EEG, Optimal Öğrenme Ortamları Oluşturmak İçin Nasıl Kullanılır

tarafından Dr. Roshini Randeniya

Eğitim, toplumumuzun temel bir direğidir ve zengin öğrenme ortamları sağlamak, toplumsal ilerleme için çok önemlidir. Eğitim nörobilimi, öğretim ve öğrenimin sinirsel mekanizmalarını anlamayı amaçlayan hızla gelişen disiplinler arası bir alandır.

Son yirmi yılda, taşınabilir EEG teknolojisindeki gelişmeler, araştırmacıların sınıflarda ve e-öğrenmede EEG başlıklarını kullanarak öğrenciler için optimal öğrenme ortamları yaratmalarını sağlamıştır [1]. Bu makalede, EMOTIV’in EEG başlıklarının öğretim ve öğrenme şeklini değiştirmek için nasıl kullanıldığını inceleyeceğiz.

Eğitim içeriğini optimize etme

Çekici eğitim içeriği tasarımı, öğrencilere sürekli öznel geri bildirim almayı gerektirir. Geleneksel olarak, bir kursun içeriğinin etkili olup olmadığını belirlemek, bir kursun tamamlanmasının ardından öz-yeterlilik geri bildirim ölçümleri ile yapılır.

Bununla birlikte, kursun sunumunun hangi yönlerinin geliştirilebileceğini kesin olarak izole etmek genellikle zordur, çünkü öznel hafızaya bağımlı kalınmaktadır. Yüksek zamansal çözünürlüğü (milli saniye ölçeğinde beyin tepkilerini ölçme yeteneği) nedeniyle, EEG, aksi takdirde yalnızca öz-yeterlilik ölçümleri ile tespit edilemeyecek pre-bilinç süreçlerini indeksleyebilir. Kurs içeriğini optimize ederken, en yararlı metrikler dikkat seviyesi ve bilişsel yük - bilginin korunması için beynin harcadığı çaba miktarını ölçen bir değerdir. Dikkat, birinin öğrenme sırasında EEG’de gözlemlenen farklı beyin dalgalarını analiz ederek ölçülür - örneğin, yorgunluk ile tipik olarak ilişkilendirilen alfa dalgalarının ve uyanıklık veya odaklanmakla tipik olarak ilişkilendirilen beta dalgalarının seviyeleri gibi. Daha karmaşık bir ölçü olan bilişsel yük, alfa ve teta dalgalarının değişen seviyeleri ile de indekslenebilir.

Araştırmacılar, dikkat düzeylerini izlemeyi sağlayan EEG sistemleri geliştirdiler, bu da bir kurs boyunca dikkat seviyelerini değerlendirmeyi mümkün kılmaktadır. Zhou ve arkadaşları, Massive Open Online Courses (MOOCs) ile meşgul e-öğrenme öğrencilerinin bilişsel yükünü izleyen gerçek zamanlı bir sistemi başarıyla göstermişlerdir, bu da kurs içeriğini gerçek zamanlı olarak optimize etme yolunu açmaktadır [2].

Bilişsel durumları analiz etmeyi kolaylaştırma

Bilişsel durumların ölçülmesi, bu önceki çalışmalarda olduğu gibi, bazı teknik beceriler ve uzmanlık gerektirebilir. Neyse ki, veri bilimi alanındaki ilerlemeler artık bilişsel durumları ölçmek için önceden oluşturulmuş algoritmaların kullanılmasını sağladı ve bunu minimal teknik uzmanlık ile gerçekleştirdi. Emotiv, farklı beyin durumlarını tanımlamak için geliştirilmiş makine öğrenimi algoritmalarının kullanılmasına olanak tanır: dikkat, heyecan, katılım, hayal kırıklığı, stres ve gevşeme gibi durumları içerir.

Bu algoritmalar, belirli bilişsel durumları ortaya çıkarmak için tasarlanmış kontrollü deneyler kullanılarak oluşturulmuştur ve eğitim içeriğini optimize etmek için faydalıdır. Bu Emotiv Performans Metrikleri, oyun tabanlı öğrenme ile geleneksel kağıt kalem öğrenme yöntemini karşılaştırmak için kullanılmıştır, ancak çalışma her iki öğrenme yöntemi arasında bilişsel durumlardaki herhangi bir fark göstermemiştir [3]. Diğer araştırmacılar, bilişsel durumlar, katılım, stres ve dikkat gibi kriterlere göre 5-7 yaşlarındaki çocukları gruplamak için Performans Metriklerinin yararlılığını göstermiştir.

Yukarıda: (A) EEG, bir lisede öğrencilerin beyin dalgalarını ölçmek için kullanılabilir (kaynak: Dikker ve diğerleri [4]). (B) Öğrencilerin beyin dalgaları, dersin daha fazla katılım gösteren öğrencileri için yüksek senkronizasyon gösterebilir (sol). Daha az katılım gösteren öğrenciler (sağ) için diğer öğrencilerle düşük senkronizasyon bulundu.

Öğrenme ortamlarını geliştirme

Belirli eğitim materyallerinin içeriği kadar, ne zaman ve nerede öğrendiğimiz de öğrencilerin iyi öğrenme deneyimleri yaşaması için eşit derecede önemlidir. Araştırmacılar, farklı sınıf saatlerinde alfa dalgalarının seviyelerini ölçmüş ve sabahın ilerleyen saatlerindeki lise derslerinin sabahın erken saatlerine kıyasla daha az alfa dalgası gösterdiğini tespit ederek, sabahın ilerleyen saatlerinin öğrenmek için en iyi zaman olabileceğini önermiştir [4].

Kablosuz EEG’ler, gerçek ve sanal ortamları karşılaştırmak için de kullanılmıştır ve her iki ortamda da eşit düzeyde dikkat ve motivasyon sağlama yeteneğini göstermiştir [5]. Bu durum, fiziksel engelli bireyler için yüz yüze derslere katılma imkanı olmayabilir, bu da daha zengin bir öğrenme deneyimi yolu açabilir. Araştırmacılar, sınıfta sosyal dinamikler üzerine EEG kullanarak çalışmalar da yapmışlardır. EEG başlıklarıyla donatılmış bir grup öğrenci, ortak bir öğrenme süreci sırasında sinirsel aktivitelerinin ne kadar senkronize olduğunu değerlendirmek için ölçülebilir [6][7]. EEG veri toplama yöntemine EEG hiperskenning denir ve bu, grup dikkatinin gerçek zamanlı çıkarımı ve sınıftaki sosyal dinamiklerin iyileştirilmesi için bir adım atmaktadır.

Eğitimi herkes için erişilebilir hale getirme

Bazı fiziksel veya duyusal zorluklar, öğrencilerin sınıftaki öğrenme deneyimlerini sınırlayabilir. Ancak, öğrencilerin deneyimlerini geliştiren EEG tabanlı araçlar mevcuttur. Beyin-Bilgisayar Arayüzü (BCI) teknolojisindeki ilerlemeler, EEG tabanlı yazma olanağını sağlamıştır [8][9], bu da fiziksel zorlukları olan öğrencilerin, öğrenme esnasında bilgisayar cihazlarında zihinsel not almalarına yardımcı olur. Ayrıca, EEG tabanlı evet-hayır türündeki soruları yanıtlamalarına imkan veren BC'ler, görme engelli öğrencilerin bilgisayar tabanlı sınavla değerlendirilmesine olanak tanımaktadır, bu da aksi takdirde bir mülakat yapıcısı gerektirecektir [10].

Kişiselleştirilmiş öğrenme deneyimleri

Öğrenciler için kişisel eğitmen sağlamak pahalı olabilir, ancak genel eğitim sistemi özel öğrenme ihtiyaçlarına yeterince hazırlıklı olmadığında gerektiği sıklıkla görülmektedir. Akıllı Eğitici Sistemler (ITS), kişisel eğitmen olarak görevi üstlenebilen yapay zeka destekli bilgisayar tabanlı öğrenme yazılımı sınıfıdır.

Bu sistemlerin amacı, öğrencinin öğrenimini geliştirmek için zamanında kişiselleştirilmiş geri bildirim sağlamak ve uyum sağlamaktır. Araştırmacılar, EEG ile ITS sistemlerini entegre ederek şu anda ITS sistemlerini ilerletmektedirler. Bir çalışmada, araştırmacılar öğrencilerin farklı tür eğitim videolarına (animasyonlu içerikler ile insanların öğretmen olduğu videolar) olan katılımlarını tespit etmek için EEG’yi kullanıyor ve bu, ITS'nin öğrencinin daha ilginç bulacağı içerikleri otomatik olarak öğrenmesine ve oluşturmasına olanak tanımaktadır.

İnsan unsurunu öğretme sürecinden kaldırdığınızda, bilgisayar tabanlı öğrenme programlarını kullanırken öğrencilerin bilişsel yüklerini izlemek giderek daha önemli hale gelir; böylece stres ve ekran yorgunluğundan kaçınılabilir. Bununla başa çıkmak için, araştırmacılar, bir öğrencinin ITS kullanırken sıkılmış, meşgul, heyecanlı veya hayal kırıklığı içinde olup olmadığını etkin bir şekilde tespit eden EEG verilerine dayanan bir yüz ifadesi veritabanı geliştirdiler [11].

EEG ile bu gelişme, ITS sisteminin bireysel öğrenciye sürekli öğrenmesi ve uyum sağlaması yolu açmaktadır; yorgun olduklarında mola önermekte veya katıldıklarında öğretime devam etmekte, öğrenci için daha etkili bir öğrenme deneyimi sunmaktadır.

Yukarıda: New York Üniversitesi (NYU)BrainWaves programında öğrenciler EMOTIV EEG beyin teknolojisini kullanarak bir oyun oynuyor.

EEG’yi STEM öğrenme aracı olarak kullanma

Emotiv EEG cihazları ve yazılımları kolay kullanılır ve bir sonraki nesil bilim, teknoloji, mühendislik ve matematik (STEM) bilimcilerini teşvik etmek için mükemmel bir giriş aracı olarak hizmet etmektedir.

Emotiv cihazları ve yazılımları şu anda yalnızca psikoloji ve nörobilimde değil, aynı zamanda biyomedikal mühendislikte de üniversite lisans seviyesindeki derslerde kullanılmaktadır. Kurent, Emotiv EPOC cihazlarını eğitim sürecine entegre etmenin başarılı bir örneğini göstermektedir. Kosmayana ve arkadaşları, okul müfredatında EEG-BCI sistemlerinin dahil edilmesinin akademik performansı artırdığını bulmuşlardır. Macquarie Üniversitesi, öğrencilerin deneysel tasarım ve EEG veri analizi ile ilgili pratik deneyim kazandığı Bachelor of Cognitive and Brain Sciences müfredatında Emotiv cihazlarının başarılı bir şekilde dahil edildiğini göstermiştir [14].

Dahası, White-Foy, 12 yaşındaki çocukların bile BCI teknolojisini başarılı bir şekilde öğrenip küçük ölçekli EEG araştırma projeleri kurabileceğini göstermektedir [13]. Öğrenciler, bir Raspberry Pi (mini bilgisayar) cihazını bir EMOTIV Insight cihazına entegre etmek için çevrimiçi kaynaklar kullanmışlardır. Bu, EEG'yi uzaktan kumandalı Star Wars oyuncağını (BB-8) kontrol etmek için komutlara dönüştürmekte ve onu bir labirentte yönlendirmektedir.

Yukarıda: Ortaokul NeuroLab. 11-18 yaşlarındaki öğrenciler Raspberry Pi ve BB-8 robotunu Emotiv cihazıyla birleştirerek zihinsel komutlar kullanarak BB-8'i bir labirentte yönlendirdiler (NeuroLabs'tan izin alınarak paylaşılmıştır).

Düşük maliyetli, taşınabilir Emotiv EEG cihazlarının, eğitim programlarının kalitesini artırmaya yönelik yöntemler sağladığını ve eğitmenlerin olağanüstü içerikler sunmasını sağladığını, ayrıca BCI'deki gelişmelerin de benzersiz ihtiyaçları bulunan bireyler için zengin bir eğitim ortamı sağlamayı önerdiğini görebiliriz.

EMOTIV Nasıl Yardımcı Olabilir

• Öğrencilerinizin öğrenim deneyimlerini EMOTIV EEG Laboratuvarı Başlangıç Kitleri ile geliştirin.

• Denecek deneyler oluşturun ve EmotivPRO Builder ile verileri analiz edin.

• Veri elde etmek için uzaktan deneyler başlatın EmotivLABS ile.

• Açık kaynak veri setimizi kullanın.

Yardım mı gerekiyor? Bize Ulaşın

 Kapak resmi kaynağı: Trevor Day School

Kaynaklar

1. J. Xu ve B. Zhong, “Eğitim araştırmasında taşınabilir EEG teknolojisi üzerine bir inceleme,” Computers in Human Behavior, cilt. 81, ss. 340–349, Nis. 2018, doi: 10.1016/j.chb.2017.12.037.

2. Zhou Y, Xu T, Cai Y, Wu X, Dong B. Çevrimiçi videolarda bilişsel yükü izlemek için EEG tabanlı beyin-bilgisayar arayüzü. 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. Oyun tabanlı öğrenme ile kağıt kalem yöntemini karşılaştırmak için beyin dalgalarını izleyerek öğrenicilerin duygusal hallerini değerlendirme. In: 2019 IEEE Eğitime Yönelik Sınırlar Konferansı (FIE). ; 2019:1-8. doi:10.1109/FIE43999.2019.9097262

4. Dikker S, Haegens S, Bevilacqua D ve diğerleri. Sabah beyni: liseli ders saatlerinin önemli olduğunu kanıtlayan gerçek dünya sinirsel kanıt. Sosyal Biliş Duygu Nörobilimi. 2020;15(11):1193-1202. doi:10.1093/scan/nsaa142

5. Romero-Soto FO, Ibarra-Zárate DI, Alonso-Valerdi LM. Gerçek ve sanal ortamlar arasındaki alfa güç spektrum yoğunluğunun karşılaştırmalı analizi. In: Cilt 75. ; 2020:156-163. doi:10.1007/978-3-030-30648-9_22

6. Dikker S, Wan L, Davidesco I ve diğerleri. Beyinler Arası Senkronizasyon, Sınıfta Gerçek Dünya Dinamik Grup Etkileşimlerini İzler. 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. Sınıfta EEG: Video sunumu sırasında senkronize sinir kayıtları. 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. Beyin dalgası yazma: Kuru elektrot EEG cihazları kullanarak P300 ve Motor İmgelemeyi karşılaştırmalı inceleme. In: Stephanidis C, ed. HCI Uluslararası 2013 - Posterlerin Uzatılmış Özeti. Bilgisayar ve Bilgi Bilimleri İletişimi. 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. Düşüncelerinizi Metne Dönüştürme: EEG Sinyallerinin Derin Özellik Öğrenimi ile Beyin Yazımını Sağlama. In: 2018 IEEE Kesintisiz Hesaplama ve İletişim Konferansı (PerCom). ; 2018:1-10. doi:10.1109/PERCOM.2018.8444575

10. Yosrita E, Heryadi Y, Wulandhari LA, Budiharto W. Görme Engelli Öğrenciler için Evet-Hayır Cevap Modellerinde Kelimelerin Belirlenmesi İçin EEG Tabanlı Tanımlama. In: ; 2019. doi:10.1109/TALE48000.2019.9225903

11. Zatarain-Cabada R, Barrón-Estrada ML, González-Hernández F, Rodriguez-Rangel H. Akıllı Eğitim Sistemi için Bir Yüz İfadesi Tanıyıcı ve Yüz İfadesi Veritabanı Oluşturma. In: 2017 IEEE 17. Uluslararası İleri Öğrenme Teknolojileri Konferansı (ICALT). ; 2017:391-393. doi:10.1109/ICALT.2017.141

12. Kurent P. Gelecek teknolojilerinin liselere ve üniversitelere entegrasyonu. In: 2017 40. Uluslararası İletişim Teknolojisi, Elektronik ve Mikroelektroniğe Dair Kongre (MIPRO). ; 2017:858-861. doi:10.23919/MIPRO.2017.7973541

13. White-Foy J. Öğrenciler için Nörobilim: EEG ve Beyin-Bilgisayar Arayüzü teknolojisini ortaokul çocuklarına tanıtma projesi. Praxis Öğretmen Araştırması. Yayınlandı 29 Kasım 2019. 15 Haziran 2022'de erişilmiştir. https://praxis-teacher-research.org/neuroscience-for-students/

14. Kosmyna, Nataliya, Nathalie Soetaert ve Cassandra Scheirer. "Sınıflarda Beyin-Bilgisayar Arayüzlerinin Kullanımına Dair Pilot Çalışma." Gelecek Teknolojiler Konferansı Bildirileri. Springer, Cham, 2021.

15. Alvarez, V., Bower, M., de Freitas, S., Gregory, S. ve De Wit, B., 2016. Avustralya üniversitelerinde giyilebilir teknolojilerin kullanımı: çevresel bilimler, bilişsel ve beyin bilimleri ve öğretmen eğitiminden örnekler. Taşınabilir öğrenme geleceği - taşınabilir öğrenmede kalıcı kalite araştırması ve uygulaması, 25.

16. Rodríguez, A.O.R., Riaño, M.A., García, P.A.G., Marín, C.E.M., Crespo, R.G. ve Wu, X., 2020. Öğrenme analitiği ve AR-Sandbox kullanarak çocukların duygusal karakterizasyonu. Ambient Intelligence ve İnsanlaştırılmış Hesaplama Dergisi, 11(11), ss. 5353-5367.