Giáo dục là một trụ cột cơ bản của xã hội chúng ta, và việc cung cấp môi trường học tập phong phú là điều cần thiết cho sự tiến bộ của xã hội. Khoa học thần kinh giáo dục là một lĩnh vực liên ngành đang phát triển nhanh chóng nhằm mục đích hiểu các cơ chế thần kinh của việc dạy và học.

Trong hai thập kỷ qua, những tiến bộ trong công nghệ EEG di động đã cho phép các nhà nghiên cứu sử dụng thiết bị EEG trong cả lớp học và học tập trực tuyến để tạo ra môi trường học tập tối ưu cho học sinh [1]. Trong bài viết này, chúng tôi xem xét cách các thiết bị EEG của Emotiv đang được sử dụng để thay đổi cách chúng ta dạy và học.

Tối ưu hóa nội dung giáo dục

Thiết kế nội dung giáo dục hấp dẫn đòi hỏi phản hồi chủ quan liên tục từ học sinh. Theo truyền thống, việc xác định tính hiệu quả của nội dung khóa học được thực hiện thông qua các biện pháp phản hồi tự báo cáo sau khi hoàn thành một khóa học.

Tuy nhiên, thường rất khó để xác định chính xác khía cạnh nào của việc truyền tải khóa học có thể được cải thiện do phụ thuộc vào trí nhớ chủ quan. Nhờ độ phân giải thời gian cao (tức là khả năng đo lường các phản ứng của não trong thang đo mili giây), EEG có thể chỉ ra các quá trình tiền ý thức mà nếu không có nó thì sẽ không thể nhận biết được bằng các biện pháp tự báo cáo thuần túy. Khi tối ưu hóa nội dung khóa học, các số liệu hữu ích nhất là mức độ chú ý và tải lượng nhận thức - một thước đo lượng nỗ lực mà não bộ bỏ ra để duy trì thông tin. Sự chú ý thường được đo lường bằng cách phân tích các sóng não khác nhau được quan sát thấy trong EEG khi ai đó đang học - chẳng hạn như mức độ sóng alpha (thường liên quan đến việc mệt mỏi) và sóng beta (thường liên quan đến việc tỉnh táo hoặc tập trung). Tải lượng nhận thức, một phép đo phức tạp hơn, cũng có thể được lập chỉ mục với các mức độ sóng alpha và theta khác nhau.

Các nhà nghiên cứu đã phát triển các hệ thống tích hợp EEG có thể theo dõi sự chú ý, cho phép đánh giá mức độ chú ý trong suốt toàn bộ khóa học. Zhou và các đồng nghiệp đã chứng minh thành công một hệ thống thời gian thực theo dõi tải lượng nhận thức của học sinh trực tuyến tham gia vào các Khóa học Trực tuyến Đại chúng Mở rộng (MOOCs), mở đường cho việc tối ưu hóa nội dung khóa học trong thời gian thực [2].

Phân tích trạng thái nhận thức dễ dàng hơn

Đo lường trạng thái nhận thức, như trong các nghiên cứu trước đây, có thể đòi hỏi một số kỹ năng kỹ thuật và chuyên môn. May mắn thay, những tiến bộ trong khoa học dữ liệu hiện đã cho phép sử dụng các thuật toán dựng sẵn để đo lường trạng thái nhận thức với chuyên môn kỹ thuật tối thiểu. Emotiv cho phép sử dụng Chỉ số Hiệu suất: các thuật toán học máy được phát triển để xác định các trạng thái não bộ khác nhau, bao gồm sự tập trung, sự phấn khích, sự tham gia, sự thất vọng, căng thẳng và thư giãn trong bản ghi EEG.

Các thuật toán này được xây dựng bằng cách sử dụng các thử nghiệm được kiểm soát được thiết kế nhằm gợi ra các trạng thái nhận thức cụ thể và rất hữu ích để tối ưu hóa nội dung giáo dục. Các Chỉ số Hiệu suất Emotiv này đã được sử dụng để so sánh phương pháp học tập qua trò chơi với phương pháp học tập bằng bút và giấy truyền thống, mặc dù nghiên cứu cho thấy không có sự khác biệt về trạng thái nhận thức giữa hai phương pháp học tập này [3]. Các nhà nghiên cứu khác đã chứng minh tính hữu ích của Chỉ số Hiệu suất trong việc nhóm trẻ em từ 5-7 tuổi dựa trên các trạng thái nhận thức như độ tương tác, căng thẳng và sự tập trung để đánh giá hiệu quả của các hoạt động trong môi trường thực tế tăng cường.

Bên trên: (A) EEG có thể được sử dụng để đo sóng não của học sinh trong lớp học trung học (từ: Dikker và các đồng nghiệp [4]). (B) Sóng não của học sinh có thể hiển thị sự đồng bộ cao với các học sinh khác, điều này được tìm thấy ở những học sinh tham gia tích cực hơn trong lớp (trái). Sự đồng bộ thấp với các học sinh khác (phải) được tìm thấy ở những học sinh ít tham gia hơn.

Cải thiện môi trường học tập

Không chỉ nội dung của tài liệu giáo dục quan trọng, thời gian và địa điểm chúng ta học cũng quan trọng không kém để đảm bảo học sinh có trải nghiệm học tập tốt. Các nhà nghiên cứu đã đo mức độ sóng alpha trong các thời điểm lớp học khác nhau và nhận thấy rằng các lớp học trung học vào giữa buổi sáng hiển thị ít sóng alpha hơn so với sáng sớm và đề xuất rằng giữa buổi sáng có thể là thời điểm tốt nhất để học tập [4].

EEG không dây cũng đã được sử dụng để so sánh môi trường thực với môi trường ảo, chứng minh khả năng cung cấp mức độ chú ý và động lực học tập tương đương trong cả hai môi trường [5]. Điều này có thể mở đường cho trải nghiệm học tập phong phú hơn cho những người bị khuyết tật về thể chất, không thể tham gia các lớp học trực tiếp. Các nhà nghiên cứu cũng đã tiến hành nghiên cứu về động lực xã hội trong lớp học bằng cách sử dụng EEG. Một nhóm học sinh được trang bị thiết bị EEG có thể được đánh giá mức độ đồng bộ hóa hoạt động thần kinh của họ trong một quá trình học tập chung [6][7]. Phương pháp thu thập dữ liệu EEG này, được gọi là quét siêu nhạy EEG (EEG hyperscanning), là một bước tiến tới việc suy luận theo thời gian thực về sự chú ý của nhóm và cải thiện động lực xã hội trong lớp học.

Giúp mọi người đều có thể tiếp cận giáo dục

Một số khó khăn về thể chất hoặc giác quan có thể hạn chế trải nghiệm học tập của học sinh trong lớp học. Tuy nhiên, có những công cụ dựa trên EEG đang cải thiện trải nghiệm của học sinh. Những tiến bộ trong công nghệ Giao diện não-máy tính (BCI) đã cho phép nhập liệu bằng EEG [8][9], giúp học sinh gặp khó khăn về thể chất có thể ghi chép bằng suy nghĩ trên thiết bị máy tính của họ khi học. Các BCI cho phép trả lời các câu hỏi dạng có-không dựa trên EEG cũng cho phép học sinh khiếm thị được đánh giá bằng các bài kiểm tra trên máy tính, điều mà nếu không có công cụ này thì sẽ cần đến người phỏng vấn [10].

Trải nghiệm học tập cá nhân hóa

Cung cấp gia sư cá nhân cho học sinh có thể tốn kém nhưng thường cần thiết khi hệ thống giáo dục đại chúng không được trang bị đủ để xử lý các nhu cầu học tập đặc thù. Hệ thống Gia sư Thông minh (ITS) là một loại phần mềm học tập trên máy tính được hỗ trợ bởi trí tuệ nhân tạo có thể đóng vai trò như gia sư cá nhân.

Mục tiêu của các hệ thống này là điều chỉnh và cung cấp phản hồi cá nhân hóa theo thời gian thực cho học sinh để nâng cao hiệu quả học tập của họ. Các nhà nghiên cứu hiện đang cải tiến hệ thống ITS bằng cách tích hợp chúng với EEG. Trong một nghiên cứu, các nhà nghiên cứu sử dụng EEG để phát hiện mức độ tương tác của học sinh với các loại video giáo dục khác nhau (nội dung hoạt hình so với video có giáo viên là con người học), cho phép ITS tự học và tự động tạo ra nội dung mà học sinh sẽ thấy thú vị hơn.

Khi bạn loại bỏ yếu tố con người khỏi quá trình giảng dạy, việc theo dõi tải lượng nhận thức của học sinh trong khi sử dụng các chương trình học tập trên máy tính ngày càng trở nên quan trọng để ngăn ngừa căng thẳng và mệt mỏi do nhìn màn hình. Để giải quyết vấn đề này, các nhà nghiên cứu đã phát triển một cơ sở dữ liệu biểu cảm khuôn mặt dựa trên dữ liệu EEG giúp tích cực phát hiện xem học sinh đang buồn chán, tương tác, phấn khích hay thất vọng khi sử dụng ITS [11].

Sự phát triển này với EEG đang mở đường cho hệ thống ITS liên tục học hỏi và thích ứng với từng học sinh; bằng cách đề xuất nghỉ ngơi khi họ mệt mỏi hoặc tiếp tục giảng dạy khi họ đang say mê, mang lại trải nghiệm học tập hiệu quả hơn cho học sinh.

Bên trên: Các học sinh tại Đại học New York (NYU) tham gia chương trình BrainWaves chơi một trò chơi trong khi sử dụng công nghệ não bộ Emotiv EEG.

EEG như một công cụ học tập STEM

Các thiết bị và phần mềm Emotiv EEG rất dễ sử dụng và là một công cụ giới thiệu tuyệt vời để truyền cảm hứng cho thế hệ nhà khoa học khoa học, công nghệ, kỹ thuật và toán học (STEM) tiếp theo.

Các thiết bị và phần mềm Emotiv hiện đang được sử dụng tại các khóa học cấp đại học, không chỉ trong lĩnh vực tâm lý học và khoa học thần kinh mà còn trong kỹ thuật y sinh. Kurent chứng minh một ví dụ thành công về việc tích hợp thiết bị Emotiv EPOC vào quá trình giáo dục ở cấp trung học và đại học để thúc đẩy sự tiến bộ của các thiết bị BCI. Kosmayana và các đồng nghiệp nhận thấy rằng việc đưa các hệ thống EEG-BCI vào chương trình học ở trường giúp nâng cao thành tích học tập. Đại học Macquarie đã chứng minh việc đưa thành công các thiết bị Emotiv vào chương trình đào tạo Cử nhân Khoa học Nhận thức và Não bộ của họ, mang lại cho sinh viên trải nghiệm thực hành về thiết kế thử nghiệm và phân tích dữ liệu EEG [14].

Hơn nữa, White-Foy chứng minh rằng trẻ em chỉ mới 12 tuổi đã có thể học thành công công nghệ BCI và thiết lập các dự án nghiên cứu EEG quy mô nhỏ [13]. Học sinh đã sử dụng các tài nguyên trực tuyến để tích hợp thiết bị Emotiv Insight với Raspberry Pi (một máy tính siêu nhỏ) giúp dịch EEG thành các lệnh để điều khiển món đồ chơi Star Wars điều khiển từ xa (BB-8) và điều hướng nó đi qua một mê cung.

Bên trên: NeuroLab trường trung học. Học sinh từ 11-18 tuổi đã tích hợp Raspberry Pi và robot BB-8 với thiết bị Emotiv và sử dụng các lệnh bằng suy nghĩ để điều hướng BB-8 đi qua mê cung (được chia sẻ với sự cho phép từ NeuroLabs)

Chúng ta có thể thấy rằng các thiết bị Emotiv EEG di động, chi phí thấp không chỉ cung cấp các phương pháp nâng cao chất lượng chương trình giáo dục để người giáo dục truyền tải nội dung đặc sắc, mà cùng với những phát triển trong BCI cũng đề xuất cung cấp một môi trường giáo dục phong phú cho các cá nhân có nhu cầu đặc biệt.

Emotiv có thể giúp đỡ như thế nào

• Cải thiện trải nghiệm học tập của học sinh với Bộ công cụ Khởi đầu Emotiv EEG Lab.

• Xây dựng các thử nghiệm và phân tích dữ liệu với EmotivPRO Builder.

• Triển khai các thử nghiệm từ xa để lấy dữ liệu trên EmotivLABS.

• Sử dụng bộ dữ liệu nguồn mở của chúng tôi.

Cần trợ giúp? Liên hệ với chúng tôi

Nguồn ảnh bìa: Trường Trevor Day

Tài liệu tham khảo

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.