Cómo se puede usar el EEG para crear entornos de aprendizaje óptimos

por Dra. Roshini Randeniya

La educación es un pilar fundamental de nuestra sociedad, y proporcionar entornos de aprendizaje ricos es esencial para el avance social. La neurociencia educativa es un campo interdisciplinario en rápida evolución que busca entender los mecanismos neuronales de la enseñanza y el aprendizaje.

A lo largo de las últimas dos décadas, los avances en la tecnología EEG portátil han permitido a los investigadores utilizar auriculares EEG tanto en aulas como en aprendizaje en línea para crear entornos de aprendizaje óptimos para los estudiantes [1]. En este artículo, analizamos cómo se están utilizando los auriculares EEG de EMOTIV para cambiar la forma en que enseñamos y aprendemos.

Optimizando el contenido educativo

El diseño de contenido educativo atractivo requiere retroalimentación subjetiva constante de los estudiantes. Tradicionalmente, la determinación de la efectividad del contenido de un curso se realiza a través de medidas de retroalimentación autoinformadas al finalizar un curso.

Sin embargo, a menudo es difícil aislar exactamente qué aspectos de la entrega 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), la EEG puede indexar procesos preconscientes, que de otro modo pasarían desapercibidos con simples medidas de autoinforme. Al optimizar el contenido del curso, las métricas más útiles son el nivel de atención y carga cognitiva - una medida de la cantidad de esfuerzo que el cerebro ejerce para retener la información. La atención a menudo se mide analizando diferentes ondas cerebrales observadas en la EEG cuando alguien está aprendiendo, tales como los niveles de ondas alfa (típicamente asociadas con estar fatigado) y ondas beta (típicamente asociadas con estar alerta o concentrado). La carga cognitiva, una medida más compleja, también puede ser indexada con niveles variables de ondas alfa y theta.

Los investigadores han desarrollado sistemas con EEG que pueden monitorear la atención, permitiendo evaluar los niveles de atención a lo largo de todo un curso. Zhou et al. demostraron con éxito un sistema en tiempo real que monitorea la carga cognitiva de los estudiantes de e-learning involucrados en Cursos Masivos Abiertos en Línea (MOOCs), lo que allana el camino para optimizar el contenido del curso en tiempo real [2].

Analizando estados cognitivos con facilidad

Medir estados cognitivos, como en estos estudios anteriores, puede requerir cierta destreza técnica y experiencia. Afortunadamente, los avances en ciencia de datos ahora han permitido el uso de algoritmos preconstruidos para medir estados cognitivos, con una experiencia técnica mínima. Emotiv permite el uso de Métricas de Rendimiento: algoritmos de aprendizaje automático desarrollados para identificar diferentes estados cerebrales, incluido enfoque, emoción, participación, frustración, estrés y 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 Métricas de Rendimiento de Emotiv se han utilizado para comparar el aprendizaje basado en juegos con el aprendizaje tradicional en papel y lápiz, 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 Métricas de Rendimiento en agrupar a niños tan jóvenes como de 5 a 7 años de edad según estados cognitivos como participación, estrés y enfoque para evaluar la efectividad de las actividades en entornos de realidad aumentada.

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

Mejorando los entornos de aprendizaje

No solo el contenido del material educativo es importante, cuándo y dónde aprendemos también son igualmente importantes para garantizar que los estudiantes tengan buenas experiencias de aprendizaje. Los investigadores midieron niveles de ondas alfa durante diferentes momentos de clase y encontraron que las clases de secundaria a media mañana mostraron menos ondas alfa que las de primera hora de la mañana y sugirieron que media mañana podría ser el mejor momento para aprender [4].

Los EEG inalámbricos también se han utilizado para comparar entornos reales vs virtuales, demostrando la capacidad de proporcionar niveles iguales de atención y motivación en ambos entornos [5]. Esto podría abrir el camino para una experiencia de aprendizaje más rica para las personas con discapacidades físicas, que no pueden asistir a aulas en persona. Los investigadores también han realizado estudios sobre dinámicas sociales en el aula utilizando EEG. Un grupo de estudiantes equipados con auriculares EEG puede ser evaluado en cuanto a cuán sincronizada está su actividad neural durante un proceso de aprendizaje común [6][7]. Este método de recopilación de datos EEG, llamado hiperscan EEG, es un paso hacia la inferencia en tiempo real de la atención grupal y la mejora de las dinámicas sociales en el aula.

Haciendo la educación accesible para todos

Algunas dificultades físicas o sensoriales pueden limitar las experiencias de aprendizaje de los estudiantes en el aula. Sin embargo, hay herramientas basadas en EEG que están mejorando las experiencias de los estudiantes. Los avances en la tecnología de Interfaces 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 a medida que aprenden. Las BCI que permiten respuestas del tipo sí-no basadas en EEG también están permitiendo a los estudiantes con discapacidades visuales ser evaluados mediante exámenes basados en computadoras, 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 está mal equipado para manejar las necesidades únicas en el aprendizaje. Los Sistemas de Tutoría Inteligente (ITS) son una clase de software de aprendizaje basado en computadora 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. Los investigadores están avanzando actualmente en los sistemas ITS integrándolos con EEG. En un estudio, los investigadores utilizan EEG para detectar la participación de los estudiantes en diferentes tipos de videos educativos (contenido animado vs videos con maestros humanos), lo que permite que el ITS aprenda y genere automáticamente contenido que el estudiante encontrará más interesante.

Cuando se elimina el elemento humano del proceso de enseñanza, se vuelve cada vez más importante hacer un seguimiento de la carga cognitiva de los estudiantes mientras utilizan programas de aprendizaje basados en computadoras para prevenir el estrés y la fatiga visual. 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 utilizaba 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 pausas cuando están cansados o continuando la enseñanza cuando están comprometidos, proporcionando una experiencia de aprendizaje más efectiva para el estudiante.

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

EEG como una herramienta de aprendizaje STEM

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

Los dispositivos y software Emotiv se están utilizando actualmente en cursos de nivel universitario, no solo en psicología y neurociencia, sino también en ingeniería biomédica. Kurent demuestra un ejemplo exitoso de integrar dispositivos Emotiv EPOC en el proceso educativo a nivel de secundaria y universidad para permitir el avance de los dispositivos BCI. Kosmayana et al. encuentran que incluir sistemas EEG-BCI en los currículos escolares mejora el rendimiento académico. La Universidad Macquarie ya ha demostrado la exitosa inclusión de dispositivos Emotiv en su currículum de Licenciatura en Ciencias Cognitivas y del Cerebro, brindando a los estudiantes experiencia práctica con el diseño experimental y análisis de datos EEG [14].

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

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

Podemos ver que los dispositivos EEG móviles de bajo costo de Emotiv no solo proporcionan métodos para mejorar la calidad de los programas educativos que el educador puede ofrecer, sino que junto con los desarrollos en BCI también proponen proporcionar un ambiente educativo rico para individuos con necesidades únicas.

Cómo EMOTIV Puede Ayudar

• Mejore las experiencias de aprendizaje de sus estudiantes con Kits de Inicio de EMOTIV EEG.

• Construya experimentos y analice datos con EmotivPRO Builder.

• Inicie experimentos remotos para obtener datos sobre EmotivLABS.

• Utilice nuestro conjunto de datos de código abierto.

¿Necesita Ayuda? Contáctenos

Fuente de la imagen de portada: Escuela Trevor Day

Referencias

1. J. Xu y B. Zhong, “Revisión sobre tecnología EEG portátil en la investigación educativa,” Computers in Human Behavior, vol. 81, pp. 340–349, Abr. 2018, doi: 10.1016/j.chb.2017.12.037.

2. Zhou Y, Xu T, Cai Y, Wu X, Dong B. Monitoreo de la carga cognitiva en el aprendizaje de videos en línea a través de una interfaz cerebro-computadora basada en 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. Evaluando los estados emocionales de los aprendices mediante el monitoreo de ondas cerebrales para comparar el enfoque de aprendizaje basado en juegos con el de papel y lápiz. En: 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. Cerebro matutino: evidencia neural del mundo real que muestra que los tiempos de clase en secundaria importan. Soc Cogn Affect Neurosci. 2020;15(11):1193-1202. doi:10.1093/scan/nsaa142

5. Romero-Soto FO, Ibarra-Zárate DI, Alonso-Valerdi LM. Análisis comparativo de la densidad espectral de potencia alfa en entornos reales y virtuales. En: Vol 75. ; 2020:156-163. doi:10.1007/978-3-030-30648-9_22

6. Dikker S, Wan L, Davidesco I, et al. La sincronía cerebro a cerebro rastrea las interacciones grupales dinámicas en el aula. 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 en el aula: grabaciones neuronales sincronizadas durante la presentación de videos. 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. Escritura por ondas cerebrales: estudio comparativo de P300 e imaginaria motora para la escritura utilizando dispositivos EEG de electrodos secos. En: Stephanidis C, ed. HCI International 2013 - Resúmenes Ampliados de Posters. Comunicaciones en Ciencias de la Computación e Información. 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. Convirtiendo tus pensamientos en textos: habilitando la escritura cerebral a través del aprendizaje profundo de señales EEG. En: 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. Identificación basada en EEG de palabras en modelos de examen con preguntas de sí-no para estudiantes con discapacidades visuales. En: ; 2019. doi:10.1109/TALE48000.2019.9225903

11. Zatarain-Cabada R, Barrón-Estrada ML, González-Hernández F, Rodriguez-Rangel H. Construyendo un reconocedor de expresiones faciales y una base de datos de expresiones faciales para un sistema de tutoría inteligente. En: 2017 IEEE 17th International Conference on Advanced Learning Technologies (ICALT). ; 2017:391-393. doi:10.1109/ICALT.2017.141

12. Kurent P. Integración de las tecnologías futuras en escuelas secundarias y universidades. En: 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. Neurociencia para Estudiantes: un proyecto para introducir la tecnología EEG y de Interfaces Cerebro-Computadora a niños de secundaria. Praxis Teacher Research. Publicado el 29 de noviembre de 2019. Accedido el 15 de junio de 2022. https://praxis-teacher-research.org/neuroscience-for-students/

14. Kosmyna, Nataliya, Nathalie Soetaert y Cassandra Scheirer. "Un estudio piloto del uso de interfaces cerebro-computadora en aulas para promover actividades educativas formales." Actas de la Conferencia de Tecnologías Futuras. Springer, Cham, 2021.

15. Álvarez, V., Bower, M., de Freitas, S., Gregory, S. y De Wit, B., 2016. El uso de tecnologías portátiles en universidades australianas: Ejemplos de ciencias ambientales, ciencias cognitivas y del cerebro y formación de maestros. Futuros del aprendizaje móvil: mantener la calidad en la investigación y prácticas en el aprendizaje móvil, 25.

16. Rodríguez, A.O.R., Riaño, M.A., García, P.A.G., Marín, C.E.M., Crespo, R.G. y Wu, X., 2020. Caracterización emocional de niños a través de un entorno de aprendizaje utilizando análisis de datos y AR-Sandbox. Journal of Ambient Intelligence and Humanized Computing, 11(11), pp.5353-5367.