A educação é um pilar fundamental da nossa sociedade, e proporcionar ambientes de aprendizagem ricos é essencial para o avanço social. A neurociência educacional é um campo interdisciplinar em rápido desenvolvimento que visa compreender os mecanismos neurais do ensino e da aprendizagem.

Nas últimas duas décadas, os avanços na tecnologia de EEG portátil permitiram que os pesquisadores usassem headsets de EEG tanto em salas de aula quanto no e-learning para criar ambientes de aprendizagem ideais para os alunos [1]. Neste artigo, analisamos como os headsets de EEG da Emotiv estão sendo usados para mudar a forma como ensinamos e aprendemos.

Otimizando o conteúdo educacional

Projetar conteúdos educacionais envolventes requer feedback subjetivo constante dos alunos. Tradicionalmente, a determinação da eficácia do conteúdo de um curso é feita através de medidas de feedback autorrelatadas após a conclusão do curso.

No entanto, muitas vezes é difícil isolar exatamente quais aspectos da entrega do curso podem ser melhorados devido à dependência da memória subjetiva. Devido à sua alta resolução temporal (ou seja, sua capacidade de medir respostas cerebrais na escala de milissegundos), o EEG é capaz de indexar processos pré-conscientes, que de outra forma passariam despercebidos com meras medidas de autorrelato. Ao otimizar o conteúdo do curso, as métricas mais úteis são o nível de atenção e a carga cognitiva - uma medida da quantidade de esforço que o cérebro exerce para reter a informação. A Atenção é frequentemente medida analisando diferentes ondas cerebrais observadas no EEG quando alguém está aprendendo - como os níveis de ondas alfa (normalmente associadas ao cansaço) e ondas beta (normalmente associadas a estar alerta ou focado). A carga cognitiva, uma medida mais complexa, também pode ser indexada com níveis variados de ondas alfa e teta.

Pesquisadores desenvolveram sistemas com EEG que podem monitorar a atenção, permitindo avaliar os níveis de atenção ao longo de todo o curso. Zhou et al. demonstraram com sucesso um sistema em tempo real que monitora a carga cognitiva de estudantes de e-learning engajados em Massive Open Online Courses (MOOCs), o que abre caminho para otimizar o conteúdo dos cursos em tempo real [2].

Analisar estados cognitivos tornou-se fácil

Medir estados cognitivos, como nesses estudos anteriores, pode exigir alguma habilidade técnica e especialização. Felizmente, os avanços na ciência de dados agora permitem o uso de algoritmos pré-construídos para medir estados cognitivos, com o mínimo de conhecimento técnico. A Emotiv permite o uso de Performance Metrics: algoritmos de aprendizado de máquina desenvolvidos para identificar diferentes estados cerebrais, incluindo foco, excitação, engajamento, frustração, estresse e relaxamento em um EEG.

Esses algoritmos são construídos usando experimentos controlados projetados para eliciar estados cognitivos específicos e são úteis para otimizar o conteúdo educacional. Essas Emotiv Performance Metrics foram usadas para comparar o aprendizado baseado em jogos com o aprendizado tradicional com lápis e papel, embora o estudo não tenha mostrado diferença nos estados cognitivos entre os dois métodos de aprendizagem [3]. Outros pesquisadores demonstraram a utilidade das Performance Metrics no agrupamento de crianças de apenas 5 a 7 anos de idade com base em estados cognitivos como engajamento, estresse e foco para julgar a eficácia de atividades em ambientes de realidade aumentada.

Acima: (A) O EEG pode ser usado para medir as ondas cerebrais de alunos em uma sala de aula do ensino médio (de: Dikker et al. [4]). (B) As ondas cerebrais dos alunos podem mostrar alta sincronia com outros alunos, o que foi observado em estudantes que estavam mais engajados na aula (à esquerda). Baixa sincronia com outros alunos (à direita) foi encontrada para estudantes que estavam menos engajados.

Melhorando os ambientes de aprendizagem

Não apenas o conteúdo do material educacional é importante, mas quando e onde aprendemos é igualmente importante para garantir que os alunos tenham boas experiências de aprendizagem. Pesquisadores mediram os níveis de ondas alfa durante diferentes horários de aula e descobriram que as aulas do ensino médio no meio da manhã apresentavam menos ondas alfa do que as do início da manhã, sugerindo que o meio da manhã pode ser o melhor momento para aprender [4].

EEGs sem fio também têm sido usados para comparar ambientes reais versus virtuais, demonstrando a capacidade de proporcionar níveis iguais de atenção e motivação em ambos os ambientes [5]. Isso pode abrir caminho para uma experiência de aprendizagem mais rica para pessoas com deficiências físicas, impossibilitadas de frequentar as salas de aula presenciais. Os pesquisadores também realizaram estudos sobre a dinâmica social na sala de aula usando EEG. Um grupo de alunos equipados com headsets de EEG pode ser avaliado para ver quão sincronizada está sua atividade neural durante um processo de aprendizagem comum [6][7]. Esse método de coleta de dados de EEG, chamado de hiperscanning por EEG, é um passo em direção à inferência em tempo real da atenção do grupo e à melhoria da dinâmica social na sala de aula.

Tornando a educação acessível a todos

Algumas dificuldades físicas ou sensoriais podem limitar as experiências de aprendizagem dos alunos na sala de aula. No entanto, existem ferramentas baseadas em EEG que estão melhorando as experiências dos estudantes. Avanços na tecnologia de Interface Cérebro-Computador (BCI) permitiram a digitação baseada em EEG [8][9], o que ajuda os alunos com dificuldades físicas a fazer anotações mentais em seus dispositivos de computação enquanto aprendem. As BCIs que permitem responder a perguntas do tipo sim-não com base em EEG também estão permitindo que alunos com deficiência visual sejam avaliados por meio de exames computadorizados, o que de outra forma exigiria um entrevistador [10].

Experiências de aprendizagem personalizadas

Fornecer tutores pessoais para os alunos pode ser caro, mas muitas vezes pode ser necessário quando o sistema de educação geral não está equipado para lidar com necessidades únicas de aprendizagem. Os Sistemas de Tutoria Inteligente (ITS) são uma classe de software de aprendizagem baseado em computador apoiado por inteligência artificial que pode atuar como tutores pessoais.

O objetivo desses sistemas é adaptar e fornecer feedback personalizado em tempo real ao aluno para aprimorar sua aprendizagem. Pesquisadores estão atualmente avançando os sistemas de ITS ao integrá-los com o EEG. Em um estudo, os pesquisadores usam o EEG para detectar o engajamento dos alunos em diferentes tipos de vídeos educacionais (conteúdo animado vs. vídeos com professores humanos), o que permite ao ITS aprender e gerar automaticamente conteúdo que o aluno achará mais interessante.

Quando você remove o elemento humano do processo de ensino, torna-se cada vez mais importante acompanhar a carga cognitiva dos alunos ao usar programas de aprendizagem baseados em computador para evitar o estresse e a fadiga da tela. Para combater isso, pesquisadores desenvolveram um banco de dados de expressões faciais baseado em dados de EEG que detecta ativamente se um aluno estava entediado, engajado, animado ou frustrado ao usar um ITS [11].

Este desenvolvimento com o EEG está abrindo caminho para que o sistema ITS aprenda e se adapte continuamente ao aluno individualmente; sugerindo pausas quando eles estão cansados ou continuando a ensinar quando estão engajados, proporcionando uma experiência de aprendizagem mais eficaz para o aluno.

Acima: Alunos do programa BrainWaves da Universidade de Nova York (NYU) jogam um jogo enquanto usam a tecnologia cerebral de EEG da Emotiv.

O EEG como ferramenta de aprendizagem STEM

Os dispositivos e softwares de EEG da Emotiv são fáceis de usar e são uma excelente ferramenta introdutória para inspirar a próxima geração de cientistas das áreas de ciência, tecnologia, engenharia e matemática (STEM) também.

Os dispositivos e softwares da Emotiv estão sendo usados atualmente em cursos de graduação universitária, não apenas em psicologia e neurociência, mas também em engenharia biomédica. Kurent demonstra um exemplo de sucesso na integração de dispositivos Emotiv EPOC no processo educacional nos níveis de ensino médio e superior para permitir o avanço de dispositivos de BCI. Kosmayana et al. constataram que a inclusão de sistemas de EEG-BCI nos currículos escolares melhora o desempenho acadêmico. A Universidade Macquarie já demonstrou a inclusão bem-sucedida de dispositivos Emotiv em seu currículo de Bacharelado em Ciências Cognitivas e do Cérebro, proporcionando aos alunos experiência prática com design experimental e análise de dados de EEG [14].

Além disso, White-Foy demonstra que crianças de apenas 12 anos de idade podem aprender com sucesso a tecnologia de BCI e configurar projetos de pesquisa de EEG em pequena escala [13]. Os alunos usaram recursos online para integrar um dispositivo Emotiv Insight a um Raspberry Pi (um computador em miniatura) que traduz o EEG em comandos para controlar um brinquedo de Star Wars por controle remoto (o BB-8) e navegá-lo por um labirinto.

Acima: NeuroLab de escola secundária. Alunos de 11 a 18 anos integraram o Raspberry Pi e o robô BB-8 com o dispositivo Emotiv e usaram comandos mentais para navegar o BB-8 por um labirinto (compartilhado com permissão do NeuroLabs)

Podemos ver que os dispositivos de EEG móveis e de baixo custo da Emotiv fornecem não apenas métodos para melhorar a qualidade dos programas educacionais para o educador entregar um conteúdo excepcional, mas, juntamente com os desenvolvimentos em BCI, também se propõem a fornecer um ambiente educacional rico para indivíduos com necessidades únicas.

Como a Emotiv pode ajudar

• Melhore as experiências de aprendizagem dos seus alunos com os Emotiv EEG Lab Starter Kits.

• Construa experimentos e analise dados com o EmotivPRO Builder.

• Lance experimentos remotos para obter dados no EmotivLABS.

• Use nosso conjunto de dados de código aberto.

Precisa de Ajuda? Entre em Contato Conosco

Fonte da imagem de capa: Trevor Day School

Referências

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.