РАЗРАБОТКА ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ ОБРАБОТКИ И АНАЛИЗА РУКОПИСНОГО ВВОДА ДЛЯ ОЦЕНКИ ГРАФОМОТОРНЫХ НАВЫКОВ

Современные тенденции цифровизации образования способствуют активному внедрению цифровых технологий в процесс обучения письму, особенно на дошкольном этапе. В статье представлена интеллектуальная система анализа формирования графомоторных навыков у детей дошкольного возраста на основе математического моделирования ошибок при написании букв с использованием сенсорных устройств. Цель исследования – разработка и апробация математической модели оценки графомоторных ошибок, позволяющей выявлять и анализировать типовые отклонения от эталона при выполнении заданий в цифровом приложении «Ловкие пальчики». В основе модели лежит сравнение пользовательской траектории с эталонной, представленной в виде кусочно-линейных функций. Для повышения точности анализа применяется сглаживание с использованием сплайна Кэтмулл-Рома. Предложена система метрик: отклонение формы, угловое отклонение, смещение начальной/конечной точек и метрика подобия (расстояние Фреше). Эти параметры формируют интегральную оценку качества выполнения задания. Приложение автоматически генерирует отчеты и графики прогресса для педагогов и родителей, а также предоставляет рекомендации по корректирующим мерам. Разработанный интерфейс визуализирует ошибки, формирует рекомендации и фиксирует прогресс. Такой подход значительно расширяет возможности диагностики и коррекции навыков письма, дополняя традиционные методы наблюдения педагогов. Таким образом, интеллектуальное электронное приложение «Ловкие пальчики» представляет собой эффективный инструмент цифровой педагогической диагностики, способствующий раннему выявлению нарушений письма и повышению готовности дошкольников к школьному обучению.

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.