在線上學習環境下以腦波資料偵測認知負荷之研究

Mental Effort Detection Using EEG Data in E-learning Contexts

高千敏(Chien-Min Kao)

指導教授 ： 林福仁

國立清華大學/科技管理學院/服務科學研究所/碩士(2015年)

摘要

在網際網路盛行下，線上學習已經是一個普遍的學習模式。大規模網路公開課程（MOOCs）是線上學習中的熱門議題，其公開且透過網路教授課程的特性，使大量的人數可以同時註冊一門課，如何了解學生的學習狀態並據以改善他們在學習平台上的服務體驗變得重要。本研究利用資料探勘技術分類人腦電波資料，希望藉由偵測使用者於線上學習時的腦波狀態，準確分類是否對於課程不理解，讓授課者和使用者可以據以調整學習內容並增進學習成效。本研究採用商業型腦波儀器，測試32個受試者在觀看線上學習影片時的腦波資料，並以兩種資料集、兩種正規化方式、兩種時間窗口、兩種類別標記方式組合，產生的十六個資料模型，訓練並測試決策樹、支援向量機、類神經網路三種分類器，以分類準確度、精確度和查全率來衡量分類結果。本研究測試的結果，產生了一個比過去精確度更高的腦波分類器來分辨學習的狀態我們認為這個研究提供了一個可以應用在真實情境的良好的資料處理方式，可以輔助使用者和授課者在線上學習的過程當中了解不理解之處並據以改進，以提高學習成效。

關鍵字

大規模網路公開課程 ； 腦電圖 ； 決策樹 ； 支援向量機 ； 類神經網路

並列摘要

E-learning becomes an alternative learning mode since the prevalence of the Internet. Especially, the advance of MOOC (Massive Open Online Course) technology enabled a course to accommodate tens of thousands of online learners. How to improve learners’ online learning experiences on MOOC platforms becomes a crucial task for platform providers. This research adopts EEG technology to detect learners’ learning states while they are watching videos in online e-learning activities, hoping to improve their learning outcomes. In this research, we built a system to capture and tag the mental states while subjects are watching online videos and use different normalization methods and time windows to process the data obtained from EEG devices. Finally, we used different supervised learning algorithms to train and test the classifiers and evaluate the results. The results proved that we provide an efficient data processing way to train classifiers and obtain the high accuracy rate comparing with that of previous researches. We consider this system can facilitate users’ self-awareness of learning states in an efficient way while they are in online e-learning activities, and improve their experiences in MOOC platforms.

並列關鍵字

MOOC (Massive Open Online Course) ； EEG ； Data Mining ； Supervised Learning ； Classification Tree ； SVM ； Neural Network

參考文獻

Yoon, H., Park, S. W., Lee, Y. K., & Jang, J. H. (2013, October). Emotion recognition of serious game players using a simple brain computer interface. In ICT Convergence (ICTC), 2013 International Conference on (pp. 783-786). IEEE.

Mostow, J., Chang, K. M., & Nelson, J. (2011, January). Toward exploiting EEG input in a reading tutor. In Artificial Intelligence in Education (pp. 230-237). Springer Berlin Heidelberg.

Srinivasan, R. (1999). Methods to improve the spatial resolution of EEG. International Journal of Bioelectromagnetism, 1(1), 102-111.

Rangaswamy, M., Porjesz, B., Chorlian, D. B., Wang, K., Jones, K. A., Bauer, L. O., ... & Begleiter, H. (2002). Beta power in the EEG of alcoholics. Biological psychiatry, 52(8), 831-842.

Cahn, B. R., & Polich, J. (2006). Meditation states and traits: EEG, ERP, and neuroimaging studies. Psychological bulletin, 132(2), 180.