@misc{10481/94702,
year = {2024},
url = {https://hdl.handle.net/10481/94702},
abstract = {Existen varios aspectos en la educación que preocupan a la comunidad educativa,
como son el medir objetivamente el nivel de atención que prestan los estudiantes durante
el transcurso de una clase, la detección temprana de estudiantes con dificultades de
aprendizaje (DA) o el bajo rendimiento académico. Históricamente, la evaluación de la
atención del alumnado se ha realizado a través de la mera observación por parte del
docente. Sin embargo, este método, aunque acertado en la mayoría de las ocasiones, es
subjetivo, y es muy difícil de aplicar en entornos de aprendizaje online. La
electroencefalografía (EEG) es una técnica que se ha usado ampliamente para estudiar
estados cognitivos y mentales de las personas, como la atención, el estrés, el cansancio o
la somnolencia, y su uso podría desempeñar un papel relevante en este contexto. El
objetivo principal de esta tesis, de carácter netamente interdisciplinar, es el de desarrollar
una plataforma docente, novedosa y basada en el registro de la actividad cerebral
mediante EEG capaz de evaluar de forma inmediata la atención de los estudiantes en
clase, ya sea presencial u online, de manera objetiva. Además, este sistema EEG debe ser
vestible, no invasivo en el contexto docente, de fácil despliegue para docentes y alumnos
y de bajo coste. Para validar la plataforma EEG se ha realizado un estudio en una clase
real con estudiantes de secundaria. El estudio tenía como primer objetivo demostrar que
dicha plataforma es posible, fiable y robusta, y que se puede desplegar de manera sencilla
en un entorno realista. Para ello, se registró el EEG de múltiples estudiantes
simultáneamente mientras realizaban una tarea evaluable durante una clase. Los
resultados mostraron la existencia de una correlación sencilla entre la onda cerebral beta
(asociada con la atención), y el rendimiento académico. El segundo objetivo fue el estudio
de viabilidad del uso de la plataforma para la detección adecuada de estudiantes con algún
tipo de DA. Usando modelos de Machine Learning (ML) o Inteligencia Artificial (IA),
encontramos evidencias que apuntan que nuestra plataforma puede ser efectiva y
conveniente a la hora de detectar síntomas de DA en estudiantes de secundaria de manera
temprana. Por último, se aplicaron modelos de ML como Máquinas de Vectores de
Soporte (SVM), Random Forest (RF), Redes Neuronales (RN) o Regresión Logística
(RL), para construir un sistema de predicción de aprobados y suspensos de una tarea de
evaluación, obteniendo una exactitud del 100% para el conjunto de datos disponible.
Estos resultados demuestran la utilidad de la plataforma como herramienta educativa,
ofreciendo retroalimentación valiosa y objetiva en tiempo real a los docentes, mejorando
la efectividad en los procesos de enseñanza-aprendizaje, tanto en los entornos
presenciales como en línea.},
abstract = {There are several aspects in education that concern the educational community, such
as objectively measuring the level of attention students pay during the course of a class,
early detection of students with learning difficulties (LD) or low academic performance.
Historically, the assessment of student attention has been carried out through mere
observation by the teacher. However, this method, although accurate most of the time, is
subjective and is very difficult to apply in online learning environments.
Electroencephalography (EEG) is a technique that has been widely used to study
cognitive and mental states of people, such as attention, stress, fatigue, or drowsiness, and
its use could play a significant role in this context. The main objective of this
interdisciplinary thesis is to develop an innovative teaching platform based on EEG brain
activity recording capable of immediately evaluating students' attention in class, whether
in-person or online, objectively. Additionally, this EEG system must be wearable, noninvasive
in the educational context, easy to deploy for teachers and students, and costeffective.
To validate the platform, a study was conducted in a real classroom with high
school students. The study's first objective was to demonstrate that such a platform is
feasible, reliable, and robust, and that it can be easily deployed in a realistic setting. For
this purpose, EEG recordings of multiple students were made while they performed an
evaluative task during a class. The results showed a simple correlation between beta brain
waves (associated with attention) and academic performance. The second objective was
to study the feasibility of using the platform for the proper detection of students with some
form of LD. Using Machine Learning (ML) or Artificial Intelligence (AI) models, we
found evidence suggesting that our platform can be effective and convenient for early
detection of LD symptoms in high school students. Lastly, ML techniques such as Support
Vector Machines (SVM), Random Forest (RF), Neural Networks (NN), or Logistic
Regression (LR) were applied to build a prediction system for students' academic
performance based on the information generated by our platform, achieving 100%
accuracy in predicting students who pass or fail a task. These results demonstrate the
utility of the platform as an educational tool, providing valuable and objective real-time
feedback to teachers, enhancing the effectiveness of teaching-learning processes, both in
face-to-face and online environments.},
organization = {Tesis Univ. Granada.},
publisher = {Universidad de Granada},
title = {Plataforma EEG para la monitorización grupal de la atención en entornos de enseñanza},
author = {Fuentes-Martínez, Víctor Juan},
}