چگونه EEG میتواند برای ایجاد محیطهای یادگیری بهینه استفاده شود
های دی دوران
۲۲ شهریور ۱۴۰۳
به اشتراک گذاری:
توسط دکتر روشینی رندینیا
آموزش یکی از پایههای اساسی جامعه ما است و فراهم کردن محیطهای یادگیری غنی برای پیشرفت جامعه ضروری است. علوم اعصاب آموزشی یک زمینه بینرشتهای به سرعت در حال توسعه است که هدف آن درک مکانیسمهای عصبی آموزش و یادگیری است.
طی دو دهه گذشته، پیشرفتها در فناوری EEG قابل حمل به محققان اجازه داده است که از هدستهای EEG هم در کلاسهای درس و هم در آموزش الکترونیکی برای ایجاد محیطهای یادگیری بهینه برای دانشآموزان استفاده کنند [1]. در این مقاله، به بررسی این موضوع میپردازیم که چگونه هدستهای EEG شرکت EMOTIV در حال تغییر نحوه آموزش و یادگیری ما هستند.
بهینهسازی محتوای آموزشی
طراحی محتوای آموزشی جذاب نیاز به بازخورد مستمر و ذهنی از دانشآموزان دارد. بهطور سنتی، اثربخشی محتوای یک دوره آموزشی از طریق مقیاسهای بازخورد خودگزارشی پس از تکمیل دوره سنجیده میشود.
با این حال، اغلب تعیین دقیق اینکه کدام جنبههای ارائه دوره میتواند بهبود یابد به دلیل وابستگی به حافظه ذهنی دشوار است. به دلیل وضوح زمانی بالا (توانایی آن در اندازهگیری پاسخهای مغزی در مقیاس میلیثانیه)، EEG قادر به شاخصگذاری فرآیندهای پیشآگاهی است که در غیر این صورت با مقیاسهای خودگزارشی صرف ناشناخته میمانند. هنگام بهینهسازی محتوای دوره، مفیدترین سنجهها سطح توجه و بار شناختی است - که معیاری برای میزان تلاشی است که مغز برای حفظ اطلاعات انجام میدهد. توجه اغلب با تحلیل امواج مغزی مختلفی که در EEG هنگام یادگیری شخص مشاهده میشود سنجیده میشود - مانند سطح امواج آلفا (که معمولاً با خستگی مرتبط است) و امواج بتا (که معمولاً با هوشیاری یا تمرکز مرتبط است). بار شناختی، معیار پیچیدهتری است که میتواند با سطوح مختلفی از امواج آلفا و تتا شاخصگذاری شود.
پژوهشگران سیستمهایی با EEG توسعه دادهاند که میتوانند توجه را نظارت کنند و به ارزیابی سطح توجه در طول یک دوره کامل کمک کنند. ژو و همکارانش بهطور موفقیتآمیز یک سیستم در زمان واقعی را نشان دادند که بار شناختی دانشآموزان الکترونیکی در دورههای آنلاین گسترده (MOOCs) را نظارت میکند، که راه را برای بهینهسازی محتوای دوره در زمان واقعی هموار میکند [2].
تحلیل حالات شناختی بهسادگی
اندازهگیری حالات شناختی، همانطور که در این مطالعات پیشین نشان داده شد، ممکن است نیاز به مهارت و تخصص فنی داشته باشد. خوشبختانه، پیشرفتها در علوم داده، اکنون امکان استفاده از الگوریتمهای از پیش ساخته شده را برای اندازهگیری حالات شناختی با کمترین تخصص فنی فراهم کرده است. EMOTIV امکان استفاده از شاخصهای عملکرد: الگوریتمهای یادگیری ماشینی توسعهیافته برای شناسایی حالات مختلف مغزی از جمله تمرکز، هیجان، مشارکت، ناامیدی، استرس و آرامش در یک EEG را فراهم میکند.
این الگوریتمها با استفاده از آزمایشهای کنترلشده طراحی شدهاند تا حالات شناختی خاصی را به وجود آورند و برای بهینهسازی محتوای آموزشی مفید هستند. این شاخصهای عملکردی ایموتیو برای مقایسه یادگیری مبتنی بر بازی در مقابل یادگیری سنتی با قلم و کاغذ استفاده شدهاند، گرچه این مطالعه تفاوتی در حالات شناختی بین دو روش یادگیری نشان نداد [3]. پژوهشگران دیگر سودمندی شاخصهای عملکردی را در گروهبندی کودکان به عنوان کوچک 5-7 ساله بر اساس حالات شناختی مانند تعامل، استرس، و تمرکز برای سنجش اثربخشی فعالیتها در محیطهای واقعیت افزوده نشان دادهاند.
بالا: (A) EEG میتواند برای اندازهگیری امواج مغزی دانشآموزان در یک کلاس دبیرستانی استفاده شود (از: دیکر و همکاران [4]). (B) امواج مغزی دانشآموزان میتواند همگامی بالایی با دانشآموزان دیگر نشان دهد، که برای دانشآموزانی که بیشتر در کلاس مشارکت داشتند یافت شد (سمت چپ). همگامی کم با دانشآموزان دیگر (سمت راست) برای دانشآموزانی که کمتر مشارکت داشتند یافت شد.
بهبود محیطهای یادگیری
نهتنها محتوای مواد آموزشی مهم است، بلکه زمان و مکانی که ما یاد میگیریم نیز برای اطمینان از تجربههای یادگیری خوب دانشآموزان به همان اندازه مهم هستند. محققان سطوح امواج آلفا را در زمانهای مختلف در کلاس درس اندازهگیری کرده و دریافتند که کلاسهای دبیرستانی در اواسط صبح کمترین امواج آلفا را نشان میدهند در مقایسه با اوایل صبح و پیشنهاد میکنند که اواسط صبح ممکن است بهترین زمان برای یادگیری باشد [4].
EEGهای بیسیم نیز برای مقایسه محیطهای واقعی و مجازی استفاده شدهاند که نشاندهنده توانایی ارائه سطوح یکسانی از توجه و انگیزه در هر دو محیط هستند [5]. این میتواند راه را برای تجربههای یادگیری غنیتر برای افرادی که دارای ناتوانی جسمی هستند و نمیتوانند به کلاسهای حضوری دسترسی داشته باشند هموار کند. محققان همچنین مطالعاتی در مورد دینامیک اجتماعی در کلاس درس با استفاده از EEG انجام دادهاند. گروهی از دانشآموزان که با هدستهای EEG مجهز شدهاند، میتوانند برای چگونگی همگام بودن فعالیتهای عصبی آنها در طول یک فرآیند یادگیری مشترک ارزیابی شوند [6][7]. این روش جمعآوری دادههای EEG، به نام EEG هائپراسکنینگ، به گامی برای استنباط در زمان واقعی از توجه گروه و بهبود دینامیک اجتماعی در کلاس تبدیل شده است.
دسترسپذیری آموزش برای همه
برخی از مشکلات جسمی یا حسی میتواند تجربههای یادگیری دانشآموزان را در کلاس درس محدود کند. با این حال، ابزارهایی مبتنی بر EEG وجود دارند که تجربههای دانشآموزان را بهبود میبخشند. پیشرفت در فناوری واجهکارگرافیک مغز (BCI) امکان تایپ کردن مبتنی بر EEG را فراهم کرده است [8][9]، که به دانشآموزانی که دارای مشکلات جسمی هستند کمک میکند تا به صورت ذهنی یادداشتبرداری کنند و در حین یادگیری از دستگاههای محاسباتیشان استفاده کنند. BCIهایی که امکان پاسخدهی به سوالات نوع بله-خیر را با EEG فراهم میکنند نیز به دانشآموزان با اختلالات بینایی امکان ارزیابی با استفاده از آزمونهای مبتنی بر رایانه را میدهند که در غیر این صورت نیاز به یک مصاحبهگر داشتند [10].
تجربههای یادگیری شخصیسازیشده
فراهم کردن معلمان شخصی برای دانشآموزان میتواند پرهزینه باشد ولی میتواند اغلب وقتی ضروری باشد که سیستم آموزشی عمومی مجهز برای مدیریت نیازهای منحصر به فرد یادگیری نیست. سیستمهای آموزشی هوشمند (ITS) یک کلاس از نرمافزارهای یادگیری مبتنی بر رایانه با پشتیبانی از هوش مصنوعی هستند که میتوانند به عنوان معلمان شخصی عمل کنند.
هدف این سیستمها این است که بازخورد شخصیسازیشده و در زمان واقعی به دانشآموز ارائه دهند تا یادگیری آنها را بهبود بخشند. پژوهشگران در حال حاضر سیستمهای ITS را با ادغام آنها با EEG بهبود میبخشند. در یک مطالعه، پژوهشگران از EEG برای تشخیص مشارکت دانشآموزان با انواع ویدئوهای آموزشی مختلف (محتوای انیمیشنی در مقابل ویدئوهای با معلم انسانی) استفاده میکنند که به ITS اجازه میدهد تا یاد بگیرد و به صورت خودکار محتوایی تولید کند که دانشآموز به آن علاقهمند خواهد شد.
وقتی عنصر انسانی را از فرآیند آموزش حذف میکنید، اهمیت بیشتری دارد که بار شناختی دانشآموزان را در حین استفاده از برنامههای یادگیری مبتنی بر رایانه برای جلوگیری از استرس و خستگی صفحه کنترل کنید. برای مقابله با این موضوع، پژوهشگران یک پایگاه داده از حالات چهره مبتنی بر دادههای EEG توسعه دادهاند که بهطور فعال تشخیص میدهد که آیا دانشآموز حین استفاده از ITS خسته، درگیر، هیجانزده یا ناامید است [11].
این توسعه با EEG روش ITS را برای یادگیری و انطباق با دانشآموز فردی هموار میکند؛ با پیشنهاد وقفهها زمانی که خسته هستند یا ادامه آموزش زمانی که درگیر هستند، تجربیات یادگیری موثرتری را برای دانشآموز فراهم میکند.
بالا: دانشآموزان در برنامه BrainWaves دانشگاه نیویورک (NYU) در حال بازی با استفاده از فناوری EEG مغز EMOTIV.
EEG به عنوان ابزار یادگیری STEM
دستگاهها و نرمافزارهای EEG شرکت Emotiv برای استفاده آسان هستند و یک ابزار مقدماتی برجسته برای الهام بخشیدن به نسل آینده دانشمندان علم، فناوری، مهندسی و ریاضیات (STEM) است.
دستگاهها و نرمافزارهای Emotiv در حال حاضر در دورههای سطح کارشناسی دانشگاهی استفاده میشوند، نه تنها در روانشناسی و علوم اعصاب بلکه در مهندسی زیستپزشکی نیز استفاده میشوند. Kurent مثالی موفقیتآمیز از یکپارچهسازی دستگاههای Emotiv EPOC درفرآیند آموزشی در سطح دبیرستان و کالج برای فعالسازی پیشرفت دستگاههای BCI را نشان میدهد. Kosmayana و همکاران مییابند که شامل سیستمهای EEG-BCI در برنامههای درسی مدارس عملکرد تحصیلی را افزایش میدهد. دانشگاه Macquarie از قبل شامل موفقیتآمیز دستگاههای Emotiv در برنامه کارشناسی علوم شناختی و مغزی خود را نشان داده است و به دانشآموزان تجربه مستقیم با طراحی آزمایشی و تحلیل دادههای EEG میدهد [14].
علاوه بر این، White-Foy نشان میدهد که کودکانی به سن 12 سال هم میتوانند بهطور موفقیتآمیز فناوری BCI را یاد بگیرند و پروژههای تحقیقاتی کوچک مقیاس EEG ایجاد کنند [13]. دانشآموزان از منابع آنلاین برای ادغام دستگاه EMOTIV Insight به Raspberry Pi (یک رایانه کوچک) استفاده کردند که EEG را به دستورات برای کنترل اسباببازی کنترل از راه دور Star Wars (BB-8) ترجمه میکند و آن را از میان یک تو در پیچ هدایت میکنند.
بالا: آزمایشگاه عصبی دبیرستان. دانشآموزان 18-11 ساله Raspberry Pi و روبات BB-8 را با دستگاه Emotiv ادغام کرده و با استفاده از دستورات ذهنی BB-8 را از میان یک تو در پیچ هدایت کردند (با مجوز از NeuroLabs).
ما میتوانیم ببینیم که دستگاههای EEG موبایل و با هزینه پایین شرکت Emotiv نه تنها روشهایی برای بهبود کیفیت برنامههای آموزشی برای معلم به منظور ارائه محتوای استثنایی فراهم میکنند، بلکه همراه با پیشرفت در BCI نیز پیشنهاد میکند که محیط آموزشی غنی برای افرادی با نیازهای خاص فراهم کند.
چگونه EMOTIV میتواند کمک کند
تجربههای یادگیری دانشآموزانتان را با کیتهای شروع آزمایشگاه EEG EMOTIV بهبود بخشید.
آزمایشها را بسازید و دادهها را با EmotivPRO Builder تحلیل کنید.
آزمایشهای از راه دور را راهاندازی کنید تا دادهها را بر روی EmotivLABS بدست آورید.
از مجموعه داده متنباز ما استفاده کنید.
نیاز به کمک؟ با ما تماس بگیرید
منبع تصویر جلد: مدرسه Trevor Day
منابع
J. Xu و B. Zhong، “بررسی فناوری EEG قابل حمل در تحقیقات آموزشی”، رفتار انسان در رایانهها، جلد. 81، صفحات 340–349، آوریل 2018، doi: 10.1016/j.chb.2017.12.037.
Zhou Y، Xu T، Cai Y، Wu X، Dong B. نظارت بر بار شناختی در یادگیری ویدئوهای آنلاین از طریق یک رابط کاربری مغز-کامپیوتر مبتنی بر EEG. یادداشتهای سخنرانی کامپیوتر علم زیرمجموعه یادداشتهای سخنرانی هوش مصنوعی یادداشتهای سخنرانی بیوانفورماتیک. 2017;10295 LNCS:64-73. doi:10.1007/978-3-319-58509-3_7
Pireva K، Tahir R، Shariq Imran A، Chaudhary N. ارزیابی حالات احساسی فراگیران با نظارت بر امواج مغزی برای مقایسه روش یادگیری مبتنی بر بازی با قلم و کاغذ. در: کنفرانس آموزش فرانتیرهای IEEE 2019 (FIE). ; 2019:1-8. doi:10.1109/FIE43999.2019.9097262
Dikker S، Haegens S، Bevilacqua D و همکاران. صبحان مغزی: شواهد عصبی دنیای واقعی که زمان کلاس دبیرستان مهم است. نوروساینس عاطفی شناخت اجتماعی. 2020;15(11):1193-1202. doi:10.1093/scan/nsaa142
Romero-Soto FO، Ibarra-Zárate DI، Alonso-Valerdi LM. تحلیل تطبیقی تراکم طیفی توان آلفا در محیطهای واقعی و مجازی. در: جلد 75. ; 2020:156-163. doi:10.1007/978-3-030-30648-9_22
Dikker S، Wan L، Davidesco I و همکاران. همگامی مغزی دلیلی است برای تعاملات گروهی دینامیکی دنیای واقعی در کلاس. Curr Biol. 2017;27(9):1375-1380. doi:10.1016/j.cub.2017.04.002
Poulsen AT، Kamronn S، Dmochowski J، Parra LC، Hansen LK. EEG در کلاس درس: ضبطهای عصبی همگامسازی شده در طول ارائه ویدئویی. Sci Rep. 2017;7(1):43916. doi:10.1038/srep43916
Al-Negheimish H, Al-Andas L, Al-Mofeez L, Al-Abdullatif A, Al-Khalifa N, Al-Wabil A. تایپ کردن با امواج مغزی: مطالعه تطبیقی P300 و تصویرسازی حرکتی برای تایپ کردن با استفاده از دستگاههای EEG با الکترود خشک. در: استپانیدیس C، ویرایش. HCI بینالمللی 2013 - چکیدههای توسعهیافته پوسترها. ارتباطات در علوم کامپیوتر و اطلاعات. اسپرینگر; 2013:569-573. doi:10.1007/978-3-642-39473-7_113
Zhang X، Yao L، Sheng QZ، Kanhere SS، Gu T، Zhang D. تغییر افکار شما به متن: امکان تایپ مغزی از طریق یادگیری ویژگی عمیق از سیگنالهای EEG. در: کنفرانس بینالمللی IEEE در محاسبات فراگیر و ارتباطات (PerCom) 2018. ; 2018:1-10. doi:10.1109/PERCOM.2018.8444575
Yosrita E، Heryadi Y، Wulandhari LA، Budiharto W. شناسایی مبتنی بر EEG واژهها در مدلهای آزمون با پاسخهای بله-خیر برای دانشآموزان دارای اختلالات بینایی. در: ; 2019. doi:10.1109/TALE48000.2019.9225903
Zatarain-Cabada R, Barrón-Estrada ML, González-Hernández F, Rodriguez-Rangel H. ساخت یک شناساییکننده حالات چهره و پایگاه داده حالات چهره برای یک سیستم آموزش هوشمند. در: کنفرانس بینالمللی تکنولوژیهای آموزشی پیشرفته IEEE 2017 (ICALT). ; 2017:391-393. doi:10.1109/ICALT.2017.141
Kurent P. یکپارچهسازی فنآوریهای آینده با دبیرستانها و کالجها. در: کنفرانس کنوانسیون بینالمللی اطلاعات و ارتباطات، الکترونیک و میکروالکترونیک (MIPRO) 2017; 2017:858-861. doi:10.23919/MIPRO.2017.7973541
White-Foy J. علوم اعصاب برای دانشآموزان: پروژهای برای معرفی فناوری EEG و واسطهای کاربری مغز-کامپیوتر به کودکان دبیرستانی. تحقیقات معلم پرارا. منتشر شده در نوامبر 29، 2019. دسترسی در ژوئن 15، 2022. https://praxis-teacher-research.org/neuroscience-for-students/
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.
Alvarez, V., Bower, M., de Freitas, S., Gregory, S. and De Wit, B., 2016. استفاده از فناوریهای پوشیدنی در دانشگاههای استرالیا: مثالها از علوم محیطی، علوم شناختی و مغزی و آموزش معلمان. آیندههای یادگیری موبایل - تحقیق و تمرین کیفیت در یادگیری موبایل، 25.
Rodríguez, A.O.R., Riaño, M.A., García, P.A.G., Marín, C.E.M., Crespo, R.G. and Wu, X., 2020. توصیف احساسی کودکان از طریق یک محیط یادگیری با استفاده از تحلیل دادههای یادگیری و AR-Sandbox. ژورنال رایانههای انسانیشده و هوشمند محیطی، 11(11)، صفحات 5353-5367.
توسط دکتر روشینی رندینیا
آموزش یکی از پایههای اساسی جامعه ما است و فراهم کردن محیطهای یادگیری غنی برای پیشرفت جامعه ضروری است. علوم اعصاب آموزشی یک زمینه بینرشتهای به سرعت در حال توسعه است که هدف آن درک مکانیسمهای عصبی آموزش و یادگیری است.
طی دو دهه گذشته، پیشرفتها در فناوری EEG قابل حمل به محققان اجازه داده است که از هدستهای EEG هم در کلاسهای درس و هم در آموزش الکترونیکی برای ایجاد محیطهای یادگیری بهینه برای دانشآموزان استفاده کنند [1]. در این مقاله، به بررسی این موضوع میپردازیم که چگونه هدستهای EEG شرکت EMOTIV در حال تغییر نحوه آموزش و یادگیری ما هستند.
بهینهسازی محتوای آموزشی
طراحی محتوای آموزشی جذاب نیاز به بازخورد مستمر و ذهنی از دانشآموزان دارد. بهطور سنتی، اثربخشی محتوای یک دوره آموزشی از طریق مقیاسهای بازخورد خودگزارشی پس از تکمیل دوره سنجیده میشود.
با این حال، اغلب تعیین دقیق اینکه کدام جنبههای ارائه دوره میتواند بهبود یابد به دلیل وابستگی به حافظه ذهنی دشوار است. به دلیل وضوح زمانی بالا (توانایی آن در اندازهگیری پاسخهای مغزی در مقیاس میلیثانیه)، EEG قادر به شاخصگذاری فرآیندهای پیشآگاهی است که در غیر این صورت با مقیاسهای خودگزارشی صرف ناشناخته میمانند. هنگام بهینهسازی محتوای دوره، مفیدترین سنجهها سطح توجه و بار شناختی است - که معیاری برای میزان تلاشی است که مغز برای حفظ اطلاعات انجام میدهد. توجه اغلب با تحلیل امواج مغزی مختلفی که در EEG هنگام یادگیری شخص مشاهده میشود سنجیده میشود - مانند سطح امواج آلفا (که معمولاً با خستگی مرتبط است) و امواج بتا (که معمولاً با هوشیاری یا تمرکز مرتبط است). بار شناختی، معیار پیچیدهتری است که میتواند با سطوح مختلفی از امواج آلفا و تتا شاخصگذاری شود.
پژوهشگران سیستمهایی با EEG توسعه دادهاند که میتوانند توجه را نظارت کنند و به ارزیابی سطح توجه در طول یک دوره کامل کمک کنند. ژو و همکارانش بهطور موفقیتآمیز یک سیستم در زمان واقعی را نشان دادند که بار شناختی دانشآموزان الکترونیکی در دورههای آنلاین گسترده (MOOCs) را نظارت میکند، که راه را برای بهینهسازی محتوای دوره در زمان واقعی هموار میکند [2].
تحلیل حالات شناختی بهسادگی
اندازهگیری حالات شناختی، همانطور که در این مطالعات پیشین نشان داده شد، ممکن است نیاز به مهارت و تخصص فنی داشته باشد. خوشبختانه، پیشرفتها در علوم داده، اکنون امکان استفاده از الگوریتمهای از پیش ساخته شده را برای اندازهگیری حالات شناختی با کمترین تخصص فنی فراهم کرده است. EMOTIV امکان استفاده از شاخصهای عملکرد: الگوریتمهای یادگیری ماشینی توسعهیافته برای شناسایی حالات مختلف مغزی از جمله تمرکز، هیجان، مشارکت، ناامیدی، استرس و آرامش در یک EEG را فراهم میکند.
این الگوریتمها با استفاده از آزمایشهای کنترلشده طراحی شدهاند تا حالات شناختی خاصی را به وجود آورند و برای بهینهسازی محتوای آموزشی مفید هستند. این شاخصهای عملکردی ایموتیو برای مقایسه یادگیری مبتنی بر بازی در مقابل یادگیری سنتی با قلم و کاغذ استفاده شدهاند، گرچه این مطالعه تفاوتی در حالات شناختی بین دو روش یادگیری نشان نداد [3]. پژوهشگران دیگر سودمندی شاخصهای عملکردی را در گروهبندی کودکان به عنوان کوچک 5-7 ساله بر اساس حالات شناختی مانند تعامل، استرس، و تمرکز برای سنجش اثربخشی فعالیتها در محیطهای واقعیت افزوده نشان دادهاند.
بالا: (A) EEG میتواند برای اندازهگیری امواج مغزی دانشآموزان در یک کلاس دبیرستانی استفاده شود (از: دیکر و همکاران [4]). (B) امواج مغزی دانشآموزان میتواند همگامی بالایی با دانشآموزان دیگر نشان دهد، که برای دانشآموزانی که بیشتر در کلاس مشارکت داشتند یافت شد (سمت چپ). همگامی کم با دانشآموزان دیگر (سمت راست) برای دانشآموزانی که کمتر مشارکت داشتند یافت شد.
بهبود محیطهای یادگیری
نهتنها محتوای مواد آموزشی مهم است، بلکه زمان و مکانی که ما یاد میگیریم نیز برای اطمینان از تجربههای یادگیری خوب دانشآموزان به همان اندازه مهم هستند. محققان سطوح امواج آلفا را در زمانهای مختلف در کلاس درس اندازهگیری کرده و دریافتند که کلاسهای دبیرستانی در اواسط صبح کمترین امواج آلفا را نشان میدهند در مقایسه با اوایل صبح و پیشنهاد میکنند که اواسط صبح ممکن است بهترین زمان برای یادگیری باشد [4].
EEGهای بیسیم نیز برای مقایسه محیطهای واقعی و مجازی استفاده شدهاند که نشاندهنده توانایی ارائه سطوح یکسانی از توجه و انگیزه در هر دو محیط هستند [5]. این میتواند راه را برای تجربههای یادگیری غنیتر برای افرادی که دارای ناتوانی جسمی هستند و نمیتوانند به کلاسهای حضوری دسترسی داشته باشند هموار کند. محققان همچنین مطالعاتی در مورد دینامیک اجتماعی در کلاس درس با استفاده از EEG انجام دادهاند. گروهی از دانشآموزان که با هدستهای EEG مجهز شدهاند، میتوانند برای چگونگی همگام بودن فعالیتهای عصبی آنها در طول یک فرآیند یادگیری مشترک ارزیابی شوند [6][7]. این روش جمعآوری دادههای EEG، به نام EEG هائپراسکنینگ، به گامی برای استنباط در زمان واقعی از توجه گروه و بهبود دینامیک اجتماعی در کلاس تبدیل شده است.
دسترسپذیری آموزش برای همه
برخی از مشکلات جسمی یا حسی میتواند تجربههای یادگیری دانشآموزان را در کلاس درس محدود کند. با این حال، ابزارهایی مبتنی بر EEG وجود دارند که تجربههای دانشآموزان را بهبود میبخشند. پیشرفت در فناوری واجهکارگرافیک مغز (BCI) امکان تایپ کردن مبتنی بر EEG را فراهم کرده است [8][9]، که به دانشآموزانی که دارای مشکلات جسمی هستند کمک میکند تا به صورت ذهنی یادداشتبرداری کنند و در حین یادگیری از دستگاههای محاسباتیشان استفاده کنند. BCIهایی که امکان پاسخدهی به سوالات نوع بله-خیر را با EEG فراهم میکنند نیز به دانشآموزان با اختلالات بینایی امکان ارزیابی با استفاده از آزمونهای مبتنی بر رایانه را میدهند که در غیر این صورت نیاز به یک مصاحبهگر داشتند [10].
تجربههای یادگیری شخصیسازیشده
فراهم کردن معلمان شخصی برای دانشآموزان میتواند پرهزینه باشد ولی میتواند اغلب وقتی ضروری باشد که سیستم آموزشی عمومی مجهز برای مدیریت نیازهای منحصر به فرد یادگیری نیست. سیستمهای آموزشی هوشمند (ITS) یک کلاس از نرمافزارهای یادگیری مبتنی بر رایانه با پشتیبانی از هوش مصنوعی هستند که میتوانند به عنوان معلمان شخصی عمل کنند.
هدف این سیستمها این است که بازخورد شخصیسازیشده و در زمان واقعی به دانشآموز ارائه دهند تا یادگیری آنها را بهبود بخشند. پژوهشگران در حال حاضر سیستمهای ITS را با ادغام آنها با EEG بهبود میبخشند. در یک مطالعه، پژوهشگران از EEG برای تشخیص مشارکت دانشآموزان با انواع ویدئوهای آموزشی مختلف (محتوای انیمیشنی در مقابل ویدئوهای با معلم انسانی) استفاده میکنند که به ITS اجازه میدهد تا یاد بگیرد و به صورت خودکار محتوایی تولید کند که دانشآموز به آن علاقهمند خواهد شد.
وقتی عنصر انسانی را از فرآیند آموزش حذف میکنید، اهمیت بیشتری دارد که بار شناختی دانشآموزان را در حین استفاده از برنامههای یادگیری مبتنی بر رایانه برای جلوگیری از استرس و خستگی صفحه کنترل کنید. برای مقابله با این موضوع، پژوهشگران یک پایگاه داده از حالات چهره مبتنی بر دادههای EEG توسعه دادهاند که بهطور فعال تشخیص میدهد که آیا دانشآموز حین استفاده از ITS خسته، درگیر، هیجانزده یا ناامید است [11].
این توسعه با EEG روش ITS را برای یادگیری و انطباق با دانشآموز فردی هموار میکند؛ با پیشنهاد وقفهها زمانی که خسته هستند یا ادامه آموزش زمانی که درگیر هستند، تجربیات یادگیری موثرتری را برای دانشآموز فراهم میکند.
بالا: دانشآموزان در برنامه BrainWaves دانشگاه نیویورک (NYU) در حال بازی با استفاده از فناوری EEG مغز EMOTIV.
EEG به عنوان ابزار یادگیری STEM
دستگاهها و نرمافزارهای EEG شرکت Emotiv برای استفاده آسان هستند و یک ابزار مقدماتی برجسته برای الهام بخشیدن به نسل آینده دانشمندان علم، فناوری، مهندسی و ریاضیات (STEM) است.
دستگاهها و نرمافزارهای Emotiv در حال حاضر در دورههای سطح کارشناسی دانشگاهی استفاده میشوند، نه تنها در روانشناسی و علوم اعصاب بلکه در مهندسی زیستپزشکی نیز استفاده میشوند. Kurent مثالی موفقیتآمیز از یکپارچهسازی دستگاههای Emotiv EPOC درفرآیند آموزشی در سطح دبیرستان و کالج برای فعالسازی پیشرفت دستگاههای BCI را نشان میدهد. Kosmayana و همکاران مییابند که شامل سیستمهای EEG-BCI در برنامههای درسی مدارس عملکرد تحصیلی را افزایش میدهد. دانشگاه Macquarie از قبل شامل موفقیتآمیز دستگاههای Emotiv در برنامه کارشناسی علوم شناختی و مغزی خود را نشان داده است و به دانشآموزان تجربه مستقیم با طراحی آزمایشی و تحلیل دادههای EEG میدهد [14].
علاوه بر این، White-Foy نشان میدهد که کودکانی به سن 12 سال هم میتوانند بهطور موفقیتآمیز فناوری BCI را یاد بگیرند و پروژههای تحقیقاتی کوچک مقیاس EEG ایجاد کنند [13]. دانشآموزان از منابع آنلاین برای ادغام دستگاه EMOTIV Insight به Raspberry Pi (یک رایانه کوچک) استفاده کردند که EEG را به دستورات برای کنترل اسباببازی کنترل از راه دور Star Wars (BB-8) ترجمه میکند و آن را از میان یک تو در پیچ هدایت میکنند.
بالا: آزمایشگاه عصبی دبیرستان. دانشآموزان 18-11 ساله Raspberry Pi و روبات BB-8 را با دستگاه Emotiv ادغام کرده و با استفاده از دستورات ذهنی BB-8 را از میان یک تو در پیچ هدایت کردند (با مجوز از NeuroLabs).
ما میتوانیم ببینیم که دستگاههای EEG موبایل و با هزینه پایین شرکت Emotiv نه تنها روشهایی برای بهبود کیفیت برنامههای آموزشی برای معلم به منظور ارائه محتوای استثنایی فراهم میکنند، بلکه همراه با پیشرفت در BCI نیز پیشنهاد میکند که محیط آموزشی غنی برای افرادی با نیازهای خاص فراهم کند.
چگونه EMOTIV میتواند کمک کند
تجربههای یادگیری دانشآموزانتان را با کیتهای شروع آزمایشگاه EEG EMOTIV بهبود بخشید.
آزمایشها را بسازید و دادهها را با EmotivPRO Builder تحلیل کنید.
آزمایشهای از راه دور را راهاندازی کنید تا دادهها را بر روی EmotivLABS بدست آورید.
از مجموعه داده متنباز ما استفاده کنید.
نیاز به کمک؟ با ما تماس بگیرید
منبع تصویر جلد: مدرسه Trevor Day
منابع
J. Xu و B. Zhong، “بررسی فناوری EEG قابل حمل در تحقیقات آموزشی”، رفتار انسان در رایانهها، جلد. 81، صفحات 340–349، آوریل 2018، doi: 10.1016/j.chb.2017.12.037.
Zhou Y، Xu T، Cai Y، Wu X، Dong B. نظارت بر بار شناختی در یادگیری ویدئوهای آنلاین از طریق یک رابط کاربری مغز-کامپیوتر مبتنی بر EEG. یادداشتهای سخنرانی کامپیوتر علم زیرمجموعه یادداشتهای سخنرانی هوش مصنوعی یادداشتهای سخنرانی بیوانفورماتیک. 2017;10295 LNCS:64-73. doi:10.1007/978-3-319-58509-3_7
Pireva K، Tahir R، Shariq Imran A، Chaudhary N. ارزیابی حالات احساسی فراگیران با نظارت بر امواج مغزی برای مقایسه روش یادگیری مبتنی بر بازی با قلم و کاغذ. در: کنفرانس آموزش فرانتیرهای IEEE 2019 (FIE). ; 2019:1-8. doi:10.1109/FIE43999.2019.9097262
Dikker S، Haegens S، Bevilacqua D و همکاران. صبحان مغزی: شواهد عصبی دنیای واقعی که زمان کلاس دبیرستان مهم است. نوروساینس عاطفی شناخت اجتماعی. 2020;15(11):1193-1202. doi:10.1093/scan/nsaa142
Romero-Soto FO، Ibarra-Zárate DI، Alonso-Valerdi LM. تحلیل تطبیقی تراکم طیفی توان آلفا در محیطهای واقعی و مجازی. در: جلد 75. ; 2020:156-163. doi:10.1007/978-3-030-30648-9_22
Dikker S، Wan L، Davidesco I و همکاران. همگامی مغزی دلیلی است برای تعاملات گروهی دینامیکی دنیای واقعی در کلاس. Curr Biol. 2017;27(9):1375-1380. doi:10.1016/j.cub.2017.04.002
Poulsen AT، Kamronn S، Dmochowski J، Parra LC، Hansen LK. EEG در کلاس درس: ضبطهای عصبی همگامسازی شده در طول ارائه ویدئویی. Sci Rep. 2017;7(1):43916. doi:10.1038/srep43916
Al-Negheimish H, Al-Andas L, Al-Mofeez L, Al-Abdullatif A, Al-Khalifa N, Al-Wabil A. تایپ کردن با امواج مغزی: مطالعه تطبیقی P300 و تصویرسازی حرکتی برای تایپ کردن با استفاده از دستگاههای EEG با الکترود خشک. در: استپانیدیس C، ویرایش. HCI بینالمللی 2013 - چکیدههای توسعهیافته پوسترها. ارتباطات در علوم کامپیوتر و اطلاعات. اسپرینگر; 2013:569-573. doi:10.1007/978-3-642-39473-7_113
Zhang X، Yao L، Sheng QZ، Kanhere SS، Gu T، Zhang D. تغییر افکار شما به متن: امکان تایپ مغزی از طریق یادگیری ویژگی عمیق از سیگنالهای EEG. در: کنفرانس بینالمللی IEEE در محاسبات فراگیر و ارتباطات (PerCom) 2018. ; 2018:1-10. doi:10.1109/PERCOM.2018.8444575
Yosrita E، Heryadi Y، Wulandhari LA، Budiharto W. شناسایی مبتنی بر EEG واژهها در مدلهای آزمون با پاسخهای بله-خیر برای دانشآموزان دارای اختلالات بینایی. در: ; 2019. doi:10.1109/TALE48000.2019.9225903
Zatarain-Cabada R, Barrón-Estrada ML, González-Hernández F, Rodriguez-Rangel H. ساخت یک شناساییکننده حالات چهره و پایگاه داده حالات چهره برای یک سیستم آموزش هوشمند. در: کنفرانس بینالمللی تکنولوژیهای آموزشی پیشرفته IEEE 2017 (ICALT). ; 2017:391-393. doi:10.1109/ICALT.2017.141
Kurent P. یکپارچهسازی فنآوریهای آینده با دبیرستانها و کالجها. در: کنفرانس کنوانسیون بینالمللی اطلاعات و ارتباطات، الکترونیک و میکروالکترونیک (MIPRO) 2017; 2017:858-861. doi:10.23919/MIPRO.2017.7973541
White-Foy J. علوم اعصاب برای دانشآموزان: پروژهای برای معرفی فناوری EEG و واسطهای کاربری مغز-کامپیوتر به کودکان دبیرستانی. تحقیقات معلم پرارا. منتشر شده در نوامبر 29، 2019. دسترسی در ژوئن 15، 2022. https://praxis-teacher-research.org/neuroscience-for-students/
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.
Alvarez, V., Bower, M., de Freitas, S., Gregory, S. and De Wit, B., 2016. استفاده از فناوریهای پوشیدنی در دانشگاههای استرالیا: مثالها از علوم محیطی، علوم شناختی و مغزی و آموزش معلمان. آیندههای یادگیری موبایل - تحقیق و تمرین کیفیت در یادگیری موبایل، 25.
Rodríguez, A.O.R., Riaño, M.A., García, P.A.G., Marín, C.E.M., Crespo, R.G. and Wu, X., 2020. توصیف احساسی کودکان از طریق یک محیط یادگیری با استفاده از تحلیل دادههای یادگیری و AR-Sandbox. ژورنال رایانههای انسانیشده و هوشمند محیطی، 11(11)، صفحات 5353-5367.
توسط دکتر روشینی رندینیا
آموزش یکی از پایههای اساسی جامعه ما است و فراهم کردن محیطهای یادگیری غنی برای پیشرفت جامعه ضروری است. علوم اعصاب آموزشی یک زمینه بینرشتهای به سرعت در حال توسعه است که هدف آن درک مکانیسمهای عصبی آموزش و یادگیری است.
طی دو دهه گذشته، پیشرفتها در فناوری EEG قابل حمل به محققان اجازه داده است که از هدستهای EEG هم در کلاسهای درس و هم در آموزش الکترونیکی برای ایجاد محیطهای یادگیری بهینه برای دانشآموزان استفاده کنند [1]. در این مقاله، به بررسی این موضوع میپردازیم که چگونه هدستهای EEG شرکت EMOTIV در حال تغییر نحوه آموزش و یادگیری ما هستند.
بهینهسازی محتوای آموزشی
طراحی محتوای آموزشی جذاب نیاز به بازخورد مستمر و ذهنی از دانشآموزان دارد. بهطور سنتی، اثربخشی محتوای یک دوره آموزشی از طریق مقیاسهای بازخورد خودگزارشی پس از تکمیل دوره سنجیده میشود.
با این حال، اغلب تعیین دقیق اینکه کدام جنبههای ارائه دوره میتواند بهبود یابد به دلیل وابستگی به حافظه ذهنی دشوار است. به دلیل وضوح زمانی بالا (توانایی آن در اندازهگیری پاسخهای مغزی در مقیاس میلیثانیه)، EEG قادر به شاخصگذاری فرآیندهای پیشآگاهی است که در غیر این صورت با مقیاسهای خودگزارشی صرف ناشناخته میمانند. هنگام بهینهسازی محتوای دوره، مفیدترین سنجهها سطح توجه و بار شناختی است - که معیاری برای میزان تلاشی است که مغز برای حفظ اطلاعات انجام میدهد. توجه اغلب با تحلیل امواج مغزی مختلفی که در EEG هنگام یادگیری شخص مشاهده میشود سنجیده میشود - مانند سطح امواج آلفا (که معمولاً با خستگی مرتبط است) و امواج بتا (که معمولاً با هوشیاری یا تمرکز مرتبط است). بار شناختی، معیار پیچیدهتری است که میتواند با سطوح مختلفی از امواج آلفا و تتا شاخصگذاری شود.
پژوهشگران سیستمهایی با EEG توسعه دادهاند که میتوانند توجه را نظارت کنند و به ارزیابی سطح توجه در طول یک دوره کامل کمک کنند. ژو و همکارانش بهطور موفقیتآمیز یک سیستم در زمان واقعی را نشان دادند که بار شناختی دانشآموزان الکترونیکی در دورههای آنلاین گسترده (MOOCs) را نظارت میکند، که راه را برای بهینهسازی محتوای دوره در زمان واقعی هموار میکند [2].
تحلیل حالات شناختی بهسادگی
اندازهگیری حالات شناختی، همانطور که در این مطالعات پیشین نشان داده شد، ممکن است نیاز به مهارت و تخصص فنی داشته باشد. خوشبختانه، پیشرفتها در علوم داده، اکنون امکان استفاده از الگوریتمهای از پیش ساخته شده را برای اندازهگیری حالات شناختی با کمترین تخصص فنی فراهم کرده است. EMOTIV امکان استفاده از شاخصهای عملکرد: الگوریتمهای یادگیری ماشینی توسعهیافته برای شناسایی حالات مختلف مغزی از جمله تمرکز، هیجان، مشارکت، ناامیدی، استرس و آرامش در یک EEG را فراهم میکند.
این الگوریتمها با استفاده از آزمایشهای کنترلشده طراحی شدهاند تا حالات شناختی خاصی را به وجود آورند و برای بهینهسازی محتوای آموزشی مفید هستند. این شاخصهای عملکردی ایموتیو برای مقایسه یادگیری مبتنی بر بازی در مقابل یادگیری سنتی با قلم و کاغذ استفاده شدهاند، گرچه این مطالعه تفاوتی در حالات شناختی بین دو روش یادگیری نشان نداد [3]. پژوهشگران دیگر سودمندی شاخصهای عملکردی را در گروهبندی کودکان به عنوان کوچک 5-7 ساله بر اساس حالات شناختی مانند تعامل، استرس، و تمرکز برای سنجش اثربخشی فعالیتها در محیطهای واقعیت افزوده نشان دادهاند.
بالا: (A) EEG میتواند برای اندازهگیری امواج مغزی دانشآموزان در یک کلاس دبیرستانی استفاده شود (از: دیکر و همکاران [4]). (B) امواج مغزی دانشآموزان میتواند همگامی بالایی با دانشآموزان دیگر نشان دهد، که برای دانشآموزانی که بیشتر در کلاس مشارکت داشتند یافت شد (سمت چپ). همگامی کم با دانشآموزان دیگر (سمت راست) برای دانشآموزانی که کمتر مشارکت داشتند یافت شد.
بهبود محیطهای یادگیری
نهتنها محتوای مواد آموزشی مهم است، بلکه زمان و مکانی که ما یاد میگیریم نیز برای اطمینان از تجربههای یادگیری خوب دانشآموزان به همان اندازه مهم هستند. محققان سطوح امواج آلفا را در زمانهای مختلف در کلاس درس اندازهگیری کرده و دریافتند که کلاسهای دبیرستانی در اواسط صبح کمترین امواج آلفا را نشان میدهند در مقایسه با اوایل صبح و پیشنهاد میکنند که اواسط صبح ممکن است بهترین زمان برای یادگیری باشد [4].
EEGهای بیسیم نیز برای مقایسه محیطهای واقعی و مجازی استفاده شدهاند که نشاندهنده توانایی ارائه سطوح یکسانی از توجه و انگیزه در هر دو محیط هستند [5]. این میتواند راه را برای تجربههای یادگیری غنیتر برای افرادی که دارای ناتوانی جسمی هستند و نمیتوانند به کلاسهای حضوری دسترسی داشته باشند هموار کند. محققان همچنین مطالعاتی در مورد دینامیک اجتماعی در کلاس درس با استفاده از EEG انجام دادهاند. گروهی از دانشآموزان که با هدستهای EEG مجهز شدهاند، میتوانند برای چگونگی همگام بودن فعالیتهای عصبی آنها در طول یک فرآیند یادگیری مشترک ارزیابی شوند [6][7]. این روش جمعآوری دادههای EEG، به نام EEG هائپراسکنینگ، به گامی برای استنباط در زمان واقعی از توجه گروه و بهبود دینامیک اجتماعی در کلاس تبدیل شده است.
دسترسپذیری آموزش برای همه
برخی از مشکلات جسمی یا حسی میتواند تجربههای یادگیری دانشآموزان را در کلاس درس محدود کند. با این حال، ابزارهایی مبتنی بر EEG وجود دارند که تجربههای دانشآموزان را بهبود میبخشند. پیشرفت در فناوری واجهکارگرافیک مغز (BCI) امکان تایپ کردن مبتنی بر EEG را فراهم کرده است [8][9]، که به دانشآموزانی که دارای مشکلات جسمی هستند کمک میکند تا به صورت ذهنی یادداشتبرداری کنند و در حین یادگیری از دستگاههای محاسباتیشان استفاده کنند. BCIهایی که امکان پاسخدهی به سوالات نوع بله-خیر را با EEG فراهم میکنند نیز به دانشآموزان با اختلالات بینایی امکان ارزیابی با استفاده از آزمونهای مبتنی بر رایانه را میدهند که در غیر این صورت نیاز به یک مصاحبهگر داشتند [10].
تجربههای یادگیری شخصیسازیشده
فراهم کردن معلمان شخصی برای دانشآموزان میتواند پرهزینه باشد ولی میتواند اغلب وقتی ضروری باشد که سیستم آموزشی عمومی مجهز برای مدیریت نیازهای منحصر به فرد یادگیری نیست. سیستمهای آموزشی هوشمند (ITS) یک کلاس از نرمافزارهای یادگیری مبتنی بر رایانه با پشتیبانی از هوش مصنوعی هستند که میتوانند به عنوان معلمان شخصی عمل کنند.
هدف این سیستمها این است که بازخورد شخصیسازیشده و در زمان واقعی به دانشآموز ارائه دهند تا یادگیری آنها را بهبود بخشند. پژوهشگران در حال حاضر سیستمهای ITS را با ادغام آنها با EEG بهبود میبخشند. در یک مطالعه، پژوهشگران از EEG برای تشخیص مشارکت دانشآموزان با انواع ویدئوهای آموزشی مختلف (محتوای انیمیشنی در مقابل ویدئوهای با معلم انسانی) استفاده میکنند که به ITS اجازه میدهد تا یاد بگیرد و به صورت خودکار محتوایی تولید کند که دانشآموز به آن علاقهمند خواهد شد.
وقتی عنصر انسانی را از فرآیند آموزش حذف میکنید، اهمیت بیشتری دارد که بار شناختی دانشآموزان را در حین استفاده از برنامههای یادگیری مبتنی بر رایانه برای جلوگیری از استرس و خستگی صفحه کنترل کنید. برای مقابله با این موضوع، پژوهشگران یک پایگاه داده از حالات چهره مبتنی بر دادههای EEG توسعه دادهاند که بهطور فعال تشخیص میدهد که آیا دانشآموز حین استفاده از ITS خسته، درگیر، هیجانزده یا ناامید است [11].
این توسعه با EEG روش ITS را برای یادگیری و انطباق با دانشآموز فردی هموار میکند؛ با پیشنهاد وقفهها زمانی که خسته هستند یا ادامه آموزش زمانی که درگیر هستند، تجربیات یادگیری موثرتری را برای دانشآموز فراهم میکند.
بالا: دانشآموزان در برنامه BrainWaves دانشگاه نیویورک (NYU) در حال بازی با استفاده از فناوری EEG مغز EMOTIV.
EEG به عنوان ابزار یادگیری STEM
دستگاهها و نرمافزارهای EEG شرکت Emotiv برای استفاده آسان هستند و یک ابزار مقدماتی برجسته برای الهام بخشیدن به نسل آینده دانشمندان علم، فناوری، مهندسی و ریاضیات (STEM) است.
دستگاهها و نرمافزارهای Emotiv در حال حاضر در دورههای سطح کارشناسی دانشگاهی استفاده میشوند، نه تنها در روانشناسی و علوم اعصاب بلکه در مهندسی زیستپزشکی نیز استفاده میشوند. Kurent مثالی موفقیتآمیز از یکپارچهسازی دستگاههای Emotiv EPOC درفرآیند آموزشی در سطح دبیرستان و کالج برای فعالسازی پیشرفت دستگاههای BCI را نشان میدهد. Kosmayana و همکاران مییابند که شامل سیستمهای EEG-BCI در برنامههای درسی مدارس عملکرد تحصیلی را افزایش میدهد. دانشگاه Macquarie از قبل شامل موفقیتآمیز دستگاههای Emotiv در برنامه کارشناسی علوم شناختی و مغزی خود را نشان داده است و به دانشآموزان تجربه مستقیم با طراحی آزمایشی و تحلیل دادههای EEG میدهد [14].
علاوه بر این، White-Foy نشان میدهد که کودکانی به سن 12 سال هم میتوانند بهطور موفقیتآمیز فناوری BCI را یاد بگیرند و پروژههای تحقیقاتی کوچک مقیاس EEG ایجاد کنند [13]. دانشآموزان از منابع آنلاین برای ادغام دستگاه EMOTIV Insight به Raspberry Pi (یک رایانه کوچک) استفاده کردند که EEG را به دستورات برای کنترل اسباببازی کنترل از راه دور Star Wars (BB-8) ترجمه میکند و آن را از میان یک تو در پیچ هدایت میکنند.
بالا: آزمایشگاه عصبی دبیرستان. دانشآموزان 18-11 ساله Raspberry Pi و روبات BB-8 را با دستگاه Emotiv ادغام کرده و با استفاده از دستورات ذهنی BB-8 را از میان یک تو در پیچ هدایت کردند (با مجوز از NeuroLabs).
ما میتوانیم ببینیم که دستگاههای EEG موبایل و با هزینه پایین شرکت Emotiv نه تنها روشهایی برای بهبود کیفیت برنامههای آموزشی برای معلم به منظور ارائه محتوای استثنایی فراهم میکنند، بلکه همراه با پیشرفت در BCI نیز پیشنهاد میکند که محیط آموزشی غنی برای افرادی با نیازهای خاص فراهم کند.
چگونه EMOTIV میتواند کمک کند
تجربههای یادگیری دانشآموزانتان را با کیتهای شروع آزمایشگاه EEG EMOTIV بهبود بخشید.
آزمایشها را بسازید و دادهها را با EmotivPRO Builder تحلیل کنید.
آزمایشهای از راه دور را راهاندازی کنید تا دادهها را بر روی EmotivLABS بدست آورید.
از مجموعه داده متنباز ما استفاده کنید.
نیاز به کمک؟ با ما تماس بگیرید
منبع تصویر جلد: مدرسه Trevor Day
منابع
J. Xu و B. Zhong، “بررسی فناوری EEG قابل حمل در تحقیقات آموزشی”، رفتار انسان در رایانهها، جلد. 81، صفحات 340–349، آوریل 2018، doi: 10.1016/j.chb.2017.12.037.
Zhou Y، Xu T، Cai Y، Wu X، Dong B. نظارت بر بار شناختی در یادگیری ویدئوهای آنلاین از طریق یک رابط کاربری مغز-کامپیوتر مبتنی بر EEG. یادداشتهای سخنرانی کامپیوتر علم زیرمجموعه یادداشتهای سخنرانی هوش مصنوعی یادداشتهای سخنرانی بیوانفورماتیک. 2017;10295 LNCS:64-73. doi:10.1007/978-3-319-58509-3_7
Pireva K، Tahir R، Shariq Imran A، Chaudhary N. ارزیابی حالات احساسی فراگیران با نظارت بر امواج مغزی برای مقایسه روش یادگیری مبتنی بر بازی با قلم و کاغذ. در: کنفرانس آموزش فرانتیرهای IEEE 2019 (FIE). ; 2019:1-8. doi:10.1109/FIE43999.2019.9097262
Dikker S، Haegens S، Bevilacqua D و همکاران. صبحان مغزی: شواهد عصبی دنیای واقعی که زمان کلاس دبیرستان مهم است. نوروساینس عاطفی شناخت اجتماعی. 2020;15(11):1193-1202. doi:10.1093/scan/nsaa142
Romero-Soto FO، Ibarra-Zárate DI، Alonso-Valerdi LM. تحلیل تطبیقی تراکم طیفی توان آلفا در محیطهای واقعی و مجازی. در: جلد 75. ; 2020:156-163. doi:10.1007/978-3-030-30648-9_22
Dikker S، Wan L، Davidesco I و همکاران. همگامی مغزی دلیلی است برای تعاملات گروهی دینامیکی دنیای واقعی در کلاس. Curr Biol. 2017;27(9):1375-1380. doi:10.1016/j.cub.2017.04.002
Poulsen AT، Kamronn S، Dmochowski J، Parra LC، Hansen LK. EEG در کلاس درس: ضبطهای عصبی همگامسازی شده در طول ارائه ویدئویی. Sci Rep. 2017;7(1):43916. doi:10.1038/srep43916
Al-Negheimish H, Al-Andas L, Al-Mofeez L, Al-Abdullatif A, Al-Khalifa N, Al-Wabil A. تایپ کردن با امواج مغزی: مطالعه تطبیقی P300 و تصویرسازی حرکتی برای تایپ کردن با استفاده از دستگاههای EEG با الکترود خشک. در: استپانیدیس C، ویرایش. HCI بینالمللی 2013 - چکیدههای توسعهیافته پوسترها. ارتباطات در علوم کامپیوتر و اطلاعات. اسپرینگر; 2013:569-573. doi:10.1007/978-3-642-39473-7_113
Zhang X، Yao L، Sheng QZ، Kanhere SS، Gu T، Zhang D. تغییر افکار شما به متن: امکان تایپ مغزی از طریق یادگیری ویژگی عمیق از سیگنالهای EEG. در: کنفرانس بینالمللی IEEE در محاسبات فراگیر و ارتباطات (PerCom) 2018. ; 2018:1-10. doi:10.1109/PERCOM.2018.8444575
Yosrita E، Heryadi Y، Wulandhari LA، Budiharto W. شناسایی مبتنی بر EEG واژهها در مدلهای آزمون با پاسخهای بله-خیر برای دانشآموزان دارای اختلالات بینایی. در: ; 2019. doi:10.1109/TALE48000.2019.9225903
Zatarain-Cabada R, Barrón-Estrada ML, González-Hernández F, Rodriguez-Rangel H. ساخت یک شناساییکننده حالات چهره و پایگاه داده حالات چهره برای یک سیستم آموزش هوشمند. در: کنفرانس بینالمللی تکنولوژیهای آموزشی پیشرفته IEEE 2017 (ICALT). ; 2017:391-393. doi:10.1109/ICALT.2017.141
Kurent P. یکپارچهسازی فنآوریهای آینده با دبیرستانها و کالجها. در: کنفرانس کنوانسیون بینالمللی اطلاعات و ارتباطات، الکترونیک و میکروالکترونیک (MIPRO) 2017; 2017:858-861. doi:10.23919/MIPRO.2017.7973541
White-Foy J. علوم اعصاب برای دانشآموزان: پروژهای برای معرفی فناوری EEG و واسطهای کاربری مغز-کامپیوتر به کودکان دبیرستانی. تحقیقات معلم پرارا. منتشر شده در نوامبر 29، 2019. دسترسی در ژوئن 15، 2022. https://praxis-teacher-research.org/neuroscience-for-students/
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.
Alvarez, V., Bower, M., de Freitas, S., Gregory, S. and De Wit, B., 2016. استفاده از فناوریهای پوشیدنی در دانشگاههای استرالیا: مثالها از علوم محیطی، علوم شناختی و مغزی و آموزش معلمان. آیندههای یادگیری موبایل - تحقیق و تمرین کیفیت در یادگیری موبایل، 25.
Rodríguez, A.O.R., Riaño, M.A., García, P.A.G., Marín, C.E.M., Crespo, R.G. and Wu, X., 2020. توصیف احساسی کودکان از طریق یک محیط یادگیری با استفاده از تحلیل دادههای یادگیری و AR-Sandbox. ژورنال رایانههای انسانیشده و هوشمند محیطی، 11(11)، صفحات 5353-5367.
