Science for Education Today, 2025, Т. 15, № 3, С. 159–179
УДК: 
004+378.14+37.03+159.91

Модель интеграции нейрокогнитивного ассистента в образовательный процесс вуза: структурно-содержательный анализ

Токтарова В. И. 1 (Йошкар-Ола, Россия), Семенова Д. А. 1 (Йошкар-Ола, Россия)
1 ФГБОУ ВО «Марийский государственный университет»
Аннотация: 

Проблема и цель. В статье представлены результаты исследования по проблеме персонализации образовательного процесса посредством нейрокогнитивных технологий в условиях цифровой трансформации высшего образования. Цель статьи – теоретически обосновать и представить структурно-содержательную модель интеграции нейрокогнитивного ассистента в образовательную среду вуза, определить компоненты и описать результаты оценки ее эффективности в процессе подготовки будущих педагогов.
Методология. Методологическую основу исследования составили системный, личностно-ориентированный, когнитивно-деятельностный и информационно-коммуникационный подходы. Использованы теоретические методы анализа и синтеза, эмпирические методы педагогического эксперимента, диагностические методики (Edinburgh Handedness Inventory, SOLAT) и методы математико-статистической обработки данных. Экспериментальная работа по оценке эффективности интеграции нейрокогнитивного ассистента в образовательный процесс проводилась в рамках дисциплины «Управление проектной деятельностью» на базе педагогического института Марийского государственного университета. В исследовании приняли участие 104 студента.
Результаты. Основные результаты заключаются в разработке и реализации структурно-содержательной модели, включающей функционально-целевой, содержательно-технологический и результативно-критериальный компоненты. В статье исследуются актуальные аспекты внедрения нейрокогнитивных технологий в педагогическую практику и выявляются механизмы их интеграции в образовательную среду.
Подчеркивается, что такие технологии способствуют более точному учету индивидуальных когнитивных особенностей студентов на основе диагностики функциональной асимметрии головного мозга, подбору оптимальных форм и методов подачи учебного материала и предоставлению персонализированных рекомендаций студентам. Выявлены и описаны особенности участников команды при реализации каждого проектного этапа в зависимости от их функциональной асимметрии мозга. Экспериментальные данные подтвердили высокий уровень (коэффициент корреляции R = 0,7) эффективности использования нейрокогнитивного ассистента для персонализации учебного процесса, повышения академической успеваемости и развития проектной компетентности студентов.
Заключение. В заключении делаются выводы о том, что разработанная модель интеграции нейрокогнитивного ассистента имеет высокий потенциал для модернизации высшего образования при проектировании образовательных программ, создании рекомендаций для адаптации учебного контента под индивидуальные когнитивные особенности студентов, разработки цифровых систем персонализированного обучения нового поколения. Для более широкой интеграции данной технологии требуется дальнейшая разработка алгоритмов персонализации, устранение технических ограничений и подготовка преподавателей к их использованию.

Ключевые слова: 

нейрокогнитивный ассистент; персонализация обучения; когнитивные особенности студентов; функциональная асимметрия мозга; структурно-содержательная модель; цифровая образовательная среда; педагогический эксперимент

Библиографическая ссылка:
Токтарова В. И., Семенова Д. А. Модель интеграции нейрокогнитивного ассистента в образовательный процесс вуза: структурно-содержательный анализ // Science for Education Today. – 2025. – № 3. – С. 159–179. DOI: http://dx.doi.org/10.15293/2658-6762.2503.08
Список литературы: 
  1. Игнатова Ю. П., Макарова И. И., Зенина О. Ю., Аксенова А. В. Современные аспекты изучения функциональной межполушарной асимметрии мозга (обзор литературы) // Экология человека. – 2016. – № 9. – C. 30–39. URL: https://elibrary.ru/item.asp?id=26606113  DOI: http://dx.doi.org/10.33396/1728-0869-2016-9-30-39
  2. Лукьянова И. Е., Сигида Е. А., Утенкова С. Н. Функциональная асимметрия мозга: новые возможности в дефектологии // Специальное образование. – 2020. – № 2. – С. 62–72. URL: https://elibrary.ru/item.asp?id=43152466  DOI: http://dx.doi.org/10.26170/sp20-02-06
  3. Смирнов И. В., Панов А. И., Скрынник А. А., Чистова Е. В. Персональный когнитивный ассистент: концепция и принципы работы// Информатика и ее применения. – 2019. – Т. 13, № 3. – С. 105–113. URL: https://elibrary.ru/item.asp?id=41264226  DOI: http://dx.doi.org/10.14357/19922264190315
  4. Степанова Г. К., Кривошапкин К. А., Макаров А. А., Слюгров Н. И. Особенности полушарного доминирования у студентов // Вестник Северо-Восточного федерального университета им. М. К. Аммосова. Серия: Медицинские науки. – 2017. – № 4 (09). – С. 96–99. URL: https://elibrary.ru/item.asp?id=32260371
  5. Токтарова В. И., Ребко О. В., Семенова Д. А. Сравнительно-сопоставительный анализ моделей цифровых компетенций педагогов в условиях цифровой трансформации образования // Science for Education Today. – 2023. – Т. 13, № 5. – С. 79–104. URL: https://elibrary.ru/item.asp?id=54808511 

DOI: http://dx.doi.org/10.15293/2658-6762.2305.04

  1. Abushihab I. The Theory of Multiple Intelligences and its Implications in Teaching Foreign Languages: An Analytical Study // Journal of Southwest Jiaotong University. – 2024. – Vol. 59 (1). – P. 4. DOI: http://dx.doi.org/10.35741/issn.0258-2724.59.1.4
  2. Ansari D., De Smedt B., Grabner R. Neuroeducation – A Critical Overview of an Emerging Field // Neuroethics. – 2011. – Vol. 5 (2). – P. 105–117. DOI: http://dx.doi.org/10.1007/s12152-011-9119-3
  3. Geake J., Cooper P. Cognitive Neuroscience: Implications for Education? // Westminster Studies in Education. – 2003. – Vol. 26 (1). – P. 7–20. DOI: http://dx.doi.org10.1080/0140672030260102
  4. Goswami U. Neuroscience and Education: from Research to Practice? // Nature Reviews Neuroscience. – 2006. – Vol. 7 (5). – P. 406–413. DOI: http://dx.doi.org/10.1038/nrn1907

10. Hachem M., Daignault K., Wilcox G. Impact of Educational Neuroscience Teacher Professional Development: Perceptions of School Personnel // Frontiers in Education. – 2022. – Vol. 7. – P. 912827. DOI: http://dx.doi.org/10.3389/feduc.2022.912827

11. Hellige J., Cox P., Litvac L. Information Processing in the Cerebral Hemispheres: Selective Hemispheric Activation and Capacity Limitations // Journal of experimental psychology. General. – 1979. – Vol. 108 (2). – P. 251–279. DOI: http://dx.doi.org/10.1037/0096-3445.108.2.251

12. Khanal L., Shah S., Koirala S., Rimal J., Adhikari B. R., Baral D. Relationship between Hemispheric Preference Score and Academic Performance among Preclinical Medical Students Studying Medicine and Dentistry // International Journal of Applied Basic Medical Research. – 2023. – Vol. 13 (1). – P. 16–22. DOI: http://dx.doi.org/10.4103/ijabmr.ijabmr_440_22

13. Maedche A., Morana S., Schacht S., Werth D., Krumeich J. Advanced User Assistance Systems // Business and Information Systems Engineering. – 2016. – Vol. 58 (5). – P. 367–370. DOI: https://doi.org/10.1007/s12599-016-0444-2

14. Sajja R., Sermet, Y., Cikmaz M. Cwiertny D., Demir I. Artificial Intelligence-Enabled Intelligent Assistant for Personalized and Adaptive Learning in Higher Education // ArXiv. – 2023. – Vol. 15 (10). – P. 596. DOI: http://dx.doi.org/10.48550/arXiv.2309.10892

15. Sperry R. W. Hemisphere Deconnection and Unity in Conscious Awareness // American Psychologist. – 1968. – Vol. 23 (10). – P. 723–733. DOI: https://doi.org/10.1037/h0026839

16. Weinmann M., Schneider C., Brocke J. Digital Nudging // Business & Information Systems Engineering. – 2016. – Vol. 58 (6). – P. 433–436. DOI:  https://doi.org/10.1007/s12599-016-0453-1

Дата публикации 30.06.2025