Jak EEG może być używane do tworzenia optymalnych środowisk nauczania

autor Dr. Roshini Randeniya

Edukacja jest fundamentalnym filarem naszego społeczeństwa, a zapewnienie bogatych środowisk nauczania jest niezbędne dla postępu społecznego. Neurologia edukacyjna to szybko rozwijająca się interdyscyplinarna dziedzina, której celem jest zrozumienie mechanizmów neuronalnych uczenia i nauczania.

W ciągu ostatnich dwóch dekad postępy w przenośnej technologii EEG pozwoliły badaczom na użycie zestawów słuchawkowych EEG zarówno w klasach, jak i w nauczaniu zdalnym, aby stworzyć optymalne środowiska nauki dla studentów [1]. W tym artykule przyjrzymy się, jak zestawy słuchawkowe EEG EMOTIV są używane do zmiany sposobu, w jaki uczymy i uczymy się.

Optymalizacja treści edukacyjnych

Opracowywanie angażujących treści edukacyjnych wymaga ciągłej subiektywnej informacji zwrotnej od uczniów. Tradycyjnie ustalanie skuteczności treści kursu polega na środkach feedbacku opartych na samoocenie po zakończeniu kursu.

Jednak często trudno jest dokładnie określić, które aspekty dostarczania kursu można poprawić, z uwagi na poleganie na subiektywnej pamięci. Dzięki wysokiej rozdzielczości czasowej (tj. zdolności do pomiaru reakcji mózgu w skali milisekund) EEG jest w stanie indeksować procesy prekonscious, które inaczej pozostałyby nieuznane przy użyciu jedynie środków samooceny. Podczas optymalizacji treści kursu najbardziej użytecznymi wskaźnikami są poziom uwagi oraz obciążenie poznawcze - miara ilości wysiłku, jaki mózg wkłada w zapamiętanie informacji. Uwaga jest często mierzona przez analizę różnych fal mózgowych obserwowanych w EEG, gdy ktoś się uczy - takich jak poziomy fal alfa (zazwyczaj związane z byciem zmęczonym) i fal beta (zazwyczaj związanych z byciem czujnym lub skoncentrowanym). Obciążenie poznawcze, bardziej złożona miara, może być również indeksowane przy użyciu różnych poziomów fal alfa i theta.

Badacze opracowali systemy z EEG, które monitorują uwagę, umożliwiając ocenę poziomów uwagi przez cały kurs. Zhou i in. skutecznie zademonstrowali system w czasie rzeczywistym, który monitoruje obciążenie poznawcze uczniów e-learningowych uczestniczących w Massive Open Online Courses (MOOCs), co otwiera drogę do optymalizacji treści kursów w czasie rzeczywistym [2].

Analiza stanów poznawczych stała się łatwa

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

Te algorytmy są opracowywane przy użyciu kontrolowanych eksperymentów zaprojektowanych w celu wywołania konkretnych stanów poznawczych i są użyteczne do optymalizacji treści edukacyjnych. Te metryki wydajności Emotiv były używane do porównywania nauki opartej na grach z tradycyjnym nauczaniem na papierze, chociaż badanie nie wykazało różnicy w stanach poznawczych między tymi dwiema metodami nauki [3]. Inni badacze pokazali użyteczność metryk wydajności w grupowaniu dzieci w wieku od 5 do 7 lat na podstawie stanów poznawczych, takich jak zaangażowanie, stres i uwaga, aby ocenić skuteczność działań w środowiskach rozszerzonej rzeczywistości.

Powyżej: (A) EEG można użyć do pomiaru fal mózgowych uczniów w klasie w liceum (źródło: Dikker i in. [4]). (B) Fale mózgowe uczniów mogą wykazywać dużą synchronizację z innymi uczniami, co zostało stwierdzone u uczniów, którzy byli bardziej zaangażowani w zajęcia (po lewej). Niska synchronizacja z innymi uczniami (po prawej) została stwierdzona u uczniów, którzy byli mniej zaangażowani.

Udoskonalanie środowisk nauczania

Nie tylko treść materiału edukacyjnego jest ważna, ale także to, kiedy i gdzie się uczymy, jest równie ważne, aby zapewnić uczniom dobre doświadczenia edukacyjne. Badacze mierzyli poziomy fal alfa w różnych godzinach lekcyjnych i odkryli, że zajęcia w liceum w środku poranka wykazywały mniej fal alfa niż wczesnym rankiem, sugerując, że środek poranka może być najlepszym czasem na naukę [4].

Bezkabelowe EEG były również używane do porównania rzeczywistych i wirtualnych środowisk, demonstrując 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 zajęciach stacjonarnych. Badacze przeprowadzili również badania nad dynamiką społeczną w klasie przy użyciu EEG. Grupa uczniów wyposażonych w zestawy słuchawkowe EEG może być oceniana pod kątem synchronizacji ich aktywności neuronalnej podczas wspólnego procesu nauki [6][7]. Ta metoda zbierania danych EEG, zwana hiperskanowaniem EEG, jest krokiem w kierunku real-time inference grupowej uwagi i poprawy dynamiki społecznych w klasie.

Ułatwienie dostępu do edukacji dla wszystkich

Niektóre trudności fizyczne lub sensoryczne mogą ograniczać doświadczenia edukacyjne uczniów w klasie. Istnieją jednak narzędzia oparte na EEG, które poprawiają doświadczenia uczniów. Postępy w technologii interfejsu mózg-komputer (BCI) umożliwiły pisanie oparte na EEG [8][9], co pomaga uczniom z trudnościami fizycznymi robić notatki w myśli na swoim urządzeniu podczas nauki. BCI, które umożliwiają odpowiadanie na pytania typu tak-nie na podstawie EEG, także pozwalają uczniom z upośledzeniem wzroku być ocenianymi przy użyciu egzaminów komputerowych, co w przeciwnym razie wymagałoby obecności egzaminatora [10].

Spersonalizowane doświadczenia edukacyjne

Zapewnienie osobistych nauczycieli dla uczniów może być kosztowne, ale często jest konieczne, gdy ogólny system edukacji jest niedostosowany do wyjątkowych potrzeb w nauce. Inteligentne systemy nauczania (ITS) to klasa oprogramowania edukacyjnego opartego na komputerach, wspieranego sztuczną inteligencją, które mogą działać jako osobiste nauczyciele.

Celem tych systemów jest dostosowanie się i zapewnienie natychmiastowej, spersonalizowanej informacji zwrotnej dla ucznia, aby poprawić jego naukę. Badacze aktualnie rozwijają systemy ITS, integrując je z EEG. W jednym badaniu badacze używają EEG do wykrywania zaangażowania ucznia w różne typy filmów edukacyjnych (treści animowane w porównaniu do filmów z nauczycielami ludzkimi), co pozwala ITS uczyć się i automatycznie generować treści, które uczeń uzna za bardziej interesujące.

Usunięcie elementu ludzkiego z procesu nauczania staje się coraz ważniejsze, aby śledzić obciążenie poznawcze uczniów podczas korzystania z programów edukacyjnych opartych na komputerze, aby zapobiec stresowi i zmęczeniu ekranem. Aby temu zapobiec, 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 otwiera drogę dla systemu ITS do ciągłego uczenia się i dostosowywania do indywidualnego ucznia; sugerując przerwy, gdy są zmęczeni, lub kontynuując naukę, gdy są zaangażowani, zapewniając bardziej efektywne doświadczenie edukacyjne dla ucznia.

Powyżej: Uczniowie na Uniwersytecie Nowojorskim (NYU) BrainWaves program grają w grę, nosząc technologię mózgu EMOTIV EEG.

EEG jako narzędzie nauczania STEM

Urządzenia i oprogramowanie Emotiv EEG są łatwe w użyciu i są doskonałym narzędziem wprowadzającym, aby inspirować przyszłych naukowców z dziedziny nauki, technologii, inżynierii i matematyki (STEM).

Urządzenia i oprogramowanie Emotiv są obecnie wykorzystywane na poziomie studiów licencjackich na uniwersytetach, nie tylko w psychologii i neurologii, ale także w inżynierii biomedycznej. Kurent pokazuje udany przykład integracji urządzeń Emotiv EPOC w proces edukacyjny na poziomie szkoły średniej i college'u, aby umożliwić rozwój urządzeń BCI. Kosmayana i in. stwierdzają, że włączenie systemów EEG-BCI do programów nauczania w szkołach poprawia wyniki akademickie. Uniwersytet Macquarie już wykazał udane włączenie urządzeń Emotiv do swojego programu Bachelor of Cognitive and Brain Sciences, dając studentom praktyczne doświadczenie w projektowaniu eksperymentów i analizie danych EEG [14].

Dodatkowo, White-Foy pokazuje, że dzieci już w wieku 12 lat mogą skutecznie nauczyć się technologii BCI i zakładać małe projekty badawcze EEG [13]. Uczniowie wykorzystali zasoby online do integracji urządzenia EMOTIV Insight z Raspberry Pi (miniaturowym komputerem), co przekłada EEG na polecenia do sterowania zdalnie sterowanym zabawkowym robotem Star Wars (BB-8) i nawigowania nim przez labirynt.

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

Możemy zauważyć, że urządzenia Emotiv EEG w niskiej cenie i w ruchu oferują nie tylko metody poprawy jakości programów edukacyjnych, które nauczyciel może dostarczyć jako wyjątkową treść, ale wspólnie z rozwojem BCI także proponują zapewnienie bogatego środowiska edukacyjnego dla osób z unikalnymi potrzebami.

Jak EMOTIV może pomóc

• Popraw doświadczenia edukacyjne swoich uczniów za pomocą zestawów startowych EMOTIV EEG Lab.

• Buduj eksperymenty i analizuj dane za pomocą EmotivPRO Builder.

• Uruchamiaj zdalne eksperymenty, aby uzyskać dane o EmotivLABS.

• Wykorzystaj nasze otwarte zasoby danych.

Potrzebujesz pomocy? Skontaktuj się z nami

Źródło zdjęcia okładkowego: Trevor Day School

Bibliografia

1. J. Xu i B. Zhong, "Przegląd przenośnej technologii EEG w badaniach edukacyjnych," Computers in Human Behavior, vol. 81, s. 340-349, kwiecień 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 z wideo za pomocą interfejsu mózg-komputer opartego na EEG. 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. Ocena stanów emocjonalnych uczniów poprzez monitorowanie fal mózgowych w celu porównania podejścia nauki opartej na grach z tradycyjnym nauczaniem na papierze. W: 2019 IEEE Frontiers in Education Conference (FIE). ; 2019:1-8. doi:10.1109/FIE43999.2019.9097262

4. Dikker S, Haegens S, Bevilacqua D, i in. Rano mózg: rzeczywiste dowody neuronalne, że godziny zajęć 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 spektralnej mocy 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 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 neuronalne 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 wyobrażenia ruchu w typowaniu przy użyciu urządzeń EEG z suchymi elektrodami. W: Stephanidis C, red. HCI International 2013 - Rozszerzone streszczenia plakatów. Komunikacja w naukach komputerowych i informacji. 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. Konwertowanie myśli na teksty: Umożliwienie pisania mózgu poprzez głębokie uczenie cech sygnałów EEG. W: 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. Identyfikacja słów na modelach egzaminacyjnych opartych na odpowiedziach tak-nie dla uczniów z zaburzeniami wzroku oparta na EEG. 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 oraz bazy danych wyrazów twarzy dla inteligentnego systemu nauczania. W: 2017 IEEE 17th International Conference on Advanced Learning Technologies (ICALT). ; 2017:391-393. doi:10.1109/ICALT.2017.141

12. Kurent P. Integracja przyszłych technologii w szkołach średnich i college'ach. W: 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. Neurologia dla uczniów: projekt wprowadzający technologię EEG i interfejsu mózg-komputer do dzieci w szkole średniej. Praxis Teacher Research. Opublikowano 29 listopada 2019. Dostęp 15 czerwca 2022. https://praxis-teacher-research.org/neuroscience-for-students/

14. Kosmyna, Nataliya, Nathalie Soetaert i Cassandra Scheirer. "Pilotowe badanie użycia interfejsów mózg-komputer w klasach w celu promowania formalnych działań edukacyjnych." Proceedings of the Future Technologies Conference. Springer, Cham, 2021.

15. Alvarez, V., Bower, M., de Freitas, S., Gregory, S. i De Wit, B., 2016. Użycie technologii noszonych w australijskich uniwersytetach: przykłady z zakresu nauk o środowisku, nauk kognitywnych i mózgowych oraz kształcenia nauczycieli. Przyszłość uczenia mobilnego–utrzymanie jakości badań i praktyki w uczeniu 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 nauczania z wykorzystaniem analityki uczenia się i AR-Sandbox. Journal of Ambient Intelligence and Humanized Computing, 11(11), s. 5353-5367.