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 aprendizado ricos é essencial para o avanço social. A neurociência educacional é um campo interdisciplinar em rápida evolução que visa entender os mecanismos neurais do ensino e da aprendizagem.

Nas últimas duas décadas, os avanços na tecnologia EEG portátil permitiram que pesquisadores usassem fones de ouvido EEG tanto em salas de aula quanto em e-learning para criar ambientes de aprendizado ideais para os alunos [1]. Neste artigo, analisamos como os fones de ouvido EEG da EMOTIV estão sendo usados para mudar como ensinamos e aprendemos.

Otimização de conteúdo educacional

Projetar conteúdo educacional envolvente requer um feedback subjetivo constante dos alunos. Tradicionalmente, a determinação da eficácia do conteúdo de um curso é feita através de medidas de feedback autorelatadas ao término de um 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 permaneceriam não reconhecidos com meras medidas de autoreporte. 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 associadas a cansaço) e ondas beta (tipicamente 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 durante todo o curso. Zhou et al. demonstraram com sucesso um sistema em tempo real que monitora a carga cognitiva de alunos 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 com facilidade

A medição de estados cognitivos, como nos estudos anteriores, pode exigir alguma habilidade e expertise técnica. Felizmente, os avanços em ciência de dados agora permitem o uso de algoritmos pré-construídos para medir estados cognitivos, com mínima expertise 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 usando experimentos controlados projetados para evocar estados cognitivos específicos e são úteis para otimizar o conteúdo educacional. Essas Métricas de Performance da Emotiv foram usadas para comparar aprendizado baseado em jogos versus aprendizado tradicional com caneta 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 Métricas de Performance na agrupação de crianças tão jovens quanto 5-7 anos de idade com base em estados cognitivos como engajamento, estresse e foco para determinar a eficácia das 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 de ensino médio (de: Dikker et al. [4]). (B) As ondas cerebrais dos alunos podem mostrar alta sincronia com outros alunos, o que foi descoberto para alunos que estavam mais engajados na aula (esquerda). Baixa sincronia com outros alunos (direita) foi encontrada para alunos que estavam menos engajados.

Melhorando ambientes de aprendizagem

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

EEGs sem fio também foram usados para comparar ambientes reais vs virtuais, demonstrando a capacidade de fornecer 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, incapazes de participar presencialmente das aulas. Pesquisadores também realizaram estudos sobre dinâmicas sociais na sala de aula usando EEG. Um grupo de alunos equipado com fones de ouvido 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 hiperscaneamento de EEG, é um passo em direção à inferência de atenção em grupo em tempo real e à melhoria das dinâmicas sociais na sala de aula.

Tornando a educação acessível a todos

Dificuldades físicas ou sensoriais podem limitar as experiências de aprendizado dos alunos na sala de aula. No entanto, existem ferramentas baseadas em EEG que estão melhorando as experiências dos alunos. Avanços na tecnologia de Interface Cérebro-Computador (BCI) permitiram a digitação baseada em EEG [8][9], o que ajuda alunos com dificuldades físicas a anotar mentalmente em seus dispositivos computacionais enquanto aprendem. BCIs que permitem a resposta a perguntas do tipo sim-não com base em EEG também estão permitindo que alunos com deficiências visuais sejam avaliados usando exame computadorizado, que de outra forma exigiriam um entrevistador [10].

Experiências de aprendizagem personalizadas

Fornecer tutores pessoais para alunos pode ser caro, mas muitas vezes é necessário quando o sistema educacional geral está mal equipado para lidar com necessidades únicas de aprendizagem. Sistemas Tutores Inteligentes (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 se adaptar e fornecer feedback personalizado em tempo real ao aluno para aprimorar seu aprendizado. Pesquisadores estão atualmente avançando os 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 versus 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 ao utilizar programas de aprendizado baseados em computador para prevenir estresse e fadiga da tela. Para combater isso, pesquisadores desenvolveram um banco de dados de expressões faciais com base em dados de EEG que detecta ativamente se um aluno estava entediado, engajado, empolgado ou frustrado enquanto usava um ITS [11].

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

Acima: Alunos da Universidade de Nova York (NYU) BrainWaves participam de um jogo enquanto usam a tecnologia de cérebro EMOTIV EEG.

EEG como uma ferramenta de aprendizagem em STEM

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

Dispositivos e softwares da Emotiv estão atualmente sendo usados em cursos de nível de graduação universitária, não apenas em psicologia e neurociência, mas também em engenharia biomédica. Kurent demonstra um exemplo bem-sucedido de integração dos dispositivos EPOC da Emotiv no processo educacional em nível de ensino médio e de faculdade para permitir o avanço dos dispositivos BCI. Kosmayana et al. concluem que a inclusão de sistemas EEG-BCI nos currículos escolares aumenta 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, oferecendo aos alunos experiência prática com design experimental e análise de dados de EEG [14].

Além disso, White-Foy demonstra que crianças tão jovens quanto 12 anos podem aprender com sucesso a tecnologia BCI e configurar pequenos projetos de pesquisa em 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 um Raspberry Pi e o robô BB-8 com o dispositivo Emotiv e usaram comandos mentais para navegar o BB-8 através de um labirinto (compartilhado com permissão do NeuroLabs)

Podemos ver que dispositivos de EEG da Emotiv de baixo custo e móveis oferecem não apenas métodos de aprimorar a qualidade dos programas educacionais para que o educador forneça um conteúdo excepcional, mas junto com os desenvolvimentos em BCI também propõe fornecer um ambiente educacional rico para indivíduos com necessidades únicas.

Como a EMOTIV Pode Ajudar

• Melhore as experiências de aprendizagem dos seus alunos com Kits Iniciais EMOTIV EEG.

• Construa experimentos e analise dados com EmotivPRO Builder.

• Realize experimentos remotos para obter dados sobre 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 e B. Zhong, “Revisão sobre tecnologia EEG portátil na pesquisa educacional,” 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. Monitoramento da carga cognitiva na aprendizagem de vídeos 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 a abordagem de aprendizagem baseada em jogos com caneta e papel. 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. A Sincronia Cérebro-a-Cérebro Acompanha Interações Dinâmicas de Grupo do 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 a 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 de Ondas Cerebrais: Estudo Comparativo de P300 e Imagética Motora para Digitação Usando Dispositivos EEG de Eletrodos Secos. Em: Stephanidis C, ed. HCI International 2013 - Posters’ Extended Abstracts. 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 através do Aprendizado Profundo de Recursos dos Sinais de 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 Tutor 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 futuras 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 Estudantes: um projeto para introduzir tecnologias de EEG e Interface Cérebro-Computador para crianças do ensino secundário. Pesquisa de Professores 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 do Futuro. 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 em ciências ambientais, ciências cognitivas e do cérebro e formação de professores. Futuros da aprendizagem móvel - sustentando a pesquisa e a prática de qualidade na aprendizagem 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 utilizando análises de aprendizagem e AR-Sandbox. Journal of Ambient Intelligence and Humanized Computing, 11(11), pp.5353-5367.