วิธีการใช้ EEG เพื่อสร้างสภาพแวดล้อมการเรียนรู้ที่เหมาะสม

โดย ดร. โรชินิ แรนเดนญา

การศึกษาเป็นเสาหลักที่สำคัญของสังคมเรา และการสร้างสภาพแวดล้อมการเรียนรู้ที่อุดมไปด้วยทรัพยากรถือเป็นสิ่งจำเป็นสำหรับความก้าวหน้าทางสังคม ประสาทวิทยาศึกษาเป็นสาขาวิชาที่พัฒนาขึ้นอย่างรวดเร็วและเกี่ยวข้องกับหลายวิชา ซึ่งมีเป้าหมายเพื่อทำความเข้าใจกลไกทางประสาทที่เกี่ยวข้องกับการสอนและการเรียนรู้

ตลอดสองทศวรรษที่ผ่านมา ความก้าวหน้าของเทคโนโลยี EEG แบบพกพาได้ช่วยให้นักวิจัยสามารถใช้หูฟัง EEG ในทั้งห้องเรียนและการเรียนรู้ออนไลน์เพื่อสร้างสภาพแวดล้อมการเรียนรู้ที่เหมาะสมที่สุดสำหรับนักเรียน [1] ในบทความนี้ เราจะดูว่าอุปกรณ์ตรวจวัด EEG ของ EMOTIV ถูกใช้เพื่อเปลี่ยนแปลงการสอนและการเรียนรู้ได้อย่างไร

การปรับปรุงเนื้อหาทางการศึกษา

การออกแบบเนื้อหาทางการศึกษาที่มีความน่าสนใจต้องการความคิดเห็นเชิงอัตวิสัยจากนักเรียนอย่างต่อเนื่อง ในวิธีดั้งเดิม การกำหนดประสิทธิภาพของเนื้อหาหลักสูตรจะทำผ่านมาตรวัดฟีดแบ็คที่นักเรียนรายงานตัวเองหลังจากจบหลักสูตร

อย่างไรก็ตาม มันมักจะยากที่จะแยกแยะว่าข้อใดของการส่งมอบหลักสูตรที่สามารถปรับปรุงได้ เนื่องจากการพึ่งพาความจำเชิงอัตวิสัย เนื่องจากมีความละเอียดเชิงเวลาสูง (เช่น ความสามารถในการวัดการตอบสนองของสมองในระดับมิลลิวินาที) EEG สามารถบ่งชี้กระบวนการก่อนมีสติอารมณ์ ซึ่งการวัดด้วยมาตรวัดฟีดแบ็คเพียงอย่างเดียวจะพลาดไป เมื่อการเพิ่มประสิทธิภาพเนื้อหาหลักสูตร เมตริกที่มีประโยชน์ที่สุดคือระดับของ ความสนใจ และ ภาระรับรู้ - มาตรวัดปริมาณความพยายามของสมองในการรักษาข้อมูล ความสนใจมักจะวัดโดยการวิเคราะห์คลื่นสมองที่แตกต่างกันที่สังเกตใน EEG เมื่อมีคนกำลังเรียนรู้ เช่น ระดับของคลื่นอัลฟ่า (มักเกี่ยวข้องกับอาการอ่อนล้า) และคลื่นเบต้า (มักเกี่ยวข้องกับการตื่นตัวหรือตั้งใจ) ภาระรับรู้ ซึ่งเป็นมาตรวัดที่ซับซ้อนกว่าก็สามารถรับรู้ได้ด้วยระดับที่แตกต่างกันของคลื่นอัลฟ่าและเธตา

นักวิจัยได้พัฒนาระบบที่ใช้ EEG ซึ่งสามารถติดตามความสนใจ ทำให้สามารถประเมินระดับความสนใจตลอดทั้งหลักสูตร Zhou et al. ได้แสดงให้เห็นระบบแบบเรียลไทม์ที่ติดตามภาระรับรู้ของนักเรียนที่เรียนรู้ผ่าน Massive Open Online Courses (MOOCs) ซึ่งเปิดทางให้กับการเพิ่มประสิทธิภาพเนื้อหาหลักสูตรแบบเรียลไทม์ [2]

การวิเคราะห์สถานะการรับรู้ได้ง่าย

การวัดสถานะการรับรู้ ในการศึกษาก่อนหน้าสามารถต้องการทักษะทางเทคนิคและความเชี่ยวชาญบางอย่าง โชคดี ความก้าวหน้าในวิทยาศาสตร์ข้อมูลทำให้สามารถใช้ขั้นตอนวิธีที่เตรียมไว้แล้วในการวัดสถานะการรับรู้ได้ง่ายขึ้น โดยไม่ต้องใช้ทักษะทางเทคนิคมากนัก Emotiv เปิดโอกาสให้ใช้ Performance Metrics: อัลกอริทึมการเรียนรู้ของเครื่องที่พัฒนาขึ้นเพื่อระบุสถานะสมองที่แตกต่างกัน รวมถึงโฟกัส ความตื่นเต้น การมีส่วนร่วม ความหงุดหงิด ความเครียด และการผ่อนคลายใน EEG

อัลกอริทึมเหล่านี้สร้างขึ้นจากการทดลองที่ควบคุมอาการต่างๆ เพื่อกระตุ้นสถานะการรับรู้ที่เฉพาะเจาะจงและมีประโยชน์ในการปรับปรุงเนื้อหาทางการศึกษา Performance Metrics ของ Emotiv ถูกใช้ในการเปรียบเทียบการเรียนรู้ผ่านการเล่นเกมกับการเรียนรู้แบบปากกาและกระดาษ แม้ว่าการศึกษาจะแสดงให้เห็นว่าไม่มีความแตกต่างในสถานะการรับรู้ระหว่างสองวิธีการเรียนรู้ [3] นักวิจัยอื่นๆ ได้แสดงถึงประโยชน์ของ Performance Metrics ในการจัดกลุ่มเด็กที่อายุเพียง 5-7 ปี ตามสถานะการรับรู้ เช่น การมีส่วนร่วม ความเครียด และโฟกัส เพื่อใช้ประเมินประสิทธิภาพของกิจกรรมในสภาพแวดล้อมเสมือนจริง

ข้างต้น: (A) EEG สามารถใช้ในการวัดคลื่นสมองของนักเรียนในห้องเรียนมัธยมศึกษา (จาก: Dikker et al. [4]). (B) คลื่นสมองของนักเรียนสามารถแสดงการประสานสอดคล้องกันสูงกับนักเรียนคนอื่นๆ ซึ่งพบในนักเรียนที่มีส่วนร่วมในห้องเรียนมากกว่า (ซ้าย) การประสานสอดคล้องกันต่ำกับนักเรียนคนอื่น (ขวา) พบในนักเรียนที่มีส่วนร่วมน้อยกว่า

การเสริมสร้างสภาพแวดล้อมการเรียนรู้

ไม่เพียงแต่เนื้อหาของวัสดุการศึกษาที่สำคัญ เมื่อและที่ไหนที่เราจะเรียนรู้ก็มีความสำคัญเช่นกันเพื่อให้แน่ใจว่านักเรียนมีประสบการณ์การเรียนรู้ที่ดี นักวิจัยได้วัดระดับคลื่นอัลฟ่าในช่วงเวลาชั้นเรียนที่แตกต่างกันและพบว่าชั้นเรียนมัธยมปลายตอนกลางวันมีคลื่นอัลฟ่าน้อยกว่าช่วงเช้าและแนะนำว่าช่วงกลางวันอาจเป็นเวลาที่ดีที่สุดที่จะเรียน [4]

EEG ไร้สายยังได้ถูกใช้ในการเปรียบเทียบสภาพแวดล้อมจริงกับสภาพแวดล้อมเสมือนจริง แสดงให้เห็นถึงความสามารถในการให้ระดับความสนใจและแรงจูงใจที่เท่ากันในทั้งสองสภาพแวดล้อม [5] ซึ่งอาจเปิดทางสำหรับประสบการณ์การเรียนรู้ที่เข้มข้นขึ้นสำหรับบุคคลที่มีความทุพพลภาพทางกาย ไม่สามารถเข้าร่วมห้องเรียนจริงได้ นักวิจัยยังได้ทำการศึกษาเกี่ยวกับพลวัตรสังคมในห้องเรียนโดยใช้ EEG กลุ่มนักเรียนที่ใช้ชุดหูฟัง EEG สามารถถูกประเมินว่ากิจกรรมประสาทของพวกเขาถูกประสานกันแค่ไหนในกระบวนการเรียนรู้ร่วมกัน [6][7] วิธีการเก็บข้อมูล EEG แบบนี้เรียกว่า EEG hyperscanning เป็นขั้นตอนหนึ่งในการคาดเดาความสนใจของกลุ่มแบบเรียลไทม์และปรับปรุงพลวัตรสังคมในห้องเรียน

ทำให้การศึกษาเข้าถึงทุกคน

อุปสรรคทางกายหรือประสาทสัมผัสบางประการสามารถจำกัดประสบการณ์การเรียนรู้ของนักเรียนในห้องเรียนได้ อย่างไรก็ตาม มีเครื่องมือที่อิงตาม EEG ที่ช่วยปรับปรุงประสบการณ์ของนักเรียน การพัฒนาทางเทคโนโลยี Brain-Computer Interface (BCI) ได้เปิดทางให้การพิมพ์ที่ใช้ EEG [8][9] ซึ่งช่วยให้นักเรียนที่มีความยากลำบากทางกายภาพสามารถจดบันทึกทางความคิดลงในอุปกรณ์คอมพิวติ้งของพวกเขาขณะเรียนรู้ BCIs ที่เปิดทางให้การตอบคำถามแบบใช่-ไม่ใช่ที่ใช้ EEG ยังช่วยให้นักเรียนที่มีความบกพร่องทางสายตาสามารถถูกประเมินโดยการสอบบนคอมพิวเตอร์ ซึ่งหากไม่ใช่จะต้องมีผู้สอบสัมภาษณ์ [10]

ประสบการณ์การเรียนรู้ที่ปรับให้เข้ากับแต่ละบุคคล

การให้ครูสอนพิเศษส่วนตัวแก่นักเรียนอาจมีราคาแพงแต่หลายครั้งจำเป็นเมื่อระบบการศึกษาทั่วไปไม่สามารถจัดการกับความต้องการพิเศษในการเรียนรู้ได้ ระบบการสอนพิเศษอัจฉริยะ (ITS) เป็นประเภทของซอฟต์แวร์การเรียนรู้ที่ใช้คอมพิวเตอร์ที่รองรับข้อมูลปัญญาประดิษฐ์ที่สามารถทำหน้าที่เป็นครูสอนพิเศษส่วนตัวได้

ระบบเหล่านี้มีเป้าหมายเพื่อปรับและให้ฟีดแบ็คที่ปรับเปลี่ยนตามเวลาให้กับนักเรียนเพื่อเพิ่มประสิทธิภาพการเรียนรู้ของพวกเขา นักวิจัยกำลังพัฒนาระบบ ITS โดยการบูรณาการเข้ากับ EEG ในการศึกษาแบบเดียวหนึ่ง นักวิจัยใช้ EEG เพื่อตรวจจับการมีส่วนร่วมของนักเรียนกับวิดีโอการศึกษาประเภทต่างๆ (เนื้อหาแอนิเมชั่นกับวิดีโอที่มีครูสอน) ซึ่งช่วยให้ ITS เรียนรู้และสร้างเนื้อหาใหม่ที่นักเรียนจะพบว่าน่าสนใจมากขึ้น

เมื่อคุณเอาองค์ประกอบมนุษย์ออกจากกระบวนการสอน มันยิ่งมีความสำคัญที่จะต้องติดตามภาระรับรู้ของนักเรียนในขณะที่ใช้โปรแกรมการเรียนรู้บนคอมพิวเตอร์เพื่อป้องกันความเครียดและความเหนื่อยหน่ายจากหน้าจอ นักวิจัยได้พัฒนาฐานข้อมูลการแสดงออกทางใบหน้าที่อิงจากข้อมูล EEG ที่ตรวจจับได้อย่างเอ็กทีฟว่ามีนักเรียนเบื่อหน่าย มีส่วนร่วม ตื่นเต้น หรือหงุดหงิดขณะใช้ ITS [11]

การพัฒนานี้กับ EEG กำลังเปิดทางให้ระบบ ITS เรียนรู้และปรับปรุงคู่กันไปอย่างต่อเนื่อง เพื่อนำเสนอหยุดพักเมื่อนักเรียนเหนื่อยล้าหรือสอนต่อเมื่อมีส่วนร่วม ซึ่งสร้างประสบการณ์การเรียนรู้ที่มีประสิทธิภาพมากขึ้นสำหรับนักเรียน

ข้างบน: นักเรียนที่มหาวิทยาลัยนิวยอร์ก (NYU) BrainWaves เล่นเกมขณะสวมเทคโนโลยี EEG ของ EMOTIV

EEG เป็นเครื่องมือการเรียนรู้แบบ STEM

อุปกรณ์และซอฟต์แวร์ EEG ของ Emotiv ใช้งานง่ายและเป็นเครื่องมือเบื้องต้นที่ยอดเยี่ยมเพื่อสร้างแรงบันดาลใจให้นักวิทยาศาสตร์ด้านวิทยาศาสตร์ เทคโนโลยี วิศวกรรม และคณิตศาสตร์ (STEM) รุ่นต่อไปด้วย

อุปกรณ์และซอฟต์แวร์ของ Emotiv กำลังถูกใช้งานในหลักสูตรระดับปริญญาตรีที่มหาวิทยาลัย ไม่เฉพาะในด้านจิตวิทยาและประสาทวิทยาศึกษาเท่านั้น แต่ยังในวิศวกรรมชีวการแพทย์ด้วย Kurent แสดงตัวอย่างที่ประสบความสำเร็จในการบูรณาการอุปกรณ์ Emotiv EPOC ในกระบวนการการศึกษาที่โรงเรียนมัธยมและระดับวิทยาลัยเพื่อพัฒนาการของอุปกรณ์ BCI Kosmayana et al. พบว่าการรวมระบบ EEG-BCI ในหลักสูตรโรงเรียนส่งผลดีต่อผลการทำงานทางการศึกษา มหาวิทยาลัย Macquarie ได้แสดงถึงการรวมอุปกรณ์ Emotiv ที่ประสบความสำเร็จในหลักสูตรปริญญาวิทยาศาสตร์การรับรู้และสมองที่มหาวิทยาลัยของพวกเขา ให้ประสบการณ์การใช้งานการออกแบบการทดลองและการวิเคราะห์ข้อมูล EEG สำหรับนักเรียน [14]

เพิ่มเติม White-Foy แสดงว่านักเรียนอายุน้อยถึง 12 ปีสามารถเรียนรู้เทคโนโลยี BCI และจัดตั้งโครงการวิจัย EEG ขนาดเล็กได้ [13] นักเรียนใช้ทรัพยากรออนไลน์ในการรวมอุปกรณ์ EMOTIV Insight กับ Raspberry Pi (มินิคอมพิวเตอร์) ซึ่งแปล EEG เป็นคำสั่งเพื่อควบคุมของเล่น Star Wars ที่ควบคุมจากระยะไกล (BB-8) และนำทางมันผ่านเขาวงกต

ข้างบน: ห้องปฏิบัติการประสาทวิโน่ของโรงเรียนมัธยม นักเรียนอายุ 11-18 ปีรวม Raspberry Pi และหุ่น BB-8 กับอุปกรณ์ Emotiv และใช้คำสั่งทางความคิดในการบังคับ BB-8 ผ่านเขาวงกต (แชร์ด้วยการอนุญาตจาก NeuroLabs)

เราสามารถเห็นได้ว่าอุปกรณ์ EEG ของ Emotiv ที่มีราคาถูกและเคลื่อนที่ได้ไม่เพียงแต่ให้วิธีการในการเพิ่มคุณภาพของโปรแกรมการศึกษาให้นักการศึกษาในการส่งเสริมเนื้อหาที่ยอดเยี่ยม แต่การพัฒนาก้าวหน้าใน BCI ยังเสนอที่จะให้สภาพแวดล้อมการศึกษาที่มีความเข้มข้นสำหรับบุคคลที่มีความต้องการพิเศษ

EMOTIV สามารถช่วยได้อย่างไร

• เพิ่มประสบการณ์การเรียนรู้ของนักเรียนของคุณด้วย EMOTIV EEG Lab Starter Kits.

• สร้างการทดลองและวิเคราะห์ข้อมูลด้วย EmotivPRO Builder.

• เปิดตัวการทดลองระยะไกลเพื่อรับข้อมูลที่ EmotivLABS.

• ใช้ข้อมูลชุดโอเพนซอร์สของเรา open-source data set.

ต้องการความช่วยเหลือ? ติดต่อเรา

 แหล่งภาพหน้าปก: Trevor Day School

อ้างอิง

1. J. Xu และ B. Zhong, “การทบทวนเทคโนโลยี EEG แบบพกพาในการวิจัยการศึกษา,” Computers in Human Behavior, vol. 81, pp. 340–349, เม.ย. 2018, doi: 10.1016/j.chb.2017.12.037.

2. Zhou Y, Xu T, Cai Y, Wu X, Dong B. การเฝ้าติดตามภาระงานรู้ในวิดีโอการเรียนรู้ออนไลน์ผ่านอินเตอร์เฟซระหว่างสมองกับคอมพิวเตอร์ที่ใช้ EEG. เลคโนตคอมพ์ซีย์ในฐานโนตอีโกซีย์ 2017;10295 LNCS:64-73. doi:10.1007/978-3-319-58509-3_7

3. Pireva K, Tahir R, Shariq Imran A, Chaudhary N. ประเมินสถานะอารมณ์ของผู้เรียนด้วยการติดตามคลื่นสมองเพื่อเปรียบเทียบแนวทางการเรียนรู้ผ่านเกมกับการเรียนรู้แบบปากกาและกระดาษ ใน: 2019 IEEE ประชุมวิชาการด้านหน้าการศึกษา; 2019:1-8. doi:10.1109/FIE43999.2019.9097262

4. Dikker S, Haegens S, Bevilacqua D, และคณะ. เช้ามือ: หลักฐานระบบประสาทในโลกจริงที่แสดงถึงเวลาชั้นเรียนในโรงเรียนมัธยมศึกษาเกี่ยวข้องกับการศึกษา. Soc Cogn Affect Neurosci. 2020;15(11):1193-1202. doi:10.1093/scan/nsaa142

5. Romero-Soto FO, Ibarra-Zárate DI, Alonso-Valerdi LM. การวิเคราะห์เปรียบเทียบของกำลังคลื่นอัลฟาในสภาพแวดล้อมจริงและสภาพแวดล้อมเสมือนจริง ใน: Vol 75. ; 2020:156-163. doi:10.1007/978-3-030-30648-9_22

6. Dikker S, Wan L, Davidesco I, และคณะ. การประสานสอดคล้องระบบประสาทในการติดตามงานกลุ่มแบบไดนามิกในห้องเรียนในโลกจริง. 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 ในห้องเรียน: การบันทึกระบบประสาทที่สอดคล้องกันระหว่างการนำเสนอวิดีโอ. 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. พิมพ์ด้วยการคลื่นสมอง: การศึกษาเปรียบเทียบของ P300 และ Motor Imagery สำหรับการพิมพ์ด้วยอุปกรณ์ EEG แผ่นไฟฟ้าแห้ง ใน: Stephanidis C, บรรณาธิการ. ประชุม HCI International 2013 - การขยายบทคัดย่อของการประกาศ. สื่อสารในสาขาข้อมูลและวิทยาการคอมพิวเตอร์. 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. การแปลงความคิดของคุณเป็นข้อความ: เปิดการพิมพ์ด้วยสมองผ่านการเรียนรู้ลึกของสัญญาณ EEG ใน: การประชุมวิชาการคอมพิวเตอร์และการสื่อสารถวบคุม 2018 IEEE ; 2018:1-10. doi:10.1109/PERCOM.2018.8444575

10. Yosrita E, Heryadi Y, Wulandhari LA, Budiharto W. การระบุคำในแบบจำลองการสอบที่ใช้คำถามตอบแบบใช่-ไม่ใช่โดยใช้ EEG ใน: ; 2019. doi:10.1109/TALE48000.2019.9225903

11. Zatarain-Cabada R, Barrón-Estrada ML, González-Hernández F, Rodriguez-Rangel H. การสร้างเครื่องมือจำลองการแสดงออกทางใบหน้าและฐานข้อมูลการแสดงออกทางใบหน้าสำหรับระบบการสอนพิเศษอัจฉริยะ ใน: 2017 IEEE 17th การประชุมวิชาการระหว่างประเทศด้านเทคโนโลยีการเรียนรู้ขั้นสูง (ICALT). ; 2017:391-393. doi:10.1109/ICALT.2017.141

12. Kurent P. การรวมเทคโนโลยีแห่งอนาคตในโรงเรียนมัธยมและวิทยาลัย ใน: 2017 การประชุมสากลที่ 40 ว่าด้วยการสื่อสารเทคโนโลยีสารสนเทศ อิเล็กทรอนิกส์ และไมโครอิเล็กทรอนิกส์ (MIPRO). ; 2017:858-861. doi:10.23919/MIPRO.2017.7973541

13. White-Foy J. ประสาทวิทยาเพื่อการศึกษา: โครงการที่แนะนำเทคโนโลยี EEG และอินเตอร์เฟซสมองกับคอมพิวเตอร์ให้นักเรียนระดับมัธยมศึกษา. Praxis Teacher Research. เผยแพร่เมื่อ 29 พฤศจิกายน 2019. เข้าถึงเมื่อ 15 มิถุนายน 2022. https://praxis-teacher-research.org/neuroscience-for-students/

14. Kosmyna, Nataliya, Nathalie Soetaert, and Cassandra Scheirer. "การศึกษาเบื้องต้นการใช้อินเตอร์เฟซสมองกับคอมพิวเตอร์ในห้องเรียนเพื่อส่งเสริมกิจกรรมการศึกษารูปแบบ." การประชุมเทคโนโลยีอนาคต Proceedings of the Future Technologies Conference. Springer, Cham, 2021.

15. Alvarez, V., Bower, M., de Freitas, S., Gregory, S. และ De Wit, B., 2016. การใช้เทคโนโลยีสวมใส่ได้ในมหาวิทยาลัยออสเตรเลีย: ตัวอย่างจากวิทยาศาสตร์สิ่งแวดล้อม, วิทยาศาสตร์การรับรู้และสมอง และการฝึกอบรมครู. อนาคตก้าวหน้าเรียนรู้เคลื่อนที่–การธำรงรักษางานวิจัยคุณภาพและการปฏิบัติในแวดวงการศึกษาครบถ้วน 25.

16. Rodríguez, A.O.R., Riaño, M.A., García, P.A.G., Marín, C.E.M., Crespo, R.G. และ Wu, X., 2020. การระบุตัวละครทางอารมณ์ของเด็กผ่านสภาพแวดล้อมการเรียนรู้ที่ใช้การวิเคราะห์การเรียนรู้และ AR-Sandbox. Journal of Ambient Intelligence and Humanized Computing, 11(11), หน้า 5353-5367.