La educación es un pilar fundamental de nuestra sociedad, y proporcionar entornos de aprendizaje enriquecedores es esencial para el progreso social. La neurociencia educativa es un campo interdisciplinario en rápido desarrollo que tiene como objetivo comprender los mecanismos neurales de la enseñanza y el aprendizaje.

Durante las últimas dos décadas, los avances en la tecnología de EEG portátil han permitido a los investigadores utilizar diademas de EEG tanto en las aulas como en el aprendizaje en línea para crear entornos de aprendizaje óptimos para los estudiantes [1]. En este artículo, analizamos cómo se utilizan las diademas de EEG de Emotiv para cambiar la forma en que enseñamos y aprendemos.

Optimización del contenido educativo

Diseñar contenido educativo atractivo requiere una retroalimentación subjetiva constante por parte de los estudiantes. Tradicionalmente, la determinación de la efectividad del contenido de un curso se realiza a través de medidas de retroalimentación de autoinforme al finalizar el mismo.

Sin embargo, a menudo es difícil aislar exactamente qué aspectos de la impartición del curso se pueden mejorar debido a la dependencia de la memoria subjetiva. Debido a su alta resolución temporal (es decir, su capacidad para medir las respuestas cerebrales en la escala de milisegundos), el EEG es capaz de indexar procesos preconscientes que, de otro modo, pasarían desapercibidos con meras medidas de autoinforme. Al optimizar el contenido del curso, las métricas más útiles son el nivel de atención y la carga cognitiva, una medida de la cantidad de esfuerzo que realiza el cerebro para retener la información. La atención a menudo se mide analizando diferentes ondas cerebrales observadas en el EEG cuando alguien está aprendiendo, como los niveles de ondas alfa (asociadas típicamente con el cansancio) y ondas beta (asociadas típicamente con estar alerta o concentrado). La carga cognitiva, una medida más compleja, también se puede indexar con niveles variables de ondas alfa y theta.

Los investigadores han desarrollado sistemas con EEG que pueden monitorear la atención, lo que permite evaluar los niveles de atención a lo largo de un curso completo. Zhou et al. demostraron con éxito un sistema en tiempo real que monitorea la carga cognitiva de los estudiantes de aprendizaje en línea que participan en cursos en línea masivos y abiertos (MOOC, por sus siglas en inglés), lo que allana el camino para optimizar el contenido de los cursos en tiempo real [2].

Análisis de estados cognitivos de forma sencilla

Medir los estados cognitivos, como en estos estudios anteriores, puede requerir cierta habilidad técnica y experiencia. Afortunadamente, los avances en la ciencia de datos ahora han permitido el uso de algoritmos prediseñados para medir los estados cognitivos, con una experiencia técnica mínima. Emotiv permite el uso de Performance Metrics: algoritmos de aprendizaje automático desarrollados para identificar diferentes estados cerebrales, incluidos el enfoque, la emoción, el compromiso, la frustración, el estrés y la relajación en un EEG.

Estos algoritmos se construyen utilizando experimentos controlados diseñados para provocar estados cognitivos específicos y son útiles para optimizar el contenido educativo. Estas Emotiv Performance Metrics se han utilizado para comparar el aprendizaje basado en juegos frente al aprendizaje tradicional con lápiz y papel, aunque el estudio no mostró diferencias en los estados cognitivos entre los dos métodos de aprendizaje [3]. Otros investigadores han demostrado la utilidad de las Performance Metrics para agrupar a niños de tan solo 5 a 7 años de edad en función de estados cognitivos como el compromiso, el estrés y el enfoque para evaluar la efectividad de las actividades en entornos de realidad aumentada.

Arriba: (A) El EEG se puede utilizar para medir las ondas cerebrales de los estudiantes en un aula de escuela secundaria (de: Dikker et al. [4]). (B) Las ondas cerebrales de los estudiantes pueden mostrar una alta sincronía con las de otros estudiantes, lo que se encontró en estudiantes que estaban más comprometidos en clase (izquierda). Se encontró una baja sincronía con otros estudiantes (derecha) en el caso de los estudiantes que estaban menos comprometidos.

Mejora de los entornos de aprendizaje

No solo es importante el contenido del material educativo, el cuándo y el dónde aprendemos son igualmente importantes para garantizar que los estudiantes tengan buenas experiencias de aprendizaje. Los investigadores midieron los niveles de ondas alfa durante diferentes horarios de clase y descubrieron que las clases de secundaria a media mañana mostraban menos ondas alfa que las de la mañana temprano, y sugieren que la media mañana puede ser el mejor momento para aprender [4].

Los EEG inalámbricos también se han utilizado para comparar entornos reales frente a virtuales, demostrando la capacidad de proporcionar los mismos niveles de atención y motivación en ambos entornos [5]. Esto podría allanar el camino para una experiencia de aprendizaje más enriquecedora para las personas con discapacidades físicas que no pueden asistir de forma presencial a las aulas. Los investigadores también han realizado estudios sobre la dinámica social en el aula utilizando EEG. Se puede evaluar a un grupo de estudiantes equipados con diademas de EEG para determinar qué tan sincronizada está su actividad neural durante un proceso de aprendizaje común [6][7]. Este método de recopilación de datos de EEG, llamado hiperscan de EEG, es un paso hacia la inferencia en tiempo real de la atención del grupo y la mejora de la dinámica social en el aula.

Hacer que la educación sea accesible para todos

Algunas dificultades físicas o sensoriales pueden limitar las experiencias de aprendizaje de los estudiantes en el aula. Sin embargo, existen herramientas basadas en EEG que están mejorando las experiencias de los estudiantes. Los avances en la tecnología de interfaz cerebro-computadora (BCI) han permitido la escritura basada en EEG [8][9], lo que ayuda a los estudiantes con dificultades físicas a tomar notas mentales en su dispositivo informático mientras aprenden. Las BCI que permiten responder preguntas de tipo sí-no basadas en EEG también permiten que los estudiantes con discapacidad visual sean evaluados mediante exámenes por computadora, que de otro modo requerirían un entrevistador [10].

Experiencias de aprendizaje personalizadas

Proporcionar tutores personales para los estudiantes puede ser costoso, pero a menudo puede ser necesario cuando el sistema educativo general no está lo suficientemente equipado para manejar necesidades de aprendizaje únicas. Los sistemas de tutoría inteligente (ITS, por sus siglas en inglés) son una clase de software de aprendizaje basado en computadoras respaldado por inteligencia artificial que puede actuar como tutores personales.

El objetivo de estos sistemas es adaptarse y proporcionar retroalimentación personalizada en tiempo real al estudiante para mejorar su aprendizaje. Actualmente, los investigadores están avanzando en los sistemas ITS integrándolos con EEG. En un estudio, los investigadores utilizan el EEG para detectar el compromiso de los estudiantes con diferentes tipos de videos educativos (contenido animado versus videos con profesores humanos), lo que permite al ITS aprender y generar automáticamente contenido que el estudiante encontrará más interesante.

Cuando se elimina el elemento humano del proceso de enseñanza, se vuelve cada vez más importante realizar un seguimiento de la carga cognitiva de los estudiantes mientras utilizan programas de aprendizaje computarizados para evitar el estrés y la fatiga de la pantalla. Para combatir esto, los investigadores han desarrollado una base de datos de expresiones faciales basada en datos de EEG que detecta activamente si un estudiante estaba aburrido, comprometido, emocionado o frustrado mientras usaba un ITS [11].

Este desarrollo con EEG está allanando el camino para que el sistema ITS aprenda y se adapte continuamente al estudiante individual; sugiriendo descansos cuando están cansados o continuando enseñando cuando están comprometidos, proporcionando una experiencia de aprendizaje más efectiva para el estudiante.

Arriba: Estudiantes en el programa BrainWaves de la Universidad de Nueva York (NYU) juegan a un juego mientras usan la tecnología cerebral de EEG de Emotiv.

El EEG como herramienta de aprendizaje STEM

Los dispositivos y el software de EEG de Emotiv son fáciles de usar y también son una excelente herramienta introductoria para inspirar a la próxima generación de científicos en ciencia, tecnología, ingeniería y matemáticas (STEM).

Los dispositivos y el software de Emotiv se utilizan actualmente en cursos universitarios de pregrado, no solo en psicología y neurociencia, sino también en ingeniería biomédica. Kurent demuestra un ejemplo exitoso de integración de dispositivos Emotiv EPOC en el proceso educativo a nivel de escuela secundaria y universidad para permitir el avance de los dispositivos BCI. Kosmyna et al. descubren que la inclusión de sistemas EEG-BCI en los planes de estudio escolares mejora el rendimiento académico. La Universidad Macquarie ya ha demostrado la inclusión exitosa de dispositivos Emotiv en su plan de estudios de Licenciatura en Ciencias Cognitivas y del Cerebro, brindando a los estudiantes una experiencia práctica con el diseño experimental y el análisis de datos de EEG [14].

Además, White-Foy demuestra que niños de tan solo 12 años pueden aprender con éxito la tecnología BCI y establecer proyectos de investigación de EEG a pequeña escala [13]. Los estudiantes utilizaron recursos en línea para integrar un dispositivo Emotiv Insight a una Raspberry Pi (una computadora en miniatura) que traduce el EEG en comandos para controlar un juguete de Star Wars a control remoto (el BB-8) y guiarlo a través de un laberinto.

Arriba: NeuroLab de escuela secundaria. Estudiantes de 11 a 18 años integraron una Raspberry Pi y el robot BB-8 con un dispositivo Emotiv y utilizaron comandos mentales para guiar al BB-8 a través de un laberinto (compartido con permiso de NeuroLabs)

Podemos ver que los dispositivos de EEG de Emotiv móviles y de bajo costo no solo brindan métodos para mejorar la calidad de los programas educativos para que el educador ofrezca un contenido excepcional, sino que, junto con los desarrollos en BCI, también proponen proporcionar un entorno educativo enriquecedor para personas con necesidades únicas.

Cómo puede ayudar EMOTIV

• Mejore las experiencias de aprendizaje de sus estudiantes con los Emotiv EEG Lab Starter Kits.

• Cree experimentos y analice datos con EmotivPRO Builder.

• Inicie experimentos remotos para obtener datos en EmotivLABS.

• Utilice nuestro conjunto de datos de código abierto.

¿Necesita ayuda? Contáctenos

Fuente de la imagen de portada: Trevor Day School

Referencias

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.