Pendidikan adalah pilar fundamental masyarakat kita, dan menyediakan lingkungan belajar yang kaya sangat penting untuk kemajuan sosial. Neurosains pendidikan adalah bidang interdisipliner yang berkembang pesat yang bertujuan untuk memahami mekanisme saraf dari proses belajar dan mengajar.

Selama dua dekade terakhir, kemajuan dalam teknologi EEG portabel telah memungkinkan para peneliti menggunakan headset EEG baik di ruang kelas maupun e-learning untuk menciptakan lingkungan belajar yang optimal bagi siswa [1]. Dalam artikel ini, kita melihat bagaimana headset EEG Emotiv digunakan untuk mengubah cara kita mengajar dan belajar.

Mengoptimalkan konten pendidikan

Merancang konten pendidikan yang menarik membutuhkan umpan balik subjektif yang konstan dari siswa. Secara tradisional, penentuan efektivitas konten kursus dilakukan melalui tindakan umpan balik pelaporan mandiri setelah menyelesaikan kursus.

Namun, seringkali sulit untuk mengisolasi secara tepat aspek mana dari penyampaian kursus yang dapat ditingkatkan karena ketergantungan pada memori subjektif. Karena resolusi temporal yang tinggi (yaitu, kemampuannya untuk mengukur respons otak dalam skala milidetik), EEG mampu mengindeks proses pra-sadar, yang jika tidak akan tidak dikenali dengan ukuran laporan mandiri belaka. Saat mengoptimalkan konten kursus, metrik yang paling berguna adalah tingkat perhatian dan cognitive load - ukuran jumlah upaya yang dikerahkan otak untuk mempertahankan informasi. Perhatian sering diukur dengan menganalisis berbagai gelombang otak yang diamati pada EEG ketika seseorang sedang belajar - seperti tingkat gelombang alfa (biasanya dikaitkan dengan kelelahan) dan beta (biasanya dikaitkan dengan kewaspadaan atau kefokusan). Beban kognitif, ukuran yang lebih kompleks, juga dapat diindeks dengan berbagai tingkat gelombang alfa dan theta.

Para peneliti telah mengembangkan sistem dengan EEG yang dapat memantau perhatian, memungkinkan untuk menilai tingkat perhatian di seluruh kursus. Zhou dkk. berhasil mendemonstrasikan sistem real-time yang memantau beban kognitif siswa e-learning yang terlibat dalam Massive Open Online Courses (MOOCs), yang membuka jalan untuk mengoptimalkan konten kursus secara real-time [2].

Menganalisis keadaan kognitif menjadi mudah

Mengukur keadaan kognitif, seperti dalam studi sebelumnya, dapat memerlukan beberapa keterampilan teknis dan keahlian. Untungnya, kemajuan dalam ilmu data sekarang telah memungkinkan penggunaan algoritma pra-bangun untuk mengukur keadaan kognitif, dengan keahlian teknis minimal. Emotiv memungkinkan penggunaan Metrik Kinerja: algoritma pembelajaran mesin yang dikembangkan untuk mengidentifikasi berbagai kondisi otak, termasuk fokus, kegembiraan, keterlibatan, frustrasi, stres, dan relaksasi dalam EEG.

Algoritma ini dibangun menggunakan eksperimen terkontrol yang dirancang untuk memicu kondisi kognitif tertentu dan berguna untuk mengoptimalkan konten pendidikan. Metrik Kinerja Emotiv ini telah digunakan untuk membandingkan pembelajaran berbasis permainan vs pembelajaraan berbasis kertas dan pena tradisional, meskipun studi menunjukkan tidak ada perbedaan dalam kondisi kognitif antara kedua metode pembelajaran tersebut [3]. Peneliti lain telah menunjukkan kegunaan Metrik Kinerja dalam mengelompokkan anak-anak berusia 5-7 tahun berdasarkan kondisi kognitif seperti keterlibatan, stres, dan fokus untuk menilai efektivitas aktivitas dalam lingkungan augmented reality.

Di atas: (A) EEG dapat digunakan untuk mengukur gelombang otak siswa di ruang kelas sekolah menengah (dari: Dikker dkk. [4]). (B) Gelombang otak siswa dapat menunjukkan sinkronisasi yang tinggi dengan siswa lain, yang ditemukan pada siswa yang lebih terlibat di kelas (kiri). Sinkronisasi yang rendah dengan siswa lain (kanan) ditemukan pada siswa yang kurang terlibat.

Meningkatkan lingkungan belajar

Tidak hanya konten materi pendidikan yang penting, kapan dan di mana kita belajar juga sama pentingnya untuk memastikan bahwa siswa memiliki pengalaman belajar yang baik. Para peneliti mengukur tingkat gelombang alfa selama waktu kelas yang berbeda dan menemukan bahwa kelas sekolah menengah pertengahan pagi menunjukkan lebih sedikit gelombang alfa daripada pagi hari dan menyarankan bahwa pertengahan pagi mungkin merupakan waktu terbaik untuk belajar [4].

EEG nirkabel juga telah digunakan untuk membandingkan lingkungan nyata vs virtual, menunjukkan kemampuan untuk memberikan tingkat perhatian dan motivasi yang sama di kedua lingkungan [5]. Hal ini dapat membuka jalan bagi pengalaman belajar yang lebih kaya bagi penyandang disabilitas fisik, yang tidak dapat menghadiri kelas secara langsung. Para peneliti juga telah melakukan studi tentang dinamika sosial di kelas menggunakan EEG. Sekelompok siswa yang dilengkapi dengan headset EEG dapat dinilai seberapa sinkron aktivitas saraf mereka selama proses pembelajaran bersama [6][7]. Metode pengumpulan data EEG ini, yang disebut hiperscan EEG, adalah langkah menuju inferensi waktu nyata dari perhatian kelompok dan peningkatan dinamika sosial di kelas.

Membuat pendidikan dapat diakses oleh semua orang

Beberapa kesulitan fisik atau sensorik dapat membatasi pengalaman belajar siswa di kelas. Namun, ada alat berbasis EEG yang meningkatkan pengalaman siswa. Kemajuan dalam teknologi Brain-Computer Interface (BCI) telah memungkinkan pengetikan berbasis EEG [8][9], yang membantu siswa dengan kesulitan fisik untuk membuat catatan mental pada perangkat komputasi mereka saat mereka belajar. BCI yang memungkinkan menjawab pertanyaan tipe ya-tidak berbasis EEG juga memungkinkan siswa dengan gangguan penglihatan dinilai menggunakan ujian berbasis komputer, yang jika tidak akan memerlukan pewawancara [10].

Pengalaman belajar yang dipersonalisasi

Menyediakan tutor pribadi bagi siswa bisa jadi mahal tetapi seringkali diperlukan ketika sistem pendidikan umum kurang dilengkapi untuk menangani kebutuhan unik dalam belajar. Intelligent Tutoring Systems (ITS) adalah kelas perangkat lunak pembelajaran berbasis komputer yang didukung dengan kecerdasan buatan yang dapat bertindak sebagai tutor pribadi.

Tujuan dari sistem ini adalah untuk beradaptasi dan memberikan umpan balik pribadi waktu nyata kepada siswa untuk meningkatkan pembelajaran mereka. Peneliti saat ini memajukan sistem ITS dengan mengintegrasikannya dengan EEG. Dalam satu studi, peneliti menggunakan EEG untuk mendeteksi keterlibatan siswa terhadap berbagai jenis video pendidikan (konten animasi vs video dengan guru manusia) yang memungkinkan ITS untuk belajar dan secara otomatis menghasilkan konten yang menurut siswa akan lebih menarik.

Ketika Anda menghapus elemen manusia dari proses pengajaran, menjadi semakin penting untuk melacak beban kognitif siswa saat menggunakan program pembelajaran berbasis komputer untuk mencegah stres dan kelelahan layar. Untuk mengatasi hal ini, para peneliti telah mengembangkan database ekspresi wajah berdasarkan data EEG yang secara aktif mendeteksi apakah seorang siswa bosan, terlibat, gembira atau frustrasi saat menggunakan ITS [11].

Perkembangan dengan EEG ini membuka jalan bagi sistem ITS untuk terus belajar dan beradaptasi dengan masing-masing siswa; dengan menyarankan istirahat ketika mereka lelah atau terus mengajar ketika mereka terlibat, memberikan pengalaman belajar yang lebih efektif bagi siswa.

Di atas: Siswa di program New York University (NYU) BrainWaves memainkan permainan sambil mengenakan teknologi otak EEG Emotiv.

EEG sebagai alat pembelajaran STEM

Perangkat dan perangkat lunak EEG Emotiv mudah digunakan dan merupakan alat pengantar yang sangat baik untuk menginspirasi generasi ilmuwan sains, teknologi, teknik, dan matematika (STEM) berikutnya juga.

Perangkat dan perangkat lunak Emotiv saat ini digunakan pada program studi tingkat sarjana universitas, tidak hanya dalam psikologi dan neurosains tetapi juga dalam teknik biomedis. Kurent menunjukkan contoh sukses mengintegrasikan perangkat Emotiv EPOC ke dalam proses pendidikan di tingkat sekolah menengah dan perguruan tinggi untuk memungkinkan kemajuan perangkat BCI. Kosmayana dkk. menemukan bahwa menyertakan sistem BCI-EEG dalam kurikulum sekolah meningkatkan kinerja akademis. Macquarie University telah menunjukkan keberhasilan penyertaan perangkat Emotiv dalam kurikulum Bachelor of Cognitive and Brain Sciences mereka, memberikan siswa pengalaman langsung dengan desain eksperimental dan analisis data EEG [14].

Lebih lanjut, White-Foy menunjukkan bahwa anak-anak semuda 12 tahun dapat berhasil mempelajari teknologi BCI dan menyiapkan proyek penelitian EEG skala kecil [13]. Siswa menggunakan sumber daya online untuk mengintegrasikan perangkat Emotiv Insight ke Raspberry Pi (komputer miniatur) yang menerjemahkan EEG menjadi perintah untuk mengontrol mainan Star Wars yang dikendalikan remote (BB-8) dan menavigasikannya melalui labirin.

Di atas: NeuroLab sekolah menengah. Siswa berusia 11-18 tahun mengintegrasikan Raspberry Pi dan robot BB-8 dengan perangkat Emotiv dan menggunakan perintah mental untuk menavigasi BB-8 melalui labirin (dibagikan dengan izin dari NeuroLabs)

Kita dapat melihat bahwa perangkat EEG Emotiv seluler berbiaya rendah memberikan tidak hanya metode untuk meningkatkan kualitas program pendidikan bagi pendidik untuk memberikan konten yang luar biasa, tetapi bersama dengan perkembangan dalam BCI juga mengusulkan untuk menyediakan lingkungan pendidikan yang kaya bagi individu dengan kebutuhan unik.

Bagaimana Emotiv Dapat Membantu

• Tingkatkan pengalaman belajar siswa Anda dengan Emotiv EEG Lab Starter Kits.

• Bangun eksperimen dan analisis data dengan EmotivPRO Builder.

• Luncurkan eksperimen jarak jauh untuk mendapatkan data di EmotivLABS.

• Gunakan dataset sumber terbuka kami.

Butuh Bantuan? Hubungi Kami

Sumber gambar sampul: Trevor Day School

Referensi

1. J. Xu dan B. Zhong, “Review on portable EEG technology in educational research,” Computers in Human Behavior, vol. 81, hlm. 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. Dalam: 2019 IEEE Frontiers in Education Conference (FIE). ; 2019:1-8. doi:10.1109/FIE43999.2019.9097262

4. Dikker S, Haegens S, Bevilacqua D, dkk. 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. Dalam: Vol 75. ; 2020:156-163. doi:10.1007/978-3-030-30648-9_22

6. Dikker S, Wan L, Davidesco I, dkk. 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. Dalam: 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. Dalam: 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. Dalam: ; 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. Dalam: 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. Dalam: 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. Diterbitkan 29 November 2019. Diakses 15 Juni 2022. https://praxis-teacher-research.org/neuroscience-for-students/

14. Kosmyna, Nataliya, Nathalie Soetaert, dan 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. dan 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. dan 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), hlm. 5353-5367.