Μια τάξη γεμάτη μαθητές να φορούν μια συσκευή στο κεφάλι που μοιάζει με ένα ζευγάρι ακουστικών, αλλά στην ουσία χρησιμεύει για να καταγράφει τα εγκεφαλικά κύματα των παιδιών καθώς εκείνα μαθαίνουν, μοιάζει με σκηνή από ταινία επιστημονικής φαντασίας.
Ωστόσο κάτι τέτοιο δεν απέχει πολύ από πραγματικότητα αφού ερευνητές από το Εργαστήριο Βιοπληροφορικής και Ανθρώπινης Ηλεκτροφυσιολογίας (BiHELab) του Ιονίου Πανεπιστημίου έχουν ήδη αναπτύξει ένα τέτοιο προηγμένο υπολογιστικό ‘εργαλείο’ που έχει ως βασικό στόχο να υποστηρίξει την “εκπαίδευση ακριβείας”.
Συγκεκριμένα πρόκειται για μια φορητή συσκευή Ηλεκτροεγκεφαλογραφίας (που μοιάζει με ακουστικά κεφαλής) η οποία ‘προδίδει’ τα συναισθήματα αυτών που τη φορούν την ώρα που εκείνοι αλληλεπιδρούν με ένα tablet. Στην ίδια συσκευή ενσωματώνεται και ένας eye tracker (οφθαλμικός ανιχνευτής) για να αναλύει την κατεύθυνση και την κίνηση του βλέμματος των μαθητών, καθώς και ένα ρολόι που χρησιμεύει ως activity tracker για να καταγράφει τη φυσική τους δραστηριότητα, συμπληρώνοντας το σύστημα ενός πλήρως ενισχυμένου εκπαιδευτικού περιβάλλοντος.
Οι Έλληνες ερευνητές του BiHELab, που ασχολούνται εδώ και καιρό με το πώς η τεχνολογία μπορεί να βελτιώσει την εκμάθηση, καταγράφοντας αυτά τα εγκεφαλικά σήματα σε πραγματικό χρόνο, μπορούν να «διαβάσουν» το πώς αισθάνεται κάποιος κατά τη διάρκεια μιας συγκεκριμένης μαθησιακής διαδικασίας, δηλαδή το πώς ανταποκρίνεται σε αυτήν. Και αυτό τουλάχιστον στην Ελλάδα υλοποιείται για πρώτη φορά.
Για παράδειγμα, αν η διαδικασία είναι πολύ δύσκολη και του προκαλεί άγχος, ίσως χρειάζεται απλοποίηση. Αντίθετα, αν είναι πολύ εύκολη μπορεί να του προκαλεί πλήξη και πρέπει να γίνει πιο δύσκολη. Σε αυτό το «διάβασμα» συμβάλει πολύ η ενσωμάτωση του eye tracker και του ρολογιού καταγραφέα δραστηριότητας γιατί προσφέρουν πρόσθετη ανάλυση της εστίασης της προσοχής, αλλά και του ρυθμού της σωματικής αντίδρασης που μπορεί να συνδέεται με τα επίπεδα του στρες ή με την αγωνία, προφέροντας πλήρη εικόνα του πως ανταποκρίνεται το άτομο στην εκπαιδευτική διαδικασία.
«Μέσω της ανάλυσης των εγκεφαλικών κυμάτων οι εκπαιδευτικοί μπορούν να παρατηρήσουν σε πραγματικό χρόνο πώς αντιδρά ο εγκέφαλος των παιδιών σε διάφορα εκπαιδευτικά ερεθίσματα. Μέσω αυτής της προσέγγισης μπορούν να διαπιστώσουν πού συγκεντρώνεται ο μαθητής ή πού βιώνει δυσκολίες, άγχος ή έλλειψη ενδιαφέροντος. Συνεπώς, αυτή η μεθοδολογία ανοίγει δρόμο στην εκπαιδευτική πρακτική προς την κατεύθυνση της “εκπαίδευσης ακριβείας”.
Ο στόχος είναι να αναγνωριστεί το μοναδικό μαθησιακό προφίλ κάθε μαθητή και να προσαρμοστεί η διδασκαλία αναλόγως, ώστε εκείνο να μάθει με τον πιο αποτελεσματικό και εξατομικευμένο τρόπο. Έτσι, η εκπαίδευση γίνεται πιο ευέλικτη και ανταποκρίνεται στις εξατομικευμένες ανάγκες και τον ρυθμό της μάθησης του κάθε μαθητή», σχολιάζει ο Επίκουρος Καθηγητής στο Τμήμα Πληροφορικής του Ιονίου Πανεπιστημίου και Πρόεδρος του Ινστιτούτου Εκπαιδευτικής Πολιτικής, Σπύρος Δουκάκης.
Συνδυάζοντας την τεχνητή νοημοσύνη με τις νευροεπιστήμες
Και μπορεί οι ερευνητές του BiHELab με τη χρήση του καινοτόμου εργαστηριακού τους εξοπλισμού, να αποκτούν μια πληροφόρηση σε βάθος για τον τρόπο λειτουργίας του μυαλού ενός μαθητή όταν εκείνος μαθαίνει κάτι νέο ή όταν ασχολείται με σχολικές εργασίες, εν τούτοις αντιμετωπίζουν αρκετές προκλήσεις αναφορικά με την ανάλυση των δεδομένων που παράγονται.
«Η δυσκολία ανάλυσης αυτών των δεδομένων πηγάζει από την ατελή τους δομή, από τον μεγάλο τους όγκο και από το γεγονός ότι πρέπει να ενοποιηθούν δεδομένα από διαφορετικές πηγές. Η λύση βρίσκεται στην τεχνητή νοημοσύνη, η οποία μας επιτρέπει να διαχειριστούμε αυτή την πολυπλοκότητα», σχολιάζει ο Επίκουρος Καθηγητής στο Τμήμα Πληροφορικής του Ιονίου Πανεπιστημίου, Αριστείδης Βραχάτης. Σύμφωνα με τον ίδιο, οι ερευνητές στο εργαστήριο BiHELab σχεδιάζουν και υλοποιούν δικά τους καινοτόμα ‘εργαλεία’ τεχνητής νοημοσύνης τα οποία κατατάσσουν τον κάθε μαθητή σε ένα συγκεκριμένο τύπο, για τον οποίο σχεδιάζεται και εφαρμόζεται μια προσαρμοσμένη μαθησιακή διαδρομή.
Συχνά οι εκπαιδευτικοί παρατηρούν ότι η διαδικασία μάθησης όχι μόνο διαφέρει από παιδί σε παιδί, αλλά και ότι εμφανίζει διακυμάνσεις. Αν υπήρχαν διαθέσιμα δεδομένα που να αποτυπώνουν τον τρόπο που τα παιδιά μαθαίνουν, τότε οι εκπαιδευτικοί θα μπορούσαν να προσαρμόσουν την διδασκαλία στις ανάγκες του κάθε παιδιού πιο εύκολα και πιο αποτελεσματικά.
Προς αυτή την κατεύθυνση ερευνητική ομάδα του Εργαστηρίου έχει αναπτύξει ολοκληρωμένα συστήματα αξιολόγησης της απόδοσης των μαθητών σε διάφορες εργασίες όπως είναι χρήση του GeoGebra στην κατανόηση μαθηματικών εννοιών, η επίδραση του ChatGPT στην κριτική σκέψη ή η χρήση συστημάτων διαχείρισης μάθησης όπως το Moodle.
«Εφαρμόζουμε τα εκπαιδευτικά μας μοντέλα που συνδυάζουν Νευροεπιστήμες και Τεχνητή Νοημοσύνη σε εθελοντές και εθελόντριες φοιτήτριες και φοιτητές του Τμήματος Πληροφορικής του Ιονίου Πανεπιστημίου-των οποίων η συνεισφορά είναι πολύτιμη-και ταξινομούμε τους χρήστες βάσει του τύπου μάθησης που ταιριάζει στις ανάγκες τους και της διδακτικής μεθόδου που είναι καταλληλότερη για την εκπαίδευσή τους», σχολιάζει ο Αναπληρωτής Καθηγητής στο Τμήμα Πληροφορικής του Ιονίου Πανεπιστημίου, Θεμιστοκλής Έξαρχος.
«Πιο συγκεκριμένα, με χρήση τεχνητής νοημοσύνης στα δεδομένα μπορέσαμε να εξαγάγουμε χρήσιμα συμπεράσματα και να δημιουργήσουμε διάφορα προφίλ χρηστών, τα οποία μπορούν να αξιοποιηθούν στο πλαίσιο της εξατομικευμένης μάθησης. Τα ευρήματα αυτής της ανάλυσης υπογραμμίζουν τις δυνατότητες της Nευροεκπαίδευσης στη βελτίωση της αποτελεσματικότητας των μαθητών και μπορούν να συνεισφέρουν στη λήψη αποφάσεων στις μονάδες εκπαίδευσης», συμπληρώνει ο ίδιος.
Πολλοί παραδέχονται ότι, ενώ οι δυνατότητες τεχνολογιών όπως των παραπάνω είναι συναρπαστικές, η υιοθέτηση τους στην τάξη είναι κάπως μακριά αν δει κάποιος και τα ποσοστά υιοθέτησης άλλων τεχνολογιών. Χρειάστηκε πολύς χρόνος για τα σχολεία να φτάσουν ακόμη και σε ένα tablet ή Chromebook, ενώ οι λύσεις AR και VR (επαυξημένης και εικονικής πραγματικότητας) που μπορούν επίσης να βοηθήσουν στη μάθηση εξακολουθούν να θεωρούνται πολυτέλεια. Εύλογα προκύπτει λοιπόν το ερώτημα πόσο καιρό θα χρειαστεί για να γίνει αποδεκτή αυτού του είδους η τεχνολογία που «παντρεύει» τη νευροεπιστήμη με την τεχνητή νοημοσύνη..
Την ίδια ώρα, η τεχνολογία που μπορεί να παράγει εξατομικευμένα προφίλ μάθησης, δεν αποκλείεται να θεωρηθεί από κάποιους ικανή να «παρακολουθεί» τους μαθητές και, αναμφίβολα, οι δάσκαλοι, οι μαθητές και οι γονείς θα εκφράσουν ανησυχίες.
«Δεν υπάρχει τέτοια περίπτωση! Οι αλγόριθμοι αναπτύχθηκαν με μοναδικό στόχο τη βελτίωση της διαδικασίας μάθησης σε εξατομικευμένο επίπεδο, προς όφελος των μαθητών», υποστηρίζει ο καθηγητής Έξαρχος.
Το «πάντρεμα» των νευροεπιστημών με την τεχνητής νοημοσύνη έχει τη δυναμική να μετασχηματίσει ριζικά την μαθησιακή διαδικασία προς την κατεύθυνση της “εκπαίδευση ακρίβειας”, αλλά η ενσωμάτωσή τους στο εκπαιδευτικό σύστημα της χώρας μας πιθανώς να αργήσει.
Ωστόσο, στο κοντινό ή μακρινό μέλλον, η ιδέα των μαθητών να φορούν αισθητήρες που καταγράφουν βιοσήματα θα μπορούσε να βγει από τη σφαίρα της επιστημονικής φαντασίας και να μπει σε μια τάξη δίπλα μας.
*Αξίζει να σημειωθεί ότι η πρώτη επίδειξη της παραπάνω τεχνολογίας από τους ερευνητές του BiHELab έλαβε χώρα στο πλαίσιο της 87ης ΔΕΘ τον περασμένο Σεπτέμβριο στη Θεσσαλονίκη.
