Pendidikan adalah pilar fundamental masyarakat kita, dan menyediakan lingkungan belajar yang kaya sangat penting untuk kemajuan masyarakat. Ilmu saraf pendidikan adalah bidang interdisipliner yang berkembang pesat yang bertujuan untuk memahami mekanisme saraf dari proses belajar 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 ukuran 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 temporalnya yang tinggi (yaitu kemampuannya untuk mengukur respons otak dalam skala milidetik), EEG mampu mengindeks proses pra-sadar yang jika tidak, tidak akan dikenali dengan tindakan laporan mandiri belaka. Saat mengoptimalkan konten kursus, metrik yang paling berguna adalah tingkat perhatian dan beban kognitif - ukuran jumlah upaya yang dilakukan otak untuk mempertahankan informasi. Perhatian sering diukur dengan menganalisis gelombang otak berbeda yang diamati pada EEG ketika seseorang sedang belajar - seperti tingkat gelombang alfa (biasanya dikaitkan dengan kelelahan) dan gelombang beta (biasanya dikaitkan dengan kewaspadaan atau kefokusan). Beban kognitif, ukuran yang lebih kompleks, juga dapat diindeks dengan tingkat gelombang alfa dan theta yang bervariasi.

Peneliti telah mengembangkan sistem dengan EEG yang dapat memantau perhatian, sehingga memungkinkan untuk menilai tingkat perhatian sepanjang kursus. Zhou dkk. 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 menjadi mudah

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

Algoritme 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 versus pembelajaran tradisional dengan pena dan kertas, meskipun studi tersebut tidak menunjukkan 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 menganggap efektivitas kegiatan di lingkungan realitas tertambah (augmented reality).

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 isi materi pendidikan yang penting, kapan dan di mana kita belajar juga sama pentingnya untuk memastikan bahwa siswa memiliki pengalaman belajar yang baik. 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]. Ini dapat membuka jalan bagi pengalaman belajar yang lebih kaya bagi penyandang disabilitas fisik, yang tidak dapat menghadiri kelas secara langsung. Peneliti juga telah melakukan studi tentang dinamika sosial di kelas menggunakan EEG. Sekelompok siswa yang dipasangi headset EEG dapat dinilai seberapa sinkron aktivitas saraf mereka selama proses pembelajaran umum [6][7]. Metode pengumpulan data EEG ini, yang disebut hiperscan EEG, merupakan langkah menuju inferensi waktu nyata dari perhatian kelompok dan meningkatkan 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 Antarmuka Otak-Komputer (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 pembelajaran yang dipersonalisasi

Menyediakan tutor pribadi untuk siswa bisa mahal tetapi sering kali 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 oleh kecerdasan buatan yang dapat bertindak sebagai tutor pribadi.

Tujuan dari sistem ini adalah untuk mengadaptasi dan memberikan umpan balik pribadi waktu nyata kepada siswa untuk meningkatkan pembelajaran mereka. Peneliti saat ini sedang memajukan sistem ITS dengan mengintegrasikannya dengan EEG. Dalam satu studi, peneliti menggunakan EEG untuk mendeteksi keterlibatan siswa pada 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 jika seorang siswa bosan, terlibat, bersemangat 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.

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

Perangkat dan perangkat lunak Emotiv saat ini digunakan di program studi tingkat sarjana universitas, tidak hanya dalam psikologi dan ilmu saraf 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 memasukkan sistem EEG-BCI ke dalam kurikulum sekolah meningkatkan kinerja akademis. Universitas Macquarie telah mendemonstrasikan keberhasilan penyertaan perangkat Emotiv dalam kurikulum Sarjana Ilmu Kognitif dan Otak mereka, memberi siswa pengalaman langsung dengan desain eksperimental dan analisis data EEG [14].

Lebih lanjut, White-Foy mendemonstrasikan 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 jarak jauh (BB-8) dan mengarahkannya melalui labirin.

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

Kita dapat melihat bahwa perangkat Emotiv EEG seluler berbiaya rendah tidak hanya menyediakan 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 Pack Starter Lab Emotiv EEG.

• Bangun 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 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, pp. 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. In: 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. 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. In: Vol 75. ; 2020:156-163. doi:10.1007/978-3-030-30648-9_22

6. Dikker S, Wan L, Davidesco I, et al. 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. In: 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. In: 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. In: ; 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. In: 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. In: 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. Published November 29, 2019. Accessed June 15, 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.