Bagaimana EEG Dapat Digunakan untuk Menciptakan Lingkungan Belajar yang Optimal

oleh Dr. Roshini Randeniya

Pendidikan adalah pilar dasar 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 neural pengajaran dan pembelajaran.

Dalam dua dekade terakhir, kemajuan dalam teknologi EEG portabel telah memungkinkan para peneliti untuk menggunakan headset EEG di ruang kelas dan 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.

Optimasi konten pendidikan

Merancang konten pendidikan yang menarik memerlukan umpan balik subjektif yang konstan dari siswa. Secara tradisional, menentukan efektivitas konten suatu kursus dilakukan melalui ukuran umpan balik pelaporan diri setelah menyelesaikan kursus.

Namun, seringkali sulit untuk mengisolasi aspek mana dari pengajaran kursus yang dapat diperbaiki karena ketergantungan pada ingatan subjektif. Karena resolusi temporalnya yang tinggi (misalnya, kemampuannya untuk mengukur respons otak dalam skala milidetik), EEG mampu mengindeks proses pra-sadar, yang sebaliknya akan terabaikan hanya dengan ukuran laporan diri. Saat mengoptimalkan konten kursus, metrik yang paling berguna adalah tingkat perhatian dan beban kognitif - ukuran seberapa banyak usaha yang dikeluarkan otak untuk mempertahankan informasi. Perhatian sering diukur dengan menganalisis gelombang otak yang berbeda yang diamati dalam EEG ketika seseorang sedang belajar - seperti tingkat gelombang alfa (biasanya terkait dengan kelelahan) dan gelombang beta (biasanya terkait dengan kewaspadaan atau fokus). Beban kognitif, ukuran yang lebih kompleks, juga dapat diindeks dengan variasi tingkat gelombang alfa dan theta.

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

Menganalisa keadaan kognitif menjadi mudah

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

Algoritma ini dibangun menggunakan eksperimen terkontrol yang dirancang untuk memunculkan keadaan kognitif tertentu dan berguna untuk mengoptimalkan konten pendidikan. Metrik Kinerja Emotiv ini telah digunakan untuk membandingkan pembelajaran berbasis game versus pembelajaran tradisional dengan kertas dan pensil, meskipun studi tersebut menunjukkan tidak ada perbedaan dalam keadaan kognitif antara kedua metode pembelajaran tersebut [3]. Peneliti lain telah menunjukkan kegunaan Metrik Kinerja dalam mengelompokkan anak-anak seusia 5-7 tahun berdasarkan keadaan kognitif seperti keterlibatan, stres, dan fokus untuk menilai efektivitas aktivitas dalam lingkungan realitas tertambah.

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

Meningkatkan lingkungan belajar

Tidak hanya isi 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 pada pertengahan pagi menunjukkan gelombang alfa yang lebih rendah daripada pagi hari dan menyarankan bahwa waktu tengah pagi mungkin adalah 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 setara di kedua lingkungan [5]. Ini dapat membuka jalan untuk pengalaman belajar yang lebih kaya bagi orang-orang dengan 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 neural mereka selama proses belajar bersama [6][7]. Metode pengumpulan data EEG ini, yang disebut EEG hyperscanning, adalah langkah menuju inferensi waktu nyata mengenai perhatian kelompok dan meningkatkan dinamika sosial di dalam kelas.

Menjadikan pendidikan dapat diakses untuk semua orang

Beberapa kesulitan fisik atau sensorik dapat membatasi pengalaman belajar siswa di dalam kelas. Namun, ada alat berbasis EEG yang sedang meningkatkan pengalaman siswa. Kemajuan dalam teknologi Antarmuka Otak-Komputer (BCI) telah memungkinkan pengetikan berbasis EEG [8][9], yang membantu siswa dengan kesulitan fisik untuk membuat catatan mental di perangkat komputer mereka saat mereka belajar. BCI yang memungkinkan jawaban berbasis EEG untuk pertanyaan jenis ya-tidak juga memungkinkan siswa dengan gangguan penglihatan dinilai menggunakan ujian berbasis komputer, yang sebaliknya memerlukan seorang pewawancara [10].

Pengalaman belajar yang dipersonalisasi

Menyediakan tutor pribadi untuk siswa bisa mahal tetapi sering kali diperlukan ketika sistem pendidikan umum kurang dilengkapi untuk menangani kebutuhan unik dalam pembelajaran. Sistem Pembelajaran Cerdas (ITS) adalah kelas perangkat lunak pembelajaran berbasis komputer yang didukung oleh kecerdasan buatan yang dapat bertindak sebagai tutor pribadi.

Tujuan dari sistem ini adalah untuk beradaptasi dan memberikan umpan balik pribadi secara real-time kepada siswa untuk meningkatkan pembelajaran mereka. Para peneliti saat ini sedang mengembangkan sistem ITS dengan mengintegrasikannya dengan EEG. Dalam satu studi, peneliti menggunakan EEG untuk mendeteksi keterlibatan siswa terhadap berbagai jenis video pendidikan (konten animasi versus video dengan pengajar manusia) yang memungkinkan ITS belajar dan secara otomatis menghasilkan konten yang akan ditemukan lebih menarik oleh siswa.

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 merasa bosan, terlibat, bersemangat, atau frustrasi saat menggunakan ITS [11].

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

Di atas: Siswa di Universitas New York (NYU) BrainWaves program bermain game sambil mengenakan teknologi otak EMOTIV EEG.

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 di kursus tingkat sarjana universitas, tidak hanya dalam psikologi dan neurosains tetapi juga dalam teknik biomedis. Kurent menunjukkan contoh sukses integrasi perangkat Emotiv EPOC ke dalam proses pendidikan di tingkat sekolah menengah dan universitas untuk memungkinkan kemajuan perangkat BCI. Kosmayana et al. menemukan bahwa memasukkan sistem EEG-BCI dalam kurikulum sekolah meningkatkan kinerja akademis. Universitas Macquarie telah menunjukkan keberhasilan inklusi perangkat Emotiv dalam kurikulum Sarjana Ilmu Kognitif dan Otak mereka, memberikan siswa pengalaman langsung dengan desain eksperimen dan analisis data EEG [14].

Selanjutnya, White-Foy menunjukkan bahwa anak-anak seumur 12 tahun dapat berhasil mempelajari teknologi BCI dan mengatur proyek penelitian EEG skala kecil [13]. Siswa menggunakan sumber daya online untuk mengintegrasikan perangkat EMOTIV Insight dengan Raspberry Pi (komputer mini) yang menerjemahkan EEG menjadi perintah untuk mengendalikan mainan Star Wars yang dikendalikan jarak jauh (BB-8) dan menavigasinya melalui labirin.

Di atas: Laboratorium NeuroSekunder. 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 yang murah dan mobile tidak hanya menyediakan metode untuk meningkatkan kualitas program pendidikan agar pendidik dapat menyampaikan konten yang luar biasa, tetapi bersama dengan perkembangan dalam BCI juga diusulkan untuk menyediakan lingkungan pendidikan yang kaya bagi individu dengan kebutuhan unik.

Bagaimana EMOTIV Dapat Membantu

• Improvisasi pengalaman belajar siswa Anda dengan Kits Starter EEG EMOTIV.

• Membangun eksperimen dan menganalisis data dengan EmotivPRO Builder.

• Meluncurkan eksperimen jarak jauh untuk mendapatkan data tentang EmotivLABS.

• Gunakan set data sumber terbuka kami.

Butuh Bantuan? Hubungi Kami

 Sumber gambar penutup: Trevor Day School

Referensi

1. J. Xu dan B. Zhong, “Tinjauan teknologi EEG portabel dalam penelitian pendidikan,” Komputer dalam Perilaku Manusia, 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. Memantau beban kognitif dalam pembelajaran video online melalui antarmuka otak-komputer berbasis EEG. Catatan Kuliah Ilmu Komputer Subser Catatan Kuliah Kecerdasan Buatan Catatan Kuliah Bioinformatika. 2017;10295 LNCS:64-73. doi:10.1007/978-3-319-58509-3_7

3. Pireva K, Tahir R, Shariq Imran A, Chaudhary N. Mengevaluasi keadaan emosional pembelajar dengan memantau gelombang otak untuk membandingkan pendekatan pembelajaran berbasis game dengan kertas dan pensil. Dalam: 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. Otak pagi: bukti neural dunia nyata bahwa waktu kelas sekolah menengah itu penting. Sosial Kognitif Aksi Neurosains. 2020;15(11):1193-1202. doi:10.1093/scan/nsaa142

5. Romero-Soto FO, Ibarra-Zárate DI, Alonso-Valerdi LM. Analisis Perbandingan Densitas Spektral Daya Alpha di Lingkungan Nyata dan Virtual. Dalam: Vol 75. ; 2020:156-163. doi:10.1007/978-3-030-30648-9_22

6. Dikker S, Wan L, Davidesco I, et al. Sinkronisasi Otak-ke-Otak Melacak Interaksi Dinamis Grup Dunia Nyata di Kelas. Biologi Saat Ini. 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 di kelas: Rekaman neural yang disinkronkan selama presentasi video. 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. Pengetikan Gelombang Otak: Studi Perbandingan P300 dan Imajinasi Motorik untuk Mengetik Menggunakan Perangkat EEG Elektroda Kering. Dalam: Stephanidis C, ed. HCI International 2013 - Abstracts yang Diperluas dari Poster. Komunikasi dalam Ilmu Komputer dan Ilmu Informasi. 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. Mengubah Pikiran Anda Menjadi Teks: Memungkinkan Pengetikan Otak melalui Pembelajaran Fitur Mendalam Sinus EEG. Dalam: 2018 Konferensi Internasional IEEE tentang Komputasi Pervasif dan Komunikasi (PerCom). ; 2018:1-10. doi:10.1109/PERCOM.2018.8444575

10. Yosrita E, Heryadi Y, Wulandhari LA, Budiharto W. Identifikasi Berdasarkan EEG terhadap Kata-kata pada Model Ujian dengan Jawaban Ya-Tidak untuk Siswa dengan Disabilitas Penglihatan. Dalam: ; 2019. doi:10.1109/TALE48000.2019.9225903

11. Zatarain-Cabada R, Barrón-Estrada ML, González-Hernández F, Rodriguez-Rangel H. Membangun Pengenal Ekspresi Wajah dan Database Ekspresi Wajah untuk Sistem Pembelajaran Cerdas. Dalam: 2017 17th International Conference on Advanced Learning Technologies (ICALT). ; 2017:391-393. doi:10.1109/ICALT.2017.141

12. Kurent P. Integrasi teknologi masa depan ke sekolah menengah dan universitas. 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. Neurosains untuk Siswa: sebuah proyek untuk memperkenalkan teknologi EEG dan Antarmuka Otak-Komputer kepada anak-anak sekolah menengah. Penelitian Guru Praxis. Publikasi 29 November 2019. Diakses 15 Juni 2022. https://praxis-teacher-research.org/neuroscience-for-students/

14. Kosmyna, Nataliya, Nathalie Soetaert, dan Cassandra Scheirer. "Sebuah Studi Percontohan Penggunaan Antarmuka Otak-Komputer di Kelas untuk Mempromosikan Kegiatan Pendidikan Formal." Prosiding Konferensi Teknologi Masa Depan. Springer, Cham, 2021.

15. Alvarez, V., Bower, M., de Freitas, S., Gregory, S. dan De Wit, B., 2016. Penggunaan teknologi wearable di universitas Australia: Contoh dari ilmu lingkungan, ilmu kognitif dan otak dan pelatihan guru. Masa depan pembelajaran mobile–mempertahankan kualitas penelitian dan praktik dalam pembelajaran mobile, 25.

16. Rodríguez, A.O.R., Riaño, M.A., García, P.A.G., Marín, C.E.M., Crespo, R.G. dan Wu, X., 2020. Karakterisasi emosional anak-anak melalui lingkungan pembelajaran menggunakan analitik pembelajaran dan AR-Sandbox. Jurnal Intelijen Ambient dan Komputasi yang Dihumanisasi, 11(11), hlm.5353-5367.