如何利用腦電圖（EEG）打造最佳學習環境
Roshini Randeniya 博士
更新於
2024年9月12日
如何利用腦電圖（EEG）打造最佳學習環境
Roshini Randeniya 博士
更新於
2024年9月12日
如何利用腦電圖（EEG）打造最佳學習環境
Roshini Randeniya 博士
更新於
2024年9月12日
教育是我們社會的基石，而提供豐富的學習環境對於社會進步至關重要。教育神經科學是一個快速發展的跨學科領域，旨在了解教學與學習的神經機制。
在過去的二十年裡，便攜式脑电图（EEG）技術的進步使研究人員能夠在課堂和線上學習（e-learning）中使用腦電圖耳機，為學生創造最佳的學習環境 [1]。在本文中，我們將探討 Emotiv 的腦電圖耳機如何被用於改變我們的教學與學習方式。
優化教育內容
設計具吸引力的教育內容需要學生持續的主觀反饋。傳統上，確定課程內容的有效性是通過課程結束後的自我報告反饋評估來完成的。
然而，由於依賴主觀記憶，通常很難準確判斷教學過程中的哪些方面可以改進。由於其高時間解析度（即在毫秒級別測量大腦反應的能力），腦電圖（EEG）能夠索引前意識過程，否則這些過程在僅靠自我報告評估時是無法被察覺的。在優化課程內容時，最實用的指標是專注力水平和認知負荷——一種衡量大腦為了保留信息而付出的努力程度的指標。專注力通常是通過分析有人在學習時在腦電圖中觀察到的不同腦電波來測量的，例如 alpha 波（通常與感到疲勞相關）和 beta 波（通常與警覺或專注相關）的水平。認知負荷是一個更複雜的指標，也可以用不同水平的 alpha 和 theta 波來索引。
研究人員已經開發出使用腦電圖監測專注力的系統，從而可以評估整個課程中的專注力水平。Zhou 等人成功展示了一個實時系統，該系統可以監測參與大型開放式線上課程（MOOCs）的線上學習學生的認知負荷，這為實時優化課程內容鋪平了道路 [2]。
輕鬆分析認知狀態
如在以往研究中所見，測量認知狀態可能需要一些技術技巧和專業知識。幸運的是，數據科學的進步現在使我們能夠使用預建的算法來測量認知狀態，而只需極少的技術專業知識。Emotiv 能夠使用Performance Metrics：開發用於識別不同大腦狀態的機器學習算法，包括腦電圖中的專注、興奮、參與度、挫折感、壓力和放鬆。
這些算法是通過旨在引發特定認知狀態的受控實驗構建的，對於優化教育內容非常有用。這些 Emotiv Performance Metrics 已被用於比較遊戲化學習與傳統紙筆學習，儘管該研究顯示這兩種學習方法之間的認知狀態沒有差異 [3]。其他研究人員展示了 Performance Metrics 在根據參與度、壓力和專注力等認知狀態對小至 5 至 7 歲的兒童進行分組方面的效用，以判斷增強現實環境中活動的有效性。
上圖：(A) 腦電圖可用於測量高中課堂中學生的腦電波（源自：Dikker 等人 [4]）。 (B) 學生的腦電波可能與其他學生表現出高度同步，這在課堂上參與度較高的學生中被發現（左）。與其他學生的低同步（右）則出現在參與度較低的學生中。
優化學習環境
不僅教育材料的內容很重要，我們學習的時間和地點對於確保學生獲得良好的學習體驗也同樣重要。研究人員測量了不同課堂時間的 alpha 波水平，發現上午中段的高中課程顯示出比清晨更少的 alpha 波，並建議上午中段可能是最佳的學習時間 [4]。
無線腦電圖也被用於比較真實環境與虛擬環境，展示了在兩種環境中提供同等水平的專注力和動力的能力 [5]。這可以為因身體殘疾而無法親自到校上課的人鋪平一條通往更豐富學習體驗的道路。研究人員還利用腦電圖對課堂上的社交動態進行了研究。可以對配戴腦電圖耳機的一組學生在共同學習過程中的神經活動同步程度進行評估 [6][7]。這種收集腦電圖數據的方法稱為EEG hyperscanning，是向實時推斷群體專注力和改善課堂社交動態邁出的一步。
讓每個人都能接受教育
某些身體或感官障礙可能會限制學生在課堂上的學習體驗。然而，有一些基於腦電圖的工具正在改善學生的體驗。脑机接口（BCI）技術的進步使基於腦電圖的打字成為可能 [8][9]，這有助於有身體不便的學生在學習時，利用其計算設備進行大腦思考記筆記。支持基於腦電圖回答是非題的 BCI 還使視力障礙學生能夠使用計算機化考試進行評估，否則這需要面試官的面試 [10]。
個性化學習體驗
為學生提供私人導師可能費用昂貴，但當普通教育系統在應對獨特學習需求方面裝備不足時，這往往是必要的。智能導師系統（ITS）是一類以人工智能為後盾、可充當私人導師的計算機化學習軟件。
這些系統的目的是進行適應並向學生提供實時的個性化反饋，以增進他們的學習。研究人員目前正通過將其與脑电图相結合來推進 ITS 系統。在其中一項研究中，研究人員使用腦電圖來檢測學生對不同類型教育視頻（動畫內容與有真人教師的視頻）的參與度，這允許 ITS 學習並自動生成學生會覺得更有趣的內容。
當你從教學過程中移除人為因素時，在使用計算機化學習程序時追踪學生的認知負荷以防止壓力和屏幕疲勞變得越來越重要。為了應對這一挑戰，研究人員開發了一個基於腦電圖數據的面部表情數據庫，能主動檢測學生在使用 ITS 時是感到無聊、投入、興奮還是沮喪 [11]。
這一腦電圖的發展為 ITS 系統不斷學習和適應個體學生鋪平了道路；通過在他們疲勞時建議休息，或者在他們專注時繼續教學，為學生提供更有效的學習體驗。
上圖：紐約大學（NYU）BrainWaves 項目的學生在戴著 Emotiv 腦電圖大腦技術設備時玩遊戲。
EEG 作為 STEM 學習工具
Emotiv 腦電圖設備和軟件易於使用，也是啟發下一代科學、技術、工程和數學（STEM）科學家的卓越入門工具。
Emotiv 設備和軟件目前正用於大學本科生課程，不僅在心理學和神經科學領域，也在生物醫學工程領域。Kurent 展示了將 Emotiv EPOC 設備整合到高中和大學階段教育過程中的成功範例，以推動 BCI 設備的進步。Kosmayana 等人發現，在學校課程中加入 EEG-BCI 系統可以提高學術表現。麥考瑞大學（Macquarie University）已經展示了成功將 Emotiv 設備納入其認知與大腦科學學士課程，讓學生在實驗設計和腦電圖數據分析方面獲得實踐經驗 [14]。
此外，White-Foy 展示了小至 12 歲的兒童就能成功學習 BCI 技術並建立小規模的腦電圖研究項目 [13]。學生們利用網絡資源將一台 Emotiv Insight 設備集成到樹莓派（Raspberry Pi，一種微型計算機）上，該設備將腦電圖轉化為指令，以控制遙控星際大戰玩具（BB-8）並導航其穿過迷宮。
上圖：中學 NeuroLab。11-18 歲的學生將樹莓派和 BB-8 機器人與 Emotiv 設備集成，並使用意念控制指令導航 BB-8 穿過迷宮（經 NeuroLabs 許可共享）
我們可以看到，低成本、移動式的 Emotiv 腦電圖設備不僅為教育工作者提供了提升教育項目質量以提供卓越內容的方法，而且結合 BCI 的發展，還能為有獨特需求的人士提供豐富的教育環境。
Emotiv 如何提供幫助
使用 Emotiv EEG Lab Starter Kits 改善您學生的學習體驗。
使用 EmotivPRO Builder 構建實驗並分析數據。
啟動遠程實驗以在 EmotivLABS 上獲取數據。
使用我們的開源數據集。
需要幫助？與我們聯繫
封面圖片來源：Trevor Day School
參考文獻
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.
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
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
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
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
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
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
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
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
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
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
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
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/
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.
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.
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.
教育是我們社會的基石，而提供豐富的學習環境對於社會進步至關重要。教育神經科學是一個快速發展的跨學科領域，旨在了解教學與學習的神經機制。
在過去的二十年裡，便攜式脑电图（EEG）技術的進步使研究人員能夠在課堂和線上學習（e-learning）中使用腦電圖耳機，為學生創造最佳的學習環境 [1]。在本文中，我們將探討 Emotiv 的腦電圖耳機如何被用於改變我們的教學與學習方式。
優化教育內容
設計具吸引力的教育內容需要學生持續的主觀反饋。傳統上，確定課程內容的有效性是通過課程結束後的自我報告反饋評估來完成的。
然而，由於依賴主觀記憶，通常很難準確判斷教學過程中的哪些方面可以改進。由於其高時間解析度（即在毫秒級別測量大腦反應的能力），腦電圖（EEG）能夠索引前意識過程，否則這些過程在僅靠自我報告評估時是無法被察覺的。在優化課程內容時，最實用的指標是專注力水平和認知負荷——一種衡量大腦為了保留信息而付出的努力程度的指標。專注力通常是通過分析有人在學習時在腦電圖中觀察到的不同腦電波來測量的，例如 alpha 波（通常與感到疲勞相關）和 beta 波（通常與警覺或專注相關）的水平。認知負荷是一個更複雜的指標，也可以用不同水平的 alpha 和 theta 波來索引。
研究人員已經開發出使用腦電圖監測專注力的系統，從而可以評估整個課程中的專注力水平。Zhou 等人成功展示了一個實時系統，該系統可以監測參與大型開放式線上課程（MOOCs）的線上學習學生的認知負荷，這為實時優化課程內容鋪平了道路 [2]。
輕鬆分析認知狀態
如在以往研究中所見，測量認知狀態可能需要一些技術技巧和專業知識。幸運的是，數據科學的進步現在使我們能夠使用預建的算法來測量認知狀態，而只需極少的技術專業知識。Emotiv 能夠使用Performance Metrics：開發用於識別不同大腦狀態的機器學習算法，包括腦電圖中的專注、興奮、參與度、挫折感、壓力和放鬆。
這些算法是通過旨在引發特定認知狀態的受控實驗構建的，對於優化教育內容非常有用。這些 Emotiv Performance Metrics 已被用於比較遊戲化學習與傳統紙筆學習，儘管該研究顯示這兩種學習方法之間的認知狀態沒有差異 [3]。其他研究人員展示了 Performance Metrics 在根據參與度、壓力和專注力等認知狀態對小至 5 至 7 歲的兒童進行分組方面的效用，以判斷增強現實環境中活動的有效性。
上圖：(A) 腦電圖可用於測量高中課堂中學生的腦電波（源自：Dikker 等人 [4]）。 (B) 學生的腦電波可能與其他學生表現出高度同步，這在課堂上參與度較高的學生中被發現（左）。與其他學生的低同步（右）則出現在參與度較低的學生中。
優化學習環境
不僅教育材料的內容很重要，我們學習的時間和地點對於確保學生獲得良好的學習體驗也同樣重要。研究人員測量了不同課堂時間的 alpha 波水平，發現上午中段的高中課程顯示出比清晨更少的 alpha 波，並建議上午中段可能是最佳的學習時間 [4]。
無線腦電圖也被用於比較真實環境與虛擬環境，展示了在兩種環境中提供同等水平的專注力和動力的能力 [5]。這可以為因身體殘疾而無法親自到校上課的人鋪平一條通往更豐富學習體驗的道路。研究人員還利用腦電圖對課堂上的社交動態進行了研究。可以對配戴腦電圖耳機的一組學生在共同學習過程中的神經活動同步程度進行評估 [6][7]。這種收集腦電圖數據的方法稱為EEG hyperscanning，是向實時推斷群體專注力和改善課堂社交動態邁出的一步。
讓每個人都能接受教育
某些身體或感官障礙可能會限制學生在課堂上的學習體驗。然而，有一些基於腦電圖的工具正在改善學生的體驗。脑机接口（BCI）技術的進步使基於腦電圖的打字成為可能 [8][9]，這有助於有身體不便的學生在學習時，利用其計算設備進行大腦思考記筆記。支持基於腦電圖回答是非題的 BCI 還使視力障礙學生能夠使用計算機化考試進行評估，否則這需要面試官的面試 [10]。
個性化學習體驗
為學生提供私人導師可能費用昂貴，但當普通教育系統在應對獨特學習需求方面裝備不足時，這往往是必要的。智能導師系統（ITS）是一類以人工智能為後盾、可充當私人導師的計算機化學習軟件。
這些系統的目的是進行適應並向學生提供實時的個性化反饋，以增進他們的學習。研究人員目前正通過將其與脑电图相結合來推進 ITS 系統。在其中一項研究中，研究人員使用腦電圖來檢測學生對不同類型教育視頻（動畫內容與有真人教師的視頻）的參與度，這允許 ITS 學習並自動生成學生會覺得更有趣的內容。
當你從教學過程中移除人為因素時，在使用計算機化學習程序時追踪學生的認知負荷以防止壓力和屏幕疲勞變得越來越重要。為了應對這一挑戰，研究人員開發了一個基於腦電圖數據的面部表情數據庫，能主動檢測學生在使用 ITS 時是感到無聊、投入、興奮還是沮喪 [11]。
這一腦電圖的發展為 ITS 系統不斷學習和適應個體學生鋪平了道路；通過在他們疲勞時建議休息，或者在他們專注時繼續教學，為學生提供更有效的學習體驗。
上圖：紐約大學（NYU）BrainWaves 項目的學生在戴著 Emotiv 腦電圖大腦技術設備時玩遊戲。
EEG 作為 STEM 學習工具
Emotiv 腦電圖設備和軟件易於使用，也是啟發下一代科學、技術、工程和數學（STEM）科學家的卓越入門工具。
Emotiv 設備和軟件目前正用於大學本科生課程，不僅在心理學和神經科學領域，也在生物醫學工程領域。Kurent 展示了將 Emotiv EPOC 設備整合到高中和大學階段教育過程中的成功範例，以推動 BCI 設備的進步。Kosmayana 等人發現，在學校課程中加入 EEG-BCI 系統可以提高學術表現。麥考瑞大學（Macquarie University）已經展示了成功將 Emotiv 設備納入其認知與大腦科學學士課程，讓學生在實驗設計和腦電圖數據分析方面獲得實踐經驗 [14]。
此外，White-Foy 展示了小至 12 歲的兒童就能成功學習 BCI 技術並建立小規模的腦電圖研究項目 [13]。學生們利用網絡資源將一台 Emotiv Insight 設備集成到樹莓派（Raspberry Pi，一種微型計算機）上，該設備將腦電圖轉化為指令，以控制遙控星際大戰玩具（BB-8）並導航其穿過迷宮。
上圖：中學 NeuroLab。11-18 歲的學生將樹莓派和 BB-8 機器人與 Emotiv 設備集成，並使用意念控制指令導航 BB-8 穿過迷宮（經 NeuroLabs 許可共享）
我們可以看到，低成本、移動式的 Emotiv 腦電圖設備不僅為教育工作者提供了提升教育項目質量以提供卓越內容的方法，而且結合 BCI 的發展，還能為有獨特需求的人士提供豐富的教育環境。
Emotiv 如何提供幫助
使用 Emotiv EEG Lab Starter Kits 改善您學生的學習體驗。
使用 EmotivPRO Builder 構建實驗並分析數據。
啟動遠程實驗以在 EmotivLABS 上獲取數據。
使用我們的開源數據集。
需要幫助？與我們聯繫
封面圖片來源：Trevor Day School
參考文獻
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.
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
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
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
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
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
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
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
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
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
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
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
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/
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.
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.
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.
教育是我們社會的基石，而提供豐富的學習環境對於社會進步至關重要。教育神經科學是一個快速發展的跨學科領域，旨在了解教學與學習的神經機制。
在過去的二十年裡，便攜式脑电图（EEG）技術的進步使研究人員能夠在課堂和線上學習（e-learning）中使用腦電圖耳機，為學生創造最佳的學習環境 [1]。在本文中，我們將探討 Emotiv 的腦電圖耳機如何被用於改變我們的教學與學習方式。
優化教育內容
設計具吸引力的教育內容需要學生持續的主觀反饋。傳統上，確定課程內容的有效性是通過課程結束後的自我報告反饋評估來完成的。
然而，由於依賴主觀記憶，通常很難準確判斷教學過程中的哪些方面可以改進。由於其高時間解析度（即在毫秒級別測量大腦反應的能力），腦電圖（EEG）能夠索引前意識過程，否則這些過程在僅靠自我報告評估時是無法被察覺的。在優化課程內容時，最實用的指標是專注力水平和認知負荷——一種衡量大腦為了保留信息而付出的努力程度的指標。專注力通常是通過分析有人在學習時在腦電圖中觀察到的不同腦電波來測量的，例如 alpha 波（通常與感到疲勞相關）和 beta 波（通常與警覺或專注相關）的水平。認知負荷是一個更複雜的指標，也可以用不同水平的 alpha 和 theta 波來索引。
研究人員已經開發出使用腦電圖監測專注力的系統，從而可以評估整個課程中的專注力水平。Zhou 等人成功展示了一個實時系統，該系統可以監測參與大型開放式線上課程（MOOCs）的線上學習學生的認知負荷，這為實時優化課程內容鋪平了道路 [2]。
輕鬆分析認知狀態
如在以往研究中所見，測量認知狀態可能需要一些技術技巧和專業知識。幸運的是，數據科學的進步現在使我們能夠使用預建的算法來測量認知狀態，而只需極少的技術專業知識。Emotiv 能夠使用Performance Metrics：開發用於識別不同大腦狀態的機器學習算法，包括腦電圖中的專注、興奮、參與度、挫折感、壓力和放鬆。
這些算法是通過旨在引發特定認知狀態的受控實驗構建的，對於優化教育內容非常有用。這些 Emotiv Performance Metrics 已被用於比較遊戲化學習與傳統紙筆學習，儘管該研究顯示這兩種學習方法之間的認知狀態沒有差異 [3]。其他研究人員展示了 Performance Metrics 在根據參與度、壓力和專注力等認知狀態對小至 5 至 7 歲的兒童進行分組方面的效用，以判斷增強現實環境中活動的有效性。
上圖：(A) 腦電圖可用於測量高中課堂中學生的腦電波（源自：Dikker 等人 [4]）。 (B) 學生的腦電波可能與其他學生表現出高度同步，這在課堂上參與度較高的學生中被發現（左）。與其他學生的低同步（右）則出現在參與度較低的學生中。
優化學習環境
不僅教育材料的內容很重要，我們學習的時間和地點對於確保學生獲得良好的學習體驗也同樣重要。研究人員測量了不同課堂時間的 alpha 波水平，發現上午中段的高中課程顯示出比清晨更少的 alpha 波，並建議上午中段可能是最佳的學習時間 [4]。
無線腦電圖也被用於比較真實環境與虛擬環境，展示了在兩種環境中提供同等水平的專注力和動力的能力 [5]。這可以為因身體殘疾而無法親自到校上課的人鋪平一條通往更豐富學習體驗的道路。研究人員還利用腦電圖對課堂上的社交動態進行了研究。可以對配戴腦電圖耳機的一組學生在共同學習過程中的神經活動同步程度進行評估 [6][7]。這種收集腦電圖數據的方法稱為EEG hyperscanning，是向實時推斷群體專注力和改善課堂社交動態邁出的一步。
讓每個人都能接受教育
某些身體或感官障礙可能會限制學生在課堂上的學習體驗。然而，有一些基於腦電圖的工具正在改善學生的體驗。脑机接口（BCI）技術的進步使基於腦電圖的打字成為可能 [8][9]，這有助於有身體不便的學生在學習時，利用其計算設備進行大腦思考記筆記。支持基於腦電圖回答是非題的 BCI 還使視力障礙學生能夠使用計算機化考試進行評估，否則這需要面試官的面試 [10]。
個性化學習體驗
為學生提供私人導師可能費用昂貴，但當普通教育系統在應對獨特學習需求方面裝備不足時，這往往是必要的。智能導師系統（ITS）是一類以人工智能為後盾、可充當私人導師的計算機化學習軟件。
這些系統的目的是進行適應並向學生提供實時的個性化反饋，以增進他們的學習。研究人員目前正通過將其與脑电图相結合來推進 ITS 系統。在其中一項研究中，研究人員使用腦電圖來檢測學生對不同類型教育視頻（動畫內容與有真人教師的視頻）的參與度，這允許 ITS 學習並自動生成學生會覺得更有趣的內容。
當你從教學過程中移除人為因素時，在使用計算機化學習程序時追踪學生的認知負荷以防止壓力和屏幕疲勞變得越來越重要。為了應對這一挑戰，研究人員開發了一個基於腦電圖數據的面部表情數據庫，能主動檢測學生在使用 ITS 時是感到無聊、投入、興奮還是沮喪 [11]。
這一腦電圖的發展為 ITS 系統不斷學習和適應個體學生鋪平了道路；通過在他們疲勞時建議休息，或者在他們專注時繼續教學，為學生提供更有效的學習體驗。
上圖：紐約大學（NYU）BrainWaves 項目的學生在戴著 Emotiv 腦電圖大腦技術設備時玩遊戲。
EEG 作為 STEM 學習工具
Emotiv 腦電圖設備和軟件易於使用，也是啟發下一代科學、技術、工程和數學（STEM）科學家的卓越入門工具。
Emotiv 設備和軟件目前正用於大學本科生課程，不僅在心理學和神經科學領域，也在生物醫學工程領域。Kurent 展示了將 Emotiv EPOC 設備整合到高中和大學階段教育過程中的成功範例，以推動 BCI 設備的進步。Kosmayana 等人發現，在學校課程中加入 EEG-BCI 系統可以提高學術表現。麥考瑞大學（Macquarie University）已經展示了成功將 Emotiv 設備納入其認知與大腦科學學士課程，讓學生在實驗設計和腦電圖數據分析方面獲得實踐經驗 [14]。
此外，White-Foy 展示了小至 12 歲的兒童就能成功學習 BCI 技術並建立小規模的腦電圖研究項目 [13]。學生們利用網絡資源將一台 Emotiv Insight 設備集成到樹莓派（Raspberry Pi，一種微型計算機）上，該設備將腦電圖轉化為指令，以控制遙控星際大戰玩具（BB-8）並導航其穿過迷宮。
上圖：中學 NeuroLab。11-18 歲的學生將樹莓派和 BB-8 機器人與 Emotiv 設備集成，並使用意念控制指令導航 BB-8 穿過迷宮（經 NeuroLabs 許可共享）
我們可以看到，低成本、移動式的 Emotiv 腦電圖設備不僅為教育工作者提供了提升教育項目質量以提供卓越內容的方法，而且結合 BCI 的發展，還能為有獨特需求的人士提供豐富的教育環境。
Emotiv 如何提供幫助
使用 Emotiv EEG Lab Starter Kits 改善您學生的學習體驗。
使用 EmotivPRO Builder 構建實驗並分析數據。
啟動遠程實驗以在 EmotivLABS 上獲取數據。
使用我們的開源數據集。
需要幫助？與我們聯繫
封面圖片來源：Trevor Day School
參考文獻
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.
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
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
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
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
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
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
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
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
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
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
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
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/
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.
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.
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.
繼續閱讀