Искусственный интеллект в психодиагностике: когнитивные состояния в цифровой образовательной среде

В статье рассматривается задача построения мультимодальных ИИ-моделей для диагностики когнитивного состояния обучающихся (концентрация, усталость, стресс) в цифровых образовательных средах. Обоснована необходимость перехода от традиционных методов психодиагностики к автоматизированным системам на основе обработки естественного языка, компьютерного зрения и поведенческого анализа. Предложена математическая модель на основе гибридной архитектуры CNN-LSTM с адаптацией параметров под индивидуальные когнитивные профили. Описана структура модели, приведены рекомендации по её построению и интеграции в цифровую образовательную инфраструктуру. Обсуждаются проблемы интерпретируемости, приватности и устойчивости таких моделей, а также перспективы их применения.

1.  Baker, R. S. (2019). Challenges for the future of educational data mining: The Baker Learning Analytics Prizes. Journal of Educational Data Mining, 11(1), 1–17. https://doi.org/10.5281/zenodo.3554745
2. D’Mello, S., & Kory, J. (2015). A review and meta‑analysis of multimodal affect detection systems. ACM Computing Surveys, 47(3), Article 43. https://doi.org/10.1145/2682899. Открытый PDF (author version): https://people.ict.usc.edu/~gratch/CSCI534/Readings/dmello-MMML-Survey.pdf
3. Grafsgaard, J. F., Wiggins, J. B., Boyer, K. E., Wiebe, E. N., & Lester, J. C. (2014). Predicting learning and affect from multimodal data streams in task-oriented tutorial dialogue. In J. Stamper, Z. Pardос, M. Mavrikis, & B. M. McLaren (Eds.), Proceedings of the 7th International Conference on Educational Data Mining (EDM 2014) (pp. 122–129). International Educational Data Mining Society. https://learndialogue.org/pdf/LearnDialogue-Grafsgaard-EDM-2014.pdf
4. Reis, R. C. D., Isotani, S., Rodriguez, C. L., Jaques, P. A., & Bittencourt, I. I. (2018). Affective states in computer‑supported collaborative learning: Studying the past to drive the future. Computers & Education, 120, 29–50. https://doi.org/10.1016/j.compedu.2018.01.015. Открытый PDF: https://isiarticles.com/bundles/Article/pre/pdf/126884.pdf
5. Kingma, D. P., Ba, J. (2015). Adam: A method for stochastic optimization. arXiv. https://doi.org/10.48550/arXiv.1412.6980
6. Kartasheva, M. I. (2022). The role of the self-system in the structure of mental states regulation during the educational activities. Yaroslavl Pedagogical Bulletin, (1), 162–174. https://doi.org/10.20323/1813-145X-2022-1-124-162-174
7. Wang, J., Yu, Y. (2025). Machine learning approach to student performance prediction of online learning. PLOS ONE, 20(1), e0299018. https://doi.org/10.1371/journal.pone.0299018
8. Солдатова, Г.У. (2018). Цифровая социализация в культурно-исторической парадигме: изменяющийся ребенок в изменяющемся мире. Социальная психология и общество, 9(3), 71–80. https://doi.org/10.17759/sps.2018090308
   Soldatova, G.U. (2018). Digital socialization in the cultural-historical paradigm: A changing child in a changing world. Social Psychology and Society, 9(3), 71–80. (In Russ.). https://doi.org/10.17759/sps.2018090308
9. Савгильдина И. С. Использование искусственного интеллекта в образовании: перспективы и этические дилеммы // Актуальные исследования. 2024. №46 (228). Ч.II. С. 66-68. URL: https://apni.ru/article/10526-ispolzovanie-iskusstvennogo-intellekta-v-obrazovanii-perspektivy-i-eticheskie-dilemmy
   Savgildina, I.S. (2024). The use of artificial intelligence in education: Prospects and ethical dilemmas. Actual Research, 46(228), Pt. II, 66–68. (In Russ.). URL: https://apni.ru/article/10526-ispolzovanie-iskusstvennogo-intellekta-v-obrazovanii-perspektivy-i-eticheskie-dilemmy
10. Коровникова, Н.А. Искусственный интеллект в образовательном пространстве: проблемы и перспективы // Социальные новации и социальные науки. – Москва: ИНИОН РАН, 2021. – № 2. – С. 98–113
    Korovnikova, N.A. (2021). Artificial intelligence in the educational space: Problems and prospects. Social Innovations and Social Sciences, 2, 98–113. (In Russ.). Moscow: INION RAS.