postgraduate student
аспирант
Cand. Sci. (Eng.), associate professor
кандидат технических наук, доцент
The article investigates the use of neurolinguistic programming (NLP) and machine learning methods for the adaptive delivery of educational materials, taking into account students’ individual perception characteristics. The primary goal of the work is to create and optimize individualized learning trajectories based on the analysis of students’ posture and behavior during their interaction with educational materials. The article examines three main types of perception – visual, auditory, and kinesthetic – and proposes methods for adapting educational content for each of them. To determine the type of perception, data analysis is conducted on head position, gaze direction, facial expressions, and other physiological parameters obtained through computer vision and neural networks such as FSA-Net. The authors propose algorithms for dynamic calibration and analysis of students’ posture, which can be applied in both individual and group learning contexts. The possibility of using these algorithms in distance learning systems to enhance the quality of student interaction with the educational platform and improve their learning outcomes is considered. The article also discusses the potential application of the proposed technologies for assessing student engagement in lectures and creating adaptive learning trajectories that take into account dynamic characteristics such as emotional state and cognitive effort, which can be evaluated through pupil dilation analysis.
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.