Cách EEG có thể được sử dụng để tạo ra môi trường học tập tối ưu

bởi Tiến sĩ Roshini Randeniya

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

Trong hai thập kỷ qua, những tiến bộ trong công nghệ EEG di động đã cho phép các nhà nghiên cứu sử dụng tai nghe EEG trong cả lớp học và e-learning để tạo ra môi trường học tập tối ưu cho sinh viên [1]. Trong bài viết này, chúng ta sẽ xem xét cách mà tai nghe EEG của EMOTIV đang được sử dụng để thay đổi cách mà 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 sinh viên. Truyền thống, việc xác định hiệu quả của nội dung khóa học được thực hiện thông qua các biện pháp phản hồi tự báo cáo sau khi hoàn thành khóa học.

Tuy nhiên, thường thì rất khó để xác định chính xác các khía cạnh nào của việc giảng dạy mà có thể được cải thiện do phụ thuộc vào trí nhớ chủ quan. Nhờ độ phân giải tạm thời cao của nó (tức là khả năng đo lường phản ứng của não trong khoảng thời gian mili giây), EEG có thể chỉ ra các quá trình trước khi nhận thức, mà nếu không có thể không được nhận ra chỉ bằng các biện pháp tự báo cáo thông thường. Khi tối ưu hóa nội dung khóa học, các chỉ số hữu ích nhất là mức độ chú ý và công suất nhận thức - một chỉ số về lượng nỗ lực mà não đưa ra để giữ thông tin. Chú ý thường được đo lường bằng cách phân tích các sóng não khác nhau được quan sát trong EEG khi ai đó đang học - chẳng hạn như mức độ của sóng alpha (thường liên quan đến việc mệt mỏi) và sóng beta (thường liên quan đến việc tỉnh táo hoặc tập trung). Công suất nhận thức, một chỉ số phức tạp hơn, cũng có thể được chỉ ra với các mức độ khác nhau của sóng alpha và theta.

Các nhà nghiên cứu đã phát triển các hệ thống với EEG có thể theo dõi chú ý, cho phép đánh giá mức độ chú ý trong suốt một khóa học. Zhou et al. đã thành công trong việc chứng minh một hệ thống theo dõi thời gian thực có thể giám sát công suất nhận thức của sinh viên e-learning tham gia các Khóa học Đại học Mở Khổng lồ (MOOCs), mở đường cho việc tối ưu hóa nội dung khóa học trong thời gian thực [2].

Phân tích trạng thái nhận thức đơn giản

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

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

Trên: (A) EEG có thể được sử dụng để đo sóng não của sinh viên trong một lớp học trung học (từ: Dikker et al. [4]). (B) Sóng não của sinh viên có thể cho thấy sự đồng bộ cao với nhau, điều này được phát hiện ở những sinh viên tham gia nhiều hơn trong lớp (bên trái). Sự đồng bộ thấp với sinh viên khác (bên phải) được phát hiện cho sinh viên ít tham gia hơn.

Nâng cao môi trường học tập

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

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

Mang giáo dục đến với tất cả mọi người

Một số khó khăn về thể chất hoặc cảm giác có thể hạn chế trải nghiệm học tập của sinh viên trong lớp học. Tuy nhiên, có các công cụ dựa trên EEG đang cải thiện trải nghiệm của sinh viên. Những tiến bộ trong công nghệ Giao diện Não-Máy Tính (BCI) đã cho phép việc đánh máy dựa trên EEG [8][9], giúp sinh viên có khó khăn về thể chất có thể ghi chú theo cách tư duy trên thiết bị máy tính của họ khi họ học. BCI cho phép trả lời các câu hỏi loại có-không dựa trên EEG cũng đang cho phép sinh viên khiếm thị được đánh giá bằng bài kiểm tra trên máy tính, điều này lẽ ra cần một người phỏng vấn [10].

Trải nghiệm học tập cá nhân hóa

Cung cấp gia sư cá nhân cho sinh viên có thể tốn kém nhưng thường cần thiết khi hệ thống giáo dục chung không đủ khả năng để đáp ứng nhu cầu học tập độc đáo. Các Hệ thống Gia sư Thông minh (ITS) là một loại phần mềm học tập dựa trên máy tính tích hợp trí tuệ nhân tạo có thể hoạt động như những gia sư cá nhân.

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

Khi bạn loại bỏ yếu tố con người khỏi quá trình giảng dạy, việc theo dõi công suất nhận thức của sinh viên trở nên ngày càng quan trọng trong khi sử dụng các chương trình học tập dựa trên máy tính để ngăn ngừa căng thẳng và mỏi mắt. Để chống lại điều này, các nhà nghiên cứu đã phát triển một cơ sở dữ liệu biểu hiện khuôn mặt dựa trên dữ liệu EEG mà chủ động phát hiện nếu một sinh viên cảm thấy buồn chán, tham gia, phấn khích hoặc bực bội khi sử dụng ITS [11].

Phát triển này với EEG đang mở đường cho hệ thống ITS học hỏi và thích ứng liên tục với từng sinh viên; bằng cách đề xuất những khoảng nghỉ khi họ mệt mỏi hoặc tiếp tục giảng dạy khi họ tham gia, cung cấp một trải nghiệm học tập hiệu quả hơn cho sinh viên.

Trên: Sinh viên tại Đại học New York (NYU) BrainWaves chương trình chơi một trò chơi trong khi đeo Công nghệ não EMOTIV EEG.

EEG như một công cụ học STEM

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

Các thiết bị và phần mềm Emotiv hiện đang được sử dụng trong các khóa học trình độ đại học tại các trường đại học, không chỉ trong 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 các thiết bị Emotiv EPOC vào quá trình giáo dục tại cấp trung học và cao đẳng để thúc đẩy việc phát triển các thiết bị BCI. Kosmayana et al. phát hiện rằng việc đưa các hệ thống EEG-BCI vào chương trình giảng dạy của trường học nâng cao hiệu suất học tập. Đại học Macquarie đã chứng minh sự bao gồm thành công của các thiết bị Emotiv trong chương trình Cử nhân Khoa học Nhận thức và Não của mình, cung cấp cho sinh viên kinh nghiệm thực hành với thiết kế thí nghiệm và phân tích dữ liệu EEG [14].

Hơn nữa, White-Foy chứng minh rằng trẻ em từ 12 tuổi trở lên có thể học công nghệ BCI và thiết lập các dự án nghiên cứu EEG quy mô nhỏ một cách thành công [13]. Sinh viên đã sử dụng các tài nguyên trực tuyến để tích hợp một thiết bị EMOTIV Insight vào Raspberry Pi (một máy tính mini) để dịch EEG thành các lệnh để điều khiển một đồ chơi Star Wars điều khiển từ xa (BB-8) và dẫn nó qua một mê cung.

Trên: Phòng thí nghiệm thần kinh cấp hai. Sinh viên từ 11-18 tuổi đã tích hợp Raspberry Pi và robot BB-8 với thiết bị Emotiv và sử dụng lệnh tư duy để dẫn BB-8 qua một mê cung (được chia sẻ với sự cho phép của NeuroLabs)

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

Cách EMOTIV Có Thể Giúp

• Cải thiện trải nghiệm học tập của học sinh của bạn với EMOTIV EEG Lab Starter Kits.

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

• Khởi động các thí nghiệm từ xa để thu thập dữ liệu trên EmotivLABS.

• Sử dụng tập dữ liệu mã nguồn mở của chúng tôi.

Cần Giúp Đỡ? Liên Hệ Với Chúng Tôi

 Nguồn hình ảnh bìa: Trường Trevor Day

Tài liệu tham khảo

1. J. Xu và B. Zhong, “Đánh giá về công nghệ EEG di động trong nghiên cứu giáo dục,” Máy tính trong Hành vi Con người, 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. Giám sát khối lượng nhận thức trong học video trực tuyến thông qua một giao diện não-máy tính dựa trên 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, Chaudhary N. Đánh giá trạng thái cảm xúc của người học bằng cách theo dõi sóng não để so sánh phương pháp học dựa trên trò chơi và bút giấy. Trong: Hội nghị IEEE Frontiers in Giáo dục (FIE). ; 2019:1-8. doi:10.1109/FIE43999.2019.9097262

4. Dikker S, Haegens S, Bevilacqua D, et al. Não buổi sáng: bằng chứng thần kinh thực tế rằng thời gian lớp học trung học quan trọng. Soc Cogn Affect Neurosci. 2020;15(11):1193-1202. doi:10.1093/scan/nsaa142

5. Romero-Soto FO, Ibarra-Zárate DI, Alonso-Valerdi LM. Phân tích So sánh Độ Mật Đặc Trưng Sóng Alpha trong Các Môi Trường Thực và Ảo. Trong: Tập 75. ; 2020:156-163. doi:10.1007/978-3-030-30648-9_22

6. Dikker S, Wan L, Davidesco I, et al. Sự đồng bộ từ não đến não theo dõi các tương tác nhóm động trong lớp học thực tế. 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 trong lớp học: Ghi nhận thần kinh đồng bộ trong khi trình bày video. 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. Gõ sóng não: Nghiên cứu So sánh của P300 và Tưởng Tượng Vận Động để Gõ Sử Dụng Thiết Bị EEG Điện Cực Khô. Trong: Stephanidis C, ed. HCI International 2013 - Tài liệu Mở Rộng của Các Bài Thuyết Trình. Thông tin và Đồ họa Máy tính Thông tin. 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. Chuyển đổi Ý Tưởng của Bạn thành Văn Bản: Kích hoạt Gõ Não thông qua Học Tính Năng Sâu của Các Tín hiệu EEG. Trong: Hội nghị Quốc tế IEEE năm 2018 về Máy tính Pervasive và Giao tiếp (PerCom). ; 2018:1-10. doi:10.1109/PERCOM.2018.8444575

10. Yosrita E, Heryadi Y, Wulandhari LA, Budiharto W. Nhận diện EEG Các Từ trong Mô Hình Kiểm Tra với Câu Hỏi Có-Không cho Sinh Viên Khiếm Thị. Trong: ; 2019. doi:10.1109/TALE48000.2019.9225903

11. Zatarain-Cabada R, Barrón-Estrada ML, González-Hernández F, Rodriguez-Rangel H. Xây dựng một Bộ Nhận diện Biểu hiện Khuôn mặt và một Cơ sở Dữ liệu Biểu hiện Khuôn mặt cho một Hệ thống Gia sư Thông minh. Trong: Hội nghị Quốc tế IEEE lần thứ 17 về Công nghệ Học Tập Nâng cao (ICALT). ; 2017:391-393. doi:10.1109/ICALT.2017.141

12. Kurent P. Tích hợp công nghệ tương lai vào trường trung học và đại học. Trong: Hội nghị Quốc tế 40 lần thứ 40 về Công nghệ Thông tin và Truyền thông, Điện tử và Vi điện tử (MIPRO). ; 2017:858-861. doi:10.23919/MIPRO.2017.7973541

13. White-Foy J. Khoa học thần kinh cho học sinh: một dự án nhằm giới thiệu công nghệ EEG và Giao diện Não-Máy Tính cho trẻ em trong trường trung học. Nghiên cứu của Giáo viên Praxis. Xuất bản ngày 29 tháng 11 năm 2019. Truy cập ngày 15 tháng 6 năm 2022. https://praxis-teacher-research.org/neuroscience-for-students/

14. Kosmyna, Nataliya, Nathalie Soetaert, và Cassandra Scheirer. "Một Nghiên Cứu Thí Điểm về Việc Sử Dụng Giao Diện Não-Máy Tính trong Các Lớp Học để Thúc Đẩy Các Hoạt Động Giáo Dục Chính Thống." Biên bản của Hội nghị Công nghệ Tương lai. Springer, Cham, 2021.

15. Alvarez, V., Bower, M., de Freitas, S., Gregory, S. và De Wit, B., 2016. Việc sử dụng các công nghệ đeo được trong các trường đại học Úc: Ví dụ từ khoa học môi trường, khoa học nhận thức và não bộ và đào tạo giáo viên. Tương lai của việc học di động - duy trì nghiên cứu và thực hành chất lượng trong việc học di động, 25.

16. Rodríguez, A.O.R., Riaño, M.A., García, P.A.G., Marín, C.E.M., Crespo, R.G. và Wu, X., 2020. Phân loại cảm xúc của trẻ em thông qua một môi trường học tập sử dụng phân tích học tập và AR-Sandbox. Tạp chí Thông minh Khu vực và Con người, 11(11), pp.5353-5367.