Cogito, ergo sum — "Мыслю — значит, существую" — кто же не знает эту формулу Декарта! А как мыслят современные школьники? Каковы их когнитивные характеристики? Чем они увлекаются и как это влияет на формирование их личности? От ответов на эти вопросы, без преувеличения, зависит будущее страны. Разработать систему комплексной оценки состояния психики детей в популяционном масштабе важно еще и потому, что традиционные методы анализа, применявшиеся в прошлом, недостаточно эффективны. Современная система, приходящая им на смену, включает популяционное обследование и информационно-аналитическую обработку результатов с использованием искусственного интеллекта.

ГОСУДАРСТВЕННЫЙ ПРИОРИТЕТ

Сохранение психического здоровья детей — приоритетная задача здравоохранения и государства в целом. Для ее решения необходимо комплексное изучение развития мозга вообще и его когнитивного потенциала в частности, а также влияния на этот процесс эмоционально-личностных характеристик, социального окружения и социального результата. Комплексная оценка состояния психики самых юных граждан страны необходима для определения группы риска когнитивно и академически неуспешных детей, профилактики негативных динамических изменений, определения точек воздействия, которые могут привести к позитивным изменениям в их социальной жизнедеятельности.

Когнитивно-интеллектуальные показатели детей, их эмоции, личностные особенности и степень социальной адаптации изучают разными методами. Одни из них количественно оценивают когнитивные процессы, вторые описывают типологию эмоций и характера, третьи разработаны для анализа качества социальной жизни школьников с использованием опросников. Такой анализ осуществляют представители медицинских (неврологи, психиатры, медицинские психологи) и немедицинских специальностей (педагоги и педагоги-психологи, логопеды, социологи).

Из-за несогласованности их действий и трудностей в организации популяционных междисциплинарных исследований происходит дробление текущих изысканий и сегрегация их данных, отсутствует комплексная оценка результатов проведенной работы в конкретных направлениях (заболевания, учеба, внешкольная жизнедеятельность, отношения в семье, социальная адаптация). В связи с этим особую важность приобретают популяционные исследования, в которых анализируется большое количество признаков, отражающих психические функции детей.

ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ ДЛЯ МАКРОАНАЛИЗА

При исследовании большого количества признаков особую ценность представляет одномоментный анализ всех их связей между собой, а также внутри групп признаков и между этими группами. Такой условно слепой анализ связей всего со всем выявляет ранее не установленные взаимосвязи и влияния, не учтенные клиницистами закономерности, которые обнаруживаются лишь при большой выборке в популяционном масштабе. Объем такого исследования в десятки, а то и в сотни раз превышает масштабы традиционного статистического анализа. А значит, для проведения подобного макроанализа необходимо использование искусственного интеллекта, в частности машинного обучения.

Суть его в том, что компьютер не просто использует заранее написанный алгоритм, а сам обучается решению поставленной задачи. В совместной работе с исследовательским центром "Информатика и управление" Российской академии наук мы применили искусственный интеллект для анализа разнородных популяционных данных — в частности, результатов обследования когнитивной деятельности и параметров внешкольной жизни 1983 детей 11 и 15 лет из 8 городов разных регионов России. Когнитивные параметры исследовали с помощью батареи тестов для оценки соответствующих функций, параметры внешкольной жизнедеятельности изучали с помощью специально разработанного опросника для родителей. В него были включены 28 вопросов о сне, внешкольных увлечениях, летнем отдыхе и использовании Интернета.

Полученные результаты анализировали в два этапа. Сначала осуществлялась кластеризация — автоматическое разделение детей на группы по результатам когнитивных исследований. Затем определялись наиболее значимые признаки, которые обусловили кластеризацию, с помощью методов машинного обучения ("случайный лес" и метод опорных векторов). Благодаря этому была проведена кластеризация школьников по параметрам когнитивной деятельности. Далее проведены кластерный анализ сочетаемости различных аспектов внешкольной жизнедеятельности и анализ взаимосвязи параметров когнитивных процессов и внешкольной жизнедеятельности.

ДЕЛЕНИЕ НА КЛАССЫ

Результаты экспериментов с применением кластеризации и машинного обучения показали, что в обеих возрастных группах выборки по параметрам когнитивной деятельности разделяются на два класса (рис. 1).

В "высоком" классе результаты когнитивных тестов были лучше, чем в "нижнем". Для 11-летних школьников ведущими показателями кластеризации оказались тесты конструктивного праксиса, вербально-логического мышления и, в меньшей степени, зрительно-пространственной памяти. Для 15-летних главными также стали тесты конструктивного праксиса, вербально-логического мышления и в меньшей степени — зрительно-пространственной памяти.

При анализе сочетаемости признаков внешкольной жизнедеятельности у одного и того же подростка 15 лет установлена очень сильная связь между занятиями большим теннисом и хоккеем в обеих возрастных группах (рис. 2).

ФИЗКУЛЬТУРНЫЕ КЛАСТЕРЫ

Компьютерный анализ сгруппировал виды спорта в три кластера, причем такое разделение наиболее четко прослеживается у 15-летних.

Первый кластер можно условно назвать скоростным катанием — на роликах, коньках, классических и горных лыжах, скейте. Сюда же попал и настольный теннис.

Второй кластер состоит из игровых видов спорта: футбола, баскетбола и волейбола. К ним примыкает связка "большой теннис — хоккей".

Третий кластер включает в себя индивидуальные виды физической подготовки: единоборства, конный спорт и плавание.

Рис 1. Разделение выборки на кластеры

НЕСПОРТИВНЫЕ УВЛЕЧЕНИЯ

Аналогичным образом проанализировали неспортивные увлечения и занятия детей. Сильных связей по сочетаемости отдельных увлечений не выявлено ни в одной из возрастных групп, но у 11-летних школьников обнаружилась следующая градация:

• группа искусства—музыка, танцы, занятия в художественной школе;
• группа техников — робототехника и моделирование;
• цифровая группа — компьютерное программирование, фото- и видеотехника.

• робототехника группируется с компьютерным программированием;
• фото- и видеотехника—с моделированием (сюда же тяготеет музыка и, в меньшей степени, танцы с художественной школой).

ЖИЗНЬ ВНЕ ШКОЛЫ

При анализе внешкольной жизнедеятельности выявлена сильная связь между увлечением компьютерными играми в выходные и будни. Причем существует прямая зависимость между объемом времени, потраченного детьми на компьютерные игры, и использованием Интернета с неигровыми целями. Наиболее выражена она у подростков, которые уделяют играм и Интернету до часа в дни школьного обучения.

Увлечение компьютерными играми сочетается с отсутствием спортивных интересов. Регулярные занятия спортом в секциях неоднозначно связаны с компьютерными играми в выходные дни. С одной стороны, выявлена умеренно сильная связь с отсутствием увлечения компьютерными играми, а с другой — точно такая же связь с привычкой проводить за ними от 2 до 3 часов по субботам и воскресеньям.

Подростки, занимавшиеся неорганизованным спортом (игры во дворе и уличные состязания), тратили на компьютерные игры 1–2 часа в выходные дни. Если нет регулярных занятий спортом, то нет и летнего туризма спортивной направленности. В свою очередь, те, кто не увлекаются спортивным туризмом, не отдыхают в летних лагерях. Отмечается умеренная положительная связь между занятиями музыкой и горными лыжами. Установлено, что привычка засыпать до 22:00 умеренно сильно связана с более продолжительным сном (8–9 часов). Те, кто ложатся после 23:00, спят менее 8 часов (r = 0,397). Эти закономерности выявлены в обеих возрастных группах.

Для высокого когнитивного кластера наиболее характерно сочетание следующих признаков:

• 11 лет: музыкальная школа без других увлечений, танцы, неспортивные интересы в целом, спорт (баскетбол, футбол), летний отдых в классических лагерях;
• 15 лет: музыкальная школа без других увлечений, неспортивные интересы в целом, спорт (плавание, горные лыжи, спорт на уровне дворовых состязаний (рис. 3)), репетиторы и компьютерное программирование.

Реже высокий когнитивный кластер был представлен такими сочетаниями:

• 11 лет: спорт на уровне дворовых состязаний, спорт (хоккей, горные лыжи, большой теннис), музыкальные школы + занятия с репетиторами, нет увлечения компьютерными играми в дни школьного обучения;
• 15 лет: пробовали алкоголь, пробовали курить, занятия спортом на уровне секций и клубов, спорт (хоккей, единоборства, большой теннис), увлечения (танцы), музыкальные школы + занятия с репетиторами, нет привычки пользоваться социальными сетями и Интернетом в выходные дни.

Рис 2. Корреляционная матрица—сочетаемость увлечений различными видами спорта у одного участника (корреляции между всеми парами ответов по спорту)

ПУТЬ К УСПЕХУ

Главный результат проведенных изысканий заключается в самом создании современной и эффективной модели популяционного исследования с последующим компьютерным анализом данных. Если они подтвердятся при дальнейшем расширении выборки, то смогут повлиять на формирование государственной стратегии в образовании и социальной политике.

В этом плане представляется важным, что кластеризация по когнитивным параметрам разделила школьников на две категории: более и менее успешных в соответствующих тестах. Таким образом, мы получили инструмент, позволяющий на практике оценить социальные, соматические, индивидуально-личностные и другие параметры прежде всего когнитивно менее успешных детей. Их кластер содержал вдвое меньше участников, а потому интерпретировался как обособленная группа на фоне основной массы более успешных школьников.

Наибольший вклад в кластеризацию внесли конструктивный праксис и вербально-логическое мышление. Разделение на два когнитивных класса требует разработки методов ранней профилактики когнитивной неуспешности еще в дошкольном возрасте и дифференцированного образовательного подхода к школьникам. Выделение трех кластеров (скоростного катания, игровых и индивидуальных видов спорта), особенно у 15-летних, четко различающихся по характеру спортивной деятельности, говорит о закономерных различиях в базовых психоэмоциональных характеристиках детей. У 11-летних детей отмечалась похожая, хотя и несколько более размытая кластеризация, а значит, в этом возрасте уже присутствует разделение на спортивные психотипы, которое окончательно формируется к 15 годам. Те же выводы можно сделать и относительно неспортивных увлечений.

Увлечение компьютерными играми и использование Интернета подростками взаимосвязаны. Занятия спортом не исключают пристрастия к компьютерным играм. Но высокая увлеченность ими слабо сочетается со спортивной деятельностью. В части случаев сильное увлечение спортом абсолютно несовместимо с компьютерными играми. Интересно, что не увлекающиеся спортивным туризмом школьники не отдыхают в летних лагерях. По всей видимости, речь идет об определенной типологии индивидуального характера и семейного уклада. Связь между увлечением музыкой и горными лыжами — интересный факт для дальнейших интерпретаций.

Отдельного внимания заслуживает анализ взаимосвязи когнитивных параметров и внешкольной жизнедеятельности детей. У тех из них, кто не пользуется Интернетом, хуже развиты когнитивные функции. Это согласуется с соответствующими научными данными и говорит о вреде категорического запрета на использование Интернета. Когнитивные функции связаны с индивидуальной типологией внеучебной жизнедеятельности, в основе которой лежат особенности формирования личности и социальное влияние семьи. Не следует переносить данные выводы на каждый частный случай или опровергать примерами из жизни знакомых. Это всего лишь повод для размышления и пересмотра подходов к организации внешкольной жизни детей.

Популяционный анализ должен быть комплексным и включать подробнейший мультифакторный анализ когнитивных процессов, эмоционально-личностных характеристик и социального функционирования подростков. Для исключения сегрегации данных проведено построение полноценной модели, которая включает популяционное обследование и информационно-аналитическую обработку результатов с помощью методов искусственного интеллекта.

Рис 3. Распределение низких (Class 0) и высоких (Сlass 1) когнитивных кластеров по признаку «занятия спортом регулярно»