Bildung ist ein Eckpfeiler unserer Gesellschaft, und die Bereitstellung reichhaltiger Lernumgebungen ist unerlässlich für den gesellschaftlichen Fortschritt. Die pädagogische Neurowissenschaft ist ein sich schnell entwickelndes interdisziplinäres Feld, das darauf abzielt, die neuronalen Mechanismen des Lehrens und Lernens zu verstehen.

In den letzten zwei Jahrzehnten haben Fortschritte in der tragbaren EEG-Technologie Forschern die Nutzung von EEG-Headsets sowohl im Klassenzimmer als auch beim E-Learning ermöglicht, um optimale Lernumgebungen für Schüler zu schaffen [1]. In diesem Artikel erfährst du, wie die EEG-Headsets von Emotiv eingesetzt werden, um die Art und Weise, wie wir lehren und lernen, zu verändern.

Optimierung von Bildungsinhalten

Die Gestaltung ansprechender Bildungsinhalte erfordert kontinuierliches, subjektives Feedback der Lernenden. Traditionell wird die Effektivität der Inhalte eines Kurses nach dessen Abschluss durch Feedback-Maßnahmen im Rahmen der Selbstauskunft ermittelt.

Aufgrund der Abhängigkeit vom subjektiven Gedächtnis ist es jedoch oft schwierig herauszufinden, welche Aspekte des Kurses genau verbessert werden können. Dank seiner hohen zeitlichen Auflösung (d. h. der Fähigkeit, Gehirnreaktionen im Millisekundenbereich zu messen) kann das EEG vorbewusste Prozesse erfassen, die bei reinen Selbstauskünften andernfalls unbemerkt bleiben würden. Bei der Optimierung von Kursinhalten sind die nützlichsten Metriken das Aufmerksamkeitsniveau und die kognitive Belastung – ein Maß für die Anstrengung, die das Gehirn aufwendet, um Informationen zu behalten. Die Aufmerksamkeit wird oft durch die Analyse verschiedener Gehirnwellen gemessen, die beim Lernen im EEG beobachtet werden – beispielsweise die Pegel von Alpha-Wellen (typischerweise mit Müdigkeit assoziiert) und Beta-Wellen (typischerweise mit Wachheit oder Konzentration assoziiert). Die kognitive Belastung, ein komplexeres Maß, kann ebenfalls anhand variierender Pegel von Alpha- und Theta-Wellen erfasst werden.

Forscher haben Systeme mit EEG entwickelt, welche die Aufmerksamkeit überwachen können, was die Bewertung des Aufmerksamkeitsniveaus während eines gesamten Kurses ermöglicht. Zhou et al. demonstrierten erfolgreich ein Echtzeitsystem, das die kognitive Belastung von E-Learning-Studenten in Massive Open Online Courses (MOOCs) überwacht, was den Weg für die Optimierung von Kursinhalten in Echtzeit ebnet [2].

Analyse kognitiver Zustände leicht gemacht

Die Messung kognitiver Zustände, wie in diesen früheren Studien, kann technisches Geschick und Fachwissen erfordern. Glücklicherweise ermöglichen Fortschritte in der Data Science heute den Einsatz vordefinierter Algorithmen zur Messung kognitiver Zustände mit minimalem technischem Fachwissen. Emotiv ermöglicht die Nutzung von Leistungsmetriken: Algorithmen für maschinelles Lernen, die entwickelt wurden, um verschiedene Gehirnzustände im EEG zu identifizieren, darunter Fokus, Aufregung, Engagement, Frustration, Stress und Entspannung.

Diese Algorithmen basieren auf kontrollierten Experimenten, die darauf ausgelegt sind, bestimmte kognitive Zustände hervorzurufen, und sind nützlich, um Lehrinhalte zu optimieren. Diese Emotiv-Leistungsmetriken wurden verwendet, um spielbasiertes Lernen mit dem traditionellen Lernen mit Stift und Papier zu vergleichen, obwohl die Studie keinen Unterschied in den kognitiven Zuständen zwischen den beiden Lernmethoden zeigte [3]. Andere Forscher haben den Nutzen von Leistungsmetriken nachgewiesen, indem sie Kinder im Alter von nur 5 bis 7 Jahren basierend auf kognitiven Zuständen wie Engagement, Stress und Fokus einteilten, um die Wirksamkeit von Aktivitäten in Augmented-Reality-Umgebungen zu beurteilen.

Oben: (A) Mit dem EEG können die Gehirnwellen von Schülern in einem Highschool-Klassenzimmer gemessen werden (aus: Dikker et al. [4]). (B) Die Gehirnwellen von Schülern können eine hohe Synchronität mit anderen Schülern aufweisen, was bei Schülern festgestellt wurde, die sich im Unterricht engagierter zeigten (links). Eine geringe Synchronität mit anderen Schülern (rechts) wurde bei weniger engagierten Schülern festgestellt.

Verbesserung von Lernumgebungen

Nicht nur der Inhalt des Lehrmaterials ist wichtig; auch wann und wo wir lernen, ist ebenso wichtig, um sicherzustellen, dass die Schüler gute Lernerfahrungen machen. Forscher maßen die Pegel der Alpha-Wellen zu verschiedenen Zeiten im Unterricht und fanden heraus, dass in den Highschool-Klassen am Vormittag weniger Alpha-Wellen auftraten als am frühen Morgen, was darauf hindeutet, dass der Vormittag die beste Zeit zum Lernen sein könnte [4].

Kabellose EEGs wurden auch verwendet, um reale und virtuelle Umgebungen zu vergleichen, wobei bewiesen wurde, dass in beiden Umgebungen ein gleiches Maß an Aufmerksamkeit und Motivation erzielt werden kann [5]. Dies könnte den Weg für ein reichhaltigeres Lernerlebnis für Menschen mit körperlichen Behinderungen ebnen, die am Präsenzunterricht nicht teilnehmen können. Forscher haben mit Hilfe von EEG auch Studien zur sozialen Dynamik im Klassenzimmer durchgeführt. Bei einer Gruppe von Schülern, die mit EEG-Headsets ausgestattet sind, kann untersucht werden, wie synchronisiert ihre neuronale Aktivität während eines gemeinsamen Lernprozesses ist [6][7]. Diese Methode der EEG-Datenerfassung, genannt EEG-Hyperscanning, ist ein Schritt hin zur Echtzeitanalyse der Gruppenaufmerksamkeit und zur Verbesserung der sozialen Dynamik im Klassenzimmer.

Bildung für alle zugänglich machen

Einige körperliche oder sensorische Einschränkungen können die Lernerfahrungen der Schüler im Klassenzimmer einschränken. Es gibt jedoch EEG-basierte Tools, die Erfahrungen von Schülern verbessern. Fortschritte in der BCI-Technologie (Brain-Computer Interface) haben das EEG-basierte Tippen ermöglicht [8][9], wodurch Schüler mit körperlichen Einschränkungen beim Lernen mentale Notizen auf ihrem Computergerät machen können. BCIs, die die EEG-basierte Beantwortung von Ja-Nein-Fragen ermöglichen, erlauben zudem die Bewertung von Schülern mit Sehbehinderungen durch computergestützte Prüfungen, für die andernfalls ein Prüfer erforderlich wäre [10].

Personalisierte Lernerfahrungen

Die Bereitstellung persönlicher Tutoren für Schüler kann teuer sein, ist jedoch oft notwendig, wenn das allgemeine Bildungssystem für die Bewältigung einzigartiger Lernbedürfnisse unzureichend ausgestattet ist. Intelligent Tutoring Systems (ITS) sind eine Klasse von computergestützter Lernsoftware, die durch künstliche Intelligenz unterstützt wird und als persönliche Tutoren fungieren kann.

Das Ziel dieser Systeme ist es, sich anzupassen und den Schülern in Echtzeit personalisiertes Feedback zu geben, um deren Lernerfolg zu steigern. Forscher entwickeln ITS-Systeme derzeit weiter, indem sie diese mit EEG integrieren. In einer Studie nutzen Forscher das EEG, um das Engagement von Schülern bei verschiedenen Arten von Lehrvideos (animierte Inhalte im Vergleich zu Videos mit realen Lehrern) zu erfassen. Dies ermöglicht es dem ITS, zu lernen und automatisch Inhalte zu generieren, die der Schüler interessanter findet.

Wenn man das menschliche Element aus dem Lehrprozess entfernt, wird es immer wichtiger, die kognitive Belastung der Schüler während der Nutzung computergestützter Lernprogramme im Auge zu behalten, um Stress und Bildschirmmüdigkeit zu vermeiden. Um dem entgegenzuwirken, haben Forscher eine Gesichtsausdruck-Datenbank auf der Grundlage von EEG-Daten entwickelt, die aktiv erkennt, ob ein Schüler bei der Nutzung eines ITS gelangweilt, engagiert, aufgeregt oder frustriert war [11].

Diese Entwicklung mit dem EEG ebnet dem ITS-System den Weg, kontinuierlich zu lernen und sich an den einzelnen Schüler anzupassen, indem es Pausen vorschlägt, wenn dieser müde ist, oder den Unterricht fortsetzt, wenn er engagiert ist, was dem Schüler eine effektivere Lernerfahrung bietet.

Oben: Schülerinnen und Schüler im BrainWaves-Programm der New York University (NYU) spielen ein Spiel, während sie die EEG-Gehirntechnologie von Emotiv tragen.

EEG als MINT-Lernwerkzeug

Die EEG-Geräte und die Software von Emotiv sind einfach zu bedienen und eignen sich hervorragend als Einführungswerkzeug, um auch die nächste Generation von Wissenschaftlern in den MINT-Fächern (Mathematik, Informatik, Naturwissenschaft und Technik) zu inspirieren.

Die Geräte und die Software von Emotiv werden derzeit im Rahmen von Bachelorstudiengängen an Universitäten eingesetzt – nicht nur in der Psychologie und den Neurowissenschaften, sondern auch in der biomedizinischen Technik. Kurent zeigt ein erfolgreiches Beispiel für die Integration von Emotiv EPOC-Geräten in den Bildungsprozess an Highschools und Universitäten auf, um die Weiterentwicklung von BCI-Geräten zu ermöglichen. Kosmayana et al. stellten fest, dass die Einbeziehung von EEG-BCI-Systemen in den Lehrplan der Schulen die schulischen Leistungen steigert. Die Macquarie University hat bereits die erfolgreiche Einbindung von Emotiv-Geräten in ihren Lehrplan für den Bachelor of Cognitive and Brain Sciences demonstriert, was den Studierenden praktische Erfahrungen mit Versuchsplanung und EEG-Datenanalyse bietet [14].

Zudem zeigt White-Foy, dass bereits 12-jährige Kinder BCI-Technologie erfolgreich erlernen und kleine EEG-Forschungsprojekte aufbauen können [13]. Die Schüler nutzten Online-Ressourcen, um ein Emotiv Insight-Gerät in einen Raspberry Pi (einen Minicomputer) zu integrieren, der das EEG in Befehle zur Steuerung eines ferngesteuerten Star-Wars-Spielzeugs (des BB-8) übersetzt und dieses durch ein Labyrinth navigiert.

Oben: NeuroLab an einer weiterführenden Schule. 11- bis 18-jährige Schüler integrierten einen Raspberry Pi und den BB-8-Roboter mit einem Emotiv-Gerät und nutzten gedankliche Befehle, um den BB-8 durch ein Labyrinth zu navigieren (geteilt mit freundlicher Genehmigung von NeuroLabs)

Wir sehen, dass die kostengünstigen, mobilen Emotiv EEG-Geräte nicht nur Methoden zur Verbesserung der Qualität von Bildungsprogrammen bieten, damit Lehrkräfte außergewöhnliche Inhalte vermitteln können, sondern zusammen mit den Entwicklungen im BCI-Bereich auch eine reichhaltige Lernumgebung für Personen mit besonderen Bedürfnissen versprechen.

Wie Emotiv helfen kann

• Verbessere die Lernerfahrungen deiner Schüler mit den Emotiv EEG Lab Starter-Kits.

• Erstelle Experimente und analysiere Daten mit dem EmotivPRO Builder.

• Starte Remote-Experimente, um Daten auf EmotivLABS zu erhalten.

• Nutze unseren Open-Source-Datensatz.

Brauchst du Hilfe? Kontaktiere uns

Quelle des Titelbildes: Trevor Day School

Referenzen

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.