如何使用腦電圖創造最佳學習環境
Roshini Randeniya 博士
更新於
2024年9月11日
如何使用腦電圖創造最佳學習環境
Roshini Randeniya 博士
更新於
2024年9月11日
如何使用腦電圖創造最佳學習環境
Roshini Randeniya 博士
更新於
2024年9月11日
教育是我們社會的基石，提供豐富的學習環境對社會進步至關重要。教育神經科學是一個快速發展的跨學科領域，旨在了解教學和學習的神經機制。
在過去的二十年裡，便攜式腦電圖（EEG）技術的進步使研究人員能夠在課堂和線上學習中使用腦電圖耳機，為學生創造最佳的學習環境 [1]。在本文中，我們將探討如何使用 Emotiv 的腦電圖耳機來改變我們的教學和學習方式。
優化教育內容
設計引人入勝的教育內容需要學生不斷提供主觀反饋。傳統上，確定課程內容有效性的做法是在課程結束時透過自我報告的反饋措施來進行。
然而，由於依賴主觀記憶，通常很難準確判斷出課程講授的哪些方面可以改進。由於腦電圖具有很高的時間解析度（即在毫秒級別測量大腦反應的能力），它能夠指標化前意識過程，否則僅憑自我報告測量是無法檢測到的。在優化課程內容時，最實用的指標是注意力水平和認知負荷——衡量大腦為保留資訊所付出的努力。注意力通常是透過分析某人在學習時在腦電圖中觀察到的不同腦電波來衡量的，例如 alpha 波（通常與疲勞有關）和 beta 波（通常與警覺或專注有關）的水平。認知負荷是一項更複雜的指標，也可以用不同的 alpha 波和 theta 波水平來指標化。
研究人員開發了配備腦電圖的系統，可以監測注意力，從而評估整個課程中的注意力水平。Zhou 等人成功展示了一個即時系統，該系統可以監測參與大規模開放式線上課程（MOOCs）的線上學習學生的認知負荷，這為即時優化課程內容鋪平了道路 [2]。
分析認知狀態變得簡單
正如在先前這些研究所表明的那樣，測量認知狀態可能需要一些技術技能和專業知識。幸運的是，數據科學的進步現在使我們能夠使用預建的演算法來測量認知狀態，而所需的技術專業知識極少。Emotiv 能夠使用性能指標 (Performance Metrics)：開發用於識別不同大腦狀態的機器學習演算法，包括腦電圖中的專注、興奮、參與、挫折、壓力和放鬆。
這些演算法是利用旨在激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 性能指標已被用於比較遊戲化學習與傳統的紙筆學習，儘管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性能指標在根據參與度、壓力和專注等認知狀態，對 5 至 7 歲的年幼兒童進行分組的實用性，以判定增強現實環境中活動的有效性。
上方：(A) 腦電圖可用於測量高中課堂中學生的腦電波（摘自：Dikker et al. [4]）。 (B) 學生的腦電波可以與其他學生表現出高度的同步性，這在課堂參與度更高的學生中被發現（左）。與其他學生同步性較低（右）在參與度較低的學生中被發現。
改善學習環境
不僅教育內容重要，我們在何時何地學習對於確保學生擁有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的 alpha 波比清晨更少，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與虛擬環境，展示了在兩種環境中提供同等注意力水平和積極性的能力 [5]。這可以為無法親自到校上課的身心障礙人士鋪平通往更富足學習體驗的道路。研究人員還使用腦電圖對課堂上的社交動態進行了研究。可以對一組佩戴腦電圖耳機的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]。這種腦電圖數據收集方法稱為腦電圖超掃描 (EEG hyperscanning)，是向即時推斷群體注意力並改善課堂社交動態邁出的一步。
讓每個人都能接受教育
一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。大腦-電腦介面 (BCI) 技術的進步實現了基於腦電圖的打字 [8][9]，這有助於有身體障礙的學生在學習時，在他們的計算裝置上記錄思想筆記。使基於腦電圖的“是-否”型問題回答成為可能的 BCI，也允許使用電腦化考試來評估視力障礙學生，否則這將需要面試官 [10]。
個性化學習體驗
為學生提供私人導師可能代價高昂，但當普通教育系統配備不足、無法應對獨特的學習需求時，這通常是必要的。智能導師系統 (ITS) 是一類以人工智能為後盾、可充當私人導師的電腦化學習軟件。
這些系統的目的是適應並為學生提供即時的個性化反饋，以增強他們的學習。研究人員目前正透過將 ITS 系統與腦電圖結合來對其進行推進。在一項研究中，研究人員利用腦電圖來檢測學生對不同類型教育影片（動畫內容與真人教師影片）的參與度，這使 ITS 能夠學習並自動生成學生會更感興趣的內容。
當您從教學過程中移除人為因素時，在使用電腦化學習程式時追蹤學生的認知負荷，以防止壓力和螢幕疲勞，就變得越來越重要。為了解決這個問題，研究人員基於腦電圖數據開發了一個面部表情數據庫，該數據庫可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]。
這項腦電圖的發展為 ITS 系統持續學習和適應個別學生的需求鋪平了道路；透過在他們疲勞時建議休息，或在他們投入時繼續教學，為學生提供更有效的學習體驗。
上方：紐約大學 (NYU) BrainWaves 項目的學生在佩戴 Emotiv 腦電圖大腦技術的同時進行遊戲。
將腦電圖作為 STEM 學習工具
Emotiv 的腦電圖設備及軟件易於使用，也是啟發下一代科學、技術、工程和數學 (STEM) 科學家的優秀入門工具。
Emotiv 的設備和軟件目前正用於大學本科階段的課程，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，以促進 BCI 設備的發展。Kosmayana 等人發現，在學校課程中納入 EEG-BCI 系統可以提高學業成績。麥考瑞大學 (Macquarie University) 已經展示了在其認知與大腦科學學士課程中成功納入 Emotiv 設備，讓學生獲得實驗設計和腦電圖數據分析的實踐經驗 [14]。
此外，White-Foy 表明，年僅 12 歲的兒童也能成功學習 BCI 技術並建立小型腦電圖研究項目 [13]。學生們利用網絡資源向微型電腦 (Raspberry Pi) 整合了一台 Emotiv Insight 設備，該設備將腦電圖轉換為指令，以控制《星球大戰》的遙控玩具 (BB-8) 並引導其穿過迷宮。
上方：中學 NeuroLab。11-18 歲的學生將 Raspberry Pi 和 BB-8 機器人與 Emotiv 設備相整合，並使用心理指令控制 BB-8 穿過迷宮（已獲得 NeuroLabs 的授權分享）
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、傳授卓越內容的方法，而且結合 BCI 的發展，還提議為具有獨特需求的人群提供豐富的教育環境。
EMOTIV 如何提供幫助
使用 Emotiv EEG Lab 入門套件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？聯絡我們
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，提供豐富的學習環境對社會進步至關重要。教育神經科學是一個快速發展的跨學科領域，旨在了解教學和學習的神經機制。
在過去的二十年裡，便攜式腦電圖（EEG）技術的進步使研究人員能夠在課堂和線上學習中使用腦電圖耳機，為學生創造最佳的學習環境 [1]。在本文中，我們將探討如何使用 Emotiv 的腦電圖耳機來改變我們的教學和學習方式。
優化教育內容
設計引人入勝的教育內容需要學生不斷提供主觀反饋。傳統上，確定課程內容有效性的做法是在課程結束時透過自我報告的反饋措施來進行。
然而，由於依賴主觀記憶，通常很難準確判斷出課程講授的哪些方面可以改進。由於腦電圖具有很高的時間解析度（即在毫秒級別測量大腦反應的能力），它能夠指標化前意識過程，否則僅憑自我報告測量是無法檢測到的。在優化課程內容時，最實用的指標是注意力水平和認知負荷——衡量大腦為保留資訊所付出的努力。注意力通常是透過分析某人在學習時在腦電圖中觀察到的不同腦電波來衡量的，例如 alpha 波（通常與疲勞有關）和 beta 波（通常與警覺或專注有關）的水平。認知負荷是一項更複雜的指標，也可以用不同的 alpha 波和 theta 波水平來指標化。
研究人員開發了配備腦電圖的系統，可以監測注意力，從而評估整個課程中的注意力水平。Zhou 等人成功展示了一個即時系統，該系統可以監測參與大規模開放式線上課程（MOOCs）的線上學習學生的認知負荷，這為即時優化課程內容鋪平了道路 [2]。
分析認知狀態變得簡單
正如在先前這些研究所表明的那樣，測量認知狀態可能需要一些技術技能和專業知識。幸運的是，數據科學的進步現在使我們能夠使用預建的演算法來測量認知狀態，而所需的技術專業知識極少。Emotiv 能夠使用性能指標 (Performance Metrics)：開發用於識別不同大腦狀態的機器學習演算法，包括腦電圖中的專注、興奮、參與、挫折、壓力和放鬆。
這些演算法是利用旨在激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 性能指標已被用於比較遊戲化學習與傳統的紙筆學習，儘管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性能指標在根據參與度、壓力和專注等認知狀態，對 5 至 7 歲的年幼兒童進行分組的實用性，以判定增強現實環境中活動的有效性。
上方：(A) 腦電圖可用於測量高中課堂中學生的腦電波（摘自：Dikker et al. [4]）。 (B) 學生的腦電波可以與其他學生表現出高度的同步性，這在課堂參與度更高的學生中被發現（左）。與其他學生同步性較低（右）在參與度較低的學生中被發現。
改善學習環境
不僅教育內容重要，我們在何時何地學習對於確保學生擁有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的 alpha 波比清晨更少，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與虛擬環境，展示了在兩種環境中提供同等注意力水平和積極性的能力 [5]。這可以為無法親自到校上課的身心障礙人士鋪平通往更富足學習體驗的道路。研究人員還使用腦電圖對課堂上的社交動態進行了研究。可以對一組佩戴腦電圖耳機的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]。這種腦電圖數據收集方法稱為腦電圖超掃描 (EEG hyperscanning)，是向即時推斷群體注意力並改善課堂社交動態邁出的一步。
讓每個人都能接受教育
一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。大腦-電腦介面 (BCI) 技術的進步實現了基於腦電圖的打字 [8][9]，這有助於有身體障礙的學生在學習時，在他們的計算裝置上記錄思想筆記。使基於腦電圖的“是-否”型問題回答成為可能的 BCI，也允許使用電腦化考試來評估視力障礙學生，否則這將需要面試官 [10]。
個性化學習體驗
為學生提供私人導師可能代價高昂，但當普通教育系統配備不足、無法應對獨特的學習需求時，這通常是必要的。智能導師系統 (ITS) 是一類以人工智能為後盾、可充當私人導師的電腦化學習軟件。
這些系統的目的是適應並為學生提供即時的個性化反饋，以增強他們的學習。研究人員目前正透過將 ITS 系統與腦電圖結合來對其進行推進。在一項研究中，研究人員利用腦電圖來檢測學生對不同類型教育影片（動畫內容與真人教師影片）的參與度，這使 ITS 能夠學習並自動生成學生會更感興趣的內容。
當您從教學過程中移除人為因素時，在使用電腦化學習程式時追蹤學生的認知負荷，以防止壓力和螢幕疲勞，就變得越來越重要。為了解決這個問題，研究人員基於腦電圖數據開發了一個面部表情數據庫，該數據庫可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]。
這項腦電圖的發展為 ITS 系統持續學習和適應個別學生的需求鋪平了道路；透過在他們疲勞時建議休息，或在他們投入時繼續教學，為學生提供更有效的學習體驗。
上方：紐約大學 (NYU) BrainWaves 項目的學生在佩戴 Emotiv 腦電圖大腦技術的同時進行遊戲。
將腦電圖作為 STEM 學習工具
Emotiv 的腦電圖設備及軟件易於使用，也是啟發下一代科學、技術、工程和數學 (STEM) 科學家的優秀入門工具。
Emotiv 的設備和軟件目前正用於大學本科階段的課程，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，以促進 BCI 設備的發展。Kosmayana 等人發現，在學校課程中納入 EEG-BCI 系統可以提高學業成績。麥考瑞大學 (Macquarie University) 已經展示了在其認知與大腦科學學士課程中成功納入 Emotiv 設備，讓學生獲得實驗設計和腦電圖數據分析的實踐經驗 [14]。
此外，White-Foy 表明，年僅 12 歲的兒童也能成功學習 BCI 技術並建立小型腦電圖研究項目 [13]。學生們利用網絡資源向微型電腦 (Raspberry Pi) 整合了一台 Emotiv Insight 設備，該設備將腦電圖轉換為指令，以控制《星球大戰》的遙控玩具 (BB-8) 並引導其穿過迷宮。
上方：中學 NeuroLab。11-18 歲的學生將 Raspberry Pi 和 BB-8 機器人與 Emotiv 設備相整合，並使用心理指令控制 BB-8 穿過迷宮（已獲得 NeuroLabs 的授權分享）
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、傳授卓越內容的方法，而且結合 BCI 的發展，還提議為具有獨特需求的人群提供豐富的教育環境。
EMOTIV 如何提供幫助
使用 Emotiv EEG Lab 入門套件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？聯絡我們
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，提供豐富的學習環境對社會進步至關重要。教育神經科學是一個快速發展的跨學科領域，旨在了解教學和學習的神經機制。
在過去的二十年裡，便攜式腦電圖（EEG）技術的進步使研究人員能夠在課堂和線上學習中使用腦電圖耳機，為學生創造最佳的學習環境 [1]。在本文中，我們將探討如何使用 Emotiv 的腦電圖耳機來改變我們的教學和學習方式。
優化教育內容
設計引人入勝的教育內容需要學生不斷提供主觀反饋。傳統上，確定課程內容有效性的做法是在課程結束時透過自我報告的反饋措施來進行。
然而，由於依賴主觀記憶，通常很難準確判斷出課程講授的哪些方面可以改進。由於腦電圖具有很高的時間解析度（即在毫秒級別測量大腦反應的能力），它能夠指標化前意識過程，否則僅憑自我報告測量是無法檢測到的。在優化課程內容時，最實用的指標是注意力水平和認知負荷——衡量大腦為保留資訊所付出的努力。注意力通常是透過分析某人在學習時在腦電圖中觀察到的不同腦電波來衡量的，例如 alpha 波（通常與疲勞有關）和 beta 波（通常與警覺或專注有關）的水平。認知負荷是一項更複雜的指標，也可以用不同的 alpha 波和 theta 波水平來指標化。
研究人員開發了配備腦電圖的系統，可以監測注意力，從而評估整個課程中的注意力水平。Zhou 等人成功展示了一個即時系統，該系統可以監測參與大規模開放式線上課程（MOOCs）的線上學習學生的認知負荷，這為即時優化課程內容鋪平了道路 [2]。
分析認知狀態變得簡單
正如在先前這些研究所表明的那樣，測量認知狀態可能需要一些技術技能和專業知識。幸運的是，數據科學的進步現在使我們能夠使用預建的演算法來測量認知狀態，而所需的技術專業知識極少。Emotiv 能夠使用性能指標 (Performance Metrics)：開發用於識別不同大腦狀態的機器學習演算法，包括腦電圖中的專注、興奮、參與、挫折、壓力和放鬆。
這些演算法是利用旨在激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 性能指標已被用於比較遊戲化學習與傳統的紙筆學習，儘管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性能指標在根據參與度、壓力和專注等認知狀態，對 5 至 7 歲的年幼兒童進行分組的實用性，以判定增強現實環境中活動的有效性。
上方：(A) 腦電圖可用於測量高中課堂中學生的腦電波（摘自：Dikker et al. [4]）。 (B) 學生的腦電波可以與其他學生表現出高度的同步性，這在課堂參與度更高的學生中被發現（左）。與其他學生同步性較低（右）在參與度較低的學生中被發現。
改善學習環境
不僅教育內容重要，我們在何時何地學習對於確保學生擁有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的 alpha 波比清晨更少，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與虛擬環境，展示了在兩種環境中提供同等注意力水平和積極性的能力 [5]。這可以為無法親自到校上課的身心障礙人士鋪平通往更富足學習體驗的道路。研究人員還使用腦電圖對課堂上的社交動態進行了研究。可以對一組佩戴腦電圖耳機的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]。這種腦電圖數據收集方法稱為腦電圖超掃描 (EEG hyperscanning)，是向即時推斷群體注意力並改善課堂社交動態邁出的一步。
讓每個人都能接受教育
一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。大腦-電腦介面 (BCI) 技術的進步實現了基於腦電圖的打字 [8][9]，這有助於有身體障礙的學生在學習時，在他們的計算裝置上記錄思想筆記。使基於腦電圖的“是-否”型問題回答成為可能的 BCI，也允許使用電腦化考試來評估視力障礙學生，否則這將需要面試官 [10]。
個性化學習體驗
為學生提供私人導師可能代價高昂，但當普通教育系統配備不足、無法應對獨特的學習需求時，這通常是必要的。智能導師系統 (ITS) 是一類以人工智能為後盾、可充當私人導師的電腦化學習軟件。
這些系統的目的是適應並為學生提供即時的個性化反饋，以增強他們的學習。研究人員目前正透過將 ITS 系統與腦電圖結合來對其進行推進。在一項研究中，研究人員利用腦電圖來檢測學生對不同類型教育影片（動畫內容與真人教師影片）的參與度，這使 ITS 能夠學習並自動生成學生會更感興趣的內容。
當您從教學過程中移除人為因素時，在使用電腦化學習程式時追蹤學生的認知負荷，以防止壓力和螢幕疲勞，就變得越來越重要。為了解決這個問題，研究人員基於腦電圖數據開發了一個面部表情數據庫，該數據庫可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]。
這項腦電圖的發展為 ITS 系統持續學習和適應個別學生的需求鋪平了道路；透過在他們疲勞時建議休息，或在他們投入時繼續教學，為學生提供更有效的學習體驗。
上方：紐約大學 (NYU) BrainWaves 項目的學生在佩戴 Emotiv 腦電圖大腦技術的同時進行遊戲。
將腦電圖作為 STEM 學習工具
Emotiv 的腦電圖設備及軟件易於使用，也是啟發下一代科學、技術、工程和數學 (STEM) 科學家的優秀入門工具。
Emotiv 的設備和軟件目前正用於大學本科階段的課程，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，以促進 BCI 設備的發展。Kosmayana 等人發現，在學校課程中納入 EEG-BCI 系統可以提高學業成績。麥考瑞大學 (Macquarie University) 已經展示了在其認知與大腦科學學士課程中成功納入 Emotiv 設備，讓學生獲得實驗設計和腦電圖數據分析的實踐經驗 [14]。
此外，White-Foy 表明，年僅 12 歲的兒童也能成功學習 BCI 技術並建立小型腦電圖研究項目 [13]。學生們利用網絡資源向微型電腦 (Raspberry Pi) 整合了一台 Emotiv Insight 設備，該設備將腦電圖轉換為指令，以控制《星球大戰》的遙控玩具 (BB-8) 並引導其穿過迷宮。
上方：中學 NeuroLab。11-18 歲的學生將 Raspberry Pi 和 BB-8 機器人與 Emotiv 設備相整合，並使用心理指令控制 BB-8 穿過迷宮（已獲得 NeuroLabs 的授權分享）
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、傳授卓越內容的方法，而且結合 BCI 的發展，還提議為具有獨特需求的人群提供豐富的教育環境。
EMOTIV 如何提供幫助
使用 Emotiv EEG Lab 入門套件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？聯絡我們
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.
