การศึกษาถือเป็นเสาหลักสำคัญของสังคมเรา และการจัดเตรียมสภาพแวดล้อมที่เอื้อต่อการเรียนรู้ที่สมบูรณ์ก็เป็นสิ่งจำเป็นสำหรับความก้าวหน้าของสังคม ประสาทวิทยาศาสตร์เพื่อการศึกษา (Educational neuroscience) เป็นสาขาสหวิทยาการที่กำลังพัฒนาอย่างรวดเร็ว โดยมีเป้าหมายเพื่อทำความเข้าใจกลไกการทำงานของสมองในเรื่องการเรียนการสอน

ในช่วงสองทศวรรษที่ผ่านมา ความก้าวหน้าของเทคโนโลยี EEG แบบพกพาช่วยให้นักวิจัยสามารถนำชุดอุปกรณ์ EEG มาใช้ทั้งในห้องเรียนและการเรียนรู้แบบอีเลิร์นนิง เพื่อสร้างสภาพแวดล้อมการเรียนรู้ที่เหมาะสมที่สุดสำหรับนักเรียน [1] ในบทความนี้ เราจะมาดูกันว่าชุดอุปกรณ์ EEG ของ Emotiv นำมาใช้เพื่อเปลี่ยนแปลงวิธีการสอนและการเรียนรู้อย่างไรบ้าง

การปรับปรุงเนื้อหาการเรียนการสอนให้เหมาะสมที่สุด

การออกแบบเนื้อหาการเรียนการสอนให้น่าสนใจจำเป็นต้องได้รับความคิดเห็นส่วนบุคคลจากนักเรียนอย่างต่อเนื่อง ตามหลักดั้งเดิมแล้ว การประเมินประสิทธิภาพของเนื้อหาหลักสูตรมักทำผ่านเครื่องมือวัดผลสะท้อนข้อมูลกลับด้วยตนเองหลังจากจบหลักสูตร

อย่างไรก็ตาม บ่อยครั้งที่เป็นเรื่องยากที่จะระบุได้อย่างชัดเจนว่าควรปรับปรุงการจัดการเรียนการสอนในส่วนใด เนื่องจากการประเมินนั้นพึ่งพาความจำส่วนบุคคลอย่างมาก ด้วยความสามารถในการแยกแยะทางเวลาในระดับสูง (เช่น ความสามารถในการวัดการตอบสนองของสมองในหน่วยมิลลิวินาที) EEG จึงสามารถชี้วัดกระบวนการส่วนจิตใต้สำนึกได้ ซึ่งหากใช้เพียงการประเมินตนเองตามปกติก็อาจไม่สามารถรับรู้ส่วนนี้ได้ เมื่อต้องการปรับปรุงเนื้อหาหลักสูตรให้เหมาะสม ตัวชี้วัดที่มีประโยชน์มากที่สุดคือ ระดับความสนใจและภาระทางปัญญา (cognitive load) ซึ่งเป็นตัววัดปริมาณความพยายามของสมองในการจดจำข้อมูล ความสนใจ (Attention) มักวัดได้จากการวิเคราะห์คลื่นสมองในส่วนต่างๆ ที่เกิดขึ้นเมื่อคนเรากำลังเรียนรู้ เช่น ระดับคลื่นอัลฟา (ซึ่งโดยทั่วไปเชื่อมโยงกับอาการเหนื่อยล้า) และคลื่นเบตา (ซึ่งโดยทั่วไปเชื่อมโยงกับความตื่นตัวหรือการมีสมาธิจดจ่อ) สำหรับภาระทางปัญญาซึ่งเป็นตัวชี้วัดที่ซับซ้อนกว่า ก็สามารถชี้วัดได้ด้วยการแปรผันของระดับคลื่นอัลฟาและคลื่นทีตาเช่นกัน

นักวิจัยได้พัฒนาระบบร่วมกับ EEG ที่สามารถตรวจสอบความสนใจ ซึ่งช่วยให้สามารถประเมินระดับความสนใจตลอดทั้งหลักสูตรได้ Zhou และคณะ ได้สาธิตความสำเร็จของระบบการทำงานจริงที่ตรวจจับภาระทางปัญญาของนักเรียนอีเลิร์นนิงในหลักสูตรออนไลน์แบบเปิดเพื่อมหาชน (MOOCs) ซึ่งเป็นการปูทางไปสู่การปรับปรุงเนื้อหาหลักสูตรให้เหมาะสมได้ในแบบเรียลไทม์ [2]

การวิเคราะห์สภาวะทางปัญญาทำได้ง่ายนิดเดียว

การวัดสภาวะทางปัญญาดั่งเช่นการศึกษาที่ผ่านมา อาจต้องการทักษะและความเชี่ยวชาญทางเทคนิคอยู่บ้าง โชคดีที่ในปัจจุบันความก้าวหน้าในด้านวิทยาการข้อมูลช่วยให้สามารถใช้อัลกอริทึมที่สร้างไว้สำเร็จรูปมาใช้วัดสภาวะทางปัญญาได้ โดยใช้ความเชี่ยวชาญทางเทคนิคน้อยที่สุด Emotiv ช่วยให้คุณสามารถใช้วิธีวัด Performance Metrics ได้ ซึ่งเป็นอัลกอริทึมการเรียนรู้ของเครื่องเชิงลึกที่พัฒนาขึ้นเพื่อระบุสถานะสมองที่แตกต่างกัน รวมทั้งสมาธิจดจ่อ ความตื่นเต้น การมีส่วนร่วม ความหงุดหงิด ความเครียด และความผ่อนคลายในการตรวจวัดผ่าน EEG

อัลกอริทึมเหล่านี้สร้างขึ้นโดยใช้การทดลองที่มีการควบคุม ซึ่งออกแบบมาเพื่อกระตุ้นสภาวะทางปัญญาเฉพาะด้านและมีประโยชน์ต่อการปรับปรุงเนื้อหาด้านการศึกษา ตัวชี้วัด Performance Metrics ของ Emotiv ได้ถูกนำมาใช้เพื่อเปรียบเทียบการเรียนรู้ผ่านเกมกับการเรียนรู้แบบดั้งเดิมที่ใช้ปากกาและกระดาษ แม้ว่าผลการศึกษาจะแสดงให้เห็นว่าไม่มีความแตกต่างของสภาวะทางปัญญาระหว่างการเรียนรู้ทั้งสองวิธีก็ตาม [3] นักวิจัยท่านอื่นก็ยังแสดงให้เห็นถึงประโยชน์ของ Performance Metrics ในการจัดกลุ่มเด็กที่มีอายุตั้งแต่ 5-7 ปี โดยอ้างอิงจากสภาวะทางปัญญา เช่น การมีส่วนร่วม ความเครียด และสมาธิจดจ่อ เพื่อประเมินประสิทธิภาพของกิจกรรมในสภาพแวดล้อมเทคโนโลยีเสมือนจริงแบบผสมผสาน (augmented reality)

ภาพด้านบน: (A) EEG สามารถนำมาใช้วัดคลื่นสมองของนักเรียนในห้องเรียนระดับมัธยมศึกษาตอนปลายได้ (จาก: Dikker et al. [4]) (B) คลื่นสมองของนักเรียนสามารถแสดงความสอดคล้องกันอย่างมากกับเพื่อนคนอื่น ซึ่งพบได้ในนักเรียนที่มีความใส่ใจและมีส่วนร่วมในชั้นเรียนมากกว่า (ซ้าย) ส่วนการพบความสอดคล้องระดับต่ำกับนักเรียนร่วมห้องคนอื่น (ขวา) จะมีสถิติเป็นของนักเรียนที่มีความใส่ใจมีส่วนร่วมในชั้นเรียนน้อยกว่า

การยกระดับสภาพแวดล้อมการเรียนรู้

ไม่เพียงแต่เนื้อหาของบทเรียนเท่านั้นที่มีความสำคัญ แต่เรื่องที่ว่าเราเรียนรู้กันเวลาไหนและที่ไหนบ้างนั้นก็มีความสำคัญเท่าๆ กันเพื่อให้มั่นใจว่านักเรียนจะได้รับประสบการณ์การเรียนที่ดี นักวิจัยได้วัดระดับของคลื่นอัลฟาในช่วงเวลาเรียนต่างๆ ในห้องเรียนและพบว่า ชั้นเรียนมัธยมปลายในตอนสาย แสดงคลื่นอัลฟาน้อยกว่าช่วงเช้าตรู่ และแสดงให้เห็นว่าช่วงสายๆ อาจเป็นเวลาที่ดีที่สุดสำหรับการเรียนรู้ [4]

EEG แบบไร้สายยังถูกนำมาใช้เพื่อเปรียบเทียบสภาพแวดล้อมจริงและเสมือนจริง โดยแสดงให้เห็นถึงความสามารถในการสร้างระดับความสนใจและแรงบันดาลใจได้เท่าๆ กันทั้งในสองสภาพแวดล้อม [5] สิ่งนี้อาจปูทางไปสู่ประสบการณ์การเรียนรู้ที่สมบูรณ์ยิ่งขึ้นสำหรับผู้พิการทางร่างกายที่ไม่สะดวกในการเข้าห้องเรียนด้วยตนเอง นักวิจัยยังได้ทำการศึกษาเกี่ยวกับพลวัตทางสังคมในห้องเรียนโดยใช้ EEG โดยกลุ่มนักเรียนที่สวมชุดอุปกรณ์ EEG สามารถเข้ารับการประเมินว่ากิจกรรมทางประสาทของพวกเขามีความสอดคล้องกันอย่างไรในระหว่างกระบวนการเรียนรู้ร่วมกัน [6][7] วิธีการรวบรวมข้อมูล EEG นี้ เรียกว่า EEG hyperscanning ซึ่งเป็นอีกก้าวหนึ่งในการลงความเห็นเพื่อคาดการณ์ความสนใจกลุ่มได้แบบเรียลไทม์และปรับปรุงพลวัตทางสังคมในห้องเรียน

ทำให้ทุกคนสามารถเข้าถึงการศึกษาได้อย่างครอบคลุม

อุปสรรคทางร่างกายหรือทางประสาทสัมผัสบางประการอาจสร้างขีดจำกัดต่อประสบการณ์ในการเรียนของนักเรียนในห้องเรียนได้ อย่างไรก็ตาม มีเครื่องมือที่ขับเคลื่อนด้วยระบบ EEG ที่เข้ามาช่วยปรับปรุงประสบการณ์เหล่านั้นให้ดีขึ้นได้ ความก้าวหน้าในเทคโนโลยีระบบเชื่อมต่อสมองกับคอมพิวเตอร์ (BCI) ช่วยส่งเสริมการพิมพ์งานโดยมีระบบ EEG คอยประมวลผลคำสั่ง [8][9] ซึ่งช่วยให้นักเรียนที่มีปัญหาทางร่างกายสามารถบันทึกข้อความลงในอุปกรณ์คอมพิวเตอร์ผ่านความคิดในขณะที่กำลังนั่งเรียน เทคโนโลยี BCI ที่ขับเคลื่อนระบบตอบคำถามใช่หรือไม่ใช่โดยประมวลผลผ่าน EEG ขึ้นมาใช้งานนั้น ยังมอบโอกาสให้นักเรียนที่มีความบกพร่องทางสายตาได้รับการประเมินความรู้โดยใช้ชุดทำข้อสอบผ่านระบบคอมพิวเตอร์ ซึ่งช่วยลดภาระที่แต่เดิมต้องใช้วิธีสัมภาษณ์โดยการพูดคุยเป็นหลัก [10]

ประสบการณ์การเรียนรู้เฉพาะบุคคล

การมีผู้สอนพิเศษส่วนตัวให้กับนักเรียนเป็นเรื่องที่มีค่าใช้จ่ายสูง แต่ก็มักจะมีความจำเป็นเมื่อระบบการศึกษาทั่วไปไม่สามารถตอบสนองความต้องการเฉพาะบุคคลในการเรียนรู้ได้อย่างทั่วถึง ระบบติวเตอร์อัจฉริยะ (Intelligent Tutoring Systems - ITS) คือประเภทซอฟต์แวร์การเรียนรู้ผ่านคอมพิวเตอร์ที่สนับสนุนการทำงานด้วยปัญญาประดิษฐ์ ซึ่งทำหน้าที่ประหนึ่งเสมือนติวเตอร์ส่วนตัวได้จริง

เป้าหมายของระบบเหล่านี้คือการปรับเปลี่ยนและให้ข้อมูลตอบกลับแบบเรียลไทม์เฉพาะบุคคลแก่ผู้เรียน เพื่อส่งเสริมการเรียนรู้ของพวกเขา ปัจจุบันเหล่านักวิจัยกำลังพัฒนาระบบ ITS ให้ล้ำหน้ายิ่งขึ้นโดยการผสานรวมเข้ากับระบบ EEG ในการศึกษาชิ้นหนึ่ง นักวิจัยใช้ EEG เพื่อตรวจจับระดับการเข้ามีส่วนร่วมและมีปฏิสัมพันธ์ร่วมของนักเรียนที่มีต่อนักเรียนในวิดีโอเพื่อการศึกษาประเภทต่างๆ (เปรียบเทียบเนื้อหาแบบแอนิเมชันกับวิดีโอที่มีคุณครูจริงแสดงสอน) ซึ่งกระบวนการนี้จะช่วยให้ระบบ ITS เกิดการเรียนรู้และสามารถสร้างเนื้อหาที่นักเรียนจะสนใจมากขึ้นโดยอัตโนมัติ

เมื่อคุณนำเอาความเป็นมนุษย์ออกไปจากกระบวนการสอน การติดตามดูภาระทางปัญญาของนักเรียนในขณะใช้งานโปรแกรมเรียนรู้ผ่านคอมพิวเตอร์จึงมีความสำคัญอย่างมาก เพื่อป้องกันไม่ให้เกิดความเครียดและอาการล้าสายตาจากหน้าจอ เพื่อแก้ไขปัญหานี้ นักวิจัยได้พัฒนาฐานข้อมูลการแสดงออกทางสีหน้าที่อ้างอิงจากข้อมูล EEG ซึ่งช่วยให้สามารถตรวจจับการตอบสนองได้ว่านักเรียนมีอาการเบื่อหน่าย มีส่วนร่วม ตื่นเต้น หรือรู้สึกหงุดหงิดในขณะที่เข้าเรียนผ่านระบบ ITS [11]

การพัฒนาร่วมกับระบบ EEG นี้ ปูทางให้ระบบ ITS สามารถเรียนรู้และปรับให้เข้ากับตัวนักเรียนแต่ละคนได้อย่างต่อเนื่อง เช่น การเสนอข้อแนะนำให้มีช่วงเวลาพักเมื่อพวกเขารู้สึกเหนื่อยล้า หรือดำเนินการสอนต่อไปเมื่อพวกเขามีส่วนร่วมและมีสมาธิดี ซึ่งมอบประสบการณ์การเรียนรู้ที่มีประสิทธิภาพยิ่งขึ้นให้กับนักเรียน

ข้างบน: นักเรียนจากมหาวิทยาลัยนิวยอร์ก (NYU) ในโครงการ BrainWaves ร่วมเล่นเกมในขณะที่สวมใส่อุปกรณ์ช่วยรับสัญญาณประมวลผลสมองอย่าง Emotiv EEG

EEG เป็นเสมือนเครื่องมือช่วยเรียนรู้แบบ STEM

อุปกรณ์ตรวจจับคลื่นสมอง EEG และซอฟต์แวร์ของ Emotiv นั้นใช้งานได้ง่าย และเป็นเครื่องมือตั้งต้นที่สามารถสร้างแรงบันดาลใจให้กับนักเรียนนักศึกษาในชั้นเรียนกลุ่มสาขาวิชาวิทยาศาสตร์ เทคโนโลยี วิศวกรรมศาสตร์ และคณิตศาสตร์ (STEM) ในเจเนอเรชันถัดไปได้เป็นอย่างดี

โปรแกรมและระบบซอฟต์แวร์ของ Emotiv ได้รับการนำมาบรรจุเข้าในระดับชั้นมหาวิทยาลัยปริญญาตรีในหลายหลักสูตร ทั้งในรายวิชาจิตวิทยา ประสาทวิทยา ตลอดจนวิศวกรรมชีวการแพทย์ Kurent ได้แสดงกรณีความสำเร็จอย่างมีประสิทธิภาพในการนำอุปกรณ์ Emotiv EPOC เข้ามารวมเข้ากับกระบวนการศึกษาในระดับชั้นมัธยมศึกษาตอนปลายและระดับวิทยาลัยเพื่อส่งเสริมและพัฒนาการใช้คู่กับอุปกรณ์เชื่อมโยงประสาทสมองกับคอมพิวเตอร์ (BCI) Kosmayana และคณะ ได้พบว่าการบรรจุระบบ EEG-BCI เข้าสู่ชุดวิชาการเรียนในหลักสูตรทางโรงเรียน สามารถช่วยส่งเสริมพฤติกรรมการเรียนเพื่อผลสัมฤทธิ์ทางการศึกษาได้ดียิ่งขึ้น มหาวิทยาลัย Macquarie University ได้แสดงผลสัมฤทธิ์ของการรวมเอาเทคโนโลยีระบบสัมผัสจากอุปกรณ์ Emotiv เข้าเป็นส่วนหนึ่งของวิชาเรียนระดับปริญญาตรีด้าน Cognitive and Brain Sciences (การรับรู้และประสาทวิทยาศาสตร์) ทำให้นักศึกษามีประสบการณ์ลงมือทำจริงในการออกแบบการทดลองและการประเมินข้อมูลผลวิเคราะห์จากเครื่องรับสัญญาณประสาท EEG [14]

ยิ่งไปกว่านั้น White-Foy ได้แสดงผลการศึกษานำร่องว่าเยาวชนที่มีอายุตั้งแต่ 12 ปี สามารถเรียนรู้เทคโนโลยี BCI ได้ และทดลองตั้งชุดโครงการศึกษาทางประสาทวิทยาและเครื่องรับสัญญาณ EEG ได้ในระดับขนาดย่อม [13] ตัวกลุ่มนักเรียนได้ใช้คู่มือเรียนรู้ออนไลน์ในการประสานชุดอุปกรณ์เครื่องส่งสัญญาณ Emotiv Insight ร่วมเข้ากับชุดคำตอบประมวลผลผ่าน microcomputer ของ Raspberry Pi ซึ่งแปลงคลื่นความถี่ EEG เป็นตัวเซนเซิร์ฟเพื่อใช้ออกคำสั่งคีย์บังคับหุ่นยนต์จำลองยานรบเลโก้ Star Wars (หุ่นยนต์ BB-8) ให้เคลื่อนไหวข้ามฝ่าแผนผังทางเขาวงกตได้สำเร็จ

ด้านบน: โครงการ NeuroLab ของโรงเรียนมัธยมศึกษาตอนปลาย นักเรียนอายุ 11-18 ปี ได้มีโอกาสทดลองต่อโมดูล Raspberry Pi เข้ากับโครงสร้างหุ่นยนต์ BB-8 ผ่านสัญญานตรวจรับแบบ Emotiv และเลือกประมวลผลวิธีสั่งการเคลื่อนไหวผ่านความคิดในการพยุงหุ่นยนต์ BB-8 ผ่านเครื่องขีดกั้นเส้นทางวงกต (นำมาจัดแสดงโดยได้รับการยินยอมอนุญาตจากทีม NeuroLabs)

พวกเราสามารถเริ่มเห็นได้อย่างเด่นชัดแล้วว่า โมเดลบริการกลุ่มอุปกรณ์ Emotiv EEG ที่มาในระดับราคาประหยัดและเน้นการพกพาได้ง่ายนั้น ไม่เพียงแต่จะเปิดทางพัฒนาคุณภาพแก่ผู้สรรสร้างในการทำสื่อการศึกษาเพื่อส่งมอบสาระข้อมูลอันดีเยี่ยมต่อยอดไปข้างหน้าเท่านั้น แต่ทว่านี่คืออีกหนึ่งโอกาสบุกเบิกความรู้ความก้าวหน้าควบคู่กับวิทยาการ BCI เพื่อขยายช่องทางการเข้าถึงระบบการศึกษากับผู้เรียนกลุ่มเป้าหมายที่มีรสนิยมและความพึงพอใจจำเพาะตัวได้อย่างสมบูรณ์ที่สุด

วิธีที่ Emotiv พร้อมสนับสนุนช่วยเหลือท่าน

• ยกระดับคุณภาพการเรียนรู้แก่นักเรียนของท่านได้ด้วยเซตเครื่องมือ Emotiv EEG Lab Starter Kits

• เริ่มต้นตั้งรูปแบบงานทดลองและแปลผลสถิติต่างๆ ของคุณร่วมกับ EmotivPRO Builder

• สามารถส่งชุดสำรวจแบบมีระบบจัดวางโปรแกรมทางไกล เพื่อรวบรวมนำส่งข้อมูลเข้าผ่านระบบเว็บคลาวด์ EmotivLABS

• ดาวน์โหลดร่วมใช้แพลตฟอร์มโครงสร้างข้อมูลกลุ่มวิจัย open-source data set เผยแพร่ฟรีสาธารณะ

หากมีคำถามและต้องการติดต่อเจ้าหน้าที่ทีมงานเราโดยตรง

แหล่งอ้างอิงภาพหน้าปก: Trevor Day School

เอกสารอ้างอิง

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.