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

by 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 điều cần thiết cho sự phát triển 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 quá trình giảng dạy và học tập.

Trong hai thập kỷ qua, 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 học trực tuyến để tạo ra những môi trường học tập tối ưu cho sinh viên [1]. Trong bài viết này, chúng tôi xem xét cách mà tai nghe EEG của EMOTIV đang được sử dụng để thay đổi cách chúng tôi giảng dạy và học tập.

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 tính hiệu quả của nội dung khóa học thường xuyên 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 những khía cạnh nào của việc giảng dạy có thể được cải thiện do phụ thuộc vào trí nhớ chủ quan. Nhờ vào độ phân giải tạm thời cao của nó (tức là khả năng đo lường các phản ứng của não trong khoảng thời gian miligiây), EEG có khả năng lập chỉ mục các quá trình tiền ý thức, điều mà sẽ không được nhận biết nếu chỉ dựa vào các biện pháp tự báo cáo đơn thuần. Khi tối ưu hóa nội dung khóa học, các chỉ số hữu ích nhất là mức độ chú ý và khối lượng nhận thức - một thước đo về lượng nỗ lực mà não bộ bỏ ra để giữ lại thông tin. Chú ý thường được đo lường bằng cách phân tích các sóng não khác nhau quan sát được 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). Khối lượng nhận thức, một chỉ số 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 với EEG có thể theo dõi mức độ chú ý, cho phép đánh giá mức độ chú ý trong suốt cả một khóa học. Zhou và các cộng sự đã thành công trong việc trình diễn một hệ thống thời gian thực theo dõi khối lượng nhận thức của sinh viên học trực tuyến qua các Khóa học Mở Online lớn (MOOC), mở đường cho việc tối ưu hóa nội dung khóa học trong thời gian thực [2].

Phân tích trạng thái nhận thức trở nên dễ dàng

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

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

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 các sinh viên khác, điều này được tìm thấy ở những sinh viên tham gia nhiều hơn trong lớp (bên trái). Một sự đồng bộ thấp với những sinh viên khác (bên phải) được tìm thấy ở những sinh viên ít tham gia hơn.

Cải thiện môi trường học tập

Không chỉ nội dung của tài liệu giáo dục quan trọng, khi nào và ở đâu chúng ta học cũng quan trọng không kém để đảm bảo rằng sinh viên có trải nghiệm học tập tốt. Các nhà nghiên cứu đã đo mức độ sóng alpha trong những thời điểm khác nhau của lớp học và phát hiện rằng các lớp học trung học vào giữa buổi sáng có mức sóng alpha thấp hơn so với buổi sáng sớm và gợi ý rằng giữa buổi sáng có thể là thời gian tốt nhất để học [4].

EEG không dây cũng đã được sử dụng để so sánh môi trường thực vs ảo, cho thấy khả năng cung cấp các mức độ chú ý và động lực ngang nhau 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 vật lý, những người 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 suốt một quá trình học tập chung [6][7]. Phương pháp thu thập dữ liệu EEG này, gọi là EEG hyperscanning, là một bước tiến tới việc suy diễn theo thời gian thực sự chú ý nhóm và cải thiện động lực xã hội trong lớp học.

Làm cho giáo dục có sẵn cho 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 những 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 gõ dựa trên EEG [8][9], giúp sinh viên có khó khăn về thể chất ghi chú trong đầu trên thiết bị tính toán của họ khi họ học. Các BCI cho phép sinh viên trả lời các câu hỏi loại có-không dựa trên EEG cũng đang cho phép sinh viên khiếm thị được đánh giá bằng cách sử dụng kỳ thi dựa trên máy tính, điều mà sẽ đòi hỏi một người phỏng vấn nếu không có [10].

Trải nghiệm học tập cá nhân hóa

Cung cấp gia sư cá nhân cho sinh viên có thể rất đắt đỏ nhưng thường là cần thiết khi hệ thống giáo dục chung không đủ trang bị để xử lý những nhu cầu học tập độc đáo. Hệ thống Gia sư Thông minh (ITS) là một loại phần mềm học dựa trên máy tính được hỗ trợ bằng trí tuệ nhân tạo có thể hoạt động như 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 nhằm 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 đối với các loại video giáo dục khác nhau (nội dung hoạt hình so với video với giáo viên con người) cho phép ITS học và tự động tạo ra 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 khối lượng nhận thức của sinh viên trong khi sử dụng các chương trình học dựa trên máy tính trở nên ngày càng quan trọng để ngăn ngừa căng thẳng và mệt mỏi mắt. Để chống lại điều này, các nhà nghiên cứu đã phát triển một cơ sở dữ liệu biểu cảm khuôn mặt dựa trên dữ liệu EEG có thể phát hiện nếu một sinh viên cảm thấy nhàm chán, tham gia, hưng phấn hoặc 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 sinh viên; bằng cách đề nghị nghỉ khi họ mệt hoặc tiếp tục giảng dạy khi họ đang tham gia, cung cấp trải nghiệm học tập hiệu quả hơn cho sinh viên.

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

EEG như một công cụ học STEM

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

Các thiết bị và phần mềm Emotiv hiện đang được sử dụng ở các khóa học đại học cấp đại học, không chỉ trong tâm lý học và khoa học thần kinh mà còn trong kỹ thuật sinh học. Kurent chứng minh một ví dụ thành công về việc tích hợp các thiết bị Emotiv EPOC vào quá trình giáo dục ở cấp trung học và đại học nhằm thúc đẩy sự phát triển của các thiết bị BCI. Kosmayana et al. phát hiện rằng việc bao gồm các hệ thống EEG-BCI trong chương trình học ở trường làm tăng thành tích học thuật. Đại học Macquarie đã chứng minh thành công việc đưa các thiết bị Emotiv vào chương trình Cử nhân Khoa học Nhận thức và Não bộ của họ, mang lại 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 thành công trong việc học công nghệ BCI và thiết lập các dự án nghiên cứu EEG quy mô nhỏ [13]. Sinh viên đã sử dụng các nguồn online để tích hợp một thiết bị EMOTIV Insight vào một Raspberry Pi (một máy tính mini) có thể dịch EEG thành các lệnh để điều khiển một con rô-bô từ xa (BB-8) và dẫn nó qua một mê cung.

Trên: Câu lạc bộ NeuroLab trường trung học. Học sinh từ 11-18 tuổi đã tích hợp Raspberry Pi và rô-bô BB-8 với thiết bị Emotiv và sử dụng ý nghĩ để điều hướng 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 di động giá rẻ, cung cấp không chỉ phương pháp cải thiện chất lượng của các chương trình giáo dục mà còn cho phép giáo viên cung cấp nội dung xuất sắc, nhưng 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 sinh viên với Bộ khởi động EMOTIV EEG Lab.

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

• Tiến hành các thí nghiệm từ xa để thu thập dữ liệu trên EmotivLABS.

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

Cần hỗ trợ? Liên hệ với chúng tôi

Nguồn hình ảnh bìa: Trường Trevor Day

Tài liệu tham khảo

1. J. Xu và B. Zhong, “Đánh giá công nghệ EEG di động trong nghiên cứu giáo dục,” Máy tính trong Hành vi Con người, vol. 81, pp. 340–349, Tháng 4. 2018, doi: 10.1016/j.chb.2017.12.037.

2. Zhou Y, Xu T, Cai Y, Wu X, Dong B. Theo dõi khối lượng nhận thức trong việc học video trực tuyến thông qua 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 với học bút và giấy. Trong: Hội nghị IEEE Frontiers in Education Conference (FIE) 2019. ; 2019:1-8. doi:10.1109/FIE43999.2019.9097262

4. Dikker S, Haegens S, Bevilacqua D, et al. Buổi sáng não: bằng chứng thần kinh thực tế cho thấy thời gian lớp học trung học là 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 của mật độ phổ alpha trong 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. Đồng bộ hóa não-não theo dõi sự tương tác nhóm động trong lớp học trong thế giới thực. 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 lại sóng não đồng bộ trong quá trình trình chiếu 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: So sánh N300 và Ý tưởng Chuyển Động để gõ bằng các thiết bị EEG điện cực khô. Trong: Stephanidis C (biên soạn). HCI International 2013 - Tài liệu Mở rộng của các bài luận. 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. Chuyển đổi suy nghĩ của bạn thành văn bản: Kích hoạt gõ não thông qua học sâu các tín hiệu EEG. Trong: Hội nghị Quốc tế về Điện toán Phổ quát và Giao tiếp (PerCom) 2018. ; 2018:1-10. doi:10.1109/PERCOM.2018.8444575

10. Yosrita E, Heryadi Y, Wulandhari LA, Budiharto W. Nhận diện từ dựa trên EEG trong các mô hình kỳ thi với câu trả lời 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 Trình nhận diện Biểu cảm Khuôn mặt và một Cơ sở dữ liệu Biểu cảm 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. ; 2017:391-393. doi:10.1109/ICALT.2017.141

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

13. White-Foy J. Khoa học thần kinh cho học sinh: một dự án để giới thiệu công nghệ EEG và Giao diện Não-Máy cho trẻ em trung học. Nghiên cứu 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 trong Lớp học để Thúc đẩy Các Hoạt động Giáo dục Chính thức." Biên bản Hội nghị về Các 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 công nghệ đeo được tại các trường đại học Australia: Ví dụ từ khoa học môi trường, khoa học nhận thức và não bộ và đào tạo giáo viên. Tương lai của học di động - duy trì chất lượng nghiên cứu và thực hành trong 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. Mô tả cảm xúc của trẻ em thông qua một môi trường học tập sử dụng phân tích học tập và AR-Sandbox. Tạp chí về Trí thông minh Môi trường và Tính nhân văn, 11(11), pp.5353-5367.