Comment l'EEG peut être utilisé pour créer des environnements d'apprentissage optimaux

par Dr. Roshini Randeniya

L'éducation est un pilier fondamental de notre société, et il est essentiel de fournir des environnements d'apprentissage riches pour faire avancer la société. La neuroscience éducative est 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 avancées dans la technologie EEG portable ont permis aux chercheurs d'utiliser des casques EEG dans les salles de classe et l'apprentissage en ligne 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 la façon dont nous enseignons et apprenons.

Optimisation du contenu éducatif

La conception d'un contenu éducatif engageant nécessite un retour d'information subjectif constant de la part des étudiants. Traditionnellement, la détermination de l'efficacité du contenu d'un cours se fait par des mesures de rétroaction auto-rapportées à la fin d'un cours.

Cependant, il est souvent difficile d'identifier exactement quels aspects de la livraison du cours peuvent être améliorés en raison de la dépendance à la mémoire subjective. En raison de sa haute résolution temporelle (c'est-à-dire sa capacité à mesurer les réponses cérébrales à l'échelle des millisecondes), l'EEG est capable d'indexer des processus pré-conscients, qui, autrement, resteraient non reconnus avec de simples mesures auto-rapportées. Lors de l'optimisation du contenu du cours, les indicateurs les plus utiles sont le niveau d'attention et la charge cognitive - une mesure de la quantité d'effort que le cerveau déploie pour retenir l'information. L'attention est souvent mesurée en analysant différentes ondes cérébrales observées dans l'EEG lorsque quelqu'un apprend - comme les niveaux des ondes alpha (typiquement associées à la fatigue) et bêta (typiquement associées à l'alerte ou à la concentration). La charge cognitive, une mesure plus complexe, peut également être indexée avec divers niveaux d'ondes alpha et thêta.

Les chercheurs ont développé des systèmes avec EEG qui peuvent surveiller l'attention, permettant d'évaluer les niveaux d'attention tout au long d'un cours entier. Zhou et al. ont réussi à démontrer un système en temps réel qui surveille la charge cognitive des étudiants d'e-learning engagés dans des Cours Ouverts Massifs en Ligne (MOOCs), ce qui pave la voie à l'optimisation du contenu du cours en temps réel [2].

Analyse des états cognitifs facilitée

Mesurer des états cognitifs, comme dans ces études précédentes, peut demander certaines compétences techniques et une expertise. Heureusement, les avancées en science des données ont désormais permis l'utilisation d'algorithmes préconstruits pour mesurer des états cognitifs, avec une expertise technique minimale. Emotiv permet l'utilisation de Métriques de Performance : des algorithmes d'apprentissage machine développés pour identifier différents états cérébraux, y compris la concentration, l'excitation, l'engagement, la frustration, le stress et la relaxation dans un EEG.

Ces algorithmes sont construits à partir d'expériences contrôlées conçues pour susciter des états cognitifs spécifiques et sont utiles pour optimiser le contenu éducatif. Ces Métriques de Performance d'Emotiv ont été utilisées pour comparer l'apprentissage basé sur le jeu et 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 Métriques de Performance pour regrouper des enfants aussi jeunes que 5 à 7 ans en fonction d'états cognitifs tels que l'engagement, le stress et la concentration pour 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 salle de classe de lycée (de: Dikker et al. [4]). (B) Les ondes cérébrales des étudiants peuvent montrer une synchronie élevée avec d'autres étudiants, ce qui a été constaté pour les étudiants plus engagés en classe (gauche). Une faible synchronie avec d'autres étudiants (droite) a été constatée pour les étudiants moins engagés.

Amélioration des environnements d'apprentissage

Non seulement le contenu du matériel éducatif est important, mais le moment et l'endroit où nous apprenons le sont tout autant pour garantir que les étudiants aient de bonnes expériences d'apprentissage. Les chercheurs ont mesuré les niveaux des ondes alpha pendant différents moments de classe et ont constaté que les cours de lycée en milieu de matinée présentaient moins d'ondes alpha que ceux du début de matinée et suggèrent que la fin de matinée pourrait être le meilleur moment pour apprendre [4].

Les EEG sans fil ont également été utilisés pour comparer les environnements réels et virtuels, démontrant la capacité à fournir des niveaux d'attention et de motivation égaux dans les deux environnements [5]. Cela pourrait ouvrir la voie à une expérience d'apprentissage enrichie pour les personnes ayant des handicaps physiques, incapables de se rendre dans des salles de classe en personne. Les chercheurs ont également mené des études sur les dynamiques sociales dans la classe en utilisant l'EEG. Un groupe d'étudiants équipé de casques EEG peut être évalué pour la synchronisation de leur activité neuronale pendant un processus d'apprentissage commun [6][7]. Cette méthode de collecte de données EEG, appelée hyperscanning EEG, représente une avancée vers une inférence en temps réel de l'attention de groupe et l'amélioration des dynamiques sociales en classe.

R rendre l'éducation accessible à tous

Certains problèmes physiques ou sensoriels peuvent limiter les expériences d'apprentissage des étudiants en classe. Cependant, il existe des outils basés sur l'EEG qui améliorent les expériences des étudiants. Les avancées dans la technologie d'Interface Cerveau-Ordinateur (BCI) ont permis la saisie de texte basée sur l'EEG [8][9], ce qui aide les étudiants ayant des difficultés physiques à prendre des notes mentales sur leur appareil informatique pendant qu'ils apprennent. Les BCI qui permettent de répondre à des questions de type oui-non via EEG permettent également aux étudiants ayant des déficiences visuelles d'être évalués par le biais d'examens informatiques, ce qui nécessiterait autrement un examinateur [10].

Expériences d'apprentissage personnalisées

Fournir des tuteurs personnels aux étudiants peut être coûteux mais souvent nécessaire lorsque le système éducatif général n'est pas équipé pour répondre à des besoins uniques en matière d'apprentissage. Les Systèmes de Tutorat Intelligent (ITS) sont une catégorie de logiciels d'apprentissage basés sur ordinateur soutenus par l'intelligence artificielle qui peuvent faire office de tuteurs personnels.

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

Lorsque vous éliminez l'élément humain du processus d'enseignement, il devient de plus en plus important de suivre la charge cognitive des étudiants lors de l'utilisation de programmes d'apprentissage basés sur ordinateur pour éviter le stress et la fatigue visuelle. Pour lutter contre cela, les 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 en utilisant un ITS [11].

Ce développement avec l'EEG pave la voie à ce que le système ITS apprenne et s'adapte continuellement à chaque étudiant; en suggérant des pauses lorsqu'ils sont fatigués ou en continuant à enseigner lorsqu'ils sont engagés, fournissant une expérience d'apprentissage plus efficace pour l'étudiant.

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

L'EEG comme outil d'apprentissage STEM

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

Les dispositifs et logiciels Emotiv sont actuellement utilisés dans des cours de niveau universitaire, non seulement en psychologie et neuroscience, mais aussi en ingénierie biomédicale. Kurent démontre un exemple réussi d'intégration des dispositifs Emotiv EPOC dans le processus éducatif au niveau du lycée et de l'université pour permettre l'avancement des dispositifs BCI. Kosmayana et al. constatent que l'inclusion de systèmes EEG-BCI dans les programmes scolaires améliore le rendement académique. L'Université Macquarie a déjà démontré l'inclusion réussie des dispositifs Emotiv dans leur programme de Licence en sciences cognitives et cérébrales, offrant aux étudiants une expérience pratique en matière de conception expérimentale et d'analyse de données EEG [14].

De plus, White-Foy démontre que des enfants aussi jeunes que 12 ans peuvent réussir à apprendre la technologie BCI et à mettre en place de petits projets de recherche EEG [13]. Les étudiants ont utilisé des ressources en ligne pour intégrer un dispositif EMOTIV Insight à un Raspberry Pi (un mini-ordinateur) qui traduit les signaux EEG en commandes pour contrôler un jouet télécommandé Star Wars (le BB-8) et le faire naviguer dans un labyrinthe.

Ci-dessus : NeuroLab au lycée. Des étudiants âgés de 11 à 18 ans ont intégré un Raspberry Pi et un robot BB-8 avec un dispositif Emotiv et ont utilisé des commandes mentales pour naviguer le BB-8 à travers un labyrinthe (partagé avec la permission de NeuroLabs)

Nous pouvons voir que les dispositifs EEG Emotiv à faible coût et mobiles offrent non seulement des méthodes pour améliorer la qualité des programmes éducatifs afin que l'éducateur puisse fournir un contenu exceptionnel, mais avec les développements en BCI, ils proposent également un environnement éducatif riche pour des individus aux besoins uniques.

Comment EMOTIV peut aider

• Améliorez les expériences d'apprentissage de vos étudiants avec des kits de démarrage EMOTIV EEG Lab.

• 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 : École Trevor Day

Références

1. J. Xu et B. Zhong, “Revue sur la technologie EEG portable dans la recherche éducative,” Computers in Human Behavior, vol. 81, pp. 340–349, avril 2018, doi : 10.1016/j.chb.2017.12.037.

2. Zhou Y, Xu T, Cai Y, Wu X, Dong B. Surveillance de la charge cognitive dans l'apprentissage de vidéos en ligne via une interface cerveau-ordinateur basée sur l'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. Évaluation des états émotionnels des apprenants en surveillant les ondes cérébrales pour comparer l'approche d'apprentissage basé sur le jeu à celle sur papier. Dans : 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. Cerveau du matin : preuve neuronale dans le monde réel que les horaires des cours de lycée comptent. Soc Cogn Affect Neurosci. 2020;15(11):1193-1202. doi:10.1093/scan/nsaa142

5. Romero-Soto FO, Ibarra-Zárate DI, Alonso-Valerdi LM. Analyse comparative de la densité spectrale de puissance alpha dans des environnements réels et virtuels. Dans : Vol 75. ; 2020:156-163. doi:10.1007/978-3-030-30648-9_22

6. Dikker S, Wan L, Davidesco I, et al. La synchronie cerveau-à-cerveau suit les interactions dynamiques de groupe dans la classe. 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 dans la classe : enregistrements neuronaux synchronisés pendant la présentation vidéo. 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. Saisie cérébrale : étude comparative de P300 et de l'imagerie motrice pour la saisie utilisant des dispositifs EEG à électrodes sèches. Dans : Stephanidis C, éd. HCI International 2013 - Résumés étendus des affiches. Communications dans les sciences informatiques et l'information. 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. Transformer vos pensées en textes : activer la saisie cérébrale via l'apprentissage approfondi des signaux EEG. Dans : 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. Identification basée sur l'EEG de mots sur des modèles d'examen avec des réponses de type oui-non pour les étudiants avec des déficiences visuelles. Dans : ; 2019. doi:10.1109/TALE48000.2019.9225903

11. Zatarain-Cabada R, Barrón-Estrada ML, González-Hernández F, Rodriguez-Rangel H. Construction d'un reconnaisseur d'expressions faciales et d'une base de données d'expressions faciales pour un système de tutorat intelligent. Dans : 2017 IEEE 17th International Conference on Advanced Learning Technologies (ICALT). ; 2017:391-393. doi:10.1109/ICALT.2017.141

12. Kurent P. Intégration des technologies futures dans les lycées et les universités. Dans : 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 pour les étudiants : un projet pour introduire la technologie EEG et l'Interface Cerveau-Ordinateur aux enfants du secondaire. Praxis Teacher Research. Publié le 29 novembre 2019. Consulté le 15 juin 2022. https://praxis-teacher-research.org/neuroscience-for-students/

14. Kosmyna, Nataliya, Nathalie Soetaert, et Cassandra Scheirer. "Une étude pilote sur l'utilisation des interfaces cerveau-ordinateur dans les salles de classe pour promouvoir les activités éducatives formelles." Actes de la Future Technologies Conference. Springer, Cham, 2021.

15. Alvarez, V., Bower, M., de Freitas, S., Gregory, S. et De Wit, B., 2016. L'utilisation de technologies portables dans les universités australiennes : Exemples des sciences environnementales, des sciences cognitives et cérébrales et de la formation des enseignants. 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. et Wu, X., 2020. Caractérisation émotionnelle des enfants au travers d'un environnement d'apprentissage utilisant des analyses d'apprentissage et un bac sandbox en réalité augmentée. Journal of Ambient Intelligence and Humanized Computing, 11(11), pp.5353-5367.