چالش حافظه خود را امتحان کنید! بازی جدید N-Back را در برنامه Emotiv انجام دهید

همین حالا دانلود کنید

خانه

\/

خبر

\/

چگونه EEG می‌تواند برای ایجاد محیط‌های یادگیری بهینه استفاده شود

چگونه EEG می‌تواند برای ایجاد محیط‌های یادگیری بهینه استفاده شود

های دی دوران

۲۲ شهریور ۱۴۰۳

به اشتراک گذاری:

توسط دکتر روشینی راندنیا

آموزش یکی از ارکان اساسی جامعه ما است، و فراهم کردن محیط‌های یادگیری غنی برای پیشرفت اجتماعی ضروری است. علوم اعصاب آموزشی یک زمینه میان‌رشته‌ای است که به سرعت در حال توسعه است و هدف آن درک مکانیزم‌های عصبی آموزش و یادگیری است.

در دو دهه گذشته، پیشرفت‌ها در فناوری EEG قابل حمل به محققان این امکان را داده است که از هدست‌های EEG هم در کلاس‌های درس و هم در یادگیری الکترونیکی استفاده کنند تا محیط‌های یادگیری بهینه‌ای برای دانش‌آموزان ایجاد کنند [1]. در این مقاله، ما بررسی می‌کنیم که چگونه هدست‌های EEG EMOTIV برای تغییر روش‌های آموزش و یادگیری استفاده می‌شوند.

بهینه سازی محتوای آموزشی

طراحی محتوای آموزشی جذاب نیازمند بازخورد مستمر ذهنی از دانش‌آموزان است. به طور سنتی، تعیین اثربخشی محتوای یک دوره از طریق بازخورد خودگزارشی پس از اتمام دوره انجام می‌شود.

با این حال، اغلب دشوار است دقیقاً مشخص کرد که کدام قسمت‌های ارائه دوره می‌تواند بهبود یابد، زیرا به حافظه ذهنی وابسته است. به دلیل وضوح زمانی بالایی که EEG دارد (یعنی قابلیت اندازه‌گیری پاسخ‌های مغزی در مقیاس میلی‌ثانیه)، می‌توان فرآیندهای پیش‌آگاهی را شاخص‌بندی کرد؛ فرآیندهایی که در صورت تکیه صرف به اقدامات خودگزارشی قابل شناسایی نخواهد بود. هنگام بهینه‌سازی محتوای دوره، مفیدترین معیارها سطح توجه و بار شناختی است - اندازه‌گیری میزان تلاشی که مغز برای حفظ اطلاعات صرف می‌کند. توجه اغلب با تحلیل موج‌های مختلف مغزی که در EEG هنگامی که کسی در حال یادگیری است مشاهده می‌شوند - مانند سطح موج‌های آلفا (که معمولاً با خستگی همراه است) و امواج بتا (که معمولاً با هوشیاری یا تمرکز همراه است) - اندازه‌گیری می‌شود. بار شناختی، یک اندازه‌گیری پیچیده‌تر، همچنین می‌تواند با سطوح مختلف امواج آلفا و تتا شاخص‌بندی شود.

محققان سیستم‌های EEG را توسعه داده‌اند که می‌توانند توجه را نظارت کنند و اجازه می‌دهد که سطح توجه در طول یک دوره کامل ارزیابی شود. Zhou و همکارانش یک سیستم بلادرنگ را نشان دادند که بار شناختی دانش‌آموزان یادگیری الکترونیکی در دوره‌های گسترده آنلاین (MOOCs) را پایش می‌کند که راه را برای بهینه‌سازی محتوای دوره در زمان واقعی باز می‌کند [2].

تحلیل حالت‌های شناختی آسان شد

اندازه‌گیری حالت‌های شناختی، همان‌طور که در این مطالعات قبلی نشان داده شده، می‌تواند به برخی مهارت‌های فنی و کارشناسی نیاز داشته باشد. خوشبختانه، پیشرفت‌ها در علم داده هم‌اکنون استفاده از الگوریتم‌های از پیش ساخته شده برای اندازه‌گیری حالت‌های شناختی را با کمترین تخصص فنی ممکن ساخته است. Emotiv استفاده از شاخص‌های عملکردی را ممکن می‌سازد: الگوریتم‌های یادگیری ماشینی که برای شناسایی حالات مختلف مغزی از جمله تمرکز، هیجان، درگیری، ناامیدی، استرس و آرامش در یک EEG توسعه یافته‌اند.

این الگوریتم‌ها با استفاده از آزمایش‌های کنترل شده که برای ایجاد حالات شناختی خاص طراحی شده‌اند ساخته شده و برای بهینه‌سازی محتوای آموزشی مفید هستند. این شاخص‌های عملکردی Emotiv برای مقایسه یادگیری مبتنی بر بازی در مقابل یادگیری با قلم و کاغذ سنتی استفاده شده‌اند، اگرچه مطالعه نشان‌دهنده تفاوتی در حالت‌های شناختی بین دو روش یادگیری نبود [3]. محققان دیگر کاربرد شاخص‌های عملکردی را در گروه‌بندی کودکان به عنوان جوان به 5-7 سال بر اساس حالت‌های شناختی مانند درگیری، استرس و تمرکز برای تعیین اثربخشی فعالیت‌ها در محیط‌های واقعیت افزوده نشان داده‌اند.



در بالا: (A) EEG می‌توان برای اندازه‌گیری امواج مغزی دانش‌آموزان در یک کلاس دبیرستان استفاده کرد (از: Dikker و همکاران [4]). (B) امواج مغزی دانش‌آموزان می‌تواند همزمانی بالایی با شاگردان دیگر نشان دهد، که برای دانش‌آموزانی که بیشتر در کلاس درگیر بودند یافت شد (چپ). همزمانی کمی با شاگردان دیگر (راست) برای دانش‌آموزانی که کمتر درگیر بودند یافت شد.

تقویت محیط‌های یادگیری

نه تنها محتوای مواد آموزشی مهم است، بلکه زمان و مکان یادگیری برای تضمین اینکه دانش‌آموزان تجربه‌های یادگیری خوبی داشته باشند به همان اندازه مهم است. محققان سطوح امواج آلفا را در زمان‌های مختلف کلاس درس اندازه‌گیری کردند و دریافتند که کلاس‌های دبیرستانی در اواسط صبح نسبت به ساعات اولیه صبح امواج آلفای کمتری ارائه می‌دهند و پیشنهاد می‌کنند که اواسط صبح ممکن است بهترین زمان برای یادگیری باشد [4].

EEG‌های بی‌سیم همچنین برای مقایسه محیط‌های واقعی و مجازی استفاده شده‌اند و توانایی ارائه سطح توجه و انگیزه یکسان در هر دو محیط را نشان می‌دهند [5]. این می‌تواند راه را برای تجربه یادگیری غنی‌تر برای افرادی که ناتوانی‌های جسمانی دارند و قادر به حضور در کلاس‌های حضوری نیستند فراهم کند. محققان همچنین مطالعاتی را در مورد پویایی اجتماعی در کلاس درس با استفاده از EEG انجام داده‌اند. گروهی از دانش‌آموزانی که با هدست‌های EEG مجهز شده‌اند می‌توانند ارزیابی شوند که فعالیت‌های عصبی آنها در طول یک فرآیند یادگیری مشترک چقدر همزمان است [6][7]. این روش جمع‌آوری داده‌های EEG، که هیپراسکنینگ EEG نامیده می‌شود، گامی به سوی استنتاج بلادرنگ توجه گروهی و بهبود پویایی اجتماعی در کلاس درس است.

دسترس‌پذیر کردن آموزش برای همه

برخی دشواری‌های جسمانی یا حسی می‌تواند تجارب یادگیری دانش‌آموزان را در کلاس درس محدود کند. با این حال، ابزارهای مبتنی بر EEG وجود دارند که تجربیات دانش‌آموزان را بهبود می‌بخشند. پیشرفت‌ها در فناوری واسطه مغز-رایانه (BCI) امکان تایپ بر پایه EEG را فراهم کرده‌اند [8][9]، که به دانش‌آموزان با مشکلات جسمانی کمک می‌کند تا در حین یادگیری با دستگاه محاسباتی خود نت‌برداری ذهنی انجام دهند. BCI‌هایی که امکان پاسخ‌دهی بلی-خیر بر پایه EEG را فراهم می‌کنند نیز به دانش‌آموزان با اختلالات بینایی اجازه می‌دهند که با استفاده از آزمون‌های مبتنی بر رایانه مورد ارزیابی قرار گیرند، که در غیر این صورت به مصاحبه‌گر نیاز دارد [10].

تجربیات یادگیری شخصی‌سازی شده

فراهم کردن معلمان خصوصی برای دانش‌آموزان می‌تواند گران‌قیمت باشد اما می‌تواند اغلب ضروری باشد هنگامی که سیستم آموزشی عمومی نتواند به نیازهای خاص در یادگیری پاسخ دهد. سیستم‌های آموزش هوشمند (ITS) یک دسته از نرم‌افزارهای یادگیری مبتنی بر رایانه هستند که با هوش مصنوعی پشتیبانی شده و می‌توانند به عنوان معلمان خصوصی عمل کنند.

هدف این سیستم‌ها تطبیق و ارائه بازخورد شخصی بلادرنگ به دانش‌آموز برای بهبود یادگیری آن‌ها است. محققان در حال حاضر سیستم‌های ITS را با ادغام آن‌ها با EEG پیشرفته می‌کنند. در یک مطالعه، محققان از EEG برای تشخیص درگیری دانش‌آموز با انواع مختلف ویدیوهای آموزشی (محتوای انیمیشنی در مقابل ویدیوهایی با معلمان انسانی) استفاده می‌کنند که اجازه می‌دهد ITS بیاموزد و محتوایی که دانش‌آموز جذاب‌تر می‌یابد را به‌طور خودکار تولید کند.

وقتی عنصر انسانی را از فرآیند آموزش حذف می‌کنید، پیگیری بار شناختی دانش‌آموزان هنگام استفاده از برنامه‌های یادگیری مبتنی بر رایانه برای پیشگیری از استرس و خستگی صفحه نمایش افزایش می‌یابد. برای مقابله با این، محققان یک بانک اطلاعاتی از حالت‌های صورت مبتنی بر داده‌های EEG توسعه داده‌اند که فعالانه تشخیص می‌دهد که آیا یک دانش‌آموز هنگام استفاده از یک ITS خسته، درگیر، هیجان‌زده یا ناامید بوده است [11].

این پیشرفت با EEG در حال باز کردن راه برای سیستم ITS است تا به طور مداوم بیاموزد و خود را با دانش‌آموز فردی تطبیق دهد؛ با پیشنهاد وقفه‌هایی هنگامی که خسته هستند یا ادامه آموزش هنگامی که درگیر هستند، تجربه یادگیری مؤثرتری برای دانش‌آموز فراهم می‌کند.



در بالا: دانش‌آموزان در برنامه BrainWaves دانشگاه نیویورک (NYU) در حال بازی در حالی که از فناوری مغزی EEG EMOTIV استفاده می‌کنند.

EEG به عنوان ابزاری برای یادگیری STEM

دستگاه‌ها و نرم‌افزارهای Emotiv EEG آسان برای استفاده هستند و همچنین یک ابزار مقدماتی عالی برای الهام بخشیدن به نسل بعدی دانشمندان علوم، فناوری، مهندسی و ریاضیات (STEM) هستند.

دستگاه‌ها و نرم‌افزارهای Emotiv در حال حاضر در دوره‌های کارشناسی دانشگاه استفاده می‌شوند نه تنها در روان‌شناسی و علوم اعصاب بلکه در مهندسی زیست‌پزشکی نیز. Kurent یک مثال موفق از ادغام دستگاه‌های Emotiv EPOC در فرآیند آموزشی در سطح دبیرستان و دانشگاه برای پیشرفت دستگاه‌های BCI را نشان می‌دهد. Kosmayana و همکاران نشان می‌دهند که گنجاندن سیستم‌های EEG-BCI در برنامه‌های درسی مدارس عملکرد تحصیلی را تقویت می‌کند. دانشگاه Macquarie موفقیت‌آمیز بودن استفاده از دستگاه‌های Emotiv را در برنامه درسی Bachelor of Cognitive and Brain Sciences خود نشان داده است، که به دانش‌آموزان تجربه عملی با طراحی آزمایش و تحلیل داده‌های EEG می‌دهد [14].

بعلاوه، White-Foy نشان می‌دهد که کودکان به سن 12 سالگی می‌توانند با موفقیت فناوری BCI را یاد بگیرند و پروژه‌های تحقیقاتی EEG کوچک مقیاس را پیاده‌سازی کنند [13]. دانش‌آموزان از منابع آنلاین برای ادغام یک دستگاه EMOTIV Insight به یک Raspberry Pi (یک کامپیوتر کوچک) استفاده کردند که EEG را به فرامین ترجمه می‌کند تا یک اسباب‌بازی جنگ ستارگان (BB-8) را کنترل کند و آن را از طریق یک ماز هدایت کند.



در بالا: NeuroLab مدرسه دبیرستان. دانش‌آموزان 11-18 ساله که Raspberry Pi و ربات BB-8 را با دستگاه Emotiv ادغام کردند و از فرمان‌های ذهنی برای هدایت BB-8 از طریق یک ماز استفاده کردند (با اجازه از NeuroLabs به اشتراک گذاشته شده)

ما می‌توانیم ببینیم که دستگاه‌های EEG Emotiv با هزینه کم و قابل حمل، نه تنها روش‌هایی برای ارتقاء کیفیت برنامه‌های آموزشی برای مربی برای ارائه محتوای استثنایی فراهم می‌کنند، بلکه با توسعه‌ها در BCI نیز پیشنهادی برای فراهم کردن یک محیط آموزشی غنی برای افراد با نیازهای خاص ارائه می‌دهند.



چگونه EMOTIV می‌تواند کمک کند

نیاز به کمک دارید؟ با ما تماس بگیرید

منبع تصویر جلد: مدرسه Trevor Day

منابع

  1. J. Xu و B. Zhong، “بررسی فناوری EEG قابل حمل در تحقیقات آموزشی,” 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. نظارت بر بار شناختی در یادگیری ویدیوهای آنلاین از طریق رابط مغز-رایانه مبتنی بر 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. ارزیابی حالات احساسی یادگیرندگان با پایش امواج مغزی برای مقایسه رویکرد یادگیری مبتنی بر بازی با قلم و کاغذ. در: 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: شواهد عصبی در دنیای واقعی که زمان‌های کلاس دبیرستان مهم است. Soc Cogn Affect Neurosci. 2020;15(11):1193-1202. doi:10.1093/scan/nsaa142

  5. Romero-Soto FO, Ibarra-Zárate DI, Alonso-Valerdi LM. تحلیل مقایسه‌ای چگالی طیفی قدرت آلفا در محیط‌های واقعی و مجازی. در: Vol 75. ; 2020:156-163. doi:10.1007/978-3-030-30648-9_22

  6. Dikker S, Wan L, Davidesco I, et al. همزمانی مغز به مغز تعاملات گروهی پویا در دنیای واقعی در کلاس را پیگیری می‌کند. 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 در کلاس درس: ضبط‌های عصبی همزمان در حین ارائه ویدیو. 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. تایپ مغزی: مطالعه‌ای مقایسه‌ای از P300 و تصویرسازی حرکتی برای تایپ با استفاده از دستگاه‌های EEG با الکترود خشک. در: Stephanidis C، ویرایش. HCI بین‌المللی 2013 - چکیده‌های تمدید شده پوستری. مکالمات در علوم کامپیوتر و اطلاعات. 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. تبدیل افکار شما به متن: فعال‌سازی تایپ مغزی از طریق یادگیری عمیق ویژگی‌های EEG. در: 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. شناسایی مبتنی بر EEG کلمات در مدل‌های آزمون با پاسخ‌های بلی-خیر برای دانش‌آموزان با ناتوانی‌های بینایی. در: ; 2019. doi:10.1109/TALE48000.2019.9225903

  11. Zatarain-Cabada R, Barrón-Estrada ML, González-Hernández F, Rodriguez-Rangel H. ساخت شناسایی‌کننده حالت صورت و بانک اطلاعاتی حالت صورت برای یک سیستم آموزش هوشمند. در: 2017 IEEE 17th International Conference on Advanced Learning Technologies (ICALT). ; 2017:391-393. doi:10.1109/ICALT.2017.141

  12. Kurent P. ادغام فناوری‌های آینده در مدارس و دانشگاه‌ها. در: 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. علوم اعصاب برای دانش‌آموزان: پروژه‌ای برای معرفی فناوری BCI و EEG به کودکان دبیرستانی. Praxis Teacher Research. منتشر شده در نوامبر 29, 2019. دسترسی یافته شده در ژوئن 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.

توسط دکتر روشینی راندنیا

آموزش یکی از ارکان اساسی جامعه ما است، و فراهم کردن محیط‌های یادگیری غنی برای پیشرفت اجتماعی ضروری است. علوم اعصاب آموزشی یک زمینه میان‌رشته‌ای است که به سرعت در حال توسعه است و هدف آن درک مکانیزم‌های عصبی آموزش و یادگیری است.

در دو دهه گذشته، پیشرفت‌ها در فناوری EEG قابل حمل به محققان این امکان را داده است که از هدست‌های EEG هم در کلاس‌های درس و هم در یادگیری الکترونیکی استفاده کنند تا محیط‌های یادگیری بهینه‌ای برای دانش‌آموزان ایجاد کنند [1]. در این مقاله، ما بررسی می‌کنیم که چگونه هدست‌های EEG EMOTIV برای تغییر روش‌های آموزش و یادگیری استفاده می‌شوند.

بهینه سازی محتوای آموزشی

طراحی محتوای آموزشی جذاب نیازمند بازخورد مستمر ذهنی از دانش‌آموزان است. به طور سنتی، تعیین اثربخشی محتوای یک دوره از طریق بازخورد خودگزارشی پس از اتمام دوره انجام می‌شود.

با این حال، اغلب دشوار است دقیقاً مشخص کرد که کدام قسمت‌های ارائه دوره می‌تواند بهبود یابد، زیرا به حافظه ذهنی وابسته است. به دلیل وضوح زمانی بالایی که EEG دارد (یعنی قابلیت اندازه‌گیری پاسخ‌های مغزی در مقیاس میلی‌ثانیه)، می‌توان فرآیندهای پیش‌آگاهی را شاخص‌بندی کرد؛ فرآیندهایی که در صورت تکیه صرف به اقدامات خودگزارشی قابل شناسایی نخواهد بود. هنگام بهینه‌سازی محتوای دوره، مفیدترین معیارها سطح توجه و بار شناختی است - اندازه‌گیری میزان تلاشی که مغز برای حفظ اطلاعات صرف می‌کند. توجه اغلب با تحلیل موج‌های مختلف مغزی که در EEG هنگامی که کسی در حال یادگیری است مشاهده می‌شوند - مانند سطح موج‌های آلفا (که معمولاً با خستگی همراه است) و امواج بتا (که معمولاً با هوشیاری یا تمرکز همراه است) - اندازه‌گیری می‌شود. بار شناختی، یک اندازه‌گیری پیچیده‌تر، همچنین می‌تواند با سطوح مختلف امواج آلفا و تتا شاخص‌بندی شود.

محققان سیستم‌های EEG را توسعه داده‌اند که می‌توانند توجه را نظارت کنند و اجازه می‌دهد که سطح توجه در طول یک دوره کامل ارزیابی شود. Zhou و همکارانش یک سیستم بلادرنگ را نشان دادند که بار شناختی دانش‌آموزان یادگیری الکترونیکی در دوره‌های گسترده آنلاین (MOOCs) را پایش می‌کند که راه را برای بهینه‌سازی محتوای دوره در زمان واقعی باز می‌کند [2].

تحلیل حالت‌های شناختی آسان شد

اندازه‌گیری حالت‌های شناختی، همان‌طور که در این مطالعات قبلی نشان داده شده، می‌تواند به برخی مهارت‌های فنی و کارشناسی نیاز داشته باشد. خوشبختانه، پیشرفت‌ها در علم داده هم‌اکنون استفاده از الگوریتم‌های از پیش ساخته شده برای اندازه‌گیری حالت‌های شناختی را با کمترین تخصص فنی ممکن ساخته است. Emotiv استفاده از شاخص‌های عملکردی را ممکن می‌سازد: الگوریتم‌های یادگیری ماشینی که برای شناسایی حالات مختلف مغزی از جمله تمرکز، هیجان، درگیری، ناامیدی، استرس و آرامش در یک EEG توسعه یافته‌اند.

این الگوریتم‌ها با استفاده از آزمایش‌های کنترل شده که برای ایجاد حالات شناختی خاص طراحی شده‌اند ساخته شده و برای بهینه‌سازی محتوای آموزشی مفید هستند. این شاخص‌های عملکردی Emotiv برای مقایسه یادگیری مبتنی بر بازی در مقابل یادگیری با قلم و کاغذ سنتی استفاده شده‌اند، اگرچه مطالعه نشان‌دهنده تفاوتی در حالت‌های شناختی بین دو روش یادگیری نبود [3]. محققان دیگر کاربرد شاخص‌های عملکردی را در گروه‌بندی کودکان به عنوان جوان به 5-7 سال بر اساس حالت‌های شناختی مانند درگیری، استرس و تمرکز برای تعیین اثربخشی فعالیت‌ها در محیط‌های واقعیت افزوده نشان داده‌اند.



در بالا: (A) EEG می‌توان برای اندازه‌گیری امواج مغزی دانش‌آموزان در یک کلاس دبیرستان استفاده کرد (از: Dikker و همکاران [4]). (B) امواج مغزی دانش‌آموزان می‌تواند همزمانی بالایی با شاگردان دیگر نشان دهد، که برای دانش‌آموزانی که بیشتر در کلاس درگیر بودند یافت شد (چپ). همزمانی کمی با شاگردان دیگر (راست) برای دانش‌آموزانی که کمتر درگیر بودند یافت شد.

تقویت محیط‌های یادگیری

نه تنها محتوای مواد آموزشی مهم است، بلکه زمان و مکان یادگیری برای تضمین اینکه دانش‌آموزان تجربه‌های یادگیری خوبی داشته باشند به همان اندازه مهم است. محققان سطوح امواج آلفا را در زمان‌های مختلف کلاس درس اندازه‌گیری کردند و دریافتند که کلاس‌های دبیرستانی در اواسط صبح نسبت به ساعات اولیه صبح امواج آلفای کمتری ارائه می‌دهند و پیشنهاد می‌کنند که اواسط صبح ممکن است بهترین زمان برای یادگیری باشد [4].

EEG‌های بی‌سیم همچنین برای مقایسه محیط‌های واقعی و مجازی استفاده شده‌اند و توانایی ارائه سطح توجه و انگیزه یکسان در هر دو محیط را نشان می‌دهند [5]. این می‌تواند راه را برای تجربه یادگیری غنی‌تر برای افرادی که ناتوانی‌های جسمانی دارند و قادر به حضور در کلاس‌های حضوری نیستند فراهم کند. محققان همچنین مطالعاتی را در مورد پویایی اجتماعی در کلاس درس با استفاده از EEG انجام داده‌اند. گروهی از دانش‌آموزانی که با هدست‌های EEG مجهز شده‌اند می‌توانند ارزیابی شوند که فعالیت‌های عصبی آنها در طول یک فرآیند یادگیری مشترک چقدر همزمان است [6][7]. این روش جمع‌آوری داده‌های EEG، که هیپراسکنینگ EEG نامیده می‌شود، گامی به سوی استنتاج بلادرنگ توجه گروهی و بهبود پویایی اجتماعی در کلاس درس است.

دسترس‌پذیر کردن آموزش برای همه

برخی دشواری‌های جسمانی یا حسی می‌تواند تجارب یادگیری دانش‌آموزان را در کلاس درس محدود کند. با این حال، ابزارهای مبتنی بر EEG وجود دارند که تجربیات دانش‌آموزان را بهبود می‌بخشند. پیشرفت‌ها در فناوری واسطه مغز-رایانه (BCI) امکان تایپ بر پایه EEG را فراهم کرده‌اند [8][9]، که به دانش‌آموزان با مشکلات جسمانی کمک می‌کند تا در حین یادگیری با دستگاه محاسباتی خود نت‌برداری ذهنی انجام دهند. BCI‌هایی که امکان پاسخ‌دهی بلی-خیر بر پایه EEG را فراهم می‌کنند نیز به دانش‌آموزان با اختلالات بینایی اجازه می‌دهند که با استفاده از آزمون‌های مبتنی بر رایانه مورد ارزیابی قرار گیرند، که در غیر این صورت به مصاحبه‌گر نیاز دارد [10].

تجربیات یادگیری شخصی‌سازی شده

فراهم کردن معلمان خصوصی برای دانش‌آموزان می‌تواند گران‌قیمت باشد اما می‌تواند اغلب ضروری باشد هنگامی که سیستم آموزشی عمومی نتواند به نیازهای خاص در یادگیری پاسخ دهد. سیستم‌های آموزش هوشمند (ITS) یک دسته از نرم‌افزارهای یادگیری مبتنی بر رایانه هستند که با هوش مصنوعی پشتیبانی شده و می‌توانند به عنوان معلمان خصوصی عمل کنند.

هدف این سیستم‌ها تطبیق و ارائه بازخورد شخصی بلادرنگ به دانش‌آموز برای بهبود یادگیری آن‌ها است. محققان در حال حاضر سیستم‌های ITS را با ادغام آن‌ها با EEG پیشرفته می‌کنند. در یک مطالعه، محققان از EEG برای تشخیص درگیری دانش‌آموز با انواع مختلف ویدیوهای آموزشی (محتوای انیمیشنی در مقابل ویدیوهایی با معلمان انسانی) استفاده می‌کنند که اجازه می‌دهد ITS بیاموزد و محتوایی که دانش‌آموز جذاب‌تر می‌یابد را به‌طور خودکار تولید کند.

وقتی عنصر انسانی را از فرآیند آموزش حذف می‌کنید، پیگیری بار شناختی دانش‌آموزان هنگام استفاده از برنامه‌های یادگیری مبتنی بر رایانه برای پیشگیری از استرس و خستگی صفحه نمایش افزایش می‌یابد. برای مقابله با این، محققان یک بانک اطلاعاتی از حالت‌های صورت مبتنی بر داده‌های EEG توسعه داده‌اند که فعالانه تشخیص می‌دهد که آیا یک دانش‌آموز هنگام استفاده از یک ITS خسته، درگیر، هیجان‌زده یا ناامید بوده است [11].

این پیشرفت با EEG در حال باز کردن راه برای سیستم ITS است تا به طور مداوم بیاموزد و خود را با دانش‌آموز فردی تطبیق دهد؛ با پیشنهاد وقفه‌هایی هنگامی که خسته هستند یا ادامه آموزش هنگامی که درگیر هستند، تجربه یادگیری مؤثرتری برای دانش‌آموز فراهم می‌کند.



در بالا: دانش‌آموزان در برنامه BrainWaves دانشگاه نیویورک (NYU) در حال بازی در حالی که از فناوری مغزی EEG EMOTIV استفاده می‌کنند.

EEG به عنوان ابزاری برای یادگیری STEM

دستگاه‌ها و نرم‌افزارهای Emotiv EEG آسان برای استفاده هستند و همچنین یک ابزار مقدماتی عالی برای الهام بخشیدن به نسل بعدی دانشمندان علوم، فناوری، مهندسی و ریاضیات (STEM) هستند.

دستگاه‌ها و نرم‌افزارهای Emotiv در حال حاضر در دوره‌های کارشناسی دانشگاه استفاده می‌شوند نه تنها در روان‌شناسی و علوم اعصاب بلکه در مهندسی زیست‌پزشکی نیز. Kurent یک مثال موفق از ادغام دستگاه‌های Emotiv EPOC در فرآیند آموزشی در سطح دبیرستان و دانشگاه برای پیشرفت دستگاه‌های BCI را نشان می‌دهد. Kosmayana و همکاران نشان می‌دهند که گنجاندن سیستم‌های EEG-BCI در برنامه‌های درسی مدارس عملکرد تحصیلی را تقویت می‌کند. دانشگاه Macquarie موفقیت‌آمیز بودن استفاده از دستگاه‌های Emotiv را در برنامه درسی Bachelor of Cognitive and Brain Sciences خود نشان داده است، که به دانش‌آموزان تجربه عملی با طراحی آزمایش و تحلیل داده‌های EEG می‌دهد [14].

بعلاوه، White-Foy نشان می‌دهد که کودکان به سن 12 سالگی می‌توانند با موفقیت فناوری BCI را یاد بگیرند و پروژه‌های تحقیقاتی EEG کوچک مقیاس را پیاده‌سازی کنند [13]. دانش‌آموزان از منابع آنلاین برای ادغام یک دستگاه EMOTIV Insight به یک Raspberry Pi (یک کامپیوتر کوچک) استفاده کردند که EEG را به فرامین ترجمه می‌کند تا یک اسباب‌بازی جنگ ستارگان (BB-8) را کنترل کند و آن را از طریق یک ماز هدایت کند.



در بالا: NeuroLab مدرسه دبیرستان. دانش‌آموزان 11-18 ساله که Raspberry Pi و ربات BB-8 را با دستگاه Emotiv ادغام کردند و از فرمان‌های ذهنی برای هدایت BB-8 از طریق یک ماز استفاده کردند (با اجازه از NeuroLabs به اشتراک گذاشته شده)

ما می‌توانیم ببینیم که دستگاه‌های EEG Emotiv با هزینه کم و قابل حمل، نه تنها روش‌هایی برای ارتقاء کیفیت برنامه‌های آموزشی برای مربی برای ارائه محتوای استثنایی فراهم می‌کنند، بلکه با توسعه‌ها در BCI نیز پیشنهادی برای فراهم کردن یک محیط آموزشی غنی برای افراد با نیازهای خاص ارائه می‌دهند.



چگونه EMOTIV می‌تواند کمک کند

نیاز به کمک دارید؟ با ما تماس بگیرید

منبع تصویر جلد: مدرسه Trevor Day

منابع

  1. J. Xu و B. Zhong، “بررسی فناوری EEG قابل حمل در تحقیقات آموزشی,” 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. نظارت بر بار شناختی در یادگیری ویدیوهای آنلاین از طریق رابط مغز-رایانه مبتنی بر 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. ارزیابی حالات احساسی یادگیرندگان با پایش امواج مغزی برای مقایسه رویکرد یادگیری مبتنی بر بازی با قلم و کاغذ. در: 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: شواهد عصبی در دنیای واقعی که زمان‌های کلاس دبیرستان مهم است. Soc Cogn Affect Neurosci. 2020;15(11):1193-1202. doi:10.1093/scan/nsaa142

  5. Romero-Soto FO, Ibarra-Zárate DI, Alonso-Valerdi LM. تحلیل مقایسه‌ای چگالی طیفی قدرت آلفا در محیط‌های واقعی و مجازی. در: Vol 75. ; 2020:156-163. doi:10.1007/978-3-030-30648-9_22

  6. Dikker S, Wan L, Davidesco I, et al. همزمانی مغز به مغز تعاملات گروهی پویا در دنیای واقعی در کلاس را پیگیری می‌کند. 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 در کلاس درس: ضبط‌های عصبی همزمان در حین ارائه ویدیو. 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. تایپ مغزی: مطالعه‌ای مقایسه‌ای از P300 و تصویرسازی حرکتی برای تایپ با استفاده از دستگاه‌های EEG با الکترود خشک. در: Stephanidis C، ویرایش. HCI بین‌المللی 2013 - چکیده‌های تمدید شده پوستری. مکالمات در علوم کامپیوتر و اطلاعات. 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. تبدیل افکار شما به متن: فعال‌سازی تایپ مغزی از طریق یادگیری عمیق ویژگی‌های EEG. در: 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. شناسایی مبتنی بر EEG کلمات در مدل‌های آزمون با پاسخ‌های بلی-خیر برای دانش‌آموزان با ناتوانی‌های بینایی. در: ; 2019. doi:10.1109/TALE48000.2019.9225903

  11. Zatarain-Cabada R, Barrón-Estrada ML, González-Hernández F, Rodriguez-Rangel H. ساخت شناسایی‌کننده حالت صورت و بانک اطلاعاتی حالت صورت برای یک سیستم آموزش هوشمند. در: 2017 IEEE 17th International Conference on Advanced Learning Technologies (ICALT). ; 2017:391-393. doi:10.1109/ICALT.2017.141

  12. Kurent P. ادغام فناوری‌های آینده در مدارس و دانشگاه‌ها. در: 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. علوم اعصاب برای دانش‌آموزان: پروژه‌ای برای معرفی فناوری BCI و EEG به کودکان دبیرستانی. Praxis Teacher Research. منتشر شده در نوامبر 29, 2019. دسترسی یافته شده در ژوئن 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.

توسط دکتر روشینی راندنیا

آموزش یکی از ارکان اساسی جامعه ما است، و فراهم کردن محیط‌های یادگیری غنی برای پیشرفت اجتماعی ضروری است. علوم اعصاب آموزشی یک زمینه میان‌رشته‌ای است که به سرعت در حال توسعه است و هدف آن درک مکانیزم‌های عصبی آموزش و یادگیری است.

در دو دهه گذشته، پیشرفت‌ها در فناوری EEG قابل حمل به محققان این امکان را داده است که از هدست‌های EEG هم در کلاس‌های درس و هم در یادگیری الکترونیکی استفاده کنند تا محیط‌های یادگیری بهینه‌ای برای دانش‌آموزان ایجاد کنند [1]. در این مقاله، ما بررسی می‌کنیم که چگونه هدست‌های EEG EMOTIV برای تغییر روش‌های آموزش و یادگیری استفاده می‌شوند.

بهینه سازی محتوای آموزشی

طراحی محتوای آموزشی جذاب نیازمند بازخورد مستمر ذهنی از دانش‌آموزان است. به طور سنتی، تعیین اثربخشی محتوای یک دوره از طریق بازخورد خودگزارشی پس از اتمام دوره انجام می‌شود.

با این حال، اغلب دشوار است دقیقاً مشخص کرد که کدام قسمت‌های ارائه دوره می‌تواند بهبود یابد، زیرا به حافظه ذهنی وابسته است. به دلیل وضوح زمانی بالایی که EEG دارد (یعنی قابلیت اندازه‌گیری پاسخ‌های مغزی در مقیاس میلی‌ثانیه)، می‌توان فرآیندهای پیش‌آگاهی را شاخص‌بندی کرد؛ فرآیندهایی که در صورت تکیه صرف به اقدامات خودگزارشی قابل شناسایی نخواهد بود. هنگام بهینه‌سازی محتوای دوره، مفیدترین معیارها سطح توجه و بار شناختی است - اندازه‌گیری میزان تلاشی که مغز برای حفظ اطلاعات صرف می‌کند. توجه اغلب با تحلیل موج‌های مختلف مغزی که در EEG هنگامی که کسی در حال یادگیری است مشاهده می‌شوند - مانند سطح موج‌های آلفا (که معمولاً با خستگی همراه است) و امواج بتا (که معمولاً با هوشیاری یا تمرکز همراه است) - اندازه‌گیری می‌شود. بار شناختی، یک اندازه‌گیری پیچیده‌تر، همچنین می‌تواند با سطوح مختلف امواج آلفا و تتا شاخص‌بندی شود.

محققان سیستم‌های EEG را توسعه داده‌اند که می‌توانند توجه را نظارت کنند و اجازه می‌دهد که سطح توجه در طول یک دوره کامل ارزیابی شود. Zhou و همکارانش یک سیستم بلادرنگ را نشان دادند که بار شناختی دانش‌آموزان یادگیری الکترونیکی در دوره‌های گسترده آنلاین (MOOCs) را پایش می‌کند که راه را برای بهینه‌سازی محتوای دوره در زمان واقعی باز می‌کند [2].

تحلیل حالت‌های شناختی آسان شد

اندازه‌گیری حالت‌های شناختی، همان‌طور که در این مطالعات قبلی نشان داده شده، می‌تواند به برخی مهارت‌های فنی و کارشناسی نیاز داشته باشد. خوشبختانه، پیشرفت‌ها در علم داده هم‌اکنون استفاده از الگوریتم‌های از پیش ساخته شده برای اندازه‌گیری حالت‌های شناختی را با کمترین تخصص فنی ممکن ساخته است. Emotiv استفاده از شاخص‌های عملکردی را ممکن می‌سازد: الگوریتم‌های یادگیری ماشینی که برای شناسایی حالات مختلف مغزی از جمله تمرکز، هیجان، درگیری، ناامیدی، استرس و آرامش در یک EEG توسعه یافته‌اند.

این الگوریتم‌ها با استفاده از آزمایش‌های کنترل شده که برای ایجاد حالات شناختی خاص طراحی شده‌اند ساخته شده و برای بهینه‌سازی محتوای آموزشی مفید هستند. این شاخص‌های عملکردی Emotiv برای مقایسه یادگیری مبتنی بر بازی در مقابل یادگیری با قلم و کاغذ سنتی استفاده شده‌اند، اگرچه مطالعه نشان‌دهنده تفاوتی در حالت‌های شناختی بین دو روش یادگیری نبود [3]. محققان دیگر کاربرد شاخص‌های عملکردی را در گروه‌بندی کودکان به عنوان جوان به 5-7 سال بر اساس حالت‌های شناختی مانند درگیری، استرس و تمرکز برای تعیین اثربخشی فعالیت‌ها در محیط‌های واقعیت افزوده نشان داده‌اند.



در بالا: (A) EEG می‌توان برای اندازه‌گیری امواج مغزی دانش‌آموزان در یک کلاس دبیرستان استفاده کرد (از: Dikker و همکاران [4]). (B) امواج مغزی دانش‌آموزان می‌تواند همزمانی بالایی با شاگردان دیگر نشان دهد، که برای دانش‌آموزانی که بیشتر در کلاس درگیر بودند یافت شد (چپ). همزمانی کمی با شاگردان دیگر (راست) برای دانش‌آموزانی که کمتر درگیر بودند یافت شد.

تقویت محیط‌های یادگیری

نه تنها محتوای مواد آموزشی مهم است، بلکه زمان و مکان یادگیری برای تضمین اینکه دانش‌آموزان تجربه‌های یادگیری خوبی داشته باشند به همان اندازه مهم است. محققان سطوح امواج آلفا را در زمان‌های مختلف کلاس درس اندازه‌گیری کردند و دریافتند که کلاس‌های دبیرستانی در اواسط صبح نسبت به ساعات اولیه صبح امواج آلفای کمتری ارائه می‌دهند و پیشنهاد می‌کنند که اواسط صبح ممکن است بهترین زمان برای یادگیری باشد [4].

EEG‌های بی‌سیم همچنین برای مقایسه محیط‌های واقعی و مجازی استفاده شده‌اند و توانایی ارائه سطح توجه و انگیزه یکسان در هر دو محیط را نشان می‌دهند [5]. این می‌تواند راه را برای تجربه یادگیری غنی‌تر برای افرادی که ناتوانی‌های جسمانی دارند و قادر به حضور در کلاس‌های حضوری نیستند فراهم کند. محققان همچنین مطالعاتی را در مورد پویایی اجتماعی در کلاس درس با استفاده از EEG انجام داده‌اند. گروهی از دانش‌آموزانی که با هدست‌های EEG مجهز شده‌اند می‌توانند ارزیابی شوند که فعالیت‌های عصبی آنها در طول یک فرآیند یادگیری مشترک چقدر همزمان است [6][7]. این روش جمع‌آوری داده‌های EEG، که هیپراسکنینگ EEG نامیده می‌شود، گامی به سوی استنتاج بلادرنگ توجه گروهی و بهبود پویایی اجتماعی در کلاس درس است.

دسترس‌پذیر کردن آموزش برای همه

برخی دشواری‌های جسمانی یا حسی می‌تواند تجارب یادگیری دانش‌آموزان را در کلاس درس محدود کند. با این حال، ابزارهای مبتنی بر EEG وجود دارند که تجربیات دانش‌آموزان را بهبود می‌بخشند. پیشرفت‌ها در فناوری واسطه مغز-رایانه (BCI) امکان تایپ بر پایه EEG را فراهم کرده‌اند [8][9]، که به دانش‌آموزان با مشکلات جسمانی کمک می‌کند تا در حین یادگیری با دستگاه محاسباتی خود نت‌برداری ذهنی انجام دهند. BCI‌هایی که امکان پاسخ‌دهی بلی-خیر بر پایه EEG را فراهم می‌کنند نیز به دانش‌آموزان با اختلالات بینایی اجازه می‌دهند که با استفاده از آزمون‌های مبتنی بر رایانه مورد ارزیابی قرار گیرند، که در غیر این صورت به مصاحبه‌گر نیاز دارد [10].

تجربیات یادگیری شخصی‌سازی شده

فراهم کردن معلمان خصوصی برای دانش‌آموزان می‌تواند گران‌قیمت باشد اما می‌تواند اغلب ضروری باشد هنگامی که سیستم آموزشی عمومی نتواند به نیازهای خاص در یادگیری پاسخ دهد. سیستم‌های آموزش هوشمند (ITS) یک دسته از نرم‌افزارهای یادگیری مبتنی بر رایانه هستند که با هوش مصنوعی پشتیبانی شده و می‌توانند به عنوان معلمان خصوصی عمل کنند.

هدف این سیستم‌ها تطبیق و ارائه بازخورد شخصی بلادرنگ به دانش‌آموز برای بهبود یادگیری آن‌ها است. محققان در حال حاضر سیستم‌های ITS را با ادغام آن‌ها با EEG پیشرفته می‌کنند. در یک مطالعه، محققان از EEG برای تشخیص درگیری دانش‌آموز با انواع مختلف ویدیوهای آموزشی (محتوای انیمیشنی در مقابل ویدیوهایی با معلمان انسانی) استفاده می‌کنند که اجازه می‌دهد ITS بیاموزد و محتوایی که دانش‌آموز جذاب‌تر می‌یابد را به‌طور خودکار تولید کند.

وقتی عنصر انسانی را از فرآیند آموزش حذف می‌کنید، پیگیری بار شناختی دانش‌آموزان هنگام استفاده از برنامه‌های یادگیری مبتنی بر رایانه برای پیشگیری از استرس و خستگی صفحه نمایش افزایش می‌یابد. برای مقابله با این، محققان یک بانک اطلاعاتی از حالت‌های صورت مبتنی بر داده‌های EEG توسعه داده‌اند که فعالانه تشخیص می‌دهد که آیا یک دانش‌آموز هنگام استفاده از یک ITS خسته، درگیر، هیجان‌زده یا ناامید بوده است [11].

این پیشرفت با EEG در حال باز کردن راه برای سیستم ITS است تا به طور مداوم بیاموزد و خود را با دانش‌آموز فردی تطبیق دهد؛ با پیشنهاد وقفه‌هایی هنگامی که خسته هستند یا ادامه آموزش هنگامی که درگیر هستند، تجربه یادگیری مؤثرتری برای دانش‌آموز فراهم می‌کند.



در بالا: دانش‌آموزان در برنامه BrainWaves دانشگاه نیویورک (NYU) در حال بازی در حالی که از فناوری مغزی EEG EMOTIV استفاده می‌کنند.

EEG به عنوان ابزاری برای یادگیری STEM

دستگاه‌ها و نرم‌افزارهای Emotiv EEG آسان برای استفاده هستند و همچنین یک ابزار مقدماتی عالی برای الهام بخشیدن به نسل بعدی دانشمندان علوم، فناوری، مهندسی و ریاضیات (STEM) هستند.

دستگاه‌ها و نرم‌افزارهای Emotiv در حال حاضر در دوره‌های کارشناسی دانشگاه استفاده می‌شوند نه تنها در روان‌شناسی و علوم اعصاب بلکه در مهندسی زیست‌پزشکی نیز. Kurent یک مثال موفق از ادغام دستگاه‌های Emotiv EPOC در فرآیند آموزشی در سطح دبیرستان و دانشگاه برای پیشرفت دستگاه‌های BCI را نشان می‌دهد. Kosmayana و همکاران نشان می‌دهند که گنجاندن سیستم‌های EEG-BCI در برنامه‌های درسی مدارس عملکرد تحصیلی را تقویت می‌کند. دانشگاه Macquarie موفقیت‌آمیز بودن استفاده از دستگاه‌های Emotiv را در برنامه درسی Bachelor of Cognitive and Brain Sciences خود نشان داده است، که به دانش‌آموزان تجربه عملی با طراحی آزمایش و تحلیل داده‌های EEG می‌دهد [14].

بعلاوه، White-Foy نشان می‌دهد که کودکان به سن 12 سالگی می‌توانند با موفقیت فناوری BCI را یاد بگیرند و پروژه‌های تحقیقاتی EEG کوچک مقیاس را پیاده‌سازی کنند [13]. دانش‌آموزان از منابع آنلاین برای ادغام یک دستگاه EMOTIV Insight به یک Raspberry Pi (یک کامپیوتر کوچک) استفاده کردند که EEG را به فرامین ترجمه می‌کند تا یک اسباب‌بازی جنگ ستارگان (BB-8) را کنترل کند و آن را از طریق یک ماز هدایت کند.



در بالا: NeuroLab مدرسه دبیرستان. دانش‌آموزان 11-18 ساله که Raspberry Pi و ربات BB-8 را با دستگاه Emotiv ادغام کردند و از فرمان‌های ذهنی برای هدایت BB-8 از طریق یک ماز استفاده کردند (با اجازه از NeuroLabs به اشتراک گذاشته شده)

ما می‌توانیم ببینیم که دستگاه‌های EEG Emotiv با هزینه کم و قابل حمل، نه تنها روش‌هایی برای ارتقاء کیفیت برنامه‌های آموزشی برای مربی برای ارائه محتوای استثنایی فراهم می‌کنند، بلکه با توسعه‌ها در BCI نیز پیشنهادی برای فراهم کردن یک محیط آموزشی غنی برای افراد با نیازهای خاص ارائه می‌دهند.



چگونه EMOTIV می‌تواند کمک کند

نیاز به کمک دارید؟ با ما تماس بگیرید

منبع تصویر جلد: مدرسه Trevor Day

منابع

  1. J. Xu و B. Zhong، “بررسی فناوری EEG قابل حمل در تحقیقات آموزشی,” 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. نظارت بر بار شناختی در یادگیری ویدیوهای آنلاین از طریق رابط مغز-رایانه مبتنی بر 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. ارزیابی حالات احساسی یادگیرندگان با پایش امواج مغزی برای مقایسه رویکرد یادگیری مبتنی بر بازی با قلم و کاغذ. در: 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: شواهد عصبی در دنیای واقعی که زمان‌های کلاس دبیرستان مهم است. Soc Cogn Affect Neurosci. 2020;15(11):1193-1202. doi:10.1093/scan/nsaa142

  5. Romero-Soto FO, Ibarra-Zárate DI, Alonso-Valerdi LM. تحلیل مقایسه‌ای چگالی طیفی قدرت آلفا در محیط‌های واقعی و مجازی. در: Vol 75. ; 2020:156-163. doi:10.1007/978-3-030-30648-9_22

  6. Dikker S, Wan L, Davidesco I, et al. همزمانی مغز به مغز تعاملات گروهی پویا در دنیای واقعی در کلاس را پیگیری می‌کند. 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 در کلاس درس: ضبط‌های عصبی همزمان در حین ارائه ویدیو. 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. تایپ مغزی: مطالعه‌ای مقایسه‌ای از P300 و تصویرسازی حرکتی برای تایپ با استفاده از دستگاه‌های EEG با الکترود خشک. در: Stephanidis C، ویرایش. HCI بین‌المللی 2013 - چکیده‌های تمدید شده پوستری. مکالمات در علوم کامپیوتر و اطلاعات. 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. تبدیل افکار شما به متن: فعال‌سازی تایپ مغزی از طریق یادگیری عمیق ویژگی‌های EEG. در: 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. شناسایی مبتنی بر EEG کلمات در مدل‌های آزمون با پاسخ‌های بلی-خیر برای دانش‌آموزان با ناتوانی‌های بینایی. در: ; 2019. doi:10.1109/TALE48000.2019.9225903

  11. Zatarain-Cabada R, Barrón-Estrada ML, González-Hernández F, Rodriguez-Rangel H. ساخت شناسایی‌کننده حالت صورت و بانک اطلاعاتی حالت صورت برای یک سیستم آموزش هوشمند. در: 2017 IEEE 17th International Conference on Advanced Learning Technologies (ICALT). ; 2017:391-393. doi:10.1109/ICALT.2017.141

  12. Kurent P. ادغام فناوری‌های آینده در مدارس و دانشگاه‌ها. در: 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. علوم اعصاب برای دانش‌آموزان: پروژه‌ای برای معرفی فناوری BCI و EEG به کودکان دبیرستانی. Praxis Teacher Research. منتشر شده در نوامبر 29, 2019. دسترسی یافته شده در ژوئن 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.

به خواندن ادامه دهید

پارالمپیک: رابط مغز-کامپیوتر مبتنی بر هوش مصنوعی تاریخ ساز می‌شود

بیشتر بخوانید