En el campo de la educación, los especialistas están investigando activamente y discutiendo ampliamente la cuestión de cómo apoyar de manera óptima a los estudiantes durante el proceso de aprendizaje. La versatilidad del problema del aprendizaje personalizado efectivo, junto con la profundidad de las preguntas sobre el trabajo de la cognición, determina la posición actual de las instituciones educativas y la posición de los sistemas educativos (muy deplorable).
¿Cómo puede brindar un apoyo estudiantil eficaz?
Lo primero que viene a la mente y parece más o menos obvio para quienes participan en la discusión (así como para los observadores) es que el resultado del aprendizaje es más significativo si el programa y el contenido de capacitación están dirigidos a las necesidades específicas del alumno. Sencillo, pero el problema de enseñar "lo incorrecto" es relevante en todo momento. Es interesante, por cierto, en cuántos lugares específicamente ustedes, que están leyendo este post ahora, ya han tenido que olvidar lo que enseñaron en la escuela / lugar anterior y volver a capacitarse.
En segundo lugar, para obtener el apoyo más óptimo de los intentos de aprendizaje del estudiante, la complejidad adecuada del contenido es extremadamente importante .: no demasiado fácil, pero tampoco demasiado difícil. Para que haya un equilibrio entre el compromiso y la fatiga que lo mantenga motivado para aprender. Más científicamente, para un aprendizaje exitoso, es importante mantener la carga cognitiva del alumno dentro del intervalo óptimo para un alumno en particular .
¿Cómo logras este tipo de personalización?
La forma tradicional de optimizar la carga cognitiva es adaptar la complejidad del contenido de aprendizaje a las competencias individuales del alumno.
Figura: 1 . Un programa de asistente informático que gamifica el aprendizaje y adapta contenidos educativos para el alumno.
Al mismo tiempo, el uso de asistentes digitales: computadoras, tabletas, teléfonos inteligentes es el más adecuado para implementar la adaptabilidad y la implementación especializada de dicho soporte de capacitación. Los entornos informáticos de información pueden ampliarse con bastante facilidad mediante algoritmos que cambian la complejidad del material presentado en función de las reacciones y respuestas de comportamiento del alumno. Esta "adaptabilidad" es capaz de ofrecer una personalización sencilla del entorno de aprendizaje a las necesidades del usuario, que es la clave para un aprendizaje más eficaz.
¿Cómo funciona ahora la adaptabilidad de los servicios educativos?
Por el momento, los entornos de aprendizaje asistidos por computadora se adaptan a un usuario específico en función de las respuestas de comportamiento y los resultados anteriores, por ejemplo, en función del número de respuestas correctas, la proporción entre respuestas correctas e incorrectas, seguimiento de progreso, tiempo dedicado a una tarea u otras métricas similares. ...
Figura: 2 . La estructura fundamental de los sistemas de aprendizaje adaptativo basados en modelar el comportamiento del estudiante, ideas sobre el campo del conocimiento y un modelo de adaptación que los conecta. Lea más sobre esto en la fuente .
Si lo piensa, queda claro que tales parámetros "de comportamiento" en el corazón de la personalización son en su mayoría medidas "indirectas", por lo tanto, la precisión proporcionada por este enfoque es a menudo extremadamente baja.
Así, por ejemplo, una gran cantidad de errores al aprobar la prueba, cometidos por un estudiante en una fila, pueden ser causados fácilmente no por la prueba en sí, por su complejidad, sino por procesos inespecíficos como pérdida de concentración, implicación, estado psicofisiológico o reacciones emocionales durante las tareas.
¿Pueden las nuevas tecnologías venir al rescate?
Revelación
. , , .
En el aprendizaje intervienen varios procesos neurocognitivos como, por ejemplo, la memoria, la percepción, la atención, etc., que subyacen a la cognición y, de hecho, son responsables del resultado de la actividad educativa. Por lo tanto, el acceso directo a la información sobre estos procesos (por ejemplo, su seguimiento), así como la capacidad de gestionarlos, puede proporcionar nuevas herramientas en el aprendizaje personalizado y llevar las prácticas educativas a un nivel fundamentalmente nuevo.
La información sobre los procesos cognitivos está oculta, por supuesto, en la actividad del cerebro. Sin embargo, de manera bastante profunda y encubierta, todavía se puede encontrar y extraer de los indicadores neurofisiológicos registrados.
Figura: 3. , . - .
?
Con la aparición y el desarrollo de interfaces cerebro-computadora, dispositivos que conectan directamente el cerebro humano y una computadora (y por lo tanto el cerebro y cualquier dispositivo del Internet de las cosas), permitiendo la transmisión de señales cerebrales en señales de control de dispositivos físicos o de información, así como con el desarrollo de métodos. Análisis de datos complejos, está surgiendo una nueva tecnología que permite extraer y utilizar información sobre los procesos neurocognitivos individuales en curso en el aprendizaje y la construcción de entornos de aprendizaje.
Figura: 4 . Un modelo de la interfaz "cerebro-computadora", que pocas personas estarían de acuerdo en usar (debido a su invasividad: el electrodo se inserta directamente en el tejido cerebral). Leer más en la fuente .
Se puede acceder a la actividad cerebral de varias formas. Entre otros, la electroencefalografía (EEG) es el método más utilizado para medir la actividad cerebral. Las señales se leen usando electrodos ubicados en diferentes partes separadas en la superficie de la cabeza (de manera no invasiva, no como en la imagen de arriba), amplificados y transmitidos a una computadora. La siguiente figura muestra un ejemplo de un sistema que registra señales eléctricas débiles provenientes del cerebro desde la superficie de la cabeza.
Figura: 5 . Dispositivo de laboratorio para leer señales bioeléctricas del cerebro (izquierda) y su "análogo" que no es de laboratorio, desarrollado por una joven empresa rusacombinado con un casco de realidad virtual (derecha). Los electrodos están resaltados en rosa en la imagen.
Muchos de ustedes probablemente hayan visto estos sombreros de aspecto extravagante con toneladas de cables provenientes de diferentes lugares y conectados a la caja con el encefalograma. Sin embargo, no todos saben que la dirección asociada con la transición de tales dispositivos a interfaces amigables para el consumidor se está desarrollando activamente, y muchas empresas extranjeras y rusas están involucradas en el desarrollo de dispositivos que son convenientes para que los use una amplia audiencia para medir la actividad cerebral. ...
Volvamos a las señales cerebrales. ¿Qué tan fuertes son? ¿Qué y cómo puedes hacer con ellos?
Las señales de sensor sin procesar son ruidosas, complejas, no estacionarias y grandes. Por lo tanto, pasan por el proceso de procesamiento primario: preprocesamiento, incluido el filtrado, después de lo cual se vuelven adecuados para la extracción de componentes individuales, que pueden usarse posteriormente como señales de control. Se utilizan varios métodos de aprendizaje automático para procesar las lecturas de los sensores. Dichos métodos suelen requerir una cierta cantidad de datos para entrenar los algoritmos: han sido preprocesados, sometidos a marcado manual para entender dónde está escrito y la posibilidad de asignarlos a una clase particular mediante etiquetas especializadas.
A partir de estos datos y las etiquetas correspondientes, los algoritmos aprenden a encontrar patrones en la nueva información que se lee y los clasifican.así como construir modelos predictivos para predecir a qué clase pertenecerán los nuevos puntos de datos.
Figura: 6 . Clasificación de señales sin el uso de métodos informáticos modernos.
Controlar y resaltar patrones es claro. ¿Cómo usarlo en educación?
Las BCI (interfaces cerebro-computadora) tradicionales permiten comunicarse con una computadora o controlarla mediante la actividad cerebral, dividida por algoritmos en varias clases. Las modificaciones posteriores de las neurointerfaces permiten extraer con la misma eficacia cierta información sobre el usuario mismo (por supuesto, con su consentimiento, y ¡atención! Esto no es lectura de la mente), para evaluar sus estados mentales (por ejemplo, carga cognitiva, estado emocional, nivel de atención). / vigilancia).
De esta forma, con la ayuda del BCI y la computadora, es posible realizar un seguimiento y retroalimentación con la presentación de información sobre el funcionamiento del cerebro que es útil para el usuario. Además, dado que las neurointerfaces permiten evaluar los procesos cognitivos, incluso en tiempo real, el uso de BCI es capaz de implementar un seguimiento implícito más astuto y preciso (en comparación con los métodos indirectos que subyacen a los sistemas tradicionales de aprendizaje adaptativo) del estado del estudiante y así contribuir a una mejor adaptación contenido educativo para mejorar el éxito del proceso educativo.
Muchos estudios dirigidos a medir la carga cognitiva, realizados por diferentes grupos de científicos, han demostrado repetidamente cómo se puede medir la cantidad de carga cognitiva usando EEG.
Figura: 7. Experimento de la empresa BrainCo en la escuela china. Un dispositivo que monitorea la concentración del estudiante en la escuela. China está activamente interesada en la eficacia del aprendizaje.
Este tema merece una revisión por separado. Aquí solo diré que los principales parámetros para la retroalimentación del EEG suelen ser cambios en las amplitudes asociadas con eventos potenciales u oscilaciones específicas (ritmos), registrados, por ejemplo, como un cambio en la potencia de la señal en ciertos rangos de frecuencia al resolver problemas aritméticos, con mayor atención (concentración) o al contrario, relajación.
Efectos similares de la carga de trabajo, extraídos y clasificados en el EEG, pueden ser detectados por el BCI y utilizados para adaptar el entorno de aprendizaje.
¿Entonces esto es tecnología? Vamos a usar
- Bueno, sí, sí. Probemos ...
Los avances actuales en inteligencia artificial, el aprendizaje por refuerzo utilizando señales neuronales, junto con las tecnologías de interfaz cerebro-computadora, pueden proporcionar una mejor comprensión del funcionamiento del cerebro del estudiante, así como utilizar métricas individuales en la construcción de entornos informáticos de inmersión adaptativa para un aprendizaje personalizado efectivo.
El uso de interfaces neurocomputadoras, que se están desarrollando activamente ahora, tiene el potencial de llevar el aprendizaje personalizado a un nuevo nivel, aumentando la calidad, la eficiencia del proceso educativo y el disfrute del mismo, mejorando significativamente los enfoques tradicionales de aprendizaje adaptativo.
Por supuesto, no todas las interfaces neuronales le permiten hacer lo que está escrito anteriormente, sin embargo, los dispositivos que realmente funcionan ya están apareciendo activamente en el mercado.
Díganos en los comentarios si le gustaría probar estos dispositivos usted mismo.