Eğitim, toplumumuzun temel direklerinden biridir ve zengin öğrenme ortamları sağlamak, toplumsal ilerleme için esastır. Eğitsel nörobilim, öğretme ve öğrenmenin nöral mekanizmalarını anlamayı amaçlayan, hızla gelişen disiplinler arası bir alandır.

Son yirmi yılda, taşınabilir EEG teknolojisindeki gelişmeler, araştırmacıların öğrenciler için en uygun öğrenme ortamlarını oluşturmak amacıyla hem sınıflarda hem de e-öğrenmede EEG başlıklarını kullanmalarına olanak tanımıştır [1]. Bu makalede, Emotiv'in EEG başlıklarının öğretme ve öğrenme şeklimizi değiştirmek için nasıl kullanıldığına göz atıyoruz.

Eğitsel içeriği optimize etme

İlgi çekici eğitsel içerik tasarlamak, öğrencilerden sürekli öznel geri bildirim almayı gerektirir. Geleneksel olarak, bir kurs içeriğinin etkililiğinin belirlenmesi, kurs tamamlandıktan sonra kendi kendini raporlayan geri bildirim önlemleri yoluyla yapılır.

Ancak, öznel belleğe dayanılması nedeniyle kurs sunumunun tam olarak hangi yönlerinin geliştirilebileceğini izole etmek genellikle zordur. Yüksek zamansal çözünürlüğü (yani beyin tepkilerini milisaniye ölçeğinde ölçme yeteneği) sayesinde EEG, salt öz değerlendirme önlemleriyle fark edilemeyecek olan bilinç öncesi süreçleri indeksleyebilir. Kurs içeriğini optimize ederken en yararlı metrikler, dikkat seviyesi ve bilişsel yüktür - yani beynin bilgiyi akılda tutmak için harcadığı çaba miktarının bir ölçüsüdür. Dikkat, genellikle bir kişi öğrenirken EEG'de gözlemlenen farklı beyin dalgalarının (tipik olarak yorgun olmakla ilişkilendirilen alfa dalgaları ve tipik olarak uyanık veya odaklanmış olmakla ilişkilendirilen beta dalgaları gibi) analiz edilmesiyle ölçülür. Daha karmaşık bir ölçüm olan bilişsel yük de değişen alfa ve teta dalgaları seviyeleriyle indekslenebilir.

Araştırmacılar, dikkat seviyesini izleyebilen ve tüm bir kurs boyunca dikkat seviyelerini değerlendirmeye olanak tanıyan EEG'li sistemler geliştirmişlerdir. Zhou ve ark., Kitlesel Açık Çevrimiçi Kurslara (MOOC'lar) katılan e-öğrenme öğrencilerinin bilişsel yükünü izleyen gerçek zamanlı bir sistemi başarıyla göstererek gerçek zamanlı kurs içeriğini optimize etmenin önünü açmıştır [2].

Bilişsel durumları analiz etmek kolaylaştı

Önceki bu çalışmalarda olduğu gibi bilişsel durumları ölçmek bazı teknik beceri ve uzmanlık gerektirebilir. Neyse ki, veri bilimindeki gelişmeler artık bilişsel durumları ölçmek için minimum teknik uzmanlıkla önceden oluşturulmuş algoritmaların kullanılmasına olanak tanıyor. Emotiv, Performance Metrics'in kullanımına imkan tanır: bir EEG'de odaklanma, heyecan, katılım, hüsran, stres ve rahatlama dahil olmak üzere farklı beyin durumlarını tanımlamak için geliştirilmiş makine öğrenimi algoritmaları.

Bu algoritmalar, belirli bilişsel durumları ortaya çıkarmak için tasarlanmış kontrollü deneyler kullanılarak oluşturulmuştur ve eğitsel içeriği optimize etmek için yararlıdır. Bu Emotiv Performance Metrics, oyun tabanlı öğrenmeyi geleneksel kalem-kağıtla öğrenmeyle karşılaştırmak için kullanılmıştır, ancak çalışma iki öğrenme yöntemi arasında bilişsel durumlarda hiçbir fark göstermemiştir [3]. Diğer araştırmacılar, artırılmış gerçeklik ortamlarındaki etkinliklerin etkinliğini değerlendirmek için katılım, stres ve odaklanma gibi bilişsel durumlara dayanarak 5-7 yaş kadar küçük çocukları gruplandırmada Performans Metriklerinin yararlılığını göstermişlerdir.

Yukarıda: (A) Bir lise sınıfındaki öğrencilerin beyin dalgalarını ölçmek için EEG kullanılabilir (kaynak: Dikker ve ark. [4]). (B) Öğrencilerin beyin dalgaları, derse daha fazla katılım gösteren öğrenciler için diğer öğrencilerle yüksek senkronizasyon sergileyebilir (solda). Derse daha az katılım gösteren öğrenciler için ise diğer öğrencilerle düşük senkronizasyon (sağda) tespit edilmiştir.

Öğrenme ortamlarını geliştirme

Yalnızca eğitsel materyalin içeriği önemli değildir; ne zaman ve nerede öğrendiğimiz de öğrencilerin iyi öğrenme deneyimlerine sahip olmalarını sağlamak açısından eşit derecede önemlidir. Araştırmacılar, farklı sınıf saatlerinde alfa dalgalarının seviyelerini ölçmüş ve sabah ortasındaki lise sınıflarının sabahın erken saatlerine göre daha az alfa dalgası gösterdiğini bularak sabah ortasının öğrenmek için en iyi zaman olabileceğini öne sürmüşlerdir [4].

Kablosuz EEG'ler de gerçek ve sanal ortamları karşılaştırmak için kullanılmış ve her iki ortamda da eşit düzeyde dikkat ve motivasyon sağlama yeteneği gösterilmiştir [5]. Bu durum, fiziksel engelleri nedeniyle sınıflara yüz yüze katılamayan kişiler için daha zengin bir öğrenme deneyiminin önünü açabilir. Araştırmacılar ayrıca EEG kullanarak sınıftaki sosyal dinamikler üzerine çalışmalar yürütmüşlerdir. EEG başlıkları takılmış bir grup öğrenci, ortak bir öğrenme süreci sırasında sinirsel aktivitelerinin ne kadar senkronize olduğu açısından değerlendirilebilir [6][7]. EEG hyperscanning adı verilen bu EEG veri toplama yöntemi, grup dikkatinin gerçek zamanlı olarak çıkarılması ve sınıftaki sosyal dinamiklerin iyileştirilmesi yolunda bir adımdır.

Eğitimi herkes için erişilebilir kılma

Bazı fiziksel veya duyusal zorluklar öğrencilerin sınıftaki öğrenme deneyimlerini sınırlayabilir. Ancak öğrencilerin deneyimlerini iyileştiren EEG tabanlı araçlar bulunmaktadır. Beyin-Bilgisayar Arayüzü (BCI) teknolojisindeki gelişmeler, EEG tabanlı yazmayı mümkün kılmış [8][9], bu da fiziksel zorlukları olan öğrencilerin öğrenirken bilgisayar cihazlarında zihinsel notlar almalarına yardımcı olmuştur. Evet-hayır tipi soruların EEG tabanlı olarak yanıtlanmasını sağlayan BCI'lar, normalde bir görüşmeci gerektirecek bilgisayar tabanlı sınavlar kullanılarak görme engelli öğrencilerin değerlendirilmesine de olanak tanımaktadır [10].

Kişiselleştirilmiş öğrenme deneyimleri

Öğrenciler için özel eğitmenler sağlamak pahalı olabilir ancak genel eğitim sistemi öğrenmedeki benzersiz ihtiyaçları karşılamak için yetersiz donanıma sahip olduğunda genellikle gerekli olabilir. Akıllı Eğitmen Sistemleri (ITS), kişisel eğitmenler gibi hareket edebilen, yapay zekayla desteklenen bir bilgisayar tabanlı öğrenme yazılımı sınıfıdır.

Bu sistemlerin amacı, öğrencinin öğrenmesini geliştirmek için ona uyum sağlamak ve gerçek zamanlı kişiselleştirilmiş geri bildirim sağlamaktır. Araştırmacılar şu anda bu sistemleri EEG ile entegre ederek ITS sistemlerini geliştirmektedirler. Bir çalışmada araştırmacılar, öğrencilerin farklı türdeki eğitsel videolara (animasyonlu içerik vs. insan öğretmenlerin olduğu videolar) olan ilgilerini tespit etmek için EEG kullanmaktadırlar. Bu da ITS'nin öğrenmesini ve öğrencinin daha ilginç bulacağı içeriği otomatik olarak üretmesini sağlamaktadır.

Öğretme sürecinden insan unsurunu çıkardığınızda, stresi ve ekran yorgunluğunu önlemek için bilgisayar tabanlı öğrenme programlarını kullanırken öğrencilerin bilişsel yükünü takip etmek giderek daha önemli hale gelir. Bununla mücadele etmek için araştırmacılar, bir ITS kullanırken bir öğrencinin sıkıldığını, katılım gösterdiğini, heyecanlandığını veya hayal kırıklığına uğradığını aktif olarak tespit eden EEG verilerine dayalı bir yüz ifadesi veri tabanı geliştirmişlerdir [11].

EEG ile yapılan bu geliştirme, ITS sisteminin bireysel öğrenciyi sürekli olarak öğrenmesi ve ona uyum sağlaması için önünü açmaktadır; yorulduklarında molalar önererek veya ilgilerini çektiklerinde öğretmeye devam ederek öğrenci için daha etkili bir öğrenme deneyimi sunar.

Yukarıda: New York Üniversitesi (NYU) BrainWaves programındaki öğrenciler, Emotiv EEG beyin teknolojisini takarak bir oyun oynuyorlar.

Bir STEM öğrenme aracı olarak EEG

Emotiv EEG cihazları ve yazılımlarının kullanımı kolaydır ve gelecek nesil bilim, teknoloji, mühendislik ve matematik (STEM) bilim insanlarına ilham vermek için mükemmel bir giriş aracıdır.

Emotiv cihazları ve yazılımları, şu anda sadece psikoloji ve nörobilimde değil, aynı zamanda biyomedikal mühendisliğinde de üniversite lisans düzeyindeki derslerde kullanılmaktadır. Kurent, BCI cihazlarının geliştirilmesini sağlamak amacıyla Emotiv EPOC cihazlarının lise ve kolej düzeyindeki eğitim sürecine entegre edilmesinin başarılı bir örneğini göstermektedir. Kosmayana ve ark., okul müfredatlarına EEG-BCI sistemlerinin dahil edilmesinin akademik performansı artırdığını bulmuşlardır. Macquarie Üniversitesi, Emotiv cihazlarının Bilişsel ve Beyin Bilimleri Lisans müfredatına başarılı bir şekilde dahil edildiğini göstermiş ve öğrencilere deneysel tasarım ve EEG veri analizi konusunda uygulamalı deneyim kazandırmıştır [14].

Dahası, White-Foy, 12 yaşındaki küçük çocukların bile BCI teknolojisini başarıyla öğrenebileceklerini ve küçük ölçekli EEG araştırma projeleri kurabileceklerini göstermektedir [13]. Öğrenciler, bir Emotiv Insight cihazını, EEG'yi uzaktan kumandalı bir Star Wars oyuncağını (BB-8) kontrol etmek ve bir labirentte yönlendirmek için komutlara dönüştüren bir Raspberry Pi'ye (minyatür bir bilgisayar) entegre etmek için çevrimiçi kaynakları kullanmışlardır.

Yukarıda: İkincil okul NeuroLab. 11-18 yaş arası öğrenciler, Raspberry Pi ve BB-8 robotunu Emotiv cihazıyla entegre ettiler ve BB-8'i bir labirentte yönlendirmek için zihinsel komutlar kullandılar (NeuroLabs izniyle paylaşılmıştır)

Düşük maliyetli, mobil Emotiv EEG cihazlarının, eğitimcinin olağanüstü içerik sunması için eğitim programlarının kalitesini artırma yöntemleri sağlamasının yanı sıra, BCI'daki gelişmelerle birlikte benzersiz ihtiyaçları olan bireyler için zengin bir eğitim ortamı sunmayı vaat ettiğini görebiliyoruz.

Emotiv Nasıl Yardımcı Olabilir?

• Emotiv EEG Lab Starter Kits ile öğrencilerinizin öğrenme deneyimlerini iyileştirin.

• EmotivPRO Builder ile deneyler oluşturun ve verileri analiz edin.

• EmotivLABS üzerinden veri almak için uzaktan deneyler başlatın.

• Açık kaynaklı veri setimizi kullanın.

Yardım mı Lazım? Bize Ulaşın

Kapak resmi kaynağı: Trevor Day School

Referanslar

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.