اثربخشی توان‌بخشی شناختی رایانه‌یار بر نیمرخ عصب‌شناختی دانش‌آموزان تیزهوش

مقدمه: هدف این پژوهش تعیین اثربخشی توان ‌بخشی شناختی رایانه ‌یار بر نیمرخ عصب ‌شناختی دانش ‌آموزان تیزهوش مدارس ویژه تیزهوشان شهرستان سنندج بود. روش کار: این پژوهش کاربردی، روش گردآوری اطلاعات میدانی و روش پژوهش حاضر توصیفی از نوع شبه‌ آزمایشی بود. جامعه آماری شامل کلیه دانش ‌آموزان بازه سنی 10 تا 12 سال در مدارس پسرانه ویژه تیزهوش شهرستان سنندج در سال تحصیلی 1399-1398 به تعداد 112 نفر بودند، که به صورت در دسترس تعداد 18 نفر (9 نفر در گروه آزمایش و 9 نفر در گروه کنترل) به عنوان حجم نمونه انتخاب شدند. نرم ‌افزار توان‌ بخشی شناختی captain’s log (نسخه 2014) و پرسشنامه استاندارد نیمرخ عصب ‌روان شناختی kanzer’s (2004) بود. روایی  این پرسشنامه ‌ها توسط متخصصان مورد تایید قرار گرفت، پایایی از طریق ضریب آلفای کرونباخ (0.81) محاسبه شد. برای تجزیه و تحلیل داده ‌ها نیز در بخش توصیفی (محاسبه میانگین و انحراف استاندارد) و استنباطی (آزمون کولموگروف_اسمیرنوف و کوواریانس تک ‌متغیری (آنکوا) همراه با مفروضه ‌های کاربس (شیوه رگرسیون و لوین) با استفاده از نرم‌افزارهایspss-26  استفاده شد.یافته‎ها: توان ‌بخشی شناختی رایانه‌ یار، بر نیمرخ عصب ‌شناختی دانش ‌آموزان تیزهوش مدارس ویژه تیزهوش شهرستان سنندج تاثیر دارد. نتیجه ‌گیری: نتایج نشان داد که توان‌ بخشی شناختی رایانه ‌یار، بر نیمرخ عصب ‌شناختی دانش ‌آموزان تیزهوش مدارس ویژه تیزهوش شهرستان سنندج تاثیر دارد. همچنین نتایج نشان داد که توان ‌بخشی شناختی رایانه ‌یار باعث افزایش حافظه فعال، عملکرد حسی، عملکرد زبانی، کارکرد اجرایی و سرعت پردازش شده است.

the effectiveness of computer-like cognitive rehabilitation on the neuropsychological profile of gifted students

introduction: the data used in this study consists of the simultaneous recording of functionalmagnetic resonance imaging (fmri) images and electroencephalography (eeg) signals during thecognitive task of moving random dots to measure the confidence levelin perceptual decision-making.this research reconstructs fmri images using electroencephalogram signals.methods: eeg data assumed the model input and fmri image data as model output, and the modellearns how to generate output format data from input format data. before entering the data into themodel, the input data are pre-processed to increase the model accuracy by removing the artifactswith the fast algorithm for independent component analysis (fastica) method and transformingthem into the gramian matrix.results: compared to other methods, the model has shown appropriate superiority, including inthe execution time and the model accuracy.conclusion: the proposed deep convolutional learning model succeeded in simulating fmri imagesfrom eeg signals with reasonable accuracy.