آموزش یک ستون اصلی برای جامعه ما است و فراهم کردن محیط‌های یادگیری غنی برای پیشرفت جامعه ضروری است. علوم اعصاب آموزشی یک حوزه بین‌رشته‌ای در حال توسعه به سرعت بالا است که هدف آن درک مکانیسم‌های عصبی یاددهی و یادگیری است.

طی دو دهه گذشته، پیشرفت‌ها در فناوری EEG قابل حمل، محققان را قادر ساخته است تا از هدست‌های EEG در کلاس‌های درس و یادگیری الکترونیکی استفاده کنند تا محیط‌های یادگیری بهینه‌ای را برای دانش‌آموزان ایجاد کنند [1]. در این مقاله، ما نگاهی به نحوه استفاده از هدست‌های EEG شرکت Emotiv برای تغییر روش‌های یاددهی و یادگیری خود می‌اندازیم.

بهینه‌سازی محتوای آموزشی

طراحی محتوای آموزشی جذاب به بازخوردهای ذهنی مداوم از سوی دانش‌آموزان نیاز دارد. به طور سنتی، تعیین میزان اثربخشی محتوای یک دوره آموزشی از طریق معیارهای بازخورد خود-گزارشی پس از اتمام دوره انجام می‌شود.

با این حال، به دلیل اتکا به حافظه ذهنی، اغلب شناسایی دقیق این که کدام بخش‌های ارائه دوره را می‌توان بهبود بخشید، دشوار است. EEG به دلیل قدرت تفکیک زمانی بالا (یعنی توانایی آن در اندازه‌گیری پاسخ‌های مغز در مقیاس میلی‌ثانیه)، قادر است فرآیندهای پیش از خودآگاهی را شاخص‌گذاری کند، فرآیندهایی که در غیر این صورت با معیارهای صرفِ خود-گزارش‌دهی نادیده گرفته می‌شدند. هنگام بهینه‌سازی محتوای دوره، مفیدترین معیارها سطح توجه و بار شناختی (cognitive load) هستند؛ باری که معیاری است برای میزان تلاشی که مغز برای حفظ اطلاعات اعمال می‌کند. توجه (Attention) اغلب با غنی‌ترین امواج مغزی مشاهده شده در EEG زمانی که فرد در حال یادگیری است، اندازه‌گیری می‌شود؛ مانند سطوح امواج آلفا (که معمولاً با خستگی همراه است) و امواج بتا (که معمولاً با هوشیاری یا تمرکز همراه است). بار شناختی که معیاری بسیار پیچیده‌تر است، همچنین می‌تواند با سطوح متغیر امواج آلفا و تتا شاخص‌گذاری شود.

پژوهشگران سیستم‌هایی را با کمک EEG توسعه داده‌اند که می‌توانند توجه را پایش کنند و ارزیابی سطوح توجه را در کل یک دوره ممکن سازند. Zhou و همکارانش با موفقیت سیستمی بی‌درنگ (real-time) را ارائه دادند که بار شناختی دانش‌جویان در یادگیری الکترونیکی دوره‌های آموزشی آنلاین گروهی و باز (MOOCs) را پایش می‌کند، و این مسیر را برای بهینه‌سازی محتوای دوره در زمان واقعی هموار می‌سازد [2].

آسان‌تر شدن تحلیل حالت‌های شناختی

اندازه‌گیری حالت‌های شناختی، همانطور که در مطالعات قبلی ذکر شد، می‌تواند به مقداری مهارت فنی و تخصص نیاز داشته باشد. خوشبختانه، پیشرفت‌های علم داده‌ها اکنون استفاده از الگوریتم‌های پیش‌ساخته را برای اندازه‌گیری حالت‌های شناختی با حداقل نیاز به تخصص فنی امکان‌پذیر کرده است. Emotiv امکان استفاده از Performance Metrics را فراهم می‌سازد: الگوریتم‌های یادگیری ماشین توسعه‌یافته برای شناسایی حالت‌های مختلف مغزی از جمله تمرکز، هیجان، مشارکت، ناامیدی، استرس و آرامش در یک EEG.

این الگوریتم‌ها با استفاده از آزمایش‌های کنترل‌شده برای برانگیختن حالت‌های شناختی خاص طراحی شده‌اند و برای بهینه‌سازی محتوای آموزشی مفید هستند. این معیارهای عملکردی Emotiv (Emotiv Performance Metrics) برای مقایسه یادگیری مبتنی بر بازی با یادگیری سنتی قلم و کاغذ مورد استفاده قرار گرفته‌اند، هرچند این مطالعه تفاوت خاصی در حالت‌های شناختی بین دو روش یادگیری نشان نداد [3]. محققان دیگر کاربردی بودن این معیارهای عملکردی را در گروه‌بندی کودکان با سن بسیار پایینی مانند ۵ تا ۷ سال بر اساس حالت‌های شناختی مانند مشارکت، استرس و تمرکز برای سنجش کارآمدی فعالیت‌ها در محیط‌های واقعیت افزوده نشان داده‌اند.

بالا: (A) از EEG می‌توان برای اندازه‌گیری امواج مغزی دانش‌آموزان در یک کلاس دبیرستان استفاده نمود (از: Dikker و همکاران [4]). (B) امواج مغزی دانش‌آموزان می‌تواند همزمانی بالایی را با سایر دانش‌آموزان نشان دهد، موضوعی که برای دانش‌آموزان با مشارکت بیشتر در کلاس یافت شد (سمت چپ). همزمانی پایین با سایر دانش‌آموزان (سمت راست) برای دانش‌آموزانی با مشارکت کمتر یافت شده است.

بهبود بخشیدن به محیط‌های یادگیری

نه تنها محتوای مطالب آموزشی از اهمیت بالایی برخوردار است، بلکه زمان و مکانی که در آن یاد می‌گیریم نیز به همان اندازه برای تضمین تجربیات یادگیری مطلوب دانش‌آموزان مهم است. محققان سطوح امواج آلفا را در بازه‌های زمانی مختلف کلاس اندازه‌گیری کردند و دریافتند که کلاس‌های اواسط صبح دبیرستان امواج آلفای کمتری نسبت به اوایل صبح نشان می‌دهند و پیشنهاد می‌کنند که اواسط صبح ممکن است بهترین زمان برای یادگیری باشد [4].

سیستم‌های EEG بی‌سیم نیز برای مقایسه محیط‌های واقعی با مجازی استفاده شده‌اند که توانایی ارائه سطوح برابری از توجه و انگیزه در هر دو محیط را نشان می‌دهند [5]. این امر می‌تواند مسیر را برای تجربه یادگیری غنی‌تر افرادی با ناتوانی‌های جسمی که قادر به حضور فیزیکی در کلاس‌های درس نیستند هموار کند. پژوهشگران همچنین مطالعاتی در زمینه پویایی‌های اجتماعی در کلاس با استفاده از EEG انجام داده‌اند. گروهی از دانش‌آموزان مجهز به هدست‌های EEG را می‌توان از نظر میزان همزمانی فعالیت عصبی آنها در طول یک فرایند یادگیری مشترک ارزیابی نمود [6][7]. این روش جمع‌آوری داده‌های EEG که EEG hyperscanning نامیده می‌شود، گامی بزرگ به سوی استنباط بی‌درنگِ توجه گروهی و بهبود تعاملات اجتماعی در کلاس درس است.

دسترس‌پذیر کردن آموزش برای همه

برخی از مشکلات جسمی یا حسی می‌توانند تجربیات یادگیری دانش‌آموزان را در کلاس محدود کنند. با این حال ابزارهای مبتنی بر EEG وجود دارند که تجربیات یادگیری دانش‌آموزان را بهبود می‌بخشند. پیشرفت‌ها در فناوری رابط مغز و رایانه (BCI) تایپ کردن مبتنی بر EEG را امکان‌پذیر کرده است [8][9]، که به دانش‌آموزان با ناتوانی‌های فیزیکی کمک می‌کند تا همزمان با یادگیری، یادداشت‌های ذهنی را در سیستم محاسباتی خود بنویسند. سیستم‌های BCI که پاسخ‌دهی بر پایه EEG به سوالات بله-خیر را ممکن می‌سازند، همچنین به دانش‌آموزان دارای اختلالات بینایی اجازه می‌دهند با استفاده از آزمون مجهز به رایانه ارزیابی شوند، آزمونی که در غیر این صورت به یک آزمون‌گیرنده فیزیکی نیاز داشت [10].

تجربیات یادگیری شخصی‌سازی‌شده

فراهم کردن معلمان خصوصی برای دانش‌آموزان می‌تواند پرهزینه باشد اما اغلب زمانی که سیستم آموزش عمومی برای رسیدگی به نیازهای یادگیری منحصر‌به‌فرد کمبود تجهیزات دارد، ضروری است. سیستم‌های تدریس هوشمند (ITS) دسته‌ای از نرم‌افزارهای یادگیری مبتنی بر کامپیوتر مجهز به هوش مصنوعی هستند که می‌توانند به عنوان معلمان خصوصی عمل کنند.

هدف این سیستم‌ها انطباق و ارائه بازخورد شخصی‌سازی‌شده و بی‌درنگ به دانش‌آموز برای تقویت یادگیری آنهاست. محققان در حال حاضر با تلفیق این سیستم‌های ITS با EEG، آنها را ارتقا می‌دهند. در یک مطالعه، محققان از EEG برای تشخیص پیوند و مشارکت دانش‌آموزان با انواع مختلف ویدیوهای آموزشی (کارتون در مقابل ویدیوهای با معلمان واقعی) استفاده می‌کنند که به ITS اجازه می‌دهد سبک جذاب برای هر دانش‌آموز را بشناسد و به طور خودکار محتوایی تولید کند که دانش‌آموز آن را جالب‌تر می‌یابد.

وقتی عنصر انسانی را از فرآیند تدریس حذف می‌کنید، پیگیری بار شناختی دانش‌آموزان در حین استفاده از برنامه‌های یادگیری رایانه‌ای برای جلوگیری از استرس و خستگی ناشی از نمایشگر، به شدت اهمیت می‌یابد. برای مبارزه با این مسئله، محققان یک پایگاه داده حالت‌های چهره بر اساس دادهای EEG ایجاد کرده‌اند که به طور فعال تشخیص می‌دهد آیا دانش‌آموز حین استفاده از یک سیستم ITS، بی‌حوصله، درگیر، هیجان‌زده یا ناامید بوده است [11].

این توسعه با کمک EEG مسیر را برای سیستم‌های ITS هموار می‌کند تا به طور مداوم با ویژگی‌های فردی هر دانش‌آموز انطباق یابند؛ با پیشنهاد زمان استراحت هنگام خستگی یا ادامه تدریس هنگام آمادگی ذهنی آنها، که در نهایت یک تجربه یادگیری کارآمدتر را برای دانش‌آموز فراهم می‌آورد.

بالا: دانشجویان در برنامه BrainWaves دانشگاه نیویورک (NYU) در حالی که از فناوری مغزی Emotiv EEG استفاده می‌کنند بازی انجام می‌دهند.

EEG به عنوان ابزار یادگیری STEM

دستگاه‌ها و نرم‌افزارهای Emotiv EEG به راحتی قابل استفاده هستند و یک ابزار مقدماتی عالی برای ترغیب نسل بعدی دانشمندان علوم، فناوری، مهندسی و ریاضیات (STEM) نیز به شمار می‌روند.

دستگاه‌ها و نرم‌افزارهای Emotiv در حال حاضر در دوره‌های مقطع کارشناسی دانشگاه نه تنها در روانشناسی و علوم اعصاب، بلکه در مهندسی پزشکی نیز با موفقیت استفاده می‌شوند. Kurent با ارائه یک نمونه موفق به بررسی تلفیق دستگاه‌های Emotiv EPOC در فرآیند آموزشی سطح دبیرستان و کالج به منظور توسعه فناوری وسایل BCI پرداخته است. Kosmayana و همکارانش دریافتند که گنجاندن سیستم‌های EEG-BCI در برنامه‌های درسی مدارس عملکرد تحصیلی را افزایش می‌دهد. دانشگاه مک‌کواری پیش از این گنجاندن موفقیت‌آمیز دستگاه‌های Emotiv را در برنامه درسی لیسانس علوم شناختی و مغز خود نشان داده است و به دانشجویان تجربه عملی طراحی آزمایشی و تجزیه و تحلیل داده‌های EEG را می‌دهد [14].

علاوه بر این، White-Foy نشان می‌دهد که کودکانی با سن کم ۱۳ سال نیز می‌توانند فناوری BCI را با موفقیت یاد بگیرند و پروژه‌های تحقیقاتی کوچک‌مقیاس EEG را راه‌اندازی کنند [13]. دانش‌آموزان از منابع آنلاین برای متصل‌کردن یک دستگاه Emotiv Insight به رزبری پای (Raspberry Pi - یک کامپیوتر بسیار کوچک) استفاده کردند که دستورات EEG را برای کنترل یک اسباب‌بازی جنگ ستارگان کنترلی (ربات BB-8) ترجمه کرده و آن را درون یک مارپیچ هدایت می‌کند.

بالا: آزمایشگاه NeuroLab مدرسه متوسطه. دانش‌آموزان ۱۱ تا ۱۸ ساله رزبری پای و ربات BB-8 را با دستگاه Emotiv هماهنگ کردند و از فرمان‌های ذهنی برای هدایت ربات در یک مارپیچ استفاده نمودند (به اشتراک گذاشته شده با کسب اجازه از مؤسسه NeuroLabs)

می‌بینیم که دستگاه‌های ارزان‌قیمت و همراه Emotiv EEG نه تنها روش‌هایی برای ارتقای کیفیت برنامه‌های آموزشی برای ارائه محتوای استثنایی توسط مربی ارائه می‌دهند، بلکه همراه با توسعه فناوری‌های BCI، امکان ارائه یک محیط آموزشی غنی را برای افرادی با نیازهای منحصربه‌فرد نیز فراهم می‌سازند.

چگونه Emotiv می‌تواند کمک کند

• تجربیات یادگیری دانش‌آموزان خود را با استفاده از کیت‌های Emotiv EEG Lab Starter Kits بهبود ببخشید.

• طراحی آزمایش‌ها و تجزیه‌و‌تحلیل داده‌ها را با استفاده از EmotivPRO Builder انجام دهید.

• آزمایش‌های از راه دور را برای دریافت اطلاعات در EmotivLABS راه‌اندازی کنید.

• از ابزار ما با عنوان open-source data set استفاده کنید.

نیاز به کمک دارید؟ با ما تماس بگیرید

منبع تصویر روی جلد: Trevor Day School

منابع

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.