CC BY
13УДК 004.04
doi:10.18720/SPBPU/2/id21 -359
Речинский Александр Витальевич1,
канд. техн. наук, проректор по экономике и финансам;
Черненькая Людмила Васильевна1, профессор, д-р техн. наук, профессор;
Магер Владимир Евстафьевич3,
доцент, канд. техн. наук, старший научный сотрудник, доцент
СИСТЕМНЫЙ ПОДХОД В ОБЕСПЕЧЕНИИ КАЧЕСТВА КОГНИТИВНЫХ СПОСОБНОСТЕЙ СТУДЕНТОВ В УСЛОВИЯХ ЦИФРОВИЗАЦИИ ОБРАЗОВАНИЯ
12 3
' ' Россия, Санкт-Петербург, Санкт-Петербургский политехнический
университет Петра Великого, 2 ludmila@qmd.spbstu.ru
Аннотация. Рассмотрены результаты исследования оптимального ресурсного (функционального) состояния студентов в целях повышения качества обучения и оценки возможности управления студентами своим психоэмоциональным состоянием в условиях стресса и высокой когнитивной нагрузки. Разработана модель мониторинга и оценки индекса оптимального ресурсного (функционального) состояния студентов, предложены инструментальные средства для исследования оптимального ресурсного состояния студентов.
Ключевые слова: качество обучения, функциональное ресурсное состояние, психоэмоциональное состояние, полиэффекторная модель.
Alexander V. Rechinsky1,
Vice-Rector on Economy and Finances, Candidate of Technical Sciences;
Ludmila V.Chernenkaya 2, Professor, Doctor of Technical Sciences;
Vladimir E. Mager 3, Associate Professor, Candidate of Technical Sciences
A SYSTEMATIC APPROACH TO ENSURING THE QUALITY
OF STUDENTS' COGNITIVE ABILITIES IN THE CONTEXT OF DIGITALIZATION OF EDUCATION
12 3
' ' Peter the Great St.Petersburg Polytechnic University St. Petersburg, Russia, 2 ludmila@qmd.spbstu.ru
Abstract. The results of the study of the optimal resource (functional) state of students in order to improve the quality of education and assess the ability of students to manage their psycho-emotional state in conditions of stress and high cognitive load are considered. A model for monitoring and evaluating the index of the optimal resource (functional) state of students has been developed, and tools for studying the optimal resource state of students have been proposed.
Keywords: quality of training, functional resource state, psychoemotional state, polyeffector model.
Введение
Цифровая экономика стремительно развивается и проникает во все сферы деятельности, включая образовательную деятельность. Цифрови-зация образования активизирует системные технологические прорывы, развитие новых способов обработки и усвоения информации, что неизбежно приводит к изменению системы образования и развитию человеческого потенциала в условиях дефицита требуемых цифровых умений и навыков. Если для предшествующего этапа развития системы образования характерна компьютеризация и оцифровка всевозможных объектов и процессов, то для этапа цифровизации характерна работа с большими данными, внедрение искусственного интеллекта, облачных технологий, развитие технологий машинного обучения, а также изменение глобального образовательного ландшафта. Все изменения современной системы образования приводит к стремительному увеличению когнитивной нагрузки на всех участников образовательного процесса. В этой связи разработка и экспериментальное исследование модели мониторинга и оценки индекса оптимального ресурсного (функционального) состояния студентов и профессорско-преподавательского состава вуза является актуальной и стратегически важной [1].
Цель работы проведение исследования оптимального ресурсного (функционального) состояния студентов и профессорско-преподавательского состава (далее — ППС) вуза в целях повышения качества обучения и оценки возможности управления ими своим психоэмоциональным состоянием в условиях стресса и когнитивной нагрузки.
В настоящем исследовании используется комплексный психофизиологический подход, который обеспечивает повышение объективности оценки оптимального ресурсного (функционального) состояния человека в процессе работы на основе современных, перспективных направлений в области психофизиологии и нейротехнологий.
1. Обоснование метода исследования
Оптимальное ресурсное (функциональное) состояние характеризуется высоким уровнем работоспособности с полной компенсацией затрат организма В процессе обучения функциональное состояние студента изменяется. Если отклонения функционального состояния выходят за пределы той зоны, которая для данного вида деятельности является оптимальной, то такие отклонения могут стать причиной снижения качества образовательного процесса, с одной стороны, и снижения качества усвоения новых знаний и навыков, с другой.
Однако способность как можно дольше поддерживать оптимальный уровень ресурсного (функционального) состояния нервной системы без значительных отклонений от него является существенным фактором
устойчивости работы человека в любой деятельности. Поэтому результаты исследования можно использовать применительно к другим сферам деятельности, не ограничиваясь только образовательной деятельностью. В исследовании используется комплексный психофизиологический подход, который обеспечит повышение объективности оценки оптимального ресурсного (функционального) состояния человека в процессе работы на основе перспективных направлений в области психофизиологии и нейротехнологий:
• методов функционального биоуправления;
• технологии анализа и мониторинга нейробиологического и психологического статуса человека и методов объективного определения психоэмоциональных состояний человека с помощью построения полиэффекторных моделей;
• полиэффекторный подход, который позволяет проводить одновременную регистрацию нескольких реакций организма, возникающих в ответ на действие раздражителя.
В ходе исследования необходимо решить следующие задачи:
• разработать полиэффекторную модель мониторинга и оценки индекса оптимального ресурсного (функционального) состояния студентов;
• разработать программный инструмент проведения экспериментального исследования, мониторинга и оценки модели индекса оптимального ресурсного (функционального) состояния студентов;
• провести экспериментальное исследование модели.
В качестве входных данных для построения модели мониторинга и оценки индекса оптимального ресурсного (функционального) состояния студентов будут использованы данные следующих психоэмоциональных состояний человека: стресса, когнитивной нагрузки, увлеченности, концентрации.
В качестве метода оценки электрической активности мозга в рамках разрабатываемой модели используется регистрация электроэнцефалло-граммы (ЭЭГ) с отведений, расположенных на лбу человека. В настоящее время данный сигнал возможно регистрировать при помощи портативных устройств — нейроинтерфейсов, что делает возможным использование модели вне условий лабораторной регистрации ЭЭГ.
Стресс характеризуется совокупностью адаптационных реакций индивида на внешнее событие, воздействие которого сопряжено с формированием определенных физиологических и поведенческих реакций [2], при этом острый стресс (стадия тревоги по Селье) и хронический (стадия истощения) формирует различные реакции организма. Умеренный физиологический стресс (стадия резистентности), вызванный, например, физическими упражнениями, может быть зарегистрированным с помо-
щью ЭЭГ [3]. В соответствии с законом Йеркса-Додсона для эффективного осуществления деятельности необходимо поддержание оптимального уровня активации (оптимума), что наряду с когнитивными характеристиками и изменением функционального состояния является важным фактором продуктивности деятельности. Стресс выступает в качестве переменной, влияющей на поддержание оптимума активации: при чрезмерном непродолжительном стрессе активация может принимать чрезмерный и хаотичный характер, разрушая ход деятельности; при продолжительном (хроническом) стрессе активация может снижаться за счет редукции мотивационных компонент деятельности. Таким образом, важно соблюдать оптимальный уровень стресса.
Стресс является сложной биологической реакцией организма в ответ на изменения окружающей среды. Реакция стресса сопряжена с различными физиологическими проявлениями и осуществляется за счет нервно-гуморальной регуляции, включающей последовательную активацию каскада гормонов, в том числе адреналина и кортизола [4].
В исследованиях с участием как животных, так и человека показано, что ранний стресс, испытываемый в детстве, может отражаться на индивидуальной реакции на стресс [5], затрагивающей, в том числе, уровень кортизола [6] причем изменения могут сохраняться в течение всей жизни. Влияние генетических и средовых факторов, связанных со стрессом, может приводить не только к функциональным, но и к структурным изменениям мозга [7], изменения происходят, в том числе, на клеточном уровне [8], а также на уровне связей нейронных сетей мозга [9]. Рассматривая стресс как фактор профессиональной деятельности, следует учитывать, что он связан с осуществлением когнитивных функций, тем самым влияя на эффективность выполнения задач.
Стресс оказывает влияние на выполнение задач с постоянным вниманием [10, 11]. Стрессовые состояния могут быть количественно оценены при помощи регистрации прямых показателей электрической активности мозга (ЭЭГ). В исследованиях показано, что активация пре-фронтальной коре правого полушария связано с повышенным уровнем кортизола [12, 13].
Повышение фронтальной асимметрии, по всей видимости, является достаточно стабильным показателем, он регистрируется уже на ранних стадиях онтогенеза (у шестимесячных младенцев) в процессе формирования эмоций страха и печали, и сопровождается увеличением уровня кор-тизола [13]. Данные реплицируются в других исследованиях, демонстрируется стабильность эффекта [14]. В обзоре Schore [15] также сообщается о том, что нарушения привязанности, преимущественно связанной с правым полушарием, ведут к нарушению его развития в онтогенезе.
2. Описание алгоритма модели мониторинга и оценки индекса определения оптимального ресурсного (функционального) состояния студентов
Регистрация показателей для оценки стресса производится двумя методами в зависимости от специфики показателей.
1. Сбор данных о деятельности пользователя: ввод данных с помощью клавиатуры и мыши, запуск и завершение процессов, операции в среде разработки программ и иные профессиональные действия, физические действия пользователя и т. д.
2. Регистрация электрофизиологических параметров человека, позволяющих оценить его психофизиологическое состояние, с помощью электроэнцефалограммы (ЭЭГ). Для потока ЭЭГ-сигнала с электродов ЛБ7, ЛБ8, регистрируемого в «сыром» виде, проходит последовательная обработка следующего вида:
- регистрация электрических колебаний напряжения под электродами;
- фильтрация артефактов (движение глаз, напряжение мышц лица, челюсти, высокое подэлектродное сопротивление);
- прохождение сигнала через полосно-заградительный фильтр и преобразование Фурье;
- оценка плотности мощности спектра в альфа-дипазоне под каждым электродом, выделение средних значений, среднеквадратичных отклонений (СКО) за текущий период анализа;
- сохранение данных о средних значениях и СКО конкретного пользователя в Базе данных (БД).
Зарегистрированные данные представляют собой изменяющийся во времени вектор потоков данных В = [О^), ... Оп(^], на основе которого рассчитываются специальные индикаторы — индексы, характеризующие различные аспекты состояния человека.
Модель мониторинга и оценки индекса ресурсного (функционального) состояния человека использует на входе данные о персонализован-ных значениях индексов когнитивной нагрузки, концентрации, увлеченности, стресса.
Определение оптимального ресурсного (функционального) состояния производится посредством:
- определения коррелята состояния стресса на основе выделенных левополушарных и правополушарных альфа-ритмов;
- определения состояния увлеченности или монотонии на основе выделенных левополушарных тета-ритмов, правополушарных альфа- и тета-ритмов;
- определения концентрации на основе выделенных левополу-шарных бета-ритмов, осуществления нормирования значения каждого параметра;
- определения коррелята состояния когнитивной нагрузки на основе левополушарной тета-активности;
- определения промежуточного значения ресурсного состояния, нормирования промежуточного значения ресурсного состояния, определения ресурсного состояния.
После определения ресурсного состояния проводится проверка на соответствие граничным условиям оптимального и неоптимального состояния и делается соответствующая отметка о состоянии пользователя в базе данных, которая потом может быть использована для определения участков образовательного контента, вызывающих оптимальное либо неоптимальное состояние слушателей.
Заключение
Разработанная полиэффекторная модель обеспечивает объективное определение психоэмоциональных состояний человека: стресса, увлеченности, когнитивной нагрузки и концентрации, отражает индекс оптимального ресурсного (функционального) состояния пользователя на основе сбора и обработки данных ЭЭГ. Экспериментально подтверждена гипотеза исследования о том, что усвоение учебных материалов лучше достигают лица, находящиеся в оптимальном ресурсном состоянии по сравнению с лицами, находящимися в неоптимальном ресурсном состоянии. Разработанная полиэффекторная модель не имеет прямых аналогов.
Список литературы
1.Речинский А.В., Станкевич Л.А., Черненькая Л.В. Биометрические методы идентификации личности: Учебное пособие для реализации основных профессиональных образовательных программ высшего образования по направлению подготовки магистров 27.04.03 «Системный анализ и управление» / Санкт-Петербургский политехнический университет Петра Великого. - СПб.: Издательство: ПОЛИТЕХ-ПРЕСС, 2021. - 166 с.
2. McEwen B. S. The neurobiology of stress: from serendipity to clinical relevance //Brain research. - 2000. - Vol. 886. №. 1-2. - Pp. 172-189.
3. Bonnet M. H., Arand D. L. Heart rate variability in insomniacs and matched normal sleepers //Psychosomatic medicine. - 1998. - Vol. 60. №. 5. - Pp. 610-615.
4. Dantzer R. et al. From inflammation to sickness and depression: when the immune system subjugates the brain // Nature reviews neuroscience. - 2008. - Vol. 9. №. 1. -Pp. 46-56.
5. Ichise M. et al. Effects of early life stress on [11C] DASB positron emission tomography imaging of serotonin transporters in adolescent peer-and mother-reared rhesus monkeys // Journal of Neuroscience. - 2006. - Vol. 26. №. 17. - Pp. 4638-4643.
6. Koenen K. C., Amstadter A. B., Nugent N. R. Gene-environment interaction in posttraumatic stress disorder: An update // Journal of traumatic stress. - 2009. - Vol. 22. №. 5. - Pp. 416-426.
7. Ahmed-Leitao F. et al. Posttraumatic stress disorder, social anxiety disorder and childhood trauma: Differences in hippocampal subfield volume // Psychiatry Research: Neuroimaging. - 2019. - Vol. 284. - Pp. 45-52.
8. Czeh B., Lucassen P. J. What causes the hippocampal volume decrease in depression? // European archives of psychiatry and clinical neuroscience. - 2007. - Vol. 257. № 5. - Pp. 250-260.
9. Bluhm R. L. et al. Alterations in default network connectivity in posttraumatic stress disorder related to early-life trauma // Journal of psychiatry & neuroscience: JPN. -2009. - Vol. 34. №. 3. - P. 187.
10. Ellenbogen M. A. et al. Stress and selective attention: The interplay of mood, cortisol levels, and emotional information processing // Psychophysiology. - 2002. - Vol. 39. №. 6. - Pp. 723-732.
11. Preston S. D. et al. Effects of anticipatory stress on decision making in a gambling task // Behavioral neuroscience. - 2007. - Vol. 121. №. 2. - P. 257.
12. Kalin N. H. et al. Asymmetric frontal brain activity, cortisol, and behavior associated with fearful temperament in rhesus monkeys // Behavioral neuroscience. - 1998. -Vol. 112. №. 2. - P. 286.
13. Buss K. A. et al. Right frontal brain activity, cortisol, and withdrawal behavior in 6-month-old infants // Behavioral neuroscience. - 2003. - Vol. 117. №. 1. - P. 11.
14. Davidson R. J., Fox N. A. Frontal brain asymmetry predicts infants' response to maternal separation // Journal of abnormal psychology. - 1989. - Vol. 98. №. 2. - P. 127.
15. Schore A. N. Dysregulation of the right brain: a fundamental mechanism of traumatic attachment and the psychopathogenesis of posttraumatic stress disorder //Australian & New Zealand Journal of Psychiatry. - 2002. - Vol. 36. №. 1. - Pp. 9-30.
УДК 004.424
doi:10.18720/SPBPU/2/id21 -360
Паклин Николай Борисович1,
канд. техн. наук, доцент; Кацко Игорь Александрович1, д-р экон. наук, профессор; Кремянская Елена Владимировна^,
канд. экон. наук, доцент
МОДЕЛИРОВАНИЕ LTV ПОДПИСЧИКА САЙТА С ИСПОЛЬЗОВАНИЕМ LOW-CODE ПЛАТФОРМЫ LOGINOM
1 Россия, Москва, РЭУ им. Г.В. Плеханова, Paklin.NB@rea.ru;
2 3
' Россия, Краснодар, ФГБОУ ВО «Кубанский ГАУ им. И.Т.
Трубилина»,
2 3
ingward@mail.ru, kreml3010@mail.ru
Аннотация. Настоящая статья посвящена разработке методики оценки стоимости жизни клиента (LTV — Life Time value), посещающего определенный сайт. Для упрощения процесса ETL (Extraction, Transformation, Loading) предлагается
