Обнаружены причины трудностей в обучении математике

Используя искусственный интеллект для анализа результатов сканирования мозга учащихся, решающих математические задачи, исследователи впервые в истории смогли заглянуть в нейронные корни проблем с обучением математике.

Объединив возможности искусственного интеллекта и функциональной магнитно-резонансной томографии (фМРТ), команда исследователей из Стэнфордского университета создала “цифровых двойников” учащихся, испытывающих трудности с математикой, чтобы впервые получить представление о неврологических основах проблем с обучением математике, которые беспокоят каждого пятого учащегося в Америке.

“Наше исследование стало результатом двух десятилетий работы в области поведенческой и когнитивной нейровизуализации, направленной на то, чтобы попытаться понять мозговые и когнитивные основы неспособности к обучению у детей”, – говорит Винод Менон, профессор психиатрии и поведенческих наук Стэнфордского университета. “Теперь у нас есть эти новые инструменты искусственного интеллекта, которые на самом деле позволяют нам задавать эти вопросы гораздо глубже, гораздо более механистично”.

В статье, опубликованной в журнале Science Advances, Менон и его соавторы, аспирант Стэнфордского университета Энтони Строк и исследователь социальных наук Перси Мистри, описывают то, что они называют персонализированными глубинными нейронными сетями. Это эффективные цифровые “двойники мозга” реальных детей – модели, способные имитировать то, как отдельные учащиеся решают математические задачи, и показывать с помощью вычислений, где в мозге детей с трудностями в обучении математике что-то идет не так.

Среди шума

В ходе своего исследования ученые отобрали 45 учащихся в возрасте от 7 до 9 лет, у 21 из которых были проблемы с обучением математике. Затем реальные школьники решали базовые задачи на сложение и вычитание, в то время как фМРТ фиксировала активность их мозга. Затем они обучили цифровых близнецов, каждый раз получая ответы, похожие на ответы их реальных двойников – правильные или неправильные, – в то время как модели искусственного интеллекта имитировали их мозговую активность.

Менон и его коллеги выяснили, что модели искусственного интеллекта можно настроить таким образом, чтобы они имитировали точность и скорость обучения их реальных близнецов, регулируя один неврологический параметр, известный как нервная возбудимость, который примерно соответствует тому, насколько сильно возбуждаются клетки мозга. Изучение таких неврологических явлений на живых людях является сложной задачей, поскольку для измерения нейронной активности в мозг необходимо помещать электроды.

Таким образом, истинная нейрофизиология обучения и нарушений обучаемости была неуловима для научного определения.

“Вопреки нашим ожиданиям и ожиданиям других, мы обнаружили, что слишком высокая нейронная активность, а не слишком низкая, является основной проблемой трудностей в обучении”, – говорит Менон. “У детей, которые испытывают трудности, наблюдаются признаки повышенной возбудимости в областях мозга, которые играют ключевую роль в числовом мышлении, и близнецы на основе искусственного интеллекта продемонстрировали точно такие же паттерны”.

Гипотеза Менона и его команды заключается в том, что эта избыточная активность приводит к путанице в мысленном представлении математических задач, замешательству и замедлению обучения. Они предполагают, что повышенная возбудимость приводит к тому, что они называют перекрытием репрезентаций: разные математические задачи порождают слишком похожие нейронные паттерны. Как говорит Менон, математические представления смешиваются и запутываются, что препятствует точному решению задач. Создается впечатление, что мозг перекрикивает сам себя, и учащийся не может различить правильный ответ в этом шуме.

Возродившаяся надежда

Это исследование имеет большое значение для образования. Цифровые двойники позволят исследователям тестировать неврологические механизмы in silico – на компьютере – у каждого ребенка, открывая окно в мир причин трудностей в обучении на уровне мозга. Как подчеркивает Менон, исследование показывает, что близнецам на основе искусственного интеллекта, моделирующим проблемы с математическим обучением, требуется почти в два раза больше тренировок, чтобы достичь той же точности, что и обычным школьникам, изучающим математику. Но, “в конечном итоге они достигают эквивалентной производительности. И это дает нам большие надежды на улучшение стратегий коррекции”.

В педагогике цифровые двойники могут привести к созданию индивидуальных учебных планов, учитывающих стиль обучения каждого учащегося, и прогнозированию типов обучения, которые могут наилучшим образом ему подойти. Менон и его команда в настоящее время расширяют свои модели в новых направлениях, чтобы создать еще более богатые реалистичные неврологические модели математического мышления.

Вывод Менона заключается в том, что детям с трудностями в обучении может потребоваться значительная дополнительная подготовка, которая позволит устранить недостатки в успеваемости. Тем не менее, Менон призывает не переоценивать результаты. Модель нуждается в доработке. Предстоит проделать еще большую работу, но это указывает на некоторые новые многообещающие направления для дальнейших исследований.

“Теперь у нас есть основа для тестирования целевых стратегий – когнитивных или нейронных – прежде чем опробовать их в реальных классах”, – заключает Менон. “Это может ускорить разработку эффективных образовательных программ для детей с трудностями в обучении и обеспечить реальный прогресс для детей, которым сложно изучать математику”.

Подпишитесь на сайт Психолог в интернете
в Telegram или ВКонтакте.
Помощь психолога