Моделювання та прогнозування когнітивного стану здобувачів освіти у віртуальному навчальному середовищі на основі мультимодальних даних

Автор(и)

DOI:

https://doi.org/10.24144/2616-7700.2026.49(2).219-229

Ключові слова:

когнітивний стан, когнітивне навантаження, мультимодальні дані, віртуальне навчальне середовище, прогнозування, імітаційне моделювання, адаптивне навчання, MATLAB Simulink

Анотація

У дослідженні запропоновано модель мультимодального збору та обробки даних для оцінювання когнітивного навантаження здобувачів освіти у віртуальному навчальному середовищі, що є актуальним на тлі розвитку дистанційної та змішаної форм навчання. На основі інтегрального показника навантаження побудовано орієнтований граф прийняття рішень з трьома зонами: прийнятною, підвищеного ризику та критичною, а також математичну модель динаміки засвоєння знань, яка враховує нелінійну залежність ефективності від навантаження та фазу деградації при його перевищенні. Імітаційне моделювання у MATLAB Simulink підтвердило фазовий перехід від ефективного навчання до зниження продуктивності, що демонструє можливість використання моделі для адаптивного управління навчальним процесом, прогнозування когнітивного навантаження та персоналізації освітньої траєкторії.

Спонсор дослідження

  • Дослідження було проведено без фінансової підтримки.

Біографії авторів

І. М. Лях, ДВНЗ «Ужгородський нацiональний унiверситет»

Професор кафедри інформатики та фізико-математичних дисциплін. Доктор технічних наук, професор

Т. В. Дитко, ДВНЗ «Ужгородський нацiональний унiверситет»

Аспірант кафедри програмного забезпечення систем

Посилання

  1. Aksak, N. H., Tatarnikov, A. O., & Kushnaryov, M. V. (2025). An agent-based model for personalized learning in NetLogo using Q-learning. Applied Questions of Mathematical Modeling, 8(1), 11–25. https://doi.org/10.32782/mathematical-modelling/2025-8-1-1
  2. Larmuseau, C., & et al. (2020). Multimodal learning analytics to investigate cognitive load during online problem solving. British Journal of Educational Technology, 51(5), 1548–1562. https://doi.org/10.1111/bjet.12958
  3. Masrek, M. N., & et al. (2024). Information overload, anxiety, stress, and depression of online distance learners. International Journal of Evaluation and Research in Education (IJERE), 13(6), 3705. https://doi.org/10.11591/ijere.v13i6.29009
  4. Surbakti, R., & et al. (2024). Cognitive load theory: Implications for instructional design in digital classrooms. International Journal of Educational Narratives, 2(6), 483–493. https://doi.org/10.70177/ijen.v2i6.1659
  5. Villarreal, R. T., & et al. (2025). Beyond expert ratings: Subjective workload and SDT metrics for team performance in VR simulations. Proceedings of the Human Factors and Ergonomics Society Annual Meeting. https://doi.org/10.1177/10711813251367752
  6. Tkach, V. О., & Voitovych, O. A. (2025). Monitoring of the quality of education in the conditions distance education. Visnyk of Kherson National Technical University, 1(1(92)), 244–248. https://doi.org/10.35546/kntu2078-4481.2025.1.1.32
  7. Aksu, S. H., Cakit, E., & Dagdeviren, M. (2024). Mental workload assessment using machine learning techniques based on EEG and eye tracking data. Applied Sciences, 14(6), 2282. https://doi.org/10.3390/app14062282
  8. Sola, H. M., Qureshi, F. H., & Khawaja, S. (2024). AI eye-tracking technology: A new era in managing cognitive loads for online learners. Education Sciences, 14(9), 933. https://doi.org/10.3390/educsci14090933
  9. Shkarban, I. (2025). AR/VR digital storytelling in higher education foreign language instruction. Pedagogy of the Formation of a Creative Person in Higher and Secondary Schools, 100, 173–177. https://doi.org/10.32782/1992-5786.2025.100.29
  10. Khan, R., & et al. (2025). Assessing cognitive load using EEG and eye-tracking in 3-D learning environments: A systematic review. Multimodal Technologies and Interaction, 9(9), 99. https://doi.org/10.3390/mti9090099
  11. Munk, M., & Drl´ik, M. (2016). Methodology of predictive modeling of students’ behavior in virtual learning environment. In Formative assessment, learning data analytics and gamification. (pp. 187–216). https://doi.org/10.1016/b978-0-12-803637-2.00010-5
  12. Junker, R., & et al. (2025). Modeling and prompting professional vision in a virtual learning environment: Effects on pre-service teachers’ cognitive load and motivation. Education and Information Technologies. https://doi.org/10.1007/s10639-025-13559-9
  13. Cui, F., & Luo, J. (2025). Effectiveness evaluation of immersive learning in an education metaverse with cognitive load control. Applied and Computational Engineering, 193(1), 88–93. https://doi.org/10.54254/2755-2721/2025.28609
  14. Barkovska, O., & et al. (2024). Gaze direction monitoring model in computer system for academic performance assessment. Information Technologies and Learning Tools, 99(1), 63–75. https://doi.org/10.33407/itlt.v99i1.5503
  15. Zhuravska, L. (2018). Students’ self-managed autonomous training. Scientific Bulletin of the Institute of Vocational and Technical Education of the National Academy of Sciences of Ukraine. Professional Pedagogy, (17), 51–57. https://doi.org/10.32835/2223-5752.2018.17.51-57.
  16. Korniichuk, O., & Graf, M. (2023). Analysis of existing decision-making mechanisms in decentralized systems for government procurement use. Technical Engineering, 1(91), 156–160. https://doi.org/10.26642/ten-2023-1(91)-156-160
  17. Nastenko, Y., & et al. (2021). Group method of data handling application in constructing of coronary heart disease diagnosing algorithms. Biomedical Engineering and Technology, (5), 1–9. https://doi.org/10.20535/2617-8974.2021.5.227141
  18. Pavlov, A., & et al. (2025). Improving efficiency of the modified group method of data handling for constructing multivariate regressions given by a redundant representation. Adaptive Systems of Automatic Control, 1(46), 257–266. https://doi.org/10.20535/1560-8956.46.2025.323833
  19. Matlab Grundlagen: MATLAB – Simulink – Stateflow. (2020). In Matlab Grundlagen (pp. 5–40). https://doi.org/10.1515/9783110636420-002
  20. File-handling und Datenverwaltung. (2016). In MATLAB kompakt (pp. 460–499). https://doi.org/10.1515/9783110465860-021

##submission.downloads##

Опубліковано

2026-04-30

Як цитувати

Лях, І. М., & Дитко, Т. В. (2026). Моделювання та прогнозування когнітивного стану здобувачів освіти у віртуальному навчальному середовищі на основі мультимодальних даних. Науковий вісник Ужгородського університету. Серія «Математика і інформатика», 49(2), 219–229. https://doi.org/10.24144/2616-7700.2026.49(2).219-229

Номер

Том 49 № 2 (2026)

Розділ

Iнформатика, комп’ютернi науки та прикладна математика

Ліцензія

Авторське право (c) 2026 І. М. Лях, Т. В. Дитко

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.