كيف يمكن استخدام EEG لإنشاء بيئات تعليمية مثالية

بواسطة الدكتورة روشيني راندينيا

التعليم هو ركيزة أساسية في مجتمعنا، وتوفير بيئات تعليمية غنية ضروري لتقدم المجتمع. علم الأعصاب التعليمي هو مجال متعدد التخصصات يتطور بسرعة يهدف إلى فهم الآليات العصبية للتعليم والتعلم.

على مدى العقدين الماضيين، مكّنت التطورات في تكنولوجيا EEG المحمولة الباحثين من استخدام سماعات EEG في كل من الفصول الدراسية والتعليم الإلكتروني لخلق بيئات تعليمية مثالية للطلاب [1]. في هذه المقالة، ننظر في كيفية استخدام سماعات EEG الخاصة بـ EMOTIV لتغيير كيفية تعليمنا وتعلمنا.

تحسين المحتوى التعليمي

يتطلب تصميم المحتوى التعليمي الجذاب ردود فعل ذاتية مستمرة من الطلاب. تقليديًا، يتم تحديد فعالية محتوى الدورة الدراسية من خلال قياسات ردود الفعل الذاتية عند انتهاء الدورة.

ومع ذلك، غالبًا ما يكون من الصعب عزل الجوانب المحددة للتسليم التي يمكن تحسينها نظرًا للاعتماد على الذاكرة الذاتية. بفضل دقتها الزمنية العالية (أي قدرتها على قياس استجابات الدماغ وفقًا للمقياس الزمني للمللي ثانية)، تستطيع EEG فهرسة العمليات اللاواعية التي لن يتم التعرف عليها من خلال مقاييس التقارير الذاتية. عند تحسين محتوى الدورة، تكون المقاييس الأكثر فائدة هي مستوى الانتباه والعبء المعرفي - وهو مقياس لمقدار الجهد الذي يقوم به الدماغ للاحتفاظ بالمعلومات. غالبًا ما يُقاس الانتباه بتحليل موجات الدماغ المختلفة التي تُلاحظ في EEG عندما يتعلم شخص ما - مثل مستويات الموجات ألفا (عادة ما ترتبط بالتعب) وبيتا (عادة ما ترتبط باليقظة أو التركيز). يمكن أيضًا فهرسة العبء المعرفي، وهو مقياس أكثر تعقيدًا، من خلال مستويات متغيرة من موجات ألفا وبيتا.

طور الباحثون أنظمة باستخدام EEG يمكنها مراقبة الانتباه، مما يسمح بتقييم مستويات الانتباه خلال دورة كاملة. نجح Zhou وآخرون في عرض نظام في الوقت الفعلي يراقب العبء المعرفي لطلاب التعلم الإلكتروني المنخرطين في دورات عبر الإنترنت مفتوحة ضخمة (MOOCs)، مما يمهد الطريق لتحسين محتوى الدورة في الوقت الفعلي [2].

تحليل الحالات الإدراكية بسهولة

يمكن أن يتطلب قياس الحالات الإدراكية، كما في هذه الدراسات السابقة، بعض المهارات والخبرة الفنية. لحسن الحظ، مكّنت التطورات في علم البيانات الآن من استخدام خوارزميات مدمجة مسبقًا لقياس الحالات الإدراكية، مع الحد الأدنى من الخبرة الفنية. تتيح Emotiv استخدام مقاييس الأداء: الخوارزميات التعليمية العالية التي تم تطويرها للتعرف على حالات الدماغ المختلفة، بما في ذلك التركيز، الإثارة، المشاركة، الإحباط، التوتر، والاسترخاء في EEG.

تم بناء هذه الخوارزميات باستخدام تجارب محُكمَة مصممة لاستثارة حالات إدراكية محددة وهي مفيدة لتحسين المحتوى التعليمي. تم استخدام هذه مقاييس الأداء في مقارنة التعليم المعتمد على الألعاب مقابل التعلم التقليدي بالورق والقلم، على الرغم من أن الدراسة لم تُظهر فرقًا في الحالات الإدراكية بين الطريقتين [3]. أظهر باحثون آخرون فائدة مقاييس الأداء في تصنيف الأطفال بدءًا من السن 5-7 سنوات بناءً على حالات إدراكية مثل المشاركة، التوتر، وتركيز لتقدير فعالية الأنشطة في بيئات الواقع المعزز.

أعلى: (A) يمكن استخدام EEG لقياس موجات الدماغ للطلاب في فصل دراسي بالمدرسة الثانوية (من: Dikker وآخرون [4]). (B) يمكن لموجات الدماغ للطلاب إظهار التزامن العالي مع الطلاب الآخرين، والذي وجد للطلاب الأكثر انخراطًا في الصف (يسارًا). تم العثور على التزامن المنخفض مع الطلاب الآخرين (يمينًا) للطلاب الأقل انخراطًا.

تعزيز بيئات التعلم

لا تكمن أهمية المحتوى التعليمي فقط في المحتوى نفسه، ولكن أيضًا في موعد وأين نتعلم لضمان حصول الطلاب على تجارب تعليمية جيدة. قام الباحثون بقياس مستويات موجات ألفا أثناء أوقات الفصل المختلفة ووجدوا أن الفصول العالية المدارس التي تُعقد صباحًا أظهرت موجات ألفا أقل مقارنة بالفصول الصباحية الباكرة وتقترح أن وقت منتصف الصباح قد يكون أفضل وقت للتعلم [4].

تم استخدام EEG اللاسلكي أيضًا لمقارنة البيئة الحقيقية مقابل البيئة الافتراضية، مما يدل على القدرة على توفير مستويات متكافئة من الانتباه والدافع في كلا البيئتين [5]. يمكن أن يمهد ذلك الطريق لتجربة تعلم أعمق للأفراد ذوي الإعاقة الجسدية، غير القادرين على حضور الفصول الدراسية شخصيًا. قام الباحثون أيضًا بإجراء دراسات حول الديناميات الاجتماعية في الفصول الدراسية باستخدام EEG. يمكن تقييم مجموعة من الطلاب الذين ركبوا سماعات EEG لمدى تزامن نشاطهم العصبي أثناء عملية تعلم مشتركة [6][7]. تُسمى طريقة جمع بيانات EEG هذه EEG الماسح الفائق، وهي خطوة نحو الاستدلال في الوقت الحقيقي على انتباه المجموعة وتحسين الديناميات الاجتماعية في الفصل الدراسي.

جعل التعليم متاحًا للجميع

بعض الصعوبات البدنية أو الحسية يمكن أن تحد من تجارب الطلاب التعليمية في الفصل الدراسي. ومع ذلك، هناك أدوات تعتمد على EEG التي تحسن من تجارب الطلاب. لقد مكنت التطورات في تكنولوجيا واجهة الدماغ والحاسوب (BCI) الكتابة المعتمدة على EEG [8][9]، مما يساعد الطلاب ذوي الصعوبات البدنية على أخذ ملاحظات عقلية على أجهزتهم الحاسوبية أثناء التعلم. تغيرات BCI التي تمكن من الإجابة المعتمدة على EEG على الأسئلة ذات النوع نعم-لا تسمح أيضًا للطلاب الذين يعانون من إعاقات بصرية بالتقييم باستخدام الامتحانات المعتمدة على الحاسوب، والتي ستتطلب بخلاف ذلك محاورًا [10].

تجارب التعلم الشخصية

يمكن أن يكون توفير المدرسين الشخصيين للطلاب مكلفًا ولكنه غالبًا ما يكون ضروريًا عندما يكون نظام التعليم العام غير مجهز للتعامل مع الاحتياجات الفريدة في التعلم. تعد أنظمة التعليم الذكية (ITS) فئة من برامج التعلم المحوسبة المدعومة بالذكاء الاصطناعي والتي يمكن أن تعمل كمدرسين شخصيين.

الهدف من هذه الأنظمة هو التكيف وتقديم ملاحظات شخصية وفي الوقت الحقيقي للطالب لتعزيز تعلمهم. يعمل الباحثون حاليًا على تطوير أنظمة ITS بدمجها مع EEG. في إحدى الدراسات، يستخدم الباحثون EEG للكشف عن التفاعل الطلاب مع أنواع مختلفة من الفيديوهات التعليمية (محتوى متحرك مقابل فيديوهات مع معلمين بشريين) مما يسمح لـ ITS بالتعلم وتوليد المحتوى الذي سيجد الطالب الأكثر إثارة للاهتمام تلقائيًا.

عندما تتم إزالة العنصر البشري من عملية التدريس، يصبح من المهم بشكل متزايد متابعة الحمل الإدراكي للطلاب أثناء استخدام برامج التعلم المحوسبة لمنع الإجهاد والإرهاق من الشاشات. لمكافحة ذلك، طور الباحثون قاعدة بيانات تعبيرات الوجه بناءً على بيانات EEG التي تكشف بشكل نشط إذا كان الطالب يشعر بالملل، المشاركة، الإثارة أو الإحباط أثناء استخدام ITS [11].

يقوم هذا التطور مع EEG بتمهيد الطريق لنظام ITS للتعلم المستمر والتكيف مع الطالب الفردي؛ من خلال اقتراح استراحات عندما يكونون متعبين أو استمرار التدريس عندما يكونون مشاركين، مما يوفر تجربة تعلم أكثر فعالية للطالب.

أعلى: الطلاب في برنامج BrainWaves بجامعة نيويورك يلعبون لعبة بينما يرتدون تكنولوجيا EEG الخاصة بـ EMOTIV.

EEG كأداة لتعلم العلوم والتكنولوجيا (STEM)

أجهزة EEG من Emotiv والبرامج سهلة الاستخدام وهي أداة تمهيدية ممتازة لإلهام الجيل القادم من العلماء في مجالات العلوم، التكنولوجيا، الهندسة، والرياضيات (STEM) كذلك.

يتم حاليًا استخدام أجهزة Emotiv والبرامج في دورات الجامعة لمستوى البكالوريوس، ليس فقط في علم النفس وعلوم الأعصاب ولكن أيضًا في الهندسة الطبية الحيوية. يوضح Kurent مثالاً ناجحًا لدمج أجهزة EPOC من Emotiv في العملية التعليمية في المدارس الثانوية والجامعات لتمكين تقدم أجهزة BCI. يجد Kosmayana وآخرون أن تضمين أنظمة BCI-EEG في المناهج الدراسية يعزز الأداء الأكاديمي. وقد أظهرت جامعة Macquarie بالفعل التضمين الناجح لأجهزة Emotiv في برنامج بكالوريوس العلوم الإدراكية وعلوم الدماغ، موفرةً للطلاب تجربة عملية مع تصميم التجارب وتحليل بيانات EEG [14].

علاوة على ذلك، تُظهر White-Foy أن الأطفال البالغين من العمر 12 عامًا يمكنهم بنجاح تعلم تكنولوجيا BCI وإعداد مشاريع أبحاث EEG صغيرة النطاق [13]. استخدم الطلاب الموارد عبر الإنترنت لدمج جهاز EMOTIV Insight مع Raspberry Pi (كمبيوتر صغير) الذي يترجم EEG إلى أوامر للتحكم في لعبة Star Wars للتحكم فيها عن بعد (BB-8) والتنقل بها عبر متاهة.

أعلى: مختبر نيورولاب للمدارس الثانوية. قام الطلاب الذين تتراوح أعمارهم بين 11 و18 عامًا بدمج Raspberry Pi وBB-8 الروبوت مع جهاز Emotiv واستخدموا الأوامر العقلية للتنقل بين BB-8 وواجهة الدراسة عن بُعد (مشترك بإذن من علماء NeuroLabs)

يمكننا أن نرى أن أجهزة Emotiv EEG ذات التكلفة المنخفضة والمحمولة ليست فقط توفر طرقًا لتعزيز جودة البرامج التعليمية للمعلم لتقديم محتوى استثنائي، ولكن مع التطورات في BCI تقترح أيضًا توفير بيئة تعليمية غنية للأفراد ذوي الاحتياجات الفريدة.

كيف يمكن لـ EMOTIV المساعدة

• حسّن تجارب التعلم لطلابك باستخدام مجموعة أدوات البداية EEG من EMOTIV.

• أنشئ تجارب وحلل البيانات باستخدام EmotivPRO Builder.

• أطلق تجارب عن بُعد للحصول على البيانات في EmotivLABS.

• استخدم مجموعة البيانات مفتوحة المصدر الخاصة بنا.

هل تحتاج مساعدة؟ اتصل بنا

مصدر صورة الغلاف: مدرسة تريفر داي

المراجع

1. J. Xu وB. Zhong، "مراجعة لتكنولوجيا EEG المحمولة في البحث التعليمي،" 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. مراقبة الحمل المعرفي في التعلم عبر الفيديوهات من خلال واجهة حاسوب-دماغ EEG. 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. تقييم حالات المتعلمين العاطفية عن طريق مراقبة موجات الدماغ لمقارنة نهج التعلم القائم على الألعاب بالتعلم التقليدي بالقلم والورقة. في: 2019 IEEE Frontiers in Education Conference (FIE). ; 2019:1-8. doi:10.1109/FIE43999.2019.9097262

4. Dikker S، Haegens S، Bevilacqua D، وآخرون. الدماغ في الصباح: دليل عصبي في العالم الواقعي على أهمية أوقات فصول المدرسة الثانوية. Soc Cogn Affect Neurosci. 2020;15(11):1193-1202. doi:10.1093/scan/nsaa142

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

6. Dikker S، Wan L، Davidesco I، وآخرون. تتبع التزامن بين الأدمغة في التفاعلات الجماعية الديناميكية في الفصل الدراسي. 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 في الفصل الدراسي: تسجيلات عصبية متزامنة أثناء عرض الفيديو. 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. الطباعة باستخدام موجات الدماغ: دراسة مقارنة بين P300 وصورة المحرك للطباعة باستخدام أجهزة EEG بأقطاب جافة. في: 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. تحويل الأفكار إلى نصوص: تمكين الطباعة العصبية عبر التعلم العميق لميزات إشارات EEG. في: 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. تحديد الكلمات المعتمدة على EEG في نماذج الامتحانات بأسئلة نعم-لا للطلاب ذوي الإعاقة البصرية. في: ; 2019. doi:10.1109/TALE48000.2019.9225903

11. Zatarain-Cabada R, Barrón-Estrada ML, González-Hernández F, Rodriguez-Rangel H. بناء مُعرِّف تعبيرات الوجه وقاعدة بيانات تعبيرات الوجه لنظام تعليمي ذكي. في: 2017 IEEE 17th International Conference on Advanced Learning Technologies (ICALT). ; 2017:391-393. doi:10.1109/ICALT.2017.141

12. Kurent P. دمج التقنيات المستقبلية في المدارس الثانوية والجامعات. في: 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. علم الأعصاب للطلاب: مشروع لعرض تقنية EEG وواجهة الدماغ والحاسوب للطلاب في المدارس الثانوية. Praxis Teacher Research. تم النشر 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 تطويعية باستخدام واجهات الدماغ والحاسوب في الفصول الدراسية لتعزيز الأنشطة التعليمية الرسمية." Proceedings of the Future Technologies Conference. Springer, Cham, 2021.

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

16. Rodríguez, A.O.R., Riaño, M.A., García, P.A.G., Marín, C.E.M., Crespo, R.G. and Wu, X., 2020. توصيف العاطفة للأطفال من خلال بيئة تعلم باستخدام تحليلات التعلم وصندوق الرمال المعزز. Journal of Ambient Intelligence and Humanized Computing, 11(11), pp.5353-5367.