آموزش یکی از پایه‌های اساسی جامعه ما است و فراهم کردن محیط‌های یادگیری غنی برای پیشرفت جامعه ضروری است. علوم اعصاب آموزشی یک حوزه بین‌رشته‌ای در حال توسعه سریع است که هدف آن درک مکانیسم‌های عصبی آموزش و یادگیری است.

در طول دو دهه گذشته، پیشرفت‌ها در فناوری EEG قابل حمل، محققان را قادر ساخته است تا از هدست‌های EEG در کلاس‌های درس و آموزش الکترونیکی برای ایجاد محیط‌های یادگیری بهینه برای دانش‌آموزان استفاده کنند [1]. در این مقاله، ما به بررسی چگونگی استفاده از هدست‌های EEG شرکت Emotiv برای تغییر روش‌های تدریس و یادگیری می‌پردازیم.

بهینه‌سازی محتوای آموزشی

طراحی محتوای آموزشی جذاب به بازخورد ذهنی مداوم از سوی دانش‌آموزان نیاز دارد. به طور سنتی، تعیین میزان اثربخشی محتوای یک دوره آموزشی از طریق ابزارهای خودگزارش‌دهی بازخورد پس از اتمام دوره انجام می‌شود.

با این حال، به دلیل اتکا به حافظه ذهنی، تشخیص دقیق اینکه کدام جنبه از ارائه دوره نیاز به بهبود دارد، اغلب دشوار است. به دلیل وضوح زمانی بالای EEG (یعنی توانایی آن در اندازه‌گیری پاسخ‌های مغز در مقیاس میلی‌ثانیه)، این فناوری قادر است فرآیندهای پیش از هوشیاری را شاخص‌گذاری کند، فرآیندهایی که در غیر این صورت با معیارهای صرفاً خودگزارش‌دهی نادیده گرفته می‌شدند. هنگام بهینه‌سازی محتوای دوره، مفیدترین معیارها سطح توجه و بار شناختی هستند - معیاری از میزان تلاشی که مغز برای حفظ اطلاعات انجام می‌دهد. توجه اغلب با تجزیه و تحلیل امواج مختلف مغزی که هنگام یادگیری فرد در EEG مشاهده می‌شود - مانند سطوح امواج آلفا (که معمولاً با خستگی همراه است) و امواج بتا (که معمولاً با هوشیاری یا تمرکز همراه است) اندازه‌گیری می‌شود. بار شناختی، که معیار پیچیده‌تری است، نیز می‌تواند با سطوح مختلف امواج آلفا و تتا شاخص‌گذاری شود.

محققان سیستم‌هایی را با EEG توسعه داده‌اند که می‌توانند توجه را نظارت کنند و امکان ارزیابی سطوح توجه را در طول یک دوره کامل فراهم سازند. ژو و همکاران با موفقیت سیستم زمان‌واقعی (real-time) را نشان دادند که بار شناختی دانش‌آموزان آموزش الکترونیکی را که در دوره‌های آنلاین بزرگ و همگانی (MOOCs) شرکت می‌کنند نظارت می‌کند؛ این امر راه را برای بهینه‌سازی محتوای دوره در زمان واقعی هموار می‌سازد [2].

تجزیه و تحلیل آسان حالات شناختی

اندازه‌گیری حالات شناختی، همانطور که در این مطالعات قبلی انجام شد، می‌تواند نیاز به مهارت و تخصص فنی داشته باشد. خوشبختانه، پیشرفت‌های علم داده در حال حاضر امکان استفاده از الگوریتم‌های پیش‌ساخته را برای اندازه‌گیری حالات شناختی با حداقل تخصص فنی فراهم کرده است. Emotiv امکان استفاده از شاخص‌های عملکرد (Performance Metrics) را فراهم می‌سازد: الگوریتم‌های یادگیری ماشین توسعه‌یافته برای شناسایی حالات مختلف مغز از جمله تمرکز، هیجان، مشارکت، ناامیدی، استرس و آرامش در یک EEG.

این الگوریتم‌ها با استفاده از آزمایش‌های کنترل‌شده طراحی‌شده برای برانگیختن حالات شناختی خاص ساخته شده‌اند و برای بهینه‌سازی محتوای آموزشی مفید هستند. این شاخص‌های عملکرد Emotiv برای مقایسه یادگیری مبتنی بر بازی با یادگیری سنتی قلم و کاغذ مورد استفاده قرار گرفته‌اند، اگرچه این مطالعه تفاوتی را در حالات شناختی بین دو روش یادگیری نشان نداد [3]. محققان دیگر سودمندی شاخص‌های عملکرد را در گروه‌بندی کودکان ۵ تا ۷ ساله بر اساس حالات شناختی مانند مشارکت، استرس و تمرکز برای سنجش اثربخشی فعالیت‌ها در محیط‌های واقعیت افزوده نشان داده‌اند.

بالا: (A) از EEG می‌توان برای اندازه‌گیری امواج مغزی دانش‌آموزان در یک کلاس دبیرستان استفاده کرد (از: دیکر و همکاران [4]). (B) امواج مغزی دانش‌آموزان می‌تواند همزمانی بالایی را با سایر دانش‌آموزان نشان دهد، که این امر برای دانش‌آموزانی که در کلاس مشارکت بیشتری داشتند یافت شد (چپ). همزمانی پایین با سایر دانش‌آموزان (راست) برای دانش‌آموزانی که مشارکت کمتری داشتند یافت شد.

بهبود محیط‌های یادگیری

نه تنها محتوای مطالب آموزشی مهم است، بلکه زمان و مکان یادگیری نیز برای اطمینان از اینکه دانش‌آموزان تجربیات یادگیری خوبی دارند به همان اندازه اهمیت دارد. محققان سطوح امواج آلفا را در زمان‌های مختلف کلاس درس اندازه‌گیری کردند و دریافتند کلاس‌های دبیرستان در اواسط صبح نسبت به اوایل صبح امواج آلفای کمتری نشان می‌دهند و پیشنهاد می‌کنند که اواسط صبح ممکن است بهترین زمان برای یادگیری باشد [4].

از دستگاه‌های EEG بی‌سیم نیز برای مقایسه محیط‌های واقعی و مجازی استفاده شده است که توانایی ایجاد سطوح یکسانی از توجه و انگیزه را در هر دو محیط نشان می‌دهد [5]. این می‌تواند راه را برای تجربه یادگیری غنی‌تر برای افراد دارای معلولیت جسمی که قادر به شرکت در کلاس‌های حضوری نیستند، هموار کند. محققان همچنین مطالعاتی را روی 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 فرآیند یادگیری مشترک مورد ارزیابی قرار داد [6][7]. این روش جمع‌آوری داده‌های EEG که EEG hyperscanning نامیده می‌شود، گامی به سوی استنتاج زمان‌واقعیِ توجه گروهی و بهبود پویایی‌های 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 تجربه دانش‌آموزان را بهبود می‌بخشند. پیشرفت‌ها در فناوری واسط مغز و رایانه (BCI) تایپ مبتنی بر EEG را امکان‌پذیر کرده است [8][9]، که به دانش‌آموزان با مشکلات جسمی کمک می‌کند تا در حین یادگیری، در دستگاه رایانه خود یادداشت‌های ذهنی بردارند. سیستم‌های BCI که پاسخگویی مبتنی بر EEG به سوالات بله-خیر را ممکن می‌سازند، همچنین به دانش‌آموزان دارای اختلالات بینایی اجازه می‌دهند تا با استفاده از آزمون‌های رایانه‌ای مورد ارزیابی قرار گیرند، در حالی که در غیر این صورت به یک مصاحبه‌کننده نیاز بود [10].

تجربیات یادگیری شخصی‌سازی شده

فراهم کردن معلم‌های خصوصی برای دانش‌آموزان می‌تواند پرهزینه باشد اما اغلب زمانی که سیستم آموزش عمومی برای پاسخگویی به نیازهای منحصربه‌فرد در یادگیری تجهیز نشده باشد، ضروری است. سیستم‌های تدریس هوشمند (ITS) دسته‌ای از نرم‌افزارهای یادگیری مبتنی بر رایانه مجهز به هوش مصنوعی هستند که می‌توانند به عنوان معلمان شخصی عمل کنند.

هدف این سیستم‌ها انطباق و ارائه بازخورد شخصی‌سازی شده در زمان واقعی به دانش‌آموز برای افزایش یادگیری او است. محققان در حال حاضر با ادغام این سیستم‌ها با EEG، سیستم‌های ITS را ارتقا می‌دهند. در یک مطالعه، محققان از EEG برای تشخیص میزان مشارکت دانش‌آموزان در انواع مختلف ویدئوهای آموزشی (محتوای انیمیشنی در مقابل ویدئوهای با معلمان انسانی) استفاده می‌کنند که به سیستم ITS اجازه می‌دهد تا یاد بگیرد و به طور خودکار محتوایی تولید کند که دانش‌آموز آن را جالب‌تر می‌بیند.

وقتی عنصر انسانی را از فرآیند تدریس حذف می‌کنید، پیگیری بار شناختی دانش‌آموزان در حین استفاده از برنامه‌های یادگیری مبتنی بر رایانه برای جلوگیری از استرس و خستگی ناشی از نمایشگر، اهمیت فزاینده‌ای پیدا می‌کند. برای مبارزه با این مشکل، محققان یک پایگاه داده حالت چهره مبتنی بر داده‌های EEG توسعه داده‌اند که به طور فعال تشخیص می‌دهد آیا دانش‌آموز در حین استفاده از یک سیستم ITS بی‌حوصله، درگیر، هیجان‌زده یا ناامید بوده است [11].

این توسعه با استفاده از EEG راه را برای یادگیری و انطباق مداوم سیستم ITS با نیازهای تک‌تک دانش‌آموزان هموار می‌کند؛ با پیشنهاد استراحت در زمان خستگی یا ادامه تدریس در زمان مشارکت فعال، که تجربه یادگیری مؤثرتری را برای دانش‌آموز فراهم می‌سازد.

بالا: دانش‌آموزان در برنامه BrainWaves دانشگاه نیویورک (NYU) در حین استفاده از فناوری مغزی Emotiv EEG بازی می‌کنند.

EEG به عنوان یک ابزار یادگیری STEM

دستگاه‌ها و نرم‌افزارهای Emotiv EEG آسان برای استفاده هستند و ابزار مقدماتی بسیار خوبی برای الهام بخشیدن به نسل بعدی دانشمندان علوم، فناوری، مهندسی و ریاضیات (STEM) به شمار می‌روند.

دستگاه‌ها و نرم‌افزارهای Emotiv در حال حاضر در دوره‌های سطح کارشناسی دانشگاه، نه تنها در روانشناسی و علوم اعصاب، بلکه در مهندسی پزشکی نیز استفاده می‌شوند. کورنت یک نمونه موفق از ادغام دستگاه‌های Emotiv EPOC در فرآیند آموزشی در سطح دبیرستان و دانشگاه را برای فعال کردن پیشرفت دستگاه‌های BCI نشان می‌دهد. کوسمایانا و همکاران دریافتند که گنجاندن سیستم‌های EEG-BCI در برنامه درسی مدارس باعث افزایش عملکرد تحصیلی می‌شود. دانشگاه مک‌کواری قبلاً گنجاندن موفقیت‌آمیز دستگاه‌های Emotiv را در برنامه درسی کارشناسی علوم شناختی و مغز خود نشان داده است و به دانش‌آموزان تجربه عملی در زمینه طراحی آزمایش و تجزیه و تحلیل داده‌های EEG می‌دهد [14].

علاوه بر این، وایت-فوی نشان می‌دهد که کودکان ۱۲ ساله نیز می‌توانند با موفقیت فناوری BCI را یاد بگیرند و پروژه‌های تحقیقاتی کوچک‌مقیاس EEG را راه‌اندازی کنند [13]. دانش‌آموزان با استفاده از منابع آنلاین اقدام به ادغام یک دستگاه EMOTIV Insight با یک رزبری پای (Raspberry Pi - یک رایانه کوچک) کردند که امواج EEG را به دستوراتی برای کنترل یک اسباب‌بازی جنگ ستارگان کنترلی (BB-8) و هدایت آن از طریق یک ماز ترجمه می‌کند.

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

ما می‌توانیم ببینیم که دستگاه‌های ارزان‌قیمت و سیار Emotiv EEG نه تنها روش‌هایی را برای ارتقای کیفیت برنامه‌های آموزشی برای مربیان جهت ارائه محتوای استثنایی فراهم می‌کنند، بلکه همراه با پیشرفت‌ها در BCI، پیشنهاد ارائه یک محیط آموزشی غنی را برای افراد با نیازهای منحصربه‌فرد مطرح می‌سازند.

چگونه EMOTIV می‌تواند کمک کند

• تجربیات یادگیری دانش‌آموزان خود را با استفاده از کیت‌های شروع آزمایشگاه Emotiv EEG بهبود بخشید.

• با استفاده از EmotivPRO Builder آزمایش‌ها را طراحی کرده و داده‌ها را تجزیه و تحلیل کنید.

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

• از مجموعه داده‌های متن‌باز ما استفاده کنید.

نیاز به کمک دارید؟ با ما تماس بگیرید

منبع تصویر کاور: 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.