โดย ดร. รอชินี แรนเดนิยา

การศึกษาเป็นเสาหลักที่สำคัญของสังคมเรา และการจัดเตรียมสภาพแวดล้อมการเรียนรู้อันสมบูรณ์เป็นสิ่งจำเป็นสำหรับความก้าวหน้าของสังคม วิทยาศาสตร์ด้านประสาทในการศึกษากำลังเจริญเติบโตอย่างรวดเร็วในฐานะสาขาวิชาระหว่างสาขาวิชา ซึ่งมุ่งหวังในการเข้าใจกลไกประสาทของการสอนและการเรียนรู้

ในช่วงสองทศวรรษที่ผ่านมา ความก้าวหน้าในเทคโนโลยี EEG แบบพกพาได้ช่วยให้นักวิจัยสามารถใช้ชุดหูฟัง EEG ในห้องเรียนและการเรียนรู้ออนไลน์เพื่อสร้างสภาพแวดล้อมการเรียนรู้อันเหมาะสมสำหรับนักเรียน [1] ในบทความนี้ เราจะพิจารณาว่าชุดหูฟัง EEG ของ EMOTIV ถูกนำมาใช้เปลี่ยนแปลงวิธีการสอนและการเรียนรู้อย่างไร

การเพิ่มประสิทธิภาพเนื้อหาทางการศึกษา

การออกแบบเนื้อหาทางการศึกษาที่น่าสนใจต้องการความเห็นเชิงอัตวิสัยจากนักเรียนอย่างสม่ำเสมอ โดยปกติการกำหนดความมีประสิทธิภาพของเนื้อหาของหลักสูตรจะทำผ่านการประเมินเชิงอัตวิสัยหลังจากเรียนจบหลักสูตร

อย่างไรก็ตาม มักจะยากที่จะระบุว่าแง่มุมใดของการส่งมอบหลักสูตรที่ควรปรับปรุงจากการอ้างอิงจากความทรงจำเชิงอัตวิสัย ด้วยความละเอียดด้านเวลาอันสูงของ EEG (ซึ่งสามารถวัดการตอบสนองของสมองได้ในระดับมิลลิวินาที) จึงสามารถจัดทำดัชนีของกระบวนการก่อนรู้สึกที่อาจจะไม่สามารถจำแนกได้ด้วยการประเมินแบบเชิงอัตวิสัย เมื่อเพิ่มประสิทธิภาพของเนื้อหาหลักสูตร เมตริกที่มีประโยชน์ที่สุดคือระดับการมีสมาธิและ ภาระด้านการรู้คิด ซึ่งเป็นมาตรวัดของความพยายามที่สมองใช้ในการรักษาข้อมูล การมีสมาธิ มักถูกวัดโดยการวิเคราะห์คลื่นสมองต่าง ๆ ที่เห็นใน EEG เมื่อมีคนเรียนรู้ - เช่น ระดับของคลื่นอัลฟา (ที่มักเกี่ยวข้องกับความเหนื่อยล้า) และคลื่นเบตา (ที่มักเกี่ยวข้องกับการตื่นตัวหรือสนใจ) ภาระด้านการรู้คิดที่ซับซ้อนกว่า ยังสามารถจัดทำดัชนีได้ด้วยระดับอัลฟาและธีต้าแต่ละแบบ

นักวิจัยได้พัฒนาระบบที่ใช้ EEG ที่สามารถตรวจวัดการมีสมาธิ ทำให้สามารถประเมินระดับการมีสมาธิได้ตลอดทั้งหลักสูตร โจว และคณะ ได้สาธิตระบบที่ตรวจสอบภาระด้านการรู้คิดของนักเรียนในการเรียนหลักสูตร Massive Open Online Courses (MOOCs) แบบเรียลไทม์ ซึ่งเป็นก้าวสำคัญในการเพิ่มประสิทธิภาพเนื้อหาหลักสูตรแบบเรียลไทม์ [2]

การวิเคราะห์สภาวะการรู้คิดที่ง่ายขึ้น

การวัดสภาวะการรู้คิด เช่นในการศึกษาก่อนหน้านี้ อาจต้องการทักษะด้านเทคนิคและความเชี่ยวชาญระดับหนึ่ง โชคดีที่ความก้าวหน้าในด้านดาต้าไซเอนซ์ได้ช่วยให้สามารถใช้อัลกอริทึมที่สร้างขึ้นพร้อมใช้งานในการวัดสภาวะการรู้คิด โดยไม่ต้องใช้ความเชี่ยวชาญทางเทคนิคมากนัก Emotiv ช่วยให้สามารถใช้ Metrics ด้านประสิทธิภาพ: ซึ่งเป็นอัลกอริธึมการเรียนรู้ของเครื่องที่พัฒนาขึ้นเพื่อระบุสภาวะสมองต่าง ๆ รวมถึงการมีสมาธิ ความตื่นเต้น การมีส่วนร่วม ความคับข้องใจ ความเครียด และการผ่อนคลายใน EEG

อัลกอริธึมเหล่านี้ถูกสร้างขึ้นจากการทดลองที่ควบคุมได้ที่ตั้งใจให้ออกเองสภาวะการรู้คิดเฉพาะ และมีประโยชน์ในการเพิ่มประสิทธิภาพเนื้อหาทางการศึกษา Metrics ด้านประสิทธิภาพของ Emotiv ถูกใช้ในการเปรียบเทียบการเรียนรู้ผ่านเกมกับการเรียนรู้แบบใช้กระดาษและปากกา โดยแม้ว่าการศึกษาจะแสดงว่าไม่มีความแตกต่างในสภาวะการรู้คิดระหว่างสองวิธีการเรียนรู้ [3] นักวิจัยคนอื่น ๆ ได้แสดงให้เห็นถึงประโยชน์ของ Metrics ด้านประสิทธิภาพในกลุ่มเด็กอายุ 5-7 ปี ในการจัดกลุ่มตามสภาวะการรู้คิดต่าง ๆ เช่น การมีส่วนร่วม ความเครียด และการมีสมาธิเพื่อตรวจวัดความมีประสิทธิภาพของกิจกรรมในสภาพแวดล้อมที่ใช้ความจริงเสริม

ด้านบน: (A) EEG สามารถใช้วัดคลื่นสมองของนักเรียนในชั้นมัธยมเรียน (จาก: ดิคเกอร์ และคณะ [4]) (B) คลื่นสมองของนักเรียนสามารถแสดงถึงความสอดคล้องสูงกับนักเรียนคนอื่น ซึ่งพบในนักเรียนที่มีส่วนร่วมในชั้นเรียนมากขึ้น (ซ้าย) ความสอดคล้องต่ำกับนักเรียนคนอื่น (ขวา) จะพบในนักเรียนที่มีส่วนร่วมน้อยกว่า

การเสริมสร้างสภาพแวดล้อมการเรียนรู้

ไม่เพียงแค่เนื้อหาของวัสดุการศึกษาที่สำคัญ เมื่อใดและที่ไหนที่เราคือการเรียนรู้มีความสำคัญมากเท่ากันในการให้ประสบการณ์การเรียนที่ดีสำหรับนักเรียน นักวิจัยได้วัดระดับของคลื่นอัลฟาในช่วงเวลาต่างๆของชั้นเรียนและพบว่าชั้นเรียนมัธยมปลายช่วงกลางเช้าแสดงคลื่นอัลฟาน้อยกว่าช่วงเช้าและชี้แนะว่าช่วงกลางเช้าอาจเป็นเวลาที่ดีที่สุดสำหรับการเรียนรู้ [4]

EEG ไร้สายยังถูกใช้เพื่อเปรียบเทียบสภาพแวดล้อมจริงและเสมือน แสดงให้เห็นถึงความสามารถในการให้ระดับความสนใจ และแรงบันดาลใจที่เท่าเทียมกันในทั้งสองสภาพแวดล้อม [5] นี่อาจเป็นการเปิดทางสำหรับประสบการณ์การเรียนรู้ที่รวยซึ่งเหมาะสำหรับคนที่มีความพิการทางกายภาพที่ไม่สามารถเข้าห้องเรียนตามปกติ นักวิจัยยังได้ทำการศึกษาการเขียนแบบกลุ่มทางสังคมในชั้นเรียนโดยใช้ EEG การ์ณกลุ่มนักเรียนที่สวมส่วนหัว EEG สามารถประเมินว่า บริษัทก้นสังเคราะห์ของพวกเขาเสียงแบบอย่างราบลื่นกันมากแค่ไหนในระหว่างกระบวนการเรียนรู้ทั่วไป [6][7] รูปแบบนี้ของการรวบรวมข้อมูล EEG หรือ EEG hyperscanning คือการก้าวเข้าสู่การคาดการณ์ในเวลาจริงสำหรับความสนใจแบบกลุ่มและปรับปรุงการตั้งค่าการเขียนแบบกลุ่มในชั้นเรียน

ทำให้การศึกษาเข้าถึงได้สำหรับทุกคน

ความยากลำบากทางกายภาพหรือสัมผัสบางอย่างอาจจำกัดประสบการณ์การเรียนรู้ในชั้นเรียนของนักเรียน อย่างไรก็ตาม มีเครื่องมือที่ใช้ EEG ที่กำลังปรับปรุงประสบการณ์ของนักเรียน ความก้าวหน้าในเทคโนโลยีอินเตอร์เฟสสมองกับคอมพิวเตอร์ (BCI) ทำให้สามารถพิมพ์ที่มีฐานใน EEG ได้ [8][9] ซึ่งช่วยให้นักเรียนที่มีความยากลำบากทางกายสามารถจดบันทึกทางจิตบนอุปกรณ์คอมพิวเตอร์ของตนได้เมื่อเรียนรู้ BCIs ที่เปิดใช้การตอบคำถามใช่-ไม่ซึ่งมีฐานบน EEG ยังช่วยให้นักเรียนที่มีความบกพร่องทางสายตาสามารถรับการประเมินผ่านการทดสอบโดยใช้คอมพิวเตอร์ได้ ซึ่งจะต้องมีผู้สัมภาษณ์ในสถานการณ์ทั่วๆ ไป [10]

ประสบการณ์การเรียนรู้ส่วนบุคคล

การจัดหาครูสอนพิเศษส่วนตัวให้นักเรียนอาจมีค่าใช้จ่ายสูง แต่มักมีความจำเป็นเมื่อต้องการการจัดการพิเศษเฉพาะสำหรับความต้องการเฉพาะในการเรียนรู้ อย่างไรก็ตาม ระบบครูสอนพิเศษอัจฉริยะ (ITS) เป็นกลุ่มซอฟต์แวร์การเรียนรู้ที่ใช้คอมพิวเตอร์ซึ่งได้รับการสนับสนุนจากปัญญาประดิษฐ์ที่สามารถทำตัวเป็นครูสอนพิเศษส่วนตัวได้

ระบบเหล่านี้มุ่งหวังที่จะปรับเปลี่ยนและให้ข้อเสนอแนะต่างๆ แก่นักเรียนแบบทันทีทันใด เพื่อเพิ่มประสิทธิภาพการเรียนรู้ นักวิจัยกำลังพัฒนาระบบ ITS โดยการรวมเข้ากับ EEG ในการศึกษาหนึ่งครั้ง นักวิจัยได้ใช้ EEG ในการตรวจจับการมีส่วนร่วมของนักเรียนกับวีดีโอการศึกษาแบบต่างๆ (เนื้อหาที่เป็นอนิเมชันกับวีดีโอที่มีครูจริง) ซึ่งช่วยให้ ITS สามารถเรียนรู้และสร้างเนื้อหาที่นักเรียนจะพบว่าน่าสนใจมากขึ้นโดยอัตโนมัติ

เมื่อคุณเอาองค์ประกอบมนุษย์ออกจากกระบวนการสอน ระบบการเรียนรู้ที่ใช้คอมพิวเตอร์มากยิ่งสำคัญขึ้นในการต่อเนื่องติดตามภาระสมองของนักเรียน เพื่อป้องกันความเครียดและความล้าจากการใช้หน้าจอ อย่างไรก็ตาม นักวิจัยได้พัฒนาฐานข้อมูลการแสดงออกทางหน้า โดยอิงจากข้อมูล EEG ซึ่งระบุการรู้สึกเบื่อ มีส่วนร่วม ตื่นเต้น หรือขุ่นเคืองของนักเรียนได้อย่างแม่นยำขณะที่ใช้ระบบ ITS [11]

การพัฒนานี้ด้วย EEG กำลังก้าวเข้าสู่ระบบ ITS ที่สามารถเรียนรู้อย่างต่อเนื่องและปรับเปลี่ยนให้นักศึกษาโดยยอมให้แนะนำพักเมื่อเหนื่อยหรือดำเนินการสอนเมื่อมีส่วนร่วม เพิ่มประสบการณ์การเรียนรู้ที่มีผลดีมากขึ้นให้กับนักเรียน

ด้านบน: นักศึกษาที่มหาวิทยาลัยนิวยอร์ก (NYU) BrainWaves กำลังเล่นเกมขณะสวมเทคโนโลยีสมอง EEG ของ EMOTIV

EEG เครื่องมือการเรียนรู้ STEM

อุปกรณ์ EEG ของ Emotiv และซอฟต์แวร์นั้นใช้งานง่ายและเป็นเครื่องมือแนะนำที่ดีในการสร้างแรงบันดาลใจให้กับนักวิทยาศาสตร์ศาสตร์รุ่นต่อไปในด้านวิทยาศาสตร์ เทคโนโลยี วิศวกรรม และคณิตศาสตร์ (STEM) อีกด้วย

อุปกรณ์และซอฟต์แวร์ของ Emotiv ในขณะนี้ถูกใช้ในหลักสูตรระดับการศึกษาปริญญาตรีในมหาวิทยาลัย ไม่เพียงแต่ในด้านจิตวิทยาและวิทยาศาสตร์พื้นฐานของสมอง แต่นอกจากนี้ยังในวิศวกรรมทางชีวภาพ คูเรนต์แสดงตัวอย่างที่ประสบความสำเร็จในการรวมอุปกรณ์ Emotiv EPOC เข้ากับกระบวนการศึกษาในระดับมัธยมศึกษาและวิทยาลัย เพื่อส่งเสริมความก้าวหน้าในอุปกรณ์ BCI คอสมายาน่าและคณะ พบว่าเมื่อรวมระบบ EEG-BCI เข้ากับหลักสูตรการศึกษาในโรงเรียนจะช่วยส่งเสริมประสิทธิภาพทางการศึกษา มหาวิทยาลัย Macquarie ได้แสดงอย่างสำเร็จในการรวมอุปกรณ์ของ Emotiv เข้ากับหลักสูตรปริญญาตรีของคณะวิทยาศาสตร์การรู้คิดและสมองซึ่งให้ประสบการณ์การใช้มือกับการออกแบบทดลองและการวิเคราะห์ข้อมูล EEG แก่นักเรียน [14]

นอกจากนี้ ยังไวท์-ฟอยแสดงให้เห็นว่าเด็กในวัยรุ่น 12 ปี สามารถเรียนรู้เทคโนโลยี BCI ได้อย่างประสบความสำเร็จและตั้งค่าการวิจัย EEG ขนาดเล็ก [13] นักศึกษาได้ใช้ทรัพยากรออนไลน์ในการรวมอุปกรณ์ EMOTIV Insight เข้ากับ Raspberry Pi (คอมพิวเตอร์ขนาดเล็ก) ซึ่งแปล EEG เป็นคำสั่งเพื่อควบคุมของเล่น Star Wars ที่ควบคุมระยะไกล (BB-8) และนำทางมันผ่านเขาวงกต

ด้านบน: ห้องปฏิบัติการประสาทขั้นพื้นฐานในโรงเรียนมัธยม นักศึกษาอายุ 11-18 ปี ที่ผสาน Raspberry Pi และหุ่นยนต์ BB-8 เข้ากับอุปกรณ์ Emotiv และใช้คำสั่งทางจิตเพื่อควบคุม BB-8 ผ่านเขาวงกต (แชร์โดยได้รับอนุญาตจาก NeuroLabs)

เราสามารถเห็นว่าอุปกรณ์ EEG ของ Emotiv ที่สร้างความพึงพอใจต่ำและเชื่อมต่อได้ไม่เพียงแต่ให้วิธีในการยกระดับคุณภาพของโปรแกรมการศึกษาเพื่อผู้ให้การศึกษาเพื่อส่งมอบเนื้อหาที่น่าประทับใจ แต่ยังเกี่ยวกับการพัฒนาใน BCI ยังเสนอเพื่อให้สภาพแวดล้อมการศึกษาอันรวยหลากหลายสำหรับบุคคลที่มีความต้องการพิเศษที่เฉพาะเจาะจง

EMOTIV สามารถช่วยได้อย่างไร

• ปรับปรุงประสบการณ์การเรียนรู้ของนักเรียนของคุณด้วย ชุดอุปกรณ์เริ่มต้น EMOTIV EEG Lab.

• สร้างทดลองและวิเคราะห์ข้อมูลด้วย EmotivPRO Builder.

• เปิดตัวการทดลองระยะไกลเพื่อรับข้อมูลบน EmotivLABS.

• ใช้ ชุดข้อมูลแบบโอเพ่นซอร์ส ของเรา.

ต้องการความช่วยเหลือ? ติดต่อเรา

ที่มาของภาพหน้าปก: โรงเรียน Trevor Day

เอกสารอ้างอิง

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

2. Zhou Y, Xu T, Cai Y, Wu X, และ Dong B. การตรวจสอบภาระด้านการรู้คิดในการเรียนออนไลน์ผ่านอินเตอร์เฟสสมองกับคอมพิวเตอร์ที่มีฐาน 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, และ Chaudhary N. การประเมินสถานะอารมณ์ของผู้เรียนผ่านการติดตามคลื่นสมองเพื่อเปรียบเทียบวิธีการเรียนรู้ผ่านเกมส์กับกระดาษและปากกา. ใน: 2019 IEEE Frontiers in Education Conference (FIE). ; 2019:1-8. doi:10.1109/FIE43999.2019.9097262

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

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

6. Dikker S, Wan L, Davidesco I, และคณะ. การติดตามการประสานสมองต่อสมองในกลุ่มโต้ตอบในสภาพแวดล้อมจริงในชั้นเรียน. 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: การบันทึกการประสานเส้นประสาทในระหว่างการนำเสนอวีดีโอ. 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. การพิมพ์ด้วยคลื่นสมอง: การศึกษาการเปรียบเทียบระหว่าง P300 และ Motor Imagery สำหรับการพิมพ์โดยใช้เครื่องมือ EEG แบบแห้ง. ใน: 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, และ Zhang D. การเปลี่ยนความคิดของคุณเป็นข้อความ: การทำให้การพิมพ์ด้วยสมองเป็นไปได้ผ่านการเรียนรู้ลึกในสัญญาณ EEG. ใน: 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, และ Budiharto W. การระบุตัวตนด้วยภาษารู้คิดจากรูปแบบการทดสอบด้วยคำตอบ 'ใช่-ไม่' สำหรับนักเรียนที่มีความบกพร่องทางสายตา. ใน: ; 2019. doi:10.1109/TALE48000.2019.9225903

11. Zatarain-Cabada R, Barrón-Estrada ML, González-Hernández F, Rodriguez-Rangel H. การสร้างฐานข้อมูลการจดจำการแสดงออกทางหน้าและระบบการสอนส่วนบุคคล. ใน: 2017 IEEE 17th International Conference on Advanced Learning Technologies (ICALT). ; 2017:391-393. doi:10.1109/ICALT.2017.141

12. Kurent P. การบูรณาการเทคโนโลยีแห่งอนาคตเข้าสู่โรงเรียนมัธยมและวิทยาลัย. ใน: 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. ประสาทวิทยาศาสตร์สำหรับนักเรียน: โครงการนำเสนอเทคโนโลยี EEG และสมองกับคอมพิวเตอร์ให้กับนักเรียนในโรงเรียนมัธยมต้น. การเรียนรู้การสอน. เผยแพร่เมื่อวันที่ 29 พฤศจิกายน 2019 เข้าถึงเมื่อวันที่ 15 มิถุนายน 2022. https://praxis-teacher-research.org/neuroscience-for-students/

14. Kosmyna, Nataliya, Nathalie Soetaert, และ Cassandra Scheirer. "การศึกษานำร่องการใช้สมองกับคอมพิวเตอร์ในห้องเรียนเพื่อส่งเสริมกิจกรรมทางการศึกษาในรูปแบบธรรมดา." Proceedings of the Future Technologies Conference. Springer, Cham, 2021.

15. Alvarez, V., Bower, M., de Freitas, S., Gregory, S. และ De Wit, B., 2016. การใช้เทคโนโลยีที่สวมใส่ได้ในมหาวิทยาลัยในออสเตรเลีย: ตัวอย่างจากวิทยาศาสตร์สิ่งแวดล้อม, สมองรู้คิดและวิทยาศาสตร์ และการฝึกอบรมครู. Mobile learning futures–รักษาคุณภาพในการวิจัยและปฏิบัติการเรียนรู้บนมือถือ, 25.

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