כיצד ניתן להשתמש ב-EEG ליצירת סביבות למידה אופטימליות

על ידי ד"ר ראשיני רנדנייה

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

בעשרים השנים האחרונות, ההתקדמות בטכנולוגיית EEG ניידת איפשרה לחוקרים להשתמש באוזניות EEG הן בכיתות והן בלמידה מקוונת כדי ליצור סביבות למידה אופטימליות עבור תלמידים [1]. במאמר זה, אנו בוחנים כיצד נעשה שימוש באוזניות EEG של EMOTIV לשנות את אופן ההוראה והלמידה שלנו.

אופטימיזציה של תוכן חינוכי

עיצוב תוכן חינוכי מעניין דורש משוב סובייקטיבי מתמשך מהתלמידים. באופן מסורתי, קביעת היעילות של תוכן הקורס מתבצעת באמצעות אמצעי משוב על בסיס דיווח עצמי עם סיום הקורס.

עם זאת, לעיתים קרובות קשה לבודד בדיוק אילו היבטים במשלוח הקורס ניתנים לשיפור בשל תלות בזיכרון סובייקטיבי. בשל הרזולוציה הזמנית הגבוהה שלו (כלומר, היכולת שלו למדוד תגובות מוח בקנה מידה של אלפיות שנייה), EEG מסוגל להציג תהליכים טרום-מודעים, שלא היו נראים עם אמצעי דיווח עצמי בלבד. כאשר מבצעים אופטימיזציה של תוכן הקורס, המטריקות השימושיות ביותר הן רמת תשומת הלב ועומס קוגניטיבי - מדד לכמות המאמצים שהמוח מתאמץ לשמור על המידע. תשומת לב נמדדת לעיתים קרובות על ידי ניתוח גלי מוח שונים הנצפים ב-EEG כאשר מישהו לומד - כמו רמות אלפא (בדרך כלל מקושר להיות עייף) ובטא (בדרך כלל מקושר להיות ער או מרוכז). עומס קוגניטיבי, מדד מורכב יותר, יכול להיות גם שנמדד עם רמות אלפא ותטא שונות.

חוקרים פיתחו מערכות עם EEG שיכולות לנטר תשומת לב, מה שמאפשר הערכת רמות תשומת הלב במהלך קורס שלם. Zhou ואח' הוכיחו בהצלחה מערכת בזמן אמת שמנטרת את העומס הקוגניטיבי של תלמידי e-learning המעורבים בקורסים פתוחים מקוונים ענקיים (MOOCs), מה שסולל את הדרך לאופטימיזציה של תוכן הקורס בזמן אמת [2].

ניתוח מצבים קוגניטיביים הופך קל

מדידת מצבים קוגניטיביים, כמו במחקרים קודמים אלו, עשויה לדרוש מיומנות טכנית כלשהי ומומחיות. למרבה המזל, ההתקדמות במדעי הנתונים אפשרה כעת את השימוש באלגוריתמים מובנים מראש למדידת מצבים קוגניטיביים, עם מומחיות טכנית מינימלית. Emotiv מאפשרת שימוש במדדי ביצועים: אלגוריתמים של למידת מכונה שפותחו לזיהוי מצבי מוח שונים, כולל התמקדות, התרגשות, מעורבות, תסכול, מתח ורוגע ב-EEG.

אלגוריתמים אלה בנויים באמצעות ניסויים מבוקרים שנועדו לעורר מצבים קוגניטיביים ספציפיים ומשמשים לאופטימיזציה של תוכן חינוכי. מדדי הביצועים של Emotiv שימשו להשוואת למידה מבוססת משחק ללמידה מסורתית בעט ונייר, אם כי המחקר הראה שלא היה הבדל במצבים הקוגניטיביים בין שתי שיטות הלמידה [3]. חוקרים אחרים הראו את השימושיות של מדדי ביצועים בקיבוץ ילדים בגילאים 5-7 שנים בהתבסס על מצבים קוגניטיביים כמו מעורבות, מתח, וריכוז כדי להוכיח את האפקטיביות של פעילויות בסביבות מציאות מוגברת.

למעלה: (A) ניתן להשתמש ב-EEG כדי למדוד את גלי המוח של תלמידים בכיתת תיכון (מתוך: דיקר ואח' [4]). (B) גלי המוח של התלמידים יכולים להראות סינכרוניזציה גבוהה עם תלמידים אחרים, שנמצאה עבור תלמידים שהיו מעורבים יותר בכיתה (משמאל). סינכרוניזציה נמוכה עם תלמידים אחרים (מימין) נמצאה עבור תלמידים שהיו פחות מעורבים.

שיפור סביבות למידה

לא רק שהתוכן של החומר החינוכי חשוב, מתי והיכן אנו לומדים חשובים באותה מידה להבטחת חוויות למידה טובות לתלמידים. חוקרים מדדו את רמות גלי האלפא במהלך זמנים שונים בכיתה ומצאו שהכיתות הגבוהות בבוקר מראות פחות גלי אלפא מבוקר מוקדם ומציעות שהאמצע של הבוקר עשוי להיות הזמן הטוב ביותר ללמוד [4].

EEG אלחוטי שימש גם להשוואת סביבות אמיתיות מול וירטואליות, מה שמוכיח את היכולת לספק רמות שוות של תשומת לב ומוטיבציה בשתי הסביבות [5]. זה יכול לסלול את הדרך לחוויית למידה עשירה יותר עבור אנשים עם מוגבלויות פיזיות, שלא יכולים להגיע לכיתות פיזית. חוקרים גם ערכו מחקרים על דינמיקה חברתית בכיתה באמצעות EEG. קבוצה של תלמידים המצוידים באוזניות EEG יכולה להיות מוערכת עד כמה פעולתם העצבית מסונכרנת במהלך תהליך למידה משותף [6][7]. שיטה זו של איסוף נתוני EEG, הנקראת היפרסקנינג EEG, היא צעד לקראת הסקת זמן אמת של תשומת לב קבוצתית ושיפור דינמיקה חברתית בכיתה.

הפיכת חינוך לגישה לכל אדם

חלק מהקשיים הפיזיים או התחושתיים יכולים להגביל את חוויות הלמידה של התלמידים בכיתה. עם זאת, קיימים כלים מבוססי EEG המשפרים את חוויות התלמידים. התקדמות בטכנולוגיית ממשק המוח-מחשב (BCI) איפשרה הקלדת EEG [8][9], שמסייעת לתלמידים עם קשיים פיזיים לקחת הערות מנטליות על מכשיר המחשוב שלהם תוך כדי למידה. BCI שמאפשרים מענה על שאלות מסוג כן-לא באמצעות EEG גם מאפשרים לתלמידים עם ליקויי ראייה להיבחן במבחני מחשב, אשר היו נדרשים למראיין [10].

חוויות למידה מותאמות אישית

מתן מורים אישיים לתלמידים יכול להיות יקר אך לעיתים קרובות נחוץ כאשר המערכת החינוכית הכללית אינה מצוידת מספיק להתמודד עם צרכי למידה ייחודיים. מערכות הדרכה אינטליגנטיות (ITS) הן קבוצה של תוכנות למידה מבוססות מחשב מגובות בבינה מלאכותית שיכולות לפעול כמורים אישיים.

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

כשאתה מסיר את היסוד האנושי מתהליך ההוראה, זה הופך לחשוב יותר לעקוב אחר העומס הקוגניטיבי של התלמידים תוך שימוש בתוכניות למידה מבוססות מחשב כדי למנוע מתח ועייפות מסך. כדי להתמודד עם זה, חוקרים פיתחו מסד נתונים של הבעת פנים מבוסס על נתוני EEG שמזהה באופן פעיל אם תלמיד היה משועמם, מעורב, נרגש או מתוסכל בזמן השימוש ב-ITS [11].

פיתוח זה עם EEG סולל את הדרך למערכת ITS ללמוד ולהתאים עצמה לכל תלמיד באופן רציף; על ידי הצעת הפסקות כשהם עייפים או להמשיך ללמד כשהם מעורבים, מספקת חוויית למידה יעילה יותר לתלמיד.

למעלה: תלמידים בתכנית BrainWaves באוניברסיטת ניו יורק (NYU) משחקים משחק תוך כדי שימוש בטכנולוגיית המוח EMOTIV EEG.

EEG ככלי לימודי STEM

מכשירי EEG של Emotiv והתוכנה הם קלים לשימוש והם כלי מבוא מצוין להשראת דור הבא של מדעני מדע, טכנולוגיה, הנדסה ומתמטיקה (STEM) גם כן.

מכשירים ותוכנות של Emotiv משמשים כיום בקורסים לתארים ראשון לא רק בפסיכולוגיה ומדעי המוח אלא גם בהנדסה ביורפואית. Kurent מציגה דוגמה מוצלחת לשילוב מכשירי Emotiv EPOC בתהליך החינוכי ברמת תיכון וקולג' כדי לאפשר את קידום מכשירי BCI. Kosmayana ואח' מוצאים כי הכללת מערכות EEG-BCI בתכנונים הלימודיים של בית הספר משפרת את ביצועי הלימוד. אוניברסיטת מקווארי כבר הדגימה את השילוב המוצלח של מכשירי Emotiv בתוכנית הלימודים של תואר ראשון במדעי הקוגניציה והמוח, ובכך מאפשרת לסטודנטים להתנסות במעבדות ניסוי ועיצוב נתוני EEG [14].

בנוסף, White-Foy מדגים כי ילדים צעירים מגיל 12 שנים יכולים ללמוד בהצלחה טכנולוגיית BCI ולהקים פרויקטי מחקר EEG בקנה מידה קטן [13]. תלמידים השתמשו במשאבים מקוונים כדי לשלב מכשיר EMOTIV Insight עם Raspberry Pi (מחשב מיני) שמתרגם EEG לפקודות לשליטה בצעצוע מלחמת הכוכבים (BB-8) ולהנחות אותו במבוך.

למעלה: מעבדת נוירו בבתי ספר על יסודיים. תלמידים בגיל 11-18 שנים שילבו Raspberry Pi והרובוט BB-8 עם מכשיר Emotiv ושלטו בו בעזרת פקודות מנטליות להנחיית BB-8 דרך מבוך (בשיתוף באישור מ-NeuroLabs)

אנו רואים כי מכשירי Emotiv EEG ניידים בעלות נמוכה מספקים לא רק שיטות לשיפור איכות תוכניות החינוך למורה על מנת לספק תוכן יוצא דופן, אלא יחד עם ההתפתחויות ב-BCI גם מציעים לספק סביבה חינוכית עשירה ליחידים עם צרכים ייחודיים.

כיצד EMOTIV יכולה לסייע

• שפר את חוויות הלמידה של התלמידים שלך עם ערכות מעבדה EMOTIV EEG למתחילים.

• בנה ניסויים ונתח נתונים עם EmotivPRO Builder.

• השק נה ניסויים מרוחקים כדי לקבל נתונים על EmotivLABS.

• השתמש במערכת נתונים בקוד פתוח שלנו.

צריך עזרה? צור קשר

 מקור תמונה על כריכה: Trevor Day School

הפניות

1. J. Xu ו-B. Zhong, “סקירה על טכנולוגיית EEG ניידת במחקר חינוכי,” Computers in Human Behavior, כמות 81, דפים 340–349, אפריל 2018, doi: 10.1016/j.chb.2017.12.037.

2. Zhou Y, Xu T, Cai Y, Wu X, Dong B. ניטור עומס קוגניטיבי בלמידת וידאו מקוונת באמצעות ממשק מוח-מחשב מבוסס 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. הערכת מצבי רגשות של לומדים על ידי ניטור גלי מוח להשוואת גישה של למידה מבוססת משחק ללמידה בעט ונייר. ב: 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. מוח הבוקר: ראיות עוצמתיות בעולם האמיתי שכיתות תיכון בבוקר חשובות. Soc Cogn Affect Neurosci. 2020;15(11):1193-1202. doi:10.1093/scan/nsaa142

5. Romero-Soto FO, Ibarra-Zárate DI, Alonso-Valerdi LM. ניתוח השוואתי של צפיפות ספקטרלית עצמת אלפא בסביבות אמיתיות ווירטואליות. ב: כמות 75. ; 2020:156-163. doi:10.1007/978-3-030-30648-9_22

6. Dikker S, Wan L, Davidesco I, et al. סנכרון מוח למוח עוקב אינטראקציות דינמיות של קבוצה בעולם האמיתי בכיתה. 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 בכיתה: הקלטות עצביות מסונכרנות בזמן הקרנת וידאו. 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. כתיבת גלי מוח: מחקר השוואתי של P300 ודמיון מוטורי עבור כתיבה באמצעות מכשירי EEG עם אלקטרודות יבשות. ב: Stephanidis C, עורך. HCI International 2013 - תקצירים מורחבים של פוסטרים. תקשורת במדעי המחשב ומידע. סְפָרינגר; 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. המרת המחשבות שלך לטקסטים: אפשר מסד לכתיבה בלמידת תכונות עמוקה של אותות EEG. ב: 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. זיהוי מילים במבחנים באמצעות EEG עבור תלמידים עם לקויי ראייה. ב: ; 2019. doi:10.1109/TALE48000.2019.9225903

11. Zatarain-Cabada R, Barrón-Estrada ML, González-Hernández F, Rodriguez-Rangel H. בניית מזהה הבעת פנים ומסד נתונים של הבעת פנים עבור מערכת הדרכה אינטליגנטית. ב: 2017 IEEE 17th International Conference on Advanced Learning Technologies (ICALT). ; 2017:391-393. doi:10.1109/ICALT.2017.141

12. Kurent P. שילוב הטכנולוגיות העתידיות בבתי ספר תיכון וקולג'. ב: 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: פרויקט להכיר שש EEG וטכנולוגיית ממשק מוח-מחשב לתלמידים בבתי ספר על-יסודיים. Praxis Teacher Research. פורסם בנובמבר 29, 2019. ניגש ב-15 ביוני 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.