EEG, Optimal Öğrenme Ortamları Oluşturmak İçin Nasıl Kullanılır

yazan Dr. Roshini Randeniya

Eğitim, toplumumuzun temel bir sütunudur ve zengin öğrenme ortamları sağlamak, toplumsal ilerleme için gereklidir. Eğitim nörobilimi, öğretim ve öğrenmenin sinirsel mekanizmalarını anlamayı amaçlayan hızla gelişen disiplinler arası bir alanıdır.

Son yirmi yılda, taşınabilir EEG teknolojisindeki ilerlemeler, araştırmacıların EEG başlıklarını hem sınıflarda hem de e-öğrenmede kullanmalarına ve öğrenciler için optimal öğrenme ortamları yaratmalarına olanak tanımıştır [1]. Bu makalede, EMOTIV’in EEG başlıklarının öğretim ve öğrenme yöntemlerimizi nasıl değiştirdiğine bakıyoruz.

Eğitim içeriğini optimize etmek

İlgi çekici eğitim içeriği tasarlamak, öğrencilerden sürekli öznel geri dönüş almayı gerektirir. Geleneksel olarak, bir kursun içeriğinin etkinliğini belirlemek, bir kursun tamamlanmasının ardından öz-raporlama geri dönüş ölçümleri ile yapılmaktadır.

Ancak, öznel hafızaya dayanarak hangi ders sunum unsurlarının geliştirilebileceğini izole etmek genellikle zordur. Yüksek zamansal çözünürlüğü (yani, beyin yanıtlarını milisaniye ölçeğinde ölçebilme yeteneği) sayesinde EEG, ön-bilinçaltı süreçleri dizinleyebilir ve bunlar, yalnızca öz-raporlama ölçümleriyle tanınamaz. Ders içeriği optimize edilirken en kullanışlı göstergeler dikkat seviyesi ve cognitive load (beynin bilgiyi tutmak için harcadığı çaba miktarını ölçen) dır. Dikkat, bir kişinin öğrenme sırasında EEG'de gözlemlenen farklı beyin dalgalarını analiz ederek sıklıkla ölçülür - örneğin, alfa dalgalarının (genellikle yorgunlukla ilişkilendirilir) ve beta dalgalarının (genellikle uyanık ya da odaklanmış olmaya ilişkin) seviyeleri. Daha karmaşık bir ölçüm olan bilişsel yük de çeşitli alfa ve teta dalgaları seviyeleri ile dizinlenebilir.

Araştırmacılar, dikkati izleyebilen EEG sistemleri geliştirmiştir ve bu, bir ders boyunca dikkat seviyelerini değerlendirmenizi sağlar. Zhou ve ark. başarılı bir şekilde e-öğrenme öğrencilerinin bilişsel yükünü izleyen gerçek zamanlı bir sistem gösterdiler, bu da kurs içeriklerini gerçek zamanlı olarak optimize etmek için bir yol açar [2].

Bilişsel durumları analiz etmek kolaylaştı

Bilişsel durumları ölçmek, bu önceki çalışmalarda olduğu gibi, bazı teknik beceri ve uzmanlık gerektirebilir. Neyse ki, veri bilimi alanındaki gelişmeler artık minimal teknik uzmanlıkla bilişsel durumları ölçmek için önceden oluşturulmuş algoritmaların kullanılmasına olanak tanımıştır. Emotiv, Performans Metrikleri kullanımını sağlar: EEG'deki farklı beyin durumlarını belirlemek için geliştirilmiş makine öğrenimi algoritmaları, odak, heyecan, katılım, hayal kırıklığı, stres ve rahatlama gibi durumları kapsar.

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 kalem ve kağıt öğrenmeyi karşılaştırmak için kullanılmıştır, ancak çalışmada her iki öğrenme yöntemi arasında bilişsel durum açısından fark bulunmamıştır [3]. Diğer araştırmacılar, çocukları bilişsel durumlar, katılım, stres ve dikkat gibi kriterlere göre gruplandırmanın etkinliğini göstermiştir; bu da artırılmış gerçeklik ortamlarında etkinliklerin etkililiğini değerlendirmekte yarar sağlamıştır.

Yukarıda: (A) EEG, bir lise sınıfındaki öğrencilerin beyin dalgalarını ölçmek için kullanılabilir (kaynak: Dikker ve ark. [4]). (B) Öğrencilerin beyin dalgaları, derse daha fazla katılım gösteren öğrenciler için yüksek senkronizasyon gösterebilir (solda). Diğer öğrencilerle daha az senkronizasyon (sağda), derse daha az katılım gösteren öğrenciler için bulunmuştur.

Öğrenme ortamlarını geliştirmek

Eğitim materyalinin içeriği kadar, öğrenme zamanı ve yeri de öğrencilerin iyi öğrenme deneyimleri yaşamasını sağlamak için eşit derecede önemlidir. Araştırmacılar, farklı sınıf saatlerinde alfa dalgalarının seviyelerini ölçmüşler ve sabah ortası lise derslerinin, sabahın erken saatlerine göre daha az alfa dalgası gösterdiğini bulmuşlar; bu da sabah ortasının öğrenim için en iyi zaman olabileceğini önermektedir [4].

Kablosuz EEG'ler, gerçek ile sanal ortamları karşılaştırmak için de kullanılmıştır ve her iki ortamda da dikkatin ve motivasyonun eşit seviyelerde sağlanma yeteneğini göstermiştir [5]. Bu, fiziksel engelli bireyler için yüz yüze dersler alması mümkün olmayan kişiler için daha zengin bir öğrenme deneyimi sağlama yolunu açabilir. Araştırmacılar ayrıca EEG kullanarak sınıftaki sosyal dinamikler üzerine çalışmalar yapmışlardır. EEG başlıkları takılı bir grup öğrenci, ortak bir öğrenme sürecinde beyin aktivitelerinin ne kadar senkronize olduğunu değerlendirilebilir [6][7]. Bu EEG veri toplama yöntemi, EEG hyperscanning olarak adlandırılır ve grup dikkatini gerçek zamanlı çıkarım yapma ve sınıfta sosyal dinamikleri geliştirme adına bir adım atılmıştır.

Eğitimi herkes için erişilebilir hale getirmek

Bazı fiziksel veya duyu zorluklar, öğrencilerin sınıfta öğrenme deneyimlerini sınırlayabilir. Ancak öğrencilerin deneyimlerini geliştiren EEG tabanlı araçlar bulunmaktadır. Beyin-bilgisayar arayüzü (BCI) teknolojisindeki ilerlemeler EEG tabanlı yazım yapmayı sağlamıştır [8][9], bu da fiziksel zorlukları olan öğrencilerin öğrenirken bilgisayarlarında mental notlar almasını yardımcı olmaktadır. Evet-hayır türündeki soruların EEG ile yanıtlanmasını sağlayan BCİ'ler, aynı zamanda görme engelli öğrencilerin bilgisayar tabanlı sınavla değerlendirilmesine olanak tanımaktadır; bu da aksi takdirde bir mülakatçı gerektirirdi [10].

Kişiselleştirilmiş öğrenme deneyimleri

Öğrenciler için kişisel eğitmenler sağlamak pahalı olabilir, ancak genel eğitim sistemi öğrenme ihtiyaçlarını karşılamakta yetersiz kaldığında genellikle gerekli olabilir. Akıllı Eğitim Sistemleri (ITS), kişisel eğitmen olarak görev alabilen yapay zeka destekli bir tür bilgisayar tabanlı öğrenme yazılımıdır.

Bu sistemlerin amacı, öğrencinin öğrenimini geliştirmek için gerçek zamanlı kişiselleştirilmiş geri dönüş sağlamaktır. Araştırmacılar şu anda ITS sistemlerini EEG ile bütünleştirerek ilerletmektedir. Bir çalışmada, araştırmacılar, öğrencilerin farklı türde eğitim videolarına (animasyonlu içerik ile insan öğretmenlerin videoları) katılımını tespit etmek için EEG kullanarak ITS’ye, öğrencinin daha ilginç bulacağı içerikleri otomatik olarak oluşturmasını sağlamaktadır.

Öğretim sürecinden insan unsuru çıkarıldığında, bilgisayar tabanlı öğrenme programları kullanılırken öğrencilerin bilişsel yükünün izlenmesi giderek daha önemli hale gelmektedir; bu da stres ve ekran yorgunluğu önlemek için gereklidir. Bunu aşmaya yardımcı olmak için, araştırmacılar, bir öğrencinin ITS kullanırken sıkıldığını, katıldığını, heyecanlandığını veya hayal kırıklığına uğradığını aktif olarak tespit eden EEG verilerine dayalı bir yüz ifadesi veritabanı geliştirmiştir [11].

Bu EEG ile yapılan geliştirme, ITS sisteminin bireysel öğrenciyi sürekli olarak öğrenip uyum sağlaması yönünde bir yol açmaktadır; yorgun olduklarında ara vermeleri veya katıldıklarında öğretmeye devam etmeleri gerektiğini önererek öğrencinin öğrenme deneyimini daha etkili hale getirmeyi amaçlamaktadır.

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

EEG'yi STEM öğrenim aracı olarak kullanmak

Emotiv EEG cihazları ve yazılımı kullanımı kolaydır ve bir sonraki nesil bilim, teknoloji, mühendislik ve matematik (STEM) bilimcilerini ilham vermek için mükemmel bir tanıtım aracıdır.

Emotiv cihazları ve yazılımı, yalnızca psikoloji ve nörobilimde değil, aynı zamanda biyomedikal mühendislikte de üniversite lisans seviyesi derslerinde kullanılmaktadır. Kurent, Emotiv EPOC cihazlarını eğitim sürecine entegre etmenin başarılı bir örneğini göstermektedir ve bu, BCI cihazlarının ilerlemesine olanak tanımaktadır. Kosmayana ve arkadaşları, okul müfredatlarında EEG-BCI sistemlerinin dahil edilmesinin akademik performansı artırdığını bulmuşlardır. Macquarie Üniversitesi, Emotiv cihazlarının Bilişsel ve Beyin Bilimleri alanında lisans programlarına dahil edilmesinde başarılı olduğunu göstermiştir; bu da öğrencilere deneysel tasarım ve EEG veri analizi ile uygulamalı deneyim kazandırmaktadır [14].

Dahası, White-Foy, 12 yaşındaki çocukların BCI teknolojisini öğrenip küçük ölçekli EEG araştırma projeleri kurabileceklerini göstermektedir [13]. Öğrenciler, EEG'yi uzaktan kontrol edilen bir Star Wars oyuncağını (BB-8) kontrol etmek için komutlara çeviren Raspberry Pi (mini bilgisayar) ile bir EMOTIV Insight cihazını entegre etmek için çevrimiçi kaynaklar kullanmışlardır.

Yukarıda: İkincil okul NeuroLab. 11-18 yaşındaki öğrenciler Raspberry Pi ve BB-8 robotunu Emotiv cihazı ile entegre etti ve BB-8'i bir labirentte yönlendirmek için zihinsel komutlar kullandı (NeuroLabs'tan izin alarak paylaşılmıştır)

Düşük maliyetli, taşınabilir Emotiv EEG cihazlarının yalnızca eğitim programlarının kalitesini artırma yöntemleri sunmadığını, aynı zamanda BCI alanında yapılan gelişmelerle birlikte, benzersiz ihtiyaçları olan bireyler için zengin bir eğitim ortamı sağlama önerisinde bulunduğunu görebiliriz.

EMOTIV Nasıl Yardımcı Olabilir

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

• Deneyler oluşturun ve verileri EmotivPRO Builder ile analiz edin.

• Uzaktan deneyler başlatarak EmotivLABS hakkında veri alın.

• Açık kaynak veri setimizi kullanın.

Yardım mı gerekiyor? Bizimle iletişime geçin

Kapak görseli kaynağı: Trevor Day School

Kaynaklar

1. J. Xu ve B. Zhong, “Eğitim araştırmalarında taşınabilir EEG teknolojisine genel bir bakış,” Computers in Human Behavior, cilt 81, sh. 340–349, Nisan 2018, doi: 10.1016/j.chb.2017.12.037.

2. Zhou Y, Xu T, Cai Y, Wu X, Dong B. Online videolar aracılığıyla bilişsel yükü izlemek için EEG tabanlı bir 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 öğrenim yaklaşımının kalem ve kağıda kıyasla değerlendirilmesi için beyin dalgalarını izleyerek öğrenicilerin duygusal durumlarını değerlendirme. In: 2019 IEEE Education Konferansı (FIE). ; 2019:1-8. doi:10.1109/FIE43999.2019.9097262

4. Dikker S, Haegens S, Bevilacqua D, ve ark. Sabah beyin: yüksek okul ders saatlerinin önemli olduğunu gösteren gerçek dünya sinir kanıtları. Soc Cogn Affect Neurosci. 2020;15(11):1193-1202. doi:10.1093/scan/nsaa142

5. Romero-Soto FO, Ibarra-Zárate DI, Alonso-Valerdi LM. Gerçek ve sanal ortamları 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 ark. Beyinler arası senkronizasyon, sınıfta gerçek dünya dinamik grup etkileşimlerini izlemektedir. 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 beyin 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 yazımı: Kuru-elektrot EEG cihazları ile yazım için P300 ve Motor Düşünme araştırması. In: Stephanidis C, ed. HCI International 2013 - Poster Genişletilmiş Abstracts. 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 çevirme: EEG sinyallerinin derin özellik öğrenimi yoluyla beyin yazımını sağlama. In: 2018 IEEE Pervasive Computing and Communications 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 cevaplı sınav modellerinde kelimelerin EEG ile tanımlanması. In: ; 2019. doi:10.1109/TALE48000.2019.9225903

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

12. Kurent P. Gelecek teknolojilerinin lise ve üniversitelere entegrasyonu. In: 2017 40. Uluslararası Bilgi ve İletişim Teknolojisi, Elektronik ve Mikroelektronik Konvansiyonu (MIPRO). ; 2017:858-861. doi:10.23919/MIPRO.2017.7973541

13. White-Foy J. Öğrenciler için Nörobilimin: Lise çocuklarına bir EEG ve Beyin-Bilgisayar Arayüzü teknolojisi tanıtma projesi. Praxis Öğretmen Araştırmaları. 29 Kasım 2019'da yayımlandı. 15 Haziran 2022'de erişildi. https://praxis-teacher-research.org/neuroscience-for-students/

14. Kosmyna, Nataliya, Nathalie Soetaert ve Cassandra Scheirer. "Sınıflarda Beyin-Bilgisayar Arayüzlerinin Resmi Eğitim Faaliyetlerini Teşvik Etme Üzerine Bir Pilot Çalışma." Gelecek Teknolojileri 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: çevre bilimleri, bilişsel ve beyin bilimleri ve öğretmen eğitiminden örnekler. Mobil öğrenim gelecekleri - mobil öğrenmede kalite araştırma ve uygulamaları sürdürülebilir hale getirmek, 25.

16. Rodríguez, A.O.R., Riaño, M.A., García, P.A.G., Marín, C.E.M., Crespo, R.G. ve Wu, X., 2020. Öğrenim analitiği ve AR-Sandbox kullanarak bir öğrenme ortamında çocukların duygusal karakterizasyonu. Journal of Ambient Intelligence and Humanized Computing, 11(11), sh.5353-5367.