EEGを使用して最適な学習環境を作る方法

著者 ロシニ・ランデニヤ博士

教育は私たち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とって不可欠です。教育神経科学は、教育と学習の神経メカニズムを理解することを目指す、急速に発展している学際的な分野です。

過去20年間で、ポータブルEEG技術の進歩により、研究者は教室やeラーニングの両方でEEGヘッドセットを使用して、学生のための最適な学習環境を作成することが可能になりました。[1] 本記事では、EMOTIVのEEGヘッドセットが、私たちの教え方や学び方をどのように変えるため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、学生からの常に主観的な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ためには、コースの完成時に自己報告によるフィードバック測定が行われていました。

しかし、主観的な記憶に依存するため、コースの提供のどの側面を改善できるかを正確に特定することはしばしば困難です。EEGは高い時間分解能（すなわち、ミリ秒のスケールで脳の反応を測定できる能力）を持っているため、単なる自己報告測定では認識されない前意識のプロセスを索引化することができます。コース内容を最適化する際に最も有用な指標は、注意のレベルと認知負荷です。これは脳が情報を保持するために費やす努力の量を測定します。注意は、学んでいるときにEEGで観察されるさまざまな脳波を分析することで測定されることが多く、アルファ波（通常は疲労していると関連付けられる）およびベータ波（通常は警戒または集中していると関連付けられる）のレベルが含まれます。認知負荷は、アルファ波やシータ波の異なるレベルで索引化することもできます。

研究者は、注意をモニタリングできるEEGシステムを開発しており、コース全体を通じて注意レベルを評価できます。Zhou et al.は、大規模オープンオンラインコース（MOOCs）に参加するeラーニング学生の認知負荷をリアルタイムでモニタリングするシステムを成功裏に実証しており、これはコース内容や教育をリアルタイムで最適化する道を開くものです。[2]

認知状態の分析を簡単に

これらの以前の研究のように認知状態を測定するには、一部の技術的スキルと専門知識が必要になることがあります。しかし、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認知状態を測定するために既成のアルゴリズムを使用できるようになりました。Emotivは、パフォーマンスメトリクスの使用を可能にします：焦点、興奮、エンゲージメント、挫折、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です。

これらのアルゴリズムは、特定の認知状態を引き出すために設計された制御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と紙の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つの学習方法の間に認知状態に違いは見られませんでした。[3] 他の研究者は、感情的な状態によって子供たち（5〜7歳）のグループを分類するためのパフォーマンスメトリクスの有用性を示しており、拡張現実環境におけるアクティビティの効果を評価しています。

上記： (A) EEGは、高校の教室で学生の脳波を測定するのに使用できます（出典：Dikker et al. [4]）。 (B) 学生の脳波は、クラスにより多く参加している学生で高い同期を示すことがあります（左）。参加が少ない学生には低い同期が見られました（右）。

学習環境の強化

教育資料の内容だけでなく、いつどこで学ぶのかも、学生が良い学習体験をするためには同様に重要です。研究者たちは、異なる教室の時間中の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かもしれないと示唆しています。[4]

ワイヤレスEEGも、リアル環境と仮想環境を比較するために使用され、両方の環境で同等の注意と動機を提供できる能力を示しています。[5] これは、対面の教室に参加できない身体的障害者にとって、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を使用して教室で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グループの学生は、共通の学習プロセス中の神経活動の同期度合いを評価できます。[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、教室での集団的注意のリアルタイム推測と社会的ダイナミクスの改善に向けた一歩となります。

すべての人に教育をアクセス可能にする

身体的または感覚的な困難があると、学生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ベースのツールが存在します。脳-コンピュータインターフェイス（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ました。[8][9] これは、身体的な困難を抱える学生が学びながらコンピュータデバイスにメモを取るのを助けます。EEGに基づいたはい-いいえの質問に答えることを可能にするBCIも、視覚障害のある学生が、インタビュアーを必要としない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]

パーソナライズされた学習体験

学生に個人指導を提供することは費用がかかることがありますが、一般教育システムが学習のユニークなニーズに対応している場合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、人工知能を駆使した個人指導を行う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、学習を強化することです。研究者たちは現在、EEGと統合することによってITSシステムを進化させています。ある研究では、研究者たちはEEGを使用してさまざまなタイプの教育ビデオ（アニメーションコンテンツと人間の教師がいるビデオ）に対する学生のエンゲージメントを検出し、ITSが学生にとってより興味深いコンテンツを自動的に生成することを可能にしています。

教えるプロセスから人間の要素を取り除くと、コンピュータベースの学習プログラムを使用中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。ストレスや画面疲労を防ぐためです。このために、研究者たちは、学習中に学生が退屈を感じているか、エンゲージされているか、興奮しているか、あるいは挫折しているかを積極的に検出するEEGデータに基づいた顔の表情データベースを開発しました。[11]

EEGを使用したこの開発により、ITSシステムは特定の学生に継続的に学習し適応することができます。疲れているときには休憩を提案したり、エンゲージされているときには教え続けたりして、学生にとってより効果的な学習体験を提供します。

上記：ニューヨーク大学（NYU）の BrainWaves プログラムの学生が、EMOTIV EEG脳テクノロジーを装着してゲームをプレイしています。

EEGをSTEM学習ツールとして

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）科学者にインスピレーションを与えるための優れた入門ツールです。

Emotivのデバイスとソフトウェアは、心理学や神経科学だけでなく、生物医学工学においても大学の学部レベルのコースで現在使用されています。Kurentは、高校と大学レベルの教育プロセスにEmotiv EPOCデバイスを統合した成功例を示しています。Kosmayana et al.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すでに、実験デザインとEEGデータ分析に関する学生の実践的経験を提供するCognitive and Brain Sciencesの学士課程にEmotivデバイスを成功裏に含めることを示しました。[14]

さらに、ホワイト-フォイは、12歳の子供でもBCI技術を成功裏に学び、小規模なEEG研究プロジェクトを設定できることを示しています。[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（ミニチュアコンピュータ）に統合し、EEGをコマンドに変換してリモコンのスターウォーズの玩具（BB-8）を制御し、迷路を移動させました。

上記：中等学校のNeuroLab。11-18歳の学生がEmotivデバイスを用いてRaspberry PiとBB-8ロボットを統合し、精神的なコマンドを使用してBB-8を迷路の中を移動させました（NeuroLabsの許可を得て共有）。

私たちは、低コストで携帯可能なEmotiv EEGデバイスが、教育者が優れたコンテンツを提供するための品質を高める方法を提供するだけでなく、BCIの進展とも相まって、ユニークなニーズを持つ個人にとっても豊かな教育環境を提供しようとしていることがわかります。

EMOTIVが役立つ方法

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

• EmotivPRO Builderを使用して実験を構築し、データを分析します。

• EmotivLABSのデータを取得するためにリモート実験を実施します。

• オープンソースデータセットをご利用ください。

助けが必要ですか？ お問い合わせください

カバー画像の出典: トレバー・デイ・スクール

参考文献

1. J. XuとB. Zhong、「教育研究におけるポータブルEEG技術のレビュー」、Computers in Human Behavior、第81巻、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イスを通じてオンラインビデオ学習における認知負荷を監視。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. ゲームベースの学習アプローチとペンと紙の学習を比較するために脳波を監視して学習者の感情状態を評価しています。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. 午前の脳：高校の授業時間が重要であることを示すリアルワールドの神経的証拠。Soc Cogn Affect Neurosci. 2020;15(11):1193-1202. doi:10.1093/scan/nsaa142

5. Romero-Soto FO, Ibarra-Zárate DI, Alonso-Valerdi LM. 現実および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。In: Vol 75. ; 2020:156-163. doi:10.1007/978-3-030-30648-9_22

6. Dikker S, Wan L, Davidesco I, et al. 脳から脳への同期が教室内の現実世界の動的なグループ相互作用を追跡します。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. 教室内の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：乾式電極EEGデバイスを使用したP300と運動イメージによるタイピングの比較研究。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. あなたの思考をテキストに変換する：EEG信号の深い特徴学習を通じた脳タイピングを可能にします。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. 視覚障害のある学生のためのはい-いいえの回答型質問に基づく試験モデルでの単語のEEGベースの特定。In: ; 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の表情認識器と顔の表情データベースの構築。In: 2017 IEEE 17th International Conference on Advanced Learning Technologies (ICALT). ; 2017:391-393. doi:10.1109/ICALT.2017.141

12. Kurent P. 高校および大学に対して未来の技術の統合。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. 学生のための神経科学：EEGと脳-コンピュータインターフェイス技術を中等学校の子供たちに導入するプロジェクト。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, およびCassandra Scheirer. "教室での正式な教育活動を促進するための脳-コンピュータインターフェイスの使用についてのパイロット研究。" Future Technologies Conferenceの会議録。Springer, Cham, 2021.

15. Alvarez, V., Bower, M., de Freitas, S., Gregory, S.およびDe Wit, B., 2016年。オーストラリアの大学におけるウェアラブル技術の使用：環境科学、認知および脳科学、教師養成に関する事例。モバイル学習の未来–モバイル学習における質の高い研究と実践を持続するために、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年。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供の感情的特性の評価。Journal of Ambient Intelligence and Humanized Computing, 11(11), pp.5353-5367。