يعد التعليم ركيزة أساسية لمجتمعنا، وتوفير بيئات تعليمية غنية أمر ضروري للتقدم المجتمعي. علم الأعصاب التعليمي هو مجال متعدد التخصصات يتطور بسرعة ويهدف إلى فهم الآليات العصبية للتدريس والتعلم.

على مدى العقدين الماضيين، مكنت التطورات في تكنولوجيا EEG المحمولة الباحثين من استخدام سماعات EEG في كل من الفصول الدراسية والتعلم الإلكتروني لإنشاء بيئات تعليمية مثالية للطلاب [1]. في هذه المقالة، ننظر في كيفية استخدام سماعات EEG من Emotiv لتغيير طريقة التدريس والتعلم.

تحسين المحتوى التعليمي

يتطلب تصميم محتوى تعليمي جذاب تعليقات ذاتية مستمرة من الطلاب. تقليديًا، يتم تحديد مدى فعالية محتوى الدورة التدريبية من خلال مقاييس تقييم الإبلاغ الذاتي عند الانتهاء من الدورة.

ومع ذلك، غالبًا ما يكون من الصعب تحديد الجوانب التي يمكن تحسينها في تقديم الدورة التدريبية بدقة نظرًا للاعتماد على الذاكرة الذاتية. نظرًا لدقته الزمنية العالية (أي قدرته على قياس استجابات الدماغ بمقياس الأجزاء من الثانية)، فإن EEG قادر على فهرسة العمليات قبل الوعي، والتي قد تمر دون التعرف عليها بمجرد مقاييس الإبلاغ الذاتي. عند تحسين محتوى الدورة التدريبية، فإن المقاييس الأكثر فائدة هي مستوى الانتباه والحمل المعرفي - وهو مقياس لمقدار الجهد الذي يبذله الدماغ للاحتفاظ بالمعلومات. غالبًا ما يتم قياس الانتباه عن طريق تحليل موجات الدماغ المختلفة التي تظهر في الـ EEG عندما يتعلم شخص ما - مثل مستويات موجات ألفا (التي ترتبط عادةً بالتعب) وموجات بيتا (التي ترتبط عادةً باليقظة أو التركيز). يمكن أيضًا فهرسة الحمل المعرفي، وهو مقياس أكثر تعقيدًا، بمستويات متفاوتة من موجات ألفا وثيتا.

طور الباحثون أنظمة باستخدام EEG يمكنها مراقبة الانتباه، مما يسمح بتقييم مستويات الانتباه طوال الدورة التدريبية بأكملها. أظهر زو وآخرون بنجاح نظامًا في الوقت الفعلي يراقب الحمل المعرفي لطلاب التعلم الإلكتروني المشاركين في المساقات الهائلة المفتوحة عبر الإنترنت (MOOCs)، مما يمهد الطريق لتحسين محتوى الدورة التدريبية في الوقت الفعلي [2].

تحليل الحالات المعرفية بات سهلاً

يمكن أن يتطلب قياس الحالات المعرفية، كما هو الحال في هذه الدراسات السابقة، بعض المهارات التقنية والخبرة. لحسن الحظ، مكنت التطورات في علوم البيانات الآن من استخدام خوارزميات مدمجة مسبقًا لقياس الحالات المعرفية، مع حد أدنى من الخبرة التقنية. تتيح Emotiv استخدام مقاييس الأداء: خوارزميات التعلم الآلي التي تم تطويرها لتحديد حالات الدماغ المختلفة، بما في ذلك التركيز، والإثارة، والتفاعل، والإحباط، والتوتر، والاسترخاء في تخطيط كهربية الدماغ (EEG).

تم بناء هذه الخوارزميات باستخدام تجارب مضبوطة مصممة لإثارة حالات معرفية محددة وهي مفيدة لتحسين المحتوى التعليمي. تم استخدام مقاييس أداء Emotiv هذه لمقارنة التعلم القائم على الألعاب بالتعلم التقليدي بالقلم والورق، على الرغم من أن الدراسة لم تظهر أي اختلاف في الحالات المعرفية بين طريقتي التعلم [3]. أظهر باحثون آخرون فائدة مقاييس الأداء في تجميع الأطفال الصغار الذين تتراوح أعمارهم بين 5 و7 سنوات بناءً على الحالات المعرفية مثل التفاعل، والتوتر، والتركيز لتحديد مدى فعالية الأنشطة في بيئات الواقع المعزز.

أعلاه: (أ) يمكن استخدام الـ EEG لقياس موجات الدماغ للطلاب في الفصول الدراسية في المدارس الثانوية (من: ديكر وآخرون [4]). (ب) يمكن أن تظهر موجات دماغ الطلاب تزامنًا عاليًا مع الطلاب الآخرين، وهو ما تم العثور عليه للطلاب الذين كانوا أكثر تفاعلاً في الفصل (يسار). كما تم العثور على تزامن منخفض مع الطلاب الآخرين (يمين) للطلاب الذين كانوا أقل تفاعلاً.

تعزيز البيئات التعليمية

ليس محتوى المواد التعليمية فقط مهمًا، بل إن وقت ومكان التعلم لا يقلان أهمية لضمان حصول الطلاب على تجارب تعليمية جيدة. قام الباحثون بقياس مستويات موجات ألفا خلال أوقات الفصول الدراسية المختلفة ووجدوا أن فصول المدارس الثانوية في منتصف الصباح أظهرت موجات ألفا أقل من فصول الصباح الباكر، واقترحوا أن منتصف الصباح قد يكون أفضل وقت للتعلم [4].

كما تم استخدام أجهزة الـ EEG اللاسلكية لمقارنة البيئات الحقيقية والافتراضية، مما يدل على القدرة على توفير مستويات متساوية من الانتباه والدافعية في كلا البيئتين [5]. قد يمهد هذا الطريق لتجربة تعليمية أكثر ثراءً للأشخاص ذوي الإعاقة الحركية، غير القادرين على حضور الفصول الدراسية الشخصية. كما أجرى الباحثون دراسات حول الديناميكيات الاجتماعية في الفصل الدراسي باستخدام الـ EEG. يمكن تقييم مجموعة من الطلاب المجهزين بسماعات EEG لمعرفة مدى تزامن نشاطهم العصبي أثناء عملية تعلم مشتركة [6][7]. تعد طريقة جمع بيانات الـ EEG هذه، والتي تسمى التصوير الفوقي للـ EEG، خطوة نحو الاستدلال في الوقت الفعلي على انتباه المجموعة وتحسين الديناميكيات الاجتماعية في الفصل الدراسي.

جعل التعليم متاحًا للجميع

يمكن لبعض الصعوبات الحركية أو الحسية أن تحد من التجارب التعليمية للطلاب في الفصل الدراسي. ومع ذلك، هناك أدوات تعتمد على الـ EEG تعمل على تحسين تجارب الطلاب. أتاحت التطورات في تكنولوجيا واجهة الدماغ والحاسوب (BCI) الكتابة المعتمدة على الـ EEG [8][9]، مما يساعد الطلاب الذين يعانون من صعوبات حركية على تدوين ملاحظات ذهنية على أجهزتهم الحاسوبية أثناء تعلمهم. كما تتيح واجهات الـ BCI التي تسمح بالإجابة المعتمدة على الـ EEG على الأسئلة من نوع نعم-لا تقييم الطلاب ذوي الإعاقة البصرية باستخدام الامتحانات القائمة على الكمبيوتر، والتي قد تتطلب لولا ذلك وجود مقدّم للاختبار [10].

تجارب التعلم المخصصة

يمكن أن يكون توفير معلمين خصوصيين للطلاب مكلفًا ولكن قد يكون ضروريًا في كثير من الأحيان عندما يكون نظام التعليم العام غير مجهز لتلبية الاحتياجات الفريدة في التعلم. أنظمة التدريس الذكية (ITS) هي فئة من برمجيات التعلم القائمة على الكمبيوتر والمدعومة بالذكاء الاصطناعي والتي يمكن أن تعمل كمعلمين خصوصيين.

الهدف من هذه الأنظمة هو التكيف وتقديم ملاحظات مخصصة في الوقت الفعلي للطالب لتعزيز تعلمهم. يعمل الباحثون حاليًا على تطوير أنظمة ITS من خلال دمجها مع الـ EEG. في إحدى الدراسات، يخدم الباحثون الـ EEG للكشف عن تفاعل الطلاب مع أنواع مختلفة من مقاطع الفيديو التعليمية (المحتوى الرسومي مقابل مقاطع الفيديو مع معلمين بشريين) مما يسمح لنظام ITS بالتعلم وتوليد محتوى يجده الطالب أكثر إثارة للاهتمام تلقائيًا.

عند إزالة العنصر البشري من عملية التدريس، يصبح من المهم بشكل متزايد تتبع الحمل المعرفي للطلاب أثناء استخدام برامج التعلم القائمة على الكمبيوتر لمنع التوتر وإرهاق الشاشة. لمكافحة ذلك، طور الباحثون قاعدة بيانات لتعبيرات الوجه استنادًا إلى بيانات الـ EEG التي تكتشف بنشاط ما إذا كان الطالب يشعر بالملل أو التفاعل أو الإثارة أو الإحباط أثناء استخدام نظام ITS [11].

يمهد هذا التطور باستخدام الـ EEG الطريق لنظام ITS للتعلم والتكيف باستمرار مع الطالب الفردي؛ من خلال اقتراح فترات راحة عندما يكونون متعبين أو الاستمرار في التدريس عندما يكونون متفاعلين، مما يوفر تجربة تعليمية أكثر فعالية للطالب.

أعلاه: طلاب في برنامج BrainWaves بجامعة نيويورك (NYU) يلعبون لعبة أثناء ارتداء تكنولوجيا الدماغ Emotiv EEG.

الـ EEG كأداة لتعلم العلوم والتكنولوجيا والهندسة والرياضيات (STEM)

تتميز أجهزة وبرامج Emotiv EEG بسهولة استخدامها وتعد أداة تمهيدية ممتازة لإلهام الجيل القادم من علماء العلوم والتكنولوجيا والهندسة والرياضيات (STEM) أيضًا.

تُستخدم أجهزة وبرمجيات Emotiv حاليًا في مساقات مستوى البكالوريوس الجامعي، ليس فقط في علم النفس وعلم الأعصاب ولكن أيضًا في الهندسة الطبية الحيوية. يظهر كورينت مثالاً ناجحاً لدمج أجهزة Emotiv EPOC في العملية التعليمية على مستوى المدارس الثانوية والكليات لتمكين تقدم أجهزة الـ BCI. يجد كوسمايانا وآخرون أن تضمين أنظمة EEG-BCI في المناهج المدرسية يعزز الأداء الأكاديمي. أظهرت جامعة ماكواري بالفعل الإدراج الناجح لأجهزة Emotiv في منهج بكالوريوس العلوم المعرفية والدماغية، مما يمنح الطلاب خبرة عملية في التصميم التجريبي وتحليل بيانات الـ EEG [14].

علاوة على ذلك، يوضح وايت-فوي أن الأطفال الذين لا تتجاوز أعمارهم 12 عامًا يمكنهم تعلم تكنولوجيا الـ BCI بنجاح وإعداد مشاريع أبحاث EEG صغيرة الحجم [13]. استخدم الطلاب الموارد عبر الإنترنت لدمج جهاز Emotiv Insight بجهاز Raspberry Pi (كمبيوتر صغير الحجم) والذي يترجم الـ EEG إلى أوامر للتحكم في لعبة Star Wars التي يتم التحكم فيها عن بعد (BB-8) وتوجيهها عبر متاهة.

أعلاه: مختبر الأعصاب NeuroLab بالمدارس الثانوية. قام طلاب تتراوح أعمارهم بين 11 و18 عامًا بدمج روبوت Raspberry Pi وBB-8 مع جهاز Emotiv واستخدموا الأوامر الذهنية لتوجيه روبوت BB-8 عبر المتاهة (تمت المشاركة بإذن من NeuroLabs)

نستطيع أن نرى أن أجهزة Emotiv EEG المحمولة منخفضة التكلفة لا توفر فقط طرقًا لتعزيز جودة البرامج التعليمية للمعلم لتقديم محتوى استثنائي، ولكنها تقترح أيضًا بالاقتران مع التطورات في الـ BCI توفير بيئة تعليمية غنية للأفراد ذوي الاحتياجات الفريدة.

كيف يمكن لـ Emotiv مساعدتك

• حسن تجارب التعلم لطلابك باستخدام مجموعات أدوات مختبر Emotiv EEG للمبتدئين.

• قم ببناء التجارب وتحليل البيانات باستخدام EmotivPRO Builder.

• أطلق تجارب عن بعد للحصول على البيانات على EmotivLABS.

• استخدم مجموعة البيانات مفتوحة المصدر الخاصة بنا.

هل تحتاج إلى مساعدة؟ اتصل بنا

مصدر صورة الغلاف: مدرسة تريفور داي

المراجع

1. J. Xu and B. Zhong, “Review on portable EEG technology in educational research,” Computers in Human Behavior, vol. 81, pp. 340–349, Apr. 2018, doi: 10.1016/j.chb.2017.12.037.

2. Zhou Y, Xu T, Cai Y, Wu X, Dong B. Monitoring cognitive workload in online videos learning through an EEG-based brain-computer interface. Lect Notes Comput Sci Subser Lect Notes Artif Intell Lect Notes Bioinforma. 2017;10295 LNCS:64-73. doi:10.1007/978-3-319-58509-3_7

3. Pireva K, Tahir R, Shariq Imran A, Chaudhary N. Evaluating learners’ emotional states by monitoring brain waves for comparing game-based learning approach to pen-and-paper. In: 2019 IEEE Frontiers in Education Conference (FIE). ; 2019:1-8. doi:10.1109/FIE43999.2019.9097262

4. Dikker S, Haegens S, Bevilacqua D, et al. Morning brain: real-world neural evidence that high school class times matter. Soc Cogn Affect Neurosci. 2020;15(11):1193-1202. doi:10.1093/scan/nsaa142

5. Romero-Soto FO, Ibarra-Zárate DI, Alonso-Valerdi LM. Comparative Analysis of Alpha Power Spectral Density in Real and Virtual Environments. In: Vol 75. ; 2020:156-163. doi:10.1007/978-3-030-30648-9_22

6. Dikker S, Wan L, Davidesco I, et al. Brain-to-Brain Synchrony Tracks Real-World Dynamic Group Interactions in the Classroom. Curr Biol. 2017;27(9):1375-1380. doi:10.1016/j.cub.2017.04.002

7. Poulsen AT, Kamronn S, Dmochowski J, Parra LC, Hansen LK. EEG in the classroom: Synchronised neural recordings during video presentation. Sci Rep. 2017;7(1):43916. doi:10.1038/srep43916

8. Al-Negheimish H, Al-Andas L, Al-Mofeez L, Al-Abdullatif A, Al-Khalifa N, Al-Wabil A. Brainwave Typing: Comparative Study of P300 and Motor Imagery for Typing Using Dry-Electrode EEG Devices. In: Stephanidis C, ed. HCI International 2013 - Posters’ Extended Abstracts. Communications in Computer and Information Science. Springer; 2013:569-573. doi:10.1007/978-3-642-39473-7_113

9. Zhang X, Yao L, Sheng QZ, Kanhere SS, Gu T, Zhang D. Converting Your Thoughts to Texts: Enabling Brain Typing via Deep Feature Learning of EEG Signals. In: 2018 IEEE International Conference on Pervasive Computing and Communications (PerCom). ; 2018:1-10. doi:10.1109/PERCOM.2018.8444575

10. Yosrita E, Heryadi Y, Wulandhari LA, Budiharto W. EEG Based Identification of Words on Exam Models with Yes-No Answers for Students with Visual Impairments. In: ; 2019. doi:10.1109/TALE48000.2019.9225903

11. Zatarain-Cabada R, Barrón-Estrada ML, González-Hernández F, Rodriguez-Rangel H. Building a Face Expression Recognizer and a Face Expression Database for an Intelligent Tutoring System. In: 2017 IEEE 17th International Conference on Advanced Learning Technologies (ICALT). ; 2017:391-393. doi:10.1109/ICALT.2017.141

12. Kurent P. Integration of the future technologies to high schools and colleges. In: 2017 40th International Convention on Information and Communication Technology, Electronics and Microelectronics (MIPRO). ; 2017:858-861. doi:10.23919/MIPRO.2017.7973541

13. White-Foy J. Neuroscience for Students: a project to introduce EEG and Brain-Computer-Interface technology to secondary school children. Praxis Teacher Research. Published November 29, 2019. Accessed June 15, 2022. https://praxis-teacher-research.org/neuroscience-for-students/

14. Kosmyna, Nataliya, Nathalie Soetaert, and Cassandra Scheirer. “A Pilot Study of Using Brain-Computer Interfaces in Classrooms for Promoting Formal Educational Activities.” Proceedings of the Future Technologies Conference. Springer, Cham, 2021.

15. Alvarez, V., Bower, M., de Freitas, S., Gregory, S. and De Wit, B., 2016. The use of wearable technologies in Australian universities: Examples from environmental science, cognitive and brain sciences and teacher training. Mobile learning futures–sustaining quality research and practice in mobile learning, 25.

16. Rodríguez, A.O.R., Riaño, M.A., García, P.A.G., Marín, C.E.M., Crespo, R.G. and Wu, X., 2020. Emotional characterization of children through a learning environment using learning analytics and AR-Sandbox. Journal of Ambient Intelligence and Humanized Computing, 11(11), pp.5353-5367.