Plataforma EEG para la monitorización grupal de la atención en entornos de enseñanza

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.

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.