Pull to refresh

Интерфейсы «мозг — компьютер» в образовании

Reading time 7 min
Views 3K


В области образования в настоящее время специалистами активно исследуется и широко обсуждается вопрос о способах оптимальной поддержки обучающихся во время процесса обучения. Многогранность проблемы эффективного персонализированного обучения вместе с глубиной вопросов о работе познания обуславливает текущие позиции образовательных институтов и положение образовательных систем (весьма плачевное).

Каким образом можно обеспечить эффективную поддержку обучающихся?


Первое, что приходит на ум и кажется более-менее очевидным для участвующих в обсуждении (а также наблюдающих), — результат обучения наиболее существенный в том случае, если программа обучения и контент направлены на специфические нужды обучающегося. Просто, но проблема обучения «не тому» оказывается актуальной во все времена. Интересно, кстати, в скольких местах конкретно конкретно вам, читающему(ей) сейчас этот пост уже приходилось забывать то, чему учили в школе / предыдущем месте, и переучиваться.

Второе — для наиболее оптимальной поддержки попыток обучающегося к познанию крайне важна подходящая сложность контента: не слишком просто, но и не чересчур сложно. Так, чтобы соблюдался баланс между вовлеченностью и усталостью, сохраняющий мотивацию к обучению. Выражаясь более научно: для успешного обучения важно поддерживать когнитивную нагрузку (cognitive load) обучающегося в рамках оптимального для конкретного ученика интервала.

Как достичь такой персонализации?


Традиционным способом оптимизировать когнитивную нагрузку является адаптация сложности обучающего контента к индивидуальным компетенциям обучающегося.


Рис. 1. Компьютерная программа-ассистент, геймифицирующая обучение и адаптирующая образовательный контент под ученика.

При этом для внедрения адаптивности и специализированной реализации такой поддержки обучения лучше всего подходит использование цифровых ассистентов: компьютеров, планшетов, смартфонов. Компьютерные информационные среды могут быть довольно легко расширены алгоритмами, изменяющими сложность представляемого материала в зависимости от поведенческих реакций и ответов ученика. Такая «адаптивность» способна предложить несложную персонализацию обучающего окружения к нуждам пользователя, которая является ключом к более эффективному обучению.

Как работает адаптивность образовательных сервисов сейчас?


На данный момент поддерживаемые с помощью компьютерных программ обучающие окружения подстраиваются под конкретного пользователя на основании поведенческих реакций и прошлых результатов — например, основываясь на количестве правильных ответов, соотношении между правильными и неправильными ответами, треке прогресса, времени, затрачиваемом на задание, или других подобных метриках.


Рис. 2. Принципиальное устройство адаптивных систем обучения, основанных на моделировании поведения ученика, представлениях об области знания и адаптационной моделью, связывающей их. Подробнее об этом — в источнике.

Если задуматься, становится понятным, что подобные «поведенческие» параметры в основе персонализации — это в большей степени «непрямые» измерения, поэтому и точность, обеспечиваемая данным подходом, зачастую оказывается крайне невысокой.

Так, например, большое количество ошибок при прохождении тестирования, допускаемое учеником подряд, запросто может быть вызвано не самим тестом, его сложностью, но неспецифическими процессами, такими как потеря концентрации, вовлеченности, психофизиологическим состоянием или эмоциональными реакциями во время выполнения заданий.

Может ли новая технология прийти на помощь?


Спойлер
Само собой. Про это, в общем, и пост.

В обучение вовлечен ряд нейрокогнитивных процессов, таких как, например, память, восприятие, внимание и др., которые лежат в основе познания и, по сути, отвечают за результат образовательной деятельности. Поэтому прямой доступ к информации об этих процессах (например, их мониторинг), а также возможность управления ими способны дать новые инструменты в персонализированном обучении и вывести образовательные практики на принципиально новый уровень.

Информация о когнитивных процессах спрятана, конечно, в активности головного мозга. Довольно глубоко и завуалированно, однако все же может быть найдена и извлечена из записанных нейрофизиологических показателей.


Рис. 3. Записанная электрическая активность головного мозга с датчиков, расположенных на разных участках головы. Где-то здесь информация о протекающих когнитивных процессах.

Как добраться до спрятанной в активности мозга информации и когнитивных процессах?


С появлением и развитием интерфейсов «мозг — компьютер» — устройств, напрямую связывающих головной мозг человека и компьютер (а значит — мозг и любое устройство интернета вещей), позволяющих транслировать сигналы мозга в контрольные сигналы физических или информационных устройств, — а также с развитием методов анализа сложных данных проявляется новая технология, которая дает возможность извлекать и использовать информацию о происходящих индивидуальных нейрокогнитивных процессах в обучении и построении обучающих окружений.


Рис. 4. Модель интерфейса «мозг — компьютер», которым мало кто согласится пользоваться (ввиду его инвазивности: электрод вводится прямо в ткань мозга). Подробнее — в источнике.

Доступ к мозговой активности может обеспечиваться разными способами. Среди прочих электроэнцефалография (ЭЭГ) — наиболее широко распространенный метод измерения активности головного мозга. Сигналы считываются с помощью электродов, расположенных в отдельных разных частях на поверхности головы (неинвазивно, не как на рисунке выше), усиливаются и передаются на компьютер. На рисунке ниже приведен пример системы, которая позволяет записывать слабые электрические сигналы, идущие от головного мозга с поверхности головы.


Рис. 5. Лабораторное устройство считывания биоэлектрических сигналов мозга (cлева) и его нелабораторный «аналог», разработанный одной молодой российской компанией, совмещенный с VR-шлемом (справа). Розовым на картинке подсвечены электроды.

Многие из вас наверняка видели подобные экстравагантно выглядящие шапочки с массой проводов, идущих от разных мест и подключаемых к коробке с энцефалографом. Однако не все знают, что в настоящее время активно развивается направление, связанное с переходом от таких девайсов к user-friendly консьюмерским эверидэй-интерфейсам, и многие зарубежные, а также и российские компании занимаются разработкой удобных для использования широкой аудиторией устройств для измерения активности головного мозга.

Вернемся к сигналам мозга. Насколько они сильны? Что и как с ними можно делать?


Сырые сигналы с сенсоров шумны, сложны, нестационарны и имеют большую размерность. Поэтому они проходят процесс первичной обработки — препроцессинга, включающего фильтрацию, после чего становятся пригодными для экстрагирования отдельных компонентов, которые могут в дальнейшем использоваться в качестве контрольных сигналов. Для обработки показаний датчиков используются различные методы машинного обучения. Такие методы обычно требуют определенного количества данных для тренировки алгоритмов: прошедших препроцессинг, подвергнутых ручной разметке для понимания того, где что написано, и возможности отнесения к тому или иному классу по специализированным меткам.

Основываясь на этих данных и соответствующих метках, алгоритмы учатся находить паттерны в считываемой новой информации и классифицировать их, а также строить предиктивные модели, позволяющие предсказывать, к какому классу будут принадлежать новые точки данных.


Рис. 6. Классификация сигналов без использования современных компьютерных методов.

С контролем и выделением паттернов понятно. Как это использовать в образовании?


Традиционные BCI (Brain-computer interfaces) дают возможность коммуницировать с компьютером или контролировать его с помощью использования активности мозга, разделенной алгоритмами на несколько классов. Более поздние модификации нейроинтерфейсов позволяют так же эффективно экстрагировать некоторую информацию о самом пользователе (конечно, при его согласии, и — внимание! — это не чтение мыслей), оценивать его/ее ментальные состояния (напр., когнитивную нагрузку, эмоциональное состояние, уровень внимания / бдительность).

Таким образом, с помощью BCI и компьютера становится возможно осуществлять мониторинг и обратную связь с представлением информации о функционировании головного мозга, полезной для пользователя. Кроме этого, поскольку нейроинтерфейсы позволяют оценивать когнитивные процессы, в том числе в реальном времени, использование ИМК способно осуществить более хитрое и точное (по сравнению с непрямыми методами, лежащими в основе традиционных систем адаптивного обучения) неявное отслеживание состояния учащегося и тем самым способствовать лучшей адаптации учебного контента для повышения успешности образовательного процесса.

Многие исследования, направленные на измерение когнитивной нагрузки, сделанные разными группами ученых, неоднократно демонстрировали, как количество когнитивной нагрузки может быть измерено с помощью ЭЭГ.


Рис. 7. Эксперимент компании BrainCo в китайской школе. Прибор, отслеживающий концентрацию ученика на учебе. Китай активно интересуется эффективностью обучения.

Эта тема заслуживает отдельного обзора. Здесь скажу только, что основными параметрами для ЭЭГ-фидбэка обычно являются изменения амплитуд, связанных с событиями потенциалов или специфическими колебаниями (ритмами), фиксируемые — например как изменение мощности сигналов в определенных частотных диапазонах при решении арифметических задач — при повышении внимания (концентрации) или, наоборот, релаксации.

Подобные эффекты рабочей нагрузки, экстрагируемые и классифицируемые в ЭЭГ, могут обнаруживаться с помощью BCI и использоваться для адаптации учебной среды.

Так вот она — технология? Давайте использовать?


— Ну, так, да. Давайте попробуем...

Текущие достижения областей искусственного интеллекта, обучения с подкреплением с использованием нейрональных сигналов вместе с технологиями мозг-компьютерных интерфейсов способны обеспечить лучшее понимание функционирования головного мозга учащегося, а также использовать индивидуальные показатели при построении адаптивных иммерсионных компьютерных сред для эффективного персонализированного обучения.

Применение нейрокомпьютерных интерфейсов, активно развивающихся в настоящее время, имеет потенциал вывести персонализированное обучение на новый уровень, повысив качество, эффективность процесса образования и удовольствие от него, значительно улучшив традиционные подходы адаптивного обучения.

Конечно, не каждый нейроинтерфейс в действительности позволяет сделать то, о чем написано выше, однако девайсы, которые действительно работают, уже активно появляются на рынке.

Расскажите в комментариях, если хотели бы опробовать такие устройства на себе.
Tags:
Hubs:
+2
Comments 31
Comments Comments 31

Articles