Jak EEG może być używane do tworzenia optymalnych środowisk nauczania

by Dr. Roshini Randeniya

Eduakcja jest fundamentalnym filarem naszego społeczeństwa, a zapewnienie bogatych środowisk uczenia się jest istotne dla postępu społecznego. Neurobiologia edukacyjna jest szybko rozwijającą się interdyscyplinarną dziedziną, która ma na celu zrozumienie neuronowych mechanizmów nauczania i uczenia się.

W ciągu ostatnich dwóch dekad, postępy w technologii EEG przenośnego umożliwiły badaczom korzystanie z zestawów EEG zarówno w klasach, jak i w nauczaniu online, aby stworzyć optymalne środowiska uczenia się dla uczniów [1]. W tym artykule przyjrzymy się, jak zestawy EEG EMOTIV są wykorzystywane do zmiany naszego sposobu uczenia i nauczania.

Optymalizacja treści edukacyjnych

Projektowanie angażującej treści edukacyjnej wymaga ciągłej subiektywnej informacji zwrotnej od uczniów. Tradycyjnie, określenie skuteczności treści kursu odbywa się poprzez pomiary informacji zwrotnej po zakończeniu kursu.

Jednak często trudno jest izolować dokładnie, które aspekty dostarczania kursu mogą być poprawione z powodu polegania na subiektywnej pamięci. Dzięki wysokiej rozdzielczości czasowej (tj. jej zdolności do mierzenia reakcji mózgu w skali milisekund), EEG może indeksować procesy przedświadome, które w przeciwnym razie pozostałyby nierozpoznane w przypadku prostych pomiarów samooceny. Podczas optymalizacji treści kursu, najprzydatniejszymi wskaźnikami są poziom uwagi oraz obciążenie poznawcze - miara ilości wysiłku, jaki mózg wkłada w przyswajanie informacji. Uwaga często mierzy się, analizując różne fale mózgowe obserwowane w EEG, gdy ktoś się uczy - takie jak poziomy fal alfa (zwykle związane z uczuciem zmęczenia) oraz fal beta (zwykle związane z byciem czujnym lub skupionym). Obciążenie poznawcze, bardziej złożona miara, może być również indeksowane przy użyciu różniących się poziomów fal alfa i theta.

Badacze opracowali systemy z EEG, które mogą monitorować uwagę, pozwalając na ocenę poziomów uwagi w całym kursie. Zhou i in. skutecznie zaprezentowali system w czasie rzeczywistym, który monitoruje obciążenie poznawcze studentów e-learningowych uczestniczących w Massive Open Online Courses (MOOCs), co otwiera drogę do optymalizacji treści kursu w czasie rzeczywistym [2].

Analiza stanów poznawczych ułatwiona

Mierzenie stanów poznawczych, jak w tych wcześniejszych badaniach, może wymagać pewnych umiejętności technicznych i ekspertyzy. Na szczęście, postępy w naukach danych umożliwiły teraz korzystanie z gotowych algorytmów do pomiaru stanów poznawczych, z minimalną techniczną wiedzą. Emotiv umożliwia korzystanie z Wskaźników Wydajności: algorytmów uczenia maszynowego opracowanych w celu identyfikacji różnych stanów mózgu, w tym skupienia, podekscytowania, zaangażowania, frustracji, stresu i relaksacji w EEG.

Te algorytmy są tworzone na podstawie kontrolowanych eksperymentów zaprojektowanych w celu wywołania specyficznych stanów poznawczych i są użyteczne do optymalizacji treści edukacyjnych. Te Wskaźniki Wydajności Emotiv były używane do porównywania uczenia się opartego na grach z tradycyjnym uczeniem się w systemie papierowym, chociaż badanie nie wykazało różnicy w stanach poznawczych między dwiema metodami uczenia się [3]. Inni badacze wykazali przydatność Wskaźników Wydajności w grupowaniu dzieci w wieku od 5 do 7 lat na podstawie stanów poznawczych takich jak zaangażowanie, stres i skupienie, aby ocenić skuteczność działań w środowiskach rzeczywistości rozszerzonej.

Powyżej: (A) EEG może być używane do pomiaru fal mózgowych uczniów w klasie licealnej (źródło: Dikker i in. [4]). (B) Fale mózgowe uczniów mogą wykazywać wysoką synchronię z innymi uczniami, co stwierdzono w przypadku uczniów bardziej zaangażowanych w zajęcia (po lewej). Niska synchronia z innymi uczniami (po prawej) została stwierdzona u uczniów mniej zaangażowanych.

Udoskonalanie środowisk uczenia się

Nie tylko treść materiału edukacyjnego jest ważna, ważne są również czas i miejsce, w których się uczymy, aby zapewnić uczniom dobre doświadczenia związane z nauką. Badacze mierzyli poziomy fal alfa w różnych porach lekcji i odkryli, że lekcje w liceum w południe wykazywały mniej fal alfa niż te wczesnym rankiem i sugerują, że południe może być najlepszym czasem na naukę [4].

Bezprzewodowe EEG były również używane do porównania środowisk rzeczywistych i wirtualnych, wykazując zdolność do zapewnienia równych poziomów uwagi i motywacji w obu środowiskach [5]. To może otworzyć drogę do bogatszego doświadczenia edukacyjnego dla osób z niepełnosprawnościami fizycznymi, które nie mogą uczestniczyć w klasach na miejscu. Badacze przeprowadzili również badania dotyczące dynamiki społecznej w klasie, korzystając z EEG. Grupa uczniów wyposażonych w zestawy EEG może być oceniana pod kątem synchronizacji ich aktywności neuronalnej podczas wspólnego procesu uczenia się [6][7]. Ta metoda zbierania danych EEG, nazywana EEG hyperscanning, jest krokiem w stronę wnioskowania o grupowej uwadze w czasie rzeczywistym i poprawy dynamiki społecznych w klasie.

Uczynienie edukacji dostępną dla każdego

Niektóre trudności fizyczne lub sensoryczne mogą ograniczać doświadczenia uczniów w klasie. Istnieją jednak narzędzia oparte na EEG, które poprawiają doświadczenia uczniów. Postępy w technologii interfejsu mózg-komputer (BCI) umożliwiły typowanie oparte na EEG [8][9], co pomaga uczniom z trudnościami fizycznymi robić notatki na swoich urządzeniach podczas nauki. BCI, które umożliwiają odpowiadanie na pytania typu tak-nie za pomocą EEG, pozwalają również uczniom z upośledzeniem wzroku na ocenę za pomocą egzaminów komputerowych, co w przeciwnym razie wymagałoby interweniującego [10].

Spersonalizowane doświadczenia edukacyjne

Zapewnienie osobistych nauczycieli uczniom może być kosztowne, ale często może być konieczne, gdy system edukacji ogólnej jest niedostatecznie wyposażony, aby sprostać unikalnym potrzebom w nauce. Inteligentne systemy nauczania (ITS) to klasa oprogramowania do nauki opartego na komputerach, wspierana sztuczną inteligencją, która może działać jako osobisty nauczyciel.

Celem tych systemów jest dostosowanie się i zapewnienie bieżącej spersonalizowanej informacji zwrotnej dla ucznia w celu zwiększenia jego nauki. Badacze aktualnie rozwijają systemy ITS, integrując je z EEG. W jednym badaniu badacze używają EEG do wykrywania zaangażowania uczniów w różne rodzaje filmów edukacyjnych (treści animowane vs filmy z nauczycielami), co pozwala ITS na naukę i automatyczne generowanie treści, które uczniowie uznają za bardziej interesujące.

Gdy usuniemy ludzki element z procesu nauczania, staje się coraz ważniejsze śledzenie obciążenia poznawczego uczniów podczas korzystania z programów nauczania opartych na komputerach, aby zapobiegać stresowi i zmęczeniu ekranów. Aby temu zaradzić, badacze opracowali bazę danych wyrazów twarzy opartą na danych EEG, która aktywnie wykrywa, czy uczeń był znudzony, zaangażowany, podekscytowany lub sfrustrowany podczas korzystania z ITS [11].

Ten rozwój z EEG toruje drogę do systemu ITS, aby stale uczyć się i dostosowywać do indywidualnego ucznia; sugerując przerwy, gdy są zmęczeni, lub kontynuując nauczanie, gdy są zaangażowani, oferując bardziej efektywne doświadczenie uczenia się dla ucznia.

Powyżej: Studenci na Uniwersytecie Nowojorskim (NYU) BrainWaves program grają w grę, korzystając z technologii mózgowej EEG EMOTIV.

EEG jako narzędzie do nauki STEM

Urządzenia i oprogramowanie Emotiv EEG są proste w użyciu i są doskonałym wprowadzeniem, aby zainspirować przyszłych naukowców zajmujących się naukami przyrodniczymi, technologią, inżynierią i matematyką (STEM).

Urządzenia i oprogramowanie Emotiv są obecnie używane na poziomie studiów licencjackich, nie tylko w psychologii i neurobiologii, ale także w inżynierii biomedycznej. Kurent demonstruje udany przykład integracji urządzeń Emotiv EPOC w proces edukacyjny na poziomie szkół średnich i uczelni w celu umożliwienia rozwoju urządzeń BCI. Kosmayana i in. stwierdzają, że włączenie systemów EEG-BCI do programów nauczania szkolnych zwiększa osiągnięcia akademickie. Uniwersytet Macquarie już udowodnił skuteczne włączenie urządzeń Emotiv w swoim programie licencjackim w dziedzinie nauk poznawczych i mózgowych, dając uczniom praktyczne doświadczenie w projektowaniu eksperymentów i analizie danych EEG [14].

Dodatkowo, White-Foy pokazuje, że dzieci już w wieku 12 lat mogą skutecznie uczyć się technologii BCI i zaplanować małe projekty badawcze EEG [13]. Uczniowie korzystali z zasobów internetowych, aby zintegrować urządzenie EMOTIV Insight z Raspberry Pi (miniaturowym komputerem), które tłumaczy EEG na komendy do kontrolowania zdalnie sterowanej zabawki Star Wars (BB-8) i nawigowania nią przez labirynt.

Powyżej: Uczniowie w laboratorium NeuroLab w szkole średniej. Uczniowie w wieku 11-18 lat zintegrowali Raspberry Pi i robota BB-8 z urządzeniem Emotiv i użyli poleceń mentalnych do nawigacji robota BB-8 przez labirynt (udostępnione za zgodą NeuroLabs)

Możemy zobaczyć, że tanie, mobilne urządzenia EEG Emotiv nie tylko zapewniają metody poprawy jakości programów edukacyjnych dla nauczycieli, aby dostarczyć wyjątkowe treści, ale razem z rozwojem BCI oferują również bogate środowisko edukacyjne dla osób o unikalnych potrzebach.

Jak EMOTIV może pomóc

• Popraw doświadczenia uczenia się twoich uczniów dzięki Zestawom Startowym EEG EMOTIV.

• Buduj doświadczenia i analizuj dane z EmotivPRO Builder.

• Uruchamiaj zdalne eksperymenty, aby uzyskać dane na EmotivLABS.

• Korzystaj z naszego otwartego zbioru danych.

Potrzebujesz pomocy? Skontaktuj się z nami

 Źródło zdjęcia tytułowego: Trevor Day School

Bibliografia

1. J. Xu i B. Zhong, "Przegląd technologii EEG w badaniach edukacyjnych," Komputery w Zachowaniu Ludzkim, tom 81, s. 340–349, kwi. 2018, doi: 10.1016/j.chb.2017.12.037.

2. Zhou Y, Xu T, Cai Y, Wu X, Dong B. Monitorowanie obciążenia poznawczego w nauce przez wideo za pomocą interfejsu mózg-komputer opartego na EEG. Notes wykładowe z informatyki, część wykładowa z sztucznej inteligencji, notatki wykładowe z bioinformatyki. 2017;10295 LNCS:64-73. doi:10.1007/978-3-319-58509-3_7

3. Pireva K, Tahir R, Shariq Imran A, Chaudhary N. Ocena stanów emocjonalnych uczniów poprzez monitorowanie fal mózgowych w porównaniu do podejścia opartego na grach w nauce do uczenia się na papierze. W: 2019 Konferencja IEEE Frontiers in Education (FIE). ; 2019:1-8. doi:10.1109/FIE43999.2019.9097262

4. Dikker S, Haegens S, Bevilacqua D, i in. Ranny mózg: rzeczywiste dowody neuronowe, że czasy lekcji w liceum mają znaczenie. Soc Cogn Affect Neurosci. 2020;15(11):1193-1202. doi:10.1093/scan/nsaa142

5. Romero-Soto FO, Ibarra-Zárate DI, Alonso-Valerdi LM. Analiza porównawcza gęstości mocy fal alfa w rzeczywistych i wirtualnych środowiskach. W: Vol 75. ; 2020:156-163. doi:10.1007/978-3-030-30648-9_22

6. Dikker S, Wan L, Davidesco I, i in. Synchronizacja mózg-mózg śledzi rzeczywiste dynamiczne interakcje grupowe w klasie. 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 w klasie: synchronizowane nagrania neuronowe podczas prezentacji wideo. 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. Typowanie fal mózgowych: badanie porównawcze P300 i wyobrażeń ruchowych do typowania za pomocą urządzeń EEG z suchymi elektrodami. W: Stephanidis C, red. HCI International 2013 - Poszerzone streszczenia posterów. Komunikacja w naukach komputerowych i informatycznych. 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. Przekształcanie myśli w teksty: umożliwienie pisania przez myślenie za pomocą głębokiego uczenia cech sygnałów EEG. W: 2018 IEEE Międzynarodowa Konferencja na temat Pervasive Computing and Communications (PerCom). ; 2018:1-10. doi:10.1109/PERCOM.2018.8444575

10. Yosrita E, Heryadi Y, Wulandhari LA, Budiharto W. Identyfikacja słów na modelach egzaminacyjnych opartych na EEG z odpowiedziami tak-nie dla uczniów z wadami wzroku. W: ; 2019. doi:10.1109/TALE48000.2019.9225903

11. Zatarain-Cabada R, Barrón-Estrada ML, González-Hernández F, Rodriguez-Rangel H. Budowanie rozpoznawacza wyrazów twarzy i bazy danych wyrazów twarzy dla inteligentnego systemu nauczania. W: 2017 IEEE 17. Międzynarodowa Konferencja na temat Zaawansowanych Technologii Edukacyjnych (ICALT). ; 2017:391-393. doi:10.1109/ICALT.2017.141

12. Kurent P. Integracja przyszłych technologii do szkół średnich i uczelni. W: 2017 40. Międzynarodowa Konwencja na temat Technologii Informacyjnych i Komunikacyjnych, Elektroniki i Mikroelektroniki (MIPRO). ; 2017:858-861. doi:10.23919/MIPRO.2017.7973541

13. White-Foy J. Neurobiologia dla uczniów: projekt mający na celu wprowadzenie technologii EEG i interfejsu mózg-komputer dzieciom ze szkół średnich. Badania nauczycielskie Praxis. Opublikowane 29 listopada 2019. Dostęp 15 czerwca 2022. https://praxis-teacher-research.org/neuroscience-for-students/

14. Kosmyna, Nataliya, Nathalie Soetaert i Cassandra Scheirer. "Badanie pilotażowe użycia interfejsów mózg-komputer w klasach w celu promowania formalnych działań edukacyjnych." Materiały Konferencji Przyszłych Technologii. Springer, Cham, 2021.

15. Alvarez, V., Bower, M., de Freitas, S., Gregory, S. i De Wit, B., 2016. Wykorzystanie technologii noszalnych w australijskich uniwersytetach: przykłady z nauk o środowisku, nauk kognitywnych i mózgowych oraz szkolenia nauczycieli. Przyszłość uczenia się mobilnego – utrzymywanie jakości badań i praktyki w uczeniu się mobilnym, 25.

16. Rodríguez, A.O.R., Riaño, M.A., García, P.A.G., Marín, C.E.M., Crespo, R.G. i Wu, X., 2020. Emocjonalna charakterystyka dzieci poprzez środowisko uczenia się z wykorzystaniem analityki uczenia się i AR-Sandbox. Czasopismo Inteligencji Środowiskowej i Uzaopatrzenia w Komputery, 11(11), s.5353-5367.