Edukacja jest fundamentalnym filarem naszego społeczeństwa, a zapewnienie bogatych środowisk uczenia się ma kluczowe znaczenie dla postępu społecznego. Neuronauka edukacyjna to szybko rozwijająca się interdyscyplinarna dziedzina, której celem jest zrozumienie neuronowych mechanizmów nauczania i uczenia się.

W ciągu ostatnich dwóch dekad postęp w dziedzinie przenośnej technologii EEG umożliwił badaczom stosowanie zestawów słuchawkowych EEG zarówno w salach lekcyjnych, jak i w e-learningu, w celu tworzenia optymalnych środowisk uczenia się dla uczniów [1]. W tym artykule przyjrzymy się, jak zestawy słuchawkowe EEG firmy Emotiv są wykorzystywane do zmiany sposobu, w jaki nauczamy i się uczymy.

Optymalizacja treści edukacyjnych

Projektowanie angażujących treści edukacyjnych wymaga ciągłej, subiektywnej informacji zwrotnej od uczniów. Tradycyjnie skuteczność treści kursu określa się za pomocą samooceny po zakończeniu kursu.

Często jednak trudno jest precyzyjnie określić, które aspekty prowadzenia kursu można ulepszyć, ze względu na poleganie na subiektywnej pamięci. Ze względu na wysoką rozdzielczość czasową (tj. zdolność do pomiaru reakcji mózgu w skali milisekund), badanie EEG jest w stanie wskazać procesy przedświadome, które w przeciwnym razie pozostałyby niezauważone przy pomocy zwykłych miar opartych na samoocenie. Przy optymalizacji treści kursu najbardziej użytecznymi wskaźnikami są poziom uwagi i obciążenie poznawcze – miara wysiłku, jaki mózg wkłada w przyswojenie informacji. Uwaga jest często mierzona poprzez analizę różnych fal mózgowych obserwowanych w badaniu EEG podczas nauki – takich jak poziom fal alfa (zwykle kojarzonych ze zmęczeniem) i fal beta (zwykle kojarzonych z czujnością lub skupieniem). Obciążenie poznawcze, bardziej złożona miara, można również określić na podstawie różnych poziomów fal alfa i theta.

Badacze opracowali systemy oparte na EEG, które mogą monitorować uwagę, umożliwiając ocenę poziomu uwagi w trakcie całego kursu. Zhou i in. z powodzeniem zademonstrowali system działający w czasie rzeczywistym, który monitoruje obciążenie poznawcze studentów e-learningu biorących udział w masowych otwartych kursach online (MOOC), co przeciera szlaki do optymalizacji treści kursów w czasie rzeczywistym [2].

Łatwa analiza stanów poznawczych

Pomiar stanów poznawczych, podobnie jak we wcześniejszych badaniach, może wymagać pewnych umiejętności technicznych i wiedzy specjalistycznej. Na szczęście postęp w dziedzinie nauki o danych umożliwił obecnie korzystanie z gotowych algorytmów do pomiaru stanów poznawczych przy minimalnej wiedzy technicznej. Emotiv umożliwia korzystanie z Performance Metrics: algorytmów uczenia maszynowego opracowanych w celu identyfikacji różnych stanów mózgu w badaniu EEG, w tym skupienia, ekscytacji, zaangażowania, frustracji, stresu i relaksu.

Algorytmy te opierają się na kontrolowanych eksperymentach mających na celu wywołanie określonych stanów poznawczych i są przydatne do optymalizacji treści edukacyjnych. Te wskaźniki Emotiv Performance Metrics posłużyły do porównania nauki opartej na grach z tradycyjną nauką z użyciem pióra i papieru, chociaż badanie nie wykazało różnic w stanach poznawczych pomiędzy obiema metodami uczenia się [3]. Inni badacze wykazali użyteczność wskaźników Performance Metrics w grupowaniu dzieci w wieku 5–7 lat na podstawie stanów poznawczych, takich jak zaangażowanie, stres i skupienie, w celu uznania skuteczności zajęć w środowiskach rzeczywistości rozszerzonej.

Powyżej: (A) Badanie EEG można wykorzystać do pomiaru fal mózgowych uczniów w klasie szkoły średniej (źródło: Dikker i in. [4]). (B) Fale mózgowe uczniów mogą wykazywać wysoką synchronizację z innymi uczniami, co zaobserwowano w przypadku uczniów bardziej zaangażowanych w lekcję (po lewej). Niską synchronizację z innymi uczniami (po prawej) stwierdzono u uczniów, którzy byli mniej zaangażowani.

Ulepszanie środowisk uczenia się

Ważna jest nie tylko sama treść materiałów edukacyjnych – to, kiedy i gdzie się uczymy, jest równie ważne dla zapewnienia uczniom dobrych doświadczeń związanych z nauką. Badacze zmierzyli poziom fal alfa w różnych godzinach lekcyjnych i odkryli, że na lekcjach w szkole średniej w środku poranka występowało mniej fal alfa niż wczesnym rankiem, co sugeruje, że poranek może być najlepszym czasem na naukę [4].

Bezprzewodowe systemy EEG wykorzystano również do porównania środowisk rzeczywistych i wirtualnych, wykazując zdolność do zapewniania równego poziomu uwagi i motywacji w obu środowiskach [5]. Mogłoby to utorować drogę do bogatszych doświadczeń edukacyjnych dla osób z niepełnosprawnościami fizycznymi, które nie mogą osobiście uczestniczyć w zajęciach lekcyjnych. Badacze przeprowadzili również badania nad dynamiką społeczną w klasie przy użyciu EEG. Grupę uczniów wyposażonych w zestawy EEG można ocenić pod kątem stopnia synchronizacji ich aktywności neuronowej podczas wspólnego procesu uczenia się [6][7]. Ta metoda zbierania danych EEG, zwana EEG hyperscanning, stanowi krok w kierunku wnioskowania w czasie rzeczywistym o uwadze grupy i poprawy dynamiki społecznej w klasie.

Czynienie edukacji dostępną dla każdego

Niektóre trudności fizyczne lub sensoryczne mogą ograniczać możliwości uczenia się uczniów w klasie. Istnieją jednak narzędzia oparte na EEG, które poprawiają doświadczenia uczniów. Postęp w technologii interfejsu mózg-komputer (BCI) umożliwił pisanie na klawiaturze w oparciu o EEG [8][9], co pomaga uczniom z trudnościami fizycznymi w robieniu notatek w myślach na urządzeniu komputerowym podczas nauki. Systemy BCI, które umożliwiają odpowiadanie na pytania typu tak/nie za pomocą EEG, pozwalają również na ocenę uczniów z dysfunkcją wzroku za pomocą egzaminów komputerowych, co w przeciwnym razie wymagałoby obecności osoby przeprowadzającej badanie [10].

Spersonalizowane doświadczenia edukacyjne

Zapewnienie uczniom osobistych korepetytorów może być kosztowne, ale często bywa konieczne, gdy ogólny system edukacji nie jest wystarczająco przygotowany, aby sprostać unikalnym potrzebom w zakresie nauki. Inteligentne Systemy Korepetycji (ITS) to klasa komputerowego oprogramowania edukacyjnego opartego na sztucznej inteligencji, które może działać jako osobiści korepetytorzy.

Celem tych systemów jest dostosowanie się i dostarczanie uczniowi spersonalizowanych informacji zwrotnych w czasie rzeczywistym w celu ułatwienia mu nauki. Badacze obecnie udoskonalają systemy ITS, integrując je z EEG. W jednym z badań naukowcy wykorzystują badanie EEG do wykrywania zaangażowania uczniów w sferę różnych rodzajów filmów edukacyjnych (treści animowane i filmy z udziałem nauczycieli-ludzi), co pozwala systemowi ITS uczyć się i automatycznie generować treści, które uczeń uzna za ciekawsze.

Elimnując czynnik ludzki z procesu nauczania, coraz ważniejsze staje się śledzenie obciążenia poznawczego uczniów podczas korzystania z komputerowych programów edukacyjnych, aby zapobiegać stresowi i zmęczeniu ekranem. Aby temu przeciwdziałać, badacze opracowali bazę ekspresji twarzy opartą na danych EEG, która aktywnie wykrywa, czy uczeń był znudzony, zaangażowany, podekscytowany czy sfrustrowany podczas korzystania z systemu ITS [11].

Ten rozwój technologii EEG przeciera szlaki dla systemu ITS, aby stale uczył się i dostosowywał do indywidualnego ucznia; poprzez sugerowanie przerw, gdy uczeń jest zmęczony, lub kontynuowanie nauczania, gdy jest zaangażowany, co zapewnia uczniowi skuteczniejszą naukę.

Powyżej: Studenci programu BrainWaves na New York University (NYU) grają w grę, korzystając z technologii mózgowej Emotiv EEG.

EEG jako narzędzie edukacyjne STEM

Urządzenia i oprogramowanie Emotiv EEG są łatwe w użyciu i stanowią doskonałe narzędzie wprowadzające, które może zainspirować kolejne pokolenia naukowców w dziedzinie nauk ścisłych, technologii, inżynierii i matematyki (STEM).

Urządzenia i oprogramowanie Emotiv są obecnie wykorzystywane na uniwersyteckich studiach licencjackich, nie tylko z zakresu psychologii i neuronauki, ale także inżynierii biomedycznej. Kurent przedstawia udany przykład integracji urządzeń Emotiv EPOC z procesem edukacyjnym na poziomie szkoły średniej i uczelni wyższej, aby umożliwić rozwój urządzeń BCI. Kosmayana i in. stwierdzają, że włączenie systemów EEG-BCI do programów szkolnych poprawia wyniki w nauce. Macquarie University wykazał już pomyślne włączenie urządzeń Emotiv do programu studiów licencjackich z zakresu nauk poznawczych i neuronauki (Bachelor of Cognitive and Brain Sciences), dając studentom praktyczne doświadczenie w projektowaniu eksperymentów i analizie danych EEG [14].

Ponadto White-Foy pokazuje, że dzieci w wieku nawet 12 lat mogą z powodzeniem uczyć się technologii BCI i konfigurować na małą skalę projekty badawcze EEG [13]. Uczniowie korzystali z zasobów internetowych w celu zintegrowania urządzenia Insight firmy Emotiv z miniaturowym komputerem Raspberry Pi, który tłumaczy badanie EEG na polecenia sterujące zdalnie sterowaną zabawką ze Star Wars (BB-8) i nawigujące nią po labiryncie.

Powyżej: Szkolne NeuroLab. Uczniowie w wieku 11-18 lat zintegrowali komputer Raspberry Pi i robota BB-8 z urządzeniem Emotiv i użyli poleceń myślowych do nawigacji BB-8 w labiryncie (udostępniono za zgodą NeuroLabs)

Widzimy, że tanie, mobilne urządzenia Emotiv EEG zapewniają nie tylko metody podnoszenia jakości programów edukacyjnych, dzięki czemu nauczyciel może dostarczać wyjątkowe treści, ale wraz z rozwojem BCI dają także szansę na zapewnienie bogatego środowiska edukacyjnego dla osób o unikalnych potrzebach.

Jak Emotiv może pomóc

• Popraw doświadczenia edukacyjne swoich uczniów dzięki pakietom startowym Emotiv EEG Lab Starter Kits.

• Buduj eksperymenty i analizuj dane za pomocą EmotivPRO Builder.

• Uruchamiaj zdalne eksperymenty, aby uzyskiwać dane na platformie EmotivLABS.

• Skorzystaj z naszego otwartego zbioru danych.

Potrzebujesz pomocy? Skontaktuj się z nami

Źródło obrazka na okładce: Trevor Day School

Bibliografia

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. Published November 29, 2019. Accessed June 15, 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.