EEG（脳波計）を活用して最適な学習環境を構築する方法
ロシニ・ランデニヤ博士
更新日
2024/09/12
EEG（脳波計）を活用して最適な学習環境を構築する方法
ロシニ・ランデニヤ博士
更新日
2024/09/12
EEG（脳波計）を活用して最適な学習環境を構築する方法
ロシニ・ランデニヤ博士
更新日
2024/09/12
教育は私たちの社会の基盤となる柱であり、豊かな学習環境を提供することは社会の進歩に不可欠です。教育神経科学は、指導と学習の神経メカニズムを理解することを目的とした、急速に発展している学際的な分野です。
過去20年間にわたり、ポータブルなEEG（脳波）技術の進歩により、研究者は教室とeラーニングの両方でEEGヘッドセットを使用し、学生にとって最適な学習環境を構築できるようになりました [1]。この記事では、私たちの教え方や学び方を変えるために、EmotivのEEGヘッドセットがどのように使用されているかを見ていきます。
教育コンテンツの最適化
魅力的な教育コンテンツを設計するには、学生からの継続的な主観的フィードバックが必要です。従来、コースコンテンツの有効性を判断することは、コース完了時の自己申告によるフィードバック測定を通じて行われてきました。
しかし、主観的な記憶に依存しているため、コース提供のどの側面を正確に改善できるかを特定することは困難な場合が多々あります。ミリ秒単位で脳の反応を測定できる高い時間分解能を持つため、EEGは前意識的なプロセスを指標化することができます。これは、単なる自己申告指標では認識できないものです。コースコンテンツを最適化する場合、最も有用な指標は注意レベルと認知負荷（情報を記憶するために脳がどれだけの努力を払っているかを示す指標）です。注意は、学習時に観察されるさまざまな脳波（脳波計で測定される、例えばアルファ波（一般的に疲労を伴う）やベータ波（一般的に覚醒や集中を伴う）のレベルなど）を分析することによって測定されることが一般的です。より複雑な指標である認知負荷は、アルファ波やシータ波の変動レベルによっても指標化できます。
研究者らは、注意を監視できるEEGを備えたシステムを開発し、コース全体を通じて注意レベルを評価できるようにしました。Zhouらは、大規模公開オンライン講座（MOOC）を受講するeラーニング生の認知負荷をリアルタイムで監視するシステムのデモンストレーションに成功し、コースコンテンツをリアルタイムで最適化する道を切り開きました [2]。
簡単な認知状態の分析
これまでの研究のように認知状態を測定するには、ある程度の技術的スキルと専門知識が必要となる場合があります。幸いなことに、データサイエンスの進歩により、最小限の技術的専門知識で、事前に構築されたアルゴリズムを使用して認知状態を測定できるようになりました。EmotivはPerformance Metrics（EEGにおけるフォーカス、興奮、エンゲージメント、フラストレーション、ストレス、リラクゼーションを含む、さまざまな脳の状態を特定するために開発された機械学習アルゴリズム）の利用を可能にします。
これらのアルゴリズムは、特定の認知状態を引き出すように設計された対照実験を使用して構築されており、教育コンテンツを最適化するのに役立ちます。これらのEmotiv Performance Metricsは、ゲームベースの学習と従来のペンと紙による学習を比較するために使用されましたが、この研究では2つの学習方法の間で認知状態に違いは見られませんでした [3]。また他の研究者らは、5〜7歳という若い年齢の子供たちをエンゲージメント、ストレス、フォーカスなどの認知状態に基づいてグループ化し、拡張現実（AR）環境におけるアクティビティの有効性を判断するためのPerformance Metricsの有用性を実証しました。
上：(A) EEGを使用して、高校の教室にいる生徒の脳波を測定できます（出典：Dikker et al. [4]）。 (B) 生徒の脳波は他の生徒と高い同期を示すことがあり、これは授業により熱心に取り組んでいた生徒に見られました（左）。他の生徒との同期が低い（右）ことは、授業への取り組みが少なかった生徒に見られました。
学習環境の強化
教育的な教材の内容が重要であるだけでなく、いつ、どこで学ぶかも、学生が優れた学習体験を得るためには同様に重要です。研究者らが異なる授業時間中のアルファ波のレベルを測定したところ、午前中の遅い時間の高校の授業は早朝よりもアルファ波が少なく、午前中の遅い時間が学習に最適な時間である可能性が示唆されました [4]。
ワイヤレスEEGはリアル環境と仮想環境を比較するためにも使用され、両方の環境で同等のレベルの注意とモチベーションを提供できることが実証されています [5]。これにより、身体的障害があり、対面での教室に出席できない人々に、より豊かな学習体験を提供する道が拓かれる可能性があります。研究者らはまた、EEGを使用して教室での社会的ダイナミクスに関する研究も行っています。EEGヘッドセットを装着した学生のグループは、共通の学習プロセスにおいて神経活動がどれほど同調しているかを評価できます [6][7]。EEG hyperscanningと呼ばれるこのEEGデータ収集方法は、グループの注意をリアルタイムで推測し、教室での社会的ダイナミクスを改善するための第一歩です。
すべての人に教育を届ける
一部の身体的または感覚的な困難は、教室での学生の学習体験を制限することがあります。しかし、学生の体験を向上させているEEGベースのツールが存在します。Brain-Computer Interface（BCI）技術の進歩により、EEGベースのタイピングが可能になり [8][9]、身体的困難を抱える学生が学習しながらコンピューティングデバイス上でメンタルノートをとるのに役立っています。EEGベースで「はい」「いいえ」式の質問への回答を可能にするBCIは、視覚障害のある学生がコンピュータベースの試験を用いて評価されることも可能にしています。これがない場合は面接官が必要となります [10]。
パーソナライズされた学習体験
学生に個別チューターを提供することは高額になる可能性がありますが、一般的な教育システムが学習における独自のニーズに対応する準備が整っていない場合には、必要となることがよくあります。Intelligent Tutoring Systems（ITS）は、人工知能を搭載し、個別チューターとして機能するコンピュータベースの学習ソフトウェアの一種です。
これらのシステムの目的は、学生に適応してリアルタイムでパーソナライズされたフィードバックを提供し、彼らの学習を強化することです。研究者らは現在、ITSシステムにEEGを統合することでシステムを発展させています。ある研究では、研究者らがEEGを使用して、さまざまな種類の教育ビデオ（アニメーションコンテンツと人間の教師のビデオ）に対する学生の関与度を検出しています。これにより、ITSは学習し、学生がより興味深く感じるコンテンツを自動的に生成することができます。
教育プロセスから人間の要素を排除する場合、ストレスや画面疲労を防ぐために、コンピュータベースの学習プログラムを使用している間の学生の認知負荷を追跡することがますます重要になります。これに対処するため、研究者らは、学生がITSを使用している間に退屈しているか、関与しているか、興奮しているか、あるいは不満を感じているかを能動的に検出する、EEGデータに基づく表情データベースを開発しました [11]。
EEGを伴うこの開発は、ITSシステムが個々の学生に継続的に学習し適応するための道を切り開いています。疲れているときには休憩を提案し、夢中になっているときには学習を継続することで、学生により効果的な学習体験を提供します。
上：ニューヨーク大学（NYU）のBrainWavesプログラムの学生たちが、EmotivのEEG脳技術を装着してゲームをプレイしています。
STEM学習ツールとしてのEEG
EmotivのEEGデバイスとソフトウェアは使いやすく、次世代の科学、技術、工学、数学（STEM）の科学者を刺激するための優れた導入ツールでもあります。
Emotivのデバイスとソフトウェアは現在、心理学や神経科学だけでなく、医用生体工学における大学の学部レベルのコースでも使用されています。Kurentは、Emotiv EPOCデバイスを高校や大学レベルの教育プロセスに統合し、BCIデバイスの進歩を可能にする成功例を示しています。Kosmayanaらは、学校のカリキュラムにEEG-BCIシステムを組み込むことで学業成績が向上することを発見しました。マッコーリー大学は、認知脳科学の学士カリキュラムにEmotivデバイスを組み入れることに成功したことをすでに実証しており、学生に実験デザインやEEGデータ分析の能動的な実体験を提供しています [14]。
さらに、White-Foyは、12歳という若い子供でもBCI技術を問題なく習得し、小規模なEEG研究プロジェクトを立ち上げることができることを実証しています [13]。学生たちはオンラインリソースを使用して、Emotiv InsightデバイスをRaspberry Pi（小型コンピュータ）に統合し、EEGをコマンドに変換してリモートコントロールのスターウォーズ玩具（BB-8）を制御し、迷路をナビゲートさせました。
上：中等学校のNeuroLab。11〜18歳の生徒たちが、Raspberry PiとBB-8ロボットをEmotivデバイスと統合し、精神的コマンドを使用してBB-8を迷路にナビゲートさせました（NeuroLabsの許可を得て共有）。
低コストでモバイルなEmotivのEEGデバイスは、教育者が優れたコンテンツを提供するための教育プログラムの質を高める方法を提供するだけでなく、BCIの開発と相まって、ユニークなニーズを持つ人々に豊かな教育環境を提供することも提示しています。
Emotivがどのようにお手伝いできるか
Emotiv EEG Lab Starter Kitsで生徒の学習体験を改善しましょう。
EmotivPRO Builderで実験を構築し、データを分析しましょう。
リモート実験を開始して、EmotivLABSでデータを取得しましょう。
当社のオープンソースデータセットを使用しましょう。
お困りですか？お問い合わせください
カバー画像ソース：Trevor Day School
参考文献
J. Xu and 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.
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
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
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
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
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
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
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
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
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
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
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
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/
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.
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.
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.
教育は私たちの社会の基盤となる柱であり、豊かな学習環境を提供することは社会の進歩に不可欠です。教育神経科学は、指導と学習の神経メカニズムを理解することを目的とした、急速に発展している学際的な分野です。
過去20年間にわたり、ポータブルなEEG（脳波）技術の進歩により、研究者は教室とeラーニングの両方でEEGヘッドセットを使用し、学生にとって最適な学習環境を構築できるようになりました [1]。この記事では、私たちの教え方や学び方を変えるために、EmotivのEEGヘッドセットがどのように使用されているかを見ていきます。
教育コンテンツの最適化
魅力的な教育コンテンツを設計するには、学生からの継続的な主観的フィードバックが必要です。従来、コースコンテンツの有効性を判断することは、コース完了時の自己申告によるフィードバック測定を通じて行われてきました。
しかし、主観的な記憶に依存しているため、コース提供のどの側面を正確に改善できるかを特定することは困難な場合が多々あります。ミリ秒単位で脳の反応を測定できる高い時間分解能を持つため、EEGは前意識的なプロセスを指標化することができます。これは、単なる自己申告指標では認識できないものです。コースコンテンツを最適化する場合、最も有用な指標は注意レベルと認知負荷（情報を記憶するために脳がどれだけの努力を払っているかを示す指標）です。注意は、学習時に観察されるさまざまな脳波（脳波計で測定される、例えばアルファ波（一般的に疲労を伴う）やベータ波（一般的に覚醒や集中を伴う）のレベルなど）を分析することによって測定されることが一般的です。より複雑な指標である認知負荷は、アルファ波やシータ波の変動レベルによっても指標化できます。
研究者らは、注意を監視できるEEGを備えたシステムを開発し、コース全体を通じて注意レベルを評価できるようにしました。Zhouらは、大規模公開オンライン講座（MOOC）を受講するeラーニング生の認知負荷をリアルタイムで監視するシステムのデモンストレーションに成功し、コースコンテンツをリアルタイムで最適化する道を切り開きました [2]。
簡単な認知状態の分析
これまでの研究のように認知状態を測定するには、ある程度の技術的スキルと専門知識が必要となる場合があります。幸いなことに、データサイエンスの進歩により、最小限の技術的専門知識で、事前に構築されたアルゴリズムを使用して認知状態を測定できるようになりました。EmotivはPerformance Metrics（EEGにおけるフォーカス、興奮、エンゲージメント、フラストレーション、ストレス、リラクゼーションを含む、さまざまな脳の状態を特定するために開発された機械学習アルゴリズム）の利用を可能にします。
これらのアルゴリズムは、特定の認知状態を引き出すように設計された対照実験を使用して構築されており、教育コンテンツを最適化するのに役立ちます。これらのEmotiv Performance Metricsは、ゲームベースの学習と従来のペンと紙による学習を比較するために使用されましたが、この研究では2つの学習方法の間で認知状態に違いは見られませんでした [3]。また他の研究者らは、5〜7歳という若い年齢の子供たちをエンゲージメント、ストレス、フォーカスなどの認知状態に基づいてグループ化し、拡張現実（AR）環境におけるアクティビティの有効性を判断するためのPerformance Metricsの有用性を実証しました。
上：(A) EEGを使用して、高校の教室にいる生徒の脳波を測定できます（出典：Dikker et al. [4]）。 (B) 生徒の脳波は他の生徒と高い同期を示すことがあり、これは授業により熱心に取り組んでいた生徒に見られました（左）。他の生徒との同期が低い（右）ことは、授業への取り組みが少なかった生徒に見られました。
学習環境の強化
教育的な教材の内容が重要であるだけでなく、いつ、どこで学ぶかも、学生が優れた学習体験を得るためには同様に重要です。研究者らが異なる授業時間中のアルファ波のレベルを測定したところ、午前中の遅い時間の高校の授業は早朝よりもアルファ波が少なく、午前中の遅い時間が学習に最適な時間である可能性が示唆されました [4]。
ワイヤレスEEGはリアル環境と仮想環境を比較するためにも使用され、両方の環境で同等のレベルの注意とモチベーションを提供できることが実証されています [5]。これにより、身体的障害があり、対面での教室に出席できない人々に、より豊かな学習体験を提供する道が拓かれる可能性があります。研究者らはまた、EEGを使用して教室での社会的ダイナミクスに関する研究も行っています。EEGヘッドセットを装着した学生のグループは、共通の学習プロセスにおいて神経活動がどれほど同調しているかを評価できます [6][7]。EEG hyperscanningと呼ばれるこのEEGデータ収集方法は、グループの注意をリアルタイムで推測し、教室での社会的ダイナミクスを改善するための第一歩です。
すべての人に教育を届ける
一部の身体的または感覚的な困難は、教室での学生の学習体験を制限することがあります。しかし、学生の体験を向上させているEEGベースのツールが存在します。Brain-Computer Interface（BCI）技術の進歩により、EEGベースのタイピングが可能になり [8][9]、身体的困難を抱える学生が学習しながらコンピューティングデバイス上でメンタルノートをとるのに役立っています。EEGベースで「はい」「いいえ」式の質問への回答を可能にするBCIは、視覚障害のある学生がコンピュータベースの試験を用いて評価されることも可能にしています。これがない場合は面接官が必要となります [10]。
パーソナライズされた学習体験
学生に個別チューターを提供することは高額になる可能性がありますが、一般的な教育システムが学習における独自のニーズに対応する準備が整っていない場合には、必要となることがよくあります。Intelligent Tutoring Systems（ITS）は、人工知能を搭載し、個別チューターとして機能するコンピュータベースの学習ソフトウェアの一種です。
これらのシステムの目的は、学生に適応してリアルタイムでパーソナライズされたフィードバックを提供し、彼らの学習を強化することです。研究者らは現在、ITSシステムにEEGを統合することでシステムを発展させています。ある研究では、研究者らがEEGを使用して、さまざまな種類の教育ビデオ（アニメーションコンテンツと人間の教師のビデオ）に対する学生の関与度を検出しています。これにより、ITSは学習し、学生がより興味深く感じるコンテンツを自動的に生成することができます。
教育プロセスから人間の要素を排除する場合、ストレスや画面疲労を防ぐために、コンピュータベースの学習プログラムを使用している間の学生の認知負荷を追跡することがますます重要になります。これに対処するため、研究者らは、学生がITSを使用している間に退屈しているか、関与しているか、興奮しているか、あるいは不満を感じているかを能動的に検出する、EEGデータに基づく表情データベースを開発しました [11]。
EEGを伴うこの開発は、ITSシステムが個々の学生に継続的に学習し適応するための道を切り開いています。疲れているときには休憩を提案し、夢中になっているときには学習を継続することで、学生により効果的な学習体験を提供します。
上：ニューヨーク大学（NYU）のBrainWavesプログラムの学生たちが、EmotivのEEG脳技術を装着してゲームをプレイしています。
STEM学習ツールとしてのEEG
EmotivのEEGデバイスとソフトウェアは使いやすく、次世代の科学、技術、工学、数学（STEM）の科学者を刺激するための優れた導入ツールでもあります。
Emotivのデバイスとソフトウェアは現在、心理学や神経科学だけでなく、医用生体工学における大学の学部レベルのコースでも使用されています。Kurentは、Emotiv EPOCデバイスを高校や大学レベルの教育プロセスに統合し、BCIデバイスの進歩を可能にする成功例を示しています。Kosmayanaらは、学校のカリキュラムにEEG-BCIシステムを組み込むことで学業成績が向上することを発見しました。マッコーリー大学は、認知脳科学の学士カリキュラムにEmotivデバイスを組み入れることに成功したことをすでに実証しており、学生に実験デザインやEEGデータ分析の能動的な実体験を提供しています [14]。
さらに、White-Foyは、12歳という若い子供でもBCI技術を問題なく習得し、小規模なEEG研究プロジェクトを立ち上げることができることを実証しています [13]。学生たちはオンラインリソースを使用して、Emotiv InsightデバイスをRaspberry Pi（小型コンピュータ）に統合し、EEGをコマンドに変換してリモートコントロールのスターウォーズ玩具（BB-8）を制御し、迷路をナビゲートさせました。
上：中等学校のNeuroLab。11〜18歳の生徒たちが、Raspberry PiとBB-8ロボットをEmotivデバイスと統合し、精神的コマンドを使用してBB-8を迷路にナビゲートさせました（NeuroLabsの許可を得て共有）。
低コストでモバイルなEmotivのEEGデバイスは、教育者が優れたコンテンツを提供するための教育プログラムの質を高める方法を提供するだけでなく、BCIの開発と相まって、ユニークなニーズを持つ人々に豊かな教育環境を提供することも提示しています。
Emotivがどのようにお手伝いできるか
Emotiv EEG Lab Starter Kitsで生徒の学習体験を改善しましょう。
EmotivPRO Builderで実験を構築し、データを分析しましょう。
リモート実験を開始して、EmotivLABSでデータを取得しましょう。
当社のオープンソースデータセットを使用しましょう。
お困りですか？お問い合わせください
カバー画像ソース：Trevor Day School
参考文献
J. Xu and 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.
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
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
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
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
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
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
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
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
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
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
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
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/
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.
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.
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.
教育は私たちの社会の基盤となる柱であり、豊かな学習環境を提供することは社会の進歩に不可欠です。教育神経科学は、指導と学習の神経メカニズムを理解することを目的とした、急速に発展している学際的な分野です。
過去20年間にわたり、ポータブルなEEG（脳波）技術の進歩により、研究者は教室とeラーニングの両方でEEGヘッドセットを使用し、学生にとって最適な学習環境を構築できるようになりました [1]。この記事では、私たちの教え方や学び方を変えるために、EmotivのEEGヘッドセットがどのように使用されているかを見ていきます。
教育コンテンツの最適化
魅力的な教育コンテンツを設計するには、学生からの継続的な主観的フィードバックが必要です。従来、コースコンテンツの有効性を判断することは、コース完了時の自己申告によるフィードバック測定を通じて行われてきました。
しかし、主観的な記憶に依存しているため、コース提供のどの側面を正確に改善できるかを特定することは困難な場合が多々あります。ミリ秒単位で脳の反応を測定できる高い時間分解能を持つため、EEGは前意識的なプロセスを指標化することができます。これは、単なる自己申告指標では認識できないものです。コースコンテンツを最適化する場合、最も有用な指標は注意レベルと認知負荷（情報を記憶するために脳がどれだけの努力を払っているかを示す指標）です。注意は、学習時に観察されるさまざまな脳波（脳波計で測定される、例えばアルファ波（一般的に疲労を伴う）やベータ波（一般的に覚醒や集中を伴う）のレベルなど）を分析することによって測定されることが一般的です。より複雑な指標である認知負荷は、アルファ波やシータ波の変動レベルによっても指標化できます。
研究者らは、注意を監視できるEEGを備えたシステムを開発し、コース全体を通じて注意レベルを評価できるようにしました。Zhouらは、大規模公開オンライン講座（MOOC）を受講するeラーニング生の認知負荷をリアルタイムで監視するシステムのデモンストレーションに成功し、コースコンテンツをリアルタイムで最適化する道を切り開きました [2]。
簡単な認知状態の分析
これまでの研究のように認知状態を測定するには、ある程度の技術的スキルと専門知識が必要となる場合があります。幸いなことに、データサイエンスの進歩により、最小限の技術的専門知識で、事前に構築されたアルゴリズムを使用して認知状態を測定できるようになりました。EmotivはPerformance Metrics（EEGにおけるフォーカス、興奮、エンゲージメント、フラストレーション、ストレス、リラクゼーションを含む、さまざまな脳の状態を特定するために開発された機械学習アルゴリズム）の利用を可能にします。
これらのアルゴリズムは、特定の認知状態を引き出すように設計された対照実験を使用して構築されており、教育コンテンツを最適化するのに役立ちます。これらのEmotiv Performance Metricsは、ゲームベースの学習と従来のペンと紙による学習を比較するために使用されましたが、この研究では2つの学習方法の間で認知状態に違いは見られませんでした [3]。また他の研究者らは、5〜7歳という若い年齢の子供たちをエンゲージメント、ストレス、フォーカスなどの認知状態に基づいてグループ化し、拡張現実（AR）環境におけるアクティビティの有効性を判断するためのPerformance Metricsの有用性を実証しました。
上：(A) EEGを使用して、高校の教室にいる生徒の脳波を測定できます（出典：Dikker et al. [4]）。 (B) 生徒の脳波は他の生徒と高い同期を示すことがあり、これは授業により熱心に取り組んでいた生徒に見られました（左）。他の生徒との同期が低い（右）ことは、授業への取り組みが少なかった生徒に見られました。
学習環境の強化
教育的な教材の内容が重要であるだけでなく、いつ、どこで学ぶかも、学生が優れた学習体験を得るためには同様に重要です。研究者らが異なる授業時間中のアルファ波のレベルを測定したところ、午前中の遅い時間の高校の授業は早朝よりもアルファ波が少なく、午前中の遅い時間が学習に最適な時間である可能性が示唆されました [4]。
ワイヤレスEEGはリアル環境と仮想環境を比較するためにも使用され、両方の環境で同等のレベルの注意とモチベーションを提供できることが実証されています [5]。これにより、身体的障害があり、対面での教室に出席できない人々に、より豊かな学習体験を提供する道が拓かれる可能性があります。研究者らはまた、EEGを使用して教室での社会的ダイナミクスに関する研究も行っています。EEGヘッドセットを装着した学生のグループは、共通の学習プロセスにおいて神経活動がどれほど同調しているかを評価できます [6][7]。EEG hyperscanningと呼ばれるこのEEGデータ収集方法は、グループの注意をリアルタイムで推測し、教室での社会的ダイナミクスを改善するための第一歩です。
すべての人に教育を届ける
一部の身体的または感覚的な困難は、教室での学生の学習体験を制限することがあります。しかし、学生の体験を向上させているEEGベースのツールが存在します。Brain-Computer Interface（BCI）技術の進歩により、EEGベースのタイピングが可能になり [8][9]、身体的困難を抱える学生が学習しながらコンピューティングデバイス上でメンタルノートをとるのに役立っています。EEGベースで「はい」「いいえ」式の質問への回答を可能にするBCIは、視覚障害のある学生がコンピュータベースの試験を用いて評価されることも可能にしています。これがない場合は面接官が必要となります [10]。
パーソナライズされた学習体験
学生に個別チューターを提供することは高額になる可能性がありますが、一般的な教育システムが学習における独自のニーズに対応する準備が整っていない場合には、必要となることがよくあります。Intelligent Tutoring Systems（ITS）は、人工知能を搭載し、個別チューターとして機能するコンピュータベースの学習ソフトウェアの一種です。
これらのシステムの目的は、学生に適応してリアルタイムでパーソナライズされたフィードバックを提供し、彼らの学習を強化することです。研究者らは現在、ITSシステムにEEGを統合することでシステムを発展させています。ある研究では、研究者らがEEGを使用して、さまざまな種類の教育ビデオ（アニメーションコンテンツと人間の教師のビデオ）に対する学生の関与度を検出しています。これにより、ITSは学習し、学生がより興味深く感じるコンテンツを自動的に生成することができます。
教育プロセスから人間の要素を排除する場合、ストレスや画面疲労を防ぐために、コンピュータベースの学習プログラムを使用している間の学生の認知負荷を追跡することがますます重要になります。これに対処するため、研究者らは、学生がITSを使用している間に退屈しているか、関与しているか、興奮しているか、あるいは不満を感じているかを能動的に検出する、EEGデータに基づく表情データベースを開発しました [11]。
EEGを伴うこの開発は、ITSシステムが個々の学生に継続的に学習し適応するための道を切り開いています。疲れているときには休憩を提案し、夢中になっているときには学習を継続することで、学生により効果的な学習体験を提供します。
上：ニューヨーク大学（NYU）のBrainWavesプログラムの学生たちが、EmotivのEEG脳技術を装着してゲームをプレイしています。
STEM学習ツールとしてのEEG
EmotivのEEGデバイスとソフトウェアは使いやすく、次世代の科学、技術、工学、数学（STEM）の科学者を刺激するための優れた導入ツールでもあります。
Emotivのデバイスとソフトウェアは現在、心理学や神経科学だけでなく、医用生体工学における大学の学部レベルのコースでも使用されています。Kurentは、Emotiv EPOCデバイスを高校や大学レベルの教育プロセスに統合し、BCIデバイスの進歩を可能にする成功例を示しています。Kosmayanaらは、学校のカリキュラムにEEG-BCIシステムを組み込むことで学業成績が向上することを発見しました。マッコーリー大学は、認知脳科学の学士カリキュラムにEmotivデバイスを組み入れることに成功したことをすでに実証しており、学生に実験デザインやEEGデータ分析の能動的な実体験を提供しています [14]。
さらに、White-Foyは、12歳という若い子供でもBCI技術を問題なく習得し、小規模なEEG研究プロジェクトを立ち上げることができることを実証しています [13]。学生たちはオンラインリソースを使用して、Emotiv InsightデバイスをRaspberry Pi（小型コンピュータ）に統合し、EEGをコマンドに変換してリモートコントロールのスターウォーズ玩具（BB-8）を制御し、迷路をナビゲートさせました。
上：中等学校のNeuroLab。11〜18歳の生徒たちが、Raspberry PiとBB-8ロボットをEmotivデバイスと統合し、精神的コマンドを使用してBB-8を迷路にナビゲートさせました（NeuroLabsの許可を得て共有）。
低コストでモバイルなEmotivのEEGデバイスは、教育者が優れたコンテンツを提供するための教育プログラムの質を高める方法を提供するだけでなく、BCIの開発と相まって、ユニークなニーズを持つ人々に豊かな教育環境を提供することも提示しています。
Emotivがどのようにお手伝いできるか
Emotiv EEG Lab Starter Kitsで生徒の学習体験を改善しましょう。
EmotivPRO Builderで実験を構築し、データを分析しましょう。
リモート実験を開始して、EmotivLABSでデータを取得しましょう。
当社のオープンソースデータセットを使用しましょう。
お困りですか？お問い合わせください
カバー画像ソース：Trevor Day School
参考文献
J. Xu and 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.
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
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
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
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
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
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
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
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
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
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
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
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/
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.
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.
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.
読むのを続ける