Переосмысление теории когнитивной нагрузки: роль образовательной нейронауки и искусственного интеллекта в повышении эффективности обучения

В этом систематическом обзоре объединены теория когнитивной нагрузки (ТКН), образовательная нейронаука, искусственный интеллект (ИИ) и машинное обучение (МО) для изучения их совокупного влияния на оптимизацию образовательной среды. Рассмотрено, как адаптивные системы обучения на основе ИИ, использующие данные образовательной нейронауки, повышают персонализацию образования школьников и взрослых. Особое внимание уделено электроэнцефалографии (ЭЭГ), функциональной спектроскопии в ближней инфракрасной области (fNIRS) и другим нейрофизиологическим методам оценки когнитивных состояний и управления вмешательствами на основе ИИ, что позволяет динамически совершенствовать стратегии обучения.

В обзор включено 103 публикации, посвящённые интеграции принципов ТКН с ИИ и МО в образовательной среде. Оценён прогресс в развитии нейроадаптивных технологий обучения, особенно в области управления когнитивной нагрузкой в реальном времени, персонализированной обратной связи и мультимодальных приложений ИИ. Кроме того, рассмотрены ключевые препятствия, включая защиту конфиденциальности данных, этические проблемы, алгоритмическую предвзятость и вопросы масштабирования, а также определены оптимальные подходы к надёжной и эффективной реализации таких систем.

Результаты показывают, что ИИ и МО значительно повышают эффективность обучения благодаря автоматическому управлению когнитивной нагрузкой, персонализации обучения и динамической адаптации образовательных траекторий на основе нейрофизиологических данных, получаемых в реальном времени. Модели глубокого обучения, включая свёрточные нейронные сети (CNN), рекуррентные нейронные сети (RNN) и метод опорных векторов (SVM), повышают точность классификации, делая адаптивные системы обучения на основе ИИ более эффективными и масштабируемыми. Мультимодальные подходы повышают устойчивость систем, уменьшая влияние вариабельности сигналов и ограничений, связанных с шумом, за счёт объединения ЭЭГ с функциональной магнитно-резонансной томографией (фМРТ), электрокардиографией (ЭКГ) и регистрацией гальванической кожной реакции (GSR). Несмотря на эти достижения, практическое внедрение по-прежнему осложняют этические проблемы, риски нарушения безопасности данных и различия в доступности технологий для разных групп обучающихся.

ИИ и МО обладают значительным потенциалом для переосмысления образования, однако их развитие должно опираться на надёжные этические нормы, инклюзивный дизайн и масштабируемые методологии. Необходимы дальнейшие исследования для совершенствования методов предварительной обработки данных, расширения разнообразия наборов данных и развития мультимодального нейроадаптивного обучения с целью создания высокоточных, доступных и этически ответственных образовательных систем на основе ИИ. Образование с использованием ИИ должно быть инклюзивным, справедливым и эффективным для различных групп обучающихся, преодолевая технологические ограничения и этические дилеммы.

Введение/цели: Методы: Результаты: Выводы: