L'éducation est un pilier fondamental de notre société, et offrir des environnements d'apprentissage riches est essentiel pour le progrès sociétal. Les neurosciences éducatives sont un domaine interdisciplinaire en développement rapide qui vise à comprendre les mécanismes neuronaux de l'enseignement et de l'apprentissage.

Au cours des deux dernières décennies, les progrès de la technologie EEG portable ont permis aux chercheurs d'utiliser des casques EEG dans les salles de classe ainsi que dans l'e-learning pour créer des environnements d'apprentissage optimaux pour les étudiants [1]. Dans cet article, nous examinons comment les casques EEG d'Emotiv sont utilisés pour changer notre façon d'enseigner et d'apprendre.

Optimisation du contenu éducatif

La conception d'un contenu éducatif engageant nécessite un retour subjectif constant de la part des étudiants. Traditionnellement, l'évaluation de l'efficacité du contenu d'un cours se fait par le biais de mesures d'auto-évaluation à la fin de celui-ci.

Cependant, il est souvent difficile d'isoler précisément les aspects de la prestation du cours qui peuvent être améliorés en raison de la dépendance à l'égard de la mémoire subjective. Grâce à sa haute résolution temporelle (c'est-à-dire sa capacité à mesurer les réponses cérébrales à l'échelle de la milliseconde), l’EEG est capable d'indexer les processus préconscients, qui passeraient autrement inaperçus avec de simples mesures d'auto-évaluation. Lors de l'optimisation du contenu des cours, les mesures les plus utiles sont le niveau d'attention et la charge cognitive - une mesure de la quantité d'efforts que le cerveau déploie pour retenir l'information. L'attention est souvent mesurée en analysant les différentes ondes cérébrales observées dans l'EEG lorsqu'une personne apprend - telles que les niveaux d'ondes alpha (généralement associées à la fatigue) et d'ondes bêta (généralement associées à la vigilance ou à la concentration). La charge cognitive, une mesure plus complexe, peut également être indexée avec différents niveaux d'ondes alpha et thêta.

Des chercheurs ont développé des systèmes avec EEG permettant de surveiller l'attention, ce qui permet d'évaluer les niveaux d'attention tout au long d'un cours. Zhou et al. ont démontré avec succès un système en temps réel qui surveille la charge cognitive des étudiants en e-learning engagés dans des cours en ligne ouverts à tous (MOOC), ouvrant ainsi la voie à l'optimisation du contenu des cours en temps réel [2].

L'analyse des états cognitifs simplifiée

Mesurer les états cognitifs, comme dans ces études précédentes, peut nécessiter des compétences et une expertise techniques. Heureusement, les progrès de la science des données permettent désormais d'utiliser des algorithmes préconçus pour mesurer les états cognitifs avec un minimum d'expertise technique. Emotiv permet d'utiliser les Performance Metrics : des algorithmes d'apprentissage automatique développés pour identifier différents états cérébraux sur un EEG, notamment la concentration, l'excitation, l'engagement, la frustration, le stress et la relaxation.

Ces algorithmes sont construits à l'aide d'expériences contrôlées conçues pour susciter des états cognitifs spécifiques et sont utiles pour optimiser le contenu éducatif. Ces Emotiv Performance Metrics ont été utilisées pour comparer l'apprentissage basé sur le jeu à l'apprentissage traditionnel sur papier, bien que l'étude n'ait montré aucune différence dans les états cognitifs entre les deux méthodes d'apprentissage [3]. D'autres chercheurs ont démontré l'utilité des Performance Metrics pour regrouper des enfants âgés de seulement 5 à 7 ans en fonction d'états cognitifs tels que l'engagement, le stress et la concentration, afin d'évaluer l'efficacité des activités dans des environnements de réalité augmentée.

Ci-dessus : (A) L'EEG peut être utilisé pour mesurer les ondes cérébrales des étudiants dans une classe de lycée (source : Dikker et al. [4]). (B) Les ondes cérébrales des étudiants peuvent montrer une forte synchronisation avec d'autres étudiants, ce qui a été constaté chez les étudiants les plus engagés en classe (à gauche). Une faible synchronisation avec d'autres étudiants (à droite) a été constatée chez les étudiants moins engagés.

Amélioration des environnements d'apprentissage

Non seulement le contenu du matériel éducatif est important, mais le moment et le lieu de notre apprentissage le sont tout autant pour garantir que les étudiants bénéficient de bonnes expériences d'apprentissage. Des chercheurs ont mesuré les niveaux d'ondes alpha à différents moments de la classe et ont découvert que les cours de lycée en milieu de matinée présentaient moins d'ondes alpha que ceux du début de matinée, suggérant que le milieu de matinée pourrait être le meilleur moment pour apprendre [4].

Les EEG sans fil ont également été utilisés pour comparer des environnements réels et virtuels, démontrant la capacité à fournir des niveaux d'attention et de motivation équivalents dans les deux environnements [5]. Cela pourrait ouvrir la voie à une expérience d'apprentissage plus riche pour les personnes ayant des handicaps physiques, incapables d'assister à des cours en présentiel. Des chercheurs ont également mené des études sur la dynamique sociale en classe à l'aide de l'EEG. Un groupe d'étudiants équipés de casques EEG peut être évalué pour déterminer à quel point leur activité neuronale est synchronisée lors d'un processus d'apprentissage commun [6][7]. Cette méthode de collecte de données EEG, appelée hyperscan EEG, est un pas vers l'inférence en temps réel de l'attention de groupe et l'amélioration de la dynamique sociale en classe.

Rendre l'éducation accessible à tous

Certaines difficultés physiques ou sensorielles peuvent limiter les expériences d'apprentissage des élèves en classe. Heureusement, des outils basés sur l'EEG améliorent l'expérience des élèves. Les progrès de la technologie d'interface cerveau-ordinateur (BCI) ont permis la saisie de texte basée sur l'EEG [8][9], ce qui aide les élèves ayant des difficultés physiques à prendre des notes mentales sur leur appareil informatique pendant qu'ils apprennent. Les BCI permettant de répondre par oui ou par non via l'EEG permettent également d'évaluer les élèves ayant une déficience visuelle à l'aide d'examens informatisés, qui nécessiteraient autrement un examinateur [10].

Expériences d'apprentissage personnalisées

Fournir des tuteurs personnels aux étudiants peut s'avérer coûteux, mais cela est souvent nécessaire lorsque le système éducatif général est sous-équipé pour répondre à des besoins d'apprentissage uniques. Les systèmes de tutorat intelligents (ITS) sont une catégorie de logiciels d'apprentissage informatiques soutenus par l'intelligence artificielle qui peuvent faire office de tuteurs personnels.

L'objectif de ces systèmes est d'adapter et de fournir des commentaires personnalisés en temps réel à l'étudiant afin d'améliorer son apprentissage. Les chercheurs perfectionnent actuellement les systèmes ITS en les intégrant à l'EEG. Dans une étude, des chercheurs utilisent l'EEG pour détecter l'engagement des étudiants envers différents types de vidéos éducatives (contenu animé ou vidéos avec des enseignants humains), ce qui permet à l'ITS d'apprendre et de générer automatiquement du contenu que l'étudiant trouvera plus intéressant.

Lorsque vous supprimez l'élément humain du processus d'enseignement, il devient de plus en plus important de suivre la charge cognitive des étudiants tout en utilisant des programmes d'apprentissage informatiques afin d'éviter le stress et la fatigue de l'écran. Pour lutter contre cela, des chercheurs ont développé une base de données d'expressions faciales basée sur des données EEG qui détecte activement si un étudiant était ennuyé, engagé, excité ou frustré lors de l'utilisation d'un ITS [11].

Ce développement de l'EEG ouvre la voie au système ITS pour apprendre et s'adapter en permanence à l'étudiant individuel ; en suggérant des pauses lorsqu'il est fatigué ou en continuant à enseigner lorsqu'il est engagé, offrant ainsi une expérience d'apprentissage plus efficace pour l'étudiant.

Ci-dessus : Des étudiants du programme BrainWaves de l'Université de New York (NYU) jouent à un jeu tout en portant la technologie cérébrale EEG Emotiv.

L'EEG comme outil d'apprentissage des STEM

Les appareils et logiciels EEG d’Emotiv sont faciles à utiliser et constituent un excellent outil d'introduction pour inspirer également la prochaine génération de scientifiques en sciences, technologie, ingénierie et mathématiques (STEM).

Les appareils et logiciels Emotiv sont actuellement utilisés dans des cours de niveau universitaire, non seulement en psychologie et en neurosciences, mais également en génie biomédical. Kurent démontre un exemple réussi d'intégration des appareils Emotiv EPOC dans le processus éducatif au niveau du lycée et de l'université pour permettre le développement d'appareils BCI. Kosmayana et al. constatent que l'intégration de systèmes EEG-BCI dans les programmes scolaires améliore les performances scolaires. L'Université Macquarie a déjà démontré l'intégration réussie des appareils Emotiv dans son programme de baccalauréat en sciences cognitives et cérébrales, offrant aux étudiants une expérience pratique de la conception expérimentale et de l'analyse des données EEG [14].

De plus, White-Foy démontre que des enfants de 12 ans seulement peuvent apprendre avec succès la technologie BCI et mettre en place des projets de recherche EEG à petite échelle [13]. Les étudiants ont utilisé des ressources en ligne pour intégrer un appareil Emotiv Insight à un Raspberry Pi (un ordinateur miniature) qui traduit l'EEG en commandes pour contrôler un jouet Star Wars télécommandé (le BB-8) et le diriger à travers un labyrinthe.

Ci-dessus : NeuroLab dans une école secondaire. Des élèves de 11 à 18 ans ont intégré un Raspberry Pi et le robot BB-8 avec l'appareil Emotiv et ont utilisé des commandes mentales pour faire naviguer BB-8 dans un labyrinthe (partagé avec l'autorisation de NeuroLabs)

Nous pouvons voir que les appareils EEG Emotiv mobiles et à bas coût fournissent non seulement des méthodes permettant d'améliorer la qualité des programmes éducatifs pour que l'éducateur puisse proposer un contenu exceptionnel, mais qu'ils proposent également, avec les développements de la BCI, de fournir un environnement éducatif riche pour les personnes ayant des besoins uniques.

Comment Emotiv peut aider

• Améliorez les expériences d'apprentissage de vos étudiants avec les Emotiv EEG Lab Starter Kits.

• Construisez des expériences et analysez des données avec EmotivPRO Builder.

• Lancez des expériences à distance pour obtenir des données sur EmotivLABS.

• Utilisez notre ensemble de données open source.

Besoin d'aide ? Contactez-nous

Source de l'image de couverture : Trevor Day School

Références

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.