Решение когнитивных задач в электронной среде обучения: влияние визуальной неопределенности

Процесс проектирования учебного контента, ведущего к активному вовлечению студентов и развитию помимо профессиональных компетенций когнитивных навыков — это вызов для разработчиков современной инновационной образовательной среды. Перенос интеллектуальных действий в компьютерную среду непосредственно затрагивает вопрос когнитивной нагрузки, когнитивных ресурсов человека. В частности, в процессе обучения, требуется исследование множества факторов, влияющих на познавательную нагрузку, особенно в мультимедийной среде, где учебные ситуации и информация предоставляются студенту более чем в одном режиме. Различные виды профессиональной деятельности включают информационные ресурсы, в которых присутствует неопределенность, среди которых необходимо принимать решения, важные для производительности. В исследованиях ставятся вопросы, могут ли люди надлежащим образом приспособиться к источникам неопределенности во время принятия решений. Здесь важно учитывать, что неопределенность возникает не только из внешнего мира, но и из-за внутреннего состояния человека, что составляет определенные типы когнитивной нагрузки. В электронной среде обучения ввиду переизбытка информационных ресурсов, постоянных технических инноваций и внедрения новых продуктов, требуется использование различных инструментов оценки продуктивности учебной деятельности с целью сбора актуальной, функциональной академической информации, на основе которой можно проанализировать потенциальные возможности обучающихся по восприятию информации и продуктивности интеллектуальной деятельности. Основная цель статьи — эффективное представление учебного контента, в частности с наличием визуальной неопределенности, и адаптация когнитивной нагрузки с учетом стилей обучающихся. В статье предложен метод автоматизированного интеллектуального анализа индивидуальных характеристик решения когнитивных задач учащимися, а именно точности принятия решений (accuracy, A) и времени реакции (reaction time, RT) в условиях наличия визуальной неопределенности представления информации с применением нового подхода к измерению когнитивной нагрузки визуального учебного контента на примерах решения когнитивных задач с наличием неопределенности стимулов. Метод обеспечивает выполнение следующих функций: интеллектуальный анализ данных диагностирования когнитивного потенциала обучающихся; формирование и оценку производительности решения сложных задач; оценку когнитивной нагрузки учебных задач; прогнозирование и визуализацию данных. Статья организована следующим образом. Во ведении кратко рассматриваются направления исследований. В первом разделе рассматриваются исследования У. Хика, Р. Хаймана, П. Фиттса, являющиеся основой подхода к измерению когнитивной нагрузки. Во втором разделе изложены общие принципы теории когнитивной нагрузки, основные типы когнитивной нагрузки в контексте образовательной практики. В третьем разделе представлен метод оценки производительности решения серии задач выбора со сложной моделью стимулов. Представлена компьютерная версия методики диагностирования когнитивных параметров модели обучающихся. В четвертом разделе рассматривается алгоритмический подход к измерению количества информационной энтропии. В пятом разделе представлены исследования, которые привели к получению результатов. В заключительном разделе обсуждаются перспективы дальнейших исследований

Ключевые слова: образовательная среда, когнитивная нагрузка, визуальная неопределенность информации, время реакции, принятие решений.

Список использованных источников

  1. A. R. Jensen. Clocking the mind: Mental chronometry and individual differences. Elsevier, 2006. 272 p.
  2. L. D. Sheppard, P. A. Vernon. Intelligence and speed of information-processing: A review of 50 years of research//Personality and individual differences. 2008. Vol. 44 (3). P. 535-551.
  3. A. R. Jensen. The importance of intraindividual variation in reaction time//Personality and individual Differences. 1992. Vol. 13 (8). P. 869-881.
  4. A. R. Jensen. Process differences and individual differences in some cognitivetasks//Intelligence. 1987. Vol. 11. № 2. P. 107-136.
  5. A. Welford. Choice reaction time: Basic concepts//Reaction times. 1980. P. 73-128.
  6. W. E. Hick. On the rate of gain of information//Quarterly Journal of experimental psychology. 1952. Vol. 4. № 1. P. 11-26.
  7. M. Brysbaert. Editorial QJEP classics revisited//Quarterly Journal of Experimental Psychology. 2016. Vol. 69. P. 1861-1863.
  8. R. W. Proctor, D. W. Schneider. Hick’s law for choice reaction time: A review//Quarterly Journal of Experimental Psychology. 2018. Vol. 71 (6). P. 1281-1299.
  9. W. Liu, J. Gori, O. Rioul et al. How Relevant is Hick's Law for HCI?//Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems. 2020. P. 1-11.
  10. J. Cao. Applying Hick’s law to Web design. Free example wireframes. 2010. https://www.uxpin.com/studio/blog/applying-hicks-law-to-web-design-free-examplewireframes.
  11. J. Sauro. Five HCI laws for user experience design. Measuring U. 2013. http://www.measuringu.com/blog/hci-laws.php.
  12. R. Hyman. Stimulus information as a determinant of reaction time//Journal of Experimental Psychology. 1953. № 53. P. 188-196.
  13. R. K. Jamieson, D. J. K. Mewhort. Applying an exemplar model to the serial reaction-time task: Anticipating from experience//Quarterly Journal of Experimental Psychology. 2009. Vol. 62. № 9. P. 1757-1783.
  14. T. Wu, A. J. Dufford, L. J. Egan et al. Hick–Hyman law is mediated by the cognitive control network in the brain. Cerebral Cortex. 2018. Vol. 28. № 7. P. 2267-2282.
  15. T. H. Rammsayer, O. Pahud, S. J. Troche. Decomposing the functional relationship between speed of information processing in the Hick paradigm and mental ability: A fixedlinks modeling approach//Personality and individual differences. 2017. Vol. 118. P. 17-21.
  16. C. Shannon, W. Weaver. A mathematical theory of communication//The Bell system technical journal. 1948. Vol. 27. № 3. P. 379-423.
  17. G. E. Hawkins, S. D. Brown, M. Steyvers, E. J. Wagenmakers. An optimal adjustment procedure to minimize experiment time in decisions with multiple alternatives//Psychonomic bulletin & review. 2012. Vol. 19. № 2. P. 339-348.
  18. J. Wagemans, J. H. Elder, M. Kubovy et al. A century of Gestalt psychology in visual perception: I. Perceptual grouping and figure-ground organization//Psychological bulletin. 2012. Vol. 138. № 6. P. 1172-1217.
  19. J. Wagemans, J. Feldman, S. Gepshtein et al. A century of Gestalt psychology in visual perception: II. Conceptual and theoretical foundations//Psychological bulletin. 2012. Vol. 138. № 6. P. 1218.
  20. P. M. Fitts. The information capacity of the human motor system in controlling the amplitude of movement//Journal of Experimental Psychology. 1954. № 47. P. 381-391.
  21. S. Tak, A. Toet, J. van Erp. The perception of visual uncertainty representation by non-experts//IEEE transactions on visualization and computer graphics. 2013. № 20 (6). Р. 935-943.
  22. R. Finger, A. M. Bisantz. Utilizing graphical formats to convey uncertainty in a decision-making task//Theoretical Issues in Ergonomics Science. 2002. Vol. 3. Issue 1. P. 1-25.
  23. D. S. McNamara. Bringing cognitive science into education and back again: The value of interdisciplinary research//Cognitive Science. 2006. Vol. 30. P. 605-608.
  24. J. Sweller, J. J. G. van Merriлnboer, F. Paas. Cognitive architecture and instructional design//Educational Psychology Review. 1998. № 10 (3). P. 251-296.
  25. E. Pollock, P. Chandler, J. Sweller. Assimilating complex information //Learning and instruction. 2002. № 12. P. 61-86.
  26. J. Sweller. The redundancy principle in multimedia learning. The Cambridge handbook of multimedia learning. 2005. P. 159-168.
  27. J. Sweller, P. Ayres, S. Kalyuga. Cognitive load theory. 2011. Springer. doi:10.1007/978-1-4419-8126-4.
  28. J. Sweller, J. J. G. van Merriлnboer, F. Paas. Cognitive architecture and instructional design: 20 years later//Educational Psychology Review. 2019. № 31 (2). P. 261-292.
  29. M. T. H. Chi, R. Glaser, E. Rees. Expertise in problem solving/In R. Stenberg (Ed.). Advances in psychology of human intelligence. Hillsdale, NJ: Erlbaum, 1982. P. 7-75.
  30. E. J. Pollock. Bachelor of Economics (Social Sciences) (Hons). Thesis submitted to the University of New South Wales in fulfilment of the conditions for the degree of Doctor of Philosophy. School of Education University of New South Wales. Australia, 2000. 399 p.
  31. W. W. Wierwille, F. L. Eggemeier. Recommendations for mental workload measurement in a test and evaluation environment//Human Factor. 1993. Vol. 35. P. 263-281.
  32. J. Kagan. Reflection-impulsivity: The generality and dynamics of conceptual tempo//Journal of abnormal psychology. 1966. Vol. 71. № 1. P. 17-24.
  33. B. Gargallo. Basic variables in reflection-impulsivity: A training programme to increase reflectivity//European Journal of Psychology of Education. 1993. Vol. 8. № 2. P. 151-167.
  34. И. Г. Скотникова. Когнитивно-стилевые характеристики познавательной деятельности в задачах с неопределенностью//Образование личности. 2018. № 2. С. 60-70.
  35. И. Г. Скотникова. Психофизические характеристики зрительного различения и когнитивный стиль//Психологический журнал. 1990. Т. 11. № 1. С. 84-94.
  36. М. А. Холодная. Когнитивные стили. О природе индивидуального ума. СПб.: Питер. 2004. 384 с.
  37. Е. Е. Котова, А. Н. Печников, А. С Писарев .Программный комплекс диагностики когнитивных параметров специалиста (ОнтоМАСТЕР-Диагностика). Свид-во о гос. регистрации программы для ЭВМ № 2009615001. 2009.
  38. N. A. Nisa, B. Setiyadi, H. Huzairin. The Comparative Study between Reflectivity and Impulsivity Cognitive Style in Using Learning Strategy in Reading and Reading Comprehension//U-JET. 2018. Vol. 7. № 3. P. 1-62.
  39. S. L. Frank. Uncertainty reduction as a measure of cognitive load in sentence comprehension//Topics in cognitive science. 2013. Vol. 5. № 3. P. 475-494.
  40. W. Boulila. A top-down approach for semantic segmentation of big remote sensing images//Earth Science Informatics. 2019. Vol. 12. № 3. P. 295-306.
  41. Р. Гонсалес, Р. Вудс, С. Эддинс. Цифровая обработка изображений в среде MatLab. М.: Техносфера, 2006. 616 с.
  42. Д. Сэломон. Сжатие данных, изображений и звука. М.: Техносфера. 2004. 368 с.
  43. D. Y. Tsai, Y. Lee, E. Matsuyama. Information entropy measure for evaluation of image quality//Journal of digital imaging. 2008. Vol. 21. № 3. P. 338-347.
  44. А. Н. Колмогоров. Теория информации и теория алгоритмов. М.: Наука. 1987. 304 с.
  45. R. Larsen. Mastering SVG. Packt Publishing. 2018. 312 p.
  46. M. Bakaev, E. Goltsova, V. Khvorostov, O. Razumnikova. Data Compression Algorithms in Analysis of UI Layouts Visual Complexity//International Andrei Ershov Memorial Conference on Perspectives of System Informatics. Springer. Cham. 2019. P. 167-184.
  47. P. Zhang, W. Zhou, L. Wu, H. Li. SOM: Semantic obviousness metric for image quality assessment//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2015. P. 2394-2402.
  48. Z. Chen, T. He. Learning based facial image compression with semantic fidelity metric//Neurocomputing. 2019. Vol. 338. P. 16-25.
  49. Е. Е. Котова, А. С. Писарев. Программа интеллектуального анализа продуктивности решения когнитивных задач в электронной среде (Эксперт-Аналитик ART). Свидетельство о государственной регистрации программы для ЭВМ № 2020667345 от 22.12.2020. Заявка № 2020665717 от 03.12.2020.
  50. H. Zenil, N. A. Kiani, J. Tegnйr. A review of graph and network complexity from an algorithmic information perspective//Entropy. 2018. Vol. 20. № 8. P. 1-15.
  51. T. J. McCabe. A complexity measure//IEEE Transactions on software Engineering. 1976. № P. 308-320.

Авторы