Hoe EEG kan worden gebruikt om optimale leeromgevingen te creëren

door Dr. Roshini Randeniya

Onderwijs is een fundamentele pijler van onze samenleving, en het bieden van rijke leeromgevingen is essentieel voor maatschappelijke vooruitgang. Educatieve neurowetenschap is een zich snel ontwikkelend interdisciplinair vakgebied dat tot doel heeft de neurale mechanismen van onderwijzen en leren te begrijpen.

In de afgelopen twee decennia hebben vooruitgangen in draagbare EEG-technologie onderzoekers in staat gesteld om EEG-headsets te gebruiken in zowel klaslokalen als e-learning om optimale leeromgevingen voor studenten te creëren [1]. In dit artikel bekijken we hoe de EEG-headsets van EMOTIV worden gebruikt om te veranderen hoe we lesgeven en leren.

Educatieve content optimaliseren

Het ontwerpen van boeiende educatieve content vereist voortdurende subjectieve feedback van studenten. Traditioneel wordt de effectiviteit van de inhoud van een cursus bepaald via zelfgerapporteerde feedbackmaatregelen na afronding van een cursus.

Het is echter vaak moeilijk om exact te isoleren welke aspecten van de cursusaanpak kunnen worden verbeterd door de afhankelijkheid van subjectief geheugen. Door de hoge temporele resolutie (d.w.z. het vermogen om hersenreacties op milliseconde-schaal te meten), kan EEG prebewuste processen indexeren, die anders onopgemerkt zouden blijven met louter zelfrapportagemetingen. Bij het optimaliseren van cursusinhoud zijn de nuttigste metrieken het aandachtsniveau en cognitieve belasting - een maat voor de hoeveelheid inspanning die de hersenen leveren om informatie vast te houden. Aandacht wordt vaak gemeten door verschillende hersengolven te analyseren die in het EEG worden waargenomen wanneer iemand leert - zoals niveaus van alfa- (meestal geassocieerd met vermoeidheid) en bètagolven (meestal geassocieerd met alertheid of focus). Cognitieve belasting, een complexere maat, kan ook worden geïndexeerd met variërende niveaus van alfa- en thetagolven.

Onderzoekers hebben systemen met EEG ontwikkeld die aandacht kunnen monitoren, waardoor het mogelijk is om aandachtsniveaus gedurende een volledige cursus te beoordelen. Zhou et al. hebben met succes een realtime systeem gedemonstreerd dat de cognitieve belasting van e-learningstudenten die deelnemen aan Massive Open Online Courses (MOOC's) monitort, wat de weg vrijmaakt voor realtime optimalisatie van cursusinhoud [2].

Analyse van cognitieve toestanden eenvoudig gemaakt

Het meten van cognitieve toestanden, zoals in deze eerdere studies, kan enige technische vaardigheid en expertise vereisen. Gelukkig maken ontwikkelingen in data science nu het gebruik van vooraf gebouwde algoritmen mogelijk om cognitieve toestanden te meten, met minimale technische expertise. Emotiv maakt het gebruik van Prestatiemetrieken mogelijk: machine-learningalgoritmen ontwikkeld om verschillende hersentoestanden te identificeren, waaronder focus, opwinding, betrokkenheid, frustratie, stress en ontspanning in een EEG.

Deze algoritmen zijn gebouwd met gecontroleerde experimenten die ontworpen zijn om specifieke cognitieve toestanden op te wekken en zijn nuttig om educatieve content te optimaliseren. Deze Emotiv-prestatiemetrieken zijn gebruikt om game-based learning te vergelijken met traditioneel leren met pen en papier, hoewel de studie geen verschil in cognitieve toestanden tussen de twee leermethoden aantoonde [3]. Andere onderzoekers hebben het nut van Prestatiemetrieken aangetoond bij het groeperen van kinderen van slechts 5-7 jaar op basis van cognitieve toestanden zoals betrokkenheid, stress en focus om de effectiviteit van activiteiten in augmentedreality-omgevingen te beoordelen.

Hierboven: (A) EEG kan worden gebruikt om de hersengolven van studenten in een middelbare schoolklas te meten (uit: Dikker et al. [4]). (B) De hersengolven van studenten kunnen een hoge synchronie vertonen met andere studenten, wat werd gevonden bij studenten die meer betrokken waren in de klas (links). Lage synchronie met andere studenten (rechts) werd gevonden bij studenten die minder betrokken waren.

Leeromgevingen verbeteren

Niet alleen de inhoud van lesmateriaal is belangrijk; ook wanneer en waar we leren is even belangrijk om ervoor te zorgen dat studenten goede leerervaringen hebben. Onderzoekers maten niveaus van alfagolven op verschillende tijdstippen in de klas en ontdekten dat middelbare schoollessen in de late ochtend minder alfagolven vertoonden dan vroege ochtendlessen, wat suggereert dat de late ochtend de beste tijd kan zijn om te leren [4].

Draadloze EEG's zijn ook gebruikt om echte versus virtuele omgevingen te vergelijken, waarbij is aangetoond dat in beide omgevingen gelijke niveaus van aandacht en motivatie kunnen worden geboden [5]. Dit kan de weg vrijmaken voor een rijkere leerervaring voor mensen met fysieke beperkingen die niet in staat zijn om fysiek aanwezige lessen bij te wonen. Onderzoekers hebben ook studies uitgevoerd naar sociale dynamiek in het klaslokaal met behulp van EEG. Een groep studenten met EEG-headsets kan worden beoordeeld op hoe gesynchroniseerd hun neurale activiteit is tijdens een gemeenschappelijk leerproces [6][7]. Deze methode van EEG-dataverzameling, genaamd EEG-hyperscanning, is een stap in de richting van realtime afleiding van groepsaandacht en het verbeteren van sociale dynamiek in het klaslokaal.

Onderwijs toegankelijk maken voor iedereen

Sommige fysieke of zintuiglijke moeilijkheden kunnen de leerervaringen van studenten in het klaslokaal beperken. Er zijn echter EEG-gebaseerde hulpmiddelen die de ervaringen van studenten verbeteren. Vooruitgang in Brain-Computer Interface (BCI)-technologie heeft EEG-gebaseerd typen mogelijk gemaakt [8][9], wat studenten met fysieke beperkingen helpt om mentale notities op hun computerapparaat te maken terwijl ze leren. BCI's die EEG-gebaseerde beantwoording van ja-neevragen mogelijk maken, stellen ook studenten met visuele beperkingen in staat om te worden beoordeeld via computergebaseerde examens, waarvoor anders een interviewer nodig zou zijn [10].

Gepersonaliseerde leerervaringen

Persoonlijke begeleiders voor studenten kunnen duur zijn, maar zijn vaak noodzakelijk wanneer het algemene onderwijssysteem onvoldoende is toegerust om unieke leerbehoeften aan te pakken. Intelligent Tutoring Systems (ITS) zijn een klasse van computergebaseerde leersoftware ondersteund door kunstmatige intelligentie die als persoonlijke begeleiders kan fungeren.

Het doel van deze systemen is zich aan te passen en realtime gepersonaliseerde feedback aan de student te geven om het leren te verbeteren. Onderzoekers zijn momenteel ITS-systemen aan het verbeteren door ze te integreren met EEG. In één studie gebruikten onderzoekers EEG om studentbetrokkenheid bij verschillende soorten educatieve video's te detecteren (geanimeerde content versus video's met menselijke docenten), waardoor het ITS kan leren en automatisch content kan genereren die de student interessanter zal vinden.

Wanneer je het menselijke element uit het onderwijsproces verwijdert, wordt het steeds belangrijker om de cognitieve belasting van studenten te blijven volgen tijdens het gebruik van computergebaseerde leerprogramma's om stress en schermvermoeidheid te voorkomen. Om dit tegen te gaan hebben onderzoekers een database met gezichtsuitdrukkingen ontwikkeld op basis van EEG-data die actief detecteert of een student verveeld, betrokken, opgewonden of gefrustreerd was tijdens het gebruik van een ITS [11].

Deze ontwikkeling met EEG effent de weg voor het ITS-systeem om continu te leren en zich aan te passen aan de individuele student; door pauzes voor te stellen wanneer ze moe zijn of door te gaan met lesgeven wanneer ze betrokken zijn, wat zorgt voor een effectievere leerervaring voor de student.

Hierboven: Studenten van het New York University (NYU) BrainWaves programma spelen een spel terwijl ze EMOTIV EEG-hersentechnologie dragen.

EEG als STEM-leermiddel

Emotiv EEG-apparaten en software zijn eenvoudig te gebruiken en zijn ook een uitstekend introductiemiddel om de volgende generatie wetenschappers in science, technology, engineering and mathematics (STEM) te inspireren.

Emotiv-apparaten en software worden momenteel gebruikt in bachelorcursussen op universitair niveau, niet alleen in psychologie en neurowetenschap maar ook in biomedische technologie. Kurent toont een succesvol voorbeeld van de integratie van Emotiv EPOC-apparaten in het onderwijsproces op middelbare scholen en hogescholen om de ontwikkeling van BCI-apparaten mogelijk te maken. Kosmayana et al. constateren dat het opnemen van EEG-BCI-systemen in schoolcurricula de academische prestaties verbetert. Macquarie University heeft al de succesvolle opname van Emotiv-apparaten in hun curriculum Bachelor of Cognitive and Brain Sciences aangetoond, waardoor studenten praktijkervaring opdoen met experimenteel ontwerp en analyse van EEG-data [14].

Verder toont White-Foy aan dat kinderen van slechts 12 jaar met succes BCI-technologie kunnen leren en kleinschalige EEG-onderzoeksprojecten kunnen opzetten [13]. Studenten gebruikten online bronnen om een EMOTIV Insight-apparaat te integreren met een Raspberry Pi (een miniatuurcomputer), die EEG vertaalt naar commando's om een op afstand bestuurbaar Star Wars-speelgoed (de BB-8) te besturen en door een doolhof te navigeren.

Hierboven: NeuroLab op middelbare school. Studenten van 11-18 jaar integreerden Raspberry Pi en BB-8-robot met Emotiv-apparaat en gebruikten mentale commando's om BB-8 door een doolhof te navigeren (gedeeld met toestemming van NeuroLabs)

We kunnen zien dat goedkope, mobiele Emotiv EEG-apparaten niet alleen methoden bieden om de kwaliteit van onderwijsprogramma's te verbeteren zodat de docent uitzonderlijke content kan leveren, maar samen met ontwikkelingen in BCI ook voorstellen om een rijke educatieve omgeving te bieden voor individuen met unieke behoeften.

Hoe EMOTIV kan helpen

• Verbeter de leerervaringen van uw studenten met EMOTIV EEG Lab Starter Kits.

• Bouw experimenten en analyseer data met EmotivPRO Builder.

• Start experimenten op afstand om data te verzamelen op EmotivLABS.

• Gebruik onze open-source dataset.

Hulp nodig? Neem contact met ons op

 Bron omslagafbeelding: Trevor Day School

Referenties

1. J. Xu en B. Zhong, “Overzicht van draagbare EEG-technologie in onderwijsonderzoek,” 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 van cognitieve werkbelasting bij online videoleren via een EEG-gebaseerde brain-computerinterface. 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. Evaluatie van emotionele toestanden van lerenden door hersengolven te monitoren voor vergelijking van game-based learning met pen-en-papier. 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. Ochtendbrein: neurale praktijkevidentie dat lestijden op de middelbare school ertoe doen. Soc Cogn Affect Neurosci. 2020;15(11):1193-1202. doi:10.1093/scan/nsaa142

5. Romero-Soto FO, Ibarra-Zárate DI, Alonso-Valerdi LM. Vergelijkende analyse van Alpha Power Spectral Density in echte en virtuele omgevingen. 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-synchronie volgt dynamische groepsinteracties in de echte wereld in het klaslokaal. 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 de klas: gesynchroniseerde neurale registraties tijdens videopresentatie. 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: vergelijkende studie van P300 en motor imagery voor typen met dry-electrode EEG-apparaten. In: Stephanidis C, red. 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. Je gedachten omzetten naar tekst: brain typing mogelijk maken via deep feature learning van EEG-signalen. 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-gebaseerde identificatie van woorden in examenmodellen met ja-nee-antwoorden voor studenten met visuele beperkingen. In: ; 2019. doi:10.1109/TALE48000.2019.9225903

11. Zatarain-Cabada R, Barrón-Estrada ML, González-Hernández F, Rodriguez-Rangel H. Een gezichtsuitdrukkingsherkenner en database met gezichtsuitdrukkingen bouwen voor een 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. Integratie van toekomstige technologieën in middelbare scholen en hogescholen. 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. Neurowetenschap voor studenten: een project om EEG- en Brain-Computer-Interface-technologie te introduceren bij middelbare scholieren. Praxis Teacher Research. Gepubliceerd op 29 november 2019. Geraadpleegd op 15 juni 2022. https://praxis-teacher-research.org/neuroscience-for-students/

14. Kosmyna, Nataliya, Nathalie Soetaert en Cassandra Scheirer. "Een pilotstudie naar het gebruik van Brain-Computer Interfaces in klaslokalen ter bevordering van formele onderwijsactiviteiten." Proceedings of the Future Technologies Conference. Springer, Cham, 2021.

15. Alvarez, V., Bower, M., de Freitas, S., Gregory, S. en De Wit, B., 2016. Het gebruik van draagbare technologieën in Australische universiteiten: voorbeelden uit milieuwetenschap, cognitieve en hersenwetenschappen en lerarenopleiding. 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. en Wu, X., 2020. Emotionele karakterisering van kinderen via een leeromgeving met behulp van learning analytics en AR-Sandbox. Journal of Ambient Intelligence and Humanized Computing, 11(11), pp.5353-5367.