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 veld dat tot doel heeft de neurale mechanismen van lesgeven en leren te begrijpen.

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

Optimaliseren van educatieve content

Het ontwerpen van boeiende educatieve content vereist constante subjectieve feedback van studenten. Traditioneel wordt de effectiviteit van de inhoud van een cursus bepaald door middel van zelfrapportage-feedbackmetingen na afronding van een cursus.

Het is echter vaak moeilijk om precies te isoleren welke aspecten van de cursuslevering kunnen worden verbeterd, vanwege de afhankelijkheid van subjectief geheugen. Dankzij de hoge temporele resolutie (d.w.z. het vermogen om hersenreacties in milliseconden te meten), is EEG in staat om pre-bewuste processen te indexeren, die anders onopgemerkt zouden blijven bij louter zelfrapportagemaatregelen. Bij het optimaliseren van cursuscontent zijn de nuttigste statistieken de mate van aandacht en de cognitieve belasting - een maatstaf voor de hoeveelheid inspanning die de hersenen leveren om de informatie te onthouden. Aandacht wordt vaak gemeten door verschillende hersengolven te analyseren die in het EEG worden waargenomen wanneer iemand leert - zoals de niveaus van alfa- (meestal geassocieerd met vermoeidheid) en bètagolven (meestal geassocieerd met alert of gefocust zijn). Cognitieve belasting, een complexere maatstaf, kan ook worden geïndexeerd met variërende niveaus van alfa- en thetagolven.

Onderzoekers hebben systemen met EEG ontwikkeld die de aandacht kunnen monitoren, waardoor de aandachtsniveaus gedurende een hele cursus kunnen worden beoordeeld. Zhou et al. hebben met succes een real-time systeem gedemonstreerd dat de cognitieve belasting bewaakt van e-learningstudenten die deelnemen aan Massive Open Online Courses (MOOC's), wat de weg vrijmaakt voor het in real-time optimaliseren van cursuscontent [2].

Analyse van cognitieve toestanden gemakkelijk gemaakt

Het meten van cognitieve toestanden kan, net als in deze eerdere onderzoeken, enige technische vaardigheid en expertise vereisen. Gelukkig hebben ontwikkelingen in de datawetenschap het nu mogelijk gemaakt om vooraf gebouwde algoritmen te gebruiken om cognitieve toestanden te meten, met minimale technische expertise. Emotiv maakt het gebruik van Performance Metrics mogelijk: algoritmen voor machine learning die zijn ontwikkeld om verschillende hersentoestanden in een EEG te identificeren, waaronder focus, opwinding, betrokkenheid, frustratie, stress en ontspanning.

Deze algoritmen zijn gebouwd met behulp van gecontroleerde experimenten die zijn ontworpen om specifieke cognitieve toestanden uit te lokken en zijn nuttig om educatieve content te optimaliseren. Deze Emotiv Performance Metrics zijn gebruikt om gamified leren te vergelijken met traditioneel leren met pen en papier, hoewel het onderzoek 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 oud op basis van cognitieve toestanden zoals betrokkenheid, stress en focus om de effectiviteit van activiteiten in augmented reality-omgevingen te beoordelen.

Boven: (A) EEG kan worden gebruikt om de hersengolven van leerlingen in een klaslokaal op de middelbare school te meten (bron: Dikker et al. [4]). (B) De hersengolven van leerlingen kunnen een hoge synchroniciteit vertonen met die van andere leerlingen, wat werd gevonden bij leerlingen die meer betrokken waren bij de les (links). Een lage synchroniciteit met andere leerlingen (rechts) werd gevonden bij leerlingen die minder betrokken waren.

Verbeteren van leeromgevingen

Niet alleen de inhoud van educatief materiaal is belangrijk, ook wanneer en waar we leren is even belangrijk om ervoor te zorgen dat studenten goede leerervaringen hebben. Onderzoekers maten de niveaus van alfagolven tijdens verschillende schooltijden en ontdekten dat klassen op de middelbare school in de loop van de ochtend minder alfagolven vertoonden dan in de vroege ochtend, en suggereren dat het einde van de ochtend de beste tijd kan zijn om te leren [4].

Draadloze EEG's zijn ook gebruikt om echte en virtuele omgevingen te vergelijken, wat aantoont dat in beide omgevingen een gelijkwaardig niveau van aandacht en motivatie kan worden geboden [5]. Dit zou de weg kunnen vrijmaken voor een rijkere leerervaring voor mensen met een fysieke beperking die niet in staat zijn om fysieke lessen bij te wonen. Onderzoekers hebben met behulp van EEG ook onderzoek gedaan naar de sociale dynamiek in het klaslokaal. 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 real-time afleiding van groepsaandacht en het verbeteren van de sociale dynamiek in het klaslokaal.

Onderwijs toegankelijk maken voor iedereen

Sommige fysieke of zintuiglijke problemen kunnen de leerervaringen van studenten in de klas beperken. Er zijn echter op EEG gebaseerde hulpmiddelen die de ervaringen van studenten verbeteren. Ontwikkelingen in de Brain-Computer-Interface-technologie (BCI) hebben op EEG gebaseerd typen mogelijk gemaakt [8][9], wat studenten met fysieke problemen helpt om tijdens het leren mentale aantekeningen te maken op hun computer. BCI's die op EEG gebaseerde beantwoording van ja-nee-vragen mogelijk maken, stellen studenten met een visuele beperking ook in staat om te worden beoordeeld met behulp van computerexamens, waarvoor anders een examinator nodig zou zijn [10].

Gepersonaliseerde leerervaringen

Het aanbieden van persoonlijke bijlesdocenten voor studenten kan duur zijn, maar kan vaak noodzakelijk zijn wanneer het algemene onderwijssysteem niet goed is toegerust om aan unieke leerbehoeften te voldoen. Intelligent Tutoring Systems (ITS) zijn een klasse van computergestuurde leersoftware die wordt ondersteund door kunstmatige intelligentie en die als persoonlijke docent kan fungeren.

Het doel van deze systemen is om zich aan te passen en real-time gepersonaliseerde feedback te geven aan de student om diens leerproces te verbeteren. Onderzoekers zijn momentezen ITS-systemen aan het doorontwikkelen door ze te integreren met EEG. In één onderzoek gebruiken onderzoekers EEG om de betrokkenheid van studenten bij verschillende soorten educatieve video's (geanimeerde content versus video's met menselijke docenten) te detecteren, waardoor de ITS kan leren en automatisch content kan genereren die de student interessanter zal vinden.

Wanneer je het menselijke element uit het leerproces verwijdert, wordt het steeds belangrijker om de cognitieve belasting van studenten bij te houden tijdens het gebruik van computergestuurde leerprogramma's om stress en schermmoeheid 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, enthousiast 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 een effectievere leerervaring voor de student oplevert.

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

EEG als STEM-leermiddel

Emotiv EEG-apparaten en software zijn eenvoudig te gebruiken en zijn ook een uitstekend introductie-instrument om de volgende generatie wetenschappers op het gebied van natuurwetenschap, technologie, techniek en wiskunde (STEM) te inspireren.

Apparaten en software van Emotiv worden momenteel gebruikt in universitaire bacheloropleidingen, niet alleen in de psychologie en neurowetenschappen, maar ook in de biomedische technologie. Kurent toont een succesvol voorbeeld van de integratie van Emotiv EPOC-apparaten in het onderwijsproces op de middelbare school en het college om de ontwikkeling van BCI-apparaten mogelijk te maken. Kosmayana et al. ontdekten 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 Bachelor of Cognitive and Brain Sciences-curriculum aangetoond, waardoor studenten praktijkervaring opdoen met experimenteel ontwerp en EEG-data-analyse [14].

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

Boven: Middelbare school NeuroLab. Studenten van 11-18 jaar integreerden Raspberry Pi en de BB-8-robot met een Emotiv-apparaat en gebruikten mentale commando's om de 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 inhoud kan leveren, maar samen met de 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 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.

• Maak gebruik van onze open-source dataset.

Hulp nodig? Neem contact met ons op

Bron omslagafbeelding: Trevor Day School

Referenties

1. J. Xu en 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.