אתגר את הזיכרון שלך! שחק במשחק ה-N-Back החדש באפליקציית Emotiv
אתגר את הזיכרון שלך! שחק במשחק ה-N-Back החדש באפליקציית Emotiv
אתגר את הזיכרון שלך! שחק במשחק ה-N-Back החדש באפליקציית Emotiv
כיצד ניתן להשתמש ב-EEG ליצירת סביבות למידה אופטימליות
היידי דורן
שתף:
על ידי ד"ר ראשיני רנדנייה
חינוך הוא עמוד תווך יסודי בחברה שלנו, וסיפוק סביבות למידה עשירות הוא חיוני להתקדמות חברתית. נוירופדגוגיה היא תחום בין-תחומי המתפתח במהירות שמטרתו להבין את המנגנונים העצביים של הוראה ולמידה.
במהלך שני העשורים האחרונים, התקדמות בטכנולוגיית EEG ניידת אפשרה לחוקרים להשתמש בערכות EEG הן בכיתות והן בלמידה אלקטרונית כדי ליצור סביבות לימוד אופטימליות לתלמידים [1]. במאמר זה, נבחן כיצד ערכות ה-EEG של EMOTIV משמשות לשינוי אופן ההוראה והלמידה שלנו.
אופטימיזציה של תוכן חינוכי
תכנון תוכן חינוכי מעורר מצריך משוב סובייקטיבי קבוע מהתלמידים. באופן מסורתי, קביעת היעילות של תוכן הקורס נעשית באמצעות מדדי משוב עצמיים לאחר סיום הקורס.
עם זאת, לעיתים קרובות קשה לבודד בדיוק אילו היבטים של אספקת הקורס יש לשפר בשל ההסתמכות על זיכרון סובייקטיבי. בשל הרזולוציה הטמפורלית הגבוהה שלו (כלומר, היכולת שלו למדוד תגובות מוח על סולם מילישניות), EEG יכול להצביע על תהליכים טרום-מודעים, אשר אחרת היו בלתי ניתנים לזיהוי עם מדדי משוב עצמיים בלבד. כאשר ממטבים תוכן קורס, המדדים השימושיים ביותר הם רמת הקשב ועומס קוגניטיבי - מדד לכמות המאמץ שהמוח משקיע על מנת לשמור על המידע. תשומת לב נמדדת לעיתים קרובות על ידי ניתוח גלי מוח שונים הנצפים ב-EEG כאשר מישהו לומד - כגון רמות האפא (בדרך כלל קשור להיות עייף) וגלי בטא (בדרך כלל קשור להיות ערני או ממוקד). עומס קוגניטיבי, מדד מורכב יותר, ניתן גם להצביה ברמות משתנות של גלי אלפא ותטה.
חוקרים פיתחו מערכות עם EEG שיכולות לנטר תשומת לב, מה שמאפשר להעריך רמות קשב במהלך קורס שלם. ג'ו ואחרים הדגימו בהצלחה מערכת בזמן אמת המנטרת את עומס הקוגניטיבי של תלמידים בלמידה אלקטרונית המשתתפים בקורסים המקוונים הגדולים (MOOCs), מה שמסמן את הדרך לאופטימיזציה של תוכן קורס בזמן אמת [2].
ניתוח מצבים קוגניטיביים בקלות
מדידת מצבים קוגניטיביים, כפי שנעשה במחקרים קודמים אלו, עשויה לדרוש מעט מיומנות טכנית ומומחיות. למרבה המזל, התקדמות במדע הנתונים מאפשרת כעת שימוש באלגוריתמים מובנים מראש למדידת מצבים קוגניטיביים, עם מינימום מומחיות טכנית. Emotiv מאפשרת שימוש במדדי ביצועים: אלגוריתמי למידת מכונה שפותחו כדי לזהות מצבי מוח שונים, כולל ריכוז, התרגשות, מעורבות, תסכול, לחץ והרפיה ב-EEG.
אלגוריתמים אלו מפותחים באמצעות ניסויים מבוקרים שנועדו לעורר מצבים קוגניטיביים ספציפיים והם שימושיים לאופטימיזציה של תוכן חינוכי. מדדי ביצועים של Emotiv שימשו להשוואת למידה מבוססת משחקים לעומת למידה מסורתית באמצעות עט ונייר, אף שהמחקר הראה שאין הבדל במצבים קוגניטיביים בין שתי שיטות הלמידה [3]. חוקרים אחרים הדגימו את השימושיות של מדדי ביצועים בקבוצת ילדים בגילאי 5-7 שנים בהתבסס על מצבים קוגניטיביים כמו מעורבות, לחץ וריכוז כדי לקבוע את יעילות הפעילויות בסביבות מציאות מוגברת.
למעלה: (A) EEG יכול לשמש למדידת גלי מוח של תלמידים בכיתת תיכון (מתוך: Dikker ואחרים [4]). (B) גלי המוח של התלמידים יכולים להראות סנכרון גבוה עם תלמידים אחרים, מה שנמצא עבור תלמידים שהיו מעורבים יותר בכיתה (שמאל). סנכרון נמוך עם תלמידים אחרים (ימין) נמצא עבור תלמידים שהיו מעורבים פחות.
שיפור סביבות למידה
לא רק שתוכן של חומר חינוכי חשוב, מתי ואיפה אנו לומדים הם חשובים באותה מידה כדי להבטיח שלתלמידים יהיו חוויות למידה טובות. חוקרים מדדו את רמות גלי האלפא במהלך זמנים שונים בכיתה ומצאו כי שיעורי תיכון באמצע הבוקר הראו פחות גלי אלפא מאשר מוקדם בבוקר ומציעים כי אמצע הבוקר עשוי להיות הזמן הטוב ביותר ללמוד [4].
EEGs אלחוטיים שימשו גם להשוואה בין סביבות אמיתיות לווירטואליות, המראים את היכולת לספק רמות שוות של תשומת לב ומוטיבציה בשתי הסביבות [5]. זה יכול לסלול את הדרך לחוויה לימודית עשירה יותר לאנשים עם מוגבלות פיזית, שאינם יכולים להשתתף בכיתות באופן אישי. חוקרים גם ערכו מחקרים על דינמיקה חברתית בכיתה באמצעות EEG. ניתן להעריך קבוצה של תלמידים המצוידת בכיסויי EEG עד כמה מתואמת פעילותם העצבית במהלך תהליך למידה נפוץ [6][7]. שיטת איסוף נתוני ה-EEG זו, הנקראת היפרסקנינג EEG, היא צעד לעבר הסקת תשומת לב קבוצתית בזמן אמת ושיפור דינמי חברתי בכיתה.
הפיכת החינוך לנגיש לכולם
קשיים פיזיים או תחושתיים מסוימים יכולים להגביל את חוויות הלמידה של תלמידים בכיתה. עם זאת, יש כלים מבוססי EEG המייעלים את חוויות התלמידים. התקדמות בטכנולוגיית מתאר מחשב-מוח (BCI) אפשרה כתב מבוסס EEG [8][9], מה שמסייע לתלמידים עם קשיים פיזיים לקחת הערות נפשיות על המחשב שלהם כאשר הם לומדים. BCI המאפשרים מענה מבוסס EEG על שאלות מסוג כן-לא מאפשרים גם לתלמידים עם לקויות ראייה להיבחן באמצעות מבחן מבוסס מחשב, שיידרש אחרת למראיין [10].
חוויות למידה אישיות
סיפוק מורים אישיים לתלמידים יכול להיות יקר אבל עשוי להיות נחוץ כאשר המערכת החינוכית הכללית אינה מתאימה להתמודד עם צרכי למידה ייחודיים. מערכות חונכות חכמות (ITS) הן תוכנות למידה מבוססות מחשב המונעות על ידי בינה מלאכותית שיכולות לשמש כמורים אישיים.
המערכות האלה נועדו להתאים ולספק משוב אישי בזמן אמת לתלמיד כדי לשפר את הלמידה שלהם. חוקרים מתקדמים כיום מערכות ITS על ידי שילובם עם EEG. באחד המחקרים, חוקרים השתמשו ב-EEG כדי לזהות מעורבות של תלמידים בסוגים שונים של סרטונים חינוכיים (תוכן מונפש לעומת סרטונים עם מורים אנושיים) מה שמאפשר ל-ITS ללמוד ולייצר באופן אוטומטי תוכן שהתלמיד ימצא יותר מעניין.
כאשר אתה מסיר את האלמנט האנושי מתהליך ההוראה, חשיבות מעקב אחר עומס קוגניטיבי של תלמידים תוך שימוש בתוכניות למידה מבוססות מחשב גוברת למניעת מתח ועייפות מסך. כדי להילחם בזה, חוקרים פיתחו מאגר הבעת פנים בהתבסס על נתוני EEG שמזהים באופן פעיל אם תלמיד היה משועמם, מעורב, נלהב או מתוסכל בעת השימוש ב-ITS [11].
ההתפתחות הזו עם EEG מסמנת את הדרך למערכת ITS ללמוד ולהתאים את התלמיד הבודד; בהצעה להפסקות כשהם עייפים או המשך ללמד כשהם מעורבים, ומספקים חוויית למידה אפקטיבית יותר לתלמיד.
למעלה: תלמידים בתוכנית BrainWaves של אוניברסיטת ניו יורק (NYU) משחקים משחק תוך כדי שימוש בטכנולוגיית EEG של EMOTIV.
EEG ככלי למידה במדעי STEM
מכשירי ותוכנות EEG של Emotiv קלים לשימוש והם כלי מבוא מצוין להמריץ את דור המדענים הבא בתחום המדע, טכנולוגיה, הנדסה ומתמטיקה (STEM) גם כן.
מכשירי Emotiv ותוכנותיהם נמצאים בשימוש כיום בקורסים אקדמיים ברמת תואר ראשון, לא רק בפסיכולוגיה ונוירופסיכולוגיה, אלא גם בהנדסה ביו-רפואית. קורנט מדגים דוגמה מוצלחת לשילוב מכשירי Emotiv EPOC בתהליך החינוך ברמת תיכון וקולג' כדי לאפשר את התקדמות התקני BCI. קוסמאינה ואחרים מוצאים כי שילוב מערכות EEG-BCI בתכניות לימודים בית ספריות משפר את הביצועים האקדמיים. אוניברסיטת מקווארי כבר הדגימה את השילוב המוצלח של מכשירים של Emotiv במגמת המדע הקוגניטיבי בבוגר, מה שנותן לתלמידים חוויית ידיים על עיצוב ניסוי וניתוח נתוני EEG [14].
יתרה מזאת, ווייט-פו מדגים כי ילדים בגיל 12 יכולים בהצלחה ללמוד טכנולוגיית BCI ולהקים פרויקטי מחקר EEG בקנה מידה קטן [13]. תלמידים השתמשו במשאבים מקוונים לשילוב מכשיר EMOTIV Insight למחשב Raspberry Pi (מחשב מיניאטורי) שמתרגם EEG לפקודות לשלוט בצעצוע מלחמות הכוכבים בשלט רחוק (BB-8) ולהוליך אותו במבוך.
למעלה: מעבדת נוירו של בתי ספר תיכוניים. תלמידים בגילאי 11-18 שילבו Raspberry Pi ורובוט BB-8 עם מכשיר Emotiv ושימושו בפקודות מוחיות להוביל את ה-BB-8 במבוך (שווה באישור מ-NeuroLabs)
אנחנו יכולים לראות שמכשירי Emotiv EEG ניידים וזולים מספקים לא רק שיטות לשיפור איכות תוכניות ההשכלה עבור המחנך לספק תוכן יוצא דופן, אלא יחד עם הפיתוחים ב-BCI מציעים גם לספק סביבה חינוכית עשירה לאנשים עם צרכים ייחודיים.
איך EMOTIV יכולה לעזור
שפר את חוויות הלמידה של התלמידים שלך עם ערכות התחלה למעבדת EEG של EMOTIV.
בנה ניסויים ונתח נתונים עם EmotivPRO Builder.
השק ת בע פעם מרחוק כדי לקבל מידע על EmotivLABS.
השתמש במערך הנתונים הקוד הפתוח שלנו.
צריך עזרה? צור קשר
מקור תמונת השער: בית הספר טרבור דיי
הפניות
J. Xu ו-B. Zhong, “סקירה על טכנולוגיית EEG ניידת במחקר חינוכי,” מחשבים בהתנהגות אנושית, כרך 81, עמ' 340–349, אפריל 2018, doi: 10.1016/j.chb.2017.12.037.
Zhou Y, Xu T, Cai Y, Wu X, Dong B. ניטור עומס קוגניטיבי בלמידת סרטונים מקוונים דרך 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
Pireva K, Tahir R, Shariq Imran A, Chaudhary N. הערכת מצבים רגשיים של לומדים על ידי ניטור גלי מוח להשוואת גישת למידה מבוססת משחק ללמידה בעזרת עט ונייר. ב: כנס IEEE Frontiers in Education (FIE) 2019. ; 2019:1-8. doi:10.1109/FIE43999.2019.9097262
Dikker S, Haegens S, Bevilacqua D, et al. מוח הבוקר: עדות עצבית בעולם האמיתי לכך שזמני שיעורים בתיכון חשובים. Soc Cogn Affect Neurosci. 2020;15(11):1193-1202. doi:10.1093/scan/nsaa142
Romero-Soto FO, Ibarra-Zárate DI, Alonso-Valerdi LM. ניתוח השוואתי של צפיפות ספקטרלית של כוח אלפא בסביבות אמיתיות ווירטואליות. ב: כרך 75. ; 2020:156-163. doi:10.1007/978-3-030-30648-9_22
Dikker S, Wan L, Davidesco I, et al. סנכרון מוח למוח עוקב אחרי אינטראקציות קבוצתיות דינמיות בעולם האמיתי בכיתה. Curr Biol. 2017;27(9):1375-1380. doi:10.1016/j.cub.2017.04.002
Poulsen AT, Kamronn S, Dmochowski J, Parra LC, Hansen LK. EEG בכיתה: הקלטות עצביות מסונכרנות במהלך הצגת וידאו. Sci Rep. 2017;7(1):43916. doi:10.1038/srep43916
Al-Negheimish H, Al-Andas L, Al-Mofeez L, Al-Abdullatif A, Al-Khalifa N, Al-Wabil A. הקלדת אולמות מוח: מחקר השוואתי בין P300 ו-Motor Imagery להקלדה באמצעות מכשירי EEG עם אלקטרודות יבשות. ב: Stephanidis C, ed. HCI International 2013 - סיכומי פוסטרים מורחבים. תקשורת במדעי המחשב והמידע. Springer; 2013: 569-573. doi:10.1007/978-3-642-39473-7_113
Zhang X, Yao L, Sheng QZ, Kanhere SS, Gu T, Zhang D. המרת מחשבות שלך לטקסטים: מתאפשרת הקלדה מוחית דרך למידת מאפיינים עמוקים של אותות EEG. ב: כנס IEEE International on Pervasive Computing and Communications (PerCom) 2018. ; 2018:1-10. doi:10.1109/PERCOM.2018.8444575
Yosrita E, Heryadi Y, Wulandhari LA, Budiharto W. זיהוי מילים במבחני מודל על בסיס EEG עם תשובות כן-לא לתלמידים עם לקויות ראיה. ב: ; 2019. doi:10.1109/TALE48000.2019.9225903
Zatarain-Cabada R, Barrón-Estrada ML, González-Hernández F, Rodriguez-Rangel H. בניית מכרז זיהוי הבעת פנים ומאגר נתוני הבעת פנים למערכת חונכות חכמה. ב: כנס IEEE 17th International on Advanced Learning Technologies (ICALT) 2017. ; 2017:391-393. doi:10.1109/ICALT.2017.141
Kurent P. שילוב טכנולוגיות העתיד בבתי ספר תיכוניים ומכללות. ב: כנס IEEE הבינלאומי ה-40 על טכנולוגיות מידע ותקשורת, אלקטרוניקה ומיקרו-אלקטרוניקה (MIPRO) 2017. ; 2017:858-861. doi:10.23919/MIPRO.2017.7973541
White-Foy J. נוירו-מדע לתלמידים: פרויקט להיכרות עם טכנולוגיית EEG וממשק מחשב-מוח לתלמידים מבתי ספר תיכוניים. Praxis Teacher Research. פורסם ב-29 בנובמבר 2019. גישה 15 ביוני 2022. https://praxis-teacher-research.org/neuroscience-for-students/
Kosmyna, Nataliya, Nathalie Soetaert, and Cassandra Scheirer. "עבודה מקדימה על שימוש בממשקי מחשב-מוח בכיתות לקידום פעילויות חינוכיות פורמליות." פורסם ב-Proceedings of the Future Technologies Conference. Springer, Cham, 2021.
Alvarez, V., Bower, M., de Freitas, S., Gregory, S. and De Wit, B., 2016. השימוש בטכנולוגיות ללבישה באוניברסיטאות אוסטרליות: דוגמאות ממדעי הסביבה, מדעים קוגניטיביים ומדעי המוח והכשרת מורים. עתיד הלמידה הניידת – שמירה על מחקר ותרגול איכותי בלמידה ניידת, 25.
Rodríguez, A.O.R., Riaño, M.A., García, P.A.G., Marín, C.E.M., Crespo, R.G. and Wu, X., 2020. אפיון רגשי של ילדים באמצעות סביבה לומדת על ידי אנליטיקות למידה ו-Sandbox AR. Journal of Ambient Intelligence and Humanized Computing, 11(11), pp.5353-5367.
על ידי ד"ר ראשיני רנדנייה
חינוך הוא עמוד תווך יסודי בחברה שלנו, וסיפוק סביבות למידה עשירות הוא חיוני להתקדמות חברתית. נוירופדגוגיה היא תחום בין-תחומי המתפתח במהירות שמטרתו להבין את המנגנונים העצביים של הוראה ולמידה.
במהלך שני העשורים האחרונים, התקדמות בטכנולוגיית EEG ניידת אפשרה לחוקרים להשתמש בערכות EEG הן בכיתות והן בלמידה אלקטרונית כדי ליצור סביבות לימוד אופטימליות לתלמידים [1]. במאמר זה, נבחן כיצד ערכות ה-EEG של EMOTIV משמשות לשינוי אופן ההוראה והלמידה שלנו.
אופטימיזציה של תוכן חינוכי
תכנון תוכן חינוכי מעורר מצריך משוב סובייקטיבי קבוע מהתלמידים. באופן מסורתי, קביעת היעילות של תוכן הקורס נעשית באמצעות מדדי משוב עצמיים לאחר סיום הקורס.
עם זאת, לעיתים קרובות קשה לבודד בדיוק אילו היבטים של אספקת הקורס יש לשפר בשל ההסתמכות על זיכרון סובייקטיבי. בשל הרזולוציה הטמפורלית הגבוהה שלו (כלומר, היכולת שלו למדוד תגובות מוח על סולם מילישניות), EEG יכול להצביע על תהליכים טרום-מודעים, אשר אחרת היו בלתי ניתנים לזיהוי עם מדדי משוב עצמיים בלבד. כאשר ממטבים תוכן קורס, המדדים השימושיים ביותר הם רמת הקשב ועומס קוגניטיבי - מדד לכמות המאמץ שהמוח משקיע על מנת לשמור על המידע. תשומת לב נמדדת לעיתים קרובות על ידי ניתוח גלי מוח שונים הנצפים ב-EEG כאשר מישהו לומד - כגון רמות האפא (בדרך כלל קשור להיות עייף) וגלי בטא (בדרך כלל קשור להיות ערני או ממוקד). עומס קוגניטיבי, מדד מורכב יותר, ניתן גם להצביה ברמות משתנות של גלי אלפא ותטה.
חוקרים פיתחו מערכות עם EEG שיכולות לנטר תשומת לב, מה שמאפשר להעריך רמות קשב במהלך קורס שלם. ג'ו ואחרים הדגימו בהצלחה מערכת בזמן אמת המנטרת את עומס הקוגניטיבי של תלמידים בלמידה אלקטרונית המשתתפים בקורסים המקוונים הגדולים (MOOCs), מה שמסמן את הדרך לאופטימיזציה של תוכן קורס בזמן אמת [2].
ניתוח מצבים קוגניטיביים בקלות
מדידת מצבים קוגניטיביים, כפי שנעשה במחקרים קודמים אלו, עשויה לדרוש מעט מיומנות טכנית ומומחיות. למרבה המזל, התקדמות במדע הנתונים מאפשרת כעת שימוש באלגוריתמים מובנים מראש למדידת מצבים קוגניטיביים, עם מינימום מומחיות טכנית. Emotiv מאפשרת שימוש במדדי ביצועים: אלגוריתמי למידת מכונה שפותחו כדי לזהות מצבי מוח שונים, כולל ריכוז, התרגשות, מעורבות, תסכול, לחץ והרפיה ב-EEG.
אלגוריתמים אלו מפותחים באמצעות ניסויים מבוקרים שנועדו לעורר מצבים קוגניטיביים ספציפיים והם שימושיים לאופטימיזציה של תוכן חינוכי. מדדי ביצועים של Emotiv שימשו להשוואת למידה מבוססת משחקים לעומת למידה מסורתית באמצעות עט ונייר, אף שהמחקר הראה שאין הבדל במצבים קוגניטיביים בין שתי שיטות הלמידה [3]. חוקרים אחרים הדגימו את השימושיות של מדדי ביצועים בקבוצת ילדים בגילאי 5-7 שנים בהתבסס על מצבים קוגניטיביים כמו מעורבות, לחץ וריכוז כדי לקבוע את יעילות הפעילויות בסביבות מציאות מוגברת.
למעלה: (A) EEG יכול לשמש למדידת גלי מוח של תלמידים בכיתת תיכון (מתוך: Dikker ואחרים [4]). (B) גלי המוח של התלמידים יכולים להראות סנכרון גבוה עם תלמידים אחרים, מה שנמצא עבור תלמידים שהיו מעורבים יותר בכיתה (שמאל). סנכרון נמוך עם תלמידים אחרים (ימין) נמצא עבור תלמידים שהיו מעורבים פחות.
שיפור סביבות למידה
לא רק שתוכן של חומר חינוכי חשוב, מתי ואיפה אנו לומדים הם חשובים באותה מידה כדי להבטיח שלתלמידים יהיו חוויות למידה טובות. חוקרים מדדו את רמות גלי האלפא במהלך זמנים שונים בכיתה ומצאו כי שיעורי תיכון באמצע הבוקר הראו פחות גלי אלפא מאשר מוקדם בבוקר ומציעים כי אמצע הבוקר עשוי להיות הזמן הטוב ביותר ללמוד [4].
EEGs אלחוטיים שימשו גם להשוואה בין סביבות אמיתיות לווירטואליות, המראים את היכולת לספק רמות שוות של תשומת לב ומוטיבציה בשתי הסביבות [5]. זה יכול לסלול את הדרך לחוויה לימודית עשירה יותר לאנשים עם מוגבלות פיזית, שאינם יכולים להשתתף בכיתות באופן אישי. חוקרים גם ערכו מחקרים על דינמיקה חברתית בכיתה באמצעות EEG. ניתן להעריך קבוצה של תלמידים המצוידת בכיסויי EEG עד כמה מתואמת פעילותם העצבית במהלך תהליך למידה נפוץ [6][7]. שיטת איסוף נתוני ה-EEG זו, הנקראת היפרסקנינג EEG, היא צעד לעבר הסקת תשומת לב קבוצתית בזמן אמת ושיפור דינמי חברתי בכיתה.
הפיכת החינוך לנגיש לכולם
קשיים פיזיים או תחושתיים מסוימים יכולים להגביל את חוויות הלמידה של תלמידים בכיתה. עם זאת, יש כלים מבוססי EEG המייעלים את חוויות התלמידים. התקדמות בטכנולוגיית מתאר מחשב-מוח (BCI) אפשרה כתב מבוסס EEG [8][9], מה שמסייע לתלמידים עם קשיים פיזיים לקחת הערות נפשיות על המחשב שלהם כאשר הם לומדים. BCI המאפשרים מענה מבוסס EEG על שאלות מסוג כן-לא מאפשרים גם לתלמידים עם לקויות ראייה להיבחן באמצעות מבחן מבוסס מחשב, שיידרש אחרת למראיין [10].
חוויות למידה אישיות
סיפוק מורים אישיים לתלמידים יכול להיות יקר אבל עשוי להיות נחוץ כאשר המערכת החינוכית הכללית אינה מתאימה להתמודד עם צרכי למידה ייחודיים. מערכות חונכות חכמות (ITS) הן תוכנות למידה מבוססות מחשב המונעות על ידי בינה מלאכותית שיכולות לשמש כמורים אישיים.
המערכות האלה נועדו להתאים ולספק משוב אישי בזמן אמת לתלמיד כדי לשפר את הלמידה שלהם. חוקרים מתקדמים כיום מערכות ITS על ידי שילובם עם EEG. באחד המחקרים, חוקרים השתמשו ב-EEG כדי לזהות מעורבות של תלמידים בסוגים שונים של סרטונים חינוכיים (תוכן מונפש לעומת סרטונים עם מורים אנושיים) מה שמאפשר ל-ITS ללמוד ולייצר באופן אוטומטי תוכן שהתלמיד ימצא יותר מעניין.
כאשר אתה מסיר את האלמנט האנושי מתהליך ההוראה, חשיבות מעקב אחר עומס קוגניטיבי של תלמידים תוך שימוש בתוכניות למידה מבוססות מחשב גוברת למניעת מתח ועייפות מסך. כדי להילחם בזה, חוקרים פיתחו מאגר הבעת פנים בהתבסס על נתוני EEG שמזהים באופן פעיל אם תלמיד היה משועמם, מעורב, נלהב או מתוסכל בעת השימוש ב-ITS [11].
ההתפתחות הזו עם EEG מסמנת את הדרך למערכת ITS ללמוד ולהתאים את התלמיד הבודד; בהצעה להפסקות כשהם עייפים או המשך ללמד כשהם מעורבים, ומספקים חוויית למידה אפקטיבית יותר לתלמיד.
למעלה: תלמידים בתוכנית BrainWaves של אוניברסיטת ניו יורק (NYU) משחקים משחק תוך כדי שימוש בטכנולוגיית EEG של EMOTIV.
EEG ככלי למידה במדעי STEM
מכשירי ותוכנות EEG של Emotiv קלים לשימוש והם כלי מבוא מצוין להמריץ את דור המדענים הבא בתחום המדע, טכנולוגיה, הנדסה ומתמטיקה (STEM) גם כן.
מכשירי Emotiv ותוכנותיהם נמצאים בשימוש כיום בקורסים אקדמיים ברמת תואר ראשון, לא רק בפסיכולוגיה ונוירופסיכולוגיה, אלא גם בהנדסה ביו-רפואית. קורנט מדגים דוגמה מוצלחת לשילוב מכשירי Emotiv EPOC בתהליך החינוך ברמת תיכון וקולג' כדי לאפשר את התקדמות התקני BCI. קוסמאינה ואחרים מוצאים כי שילוב מערכות EEG-BCI בתכניות לימודים בית ספריות משפר את הביצועים האקדמיים. אוניברסיטת מקווארי כבר הדגימה את השילוב המוצלח של מכשירים של Emotiv במגמת המדע הקוגניטיבי בבוגר, מה שנותן לתלמידים חוויית ידיים על עיצוב ניסוי וניתוח נתוני EEG [14].
יתרה מזאת, ווייט-פו מדגים כי ילדים בגיל 12 יכולים בהצלחה ללמוד טכנולוגיית BCI ולהקים פרויקטי מחקר EEG בקנה מידה קטן [13]. תלמידים השתמשו במשאבים מקוונים לשילוב מכשיר EMOTIV Insight למחשב Raspberry Pi (מחשב מיניאטורי) שמתרגם EEG לפקודות לשלוט בצעצוע מלחמות הכוכבים בשלט רחוק (BB-8) ולהוליך אותו במבוך.
למעלה: מעבדת נוירו של בתי ספר תיכוניים. תלמידים בגילאי 11-18 שילבו Raspberry Pi ורובוט BB-8 עם מכשיר Emotiv ושימושו בפקודות מוחיות להוביל את ה-BB-8 במבוך (שווה באישור מ-NeuroLabs)
אנחנו יכולים לראות שמכשירי Emotiv EEG ניידים וזולים מספקים לא רק שיטות לשיפור איכות תוכניות ההשכלה עבור המחנך לספק תוכן יוצא דופן, אלא יחד עם הפיתוחים ב-BCI מציעים גם לספק סביבה חינוכית עשירה לאנשים עם צרכים ייחודיים.
איך EMOTIV יכולה לעזור
שפר את חוויות הלמידה של התלמידים שלך עם ערכות התחלה למעבדת EEG של EMOTIV.
בנה ניסויים ונתח נתונים עם EmotivPRO Builder.
השק ת בע פעם מרחוק כדי לקבל מידע על EmotivLABS.
השתמש במערך הנתונים הקוד הפתוח שלנו.
צריך עזרה? צור קשר
מקור תמונת השער: בית הספר טרבור דיי
הפניות
J. Xu ו-B. Zhong, “סקירה על טכנולוגיית EEG ניידת במחקר חינוכי,” מחשבים בהתנהגות אנושית, כרך 81, עמ' 340–349, אפריל 2018, doi: 10.1016/j.chb.2017.12.037.
Zhou Y, Xu T, Cai Y, Wu X, Dong B. ניטור עומס קוגניטיבי בלמידת סרטונים מקוונים דרך 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
Pireva K, Tahir R, Shariq Imran A, Chaudhary N. הערכת מצבים רגשיים של לומדים על ידי ניטור גלי מוח להשוואת גישת למידה מבוססת משחק ללמידה בעזרת עט ונייר. ב: כנס IEEE Frontiers in Education (FIE) 2019. ; 2019:1-8. doi:10.1109/FIE43999.2019.9097262
Dikker S, Haegens S, Bevilacqua D, et al. מוח הבוקר: עדות עצבית בעולם האמיתי לכך שזמני שיעורים בתיכון חשובים. Soc Cogn Affect Neurosci. 2020;15(11):1193-1202. doi:10.1093/scan/nsaa142
Romero-Soto FO, Ibarra-Zárate DI, Alonso-Valerdi LM. ניתוח השוואתי של צפיפות ספקטרלית של כוח אלפא בסביבות אמיתיות ווירטואליות. ב: כרך 75. ; 2020:156-163. doi:10.1007/978-3-030-30648-9_22
Dikker S, Wan L, Davidesco I, et al. סנכרון מוח למוח עוקב אחרי אינטראקציות קבוצתיות דינמיות בעולם האמיתי בכיתה. Curr Biol. 2017;27(9):1375-1380. doi:10.1016/j.cub.2017.04.002
Poulsen AT, Kamronn S, Dmochowski J, Parra LC, Hansen LK. EEG בכיתה: הקלטות עצביות מסונכרנות במהלך הצגת וידאו. Sci Rep. 2017;7(1):43916. doi:10.1038/srep43916
Al-Negheimish H, Al-Andas L, Al-Mofeez L, Al-Abdullatif A, Al-Khalifa N, Al-Wabil A. הקלדת אולמות מוח: מחקר השוואתי בין P300 ו-Motor Imagery להקלדה באמצעות מכשירי EEG עם אלקטרודות יבשות. ב: Stephanidis C, ed. HCI International 2013 - סיכומי פוסטרים מורחבים. תקשורת במדעי המחשב והמידע. Springer; 2013: 569-573. doi:10.1007/978-3-642-39473-7_113
Zhang X, Yao L, Sheng QZ, Kanhere SS, Gu T, Zhang D. המרת מחשבות שלך לטקסטים: מתאפשרת הקלדה מוחית דרך למידת מאפיינים עמוקים של אותות EEG. ב: כנס IEEE International on Pervasive Computing and Communications (PerCom) 2018. ; 2018:1-10. doi:10.1109/PERCOM.2018.8444575
Yosrita E, Heryadi Y, Wulandhari LA, Budiharto W. זיהוי מילים במבחני מודל על בסיס EEG עם תשובות כן-לא לתלמידים עם לקויות ראיה. ב: ; 2019. doi:10.1109/TALE48000.2019.9225903
Zatarain-Cabada R, Barrón-Estrada ML, González-Hernández F, Rodriguez-Rangel H. בניית מכרז זיהוי הבעת פנים ומאגר נתוני הבעת פנים למערכת חונכות חכמה. ב: כנס IEEE 17th International on Advanced Learning Technologies (ICALT) 2017. ; 2017:391-393. doi:10.1109/ICALT.2017.141
Kurent P. שילוב טכנולוגיות העתיד בבתי ספר תיכוניים ומכללות. ב: כנס IEEE הבינלאומי ה-40 על טכנולוגיות מידע ותקשורת, אלקטרוניקה ומיקרו-אלקטרוניקה (MIPRO) 2017. ; 2017:858-861. doi:10.23919/MIPRO.2017.7973541
White-Foy J. נוירו-מדע לתלמידים: פרויקט להיכרות עם טכנולוגיית EEG וממשק מחשב-מוח לתלמידים מבתי ספר תיכוניים. Praxis Teacher Research. פורסם ב-29 בנובמבר 2019. גישה 15 ביוני 2022. https://praxis-teacher-research.org/neuroscience-for-students/
Kosmyna, Nataliya, Nathalie Soetaert, and Cassandra Scheirer. "עבודה מקדימה על שימוש בממשקי מחשב-מוח בכיתות לקידום פעילויות חינוכיות פורמליות." פורסם ב-Proceedings of the Future Technologies Conference. Springer, Cham, 2021.
Alvarez, V., Bower, M., de Freitas, S., Gregory, S. and De Wit, B., 2016. השימוש בטכנולוגיות ללבישה באוניברסיטאות אוסטרליות: דוגמאות ממדעי הסביבה, מדעים קוגניטיביים ומדעי המוח והכשרת מורים. עתיד הלמידה הניידת – שמירה על מחקר ותרגול איכותי בלמידה ניידת, 25.
Rodríguez, A.O.R., Riaño, M.A., García, P.A.G., Marín, C.E.M., Crespo, R.G. and Wu, X., 2020. אפיון רגשי של ילדים באמצעות סביבה לומדת על ידי אנליטיקות למידה ו-Sandbox AR. Journal of Ambient Intelligence and Humanized Computing, 11(11), pp.5353-5367.
על ידי ד"ר ראשיני רנדנייה
חינוך הוא עמוד תווך יסודי בחברה שלנו, וסיפוק סביבות למידה עשירות הוא חיוני להתקדמות חברתית. נוירופדגוגיה היא תחום בין-תחומי המתפתח במהירות שמטרתו להבין את המנגנונים העצביים של הוראה ולמידה.
במהלך שני העשורים האחרונים, התקדמות בטכנולוגיית EEG ניידת אפשרה לחוקרים להשתמש בערכות EEG הן בכיתות והן בלמידה אלקטרונית כדי ליצור סביבות לימוד אופטימליות לתלמידים [1]. במאמר זה, נבחן כיצד ערכות ה-EEG של EMOTIV משמשות לשינוי אופן ההוראה והלמידה שלנו.
אופטימיזציה של תוכן חינוכי
תכנון תוכן חינוכי מעורר מצריך משוב סובייקטיבי קבוע מהתלמידים. באופן מסורתי, קביעת היעילות של תוכן הקורס נעשית באמצעות מדדי משוב עצמיים לאחר סיום הקורס.
עם זאת, לעיתים קרובות קשה לבודד בדיוק אילו היבטים של אספקת הקורס יש לשפר בשל ההסתמכות על זיכרון סובייקטיבי. בשל הרזולוציה הטמפורלית הגבוהה שלו (כלומר, היכולת שלו למדוד תגובות מוח על סולם מילישניות), EEG יכול להצביע על תהליכים טרום-מודעים, אשר אחרת היו בלתי ניתנים לזיהוי עם מדדי משוב עצמיים בלבד. כאשר ממטבים תוכן קורס, המדדים השימושיים ביותר הם רמת הקשב ועומס קוגניטיבי - מדד לכמות המאמץ שהמוח משקיע על מנת לשמור על המידע. תשומת לב נמדדת לעיתים קרובות על ידי ניתוח גלי מוח שונים הנצפים ב-EEG כאשר מישהו לומד - כגון רמות האפא (בדרך כלל קשור להיות עייף) וגלי בטא (בדרך כלל קשור להיות ערני או ממוקד). עומס קוגניטיבי, מדד מורכב יותר, ניתן גם להצביה ברמות משתנות של גלי אלפא ותטה.
חוקרים פיתחו מערכות עם EEG שיכולות לנטר תשומת לב, מה שמאפשר להעריך רמות קשב במהלך קורס שלם. ג'ו ואחרים הדגימו בהצלחה מערכת בזמן אמת המנטרת את עומס הקוגניטיבי של תלמידים בלמידה אלקטרונית המשתתפים בקורסים המקוונים הגדולים (MOOCs), מה שמסמן את הדרך לאופטימיזציה של תוכן קורס בזמן אמת [2].
ניתוח מצבים קוגניטיביים בקלות
מדידת מצבים קוגניטיביים, כפי שנעשה במחקרים קודמים אלו, עשויה לדרוש מעט מיומנות טכנית ומומחיות. למרבה המזל, התקדמות במדע הנתונים מאפשרת כעת שימוש באלגוריתמים מובנים מראש למדידת מצבים קוגניטיביים, עם מינימום מומחיות טכנית. Emotiv מאפשרת שימוש במדדי ביצועים: אלגוריתמי למידת מכונה שפותחו כדי לזהות מצבי מוח שונים, כולל ריכוז, התרגשות, מעורבות, תסכול, לחץ והרפיה ב-EEG.
אלגוריתמים אלו מפותחים באמצעות ניסויים מבוקרים שנועדו לעורר מצבים קוגניטיביים ספציפיים והם שימושיים לאופטימיזציה של תוכן חינוכי. מדדי ביצועים של Emotiv שימשו להשוואת למידה מבוססת משחקים לעומת למידה מסורתית באמצעות עט ונייר, אף שהמחקר הראה שאין הבדל במצבים קוגניטיביים בין שתי שיטות הלמידה [3]. חוקרים אחרים הדגימו את השימושיות של מדדי ביצועים בקבוצת ילדים בגילאי 5-7 שנים בהתבסס על מצבים קוגניטיביים כמו מעורבות, לחץ וריכוז כדי לקבוע את יעילות הפעילויות בסביבות מציאות מוגברת.
למעלה: (A) EEG יכול לשמש למדידת גלי מוח של תלמידים בכיתת תיכון (מתוך: Dikker ואחרים [4]). (B) גלי המוח של התלמידים יכולים להראות סנכרון גבוה עם תלמידים אחרים, מה שנמצא עבור תלמידים שהיו מעורבים יותר בכיתה (שמאל). סנכרון נמוך עם תלמידים אחרים (ימין) נמצא עבור תלמידים שהיו מעורבים פחות.
שיפור סביבות למידה
לא רק שתוכן של חומר חינוכי חשוב, מתי ואיפה אנו לומדים הם חשובים באותה מידה כדי להבטיח שלתלמידים יהיו חוויות למידה טובות. חוקרים מדדו את רמות גלי האלפא במהלך זמנים שונים בכיתה ומצאו כי שיעורי תיכון באמצע הבוקר הראו פחות גלי אלפא מאשר מוקדם בבוקר ומציעים כי אמצע הבוקר עשוי להיות הזמן הטוב ביותר ללמוד [4].
EEGs אלחוטיים שימשו גם להשוואה בין סביבות אמיתיות לווירטואליות, המראים את היכולת לספק רמות שוות של תשומת לב ומוטיבציה בשתי הסביבות [5]. זה יכול לסלול את הדרך לחוויה לימודית עשירה יותר לאנשים עם מוגבלות פיזית, שאינם יכולים להשתתף בכיתות באופן אישי. חוקרים גם ערכו מחקרים על דינמיקה חברתית בכיתה באמצעות EEG. ניתן להעריך קבוצה של תלמידים המצוידת בכיסויי EEG עד כמה מתואמת פעילותם העצבית במהלך תהליך למידה נפוץ [6][7]. שיטת איסוף נתוני ה-EEG זו, הנקראת היפרסקנינג EEG, היא צעד לעבר הסקת תשומת לב קבוצתית בזמן אמת ושיפור דינמי חברתי בכיתה.
הפיכת החינוך לנגיש לכולם
קשיים פיזיים או תחושתיים מסוימים יכולים להגביל את חוויות הלמידה של תלמידים בכיתה. עם זאת, יש כלים מבוססי EEG המייעלים את חוויות התלמידים. התקדמות בטכנולוגיית מתאר מחשב-מוח (BCI) אפשרה כתב מבוסס EEG [8][9], מה שמסייע לתלמידים עם קשיים פיזיים לקחת הערות נפשיות על המחשב שלהם כאשר הם לומדים. BCI המאפשרים מענה מבוסס EEG על שאלות מסוג כן-לא מאפשרים גם לתלמידים עם לקויות ראייה להיבחן באמצעות מבחן מבוסס מחשב, שיידרש אחרת למראיין [10].
חוויות למידה אישיות
סיפוק מורים אישיים לתלמידים יכול להיות יקר אבל עשוי להיות נחוץ כאשר המערכת החינוכית הכללית אינה מתאימה להתמודד עם צרכי למידה ייחודיים. מערכות חונכות חכמות (ITS) הן תוכנות למידה מבוססות מחשב המונעות על ידי בינה מלאכותית שיכולות לשמש כמורים אישיים.
המערכות האלה נועדו להתאים ולספק משוב אישי בזמן אמת לתלמיד כדי לשפר את הלמידה שלהם. חוקרים מתקדמים כיום מערכות ITS על ידי שילובם עם EEG. באחד המחקרים, חוקרים השתמשו ב-EEG כדי לזהות מעורבות של תלמידים בסוגים שונים של סרטונים חינוכיים (תוכן מונפש לעומת סרטונים עם מורים אנושיים) מה שמאפשר ל-ITS ללמוד ולייצר באופן אוטומטי תוכן שהתלמיד ימצא יותר מעניין.
כאשר אתה מסיר את האלמנט האנושי מתהליך ההוראה, חשיבות מעקב אחר עומס קוגניטיבי של תלמידים תוך שימוש בתוכניות למידה מבוססות מחשב גוברת למניעת מתח ועייפות מסך. כדי להילחם בזה, חוקרים פיתחו מאגר הבעת פנים בהתבסס על נתוני EEG שמזהים באופן פעיל אם תלמיד היה משועמם, מעורב, נלהב או מתוסכל בעת השימוש ב-ITS [11].
ההתפתחות הזו עם EEG מסמנת את הדרך למערכת ITS ללמוד ולהתאים את התלמיד הבודד; בהצעה להפסקות כשהם עייפים או המשך ללמד כשהם מעורבים, ומספקים חוויית למידה אפקטיבית יותר לתלמיד.
למעלה: תלמידים בתוכנית BrainWaves של אוניברסיטת ניו יורק (NYU) משחקים משחק תוך כדי שימוש בטכנולוגיית EEG של EMOTIV.
EEG ככלי למידה במדעי STEM
מכשירי ותוכנות EEG של Emotiv קלים לשימוש והם כלי מבוא מצוין להמריץ את דור המדענים הבא בתחום המדע, טכנולוגיה, הנדסה ומתמטיקה (STEM) גם כן.
מכשירי Emotiv ותוכנותיהם נמצאים בשימוש כיום בקורסים אקדמיים ברמת תואר ראשון, לא רק בפסיכולוגיה ונוירופסיכולוגיה, אלא גם בהנדסה ביו-רפואית. קורנט מדגים דוגמה מוצלחת לשילוב מכשירי Emotiv EPOC בתהליך החינוך ברמת תיכון וקולג' כדי לאפשר את התקדמות התקני BCI. קוסמאינה ואחרים מוצאים כי שילוב מערכות EEG-BCI בתכניות לימודים בית ספריות משפר את הביצועים האקדמיים. אוניברסיטת מקווארי כבר הדגימה את השילוב המוצלח של מכשירים של Emotiv במגמת המדע הקוגניטיבי בבוגר, מה שנותן לתלמידים חוויית ידיים על עיצוב ניסוי וניתוח נתוני EEG [14].
יתרה מזאת, ווייט-פו מדגים כי ילדים בגיל 12 יכולים בהצלחה ללמוד טכנולוגיית BCI ולהקים פרויקטי מחקר EEG בקנה מידה קטן [13]. תלמידים השתמשו במשאבים מקוונים לשילוב מכשיר EMOTIV Insight למחשב Raspberry Pi (מחשב מיניאטורי) שמתרגם EEG לפקודות לשלוט בצעצוע מלחמות הכוכבים בשלט רחוק (BB-8) ולהוליך אותו במבוך.
למעלה: מעבדת נוירו של בתי ספר תיכוניים. תלמידים בגילאי 11-18 שילבו Raspberry Pi ורובוט BB-8 עם מכשיר Emotiv ושימושו בפקודות מוחיות להוביל את ה-BB-8 במבוך (שווה באישור מ-NeuroLabs)
אנחנו יכולים לראות שמכשירי Emotiv EEG ניידים וזולים מספקים לא רק שיטות לשיפור איכות תוכניות ההשכלה עבור המחנך לספק תוכן יוצא דופן, אלא יחד עם הפיתוחים ב-BCI מציעים גם לספק סביבה חינוכית עשירה לאנשים עם צרכים ייחודיים.
איך EMOTIV יכולה לעזור
שפר את חוויות הלמידה של התלמידים שלך עם ערכות התחלה למעבדת EEG של EMOTIV.
בנה ניסויים ונתח נתונים עם EmotivPRO Builder.
השק ת בע פעם מרחוק כדי לקבל מידע על EmotivLABS.
השתמש במערך הנתונים הקוד הפתוח שלנו.
צריך עזרה? צור קשר
מקור תמונת השער: בית הספר טרבור דיי
הפניות
J. Xu ו-B. Zhong, “סקירה על טכנולוגיית EEG ניידת במחקר חינוכי,” מחשבים בהתנהגות אנושית, כרך 81, עמ' 340–349, אפריל 2018, doi: 10.1016/j.chb.2017.12.037.
Zhou Y, Xu T, Cai Y, Wu X, Dong B. ניטור עומס קוגניטיבי בלמידת סרטונים מקוונים דרך 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
Pireva K, Tahir R, Shariq Imran A, Chaudhary N. הערכת מצבים רגשיים של לומדים על ידי ניטור גלי מוח להשוואת גישת למידה מבוססת משחק ללמידה בעזרת עט ונייר. ב: כנס IEEE Frontiers in Education (FIE) 2019. ; 2019:1-8. doi:10.1109/FIE43999.2019.9097262
Dikker S, Haegens S, Bevilacqua D, et al. מוח הבוקר: עדות עצבית בעולם האמיתי לכך שזמני שיעורים בתיכון חשובים. Soc Cogn Affect Neurosci. 2020;15(11):1193-1202. doi:10.1093/scan/nsaa142
Romero-Soto FO, Ibarra-Zárate DI, Alonso-Valerdi LM. ניתוח השוואתי של צפיפות ספקטרלית של כוח אלפא בסביבות אמיתיות ווירטואליות. ב: כרך 75. ; 2020:156-163. doi:10.1007/978-3-030-30648-9_22
Dikker S, Wan L, Davidesco I, et al. סנכרון מוח למוח עוקב אחרי אינטראקציות קבוצתיות דינמיות בעולם האמיתי בכיתה. Curr Biol. 2017;27(9):1375-1380. doi:10.1016/j.cub.2017.04.002
Poulsen AT, Kamronn S, Dmochowski J, Parra LC, Hansen LK. EEG בכיתה: הקלטות עצביות מסונכרנות במהלך הצגת וידאו. Sci Rep. 2017;7(1):43916. doi:10.1038/srep43916
Al-Negheimish H, Al-Andas L, Al-Mofeez L, Al-Abdullatif A, Al-Khalifa N, Al-Wabil A. הקלדת אולמות מוח: מחקר השוואתי בין P300 ו-Motor Imagery להקלדה באמצעות מכשירי EEG עם אלקטרודות יבשות. ב: Stephanidis C, ed. HCI International 2013 - סיכומי פוסטרים מורחבים. תקשורת במדעי המחשב והמידע. Springer; 2013: 569-573. doi:10.1007/978-3-642-39473-7_113
Zhang X, Yao L, Sheng QZ, Kanhere SS, Gu T, Zhang D. המרת מחשבות שלך לטקסטים: מתאפשרת הקלדה מוחית דרך למידת מאפיינים עמוקים של אותות EEG. ב: כנס IEEE International on Pervasive Computing and Communications (PerCom) 2018. ; 2018:1-10. doi:10.1109/PERCOM.2018.8444575
Yosrita E, Heryadi Y, Wulandhari LA, Budiharto W. זיהוי מילים במבחני מודל על בסיס EEG עם תשובות כן-לא לתלמידים עם לקויות ראיה. ב: ; 2019. doi:10.1109/TALE48000.2019.9225903
Zatarain-Cabada R, Barrón-Estrada ML, González-Hernández F, Rodriguez-Rangel H. בניית מכרז זיהוי הבעת פנים ומאגר נתוני הבעת פנים למערכת חונכות חכמה. ב: כנס IEEE 17th International on Advanced Learning Technologies (ICALT) 2017. ; 2017:391-393. doi:10.1109/ICALT.2017.141
Kurent P. שילוב טכנולוגיות העתיד בבתי ספר תיכוניים ומכללות. ב: כנס IEEE הבינלאומי ה-40 על טכנולוגיות מידע ותקשורת, אלקטרוניקה ומיקרו-אלקטרוניקה (MIPRO) 2017. ; 2017:858-861. doi:10.23919/MIPRO.2017.7973541
White-Foy J. נוירו-מדע לתלמידים: פרויקט להיכרות עם טכנולוגיית EEG וממשק מחשב-מוח לתלמידים מבתי ספר תיכוניים. Praxis Teacher Research. פורסם ב-29 בנובמבר 2019. גישה 15 ביוני 2022. https://praxis-teacher-research.org/neuroscience-for-students/
Kosmyna, Nataliya, Nathalie Soetaert, and Cassandra Scheirer. "עבודה מקדימה על שימוש בממשקי מחשב-מוח בכיתות לקידום פעילויות חינוכיות פורמליות." פורסם ב-Proceedings of the Future Technologies Conference. Springer, Cham, 2021.
Alvarez, V., Bower, M., de Freitas, S., Gregory, S. and De Wit, B., 2016. השימוש בטכנולוגיות ללבישה באוניברסיטאות אוסטרליות: דוגמאות ממדעי הסביבה, מדעים קוגניטיביים ומדעי המוח והכשרת מורים. עתיד הלמידה הניידת – שמירה על מחקר ותרגול איכותי בלמידה ניידת, 25.
Rodríguez, A.O.R., Riaño, M.A., García, P.A.G., Marín, C.E.M., Crespo, R.G. and Wu, X., 2020. אפיון רגשי של ילדים באמצעות סביבה לומדת על ידי אנליטיקות למידה ו-Sandbox AR. Journal of Ambient Intelligence and Humanized Computing, 11(11), pp.5353-5367.
