Моделирование критических когнитивных состояний для предиктивного тестирования пользовательских интерфейсов

  • Pavel Alekseevich Panilov Московский государственный технический университет имени Н.Э. Баумана (национальный исследовательский университет) http://orcid.org/0009-0005-7663-5576

Аннотация

В статье предлагается когнитивно-ориентированный подход к предиктивному тестированию пользовательских интерфейсов, основанный на моделировании фазовой динамики взаимодействия пользователя с программной системой. В отличие от традиционных методов тестирования, ориентированных преимущественно на функциональную корректность и статические сценарии, предложенная модель рассматривает взаимодействие как нелинейный динамический процесс, описываемый системой уравнений вида ẋ(t)=F(z(t), u(t)), где z(t) — вектор когнитивного состояния, а u(t) — интерфейсные воздействия. Когнитивное состояние представлено расширенным вектором параметров, включающим информационную нагрузку, уровень напряжения, интенсивность внешних воздействий и когнитивную устойчивость. Введено понятие критической фазы когнитивного состояния, определяемой как область фазового пространства, в которой возрастает вероятность ошибок взаимодействия. Показано, что переход в критическое состояние обусловлен не только текущими значениями параметров, но и динамикой их изменения, что соответствует концепции ранних предупреждающих сигналов в теории нелинейных систем. Для количественной оценки уязвимости интерфейса разработана функция когнитивного риска R(t)=ψ(z(t), ẋ(t)), интерпретируемая как мера близости системы к границе устойчивости. Результаты моделирования демонстрируют возможность выявления предкритических состояний до возникновения явных ошибок пользователя. Предложенный подход обеспечивает переход от реактивного анализа дефектов к предиктивной оценке устойчивости взаимодействия и может служить основой для разработки интеллектуальных инструментов когнитивного тестирования интерфейсов.

Сведения об авторе

Pavel Alekseevich Panilov, Московский государственный технический университет имени Н.Э. Баумана (национальный исследовательский университет)

ассистент кафедры систем автоматического управления факультета информатики и систем управления

Литература

1. Shin Y., Jung J., Choi S. The influence of scaffolding for computational thinking on cognitive load and problem-solving skills in collaborative programming. Educ Inf Technol. 2025;30:583-606. https://doi.org/10.1007/s10639-024-13104-0
2. Panilov P.A., Tsibizova T.Yu., Chernega E.V. Development of an Algorithm for Managing Cognitive Functions in Intelligent Security Systems. Izvestiya of Tula State University. Technical Sciences. 2023;(10):47-61. (In Russ., abstract in Eng.) https://doi.org/10.24412/2071-6168-2023-10-47-48
3. Oliva‑Zamora M.Á., Mangiron C. How to create video games with cognitive accessibility features: a literature review of recommendations. Univ Access Inf Soc. 2025;24:2805-2818. https://doi.org/10.1007/s10209-025-01231-5
4. Paas F., Renkl A., Sweller J. Cognitive Load Theory and Instructional Design: Recent Developments. Educational Psychologist. 2010;38(1):1-4. https://doi.org/10.1207/S15326985EP3801_1
5. Wang T., Li S., Huang X., Examining students’ cognitive load in the context of self-regulated learning with an intelligent tutoring system. Educ Inf Technol. 2023;28:5697-5715. https://doi.org/10.1007/s10639-022-11357-1
6. Panilov P.A., Tsibizova T.Yu. Application of Machine Learning Technologies for Managing Multifactor Threats in an Integrated Model of a Cognitive Security Center at a Defense Industry Enterprise. Modern Information Technologies and IT Education. 2024;20(1):70-81. (In Russ., abstract in Eng.) https://doi.org/10.25559/SITITO.020.202401.70-81
7. Dakhama A., Even-Mendoza K., Langdon W. Enhancing search-based testing with LLMs for finding bugs in system simulators. Autom Softw Eng. 2025;32:63. https://doi.org/10.1007/s10515-025-00531-7
8. Kowalczuk Z., Czubenko M. Cognitive motivations and foundations for building intelligent decision-making systems. Artif Intell Rev. 2023;56:3445-3472. https://doi.org/10.1007/s10462-022-10255-9
9. Piantadosi V., Scalabrino S., Serebrenik A. Do attention and memory explain the performance of software developers? Empir Software Eng. 2023;28:112. https://doi.org/10.1007/s10664-023-10316-9
10. Putnoki A.M., Orosz T. Cognitive and artificial intelligence evaluation framework. Artif Intell Rev. 2026;59:98. https://doi.org/10.1007/s10462-026-11493-x
11. Chen T., Lin S., Wu J. Revisiting cognitive process-driven model with sentiment-infused user preference for recommendation. J Intell Inf Syst. 2025;63:2203-2235. https://doi.org/10.1007/s10844-025-00980-2
12. Gu R., Rojas J.M., Shin D. Software testing for extended reality applications: a systematic mapping study. Autom Softw Eng. 2025;32:56. https://doi.org/10.1007/s10515-025-00523-7
13. Valentini L., Weistroffer V., Grandi F. Digital toolkit for human-centered machine design: development and testing of an innovative system integrating virtual reality and HMI digital prototypes. Int J Adv Manuf Technol. 2025. https://doi.org/10.1007/s00170-025-16943-4
14. Wang F., Tao C., Gao J. REDQT: a method for automated mobile application GUI testing based on deep reinforcement learning algorithms. SOCA. 2024. https://doi.org/10.1007/s11761-024-00413-y
15. Biryukov S.V., Analysis of Software Testing Strategies. Izvestiya SFedU. Engineering Sciences. 2008;(1):59-63. (In Russ., abstract in Eng.) EDN: KNOCIH
16. Logacheva N.V., Ladonycheva M.L., Puzyreva K.S. The importance of software testing in the process of software development. Innovative science. 2022;(2-2):23-26. (In Russ., abstract in Eng.) EDN: FXHOTN
17. Kutsenko S.M. Development of an automated software testing system. Scientific and Technical Bulletin of the Volga region. 2023;(11):224-227. (In Russ., abstract in Eng.) EDN: MUVEWM
18. Savkin M.K., Fotina Ya.A. Black box and white box program testing abstract. Questions of radio electronics. 2017;(11):44-47. (In Russ., abstract in Eng.) EDN: ZOWTYZ
19. Vildanova K.I. Choosing a software testing method. Uchenyye zapiski Ul'yanovskogo gosudarstvennogo universiteta. Fundamental'nyye problemy matematiki i mekhaniki = Scientific Notes of Ulyanovsk State University. Fundamental Problems of Mathematics and Mechanics. 2022;(2):31-37. (In Russ., abstract in Eng.) EDN: ANTMVJ
20. Fagerholm F., Felderer M., Fucci D., Unterkalmsteiner M., Marculescu B. Cognition in Software Engineering: A Taxonomy and Survey of a Half-Century of Research. ACM Comput. Surv. 2022;54(11s):226. https://doi.org/10.1145/3508359
21. Nyrkov A.P., Yumasheva E.S., Kirikov A.V. Optimization of the penetration testing process in automated process control systems using machine learning algorithms. Vestnik Gosudarstvennogo universiteta morskogo i rechnogo flota imeni admirala S. O. Makarova. 2024;16(3):456-466. (In Russ., abstract in Eng.) https://doi.org/10.21821/2309-5180-2024-16-3-456-466
22. Kozachok A.V., Kozachok V.I., Osipova N.S., Ponomarev D.V. Overview of studies on the application of machine learning methods to improve the efficiency of fusing testing. Proceedings of Voronezh State University. Series: Systems Analysis and Information Technologies. 2021;(4):83-106. (In Russ., abstract in Eng.) https://doi.org/10.17308/sait.2021.4/3800
23. Lapushkin A.G., Gavrilov D.A., Potkin O.A. synthesized data creation software and feedback simulator for testing machine learning algorithms. Nauchnoe Priborostroenie = Scientific Instrumentation. 2023;33(1):95-108. (In Russ., abstract in Eng.) EDN: AWRUAE
24. Hilbert D.M., Redmiles D.F. Extracting usability information from user interface events. ACM Comput. Surv. 2000;32(4):384-421. https://doi.org/10.1145/371578.371593
25. Cocchi L., Gollo L., Zalesky A., Breakspear M. Criticality in the brain: A synthesis of neurobiology, models and cognition. Progress in Neurobiology. 2017;158:132-152. https://doi.org/10.1016/j.pneurobio.2017.07.002
26. Storey M.A. Theories, tools and research methods in program comprehension: past, present and future. Software Qual J. 2006;14:187-208. https://doi.org/10.1007/s11219-006-9216-4
Опубликована
2026-04-15
Как цитировать
PANILOV, Pavel Alekseevich. Моделирование критических когнитивных состояний для предиктивного тестирования пользовательских интерфейсов. Современные информационные технологии и ИТ-образование, [S.l.], v. 22, n. 1, p. 76-87, apr. 2026. ISSN 2411-1473. Доступно на: <http://sitito.cs.msu.ru/index.php/SITITO/article/view/1286>. Дата доступа: 22 june 2026 doi: https://doi.org/10.25559/SITITO.022.202601.76-87.
Раздел
Когнитивные информационные технологии в системах управления