חינוך הוא עמוד תווך יסודי בחברה שלנו, ומתן סביבות למידה עשירות הוא חיוני לקידום החברה. מדעי המוח החינוכיים הם תחום בין-תחומי המתפתח במהירות שמטרתו להבין את המנגנונים העצביים של הוראה ולמידה.

במהלך שני העשורים האחרונים, התקדמויות בטכנולוגיית EEG ניידת אפשרו לחוקרים להשתמש בקסדות EEG הן בכיתות והן בלמידה מקוונת (e-learning) כדי ליצור סביבות למידה אופטימליות עבור תלמידים [1]. במאמר זה, נבחן כיצד נעשה שימוש בקסדות ה-EEG של Emotiv כדי לשנות את האופן שבו אנו מלמדים ולומדים.

אופטימיזציה של תכנים חינוכיים

עיצוב תוכן חינוכי מושך דורש משוב סובייקטיבי מתמיד מהתלמידים. באופן מסורתי, קביעת מידת היעילות של תוכן הקורס מתבצעת באמצעות מדדי משוב של דיווח עצמי עם סיום הקורס.

עם זאת, לעיתים קרובות קשה לבודד בדיוק אילו היבטים של העברת הקורס ניתנים לשיפור בשל ההסתמכות על זיכרון סובייקטיבי. בשל הרזולוציה הטמפורלית הגבוהה שלו (כלומר, היכולת שלו למדוד תגובות מוחיות בקנה מידה של מילישניות), ה-EEG מסוגל לאנדקס תהליכים טרום-מודעים, שאחרת לא היו מזוהים באמצעות מדדי דיווח עצמי בלבד. בעת אופטימיזציה של תוכן הקורס, המדדים השימושיים ביותר הם רמת הקשב ועומס קוגניטיבי - מדד לכמות המאמץ שהמוח משקיע כדי לשמר את המידע. קשב נמדד לעיתים קרובות על ידי ניתוח גלי מוח שונים הנצפים ב-EEG כאשר מישהו לומד - כגון רמות גלי אלפא (הקשורים בדרך כלל לעייפות) וגלי בטא (הקשורים בדרך כלל לערנות או ריכוז). עומס קוגניטיבי, שהוא מדד מורכב יותר, יכול להיות מאונדקס גם כן עם רמות משתנות של גלי אלפא ותטא.

חוקרים פיתחו מערכות עם EEG שיכולות לנטר קשב, מה שמאפשר להעריך את רמות הקשב לאורך קורס שלם. ג'ואו ושותפיו הדגימו בהצלחה מערכת בזמן אמת המנטרת את העומס הקוגניטיבי של סטודנטים בלמידה מקוונת המשתתפים בקורסים מקוונים רבי-משתתפים (MOOCs), מה שסולל את הדרך לאופטימיזציה של תוכן הקורס בזמן אמת [2].

ניתוח מצבים קוגניטיביים בקלות

מדידת מצבים קוגניטיביים, כמו במחקרים קודמים אלה, עשויה לדרוש מיומנות ומומחיות טכנית מסוימת. למרבה המזל, התקדמויות במדעי הנתונים מאפשרות כעת שימוש באלגוריתמים מובנים מראש למדידת מצבים קוגניטיביים, עם מומחיות טכנית מינימלית. Emotiv מאפשרת שימוש ב-Performance Metrics: אלגוריתמים של למידת מכונה שפותחו כדי לזהות מצבי מוח שונים, כולל מיקוד, התרגשות, מעורבות, תסכול, לחץ ורגיעה ב-EEG.

אלגוריתמים אלו נבנים באמצעות ניסויים מבוקרים שנועדו לעורר מצבים קוגניטיביים ספציפיים והם שימושיים לאופטימיזציה של תוכן חינוכי. מדדי ביצועים אלו של Emotiv שימשו להשוואה בין למידה מבוססת משחק ללמידה מסורתית של עט ונייר, אם כי המחקר לא הראה הבדל במצבים הקוגניטיביים בין שתי שיטות הלמידה [3]. חוקרים אחרים הדגימו את התועלת של מדדי ביצועים בקבוצות של ילדים צעירים בגילאי 5-7 שנים על סמך מצבים קוגניטיביים כגון מעורבות, לחץ ומיקוד כדי לקבוע את יעילות הפעילויות בסביבות מציאות רבודה.

למעלה: (A) ניתן להשתמש ב-EEG למדידת גלי המוח של תלמידים בכיתת תיכון (מתוך: Dikker et al. [4]). (B) גלי המוח של תלמידים יכולים להראות סנכרון גבוה עם תלמידים אחרים, דבר שנמצא עבור תלמידים שהיו מעורבים יותר בכיתה (משמאל). סנכרון נמוך עם תלמידים אחרים (מימין) נמצא עבור תלמידים שהיו פחות מעורבים.

שיפור סביבות למידה

לא רק התוכן של החומר הלימודי הוא חשוב, מתי ואיפה אנו לומדים חשובים לא פחות כדי להבטיח שלתלמידים יהיו חוויות למידה טובות. חוקרים מדדו רמות של גלי אלפא בזמני כיתה שונים ומצאו ששיעורי תיכון בשעות אמצע הבוקר הראו פחות גלי אלפא מאשר בשעות הבוקר המוקדמות, ומציעים כי אמצע הבוקר עשוי להיות הזמן הטוב ביותר ללמידה [4].

מכשירי EEG אלחוטיים שימשו גם להשוואה בין סביבות אמיתיות לווירטואליות, והדגימו את היכולת לספק רמות שוות של קשב ומוטיבציה בשתי הסביבות [5]. זה עשוי לסלול את הדרך לחוויית למידה עשירה יותר עבור אנשים עם מוגבלות פיזית, שאינם יכולים להשתתף בכיתות פרונטליות. חוקרים ערכו גם מחקרים על דינמיקה חברתית בכיתה באמצעות EEG. קבוצה של תלמידים המצוידים בקסדות EEG יכולה להיבדק לגבי מידת הסנכרון של הפעילות העצבית שלהם במהלך תהליך למידה משותף [6][7]. שיטה זו של איסוף נתוני EEG, הנקראת EEG hyperscanning, היא צעד לקראת הסקת מסקנות בזמן אמת על קשב קבוצתי ושיפור הדינמיקה החברתית בכיתה.

הנגשת החינוך לכולם

קשיים פיזיים או חושיים מסוימים עלולים להגביל את חוויות הלמידה של התלמידים בכיתה. עם זאת, ישנם כלים מבוססי EEG המשפרים את חוויות התלמידים. התקדמויות בטכנולוגיית ממשק מוח-מחשב (BCI) אפשרו הקלדה מבוססת EEG [8][9], המסייעת לתלמידים עם קשיים פיזיים לרשום הערות מנטליות במחשב שלהם תוך כדי למידה. מערכות BCI המאפשרות מענה מבוסס EEG על שאלות מסוג כן-לא מאפשרות גם לתלמידים עם לקויות ראייה להיבחן באמצעות בחינה ממוחשבת, שבמקרה אחר הייתה דורשת מראיין [10].

חוויות למידה מותאמות אישית

מתן חונכים אישיים לתלמידים יכול להיות יקר אך לעיתים קרובות יכול להיות נחוץ כאשר מערכת החינוך הכללית אינה מצוידת מספיק כדי להתמודד עם צרכים ייחודיים בלמידה. מערכות חונכות תבוניות (ITS) הן סוג של תוכנות למידה מבוססות מחשב המגובות בבינה מלאכותית ויכולות לשמש כחונכים אישיים.

מטרת מערכות אלו היא להתאים ולספק משוב מותאם אישית בזמן אמת לתלמיד כדי לשפר את למידתו. חוקרים מקדמים כיום מערכות ITS על ידי שילובן עם EEG. במחקר אחד, חוקרים משתמשים ב-EEG כדי לזהות מעורבות של תלמידים בסוגים שונים של סרטונים חינוכיים (תוכן מונפש לעומת סרטונים עם מורים אנושיים), מה שמאפשר ל-ITS ללמוד וליצור באופן אוטומטי תוכן שהתלמיד ימצא מעניין יותר.

כאשר מסירים את הגורם האנושי מתהליך ההוראה, הופך להיות חשוב יותר ויותר לעקוב אחר העומס הקוגניטיבי של התלמידים בזמן שימוש בתוכנות למידה מבוססות מחשב כדי למנוע מתח ועייפות מסכים. כדי להילחם בכך, חוקרים פיתחו מסד נתונים של הבעות פנים המבוסס על נתוני EEG המזהה באופן פעיל אם סטודנט היה משועמם, מעורב, נרגש או מתוסכל בזמן שימוש ב-ITS [11].

פיתוח זה עם EEG סולל את הדרך למערכת ה-ITS ללמוד ולהסתגל ללא הרף לתלמיד האינדיבידואלי; על ידי הצעת הפסקות כאשר הם עייפים או המשך הוראה כאשר הם מעורבים, ובכך לספק חוויית למידה יעילה יותר עבור התלמיד.

למעלה: סטודנטים בתוכנית BrainWaves של אוניברסיטת ניו יורק (NYU) משחקים במשחק תוך שימוש בטכנולוגיית מוח Emotiv EEG.

EEG ככלי למידה של STEM

מכשירי ותוכנות ה-EEG של Emotiv קלים לשימוש ומהווים כלי היכרות מצוין להשראת הדור הבא של מדעני מדע, טכנולוגיה, הנדסה ומתמטיקה (STEM) גם כן.

מכשירי ותוכנות Emotiv נמצאים כיום בשימוש בקורסים ברמת תואר ראשון באוניברסיטאות, לא רק בפסיכולוגיה ומדעי המוח אלא גם בהנדסה ביו-רפואית. Kurent מציג דוגמה מוצלחת לשילוב מכשירי Emotiv EPOC בתהליך החינוכי ברמת תיכון ומכללה כדי לאפשר קידום של מכשירי BCI. Kosmayana ושותפיו מצאו כי הכללת מערכות EEG-BCI בתוכניות הלימודים בבתי הספר מגבירה את ההישגים הלימודיים. אוניברסיטת מקווארי כבר הדגימה שילוב מוצלח של מכשירי Emotiv בתוכנית הלימודים שלה לתואר ראשון במדעי הקוגניציה והמוח, מה שמעניק לסטודנטים ניסיון מעשי בעיצוב ניסויים וניתוח נתוני EEG [14].

יתרה מכך, White-Foy מראה כי ילדים צעירים בני 12 יכולים ללמוד בהצלחה טכנולוגיית BCI ולהקים פרויקטי מחקר EEG בקנה מידה קטן [13]. סטודנטים השתמשו במשאבים מקוונים כדי לשלב מכשיר Emotiv Insight במחשב Raspberry Pi (מחשב זעיר) המתרגם EEG לפקודות לשליטה בצעצוע מלחמת הכוכבים הנשלט מרחוק (ה-BB-8) וניווטו אותו דרך מבוך.

למעלה: מעבדת NeuroLab של בית ספר תיכון. תלמידים בני 11-18 שילבו את Raspberry Pi ורובוט BB-8 עם מכשיר Emotiv והשתמשו בפקודות מנטליות כדי לנווט את BB-8 דרך מבוך (משותף באישור מ-NeuroLabs)

אנו יכולים לראות שמכשירי Emotiv EEG ניידים ובעלות נמוכה מספקים לא רק שיטות לשיפור איכות תוכניות החינוך עבור המחנך להעברת תוכן יוצא דופן, אלא יחד עם פיתוחים ב-BCI מציעים גם לספק סביבה חינוכית עשירה לאנשים עם צרכים ייחודיים.

כיצד Emotiv יכולה לעזור

• שפר את חוויות הלמידה של התלמידים שלך עם Emotiv EEG Lab Starter Kits.

• בנה ניסויים ונתח נתונים באמצעות חבילת EmotivPRO Builder.

• השק ניסויים מרחוק כדי לקבל נתונים ב-EmotivLABS.

• השתמש ב-ערכת הנתונים בקוד פתוח שלנו.

זקוק לעזרה? צור קשר

מקור תמונת השער: Trevor Day School

מקורות

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.