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 fournir des environnements d'apprentissage riches est essentiel pour l'avancement de la société. La neuroscience éducative est un domaine interdisciplinaire en pleine expansion 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 notre façon d'enseigner et d'apprendre.

Optimiser le contenu éducatif

La conception de 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 retour d'information sur auto-évaluation à la fin d'un cours.

Cependant, il est souvent difficile d'isoler exactement quels aspects de la livraison du cours peuvent être améliorés en raison de la dépendance à la mémoire subjective. Grâce à sa haute résolution temporelle (c'est-à-dire à 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 d'auto-évaluation. Lors de l'optimisation du contenu des cours, les métriques les plus utiles sont le niveau d'attention et la charge cognitive - une mesure de l'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 - telles que les niveaux d'ondes alpha (généralement associées à la fatigue) et d'ondes beta (généralement associées à l'alerte ou à la concentration). La charge cognitive, mesure plus complexe, peut également être indexée avec différents niveaux d'ondes alpha et thêta.

Les chercheurs ont développé des systèmes avec l'EEG qui peuvent surveiller l'attention, permettant d'évaluer les niveaux d'attention tout au long d'un cours entier. 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 Ouverts Massifs en Ligne (MOOCs), ce qui ouvre la voie à l'optimisation du contenu des cours en temps réel [2].

Analyser les états cognitifs facilement

Mesurer les états cognitifs, comme dans ces études précédentes, peut nécessiter certaines compétences techniques et une expertise. Heureusement, les avancées en science des données ont maintenant permis l'utilisation d'algorithmes préconçus pour mesurer les états cognitifs, avec une expertise technique minimale. Emotiv permet l'utilisation de Métriques de Performance : des algorithmes d'apprentissage automatique 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 provoquer 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 par rapport 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 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, 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 salle de 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 pour les étudiants qui étaient plus engagés dans la classe (à gauche). Une faible synchronisation avec d'autres étudiants (à droite) a été constatée pour les étudiants qui étaient moins engagés.

Améliorer les environnements d'apprentissage

Non seulement le contenu des matériaux éducatifs est important, mais quand et où nous apprenons sont tout aussi importants pour garantir que les étudiants aient de bonnes expériences d'apprentissage. Les chercheurs ont mesuré les niveaux d'ondes alpha pendant différents moments de classe et ont constaté que les cours de lycée en milieu de matinée montraient moins d'ondes alpha que tôt le matin et suggèrent que le milieu 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 de 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 personne. Les chercheurs ont également mené des études sur les dynamiques sociales dans la classe en utilisant l'EEG. Un groupe d'étudiants équipés de casques EEG peut être évalué sur la synchronisation de leur activité neuronale pendant un processus d'apprentissage commun [6][7]. Cette méthode de collecte de données EEG, appelée hyperscanning EEG, est un pas vers l'inférence en temps réel de l'attention de groupe et l'amélioration des dynamiques sociales en classe.

Rendre l'éducation accessible à tous

Certaines difficultés physiques ou sensorielles peuvent limiter les expériences d'apprentissage des étudiants dans la classe. Cependant, il existe des outils basés sur l'EEG qui améliorent les expériences des étudiants. Les avancées dans la technologie des interfaces cerveau-ordinateur (BCI) ont permis la saisie 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 par EEG à des questions de type oui-non permettent également aux étudiants ayant des déficiences visuelles d'être évalués par le biais d'examens informatiques, ce qui nécessiterait autrement un intervieweur [10].

Expériences d'apprentissage personnalisées

Fournir des tuteurs personnels aux étudiants peut être coûteux, mais peut souvent être nécessaire lorsque le système éducatif général est mal équipé pour répondre aux besoins uniques d'apprentissage. Les Systèmes de Tutorat Intelligent (ITS) sont une classe de logiciels d'apprentissage basés sur les ordinateurs soutenus par l'intelligence artificielle qui peuvent agir comme des tuteurs personnels.

Le but de ces systèmes est de s'adapter et de fournir un retour d'information personnalisé en temps réel à l'étudiant pour améliorer son apprentissage. Les chercheurs avancent actuellement les systèmes ITS en les intégrant avec l'EEG. Dans une étude, les chercheurs utilisent l'EEG pour détecter l'engagement des étudiants vis-à-vis de différents types de vidéos éducatives (contenu animé contre vidéos avec 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 lors de l'utilisation de programmes d'apprentissage basés sur les ordinateurs pour prévenir le stress et la fatigue liées aux écrans. 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 pendant l'utilisation d'un ITS [11].

Ce développement avec l'EEG ouvre la voie au système ITS pour apprendre et s'adapter en continu à l'étudiant individuel ; en suggérant des pauses lorsqu'ils sont fatigués ou en continuant d'enseigner lorsqu'ils sont engagés, offrant une expérience d'apprentissage plus efficace pour l'étudiant.

Ci-dessus : Étudiants de l'Université de New York (NYU) BrainWaves programme jouant à un jeu tout en portant la technologie cérébrale EMOTIV EEG.

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 en neuroscience, mais aussi en ingénierie biomédicale. Kurent démontre un exemple réussi d'intégration des dispositifs Emotiv EPOC dans le processus éducatif au niveau de l'école secondaire et de l'université pour permettre l'avancement des dispositifs BCI. Kosmayana et al. constatent que l'inclusion des systèmes EEG-BCI dans les programmes scolaires améliore les performances académiques. L'Université Macquarie a déjà démontré l'inclusion réussie des dispositifs Emotiv dans leur programme de Licence en Sciences Cognitives et Cérébrales, donnant 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 aussi jeunes que 12 ans peuvent apprendre avec succès la technologie BCI et 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 l'EEG en commandes pour contrôler un jouet télécommandé Star Wars (le BB-8) et le faire naviguer à travers un labyrinthe.

Ci-dessus : NeuroLab du secondaire. Étudiants âgés de 11 à 18 ans intégrant le Raspberry Pi et le robot BB-8 avec le dispositif Emotiv et utilisant des commandes mentales pour naviguer BB-8 à travers un labyrinthe (partagé avec autorisation de NeuroLabs)

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

Comment EMOTIV peut aider

• Améliorez les expériences d'apprentissage de vos étudiants avec les Kits de Début de Laboratoire EEG d'EMOTIV.

• 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 et B. Zhong, “Revue sur la technologie EEG portable dans la recherche éducative,” Computers in Human Behavior, vol. 81, pp. 340–349, Avr. 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 à travers 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. Évaluer les états émotionnels des apprenants en surveillant les ondes cérébrales pour comparer l'approche d'apprentissage basée sur le jeu à celle du papier et du stylo. 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. Cerveau du matin : preuve neuronale réelle que les heures de classe au lycée ont de l'importance. 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. In : 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 le monde réel en 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. Tapez avec votre cerveau : étude comparative de P300 et de l'imagerie motrice pour taper à l'aide de dispositifs EEG à électrode sèche. 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. Convertir vos pensées en textes : Activer le dactylographie cérébrale via l'apprentissage profond des signaux EEG. 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. Identification basée sur l'EEG des mots sur les modèles d'examen avec réponses de type oui-non pour les étudiants ayant des déficiences visuelles. In : ; 2019. doi:10.1109/TALE48000.2019.9225903

11. Zatarain-Cabada R, Barrón-Estrada ML, González-Hernández F, Rodriguez-Rangel H. Construire un reconnaisseur d'expressions faciales et une base de données d'expressions faciales pour un système de tutorat intelligent. In : 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 universités. 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. Neurosciences pour les étudiants : un projet pour introduire la technologie EEG et d'Interface Cerveau-Ordinateur aux enfants de l'école 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 des 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 des technologies portables dans les universités australiennes : Exemples en sciences de l'environnement, en sciences cognitives et cérébrales et dans la formation des enseignants. Futurs de l'apprentissage mobile - maintenir une recherche et une pratique de qualité dans l'apprentissage mobile, 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 à travers un environnement d'apprentissage utilisant des analyses d'apprentissage et un AR-Sandbox. Journal of Ambient Intelligence and Humanized Computing, 11(11), pp.5353-5367.