EEGを使用して最適な学習環境を作る方法

著者: ドクター・ロシニ・ランデニヤ

教育は我々の社会の基本的な柱であり、豊かな学習環境を提供することは社会の進歩に欠かせません。教育神経科学は、教えと学び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、ポータブルEEG技術の進歩により、研究者は教室やeラーニングでEEGヘッドセットを使用し、学生のための最適な学習環境を作成できるようになりました[1]。この記事では、EMOTIVのEEGヘッドセットがどのように教育と学習の方法を変え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、コースの内容の効果を判断するには、コース完了時の自己報告フィードバック測定を通じて行われます。

しかし、主観的記憶に依存するため、コース提供のどの側面が改善できるかを正確に特定することはしばしば難しいです。その高い時間分解能（すなわち、ミリ秒単位で脳の反応を測定する能力）により、EEGは無意識のプロセスを指標化できます。コースコンテンツを最適化するときに最も有用な指標は、注意のレベルと認知負荷です。これは、情報を保持するために脳がどれだけの努力をするかを測定するものです。注意は、学習中にEEGで観察される異なる脳波を分析することで測定されます。たとえば、疲れているとされるアルファ波や、警戒または集中しているとされるベータ波のレベルなどです。より複雑な測定である認知負荷は、アルファ波とシータ波の異なるレベルでも指標化できます。

研究者たちは、注意を監視するEEG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、Massive Open Online Courses (MOOCs)に参加しているeラーニング学生の認知負荷をリアルタイムで監視するシステムを成功裏に示しました。これは、リアルタイムでコースコンテンツを最適化する道を開きます[2]。

認知状態の簡易分析

これらの以前の研究での認知状態の測定は、技術的なスキルと専門知識を必要とする場合があります。しかし、データサイエンスの進歩により、最低限の技術的専門知識で認知状態を測定するための事前構築されたアルゴリズムの使用が可能になりました。Emotionは、EEG内で注意、興奮、関与、ストレス、リラクゼーションなどの異なる脳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であるパフォーマンスメトリクスの使用を可能にします。

これらのアルゴリズムは、特定の認知状態を引き起こすように設計された制御実験を使用して構築され、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パフォーマンスメトリクスは、ゲームベースの学習と従来のペン・アンド・ペーパー学習を比較するために使用されましたが、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]。他の研究者たちは、参加している子どもたちを関与、ストレス、注意などの認知状態に基づいてグループ分けするために、パフォーマンスメトリクスの有用性を示しました。

上部: (A) EEGは、高校の教室で生徒の脳波を測定するために使用できます（出典: Dikker et al. [4]）。 (B) 生徒の脳波は、クラスにより関与している生徒間で高い同期が見られ、関与が少ない生徒で低い同期が見られることが分かりました。

学習環境の改善

教育資料の内容が重要であるだけでなく、学ぶ時間と場所も、生徒に良い学習体験を提供するために同様に重要です。研究者たちは、異なる教室の時間中にアルファ波のレベルを測定し、午前中の高校の授業が早朝よりもアルファ波が少ないことを発見し、午前中が学ぶのに最適な時間である可能性があると示唆しました[4]。

ワイヤレスEEGは、実環境と仮想環境を比較するためにも使用され、両方の環境で同じレベルの注意とモチベーションを提供する能力を示しました [5]。これは、対面の教室に参加できない身体障害者のために、より豊かな学習体験を提供する道を開く可能性があります。研究者たちはまた、EEGを使用して教室の社会的ダイナミクスに関する研究を行っています。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中に彼らの神経活動がどれだけ同期しているかを評価することができます[6][7]。このEEGデータ収集の方法は、EEGハイパースキャニングと呼ばれ、教室内のグループ注意をリアルタイムで推論し、社会的ダイナミクスを改善するための一歩です。

教育のアクセシビリティを向上させる

物理的または感覚的な困難があると、生徒の教室での学習体験が制限されることがあります。しかし、学生の体験を改善するEEGベースのツールがあります。脳-コンピュータインターフェース（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]、物理的な問題を抱える学生が学びながらコンピュータデバイスにメンタルノートを取ることを助けます。EEGベースのイエス・ノータイプの質問に対する回答を可能にするBCIは、視覚障害を持つ学生がインタビュアーを必要とするコンピュータベースの試験を受けることを可能にしています[10]。

個別学習体験の提供

学生に個人のチューターを提供することは高額になることがありますが、一般教育システムが学習における特異なニーズに対応しきれないときには、しばしば必要です。インテリジェント・チュータリング・システム（ITS）は、AIを備えたコンピュータベースの学習ソフトウェアの一種であり、個人のチューターとして機能します。

これらのシステムの目的は、学生の学習を強化するために、リアルタイムで個別化されたフィードバックを適応させて提供することです。研究者たちは、現在EEGと統合することでITSシステムを進歩させています。一つの研究では、研究者はEEGを使用して異なる種類の教育ビデオ（アニメーションコンテンツと人間の教師によるビデオ）への学生の関与を検出し、ITSに学び、学生がより興味を持つコンテンツを自動的に生成することを可能にします。

人間の要素を教育過程から除外すると、コンピュータベースの学習プログラムを使用する際に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。ストレスや画面疲労を防ぐために、研究者たちはEEGデータに基づく顔の表情データベースを開発し、学生がITSを使用している間に退屈している、関与している、興奮している、または挫折しているかを積極的に検出します[11]。

このEEGの進展は、ITSシステムが個々の学生に連続して学び、適応する道を開きます。疲れているときに休憩を提案したり、関与しているときに講義を続行したりして、学生にとってより効果的な学習体験を提供します。

上部: ニューヨーク大学（NYU） BrainWaves プログラム で、EMOTIV EEG脳技術を身につけた生徒がゲームをプレイしています。

EEGをSTEM学習ツールとして活用する

Emotiv 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）の科学者を鼓舞する優れた入門ツールでもあります。

Emotivのデバイスとソフトウェアは、現在大学の学部レベルのコースで使用されており、心理学や神経科学だけでなく、バイオメディカル工学でも導入されています。Kurentは、高校や大学レベルでEmotiv EPOCデバイスを教育過程に統合する成功した例を示しています。Kosmayanaらは、学校のカリキュラムにEEG-BCIシステムを含める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、学生に実験設計とEEGデータ分析の実践経験を提供するBachelor of Cognitive and Brain SciencesカリキュラムにEmotivデバイスを成功裏に組み込んだことを示しました[14]。

さらに、White-Foyは、12歳の子どもがBCI技術を成功裏に学び、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示します[13]。学生はオンラインリソースを使用して、EEGをコマンドに翻訳する<a id="7">EMOTIV Insight

上部: 中等学校のNeuroLab。11〜18歳の学生がRaspberry PiとBB-8ロボットをEmotivデバイスと統合し、メンタルコマンドを使用してBB-8を迷路でナビゲートしました（NeuroLabsからの許可を得て共有）

低コストのモバイルEmotiv EEGデバイスは、教育プログラムの質を向上させる方法を提供するだけでなく、BCIの発展とともに、特異なニーズを持つ個人にとって豊かな教育環境を提供することも提案しています。

EMOTIVがどのように役立つか

• 学生の学習体験を改善するために、EMOTIV EEG Lab Starter Kitsを使用してください。

• EmotivPRO Builderで実験を構築し、データを分析します。

• EmotivLABSでデータを取得するためにリモート実験を開始します。

• 当社の オープンソースデータセットを使用してください。

ヘルプが必要ですか？お問い合わせください

 カバー画像出典：トレバーデイ学校

参考文献

1. J. Xu and B. Zhong, “教育研究におけるポータブルEEG技術のレビュー,” 人的行動におけるコンピュータ, vol. 81, pp. 340–349, 2018年4月, doi: 10.1016/j.chb.2017.12.037.

2. Zhou Y, Xu T, Cai Y, Wu X, Dong B. EEGベースの脳-コンピュータインターフェースを通じたオンラインビデオ学習における認知負荷の監視。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. ペン・アンド・ペーパーとゲームベースの学習アプローチを比較するために脳波を監視し、学習者の感情状態を評価する。2019 IEEE教育フロンティア会議（FIE)で。 ; 2019:1-8. doi:10.1109/FIE43999.2019.9097262

4. Dikker S, Haegens S, Bevilacqua D, et al. 高校の授業時間が重要であるという現実の神経的証拠。社会認知感情神経科学. 2020;15(11):1193-1202. doi:10.1093/scan/nsaa142

5. Romero-Soto FO, Ibarra-Zárate DI, Alonso-Valerdi LM. 実環境と仮想環境におけるアルファパワースペクトル密度の比較分析。ボリューム75で。 ; 2020:156-163. doi:10.1007/978-3-030-30648-9_22

6. Dikker S, Wan L, Davidesco I, et al. 教室における現実の動的グループ相互作用を追跡する脳と脳の同期。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. 教室におけるEEG: ビデオプレゼンテーション中の同期した神経記録。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. 脳波タイピング: ドライ電極EEGデバイスを使用したP300と運動イメージの比較研究。C. Stephanidis編. HCI International 2013 - ポスターの拡張要約。コンピュータと情報科学における通信。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. あなたの考えをテキストに変換する: EEG信号の深層特徴学習を介して脳タイピングを可能にする。2018 IEEE国際周辺コンピューティングおよび通信会議（PerCom)で。 ; 2018:1-10. doi:10.1109/PERCOM.2018.8444575

10. Yosrita E, Heryadi Y, Wulandhari LA, Budiharto W. 視覚障害を持つ学生のためのイエス・ノー型の回答を持つ試験モデルの単語を識別するEEGベースの方法。 ; 2019. doi:10.1109/TALE48000.2019.9225903

11. Zatarain-Cabada R, Barrón-Estrada ML, González-Hernández F, Rodriguez-Rangel H. インテリジェントチュータリングシステムのための顔表情認識器と顔表情データベースの構築。2017 IEEE第17回国際学習技術会議（ICALT)で。 ; 2017:391-393. doi:10.1109/ICALT.2017.141

12. Kurent P. 高校や大学への未来技術の統合。2017 40th International Convention on Information and Communication Technology, Electronics and Microelectronics (MIPRO)方式で。 ; 2017:858-861. doi:10.23919/MIPRO.2017.7973541

13. White-Foy J. 学生のための神経科学: 中等教育の子どもたちにEEGおよび脳-コンピュータインターフェース技術を紹介するプロジェクト。Praxis Teacher Research. 2019年11月29日発表。2022年6月15日アクセス。 https://praxis-teacher-research.org/neuroscience-for-students/

14. Kosmyna, Nataliya, Nathalie Soetaert, and Cassandra Scheirer. "正式な教育活動を促進するための教室での脳-コンピュータインターフェースの使用に関するパイロット研究。" 未来技術会議の議事録。スプリンガー、チューリッヒ、2021年。

15. Alvarez, V., Bower, M., de Freitas, S., Gregory, S. およびDe Wit, B., 2016. オーストラリアの大学におけるウェアラブルテクノロジーの使用: 環境科学、認知および脳科学、教師トレーニングからの例。モバイル学習の未来-モバイル学習における品質研究と実践を維持する25。

16. Rodríguez, A.O.R., Riaño, M.A., García, P.A.G., Marín, C.E.M., Crespo, R.G. およびWu, X., 2020. 学習分析とARサンドボックスを使用した学習環境を通じた子どもの感情的特性。環境インテリジェンスおよびヒューマナイズドコンピューティングのジャーナル、11(11)、pp. 5353-5367。