Начало >> Статьи >> Архивы >> Системный анализ процесса мышления

Выделение групп обследуемых с высокой и низкой работоспособностью - Системный анализ процесса мышления

Оглавление
Системный анализ процесса мышления
Развитие естественно-научных представлений о процессе мышления
Представления древнегреческих материалистов
Концептуальный физиологический подход И. М. Сеченова и И. П. Павлова
Функциональные системы психической деятельности человека
Мышление - как активный системный процесс
Знак, сигнал, значение
Интериоризация
Общая теория функциональных систем и психофизиологическая проблема
Развитие мышления у ребенка
Развитие новых аспектов общей теории функциональных систем
Импринтинговая гипотеза формирования акцептора результатов действия
Отражательная функция мозга человека
Методы изучения организации нейродинамических процессов мозга школьников
Проблема наглядности и ее связь с видами информации
Задания автоматизированного контрольного урока ботаники
Выделение групп обследуемых с высокой и низкой работоспособностью
Анализ нейродинамической организации мозга школьников
Изучение нейродинамической организации мозга в эксперименте Ботаника 6
Типы преобразования информации
Эксперимент Ботаника 1
Системный анализ ЭЭГ-активности при выполнении обследуемыми заданий
Межполушарная асимметрия альфа-активности
Динамика коэффициентов реактивности
Особенности электрографических показателей в группах мыслителей и художников
Заключение
Дополнение
Роль средств обучения в системном квантовании учебных действий школьников
Список литературы

Выделение групп обследуемых с высокой и низкой работоспособностью в каждом типе задач.
Тип преобразования информации
По результатам решения задач обследуемые были разделены на две группы. Для этого все они были ранжированы ЭВМ по числу правильных решений, а затем вариационный ряд для каждого типа задач автоматически делился на группы по успешности решения задач (1-я группа — «хорошие», 2-я группа — «плохие»). Алгоритм разделения на группы по успешности решения задач был следующим: а) весь ранжированный ряд обследуемых делился программой ЭВМ пополам; б) если деление проходило между разными рангами успешности, то оно сохранялось; в) если средний ранг успешности «рассекался», то он относился к большему числу обследуемых с результатами данного класса; г) если средний ранг успешности «рассекался» ровно пополам, то он относился к группе «хороших» (1-я группа).
С помощью этого алгоритма в первой серии исследований для задач 1-го типа (329 ЭЭГ-паттернов) в группу «хороших» вошли 14 обследованных, правильно решивших от 13 до 7 задач из 16. Средний показатель правильных решений в этой группе составил 9,2. Группу «плохих» для задач 1-го типа составили 16 обследуемых, правильно решивших от 6 до 1 задачи из 16. Средний показатель правильных решений в этой группе составил 4,3.
По решению задач 2-го типа (327 ЭЭГ-паттернов) в группу «хороших» вошли 15 обследованных, правильно решивших от 11 до 7 задач из 16. Средний показатель правильных решений в этой группе был 8,5. В группе «плохих» также было 15 обследованных, правильно решивших от 6 до 3 задач .из 16.
Во второй серии исследований с помощью описанного выше алгоритма для задач 1-го типа (351 ЭЭГ-паттерн) в группу «хороших» вошли 16 обследованных (181 ЭЭГ-паттерн), правильно решивших от 13 до 6 задач из 16. Средний показатель правильных решений в этой группе составил 8,3. Группу «плохих» для задач 1-го типа составили 15 обследуемых (170 ЭЭГ-паттернов), правильно решивших от 5 до 3 задач из 16. Средний показатель правильных решений в этой группе составил 4,0.
При решении задач 2-го типа (361 ЭЭГ-паттерн) группа «хороших» состояла из 14 обследованных (172 ЭЭГ-паттерна), правильно решивших от 13 до 7 задач из 16. Средний показатель правильных решений в этой группе составил 8,7. В группу «плохих» вошли 17 обследованных (189 ЭЭГ-паттернов), правильно решивших от 6 до 3 задач из 16. Средний показатель правильных решений в этой группе составил 5,2.
В третьей серии исследований для задач 1-го типа (463 ЭЭГ-паттерна) применение алгоритма включило в группу «хороших» 18 обследованных (228 ЭЭГ-паттернов), правильно решивших от 13 до 6 задач из 16. Средний показатель правильных решений в этой группе был 9,6. Группу «плохих» составили 20 обследованных (235 ЭЭГ-паттернов), правильно решивших от 5 до 0 задач из 16. Средний показатель правильных решений в этой группе составил 3,65.
При решении задач 2-го типа (508 ЭЭГ-паттернов) в группу «хороших» отнесено 20 обследованных (272 ЭЭГ-паттерна), правильно решивших от 13 до 8 задач из 16. Средний показатель правильных решений в этой группе составил 9,8. В группу «плохих» вошло 18 обследованных (236 ЭЭГ-паттернов), правильно решивших от 7 до 3 задач из 16. Средний показатель правильных решений в этой группе составил 5,4.
Обследованных, успешно решавших задачи, поставленные в любой форме информации (конкретно-образная, схемно-модельная, словесная), мы отнесли к I типу преобразования информации. Обследуемых, менее успешно решивших задачи, предъявляемые любым видом информации, мы отнесли ко II типу преобразования информации. Отказ от дихотомии, примененной нами в «типах работоспособности», выделенных при решении модельных задач [Пратусевич Ю. М., Минервин О. Н., 1984], объяснялся тем, что ряд обследуемых одинаково хорошо решали задачи 1-го и 2-го типа в контрольных уроках 6-го класса «Ботаника-6» и 5-го класса «Ботаника 1» и, наоборот, другие обследованные одинаково плохо решали задачи 1-го и 2-го типов в этих уроках. Поэтому вопрос о взаимодействии полушарий при решении реальных учебных задач был сложнее, чем при решении модельных задач. Это дало нам основание ввести понятие «типа преобразования информации» (ТПИ). По-видимому, суть заключается в разных уровнях организации взаимодействия полушарий. Это особенно заметно при решении учебных задач по классификации растений по их виду и частям. Ниже мы возвратимся к этому вопросу.

Математическая обработка экспериментальных данных, обеспечивающая отражение системных организаций мозговых нейродинамических процессов при решении задач

Цель математической обработки ЭЭГ-активности при решении учебных задач заключалась в выявлении функциональной системной организации целостного мозга обследуемых, обеспечивающей успешное или неуспешное решение задач каждого типа. Для этого проводилась последовательная обработка ЭЭГ-активности.
Программа первичной обработки выделяла основные параметры ЭЭГ по алгоритму, разработанному и описанному А. И. Никифоровым [Никифоров А. И., Бочкарев В. К., 1974; Никифоров А. И., 1978]. Программа формализовала традиционно сложившийся метод визуального анализа ЭЭГ специалистом. Весь диапазон выделяемых волн был разделен на четыре частотных физиологических диапазона: бета (13— 35 Гц), альфа (8—13 Гц), тета (3,5—8 Гц), дельта (1,0— 3,5 Гц). В считываемой в реальном времени машиной 10-секундной реализации ЭЭГ автоматически выделялись следующие параметры по каждому из 8 каналов: 1) индекс (время в процентах выраженности волн: бета-, альфа-, тета-, дельтаритмов), 2) амплитуда (в микровольтах), 3) частота (в герцах). Усреднение проводилось при частоте опроса 100 Гц по 1000 мгновенных значений ЭЭГ. Каждая ЭЭГ-реализация в 8 отведениях, полученная при решении обследуемыми задачи, рассматривалась как отдельное наблюдение, или «квант» мыслительной деятельности, характеризующееся специфической системной организацией, в соответствии с принципом системного «квантования» целенаправленной деятельности [Судаков К. В., 1984]. Согласно рабочей гипотезе, данная системная организация нейрофизиологических процессов. Если она была адекватной, обусловливала такое преобразование воспринимаемой информации, которое приводило к правильному решению учебной задачи. Каждая индивидуальная ЭЭГ-реализация в процессе первичной обработки описывалась 96 исходно измеренными признаками (средние значения индекса, амплитуды, частоты по бета-, альфа-, тета-, дельтадиапазонам для каждого из 8 отведений).
Первоначальный отбор экспериментатором безартефактных записей позволил оставить для дальнейшего анализа 2339 ЭЭГ-паттернов при решении 2339 учебных задач (656 ЭЭГ-паттернов в первой серии исследований, 712 ЭЭГ-паттернов во второй серии, 971 ЭЭГ-паттерн в третьей серии).
В результате в каждой серии исследований были сформированы массивы ЭЭГ-реализаций, которые были подвергнуты ортогонализации методом компонентного анализа (КА). Затем конкретные ЭЭГ-паттерны массивов ЭЭГ-реализаций отдельно в каждой серии исследований (соответственно 656, 712, 971) были описаны через 12 признаков (компонент). В настоящее время метод КА эффективно применяется в ЭЭГ-исследованиях [Жирмунская Е. А., Фомичева Г. П., 1979; Коган М. А., Симонов М. Ю., 1978; Пратусевич Ю. М., Соловьев А. В., Квасов Г. И., 1981; Бочкарев В. К·, Никифоров А. И., 1981; Панюшкина С. В., 1981; Пратусевич Ю. М., 1982; Монахов К. К., Бочкарев В. К·, Никифоров А. И., 1983; R5sler F., Manzey D., 1981].
Цель применения КА заключалась, во-первых, в получении интегральных признаков (компонент), анализ которых позволил физиологически интерпретировать ведущие тенденции в системной организации ЭЭГ-активности и в соответствии с этим дал возможность создать представление о физиологических механизмах, участвующих в преобразовании учебной информации при решении задач но биологии школьниками; во-вторых, в получении возможности сопоставить системную нейродинамическую организацию целостного мозга по ее 384 признакам ЭЭГ-активности с помощью математической модели ортогонализации (основанной на КА) при различных формах (видах) предъявления учебной информации школьнику. Четыре компонента индекса, амплитуды, частоты ЭЭГ-активности при решении задач по ботанике обеспечивали такую возможность с помощью математической модели ортогонализации в 12-мерном пространстве. По данным литературы, подобный метод нейрофизиологического анализа преобразования учебной информации мозгом школьника при различных видах ее предъявления применялся впервые.
Для проверки информативности выделенных нами форм функциональной организации целостного мозга учащихся при предъявлении им учебных задач с помощью разных  видов информации (которые мы получили при применении модели ортогонализации) был использован дискриминантный анализ (ДА) ЭЭГ-паттернов, зарегистрированных у обследуемых с высокой и низкой работоспособностью. Выше были описаны критерии и процедура выделения групп обследуемых с высокой и низкой работоспособностью по каждому типу задач. Были сравнены функциональные организации (по их ЭЭГ-проявлениям) у обследованных с разным типом преобразования информации при решении одинаковых (по содержанию и форме информации) задач. Результаты ДА в обучающих и контрольных выборках подтвердили достоверность и высокую информативность результатов применения КА в оценке функциональной организации целостного мозга учащегося при решении учебных задач, предъявляемых в различных формах (видах) информации.

Результаты примененного системного подхода к оценке физиологических особенностей активности  мозга школьников при различных видах предъявления учебной информации рассмотрены в 4-й главе.



 
« Системная красная волчанка, системная склеродермия, ревматоидный артрит   Системы организма (гистология) »