения, не всегда чувствительная к движению отдельных частей тела, а также направлению этих движений и скорости. Данный метод также недооценивает движение от камеры и к камере, и напротив, более чувствителен к боковому движению (из стороны в сторону). Пример изображения с количеством изменившихся пикселей, полученных с помощью метода оценки различий кадров представлен на рисунке 1.
Рисунок 1. -Пример кадра видео и информации о движении в нём
При онлайн-взаимодействии реакция на поведение другого участника образовательного процесса может быть отсроченной по причине того, что скорость передачи сигнала может меняться из-за характера интернет-соединения и из-за естественной задержки в реакции человека. Поэтому для оценки корреляции движений преподавателя и студента нами применялся математический метод количественного анализа перекрестной повторяемости (CRQA - Cross Recurrence Quantification Analysis) (Strang, Funke, Russell, Dukes, Middendorf) [17]. Метод определяет совпадающие данные в двух последовательностях чисел, с учетом также и тех случаев, когда данные смещены друг относительно друга в некотором временном окне. Этот метод анализа данных в настоящее время имеет несколько модификаций, в том числе адаптированных для изучения групповых процессов (Dindar, Alikhani, Malmberg, Järvelä, Seppänen) [18]. Метод количественно определяет, как часто две системы демонстрируют схожие паттерны изменения или движения (Fusaroli, Konvalinka, Wallot) [19]. Нами была вычислена степень корреляции между количеством движения на видеозаписях преподавателя и отдельных студентов, присутствовавших на занятии. CRQA возвращает набор выходных параметров, среди которых мы будем использовать Recurrence rate (RR) - процент сопряженных точек относительно всех данных.
Метод математического анализа CRQA чувствителен к входным параметрам модели, и для данных одного характера (например, движение глаз) не подойдут параметры, применимые к данным другого характера (движение всего тела). Для каждого типа данных необходимо подбирать оптимальные значения входных параметров. Для решения этой задачи применялся метод optimizeParam из пакета CRQA для языка программирования R. Он возвращает значения временного окна, радиуса и степени вложенности для набора данных.
2. Результаты исследования. Анализ синхронности на основе метода оценки различий кадров позволяет подойти к решению задачи создания алгоритма оперативной оценки вовлеченности студентов. Лекционные занятия в онлайн-формате, которые были
проанализированы, формально могут рассматриваться как групповые. Однако с точки зрения синхронизации движений взаимодействие, по существу, осуществлялось в диадах, т.е. в парах преподаватель-студент. Роли в этом взаимодействии были достаточно устойчивы: преподаватель излагал лекционный материал,
студент слушал, не задавая уточняющих вопросов, и не вступая в иную коммуникацию с преподавателем и другими студентами. Мы полагаем, что в основе синхронизации движений в парах может находиться механизм подражания студента движениям преподавателя (а не взаимной координации). Данные, полученные на основе метода CRQA, позволяют количественно оценить степень синхронизации. Ниже обсуждается проблема того, какой педагогический смысл имеют эти количественные значения для управления образовательным процессом, и предлагается два подхода к интерпретации полученных данных.
Оценка индивидуальной вовлеченности. Для преподавателя определение уровня
вовлеченности студентов во время проведения занятий имеет практическую ценность. Выявление студентов, которые менее всех вовлечены в образовательный процесс позволяет вмешаться в учебную деятельность данных студентов с целью активизации их учебной активности.
Данные, полученные на основе метода CRQA позволяют оценить попарную синхронность между преподавателем и студентом. Можно предположить, что студенты с наименьшим значением RR менее вовлечены, чем остальные студенты. Таким образом, инструментом для педагогической оценки вовлеченности может быть оперативно обновляемый рейтинг студентов с точки зрения синхронизации их движений с движениями преподавателя. На таблицах 1 и 2 представлены данные студентов в ходе двух лекций. Значение ID, приведенное в первой строке таблиц 1 и 2 обозначает уникальный номер студента в рамках исследования. Коэффициент RR вычислялся нами на 5 минутных отрезках, результаты на которых оказались наиболее показательными. Полученные данные коэффициента RR колебались в диапазоне от 0 до 9, где 0 - соответствовало уровню наименьшей синхронности движений, а 9 - наибольшей. Этот интервал значений не случаен, он определяется применением вспомогательной программы выбора диапазонов для CRQA (version 2.0.3) OptimizeParam на полученной выборке данных. Среднее значение коэффициента RR каждого студента, полученное по итогам всей лекции, показывает, что выявляются заметные лидеры рейтинга и аутсайдеры. Например, в Лекции №1 наибольшее значения у студента ID 41 (6,08), а наименьшие у студента ID 42 (3,83), а в лекции №2 наибольшие у студента ID 42 (6,17), наименьшие - у студента ID 46 (3,61). При этом, положение студентов в рейтинге заметно
меняется от интервала к интервалу, что может свидетельствовать об индивидуальных ритмах вовлеченности. Описанный здесь алгоритм вычисления индивидуального рейтинга вовлеченности достаточно прост. Аппаратные
возможности современных компьютеров позволяют предоставлять такую оценку преподавателю в оперативном режиме на протяжении коротких отрезков времени.
Таблица 1. -Показатели вовлеченности (ЯЯ) на 5-минутных интервалах на первом занятии
№ интервала ГО 11 ГО 21 ГО 39 ГО 40 ГО 41 ГО 42 ГО 55 ГО 59
1 8 4 7 7 3 6 7 6
2 3 7 7 4 8 6 6 8
3 9 3 8 1 2 4 1 7
4 4 3 3 3 7 7 3 6
5 7 9 9 5 5 2 1 4
6 2 5 4 2 3 8 7 3
7 3 4 3 3 7 2 6 3
8 2 8 2 8 8 1 6 8
9 2 7 7 1 8 2 2 6
10 5 7 3 2 7 3 9 2
11 5 1 7 4 8 1 6 5
12 8 2 3 9 7 4 4 1
Среднее значение ЯЯ за 4,83 5,00 5,25 4,08 6,08 3,83 4,83 4,92
занятие
Таблица 2. -Показатели вовлеченности (ЕЯ) на 5-минутных интервалах на втором занятии
№ интервала ГО 11 ГО 17 ГО 21 ГО 39 ГО 40 ГО 42 ГО 46 ГО 49 ГО 55
1 7 2 0 2 0 9 0 0 1
2 6 4 2 6 0 4 1 0 8
3 2 7 7 7 1 6 6 9 4
4 6 6 4 7 6 8 1 7 7
5 7 5 0 7 6 6 2 1 8
6 7 6 9 9 4 6 8 4 2
7 2 2 2 4 4 9 4 9 6
8 9 5 6 3 4 0 4 4 0
9 6 4 0 7 5 1 4 2 4
10 8 5 7 0 2 9 5 3 4
11 2 8 0 5 0 7 1 2 7
12 2 7 0 5 7 7 2 8 2
13 4 7 0 6 9 9 2 8 8
14 7 4 8 0 1 0 3 6 6
15 7 7 5 0 5 8 2 6 4
16 5 0 3 0 7 4 8 4 2
17 1 0 8 6 4 9 8 1 7
18 5 0 7 0 2 9 4 0 9
Среднее значение ЯЯ за 5,17 4,39 3,78 4,11 3,72 6,17 3,61 4,11 4,94
занятие
Оценка групповой вовлеченности. Оценка вовлеченности всей группы также является важной информацией для преподавателя, она свидетельствует об общей заинтересованности студентов в изучении ими учебного материала. Оперативно предоставленная, эта информация позволяет преподавателю своевременно скорректировать формы и методы
взаимодействия с аудиторией. Также она может быть индикатором, который показывает, какое влияние методы и формы педагогического воздействия оказывают на вовлеченность студентов. В нашем исследовании преподаватель в поведенческом смысле является наиболее активной единицей, он является управляющей частью динамической системы - студенческой
группы. Групповая вовлеченность в данном исследовании будет определяться как согласованность действий множества студентов в ответ на воздействие преподавателя. В основе этого воздействия могут лежать как невербальные механизмы подражания, так и механизмы вербального управления поведением, например, требование законспектировать определенную информацию, обратить внимание на изображение на экране и т.д. Мы полагаем, что в этих случаях вовлеченность студентов будет проявляться в синхронизации их телесной активности. Таким образом, в случае, если большая часть студентов вовлечена, мера активности будет примерно одинаковой, даже несмотря на то, что студенты
а)
не взаимодействуют друг с другом. Низкая вовлеченность массы студентов будет проявляться в двигательном «разнобое»: то есть разной, несогласованной двигательной активности. Для оценки групповой вовлеченности мы предлагаем использовать простой показатель - вычисление среднеквадратичного отклонения от среднего значения количества движения, полученного при помощи метода оценки различий кадров в определенный момент времени. На рисунке 2 представлены изменения среднеквадратичного отклонения на протяжении 1 и 2 лекции.
Ь)
Рисунок 2. -Изменения среднеквадратичного отклонения количества движения группы а) в ходе 1 занятия; Ь) в ходе 2 занятия
На график нанесена условная линия-ориентир, которая позволяет визуально соотнести между собой два графика. График первого занятия находится ниже линии-ориентира, а второго - выше ее. Таким образом, занятия существенно отличаются между собой - на первой лекции разброс значений количества движений существенно ниже, чем на второй, что говорит о сравнительно большей сопряженности/синхронности движений
студентов на первой лекции, что может свидетельствовать о большей заинтересованности студентов, их вовлеченности в ходе первой лекции, нежели чем во время второй. Также, очевидно, что на второй лекции разброс значений, их колебание заметно более амплитудное, что также может свидетельствовать о меньшей устойчивости интереса и внимания к материалу второй лекции. График первого занятия более компактный, он показывает большую синхронность и ритмичность движений
студентов группы. Оценка группой вовлеченности при помощи предложенного подхода также доступна с точки зрения вычислительных мощностей современных компьютеров и может быть предоставлена преподавателю прямо в ходе занятия.
Заключение. В статье описано применение одного из объективных методов оценки вовлеченности студентов (Н.Г.Малашонок [4]) при онлайн-обучении, описан принципиальный алгоритм осуществления такой оценки. Используемые методы (СRQA, метод оценки различий кадров) ранее уже прошли апробацию, и показали высокую эвристичность и результативность в оценке двигательной синхронности в диаде и группе. Вместе с тем, предлагаемый в работе алгоритм оценки вовлеченности не может считаться универсальным и заменить другие способы оценки, также субъективные методы оценки вовлеченности имеют самостоятельную ценность.
В настоящий момент предложенный алгоритм нуждается в дальнейшем совершенствовании. Сейчас можно наметить несколько направлений. Во-первых, накопление и систематизация больших массивов данных, что помогло бы точнее определить нормы значений синхронизации поведения на разных выборках обучающихся, а также при разных видах занятий и форм учебной активности. Сам метод в применении к образованию нуждается в дополнительной валидизации, что может быть достигнуто при соотнесении результатов с данными, полученными при помощи других
методов оценки вовлеченности. При выполнении вышеуказанных условий и достижении достаточного прогресса можно будет подойти к решению задачи практической реализации алгоритма, то есть к созданию специального программного обеспечения для осуществления оперативной оценки вовлеченности студентов во время занятия в формате онлайн. Мы предполагаем, что предложенный алгоритм будет успешен при соблюдении установленных рамок оценки вовлеченности (на малых масштабах, при оценке невербальных проявлений).
Литература:
1. Алешковский И.А. Высшая школа России: вынужденный дистант и плановый переход на удалённый формат в период пандемии (опыт социологического анализа) / И.А. Алешковский, А.Т. Гаспаришвили, О.В. Крухмалева, Н.П. Нарбут, Н.Е. Савина // Высшее образование в России. - 2021. - Т. 30. - № 5. - С. 120-137. DOI: 10.31992/0869-3617-2021-30-5120-137.
2. Алешковский И.А. Студенты России об обучении в период пандемии covid-19: ресурсы, возможности и оценка учебы в удаленном режиме / И.А. Алешковский, А.Т. Гаспаришвили, О.В. Крухмалева, Н.П. Нарбут, Н.Е. Савина // Вестник Российского университета дружбы народов. Серия: Социология. - 2021. - Т. 21. - №2. - C. 211-224.
3. Киселева Н.В. Вовлеченность обучающихся в непрерывное образование на разных этапах образовательного процесса / Н.В. Киселева // Психология и Психотехника. - 2017. - № 4. - С. 74-81. DOI: 10.7256/2454-0722.2017.4.24659.
4. Малошонок Н.Г. К вопросу об измерении студенческой вовлеченности. Основные методы и их ограничения / Н.Г. Малошонок // Социология 4М. -2013. - № 36. - С. 177-199.
5. Fredricks J.A. School Engagement: Potential of the Concept, State of the Evidence / J.A. Fredricks, P.C. Blumenfeld, A.H. Paris // Rev. Educ. Res. - 2004. - Vol. 74. - № 1. - P. 59-109.
6. Newmann F. Student Engagement and Achievement in American Secondary Schools / F. Newmann // Teachers College Press. - 1993. - Vol. 30. - №7.
7. Ramseyer F.T. Motion energy analysis (MEA): A primer on the assessment of motion from video / F.T. Ramseyer // J. Couns. Psychol. - 2020. - Vol. 67. - № 4. -P. 536-549.
8. Louwerse M.M. Behavior Matching in Multimodal Communication Is Synchronized / M.M. Louwerse, R. Dale, E.G. Bard, P. Jeuniaux // Cognitive science. - 2012. - Vol. 36, № 8. P. 1404-1426.
9. Dale R. The self-organization of human interaction / R. Dale, R. Fusaroli, N.D. Duran, D.C. Richardson // Psychology of Learning and Motivation. -2013. - Vol 59. - P. 43-95.
10. Garrod S. Why is conversation so easy? / S. Garrod M.J. Pickering // Trends in Cognitive Sciences. -2004. - Vol. 8, №1. - p. 8-11.
11. Gottman J.M. A General Systems Theory of Marriage: Nonlinear Difference Equation Modeling of Marital Interaction / J.M. Gottman, C. Swanson, K.R. Swanson// Personality and Social Psychology Review. -2002. - Vol. 6, P. 326 - 340.
12. Steenbeek H.W. A theory and dynamic model of dyadic interaction: Concerns, appraisals, and contagiousness in a developmental context / H.W. Steenbeek, P.L.C. van Geert // Dev. Rev. - 2007. - Vol. 27, № 1. - P. 1-40.
13. LaFrance M. Group rapport: Posture sharing as a nonverbal indicator. / M. LaFrance, M. Broadbent// Group and Organization Studies. - 1976. - Vol 1. - P. 328- 333
14. Paxton A. Frame-Differencing Methods for Measuring Bodily Synchrony in Conversation / A. Paxton, R. Dale // Behavior Research Methods. - 2013. - Vol 45. -P. 329-343.
15. Grammer K. (1999). Fuzziness of nonverbal courtship communication unblurred by motion energy detection. / K. Grammer, M. Honda, A. Juette, A. Schmitt //Journal of Personality and Social Psychology. - 1999. -Vol. 77, № 3. - P. 487-508.
16. Ramseyer F. Nonverbal synchrony in psychotherapy: Coordinated body-movement reflects relationship quality and outcome. / F. Ramseyer, W. Tschacher // Journal of Consulting and Clinical Psychology. - 2011. - Vol. 79, №3. - P.284-295.
17. Strang A.J. Physio-behavioral coupling in a cooperative team task: contributors and relations / A.J. Strang, G.J. Funke, S.M. Russell, A. Dukes, M.S. Middendorf // Journal of experimental psychology. Human perception and performance. - 2014. - Vol 40, №1. - P. 145-58.
18. Dindar M. Examining shared monitoring in collaborative learning: A case of a recurrence quantification analysis approach / M. Dindar, I. Alikhani, J. Malmberg, S. Jarvela, T. Seppanen // Comput. Human Behav. - 2019. -Vol. 100. - P. 335-344.
19. Fusaroli R. Analyzing social interactions: The promises and challenges of using cross recurrence quantification analysis / R. Fusaroli, I. Konvalinka , S. Wallot // Springer Proc. Math. Stat. - 2014. - Vol. 103. - P. 137-155.
References:
1. Aleshkovsky I.A. Higher School of Russia: forced distance learning and planned transition to a remote format during a pandemic (sociological analysis experience) / I.A. Aleshkovsky, A.T. Gasparishvili, O.V. Krukhmaleva, N.P. Narbut, N.E. Savina // Higher education in Russia. - 2021. -T. 30. - № 5. - S. 120-137. DOI: 10.31992/0869-36172021-30-5-120-137.
2. Aleshkovsky I.A. Students of Russia about learning during the covid-19 pandemic: resources, opportunities and assessment of remote learning / I.A. Aleshkovsky, A.T. Gasparishvili, O.V. Krukhmaleva, N.P. Narbut, N.E. Savina // Bulletin of the Peoples' Friendship University of Russia. Series: Sociology. -- 2021. - V. 21. - № 2. - C. 211-224.
3. Kiseleva N.V. Involvement of students in continuous education at different stages of the educational process / N.V. Kiseleva // Psychology and Psychotechnics.
- 2017. - No. 4. - S. 74-81. DOI: 10.7256/24540722.2017.4.24659.
4. Maloshonok N.G. To the issue of measuring student engagement. Basic methods and their limitations / N.G. Maloshonok // Sociology 4M. - 2013. - № 36. - S. 177-199.
5. Fredricks J.A. School Engagement: Potential of the Concept, State of the Evidence / J.A. Fredricks, P.C. Blumenfeld, A.H. Paris // Rev. Educ. Res. - 2004. - Vol. 74.
- № 1. - P. 59-109.
6. Newmann F. Student Engagement and Achievement in American Secondary Schools / F. Newmann // Teachers College Press. - 1993. - Vol. 30. - № 7.
7 Ramseyer F.T. Motion energy analysis (MEA): A primer on the assessment of motion from video / F.T. Ramseyer // J. Couns. Psychol. - 2020. - Vol. 67. - № 4. - P. 536-549.
8. Louwerse M.M. Behavior Matching in Multimodal Communication Is Synchronized / M.M. Louwerse, R. Dale, E.G. Bard, P. Jeuniaux // Cognitive science. - 2012. -Vol. 36, No. 8. P. 1404-1426.
9. Dale R. The self-organization of human interaction / R. Dale, R. Fusaroli, N.D. Duran, D.C. Richardson // Psychology of Learning and Motivation. - 2013. - Vol 59. -P. 43-95.
10. Garrod S. Why is conversation so easy? / S. Garrod M.J. Pickering // Trends in Cognitive Sciences. -2004. - Vol. 8, №1. - P. 8-11.
11. Gottman J.M. A General Systems Theory of Marriage: Nonlinear Difference Equation Modeling of Marital Interaction / J.M. Gottman, C. Swanson, K.R. Swanson // Personality and Social Psychology Review. -2002. - Vol. 6, P. 326-340.
12. Steenbeek H.W. A theory and dynamic model of dyadic interaction: Concerns, appraisals, and contagiousness in a developmental context / H.W. Steenbeek, P.L.C. van Geert // Dev. Rev. - 2007. - Vol. 27, No. 1. - P. 1-40.
13. LaFrance M. Group rapport: Posture sharing as a nonverbal indicator. / M. LaFrance, M. Broadbent// Group and Organization Studies. - 1976. - Vol 1. - P. 328-333
14. Paxton A. Frame-Differencing Methods for Measuring Bodily Synchrony in Conversation / A. Paxton, R. Dale // Behavior Research Methods. - 2013. - Vol 45. -P. 329-343.
15. Grammer K. (1999). Fuzziness of nonverbal courtship communication unblurred by motion energy detection. / K. Grammer, M. Honda, A. Juette, A. Schmitt // Journal of Personality and Social Psychology. - 1999. - Vol. 77, No. 3. - P. 487-508.
16. Ramseyer F. Nonverbal synchrony in psychotherapy: Coordinated body-movement reflects relationship quality and outcome. / F. Ramseyer, W. Tschacher // Journal of Consulting and Clinical Psychology. - 2011. - Vol. 79, no. 3. - P.284-295.
17 Strang A.J. Physio-behavioral coupling in a cooperative team task: contributors and relations / A.J. Strang, G.J. Funke, S.M. Russell, A. Dukes, M.S. Middendorf // Journal of experimental psychology. human perception and performance. - 2014. - Vol 40, No. 1. - P. 145-58.
18. Dindar M. Examining shared monitoring in collaborative learning: A case of a recurrence quantification analysis approach / M. Dindar, I. Alikhani, J. Malmberg, S. Jarvela, T. Seppanen // Comput. human behavior. - 2019. -Vol. 100. - P. 335-344.
19. Fusaroli R. Analyzing social interactions: The promises and challenges of using cross recurrence quantification analysis / R. Fusaroli, I. Konvalinka , S. Wallot // Springer Proc. Math. stat. - 2014. - Vol. 103. - P. 137-155.
5.3.4. Педагогическая психология, психодиагностика цифровых образовательных сред
(19.00.07 - Педагогическая психология)
Сведения об авторах:
Насибуллов Камиль Исхакович (г. Казань, Россия), кандидат психологических наук, доцент кафедры теологии Болгарской исламской академии, e-mail: rtkamil@bk.ru
Николаев Константин Сергеевич (г. Казань, Россия), ассистент кафедры системного анализа и информационных технологий Казанского (Приволжского) федерального университета, e-mail: konnikolaeff@yandex.ru
