ГРАФОМОТОРЛЫҚ ДАҒДЫЛАРДЫ БАҒАЛАУ ҮШІН ИНТЕЛЛЕКТУАЛДЫ ҚОЛЖАЗБАНЫ ӨҢДЕУ ЖӘНЕ ТАЛДАУ ЖҮЙЕСІН ӘЗІРЛЕУ

Білім беруді цифрландырудың қазіргі тенденциялары жазуды оқыту процесіне, әсіресе мектепке дейінгі кезеңде технологияларды белсенді енгізуге ықпал етеді. Мақалада сенсорлық құрылғыларды пайдаланып әріптерді жазу кезінде қателерді математикалық модельдеу негізінде мектеп жасына дейінгі балаларда графомоторлық дағдыларды қалыптастыруды талдаудың интеллектуалды жүйесі берілген. Зерттеудің мақсаты – «епті саусақтар» цифрлық қосымшасында тапсырмаларды орындау кезінде стандарттан типтік ауытқуларды анықтауға және талдауға мүмкіндік беретін графомоторлық қателерді бағалаудың математикалық моделін әзірлеу және сынақтан өткізу. Ұсынылған модель пайдаланушының жазу траекториясын эталондық траекториямен салыстыруға негізделген, мұнда эталон кесінділі-сызықтық функциялар түрінде ұсынылады. Талдау дәлдігін арттыру мақсатында Кэтмулл–Рома сплайны негізіндегі тегістеу әдісі қолданылады. Бағалау үшін келесі метрикалар жүйесі ұсынылған: пішіннің ауытқуы, бұрыштық ауытқу, бастапқы және соңғы нүктелердің ығысуы, сондай-ақ ұқсастық метрикасы (freshe қашықтығы). Аталған көрсеткіштер тапсырманың орындалу сапасының интегралдық бағасын қалыптастырады. Қолданба мұғалімдер мен ата-аналар үшін есептер мен прогресс кестелерін автоматты түрде жасайды және түзету шаралары бойынша ұсыныстар береді. Әзірленген интерфейс қателерді визуализациялауға, ұсыныстарды қалыптастыруға және баланың ілгерілеуін тіркеуге мүмкіндік береді. Бұл тәсіл мұғалімдердің дәстүрлі бақылау әдістерін толықтыра отырып, жазу дағдыларын диагностикалау және түзету мүмкіндіктерін едәуір кеңейтеді. Осылайша, «епті саусақтар» интеллектуалды электронды қосымшасы жазудың бұзылуын ерте анықтауға және мектеп жасына дейінгі балалардың мектепке дайындығын арттыруға ықпал ететін цифрлық педагогикалық диагностиканың тиімді құралы болады.

1. Rane, D., Verma, P., Lahiri, U. How Good is Your Drawing? Quantifying Graphomotor Skill Using a Portable Platform. Lecture Notes in Computer Science, 409–422 (2022). https://doi.org/10.1007/978-3-031-22131-6_31.

2. Dinehart, L.H. Handwriting in early childhood education: Current research and future implications. Journal of Early Childhood Literacy, 15(1), 97–118 (2014). https://doi.org/10.1177/1468798414522825.

3. Ceccacci, S., Taddei, A., Del Bianco, N., Giaconi, C., Forteza Forteza, D., Moreno-Tallón, F. Preventing Dysgraphia: Early Observation Protocols and a Technological Framework for Monitoring and Enhancing Graphomotor Skills. Information, 15(12), 781 (2024). https://doi.org/10.3390/info15120781.

4. Šafárová, K., Mekyska, J., Urbánek, T., Galáž, Z., Mucha, J., Zvončák, V., Bednářová, J. Grafomotorické dovednosti. Masaryk University, Brno (2022). https://doi.org/10.5817/cz.muni.m280-0257-2022.

5. Kopnova, O.L., Aytymova, A.M., Abildinova, G., Safaraliev, B.S., Koleva, N.S., Panova, M. Assessment of the level of formation of graphomotor skills of preschool and primary school students using graphic tablets. Sovremennye Naukoëmkie Tehnologii, 5, 154–159 (2024). https://doi.org/10.17513/snt.40021.

6. Devillaine, L., Lambert, R., Boutet, J., Aloui, S., Brault, V., Jolly, C., Labyt, E. Analysis of Graphomotor Tests with Machine Learning Algorithms for an Early and Universal Pre-Diagnosis of Dysgraphia. Sensors, 21 (21), 7026 (2021). https://doi.org/10.3390/S21217026.

7. Aitymova, A., Iklassova, K., Abildinova, G., Shaporeva, A., Kopnova, O., Kushumbayev, A., Smolyaninova, S., Aitymov, Z., Karymsakova, A. Development of a model of information process management in the information and educational environment of preschool education organizations. Eastern-European Journal of Enterprise Technologies, 2(3), 95–105 (2023). https://doi.org/10.15587/1729-4061.2023.276253.

8. Iklassova, K., Aitymova, A., Kopnova, O., Shaporeva, A., Abildinova, G., Nurbekova, Z., Almagambetova, L., Gorokhov, A., Aitymov, Z. Ontology modeling for automation of questionnaire data processing. Eastern-European Journal of Enterprise Technologies, 5(2), 36–52 (2024). https://doi.org/10.15587/1729-4061.2024.314129.

9. AlKendi, W., Gechter, F., Heyberger, L., Guyeux, C. Advancements and Challenges in Handwritten Text Recognition: A Comprehensive Survey. Journal of Imaging, 10(1), 18 (2024). https://doi.org/10.3390/jimaging10010018.

10. Tayebi Arasteh, S., Kalisz, A. Conversion Between Cubic Bezier Curves and Catmull–Rom Splines. SN Computer Science, 2, 398 (2021). https://doi.org/10.1007/s42979-021-00770-x.

11. Li, J., Chen, S. The Cubic α-Catmull-Rom Spline. Mathematical and Computational Applications, 21(3), 33 (2016). https://doi.org/10.3390/mca21030033.

12. Wu, T., Bai, B., Wang, P. Parallel Catmull-Rom Spline Interpolation Algorithm for Image Zooming Based on CUDA. Applied Mathematics & Information Sciences, 7, 533–537 (2013). https://www.naturalspublishing.com/Article.asp?ArtcID=1048.

13. DeRose, T.D., Barsky, B.A. Geometric continuity, shape parameters, and geometric constructions for Catmull-Rom splines. ACM Transactions on Graphics, 7(1), 1–41 (1988). https://doi.org/10.1145/42188.42265.

14. Kong, C., Luo, A., Wang, S., Li, H., Rocha, A., Kot, A. Pixel-inconsistency modeling for image manipulation localization. IEEE Transactions on Pattern Analysis and Machine Intelligence, 47(6), 4455–4472 (2025). URL: https://arxiv.org/abs/2310.00234.

15. Yu, C., Zhang, X., Duan, Y., Yan, S., Wang, Z., Xiang, Y., Ji, S., Chen, W. Diff-id: An explainable identity difference quantification framework for deepfake detection. IEEE Transactions on Dependable and Secure Computing, 1–18 (2024). URL: https://arxiv.org/abs/2303.18174.

16. Lyu, S., Pan, X., Zhang, X. Exposing Region Splicing Forgeries with Blind Local Noise Estimation. International Journal of Computer Vision, 110, 202–221 (2014). https://doi.org/10.1007/s11263-013-0688-y.

17. Marschner, S. CS 4620 Lecture 14: Splines. Cornell University (2020). URL: https://www.cs.cornell.edu/courses/cs4620/2020fa/slides/14splines.pdf.