كيف يمكن استخدام EEG لإنشاء بيئات تعليمية مثالية

بواسطة الدكتورة روشيني راندينيا

التعليم هو دعامة أساسية لمجتمعنا، وتوفير بيئات تعلم ثرية هو أمر ضروري للتقدم المجتمعي. علم الأعصاب التعليمي هو مجال متعدد التخصصات يتطور بسرعة ويهدف إلى فهم الآليات العصبية للتعليم والتعلم.

على مدار العقدين الماضيين، مكنت التطورات في تقنية التخطيط الكهربائي للمخ المحمولة الباحثين من استخدام سماعات الرأس التخطيط الكهربائي للمخ في الفصول الدراسية والتعلم الإلكتروني لإنشاء بيئات تعليمية مثالية للطلاب [1]. في هذه المقالة، ننظر إلى كيفية استخدام سماعات الرأس التخطيط الكهربائي للمخ الخاصة بـ EMOTIV لتغيير كيفية التدريس والتعلم.

تحسين المحتوى التعليمي

يتطلب تصميم محتوى تعليمي مشوق تغذية راجعة مستمرة ذاتية من الطلاب. تقليدياً، يتم تحديد فعالية محتوى الدورة التدريبية من خلال تقييمات التغذية الراجعة الذاتية بعد انتهاء الدورة.

ومع ذلك، غالبًا ما يكون من الصعب عزل الجوانب التي يمكن تحسينها من تسليم الدورة بسبب الاعتماد على الذاكرة الذاتية. نظرًا لدقتها الزمنية العالية (أي قدرتها على قياس استجابات الدماغ في مقياس المللي ثانية)، يمكن للتخطيط الكهربائي للمخ فهرسة العمليات ما قبل الواعية، والتي لن تُلاحظ بخلاف ذلك مع تدابير التغذية الراجعة الذاتية. عندما نقوم بتحسين محتوى الدورة التدريبية، تكون المقاييس الأكثر فائدة هي مستوى الاهتمام والحمل المعرفي - وهو قياس لمقدار الجهد الذي يبذله الدماغ للاحتفاظ بالمعلومات. غالبًا ما يُقاس الاهتمام بتحليل موجات الدماغ المختلفة التي يتم ملاحظتها في التخطيط الكهربائي للمخ عندما يتعلم الشخص - مثل مستويات موجات ألفا (المعروفة بالارتباط بالتعب عادةً) وموجات بيتا (المعروفة بالارتباط باليقظة أو التركيز عادةً). يمكن أيضًا فهرسة الحمل المعرفي، وهو قياس أكثر تعقيدًا، بمستويات مختلفة من موجات ألفا وثيتا.

قام الباحثون بتطوير أنظمة باستخدام التخطيط الكهربائي للمخ يمكنها مراقبة الاهتمام، مما يتيح تقييم مستويات الاهتمام خلال دورة كاملة. نجح Zhou وآخرون في إظهار نظام في الوقت الفعلي يراقب الحمل المعرفي للطلاب أثناء التعلم من خلال دورات تعليمية مفتوحة واسعة النطاق (MOOCs)، مما يمهد الطريق لتحسين محتوى الدورة في الوقت الفعلي [2].

تحليل الحالات المعرفية بسهولة

قد يتطلب قياس الحالات المعرفية، كما في هذه الدراسات السابقة، بعض المهارة التقنية والخبرة. لحسن الحظ، أتاحت التطورات في علوم البيانات الآن استخدام خوارزميات مدمجة مسبقاً لقياس الحالات المعرفية، مع الحد الأدنى من الخبرة التقنية. تقدم Emotiv استخدام مقاييس الأداء: خوارزميات التعلم الآلي المطورة لتحديد حالات الدماغ المختلفة، بما في ذلك التركيز، الإثارة، المشاركة، الإحباط، الإجهاد، والاسترخاء في التخطيط الكهربائي للمخ.

تم بناء هذه الخوارزميات باستخدام تجارب محكمة مصممة لاستفزاز حالات معرفية معينة وهي مفيدة لتحسين المحتوى التعليمي. تم استخدام مقاييس الأداء Emotiv لمقارنة التعلم القائم على الألعاب مقابل التعلم التقليدي بالقلم والورق، على الرغم من أن الدراسة لم تظهر فرقاً في الحالات المعرفية بين طريقتي التعلم [3]. يظهر الباحثون الآخرون فائدة مقاييس الأداء في تجمع الأطفال بعمر 5 إلى 7 سنوات بناءً على حالات معرفية مثل المشاركة، والإجهاد، والتركيز لتحديد فعالية الأنشطة في بيئات الواقع المعزز.

أعلاه: (أ) يمكن استخدام التخطيط الكهربائي للمخ لقياس موجات الدماغ للطلاب في الفصول الدراسية الثانوية (من: Dikker وآخرون [4]). (ب) يمكن لموجات دماغ الطلاب إظهار تزامن عالي مع طلاب آخرين، وهو ما تم العثور عليه للطلاب الذين كانوا أكثر مشاركة في الصف (على اليسار). تم العثور على تزامن منخفض مع طلاب آخرين (على اليمين) للطلاب الذين كانوا أقل مشاركة.

تعزيز بيئات التعلم

ليست فقط محتوى المادة التعليمية مهمًا، متى وأين نتعلم هما أيضًا مهمان لضمان أن تكون لدى الطلاب تجارب تعليمية جيدة. قام الباحثون بقياس مستويات موجات ألفا خلال أوقات الفصول الدراسية المختلفة ووجدوا أن الدروس الصباحية المتوسطة في المدارس الثانوية أظهرت موجات ألفا أقل من الصباح الباكر ويقترح أن منتصف الصباح قد يكون أفضل وقت للتعلم [4].

تم أيضًا استخدام التخطيط الكهربائي للمخ اللاسلكي لمقارنة البيئات الحقيقية مقابل الافتراضية، مما يظهر القدرة على توفير مستويات متساوية من الاهتمام والتحفيز في كلا البيئتين [5]. قد يمهد ذلك الطريق لتجربة تعليمية أكثر غناءً للأشخاص الذين يعانون من إعاقات جسدية، وغير قادرين على حضور الفصول الدراسية بشكل شخصي. قام الباحثون أيضًا بإجراء دراسات على الديناميات الاجتماعية في الفصول الدراسية باستخدام التخطيط الكهربائي للمخ. يمكن تقييم مجموعة من الطلاب الذين يتم تركيب سماعات الرأس التخطيط الكهربائي للمخ لهم لمدى تزامن نشاطهم العصبي خلال عملية تعلم مشتركة [6][7]. تُسمى هذه الطريقة في جمع بيانات التخطيط الكهربائي للمخ التخطيط الكهربائي للمخ التزامني، وهي خطوة نحو استخلاص الانتباه الجماعي في الوقت الفعلي وتحسين الديناميات الاجتماعية في الفصل الدراسي.

جعل التعليم في متناول الجميع

يمكن لبعض الصعوبات الجسدية أو الحسية أن تحد من تجارب الطلاب التعليمية في الفصل الدراسي. ومع ذلك، هناك أدوات تعتمد على التخطيط الكهربائي للمخ تحسن تجارب الطلاب. أسهمت التقدمات في واجهة الدماغ والأجهزة الإلكترونية (BCI) في تمكين الكتابة المعتمدة على التخطيط الكهربائي للمخ [8][9]، مما يساعد الطلاب الذين يواجهون صعوبات جسدية في تدوين النقاط الذهنية على جهاز الكمبيوتر أثناء تعلمهم. أجهزة BCI التي تمكّن الإجابة المعتمدة على التخطيط الكهربائي للمخ على أسئلة نعم-لا تُتيح أيضًا للطلاب الذين يعانون من إعاقات بصرية أن يتم تقييمهم باستخدام الامتحانات القائمة على الحاسوب، والتي كانت تتطلب خلافًا ذلك وجود مقابلة [10].

تجارب تعلم شخصية

قد يكون توفير معلمين شخصيين للطلاب مكلفًا ولكنه قد يكون ضروريًا في كثير من الأحيان عندما يكون نظام التعليم العام غير مجهز للتعامل مع الاحتياجات الفريدة في التعليم. أنظمة التدريس الذكية (ITS) هي فئة من برامج التعلم القائم على الحاسوب المعزز بالذكاء الاصطناعي التي يمكن أن تعمل كمعلمين شخصيين.

تهدف هذه الأنظمة إلى التكيف وتقديم تغذية راجعة شخصية في الوقت الفعلي للطالب لتعزيز تعلمه. يقوم الباحثون حاليًا بتطوير أنظمة ITS من خلال دمجها مع التخطيط الكهربائي للمخ. في إحدى الدراسات، استخدم الباحثون التخطيط الكهربائي للمخ للكشف عن مدى مشاركة الطالب بأنواع مختلفة من الفيديوهات التعليمية (محتوى متحرك مقابل فيديوهات مع معلمين بشريين) مما يسمح لـ ITS بالتعلم وتوليد محتوى تلقائيًا سيجد الطالب أكثر إصرارًا.

عندما تزيل العنصر البشري من عملية التعليم، يصبح من المهم بشكل متزايد متابعة الحمل المعرفي للطلاب أثناء استخدام برامج التعلم القائمة على الحاسوب لمنع الإجهاد وإجهاد الشاشة. لمكافحة ذلك، قام الباحثون بتطوير قاعدة بيانات تعبير الوجه بناءً على بيانات التخطيط الكهربائي للمخ التي تكشف بنشاط ما إذا كان الطالب يشعر بالملل، أو المشاركة، أو الإثارة، أو الإحباط أثناء استخدام ITS [11].

يمهد هذا التطور مع التخطيط الكهربائي للمخ الطريق لنظام ITS لكي يتعلم باستمرار ويتكيف مع الطالب الفردي؛ من خلال اقتراح استراحات عندما يكونون متعبين أو الاستمرار في التعليم عندما يكونون مشاركين، مما يوفر تجربة تعلم أكثر فعالية للطالب.

أعلاه: طلاب في جامعة نيويورك (NYU) برنامج BrainWaves يلعبون لعبة أثناء ارتداء تقنية التخطيط الكهربائي للمخ EMOTIV.

التخطيط الكهربائي للمخ كأداة تعلم في مجال STEM

أجهزة وبرامج التخطيط الكهربائي للمخ EMOTIV سهلة الاستخدام وهي أداة تمهيدية ممتازة لتحفيز الجيل القادم من علماء العلوم والتكنولوجيا والهندسة والرياضيات (STEM) أيضًا.

حاليًا يتم استخدام أجهزة وبرامج Emotiv في دورات مستوى البكالوريوس في الجامعات، ليس فقط في علم النفس وعلم الأعصاب ولكن أيضًا في الهندسة الطبية الحيوية. يُظهر Kurent مثالًا ناجحًا لإنشاء أجهزة Emotiv EPOC في العملية التعليمية على مستوى المدارس الثانوية والجامعات لتمكين تقدم أجهزة BCI. يجد Kosmayana وآخرون أن تضمين أنظمة EEG-BCI في المناهج الدراسية يعزز الأداء الأكاديمي. أظهرت جامعة Macquarie بالفعل تضمين ناجح لأجهزة Emotiv في منهج بكالوريوس العلوم المعرفية وعلوم الدماغ، مما يمنح الطلاب تجربة تطبيقية مع تصميم التجارب وتحليل بيانات التخطيط الكهربائي للمخ [14].

علاوة على ذلك، يُظهر White-Foy أن الأطفال البالغين من العمر 12 عامًا يمكنهم تعلم تقنية BCI بنجاح وإنشاء مشاريع بحثية صغيرة مقاييس EEG [13]. استخدم الطلاب موارد عبر الإنترنت لدمج جهاز EMOTIV Insight مع Raspberry Pi (كمبيوتر مصغر) الذي يترجم التخطيط الكهربائي للمخ إلى أوامر للتحكم في لعبة Star Wars روبوت BB-8 وملاحته عبر متاهة.

أعلاه: مختبر ثانوي NeuroLab. طلاب من عمر 11-18 سنة قاموا بدمج Raspberry Pi والروبوت BB-8 مع جهاز Emotiv و استخداموا الأوامر الذهنية لتوجيه BB-8 عبر متاهة (بمشاركة موافقة من NeuroLabs)

يمكننا أن نرى أن أجهزة Emotiv EEG المتنقلة ذات التكلفة المنخفضة توفر ليس فقط طرقًا لتعزيز جودة برامج التعليم للمربي لتقديم محتوى استثنائي، بل مع تطورات في BCI تقترح أيضًا تقديم بيئة تعليمية غنية للأفراد ذوي الاحتياجات الفريدة.

كيف يمكن لـ EMOTIV المساعدة

• تحسين تجربة التعلم للطلاب الخاص بك مع مجموعة بداية مختبر EMOTIV EEG.

• بناء تجارب وتحليل البيانات مع EmotivPRO Builder.

• إطلاق تجارب عن بعد للحصول على بيانات على EmotivLABS.

• استخدم مجموعة البيانات مفتوحة المصدر لدينا .

تحتاج إلى مساعدة؟ اتصل بنا

 مصدر صورة الغلاف: مدرسة Trevor Day

المراجع

1. J. Xu و B. Zhong، “مراجعة حول تقنية التخطيط الكهربائي للمخ المحمولة في البحث التعليمي”، الكمبيوتر في سلوك الإنسان، المجلد 81، الصفحات 340–349، أبريل 2018، دوى: 10.1016/j.chb.2017.12.037.

2. Zhou Y، Xu T، Cai Y، Wu X، Dong B. مراقبة عبء العمل المعرفي في التعلم بواسطة الفيديوهات عبر الإنترنت من خلال واجهة الدماغ والحاسوب EEG. محاضرات ملاحظات علوم الكمبيوتر الفرعية محاضرات ملاحظات الذكاء الاصطناعي محاضرات ملاحظات البيوانفورماتيك. 2017;10295 LNCS:64-73. دوى:10.1007/978-3-319-58509-3_7

3. Pireva K، Tahir R، Shariq Imran A، Chaudhary N. تقييم الحالات العاطفية للمتعلمين من خلال مراقبة موجات الدماغ لمقارنة أسلوب تعليم اللعبة بأسلوب القلم والورق. في: 2019 مؤتمر IEEE Frontiers في تعليم . ; 2019:1-8. دوى:10.1109/FIE43999.2019.9097262

4. Dikker S، Haegens S، Bevilacqua D، et al. صباح الدماغ: دليل عصبي في العالم الحقيقي أن أوقات فصول المدارس الثانوية مهمة. Neurosci Affect Cogn Soc. 2020;15(11):1193-1202. دوى:10.1093/scan/nsaa142

5. Romero-Soto FO، Ibarra-Zárate DI، Alonso-Valerdi LM. التحليل المقارن لكثافة القدرة الطيفية ألفا في البيئات الحقيقية والافتراضية. في: المجلد 75. ; 2020:156-163. دوى:10.1007/978-3-030-30648-9_22

6. Dikker S، Wan L، Davidesco I، et al. تزامن الدماغ للدماغ يتتبع التفاعلات الجماعية الديناميكية الواقعية في الصف الدراسي. Biol Curr. 2017;27(9):1375-1380. دوى:10.1016/j.cub.2017.04.002

7. Poulsen AT، Kamronn S، Dmochowski J، Parra LC، Hansen LK. التخطيط الكهربائي للدماغ في الصف الدراسي: تسجيلات عصبية متزامنة أثناء عرض الفيديو. Rep Sci. 2017;7(1):43916. دوى:10.1038/srep43916

8. Al-Negheimish H، Al-Andas L، Al-Mofeez L، Al-Abdullatif A، Al-Khalifa N، Al-Wabil A. الكتابة بالموجات الدماغية: دراسة مقارنة بين صور P300 وصور المحرك للكتابة باستخدام أجهزة EEG. في: Stephanidis C، م. HCI International 2013 - ملخصات الموسعة. الاتصالات في علوم الكمبيوتر والمعلومات. Springer; 2013:569-573. دوى:10.1007/978-3-642-39473-7_113

9. Zhang X، Yao L، Sheng QZ، Kanhere SS، Gu T، Zhang D. تحويل أفكارك إلى نصوص: تمكين الكتابة الدماغية من خلال التعلم المميز العميق لإشارات EEG. في: 2018 المؤتمر العالمي IEEE حول الاتصالات الحاسوبية والمنتشرة (PerCom). ; 2018:1-10. دوى:10.1109/PERCOM.2018.8444575

10. Yosrita E، Heryadi Y، Wulandhari LA، Budiharto W. تحديد الكلمات المستندة إلى التخطيط الكهربائي للمخ في نماذج الامتحانات مع إجابات نعم-لا للطلاب الذين يعانون من إعاقات بصرية. في: ; 2019. دوى:10.1109/TALE48000.2019.9225903

11. Zatarain-Cabada R، Barrón-Estrada ML، González-Hernández F، Rodriguez-Rangel H. بناء معرّف التعبير الوجه وقاعدة بيانات التعبير الوجه لنظام تدريس الذكي. في: 2017 المؤتمر الدولي السابع عشر IEEE حول التقنيات التعليمية المتقدمة (ICALT). ; 2017:391-393. دوى:10.1109/ICALT.2017.141

12. Kurent P. دمج التكنولوجيا المستقبلية في المدارس الثانوية والكليات. في: 2017 المؤتمر الدولي الأربعون على المعلومات والتكنولوجيا والاتصالات والإلكترونيات والميكروإلكترونيات (MIPRO). ; 2017:858-861. دوى:10.23919/MIPRO.2017.7973541

13. White-Foy J. العلوم للعقول النامية: مشروع لتقديم تقنية BCI والتخطيط الكهربائي للمخ للطلاب في المدرسة الثانوية. بحث المعلم Praxis. نُشر في 29 نوفمبر 2019. تم الوصول إليه في 15 يونيو 2022. https://praxis-teacher-research.org/neuroscience-for-students/

14. Kosmyna، Nataliya، Nathalie Soetaert، and Cassandra Scheirer. "دراسة تجريبية لاستخدام واجهات الدماغ والحاسوب في الفصول الدراسية لترويج الأنشطة التعليمية الشكلية." وقائع مؤتمر التقنيات المستقبلية. Springer، Cham، 2021.

15. Alvarez، V.، Bower، M.، de Freitas، S.، Gregory، S. و De Wit، B.، 2016. استخدام التقنيات القابلة للارتداء في الجامعات الأسترالية: أمثلة من العلوم البيئية، العلوم الإدراكية وعلوم الدماغ وتدريب المعلمين. مستقبل التعلم المحمول - الحفاظ على جودة البحث والممارسة في التعلم المحمول، 25.

16. Rodríguez، A.O.R.، Riaño، M.A.، García، P.A.G.، Marín، C.E.M.، Crespo، R.G. و Wu، X.، 2020. توصيف عواطف الأطفال من خلال بيئة التعلم باستخدام تحليلات التعلم وAR-Sandbox. مجلة الذكاء المحيط والكمبيوتر الإنساني، 11(11)، الصفحات 5353-5367.