EEG를 사용하여 최적의 학습 환경을 조성하는 방법
로시니 란데니야 박사
업데이트됨
2024. 9. 12.
EEG를 사용하여 최적의 학습 환경을 조성하는 방법
로시니 란데니야 박사
업데이트됨
2024. 9. 12.
EEG를 사용하여 최적의 학습 환경을 조성하는 방법
로시니 란데니야 박사
업데이트됨
2024. 9. 12.
교육은 우리 사회의 근본적인 기둥이며, 풍요로운 학습 환경을 제공하는 것은 사회 발전을 위해 필수적입니다. 교육 신경과학은 교수 및 학습의 신경학적 메커니즘을 이해하는 것을 목표로 하는 급격히 발전 중인 학제 간 분야입니다.
지난 20년 동안 휴대용 EEG 기술의 발전 덕분에 연구원들은 교실과 e-러닝 모두에서 EEG 헤드셋을 사용하여 학생들을 위한 최적의 학습 환경을 조성할 수 있게 되었습니다 [1]. 이 기사에서는 Emotiv의 EEG 헤드셋이 우리가 가르치고 배우는 방식을 바꾸기 위해 어떻게 사용되고 있는지 살펴보겠습니다.
교육용 콘텐츠 최적화
흥미를 유발하는 교육용 콘텐츠를 설계하려면 학생들로부터 지속적이고 주관적인 피측정 데이터가 필요합니다. 전통적으로 강의 콘텐츠의 효과를 결정하는 것은 코스를 수료한 후 자기 보고식 피드백 측정을 통해 이루어집니다.
하지만 주관적인 기억에 의존하기 때문에 강좌 전달의 구체적으로 어떤 측면을 개선할 수 있는지 정확하게 분리해 내기는 어려운 경우가 많습니다. 높은 시간 해상도(즉, 밀리초 단위로 뇌의 반응을 측정하는 능력) 덕분에 EEG는 단순한 자기 보고식 측정만으로는 인식할 수 없었던 사전 의식 과정을 표시할 수 있습니다. 강좌 콘텐츠를 최적화할 때 가장 유용한 지표는 주의 집중도 수준과 인지 부하(cognitive load)(뇌가 정보를 유지하기 위해 발휘하는 노력의 양에 대한 척도)입니다. 주의 집중도(Attention)는 종종 알파파(일반적으로 피로함과 관련됨) 및 베타파(일반적으로 기민하거나 집중하는 상태와 관련됨) 수준과 같이 누군가가 학습할 때 EEG에서 관찰되는 다양한 뇌파를 분석하여 측정됩니다. 보다 복잡한 측정값인 인지 부하도 알파파 및 타파의 가변적인 수준으로 표시될 수 있습니다.
연구원들은 전체 강의 전반에 걸쳐 주의 집중도 수준을 평가할 수 있는 EEG 기반 주의 집중도 모니터링 시스템을 개발했습니다. Zhou 등은 무크(MOOCs)를 이용하는 e-러닝 학생들의 인지 부하를 모니터링하는 실시간 시스템을 성공적으로 시연하여 실시간 코스 콘텐츠 최적화의 길을 열었습니다 [2].
쉬워진 인지 상태 분석
이전 연구들처럼 인지 상태를 측정하려면 특정 기술적 기능과 전문 지식이 필요할 수 있습니다. 다행히도 데이터 과학의 발전으로 이제 최소한의 기술적 전문 지식만으로도 사전 구축된 알고리즘을 사용하여 인지 상태를 측정할 수 있게 되었습니다. Emotiv는 EEG에서 집중, 흥분, 참여, 좌절, 스트레스, 이완 등 다양한 뇌 상태를 식별하기 위해 개발된 기계 학습 알고리즘인 Performance Metrics의 사용을 지원합니다.
이러한 알고리즘은 특정 인지 상태를 이끌어내도록 설계된 통제된 실험을 사용하여 구축되었으며 교육용 콘텐츠를 최적화하는 데 유용합니다. 비록 두 학습 방식 간에 인지 상태의 차이가 없음이 연구로 나타났지만, 이러한 Emotiv Performance Metrics는 게임 기반 학습과 전통적인 펜 및 종이 학습을 비교하는 데 사용되었습니다 [3]. 다른 연구원들은 증강 현실 환경에서의 활동 효과를 판단하기 위해 참여, 스트레스, 집중 같은 인지 상태를 기반으로 5~7세의 어린 아이들을 그룹화하는 데 Performance Metrics의 유용성을 입증했습니다.
위: (A) EEG는 고등학교 교실에서 학생들의 뇌파를 측정하는 데 사용할 수 있습니다 (출처: Dikker 등 [4]). (B) 수업에 더 적극적으로 참여한 학생들(왼쪽)의 뇌파는 다른 학생들과 높은 동기화를 보여주었습니다. 참여도가 낮았던 학생들(오른쪽)의 경우에는 다른 학생들과의 낮은 동기화가 관찰되었습니다.
학습 환경의 강화
교육 자료의 콘텐츠만 중요한 것이 아니라, 학생들이 훌륭한 학습 경험을 할 수 있도록 보장하려면 언제 어디서 배우는지도 똑같이 중요합니다. 연구원들이 서로 다른 수업 시간 동안의 알파파 수준을 측정한 결과, 오전 중반 고등학교 수업이 이른 아침보다 알파파가 적게 나타났으며 오전 중반이 학습에 가장 좋은 시간일 수 있다고 제안했습니다 [4].
무선 EEG는 실제 환경과 가상 환경을 비교하는 데도 사용되어 두 환경 모두에서 동등한 수준의 주의 행동과 동기 부여를 제공할 수 있는 능력을 입증했습니다 [5]. 이는 실제 교실에 출석하기 어려운 신체 장애를 가진 사람들에게 더욱 풍부한 학습 경험을 제공하는 길을 열어줄 수 있습니다. 연구원들은 또한 EEG를 사용하여 교실의 소셜 다이내믹스에 대한 연구를 수행했습니다. EEG 헤드셋을 착용한 학생 그룹은 공동 학습 과정 중에 자신의 신경 활동이 얼마나 동기화되는지 평가받을 수 있습니다 [6][7]. EEG hyperscanning이라고 불리는 이 EEG 데이터 수집 방법은 그룹 주의력을 실시간으로 추론하고 교실 내 소셜 다이내믹스를 개선하기 위한 한 단계 발전된 방식입니다.
모두가 접근 가능한 교육 만들기
일부 신체적 또는 감각적 어려움은 교실에서 학생들의 학습 경험을 제한할 수 있습니다. 그러나 학생들의 경험을 개선하고 있는 복수의 EEG 기반 도구들이 존재합니다. 뇌-컴퓨터 인터페이스(BCI) 기술의 발전으로 EEG 기반 타이핑이 가능해졌으며 [8][9], 이는 신체적으로 어려움을 겪는 학생들이 학습하면서 컴퓨터 기기에 생각만으로 필기할 수 있도록 도와줍니다. 예-아니오 유형의 질문에 대한 EEG 기반 답변을 가능하게 하는 BCI는 일반적인 경우에는 면접관이 필요했을 컴퓨터 기반 시험을 통해 시각 장애가 있는 학생들도 평가받을 수 있도록 돕고 있습니다 [10].
개인 맞춤형 학습 경험
학생들에게 개인 튜터를 제공하는 것은 비용이 많이 들 수 있지만 공교육 시스템이 학습의 고유한 요구 사항들을 처리하기에 장비나 인력이 부족할 때는 종종 필수적일 수 있습니다. 지능형 튜터링 시스템(ITS)은 인공지능이 뒷받침하는 컴퓨터 기반 학습 소프트웨어의 일종으로 개인 튜터 역할을 할 수 있습니다.
이러한 시스템의 목표는 학생의 학습을 유도하기 위해 적응하고 실시간으로 개인 맞춤형 피드백을 제공하는 것입니다. 연구원들은 현재 이러한 ITS 시스템을 EEG와 통합하여 더욱 발전시키고 있습니다. 한 연구에서 연구원들은 EEG를 사용하여 다양한 유형의 교육용 비디오(애니메이션 콘텐츠 대 인간 교사가 나오는 비디오)에 대한 학생의 참여도를 감지하며, 이를 통해 ITS는 학생이 더 흥미로워할 콘텐츠를 자동으로 학습하고 생성할 수 있게 됩니다.
가르치는 과정에서 사람이라는 요소를 배제할 때, 컴퓨터 기반 학습 프로그램을 사용하는 동안 학생의 인지 부하를 추적하여 스트레스와 화면 피로를 예방하는 것이 한층 더 중요해집니다. 이를 방지하기 위해 연구원들은 ITS를 사용하는 동안 학생이 지루해하는지, 참여하고 있는지, 흥분했는지 또는 좌절했는지를 능동적으로 감지하는 EEG 데이터 기반의 얼굴 표정 데이터베이스를 개발했습니다 [11].
EEG 연구의 이러한 발전은 ITS 시스템이 개별 학생을 지속적으로 학습하고 그에 맞추어 적응하도록 길을 열어주고 있습니다. 피곤할 때는 휴식을 제안하거나 참여도가 높을 때는 계속 가르침으로써 학생에게 보다 효과적인 학습 경험을 제공합니다.
위: 뉴욕대학교(NYU) BrainWaves 프로그램 학생들이 Emotiv EEG 브레인 기술 장비를 착용한 채 게임을 하고 있습니다.
STEM 학습 도구로서의 EEG
Emotiv EEG 장치와 소프트웨어는 사용하기 쉬우며 과학, 기술, 공학 및 수학(STEM) 분야의 차세대 과학자들에게 영감을 주는 훌륭한 입문용 도구이기도 합니다.
Emotiv 장치와 소프트웨어는 현재 심리학 및 신경과학 뿐만 아니라 생인의공학 분야의 대학교 학부 과정에서도 사용되고 있습니다. Kurent는 고등학교 및 대학교 수준의 교육 과정에 Emotiv EPOC 장치를 성공적으로 통합하여 BCI 장치의 발전을 이끌어낸 사례를 제시하고 있습니다. Kosmayana 등은 학교 커리큘럼에 EEG-BCI 시스템을 포함하는 것이 학업 성적을 향상시킨다는 사실을 발견했습니다. 맥쿼리 대학교는 인지 및 뇌과학 학사 커리큘럼에서 Emotiv 장치를 성공적으로 도입하여 학생들에게 실험 설계 및 EEG 데이터 분석에 대한 실제적인 경험을 제공하고 있습니다 [14].
또한, White-Foy는 12세의 어린 아이들도 BCI 기술을 성공적으로 학습하고 소규모 EEG 연구 프로젝트를 구성할 수 있음을 보여줍니다 [13]. 학생들은 온라인 자료를 이용해 Emotiv Insight 장치를 라즈베리 파이(소형 컴퓨터)에 통합했으며, 이는 EEG를 원격 조종 스타워즈 장난감(BB-8)을 제어하고 미로를 통과하도록 이끄는 명령어로 변환합니다.
위: 중등학교 NeuroLab. 11~18세 학생들은 라즈베리 파이와 BB-8 로봇을 Emotiv 장치와 통합하고 정신적 명령을 사용하여 BB-8이 미로를 통과하도록 조종했습니다 (NeuroLabs의 허가를 받아 공유함).
저비용의 모바일 Emotiv EEG 장치가 교육자가 뛰어난 콘텐츠를 제공하도록 교육 프로그램의 품질을 높이는 방법들을 제시할 뿐만 아니라, BCI 기술의 발전과 결합하여 고유한 요구 사항이 있는 개인들에게도 풍부한 교육 환경을 제공할 수 있음을 확인할 수 있습니다.
Emotiv가 도울 수 있는 방법
Emotiv EEG Lab Starter Kits를 통해 학생들의 학습 경험을 개선하세요.
EmotivPRO Builder로 실험을 설계하고 데이터를 분석하세요.
원격 실험을 런칭하여 EmotivLABS에서 데이터를 얻으세요.
당사의 오픈 소스 데이터 세트를 이용해 보세요.
도움이 필요하신가요? 당사에 문의하세요
커버 이미지 출처: Trevor Day School
참고 문헌
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.
교육은 우리 사회의 근본적인 기둥이며, 풍요로운 학습 환경을 제공하는 것은 사회 발전을 위해 필수적입니다. 교육 신경과학은 교수 및 학습의 신경학적 메커니즘을 이해하는 것을 목표로 하는 급격히 발전 중인 학제 간 분야입니다.
지난 20년 동안 휴대용 EEG 기술의 발전 덕분에 연구원들은 교실과 e-러닝 모두에서 EEG 헤드셋을 사용하여 학생들을 위한 최적의 학습 환경을 조성할 수 있게 되었습니다 [1]. 이 기사에서는 Emotiv의 EEG 헤드셋이 우리가 가르치고 배우는 방식을 바꾸기 위해 어떻게 사용되고 있는지 살펴보겠습니다.
교육용 콘텐츠 최적화
흥미를 유발하는 교육용 콘텐츠를 설계하려면 학생들로부터 지속적이고 주관적인 피측정 데이터가 필요합니다. 전통적으로 강의 콘텐츠의 효과를 결정하는 것은 코스를 수료한 후 자기 보고식 피드백 측정을 통해 이루어집니다.
하지만 주관적인 기억에 의존하기 때문에 강좌 전달의 구체적으로 어떤 측면을 개선할 수 있는지 정확하게 분리해 내기는 어려운 경우가 많습니다. 높은 시간 해상도(즉, 밀리초 단위로 뇌의 반응을 측정하는 능력) 덕분에 EEG는 단순한 자기 보고식 측정만으로는 인식할 수 없었던 사전 의식 과정을 표시할 수 있습니다. 강좌 콘텐츠를 최적화할 때 가장 유용한 지표는 주의 집중도 수준과 인지 부하(cognitive load)(뇌가 정보를 유지하기 위해 발휘하는 노력의 양에 대한 척도)입니다. 주의 집중도(Attention)는 종종 알파파(일반적으로 피로함과 관련됨) 및 베타파(일반적으로 기민하거나 집중하는 상태와 관련됨) 수준과 같이 누군가가 학습할 때 EEG에서 관찰되는 다양한 뇌파를 분석하여 측정됩니다. 보다 복잡한 측정값인 인지 부하도 알파파 및 타파의 가변적인 수준으로 표시될 수 있습니다.
연구원들은 전체 강의 전반에 걸쳐 주의 집중도 수준을 평가할 수 있는 EEG 기반 주의 집중도 모니터링 시스템을 개발했습니다. Zhou 등은 무크(MOOCs)를 이용하는 e-러닝 학생들의 인지 부하를 모니터링하는 실시간 시스템을 성공적으로 시연하여 실시간 코스 콘텐츠 최적화의 길을 열었습니다 [2].
쉬워진 인지 상태 분석
이전 연구들처럼 인지 상태를 측정하려면 특정 기술적 기능과 전문 지식이 필요할 수 있습니다. 다행히도 데이터 과학의 발전으로 이제 최소한의 기술적 전문 지식만으로도 사전 구축된 알고리즘을 사용하여 인지 상태를 측정할 수 있게 되었습니다. Emotiv는 EEG에서 집중, 흥분, 참여, 좌절, 스트레스, 이완 등 다양한 뇌 상태를 식별하기 위해 개발된 기계 학습 알고리즘인 Performance Metrics의 사용을 지원합니다.
이러한 알고리즘은 특정 인지 상태를 이끌어내도록 설계된 통제된 실험을 사용하여 구축되었으며 교육용 콘텐츠를 최적화하는 데 유용합니다. 비록 두 학습 방식 간에 인지 상태의 차이가 없음이 연구로 나타났지만, 이러한 Emotiv Performance Metrics는 게임 기반 학습과 전통적인 펜 및 종이 학습을 비교하는 데 사용되었습니다 [3]. 다른 연구원들은 증강 현실 환경에서의 활동 효과를 판단하기 위해 참여, 스트레스, 집중 같은 인지 상태를 기반으로 5~7세의 어린 아이들을 그룹화하는 데 Performance Metrics의 유용성을 입증했습니다.
위: (A) EEG는 고등학교 교실에서 학생들의 뇌파를 측정하는 데 사용할 수 있습니다 (출처: Dikker 등 [4]). (B) 수업에 더 적극적으로 참여한 학생들(왼쪽)의 뇌파는 다른 학생들과 높은 동기화를 보여주었습니다. 참여도가 낮았던 학생들(오른쪽)의 경우에는 다른 학생들과의 낮은 동기화가 관찰되었습니다.
학습 환경의 강화
교육 자료의 콘텐츠만 중요한 것이 아니라, 학생들이 훌륭한 학습 경험을 할 수 있도록 보장하려면 언제 어디서 배우는지도 똑같이 중요합니다. 연구원들이 서로 다른 수업 시간 동안의 알파파 수준을 측정한 결과, 오전 중반 고등학교 수업이 이른 아침보다 알파파가 적게 나타났으며 오전 중반이 학습에 가장 좋은 시간일 수 있다고 제안했습니다 [4].
무선 EEG는 실제 환경과 가상 환경을 비교하는 데도 사용되어 두 환경 모두에서 동등한 수준의 주의 행동과 동기 부여를 제공할 수 있는 능력을 입증했습니다 [5]. 이는 실제 교실에 출석하기 어려운 신체 장애를 가진 사람들에게 더욱 풍부한 학습 경험을 제공하는 길을 열어줄 수 있습니다. 연구원들은 또한 EEG를 사용하여 교실의 소셜 다이내믹스에 대한 연구를 수행했습니다. EEG 헤드셋을 착용한 학생 그룹은 공동 학습 과정 중에 자신의 신경 활동이 얼마나 동기화되는지 평가받을 수 있습니다 [6][7]. EEG hyperscanning이라고 불리는 이 EEG 데이터 수집 방법은 그룹 주의력을 실시간으로 추론하고 교실 내 소셜 다이내믹스를 개선하기 위한 한 단계 발전된 방식입니다.
모두가 접근 가능한 교육 만들기
일부 신체적 또는 감각적 어려움은 교실에서 학생들의 학습 경험을 제한할 수 있습니다. 그러나 학생들의 경험을 개선하고 있는 복수의 EEG 기반 도구들이 존재합니다. 뇌-컴퓨터 인터페이스(BCI) 기술의 발전으로 EEG 기반 타이핑이 가능해졌으며 [8][9], 이는 신체적으로 어려움을 겪는 학생들이 학습하면서 컴퓨터 기기에 생각만으로 필기할 수 있도록 도와줍니다. 예-아니오 유형의 질문에 대한 EEG 기반 답변을 가능하게 하는 BCI는 일반적인 경우에는 면접관이 필요했을 컴퓨터 기반 시험을 통해 시각 장애가 있는 학생들도 평가받을 수 있도록 돕고 있습니다 [10].
개인 맞춤형 학습 경험
학생들에게 개인 튜터를 제공하는 것은 비용이 많이 들 수 있지만 공교육 시스템이 학습의 고유한 요구 사항들을 처리하기에 장비나 인력이 부족할 때는 종종 필수적일 수 있습니다. 지능형 튜터링 시스템(ITS)은 인공지능이 뒷받침하는 컴퓨터 기반 학습 소프트웨어의 일종으로 개인 튜터 역할을 할 수 있습니다.
이러한 시스템의 목표는 학생의 학습을 유도하기 위해 적응하고 실시간으로 개인 맞춤형 피드백을 제공하는 것입니다. 연구원들은 현재 이러한 ITS 시스템을 EEG와 통합하여 더욱 발전시키고 있습니다. 한 연구에서 연구원들은 EEG를 사용하여 다양한 유형의 교육용 비디오(애니메이션 콘텐츠 대 인간 교사가 나오는 비디오)에 대한 학생의 참여도를 감지하며, 이를 통해 ITS는 학생이 더 흥미로워할 콘텐츠를 자동으로 학습하고 생성할 수 있게 됩니다.
가르치는 과정에서 사람이라는 요소를 배제할 때, 컴퓨터 기반 학습 프로그램을 사용하는 동안 학생의 인지 부하를 추적하여 스트레스와 화면 피로를 예방하는 것이 한층 더 중요해집니다. 이를 방지하기 위해 연구원들은 ITS를 사용하는 동안 학생이 지루해하는지, 참여하고 있는지, 흥분했는지 또는 좌절했는지를 능동적으로 감지하는 EEG 데이터 기반의 얼굴 표정 데이터베이스를 개발했습니다 [11].
EEG 연구의 이러한 발전은 ITS 시스템이 개별 학생을 지속적으로 학습하고 그에 맞추어 적응하도록 길을 열어주고 있습니다. 피곤할 때는 휴식을 제안하거나 참여도가 높을 때는 계속 가르침으로써 학생에게 보다 효과적인 학습 경험을 제공합니다.
위: 뉴욕대학교(NYU) BrainWaves 프로그램 학생들이 Emotiv EEG 브레인 기술 장비를 착용한 채 게임을 하고 있습니다.
STEM 학습 도구로서의 EEG
Emotiv EEG 장치와 소프트웨어는 사용하기 쉬우며 과학, 기술, 공학 및 수학(STEM) 분야의 차세대 과학자들에게 영감을 주는 훌륭한 입문용 도구이기도 합니다.
Emotiv 장치와 소프트웨어는 현재 심리학 및 신경과학 뿐만 아니라 생인의공학 분야의 대학교 학부 과정에서도 사용되고 있습니다. Kurent는 고등학교 및 대학교 수준의 교육 과정에 Emotiv EPOC 장치를 성공적으로 통합하여 BCI 장치의 발전을 이끌어낸 사례를 제시하고 있습니다. Kosmayana 등은 학교 커리큘럼에 EEG-BCI 시스템을 포함하는 것이 학업 성적을 향상시킨다는 사실을 발견했습니다. 맥쿼리 대학교는 인지 및 뇌과학 학사 커리큘럼에서 Emotiv 장치를 성공적으로 도입하여 학생들에게 실험 설계 및 EEG 데이터 분석에 대한 실제적인 경험을 제공하고 있습니다 [14].
또한, White-Foy는 12세의 어린 아이들도 BCI 기술을 성공적으로 학습하고 소규모 EEG 연구 프로젝트를 구성할 수 있음을 보여줍니다 [13]. 학생들은 온라인 자료를 이용해 Emotiv Insight 장치를 라즈베리 파이(소형 컴퓨터)에 통합했으며, 이는 EEG를 원격 조종 스타워즈 장난감(BB-8)을 제어하고 미로를 통과하도록 이끄는 명령어로 변환합니다.
위: 중등학교 NeuroLab. 11~18세 학생들은 라즈베리 파이와 BB-8 로봇을 Emotiv 장치와 통합하고 정신적 명령을 사용하여 BB-8이 미로를 통과하도록 조종했습니다 (NeuroLabs의 허가를 받아 공유함).
저비용의 모바일 Emotiv EEG 장치가 교육자가 뛰어난 콘텐츠를 제공하도록 교육 프로그램의 품질을 높이는 방법들을 제시할 뿐만 아니라, BCI 기술의 발전과 결합하여 고유한 요구 사항이 있는 개인들에게도 풍부한 교육 환경을 제공할 수 있음을 확인할 수 있습니다.
Emotiv가 도울 수 있는 방법
Emotiv EEG Lab Starter Kits를 통해 학생들의 학습 경험을 개선하세요.
EmotivPRO Builder로 실험을 설계하고 데이터를 분석하세요.
원격 실험을 런칭하여 EmotivLABS에서 데이터를 얻으세요.
당사의 오픈 소스 데이터 세트를 이용해 보세요.
도움이 필요하신가요? 당사에 문의하세요
커버 이미지 출처: Trevor Day School
참고 문헌
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.
교육은 우리 사회의 근본적인 기둥이며, 풍요로운 학습 환경을 제공하는 것은 사회 발전을 위해 필수적입니다. 교육 신경과학은 교수 및 학습의 신경학적 메커니즘을 이해하는 것을 목표로 하는 급격히 발전 중인 학제 간 분야입니다.
지난 20년 동안 휴대용 EEG 기술의 발전 덕분에 연구원들은 교실과 e-러닝 모두에서 EEG 헤드셋을 사용하여 학생들을 위한 최적의 학습 환경을 조성할 수 있게 되었습니다 [1]. 이 기사에서는 Emotiv의 EEG 헤드셋이 우리가 가르치고 배우는 방식을 바꾸기 위해 어떻게 사용되고 있는지 살펴보겠습니다.
교육용 콘텐츠 최적화
흥미를 유발하는 교육용 콘텐츠를 설계하려면 학생들로부터 지속적이고 주관적인 피측정 데이터가 필요합니다. 전통적으로 강의 콘텐츠의 효과를 결정하는 것은 코스를 수료한 후 자기 보고식 피드백 측정을 통해 이루어집니다.
하지만 주관적인 기억에 의존하기 때문에 강좌 전달의 구체적으로 어떤 측면을 개선할 수 있는지 정확하게 분리해 내기는 어려운 경우가 많습니다. 높은 시간 해상도(즉, 밀리초 단위로 뇌의 반응을 측정하는 능력) 덕분에 EEG는 단순한 자기 보고식 측정만으로는 인식할 수 없었던 사전 의식 과정을 표시할 수 있습니다. 강좌 콘텐츠를 최적화할 때 가장 유용한 지표는 주의 집중도 수준과 인지 부하(cognitive load)(뇌가 정보를 유지하기 위해 발휘하는 노력의 양에 대한 척도)입니다. 주의 집중도(Attention)는 종종 알파파(일반적으로 피로함과 관련됨) 및 베타파(일반적으로 기민하거나 집중하는 상태와 관련됨) 수준과 같이 누군가가 학습할 때 EEG에서 관찰되는 다양한 뇌파를 분석하여 측정됩니다. 보다 복잡한 측정값인 인지 부하도 알파파 및 타파의 가변적인 수준으로 표시될 수 있습니다.
연구원들은 전체 강의 전반에 걸쳐 주의 집중도 수준을 평가할 수 있는 EEG 기반 주의 집중도 모니터링 시스템을 개발했습니다. Zhou 등은 무크(MOOCs)를 이용하는 e-러닝 학생들의 인지 부하를 모니터링하는 실시간 시스템을 성공적으로 시연하여 실시간 코스 콘텐츠 최적화의 길을 열었습니다 [2].
쉬워진 인지 상태 분석
이전 연구들처럼 인지 상태를 측정하려면 특정 기술적 기능과 전문 지식이 필요할 수 있습니다. 다행히도 데이터 과학의 발전으로 이제 최소한의 기술적 전문 지식만으로도 사전 구축된 알고리즘을 사용하여 인지 상태를 측정할 수 있게 되었습니다. Emotiv는 EEG에서 집중, 흥분, 참여, 좌절, 스트레스, 이완 등 다양한 뇌 상태를 식별하기 위해 개발된 기계 학습 알고리즘인 Performance Metrics의 사용을 지원합니다.
이러한 알고리즘은 특정 인지 상태를 이끌어내도록 설계된 통제된 실험을 사용하여 구축되었으며 교육용 콘텐츠를 최적화하는 데 유용합니다. 비록 두 학습 방식 간에 인지 상태의 차이가 없음이 연구로 나타났지만, 이러한 Emotiv Performance Metrics는 게임 기반 학습과 전통적인 펜 및 종이 학습을 비교하는 데 사용되었습니다 [3]. 다른 연구원들은 증강 현실 환경에서의 활동 효과를 판단하기 위해 참여, 스트레스, 집중 같은 인지 상태를 기반으로 5~7세의 어린 아이들을 그룹화하는 데 Performance Metrics의 유용성을 입증했습니다.
위: (A) EEG는 고등학교 교실에서 학생들의 뇌파를 측정하는 데 사용할 수 있습니다 (출처: Dikker 등 [4]). (B) 수업에 더 적극적으로 참여한 학생들(왼쪽)의 뇌파는 다른 학생들과 높은 동기화를 보여주었습니다. 참여도가 낮았던 학생들(오른쪽)의 경우에는 다른 학생들과의 낮은 동기화가 관찰되었습니다.
학습 환경의 강화
교육 자료의 콘텐츠만 중요한 것이 아니라, 학생들이 훌륭한 학습 경험을 할 수 있도록 보장하려면 언제 어디서 배우는지도 똑같이 중요합니다. 연구원들이 서로 다른 수업 시간 동안의 알파파 수준을 측정한 결과, 오전 중반 고등학교 수업이 이른 아침보다 알파파가 적게 나타났으며 오전 중반이 학습에 가장 좋은 시간일 수 있다고 제안했습니다 [4].
무선 EEG는 실제 환경과 가상 환경을 비교하는 데도 사용되어 두 환경 모두에서 동등한 수준의 주의 행동과 동기 부여를 제공할 수 있는 능력을 입증했습니다 [5]. 이는 실제 교실에 출석하기 어려운 신체 장애를 가진 사람들에게 더욱 풍부한 학습 경험을 제공하는 길을 열어줄 수 있습니다. 연구원들은 또한 EEG를 사용하여 교실의 소셜 다이내믹스에 대한 연구를 수행했습니다. EEG 헤드셋을 착용한 학생 그룹은 공동 학습 과정 중에 자신의 신경 활동이 얼마나 동기화되는지 평가받을 수 있습니다 [6][7]. EEG hyperscanning이라고 불리는 이 EEG 데이터 수집 방법은 그룹 주의력을 실시간으로 추론하고 교실 내 소셜 다이내믹스를 개선하기 위한 한 단계 발전된 방식입니다.
모두가 접근 가능한 교육 만들기
일부 신체적 또는 감각적 어려움은 교실에서 학생들의 학습 경험을 제한할 수 있습니다. 그러나 학생들의 경험을 개선하고 있는 복수의 EEG 기반 도구들이 존재합니다. 뇌-컴퓨터 인터페이스(BCI) 기술의 발전으로 EEG 기반 타이핑이 가능해졌으며 [8][9], 이는 신체적으로 어려움을 겪는 학생들이 학습하면서 컴퓨터 기기에 생각만으로 필기할 수 있도록 도와줍니다. 예-아니오 유형의 질문에 대한 EEG 기반 답변을 가능하게 하는 BCI는 일반적인 경우에는 면접관이 필요했을 컴퓨터 기반 시험을 통해 시각 장애가 있는 학생들도 평가받을 수 있도록 돕고 있습니다 [10].
개인 맞춤형 학습 경험
학생들에게 개인 튜터를 제공하는 것은 비용이 많이 들 수 있지만 공교육 시스템이 학습의 고유한 요구 사항들을 처리하기에 장비나 인력이 부족할 때는 종종 필수적일 수 있습니다. 지능형 튜터링 시스템(ITS)은 인공지능이 뒷받침하는 컴퓨터 기반 학습 소프트웨어의 일종으로 개인 튜터 역할을 할 수 있습니다.
이러한 시스템의 목표는 학생의 학습을 유도하기 위해 적응하고 실시간으로 개인 맞춤형 피드백을 제공하는 것입니다. 연구원들은 현재 이러한 ITS 시스템을 EEG와 통합하여 더욱 발전시키고 있습니다. 한 연구에서 연구원들은 EEG를 사용하여 다양한 유형의 교육용 비디오(애니메이션 콘텐츠 대 인간 교사가 나오는 비디오)에 대한 학생의 참여도를 감지하며, 이를 통해 ITS는 학생이 더 흥미로워할 콘텐츠를 자동으로 학습하고 생성할 수 있게 됩니다.
가르치는 과정에서 사람이라는 요소를 배제할 때, 컴퓨터 기반 학습 프로그램을 사용하는 동안 학생의 인지 부하를 추적하여 스트레스와 화면 피로를 예방하는 것이 한층 더 중요해집니다. 이를 방지하기 위해 연구원들은 ITS를 사용하는 동안 학생이 지루해하는지, 참여하고 있는지, 흥분했는지 또는 좌절했는지를 능동적으로 감지하는 EEG 데이터 기반의 얼굴 표정 데이터베이스를 개발했습니다 [11].
EEG 연구의 이러한 발전은 ITS 시스템이 개별 학생을 지속적으로 학습하고 그에 맞추어 적응하도록 길을 열어주고 있습니다. 피곤할 때는 휴식을 제안하거나 참여도가 높을 때는 계속 가르침으로써 학생에게 보다 효과적인 학습 경험을 제공합니다.
위: 뉴욕대학교(NYU) BrainWaves 프로그램 학생들이 Emotiv EEG 브레인 기술 장비를 착용한 채 게임을 하고 있습니다.
STEM 학습 도구로서의 EEG
Emotiv EEG 장치와 소프트웨어는 사용하기 쉬우며 과학, 기술, 공학 및 수학(STEM) 분야의 차세대 과학자들에게 영감을 주는 훌륭한 입문용 도구이기도 합니다.
Emotiv 장치와 소프트웨어는 현재 심리학 및 신경과학 뿐만 아니라 생인의공학 분야의 대학교 학부 과정에서도 사용되고 있습니다. Kurent는 고등학교 및 대학교 수준의 교육 과정에 Emotiv EPOC 장치를 성공적으로 통합하여 BCI 장치의 발전을 이끌어낸 사례를 제시하고 있습니다. Kosmayana 등은 학교 커리큘럼에 EEG-BCI 시스템을 포함하는 것이 학업 성적을 향상시킨다는 사실을 발견했습니다. 맥쿼리 대학교는 인지 및 뇌과학 학사 커리큘럼에서 Emotiv 장치를 성공적으로 도입하여 학생들에게 실험 설계 및 EEG 데이터 분석에 대한 실제적인 경험을 제공하고 있습니다 [14].
또한, White-Foy는 12세의 어린 아이들도 BCI 기술을 성공적으로 학습하고 소규모 EEG 연구 프로젝트를 구성할 수 있음을 보여줍니다 [13]. 학생들은 온라인 자료를 이용해 Emotiv Insight 장치를 라즈베리 파이(소형 컴퓨터)에 통합했으며, 이는 EEG를 원격 조종 스타워즈 장난감(BB-8)을 제어하고 미로를 통과하도록 이끄는 명령어로 변환합니다.
위: 중등학교 NeuroLab. 11~18세 학생들은 라즈베리 파이와 BB-8 로봇을 Emotiv 장치와 통합하고 정신적 명령을 사용하여 BB-8이 미로를 통과하도록 조종했습니다 (NeuroLabs의 허가를 받아 공유함).
저비용의 모바일 Emotiv EEG 장치가 교육자가 뛰어난 콘텐츠를 제공하도록 교육 프로그램의 품질을 높이는 방법들을 제시할 뿐만 아니라, BCI 기술의 발전과 결합하여 고유한 요구 사항이 있는 개인들에게도 풍부한 교육 환경을 제공할 수 있음을 확인할 수 있습니다.
Emotiv가 도울 수 있는 방법
Emotiv EEG Lab Starter Kits를 통해 학생들의 학습 경험을 개선하세요.
EmotivPRO Builder로 실험을 설계하고 데이터를 분석하세요.
원격 실험을 런칭하여 EmotivLABS에서 데이터를 얻으세요.
당사의 오픈 소스 데이터 세트를 이용해 보세요.
도움이 필요하신가요? 당사에 문의하세요
커버 이미지 출처: Trevor Day School
참고 문헌
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.
계속 읽기