Automatizovaný výpočet stresového koeficientu simulační výuky

Abstract

Tato diplomová práce se zabývá návrhem a implementací metodiky pro automatizované hodnocení stresové zátěže studentů v kontextu simulační výuky. Navržený systém kombinuje fyziologická měření variability srdečního rytmu (HRV) získaná pomocí senzoru Polar H10 s psychometrickými daty z ověřených dotazníků (např. Affective Circumplex, TEQ, RSES). Cílem je sledovat stresové reakce studentů ve třech klíčových fázích simulace – před simulací, po simulaci a po debriefingu – a integrovat výsledky do přehledného modelu hodnocení. Součástí práce je vývoj softwarové aplikace \textit{SimuStress}, která umožňuje automatizované načítání dat, výpočet predispozičního, reaktivního, relativního a HRV stresového koeficientu a vizualizaci výsledků pomocí interaktivních grafů a progress barů. Funkčnost systému byla ověřena na reálném datasetu 150 studentů třetího ročníku lékařské fakulty a ukázala se jako prakticky využitelná v prostředí simulační výuky. Práce přináší inovativní víceúrovňový přístup ke sledování stresu v pedagogickém prostředí, který spojuje subjektivní a objektivní data. Navržený systém tvoří základ pro další rozvoj v oblasti personalizace výuky a podpory psychologické bezpečnosti studentů v rámci simulačního vzdělávání.

This thesis focuses on the design and implementation of a methodology for the automated assessment of student stress levels in the context of simulation-based education. The proposed system combines physiological measurements of heart rate variability (HRV), obtained using a Polar H10 sensor, with psychometric data collected through validated questionnaires (e.g., Affective Circumplex, TEQ, RSES). The goal is to monitor stress responses during three key phases of the simulation process—before the simulation, after the simulation, and after debriefing—and to integrate the results into a clear, structured evaluation model. The thesis includes the development of a software application called \textit{SimuStress}, which enables automated data import, calculation of predispositional, reactive, relative, and HRV-based stress coefficients, and intuitive visualization of results using interactive graphs and progress bars. The system was tested on a real-world dataset of 150 third-year medical students, demonstrating its practical usability in a simulation-based learning environment. This work presents an innovative multi-level approach to stress monitoring in educational settings, combining subjective and objective data sources. The proposed system provides a foundation for further development in the areas of personalized learning and psychological safety support within simulation-based training.