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 adalah penting untuk kemajuan masyarakat. Ilmu saraf pendidikan adalah bidang interdisipliner yang berkembang pesat yang bertujuan untuk memahami mekanisme saraf pengajaran dan pembelajaran.

Selama dua dekade terakhir, kemajuan dalam teknologi EEG portabel telah memungkinkan para peneliti untuk menggunakan headset EEG di ruang kelas dan pembelajaran daring untuk menciptakan lingkungan belajar optimal bagi siswa [1]. Dalam artikel ini, kami melihat bagaimana headset EEG EMOTIV digunakan untuk mengubah cara kita mengajar dan belajar.

Mengoptimalkan konten pendidikan

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

Namun, sering kali sulit untuk mengisolasi dengan tepat aspek mana dari pengajaran yang dapat ditingkatkan karena bergantung pada ingatan subjektif. Karena resolusi temporalnya yang tinggi (misalnya, kemampuannya untuk mengukur respons otak dalam skala milidetik), EEG dapat mengindeks proses pra-sadar, yang sebaliknya tidak terdeteksi hanya dengan pengukuran laporan diri. Saat mengoptimalkan konten kursus, metrik yang paling berguna adalah tingkat perhatian dan beban kognitif - ukuran dari seberapa banyak usaha yang dikeluarkan otak untuk mempertahankan informasi. Perhatian sering diukur dengan menganalisis gelombang otak yang berbeda yang teramati di EEG ketika seseorang belajar - seperti tingkat gelombang alfa (biasanya terkait dengan kelelahan) dan gelombang beta (biasanya terkait dengan kewaspadaan atau konsentrasi). 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 mengevaluasi tingkat perhatian sepanjang seluruh 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].

Menganalisis keadaan kognitif dengan mudah

Pengukuran keadaan kognitif, seperti dalam studi sebelumnya ini, dapat memerlukan keterampilan teknis dan keahlian. Untungnya, kemajuan dalam ilmu data sekarang telah memungkinkan penggunaan algoritma pra-bangun 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 permainan dengan pembelajaran tradisional menggunakan kertas dan pensil, meskipun studi menunjukkan tidak ada perbedaan dalam keadaan kognitif antara kedua metode pembelajaran [3]. Peneliti lain telah menunjukkan utilitas Metrik Kinerja dalam mengelompokkan anak-anak yang berusia antara 5-7 tahun berdasarkan keadaan kognitif seperti keterlibatan, stres, dan fokus untuk menentukan efektivitas aktivitas dalam lingkungan realitas teraugmentasi.

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

Meningkatkan lingkungan belajar

Bukan hanya konten materi pendidikan yang penting, kapan dan di mana kita belajar juga sama pentingnya untuk memastikan siswa memiliki pengalaman belajar yang baik. Para peneliti mengukur tingkat gelombang alfa selama waktu kelas yang berbeda dan menemukan bahwa kelas sekolah menengah di tengah pagi menunjukkan lebih sedikit gelombang alfa dibandingkan dengan waktu pagi awal dan menyarankan bahwa 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 sama di kedua lingkungan tersebut [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 dalam 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 dari perhatian kelompok dan meningkatkan dinamika sosial di dalam kelas.

Memastikan pendidikan dapat diakses oleh 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 mencatat secara 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 bagi siswa dapat menjadi mahal tetapi sering kali diperlukan ketika sistem pendidikan umum kurang mampu menangani kebutuhan unik dalam pembelajaran. Sistem Pembelajaran Cerdas (ITS) adalah kelas perangkat lunak pembelajaran berbasis komputer yang didukung dengan kecerdasan buatan yang dapat bertindak sebagai tutor pribadi.

Tujuan dari sistem-sistem ini adalah untuk beradaptasi dan memberikan umpan balik pribadi secara waktu nyata kepada siswa untuk meningkatkan pembelajaran mereka. Para peneliti saat ini sedang memajukan sistem ITS dengan mengintegrasikannya dengan EEG. Dalam satu studi, para 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 akan lebih menarik bagi siswa.

Ketika Anda menghilangkan elemen manusia dari proses pengajaran, menjadi semakin penting untuk memantau beban kognitif siswa saat menggunakan program pembelajaran berbasis komputer untuk mencegah stres dan kelelahan layar. Untuk mengatasi 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 dengan EEG ini 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) Program 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 ilmuwan sains, teknologi, rekayasa, dan matematika (STEM) generasi berikutnya juga.

Perangkat dan perangkat lunak Emotiv saat ini digunakan pada tingkat pendidikan sarjana di universitas, tidak hanya dalam psikologi dan ilmu saraf tetapi juga dalam rekayasa biomedis. Kurent menunjukkan contoh sukses integrasi perangkat Emotiv EPOC ke dalam proses pendidikan di tingkat sekolah menengah dan perguruan tinggi untuk memungkinkan kemajuan perangkat BCI. Kosmayana et al. menemukan bahwa termasuk sistem EEG-BCI dalam kurikulum sekolah meningkatkan kinerja akademik. 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].

Selain itu, White-Foy menunjukkan bahwa anak-anak yang berusia 12 tahun dapat berhasil belajar teknologi BCI dan mengatur proyek penelitian EEG skala kecil [13]. Siswa menggunakan sumber daya online untuk mengintegrasikan sebuah perangkat EMOTIV Insight ke Raspberry Pi (komputer mini) yang menerjemahkan EEG menjadi perintah untuk mengontrol mainan Star Wars yang dikendalikan jarak jauh (BB-8) dan menavigasikannya melalui labirin.

Di atas: Sekolah menengah NeuroLab. 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 portabel tidak hanya menyediakan metode untuk meningkatkan kualitas program pendidikan agar pendidik dapat memberikan konten yang luar biasa, tetapi bersama dengan perkembangan BCI juga berpotensi menyediakan lingkungan pendidikan yang kaya bagi individu dengan kebutuhan unik.

Bagaimana EMOTIV Dapat Membantu

• Tingkatkan pengalaman belajar siswa Anda dengan Kit Starter EMOTIV EEG Lab.

• Buat eksperimen dan analisis data dengan EmotivPRO Builder.

• Luncurkan eksperimen jarak jauh untuk mendapatkan data di EmotivLABS.

• Gunakan kumpulan 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,” 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. Memantau beban kognitif dalam pembelajaran video daring melalui antarmuka otak-komputer berbasis 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. Mengevaluasi keadaan emosional pembelajar dengan memantau gelombang otak untuk membandingkan pendekatan pembelajaran berbasis permainan dengan menggunakan kertas dan pensil. Dalam: 2019 Konferensi IEEE Frontiers in Education (FIE). ; 2019:1-8. doi:10.1109/FIE43999.2019.9097262

4. Dikker S, Haegens S, Bevilacqua D, dkk. Otak pagi: bukti neural dunia nyata bahwa waktu kelas sekolah menengah itu penting. Soc Cogn Affect Neurosci. 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 Alfa 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, dkk. Sinkronisasi Otak-ke-Otak Mengikuti Interaksi Dinamis Kelompok di Kelas. 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 di dalam kelas: Rekaman neural yang tersinkronisasi 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 Imaji Motor untuk Pengetikan Menggunakan Perangkat EEG Elektrode Kering. Dalam: Stephanidis C, penyunting. HCI International 2013 - Ekstensi Poster. Komunikasi dalam Ilmu Komputer dan 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 dari Sinyal 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 Kata Berbasis EEG pada Model Ujian dengan Jawaban Ya-Tidak untuk Siswa dengan Gangguan 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 Pintar. Dalam: Konferensi Internasional IEEE ke-17 tentang Teknologi Pembelajaran Lanjutan (ICALT). ; 2017:391-393. doi:10.1109/ICALT.2017.141

12. Kurent P. Integrasi teknologi masa depan ke sekolah menengah dan perguruan tinggi. Dalam: 2017 Konvensi Internasional ke-40 tentang Teknologi Informasi dan Komunikasi, Elektronika dan Mikroelektronika (MIPRO). ; 2017:858-861. doi:10.23919/MIPRO.2017.7973541

13. White-Foy J. Ilmu Saraf untuk Siswa: sebuah proyek untuk memperkenalkan teknologi EEG dan Antarmuka Otak-Komputer kepada anak-anak sekolah menengah. Penelitian Guru Praxis. Dipublikasikan 29 November 2019. Diakses 15 Juni 2022. https://praxis-teacher-research.org/neuroscience-for-students/

14. Kosmyna, Nataliya, Nathalie Soetaert, dan Cassandra Scheirer. "Studi Percontohan Menggunakan 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 yang dapat dikenakan di universitas Australia: Contoh dari ilmu lingkungan, ilmu kognitif dan otak serta pelatihan guru. Masa depan belajar mobile – mempertahankan penelitian dan praktik berkualitas 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. Journal of Ambient Intelligence and Humanized Computing, 11(11), hlm. 5353-5367.