Como o EEG pode ser usado para criar ambientes de aprendizagem ideais

por Dra. Roshini Randeniya

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 e em rápida evolução que visa entender os mecanismos neurais do ensino e da aprendizagem.

Nas últimas duas décadas, os avanços na tecnologia de EEG portátil possibilitaram que pesquisadores usassem headsets de EEG em salas de aula e em 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 conteúdo educacional envolvente requer feedback subjetivo constante dos alunos. Tradicionalmente, a determinação da eficácia do conteúdo de um curso é feita por meio de medidas de feedback auto-relatadas 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 as respostas cerebrais na escala de milissegundos), o EEG é capaz de indexar processos pré-conscientes, que de outra forma ficariam não reconhecidos com meras medidas auto-relatadas. Ao otimizar o conteúdo do curso, as métricas mais úteis são o nível de atenção e carga cognitiva - uma medida da quantidade de esforço que o cérebro exerce para reter a informação. Atenção é frequentemente medida analisando diferentes ondas cerebrais observadas no EEG quando alguém está aprendendo - como os níveis de ondas alfa (tipicamente associados à fadiga) e beta (tipicamente associados à alerta ou foco). A carga cognitiva, uma medida mais complexa, também pode ser indexada com níveis variados de ondas alfa e theta.

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 envolvidos em Cursos Online Abertos Massivos (MOOCs), o que abre caminho para otimizar o conteúdo do curso em tempo real [2].

Analisando estados cognitivos de forma fácil

Medir estados cognitivos, como nos estudos anteriores, pode exigir alguma habilidade técnica e expertise. Felizmente, os avanços em ciência de dados agora possibilitaram o uso de algoritmos pré-construídos para medir estados cognitivos, com mínima experiência técnica. A Emotiv permite o uso de Métricas de Performance: 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 utilizando experimentos controlados projetados para elicitar estados cognitivos específicos e são úteis para otimizar o conteúdo educacional. Essas Métricas de Performance da Emotiv têm sido usadas para comparar a aprendizagem baseada em jogos com a aprendizagem tradicional em papel e caneta, embora o estudo não tenha mostrado diferença nos estados cognitivos entre os dois métodos de aprendizagem [3]. Outros pesquisadores demonstraram a utilidade das Métricas de Performance em agrupar crianças tão jovens quanto 5 a 7 anos de idade com base em estados cognitivos como engajamento, estresse e foco para avaliar a eficácia de atividades em ambientes de realidade aumentada.

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

Melhorando os ambientes de aprendizagem

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

O EEG sem fio também tem sido usado para comparar ambientes reais e virtuais, demonstrando a capacidade de proporcionar níveis equivalentes 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, incapazes de assistir pessoalmente às aulas. Pesquisadores também realizaram estudos sobre dinâmicas sociais na sala de aula usando EEG. Um grupo de alunos equipado com headsets de EEG pode ser avaliado quanto à sincronia de sua atividade neural durante um processo de aprendizagem comum [6][7]. Este método de coleta de dados de EEG, chamado hiperscan EEG, é um passo em direção à inferência em tempo real da atenção em grupo e melhoria das dinâmicas sociais na sala de aula.

Tornando a educação acessível a todos

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 a experiência dos alunos. Avanços na tecnologia de Interface Cérebro-Computador (BCI) permitem a digitação baseada em EEG [8][9], o que ajuda alunos com dificuldades físicas a fazer anotações mentais em seus dispositivos de computação enquanto aprendem. BCIs que permitem a resposta a perguntas tipo sim-não com base em EEG também permitem que alunos com deficiências visuais sejam avaliados usando exames baseados em computador, 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 educacional geral está mal equipado para lidar com necessidades únicas de aprendizagem. Sistemas de Tutoria Inteligente (ITS) são uma classe de software de aprendizagem baseado em computador apoiados por inteligência artificial que podem atuar como tutores pessoais.

O objetivo desses sistemas é adaptar e fornecer feedback personalizado em tempo real ao aluno para melhorar sua aprendizagem. Pesquisadores estão atualmente avançando nos sistemas ITS integrando-os com EEG. Em um estudo, pesquisadores usam EEG para detectar o engajamento dos alunos com diferentes tipos de vídeos educacionais (conteúdo animado vs vídeos com professores humanos), o que permite que o ITS aprenda e gere 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 enquanto usa programas de aprendizagem baseados em computador para evitar estresse e fadiga visual. 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 enquanto usava um ITS [11].

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

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

EEG como ferramenta de aprendizagem STEM

Dispositivos e software EEG da Emotiv são fáceis de usar e são uma excelente ferramenta introdutória para inspirar a próxima geração de cientistas de ciências, tecnologia, engenharia e matemática (STEM).

Os dispositivos e software Emotiv estão atualmente sendo utilizados em cursos de graduação universitária, não apenas em psicologia e neurociência, mas também em engenharia biomédica. Kurent demonstra um exemplo bem-sucedido de integração de dispositivos Emotiv EPOC no processo educacional em nível de ensino médio e faculdade para permitir o avanço dos dispositivos BCI. Kosmayana et al. descobrem que incluir sistemas 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 a partir de 12 anos podem aprender com sucesso a tecnologia BCI e estabelecer pequenos projetos de pesquisa com EEG [13]. Os alunos usaram recursos online para integrar um dispositivo EMOTIV Insight a um Raspberry Pi (um computador miniatura) que traduz EEG em comandos para controlar um brinquedo remoto de Star Wars (o BB-8) e navegá-lo por um labirinto.

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

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

Como a EMOTIV pode ajudar

• Melhore a experiência de aprendizagem de seus alunos com Kits Iniciais do Laboratório EMOTIV EEG.

• Construa experimentos e analise dados com EmotivPRO Builder.

• Lance experimentos remotos para obter dados sobre EmotivLABS.

• Utilize nosso conjunto de dados de código aberto.

Precisa de Ajuda? Contate-nos

 Fonte da imagem de capa: Trevor Day School

Referências

1. J. Xu e B. Zhong, “Revisão sobre a tecnologia EEG portátil na pesquisa educacional,” Computers in Human Behavior, vol. 81, pp. 340–349, abr. 2018, doi: 10.1016/j.chb.2017.12.037.

2. Zhou Y, Xu T, Cai Y, Wu X, Dong B. Monitorando a carga cognitiva em vídeos de aprendizagem online através de uma interface cérebro-computador baseada em 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. Avaliando estados emocionais dos aprendizes monitorando ondas cerebrais para comparar o aprendizado baseado em jogos com papel e caneta. Em: 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. Cérebro matutino: evidência neural do mundo real de que os horários das aulas de ensino médio importam. Soc Cogn Affect Neurosci. 2020;15(11):1193-1202. doi:10.1093/scan/nsaa142

5. Romero-Soto FO, Ibarra-Zárate DI, Alonso-Valerdi LM. Análise Comparativa da Densidade Espectral de Potência Alfa em Ambientes Reais e Virtuais. Em: Vol 75. ; 2020:156-163. doi:10.1007/978-3-030-30648-9_22

6. Dikker S, Wan L, Davidesco I, et al. Sincronia Cérebro-a-Cérebro acompanha Interações Dinâmicas em Grupo no Mundo Real na Sala de Aula. 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 na sala de aula: Gravações neurais sincronizadas durante apresentação de vídeo. 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. Digitação por Ondas Cerebrais: Estudo Comparativo do P300 e Imagética Motora para Digitação Usando Dispositivos de EEG de Eletrodo Seco. Em: Stephanidis C, ed. HCI International 2013 - Resumos Estendidos de Pôsteres. Comunicações em Ciência da Computação e Informação. 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. Convertendo Seus Pensamentos em Textos: Habilitando a Digitação Cerebral via Aprendizado de Recursos Profundos de Sinais EEG. Em: 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. Identificação Baseada em EEG de Palavras em Modelos de Exame com Respostas Sim-Não para Alunos com Deficiências Visuais. Em: ; 2019. doi:10.1109/TALE48000.2019.9225903

11. Zatarain-Cabada R, Barrón-Estrada ML, González-Hernández F, Rodriguez-Rangel H. Construindo um Reconhecedor de Expressões Faciais e um Banco de Dados de Expressões Faciais para um Sistema de Tutoria Inteligente. Em: 2017 IEEE 17th International Conference on Advanced Learning Technologies (ICALT). ; 2017:391-393. doi:10.1109/ICALT.2017.141

12. Kurent P. Integração das tecnologias do futuro em escolas de ensino médio e faculdades. Em: 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. Neurociência para Alunos: um projeto para introduzir a tecnologia de EEG e Interface Cérebro-Computador para crianças do ensino secundário. Pesquisa do Professor Praxis. Publicado em 29 de novembro de 2019. Acessado em 15 de junho de 2022. https://praxis-teacher-research.org/neuroscience-for-students/

14. Kosmyna, Nataliya, Nathalie Soetaert, e Cassandra Scheirer. "Um Estudo Piloto sobre o Uso de Interfaces Cérebro-Computador em Salas de Aula para Promover Atividades Educacionais Formais." Atas da Conferência de Tecnologias Futuras. Springer, Cham, 2021.

15. Álvarez, V., Bower, M., de Freitas, S., Gregory, S. e De Wit, B., 2016. O uso de tecnologias vestíveis em universidades australianas: Exemplos de ciências ambientais, ciências cognitivas e do cérebro e formação de professores. Futuros de aprendizagem móvel - sustentando a pesquisa e a prática de qualidade em aprendizado móvel, 25.

16. Rodríguez, A.O.R., Riaño, M.A., García, P.A.G., Marín, C.E.M., Crespo, R.G. e Wu, X., 2020. Caracterização emocional de crianças através de um ambiente de aprendizagem usando análises de aprendizagem e AR-Sandbox. Journal of Ambient Intelligence and Humanized Computing, 11(11), pp.5353-5367.