Оценка уровня когнитивной нагрузки на обучаемого является одной из важных компонент при разработке и реализации учебных материалов и мероприятий. Согласно определению Джона Свеллера, когнитивная нагрузка отражает ресурсы, затрачиваемые рабочей памятью человека. Одним из способов повысить эффективность образовательного процесса является определение периодов индивидуальной когнитивной перегрузки и связанных с ней ошибок. Выявление когнитивной перегрузки становится особенно важным при создании дистанционных образовательных курсов и преподавания сложных тем.
В настоящей работе описывается подход к оценке когнитивной нагрузки, реализованный на базе аппаратно-программного комплекса (АПК), обеспечивающего сбор и обработку информации для решения задач оценки психофизиологических состояний человека. На основе информации, собираемой комплексом, реализован алгоритм построения модели классификаторов психофизиологических состояний. Алгоритм основан на использовании базовых статистических инструментов. В работе приведена модель определения когнитивной нагрузки на основе фронтального тэта-ритма (4-7 Гц), регистрируемого энцефалографом потребительского класса, разработан порядок экспериментальной апробации модели на основе теста Стернберга, приведены критерии и результаты оценки точности созданной модели.
Апробация предложенного подхода показала достаточный уровень точности, сравнимый с моделями, опирающимися на определение психоэмоционального состояния при помощи методов машинного обучения. C. 35-44.

Cognitive load evaluation is an approach to boost educational efficiency. According to John Sweller, cognitive load represents the effort being used by working memory. Cognitive load and overload classification can become useful for creating educational courses.pagebreak In this paper, we describe an algorithm for a mental-state cognitive load classifier based on basic statistical instruments. We show the cognitive load model based on low-cost EEG frontal theta-activity (4-7 Hz) registration. We also describe an experimental algorithm to evaluate the model with Sternberg-task and show the results in terms of precision, recall, and F-score.
During the approbation, the described model had shown results, that are comparable to the ones of machine-learning mental-state classifiers.
This paper can be used as an instruction to quick creation and approbation of practice-oriented cognitive load models.