Wie EEG genutzt werden kann, um optimale Lernumgebungen zu schaffen

von Dr. Roshini Randeniya

Bildung ist ein grundlegender Pfeiler unserer Gesellschaft, und die Schaffung reicher Lernumgebungen ist entscheidend für den gesellschaftlichen Fortschritt. Bildungsneurowissenschaft ist ein schnell wachsendes 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 es Forschern ermöglicht, EEG-Headsets sowohl in Klassenzimmern als auch im E-Learning zu verwenden, um optimale Lernumgebungen für Schüler zu schaffen [1]. In diesem Artikel betrachten wir, wie EMOTIVs EEG-Headsets verwendet werden, um zu verändern, wie wir unterrichten und lernen.

Optimierung von Bildungsinhalten

Die Gestaltung ansprechender Bildungsinhalte erfordert ständige subjektive Rückmeldungen von Schülern. Traditionell erfolgt die Bestimmung der Effektivität des Inhalts eines Kurses durch selbstberichtende Rückmeldungsmaßnahmen nach Abschluss eines Kurses.

Es ist jedoch oft schwierig, genau zu isolieren, welche Aspekte der Kursvermittlung aufgrund der Abhängigkeit von subjektiven Erinnerungen verbessert werden können. Aufgrund seiner hohen zeitlichen Auflösung (d.h. seiner Fähigkeit, Gehirnreaktionen im Millisekundenbereich zu messen) kann EEG präbewusste Prozesse indexieren, die andernfalls mit bloßen Selbstberichterstattungsmaßnahmen unentdeckt bleiben würden. Bei der Optimierung von Kursinhalten sind die nützlichsten Kennzahlen das Niveau der Aufmerksamkeit und kognitive Belastung – ein Maß dafür, wie viel Aufwand das Gehirn aufbringt, um die Informationen zu behalten. Aufmerksamkeit wird oft gemessen, indem man verschiedene Gehirnwellen analysiert, die im EEG beobachtet werden, wenn jemand lernt – wie die Werte von Alpha (typischerweise mit Müdigkeit verbunden) und Beta-Wellen (typischerweise mit Wachsamkeit oder Fokus verbunden). Kognitive Belastung, ein komplexeres Maß, kann auch mit unterschiedlichen Levels von Alpha- und Theta-Wellen indexiert werden.

Forscher haben Systeme mit EEG entwickelt, die die Aufmerksamkeit überwachen, was es ermöglicht, die Aufmerksamkeitsniveaus während eines gesamten Kurses zu bewerten. Zhou et al. haben erfolgreich ein Echtzeitsystem demonstriert, das die kognitive Belastung von e-learning Studierenden in Massive Open Online Courses (MOOCs) überwacht, was den Weg zur Optimierung von Kursinhalten in Echtzeit ebnet [2].

Kognitive Zustände einfach analysieren

Die Messung kognitiver Zustände, wie in diesen vorherigen Studien, kann technische Fähigkeiten und Fachkenntnisse erfordern. Glücklicherweise haben Fortschritte in der Datenwissenschaft nun die Verwendung von vorgefertigten Algorithmen zur Messung kognitiver Zustände mit minimalen technischen Kenntnissen ermöglicht. Emotiv ermöglicht die Verwendung von Leistungskennzahlen: maschinellen Lernalgorithmen, die entwickelt wurden, um verschiedene Gehirnzustände zu identifizieren, einschließlich Fokus, Aufregung, Engagement, Frustration, Stress und Entspannung in einem EEG.

Diese Algorithmen basieren auf kontrollierten Experimenten, die darauf ausgelegt sind, spezifische kognitive Zustände hervorzurufen, und sind nützlich zur Optimierung von Bildungsinhalten. Diese Emotiv Leistungskennzahlen wurden verwendet, um spielbasiertes Lernen mit traditionellem 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 Leistungskennzahlen bei der Gruppierung von Kindern im Alter von 5-7 Jahren basierend auf kognitiven Zuständen wie Engagement, Stress und Fokus demonstriert, um die Effektivität von Aktivitäten in Augmented-Reality-Umgebungen zu bewerten.

Oben: (A) EEG kann verwendet werden, um die Gehirnwellen von Schülern in einem Klassenzimmer der Sekundarstufe zu messen (von: Dikker et al. [4]). (B) Die Gehirnwellen der Schüler können eine hohe Synchronität mit anderen Schülern zeigen, was für Schüler festgestellt wurde, die mehr im Unterricht engagiert waren (links). Geringe Synchronität mit anderen Schülern (rechts) wurde bei Schülern festgestellt, die weniger engagiert waren.

Verbesserung von Lernumgebungen

Es ist nicht nur der Inhalt von bildungsbezogenen Materialien wichtig, auch wann und wo wir lernen, ist ebenso wichtig, um sicherzustellen, dass Schüler gute Lernerfahrungen haben. Forscher maßen die Level der Alpha-Wellen während verschiedener Unterrichtszeiten und fanden heraus, dass die Klassen der Mittagszeit weniger Alpha-Wellen zeigten als der frühe Morgen und schlägt vor, dass die Mittagszeit die beste Zeit zum Lernen sein könnte [4].

Drahtlose EEGs wurden auch verwendet, um reale mit virtuellen Umgebungen zu vergleichen, und zeigen die Fähigkeit, in beiden Umgebungen gleich hohe Aufmerksamkeits- und Motivationsniveaus bereitzustellen [5]. Dies könnte den Weg für eine reichhaltigere Lernerfahrung für Menschen mit körperlichen Behinderungen ebnen, die nicht an Präsenzveranstaltungen teilnehmen können. Forscher haben auch Studien zu sozialen Dynamiken im Klassenzimmer unter Verwendung von EEG durchgeführt. Eine Gruppe von Schülern, die mit EEG-Headsets ausgestattet ist, kann bewertet werden, wie synchronisiert ihre neuronale Aktivität während eines gemeinsamen Lernprozesses ist [6][7]. Diese Methode der EEG-Datensammlung, die als EEG-Hyperscanning bezeichnet wird, ist ein Schritt in Richtung Echtzeiteinblicke in die Gruppenaufmerksamkeit und Verbesserung der sozialen Dynamik im Klassenzimmer.

Bildung für alle zugänglich machen

Einige physische oder sensorische Schwierigkeiten können die Lern Erfahrungen der Schüler im Klassenzimmer einschränken. Es gibt jedoch EEG-basierte Tools, die die Erfahrungen der Schüler verbessern. Fortschritte in der Technologie der Gehirn-Computer-Schnittstelle (BCI) haben das EEG-basiert Tippen [8][9] ermöglicht, was Schülern mit körperlichen Schwierigkeiten hilft, mentale Notizen auf ihrem Computergerät zu machen, während sie lernen. BCIs, die das EEG-basierte Beantworten von Ja-Nein-Fragen ermöglichen, erlauben es auch Schülern mit Sehbehinderungen, benotet zu werden, indem Computer-basierte Prüfungen durchgeführt werden, die ansonsten einen Interviewer erfordern würden [10].

Personalisierte Lernerfahrungen

Die Bereitstellung von persönlichen Tutoren für Studierende kann teuer sein, ist jedoch oft notwendig, wenn das allgemeine Bildungssystem nicht in der Lage ist, individuelle Lernbedürfnisse zu erfüllen. Intelligente Tutorensysteme (ITS) sind eine Klasse von computerbasierten Lernsoftware, die mit künstlicher Intelligenz ausgestattet sind und als persönliche Tutoren fungieren können.

Das Ziel dieser Systeme ist es, sich anzupassen und in Echtzeit personalisierte Rückmeldungen an den Schüler zu geben, um deren Lernen zu verbessern. Forscher arbeiten derzeit daran, ITS-Systeme weiterzuentwickeln, indem sie diese mit EEG integrieren. In einer Studie verwenden Forscher EEG, um die Schülerengagements für verschiedene Arten von Bildungsvideos (animierte Inhalte im Vergleich zu Videos mit menschlichen Lehrern) zu erkennen, wodurch das ITS lernen und automatisch Inhalte generieren kann, die der Schüler als interessanter empfindet.

Wenn man das menschliche Element aus dem Lehrprozess entfernt, wird es immer wichtiger, die kognitive Belastung der Schüler bei der Nutzung computerbasierter Lernprogramme im Auge zu behalten, um Stress und Bildschirmermüdung zu vermeiden. Um dies zu bekämpfen, haben Forscher eine Datenbank für Gesichtsausdrücke entwickelt, die auf EEG-Daten basiert und aktiv erkennt, ob ein Schüler gelangweilt, engagiert, aufgeregt oder frustriert war, während er ein ITS benutzt [11].

Diese Entwicklung mit EEG ebnet den Weg dafür, dass das ITS-System kontinuierlich lernen und sich an den einzelnen Studenten anpassen kann; indem es Pausen vorschlägt, wenn der Schüler müde ist, oder den Unterricht fortsetzt, wenn er engagiert ist, und so eine effektivere Lernerfahrung für den Schüler bietet.

Oben: Schüler an der New York University (NYU) BrainWaves Programm spielen ein Spiel, während sie EMOTIV EEG-Gehirntechnologie tragen.

EEG als STEM-Lernwerkzeug

Emotiv EEG-Geräte und Software sind einfach zu bedienen und sind ein hervorragendes Einführungswerkzeug, um die nächste Generation von Wissenschaftlern in den Bereichen Wissenschaft, Technologie, Ingenieurwesen und Mathematik (STEM) zu inspirieren.

Emotiv-Geräte und -Software werden derzeit in Universitätsgrundkursen verwendet, nicht nur in Psychologie und Neurowissenschaft, sondern auch in biomedizinischem Ingenieurwesen. Kurent zeigt ein erfolgreiches Beispiel dafür, wie Emotiv EPOC-Geräte in den Bildungsprozess an Oberschulen und Hochschulen integriert werden, um den Fortschritt von BCI-Geräten zu fördern. Kosmayana et al. stellen fest, dass die Einbeziehung von EEG-BCI-Systemen in Schulcurricula die akademische Leistung verbessert. Die Macquarie University hat bereits gezeigt, dass Emotiv-Geräte erfolgreich in ihr Bachelor-Programm für Kognitive und Gehirnwissenschaften integriert wurden, wodurch die Studierenden praktische Erfahrungen mit experimentellem Design und EEG-Datenanalyse sammeln [14].

Darüber hinaus zeigt White-Foy, dass Kinder bereits im Alter von 12 Jahren erfolgreich BCI-Technologie lernen und kleine EEG-Forschungsprojekte einrichten können [13]. Schüler verwendeten Online-Ressourcen, um ein EMOTIV Insight-Gerät mit einem Raspberry Pi (einem Miniaturcomputer) zu integrieren, das EEG in Befehle übersetzt, um ein ferngesteuertes Star-Wars-Spielzeug (den BB-8) zu steuern und durch ein Labyrinth zu navigieren.

Oben: Sekundarschule NeuroLab. Schüler im Alter von 11-18 Jahren integrierten Raspberry Pi und BB-8-Roboter mit dem Emotiv-Gerät und verwendeten mentale Befehle, um den BB-8 durch ein Labyrinth zu navigieren (mit Erlaubnis von NeuroLabs geteilt)

Wir sehen, dass kostengünstige, mobile Emotiv EEG-Geräte nicht nur Methoden zur Verbesserung der Qualität von Bildungsprogrammen für den Lehrer bereitstellen, um außergewöhnliche Inhalte zu vermitteln, sondern zusammen mit Entwicklungen im BCI auch eine reiche Bildungsumgebung für Personen mit besonderen Bedürfnissen bieten.

Wie EMOTIV helfen kann

• Verbessern Sie die Lernerfahrungen Ihrer Schüler mit EMOTIV EEG Lab Starter Kits.

• Erstellen Sie Experimente und analysieren Sie Daten mit EmotivPRO Builder.

• Starten Sie entfernte Experimente, um Daten zu EmotivLABS zu erhalten.

• Nutzen Sie unser Open-Source-Datensatz.

Brauchen Sie Hilfe? Kontaktieren Sie uns

Quelle des Titelbildes: Trevor Day School

Referenzen

1. J. Xu und B. Zhong, “Überblick über tragbare EEG-Technologie in der Bildungsforschung,” Computers in Human Behavior, Bd. 81, S. 340–349, Apr. 2018, doi: 10.1016/j.chb.2017.12.037.

2. Zhou Y, Xu T, Cai Y, Wu X, Dong B. Überwachung der kognitiven Arbeitsbelastung beim Lernen von Online-Videos durch eine EEG-basierte Gehirn-Computer-Schnittstelle. 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. Bewertung der emotionalen Zustände von Lernenden durch Überwachung der Gehirnwellen zum Vergleich des spielbasierten Lernansatzes mit dem Lernen mit Stift und Papier. 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. Morgen-Gehirn: reale neuronale Beweise, dass die Zeiten für den Unterricht in der Sekundarstufe von Bedeutung sind. Soc Cogn Affect Neurosci. 2020;15(11):1193-1202. doi:10.1093/scan/nsaa142

5. Romero-Soto FO, Ibarra-Zárate DI, Alonso-Valerdi LM. Vergleichende Analyse der Alpha-Leistungsdichtespektrums in realen und virtuellen Umgebungen. In: Bd. 75. ; 2020:156-163. doi:10.1007/978-3-030-30648-9_22

6. Dikker S, Wan L, Davidesco I, et al. Gehirn-zu-Gehirn-Synchronität verfolgt reale dynamische Gruppeninteraktionen im Klassenzimmer. 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 im Klassenzimmer: Synchronisierte neuronale Aufzeichnungen während der Video-Präsentation. 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. Gehirnwellen-Tippen: Vergleichsstudie von P300 und motorischer Vorstellung für das Tippen mit trockenen Elektroden-EEG-Geräten. In: Stephanidis C, hrsg. HCI International 2013 - Postererweiterte 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. Ihre Gedanken in Text umwandeln: Ermöglichung des Brain-Typens durch tiefes Feature-Lernen von EEG-Signalen. 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-basierte Identifizierung von Wörtern in Prüfungsmodellen mit Ja-Nein-Antworten für Schüler mit Sehbehinderungen. In: ; 2019. doi:10.1109/TALE48000.2019.9225903

11. Zatarain-Cabada R, Barrón-Estrada ML, González-Hernández F, Rodriguez-Rangel H. Entwicklung eines GesichtsAusdrucks-Recognizers und einer Gesichtsausdruck-Datenbank für ein Intelligentes 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 zukünftiger Technologien in Oberschulen und Hochschulen. 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. Neurowissenschaft für Schüler: ein Projekt zur Einführung von EEG- und Gehirn-Computer-Interface-Technologie für Schüler der Sekundarstufe. Praxis Lehrerforschung. Veröffentlicht am 29. November 2019. Zugriff am 15. Juni 2022. https://praxis-teacher-research.org/neuroscience-for-students/

14. Kosmyna, Nataliya, Nathalie Soetaert, und Cassandra Scheirer. "Eine Pilotstudie zur Verwendung von Gehirn-Computer-Schnittstellen in Klassenzimmern zur Förderung formeller Bildungsaktivitäten." Proceedings des Future Technologies Conference. Springer, Cham, 2021.

15. Alvarez, V., Bower, M., de Freitas, S., Gregory, S. und De Wit, B., 2016. Die Verwendung tragbarer Technologien in australischen Universitäten: Beispiele aus Umweltwissenschaften, kognitiven und Gehirnwissenschaften sowie Lehrerausbildung. Mobile Learning Futures – die Qualität von Forschung und Praxis im mobilen Lernen aufrechterhalten, 25.

16. Rodríguez, A.O.R., Riaño, M.A., García, P.A.G., Marín, C.E.M., Crespo, R.G. und Wu, X., 2020. Emotionale Charakterisierung von Kindern durch eine Lernumgebung unter Verwendung von Lernanalytik und AR-Sandbox. Journal of Ambient Intelligence and Humanized Computing, 11(11), S. 5353-5367.