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 snel ontwikkelend interdisciplinair vakgebied dat de neurale mechanismen van lesgeven en leren wil begrijpen.

In de afgelopen twee decennia hebben vooruitgangen in draagbare EEG-technologie onderzoekers in staat gesteld 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 onderwijzen en leren.

Educatieve inhoud optimaliseren

Het ontwerpen van boeiende educatieve inhoud 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 precies te isoleren welke aspecten van de cursusuitvoering 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 metrics 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 de niveaus van alfagolven (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 aandachtsniveaus gedurende een volledige cursus kunnen worden beoordeeld. Zhou et al. demonstreerden met succes een realtimesysteem dat de cognitieve belasting monitort van e-learningstudenten die deelnemen aan Massive Open Online Courses (MOOC's), wat de weg vrijmaakt voor het in realtime optimaliseren van cursusinhoud [2].

Cognitieve toestanden eenvoudig analyseren

Het meten van cognitieve toestanden, zoals in deze eerdere studies, kan enige technische vaardigheid en expertise vereisen. Gelukkig hebben vooruitgangen in datawetenschap nu het gebruik van vooraf gebouwde algoritmen mogelijk gemaakt om cognitieve toestanden te meten, met minimale technische expertise. Emotiv maakt het gebruik mogelijk van Performance Metrics: machine-learningalgoritmen die zijn 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 zijn ontworpen om specifieke cognitieve toestanden op te wekken en zijn nuttig om educatieve inhoud te optimaliseren. Deze Emotiv Performance Metrics 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 liet zien [3]. Andere onderzoekers hebben het nut van Performance Metrics 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 augmented-realityomgevingen te beoordelen.

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

Leeromgevingen verbeteren

Niet alleen de inhoud van educatief materiaal is belangrijk; ook wanneer en waar we leren zijn even belangrijk om ervoor te zorgen dat studenten goede leerervaringen hebben. Onderzoekers maten niveaus van alfagolven tijdens verschillende lestijden en ontdekten dat lessen op de middelbare school halverwege de ochtend minder alfagolven vertoonden dan vroeg in de ochtend, en suggereren dat halverwege de 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 fysieke lessen bij te wonen. Onderzoekers hebben ook studies uitgevoerd naar sociale dynamiek in de klas met behulp van EEG. Een groep studenten uitgerust met EEG-headsets kan worden beoordeeld op hoe gesynchroniseerd hun neurale activiteit is tijdens een gemeenschappelijk leerproces [6][7]. Deze methode van EEG-gegevensverzameling, genaamd EEG-hyperscanning, is een stap in de richting van realtime afleiding van groepsaandacht en het verbeteren van sociale dynamiek in de klas.

Onderwijs toegankelijk maken voor iedereen

Sommige fysieke of zintuiglijke moeilijkheden kunnen de leerervaringen van studenten in de klas beperken. Er zijn echter op 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 tijdens het leren mentale notities te maken op hun computerapparaat. BCI's die EEG-gebaseerde beantwoording van ja-nee-vragen mogelijk maken, zorgen er ook voor dat studenten met visuele beperkingen kunnen worden beoordeeld met computergestuurde examens, waarvoor anders een interviewer nodig zou zijn [10].

Gepersonaliseerde leerervaringen

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

Het doel van deze systemen is zich aan te passen en de student realtime gepersonaliseerde feedback te geven om het leren te verbeteren. Onderzoekers werken momenteel aan de verdere ontwikkeling van ITS-systemen door ze te integreren met EEG. In één studie gebruiken onderzoekers EEG om studentbetrokkenheid bij verschillende soorten educatieve video's (geanimeerde inhoud versus video's met menselijke docenten) te detecteren, waardoor het ITS kan leren en automatisch inhoud 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 bij het gebruik van computergebaseerde leerprogramma's bij te houden om stress en schermvermoeidheid te voorkomen. Om dit tegen te gaan, hebben onderzoekers een database met gezichtsuitdrukkingen ontwikkeld op basis van EEG-gegevens die actief detecteert of een student zich verveelde, betrokken, opgewonden of gefrustreerd was tijdens het gebruik van een ITS [11].

Deze ontwikkeling met EEG effent het pad 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 een effectievere leerervaring voor de student biedt.

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

EEG als een STEM-leermiddel

Emotiv EEG-apparaten en -software zijn eenvoudig te gebruiken en zijn ook een uitstekend instapinstrument om de volgende generatie wetenschappers op het gebied van science, technology, engineering en mathematics (STEM) te inspireren.

Emotiv-apparaten en -software worden momenteel gebruikt in universitaire bacheloropleidingen, niet alleen in psychologie en neurowetenschap maar ook in biomedische techniek. Kurent toont een succesvol voorbeeld van de integratie van Emotiv EPOC-apparaten in het onderwijsproces op middelbare school- en hbo/wo-niveau om de ontwikkeling van BCI-apparaten mogelijk te maken. Kosmayana et al. vinden dat het opnemen van EEG-BCI-systemen in schoolcurricula de academische prestaties verbetert. Macquarie University heeft al aangetoond dat Emotiv-apparaten succesvol zijn opgenomen in hun Bachelor of Cognitive and Brain Sciences-curriculum, waarbij studenten praktijkervaring opdoen met experimenteel ontwerp en EEG-data-analyse [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 de middelbare school. Leerlingen van 11-18 jaar integreerden Raspberry Pi en BB-8-robot met een Emotiv-apparaat en gebruikten mentale commando's om BB-8 door een doolhof te navigeren (gedeeld met toestemming van NeuroLabs)

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

Hoe EMOTIV kan helpen

• Verbeter de leerervaringen van je 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 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.

2. 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

3. 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

4. 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

5. 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

6. 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

7. 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

8. 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

9. 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

10. 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

11. 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

12. 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

13. White-Foy J. Neuroscience for Students: a project to introduce EEG and Brain-Computer-Interface technology to secondary school children. 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, 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.

15. 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.

16. 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.