КОНЦЕПТУАЛЬНА МОДЕЛЬ РОЗПІЗНАВАННЯ ЕМОЦІЙНОГО СТАНУ СЛУХАЧІВ СИСТЕМИ ДИСТАНЦІЙНОГО НАВЧАННЯ

Заголовок (російською): 
КОНЦЕПТУАЛЬНАЯ МОДЕЛЬ НЕЙРОСЕТЕВОГО РАСПОЗНАВАНИЯ ЭМОЦИОНАЛЬНОГО СОСТОЯНИЯ СЛУШАТЕЛЕЙ СИСТЕМЫ ДИСТАНЦИОННОГО ОБУЧЕНИЯ
Заголовок (англійською): 
CONCEPTUAL MODEL OF NEURAL NETWORK RECOGNITION OF EMOTIONAL CONDITION OF LISTENERS OF THE DISTANCE LEARNING SYSTEM
Автор(и): 
Михайленко В.М.
Терейковская Л.А.
Автор(и) (англ): 
Mihaylenko Victor
Tereikovska Liudmyla
Ключові слова (укр): 
емоційний стан; розпізнавання емоцій; дистанційне навчання; нейромережеві засоби розпізнавання; концептуальна модель
Ключові слова (рус): 
эмоциональное состояние; распознавание эмоций; дистанционное обучение; нейросетевые средства распознавания; концептуальная модель
Ключові слова (англ): 
emotional condition; recognition of emotions; distance learning; neural network recognition tools; conceptual model
Анотація (укр): 
Однією з найбільш істотних тенденцій розвитку систем дистанційного навчання є впровадження автоматичних засобів навчання, результат сприйняття яких значною мірою залежить від функціонального стану слухачів. Як наслідок, виникає необхідність діагностування поточного функціонального стану слухачів. Визначено, що діагностувати стан слухачів можна за рахунок використання нейромережевих засобів розпізнавання емоційного стану людини. Встановлено, що в сучасній науково-прикладної літературі недостатньо повно окреслені напрямки досліджень по створенню нейромережевих засобів розпізнавання емоцій, призначених для використання в умовах системи дистанційного навчання. В результаті проведених досліджень розроблена концептуальна модель нейромережевого розпізнавання емоційного стану слухачів системи дистанційного навчання, яка за рахунок конкретизації операцій, що впливають на нейромережеве розпізнавання емоцій, а також за рахунок обґрунтування переліку параметрів оцінки ефективності, дозволяє деталізувати напрями досліджень по проектуванню відповідних засобів розпізнавання. Визначено, що напрямки подальших досліджень пов'язані з удосконаленням методологічної бази розробки та використання нейромережевих засобів розпізнавання емоцій слухачів системи дистанційного навчання.
Анотація (рус): 
Одной из наиболее существенных тенденций развития систем дистанционного обучения является внедрение автоматических средств обучения, результат восприятия которых в значительной степени зависит от функционального состояния слушателей. Как следствие, возникает необходимость диагностирования текущего функционального состояния слушателей. Определено, что диагностировать состояние слушателей возможно за счет использования нейросетевых средств распознавания эмоционального состояния человека. Установлено, что в современной научно-прикладной литературе недостаточно полно очерчены направления исследований по созданию нейросетевых средств распознавания эмоций, предназначенных для использования в условиях системы дистанционного обучения. В результате проведенных исследований разработана концептуальная модель нейросетевого распознавания эмоционального состояния слушателей системы дистанционного обучения, которая за счет конкретизации операций, влияющих на нейросетевое распознавание эмоций, а также за счет обоснования перечня параметров оценки эффективности позволяет детализировать направления исследований по проектированию соответствующих средств распознавания. Определено, что направления дальнейших исследований связаны с усовершенствованием методологической базы разработки и использования нейросетевых средств распознавания эмоций слушателей системы дистанционного обучения.
Анотація (англ): 
One of the most significant trends in the development of distance learning systems is the introduction of automatic learning tools, the result of perception of which largely depends on the functional state of the students. As a result, there is a need to diagnose the current functional state of the listeners. It was determined that it is possible to diagnose the state of the listeners through the use of neural network means of recognizing the emotional state of a person. It has been established that in the modern scientific and applied literature the directions of research on the creation of neural network emotion recognition tools intended for use in a distance learning system are not fully outlined. As a result of the research, a conceptual model of neural network recognition of the emotional state of distance learning students has been developed, which by specifying operations affecting neural network recognition of emotions, as well as justifying the list of performance measurement parameters, allows for detailed directions of research on designing appropriate recognition tools. It was determined that the directions of further research are connected with the improvement of the methodological base for the development and use of neural network means of recognizing emotions of distance learning students.
Публікатор: 
Київський національний університет будівництва і архітектури
Назва журналу, номер, рік випуску (укр): 
Управління розвитком складних систем, номер 38, 2019
Назва журналу, номер, рік випуску (рус): 
Управление развитием сложных систем, номер 38, 2019
Назва журналу, номер, рік випуску (англ): 
Management of Development of Complex Systems
Мова статті: 
Русский
Формат документа: 
application/pdf
Документ: 
Дата публікації: 
06 Март 2019
Номер збірника: 
Розділ: 
ТЕХНОЛОГІЯ УПРАВЛІННЯ РОЗВИТКОМ
Університет автора: 
Киевский национальный университет строительства и архитектуры, Киев
Литература: 
  1. Bojorges, E.R. (2007). Scaling patterns of heart rate variability data. Physiol. Meas., 28(6), 721.
  2. Carew, T.J, Magsamen, S.H. (2010). Neuroscience and education: an ideal partnership for producing evidence-based solutions to Guide 21(st) Century Learning. Neuron, 9; 67(5), 685-8.
  3. Chandrani, S., Washef, A., Soma, M., Debasis, M. (2015). Facial Expressions: A Cross-Cultural Study. Emotion Recognition: A Pattern Analysis Approach. Wiley Publ., 69–86.
  4. Dawson, M., Schell, A. (2000). Handbook of Psychophysiology, Cambridge University Press, New York.
  5. Hu, Z., Tereykovskiy, I., Zorin, Y., Tereykovska, L., Zhibek, A. (2018). Optimization of convolutional neural network structure for biometric authentication by face geometry. Advances in Intelligent Systems and Computing, 754, 567-577.
  6. Jung, N, Wranke, C, Hamburge,r K, Knauff, M. (2014). How emotions affect logical reasoning: evidence from experiments with mood-manipulated participants, spider phobics, and people with exam anxiety. Front Psychol., 5, 570.
  7. Konar, A., Chakraborty, A. (2015). Emotion recognition: a pattern analysis approach. Wiley, 583.
  8. Littlewort, G., Whitehill, J., Wu, T., Fasel, I., Frank, M., Movellan, J. and Bartlett, M. (2011). The Computer Expression Recognition Toolbox (CERT). Proceedings of the IEEE International Conference on Automatic Face and Gesture Recognition, 298 305.
  9. Tereikovska, L., Tereikovskyi, I., Mussiraliyeva, S., Akhmed, G., Beketova, A., Sambetbayeva, A. (2019). Recognition of emotions by facial Geometry using a capsule neural network. International Journal of Civil Engineering and Technology (IJCIET), 10, 04, 270-279.
  10. Milborrow, S., Nicolls, F. (2014). Active Shape Models with SIFT Descriptors and MARS, VISAPP (2) Publ., 380–387.
  11. Russell, J.A, Bachorowski, J.A, Fernandez-Dols, J.M. (2003). Facial and vocal expressions of emotion. Annu Rev Psychol., 54, 329-49.
  12. Schupp, H.T, Stockburger, J, Codispoti, M, Junghöfer, M, Weike, A.I, Hamm, A.O. (2007). Selective visual attention to emotion. J Neurosci., 27(5), 1082-9.
  13. Schmidt, S.J. (2017). What Does Emotion Have to Do with Learning? Journal of Food Science Education, 16, 64-66.
  14. Shanshan, L. (2009). Facial expression recognition algorithm based on local Gabor wavelet automatic segmentation. Journal of Computer Applications, 11, 29-37.
  15. Um, E., Plass, J.L., Hayward, E.O., Homer, B.D. (2012). Emotional design in multimedia learning. Educ. Psychol., 104, 485 498.
  16. Yu, Y., Acton, S.T. (2002). Speckle Reducing Anisotropic Diffusion. IEEE Transactions on Image Processing, 11, 1260 1270.