ЛИНГВИСТИЧЕСКИЙ ТРЕНАЖЁР ДИАГНОСТИКИ И КОРРЕКЦИИ ОБЩЕГО НЕДОРАЗВИТИЯ РЕЧИ

THE VI INTERNATIONAL SCIENTIFIC CONFERENCE “SCIENTIFIC FOUNDATIONS FOR THE USE OF INFORMATION TECHNOLOGIES OF A NEW LEVEL AND MODERN PROBLEMS OF AUTOMATION”, NOVEMBER 20, 2025 567 ЛИНГВИСТИЧЕСКИЙ ТРЕНАЖЁР ДИАГНОСТИКИ И КОРРЕКЦИИ ОБЩЕГО НЕДОРАЗВИТИЯ РЕЧИ 1Абдуллаева М.И. Ташкентский университет информационных технологий имени Мухаммада ал-Хоразмий, Ташкент, Узбекистан https://doi.org/10.5281/zenodo.17810251 Аннотация: В статье представлена концептуальная модель цифрового лингвистического тренажёра, предназначенного для диагностики и коррекции общего недоразвития речи (ОНР) у детей дошкольного возраста. На основе анализа современных логопедических методик и нейропсихологических особенностей детей 4–6 лет обоснована необходимость использования интерактивных цифровых средств, обеспечивающих стандартизированное тестирование фонематического слуха, звукопроизношения, лексико-грамматических навыков, связной речи и понимания речевых инструкций. Разработанная архитектура включает систему аутентификации, модуль диагностирования, автоматизированный подбор индивидуальной траектории обучения, игровые задания и блок интеллектуального анализа результатов, реализованный в формате ИИ-логопеда. Представленная функциональная диаграмма отражает последовательность и логику взаимодействия между пользователем, системой и аналитическими компонентами. Предполагается, что использование такого тренажёра в практике логопедической реабилитации позволит повысить точность диагностики, ускорить динамику коррекционных достижений и обеспечить устойчивый мониторинг речевого развития ребёнка. Ключевые слова: цифровой лингвистический тренажёр, речевая диагностика, общее недоразвитие речи, дети дошкольного возраста, ИИ-логопед. Abstract. The article presents a conceptual model of a digital linguistic trainer designed for the diagnosis and correction of general speech underdevelopment (GSU) in preschool children. Based on an analysis of contemporary speech-therapy methodologies and the neuropsychological characteristics of children aged 4–6, the study substantiates the need for interactive digital tools that enable standardized assessment of phonemic perception, sound production, lexical-grammatical skills, connected speech, and comprehension of verbal instructions. The developed architecture includes an authentication system, a diagnostic module, automated selection of an individualized learning trajectory, game-based tasks, and an intelligent result-analysis block implemented in the form of an AI-based speech therapist. The presented functional diagram reflects the sequence and logic of interactions between the user, the system, and the analytical components. It is assumed that the use of such a trainer in speech-therapy practice will improve diagnostic accuracy, accelerate the dynamics of corrective progress, and ensure continuous monitoring of the child’s speech development. Keywords: digital linguistic trainer, speech diagnostics, general speech underdevelopment, preschool children, AI speech therapist. Введение. Сегодня особое внимание уделяется разработке информационных систем, основанных на речевых технологиях. Разрабатываемые в настоящее время системы THE VI INTERNATIONAL SCIENTIFIC CONFERENCE “SCIENTIFIC FOUNDATIONS FOR THE USE OF INFORMATION TECHNOLOGIES OF A NEW LEVEL AND MODERN PROBLEMS OF AUTOMATION”, NOVEMBER 20, 2025 568 речевого интерфейса напрямую связаны с анализом [1] и синтезом речи [2]. Поскольку речевой диалог является основным способом человеческого общения, разработка интеллектуальной системы на основе речевых компонентов является одним из основных направлений искусственного интеллекта. Речевой интерфейс состоит из таких базовых речевых технологий, как анализ и синтез речи [3, 4]. В развитых странах, таких как США, Российская Федерация, Китай, Япония и др., ведутся научные исследования, направленные на развитие теоретических и практических работ, направленных на совершенствование существующих методов и алгоритмов анализа и синтеза речи, а также на разработку методов интеллектуальной обработки речевых сигналов. Сегодня разработка систем, способных обеспечить полноценный диалог человека и машины с использованием речи, является ключевой задачей в области цифровой обработки сигналов и искусственного интеллекта [5]. Во всем мире растет число детей с различными видами языковых и речевых нарушений (рис.1.). Нарушения языка (НЯ) являются одним из наиболее распространенных типов особых образовательных потребностей (ООП), не только как основная потребность ребенка, но и как вторичная область, связанная с другими типами ООП. НЯ является фактором риска для дальнейшего развития детей, будучи связанным с усилением поведенческих, эмоциональных и социальных трудностей, в частности, проблем со сверстниками и эмоциональных трудностей; трудностей с грамотностью, включая как чтение, так и письмо; и снижения уровня академической успеваемости. Риски, возникающие из НЯ в раннем детстве, могут также оказывать влияние в подростковом возрасте и во взрослой жизни. Виды речевых и языковых проблем Афазия Дизартрия Травма голосовых связок Нарушения речи и языка Болезнь Паркинсона и паркинсонизм Деменция и когнитивнокоммуникативные расстройства Реабилитация после инсульта и черепно-мозговой травмы Дисфония Рис.1. Основные виды языковых и речевых нарушений Согласно статистике в [6] диагноз «НЯ» вырос с ~9,0 % в 2018 году до ~11,8 % в конце 2021 года и ~16,9 % в начале 2022 года. К сожалению, от года в год наблюдается заметное увеличение количества детей с НР проблемами. В связи с чем, разработка информационной системы (лингвистического тренажера) для реабилитации слухо-речевых навыков детей дошкольного возраста является актуальной задачей. Возраст 4–6 лет является наиболее благоприятным периодом для реабилитации речи, поскольку именно в это время происходит активное созревание ключевых зон мозга, отвечающих за понимание и продуцирование речи — областей Брока и Вернике. Логопеды THE VI INTERNATIONAL SCIENTIFIC CONFERENCE “SCIENTIFIC FOUNDATIONS FOR THE USE OF INFORMATION TECHNOLOGIES OF A NEW LEVEL AND MODERN PROBLEMS OF AUTOMATION”, NOVEMBER 20, 2025 569 отмечают, что в этом возрасте ребёнок особенно восприимчив к коррекции речевых трудностей, а сформированная игровая мотивация делает процесс обучения естественным, увлекательным и эффективным. Благодаря сочетанию нейрофизиологической готовности и высокой эмоциональной вовлечённости, использование тренажёров на базе речевых технологий и с широкой анимационной базой становится наиболее результативным способом поддержки речевого и когнитивного развития детей. В работах [7,8] описаны, что основными методами логопедической диагностики речевых отклонений у детей являются: • Обследование фонематического слуха (дифференциация звуков) • Анализ звукопроизношения (по артикуляционной картине) • Проверка лексико-грамматических навыков (подбор слов, согласование в роде, числе) • Обследование связной речи (пересказ, составление рассказа по картинке) • Проверка понимания речи (выполнение инструкций, ответы на вопросы) На основе выше приведённых методов логопеды диагностируют 4 степени нарушений речи (рис.3.). ОНР (общее недоразвитие речи) является сложным системным речевым нарушением, затрагивающим фонетическую, лексическую, грамматическую и связную стороны речи, что делает его особенно чувствительным к методам структурированной диагностики. Лингвистический тренажёр обеспечивает возможность стандартизированной оценки каждого из компонентов языковой системы посредством тщательно подобранных речевых проб, которые легко адаптируются к цифровому формату. Алгоритмы автоматического анализа речи позволяют фиксировать характерные проявления ОНР — звукозамены, пропуски, аграмматизмы, ограниченность словаря и трудности построения высказываний — обеспечивая высокую объективность результатов и снижая влияние человеческого фактора. Такой подход делает цифровую диагностику не только сопоставимой с традиционными логопедическими методиками, но и в ряде аспектов более точной и воспроизводимой. THE VI INTERNATIONAL SCIENTIFIC CONFERENCE “SCIENTIFIC FOUNDATIONS FOR THE USE OF INFORMATION TECHNOLOGIES OF A NEW LEVEL AND MODERN PROBLEMS OF AUTOMATION”, NOVEMBER 20, 2025 570 Рис.3. Степени (уровни) нарушений речи Кроме того, использование лингвистического тренажёра позволяет отслеживать динамику речевого развития ребёнка в процессе многократного тестирования, что особенно важно для мониторинга эффективности коррекционной работы при ОНР. Автоматическая фиксация результатов, их хранение и аналитическая обработка создают возможности для формирования индивидуального речевого профиля и выявления устойчивых дефицитов. Игровой и интерактивный формат цифровой среды снижает эмоциональное напряжение и повышает мотивацию ребёнка, что способствует более естественному и достоверному проявлению речевых навыков в процессе диагностики. Таким образом, лингвистический тренажёр представляет собой научно обоснованный и современный инструмент скрининга и наблюдения за детьми с ОНР. Структуру и основные модули предлагаемого лингвистического тренажера приведены на рис.4. Предлагаемая архитектура лингвистического тренажёра представляет собой многоуровневую цифровую систему, обеспечивающую полный цикл диагностики, обучения и мониторинга речевого развития ребёнка. На первом этапе осуществляется вход в систему, предусматривающий использование современных методов идентификации (логин и пароль, Face ID, голосовая аутентификация), что гарантирует безопасность данных и персонализацию обучения. После авторизации пользователь проходит этап диагностирования, включающий тестирование уровня речевого развития. На основе полученных результатов система автоматически формирует рекомендации и обеспечивает выбор индивидуального модуля, соответствующего речевому профилю ребёнка. I уровень — Норма или незначительные задержки •Варианты речевой нормы: позднее, но полноценное формирование речи. •Лёгкие трудности звукопроизношени я. •Лексика и грамматика в норме. II уровень — Задержка речевого развития (ЗРР) •Речь появилась поздно (после 2,5 лет). •Ограниченный словарь, плохая связная речь. •Проблемы с построением предложений. •Может сопровождаться ЗПР (задержка психического развития). III уровень — Общее недоразвитие речи (ОНР) •Все компоненты речи нарушены (звуки, слова, фразы, смысл). •Выраженные трудности с пониманием и формулировкой. •Отставание в грамматике, лексике, звуковой стороне речи. •Часто требуется долгосрочная логопедическая работа. Особая категория — дети с особенностями развития •РАС (аутистический спектр): нарушение коммуникативного намерения, эхолалии, скрипты. •Дизартрия: нарушение артикуляции, темпа, дыхания, из-за поражения ЦНС. •Алалия: полное или частичное отсутствие речи при сохранном интеллекте. THE VI INTERNATIONAL SCIENTIFIC CONFERENCE “SCIENTIFIC FOUNDATIONS FOR THE USE OF INFORMATION TECHNOLOGIES OF A NEW LEVEL AND MODERN PROBLEMS OF AUTOMATION”, NOVEMBER 20, 2025 571 Вход в систему (внести логин пароль, использовать фейс айди, голосовая идентификация) Диагностирование (тестирование уровня речи) Выбор модуля (на основе тестирования система предлагает курс реабилитации) 1-модуль 2-модуль n-модуль Интерактивная обратная связь (Система обеспечивает диалог в процессе обучения и анализирует ответы ученика) Игровая мотивация (Награды, анимация, прогресс-бар) База данных результатов ИИ логопед (анализ результатов и успеваемости) 1 2 4 5 ... 3 Рис.4. Функциональная диаграмма процесса работы лингвистического тренажёра Каждый обучающий модуль включает комплекс упражнений, направленных на коррекцию отдельных компонентов речи, а выполнение заданий сопровождается интерактивной обратной связью: система анализирует ответы ученика, формирует корректирующие подсказки и ведёт автоматизированный диалог в процессе обучения. Для поддержания устойчивой учебной мотивации внедрён блок игровой геймификации, включающий награды, анимации и прогресс-бар, что повышает вовлечённость ребёнка и способствует регулярности занятий. Все результаты фиксируются и сохраняются в базе данных, обеспечивая возможность динамического мониторинга. На заключительном этапе встроенный ИИ-логопед анализирует накопленные данные, оценивает успеваемость, формирует отчёты и корректирует последующие обучающие траектории, создавая адаптивную, научно обоснованную и персонализированную систему речевой реабилитации. Использование цифрового лингвистического тренажёра позволяет значительно ускорить процесс речевой реабилитации: согласно исследованию, большинство детей, ожидающих терапию, за 12 месяцев самостоятельного ожидания показали лишь изменение на 0,58 балла по шкале TOM-I, и при этом 83% из них всё ещё нуждались в помощи специалиста [9]. Внедрение активных тренажёров с регулярными интерактивными заданиями, обратной связью и мониторингом результатов может сократить время до THE VI INTERNATIONAL SCIENTIFIC CONFERENCE “SCIENTIFIC FOUNDATIONS FOR THE USE OF INFORMATION TECHNOLOGIES OF A NEW LEVEL AND MODERN PROBLEMS OF AUTOMATION”, NOVEMBER 20, 2025 572 выраженного прогресса более чем на 50%, позволяя ребёнку перейти к успешной коммуникативной активности быстрее и с меньшими рисками задержек. Заключение На основе анализа исследований обосновывается необходимость внедрения цифровых средств в процесс диагностики и коррекции общего недоразвития речи у детей дошкольного возраста. Предлагаемая концепция лингвистического тренажёра демонстрирует, что сочетание автоматизированных диагностических модулей, адаптивных обучающих заданий и интеллектуального анализа результатов создаёт условия для более точного выявления речевых нарушений и построения персонализированных траекторий развития. Представленная функциональная модель отражает логически выстроенную последовательность взаимодействия пользователя с системой и подтверждает потенциал цифровой среды как эффективного инструмента логопедической реабилитации. Применение подобных тренажёров в практике позволяет не только ускорять динамику коррекционных изменений, но и обеспечивать непрерывный мониторинг речевых достижений, что делает цифровые решения важным направлением модернизации современной логопедии. ИСПОЛЬЗОВАННАЯ ЛИТЕРАТУРА 1. Abdullaeva, M.I., Juraev, D.B., Ochilov, M.M., Rakhimov, M.F. Uzbek Speech Synthesis Using Deep Learning Algorithms. Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 2023, 13741 LNCS, pages 39–50 2. Mahmudovich, M.M., Ilkhamovna, A.M., Shukhrat Ogli, T.B. Image Approach to Uzbek Speech Recognition. International Conference on Communication Technology Proceedings, ICCT, 2022, 2022-November-November, pages 1201–1206 3. Höök K. Steps to take before intelligent user interfaces become real, in Interacting with Computers. The interdisciplinary journal of Human-Computer Interaction Vol. 12, Issue 5, February 26, 2001. pp. 409-426, http://www.sics.se/~kia/papers/Steps_Hook_final.pdf . 4. .Z. Ali, M. S. Hossain, G. Muhammad, A. K. Sangaiah. An intelligent healthcare system for detection and classification to discriminate vocal fold disorders. Future Generation Computer System vol. 85, 2018, pp. 19–28. 5. Musaev, M., Rakhmatullaev, M., Normatov, S., Shukurov, K., Abdullaeva, M. Integrated Intelligent System for Scientific and Educational Information Retrieval. Vide. Tehnologija. Resursi - Environment, Technology, Resources, 2024, 2, pages 212–219 6. https://www.contemporarypediatrics.com/view/pediatric-speech-disorder-diagnoses-morethan-doubled-amid-covid-19-pandemic?utm_source=chatgpt.com 7. Preston, J. L., Leece, M. C., & Storto, J. (2019). Tutorial: Speech motor chaining treatment for school-age children with speech sound disorders. Journal of Speech, Language, and Hearing Research, 57(6), 2102-2115. https://doi.org/10.1044/2014_JSLHR-S-14-0031 8. Assis, I. M., et al. (2024). Assessment approaches in speech therapy. Revista CEFAC, 26(6), e3824. https://doi.org/10.1590/1982-0216/20242663824