Beyin aktivitesi bir kavramı ne kadar iyi anladığınızı ölçmek için kullanılabilir

TM Dijital Haber Merkezi

Dartmouth kolejinde bulunana araştırmacılar, öğrencilerin bir kavramı ne kadar iyi anlayabildiğini ölçmek için beyin aktivite modellerine dayalı kullanılabilecek bir makine öğrenme algoritması geliştirdi.

 Okulda öğrenilen bilgilerin beyinde nasıl temsil edildiğini öğrenmeyi amaçlayan çalışmada araştırmacılar, fen bilimleri, teknoloji, mühendislik ve matematik (STEM) kavram bilgisini test etmek amacıyla, öğrenicilerin bilgi ve beyin aktivitelerini kavramlar öğrenilirken ve test edilirken inceledi ve sonra kavramsal anlayışlarını değerlendirmek için yeni bir yöntem geliştirdi.

Dartmouth College'da eğitim doçenti olan kıdemli yazar David Kraemer, “STEM konularını öğrenmek heyecan verici ama aynı zamanda oldukça zor olabilir. Ancak, öğrenme süreci boyunca, öğrenciler birçok karmaşık kavram hakkında zengin bir anlayış geliştirir. Muhtemelen, bu edinilen bilgilerin beyin aktivitesinin yeni modellerine yansıtılması gerekir. Şu anda beynin bu kadar karmaşık ve soyut bilgiyi nasıl desteklediğine dair ayrıntılı bir anlayışımız yok, bu yüzden çalışmaya karar verdik. "dedi.

Yirmi sekiz Dartmouth öğrencisi çalışmaya katıldı. Öğrenciler mühendislik öğrencileri ve acemiler olarak iki eşit gruba ayrıldı.  Mühendislik öğrencileri en az bir makine mühendisliği dersi ve ileri bir fizik dersi alırken, acemiler hiçbir üniversite seviyesinde mühendislik veya fizik dersi almamışlardı. Çalışma, yapıların nasıl inşa edildiğine ve katılımcıların Newton'un üçüncü yasasını anlamalarını değerlendirmeye odaklanan üç testten oluşuyordu.

Çalışmanın başlangıcında, katılımcılara makine mühendisliğindeki farklı kuvvet türlerine kısa bir genel bakış sunuldu. Bir fMRI (Fonksiyonel manyetik rezonans görüntüleme, beyin aktivitesini ölçer.) tarayıcısında, gerçek dünya yapılarının (köprüler, sokak lambaları, binalar gibi) görüntüleri ile sunuldu ve belirli bir yapıdaki kuvvetlerin yapıyı dengede tutmak için nasıl dengelendiğini düşünmeleri istendi. Daha sonra, katılımcılara aynı yapının ardından, kuvvetleri temsil eden okların yapı üzerine bindirildiği bir imaj göstermeleri istendi. Katılımcılardan Newton kuvvetlerinin bu diyagramda doğru bir şekilde etiketlenip etiketlenmediklerini belirlemeleri istendi. Mühendislik öğrencileri diyagramların yüzde 75'ini doğru cevapladı ve yüzde 53,6'sını doğru cevaplayan acemilerden daha iyi performans gösterdi.

FMRI oturumundan önce, katılımcılardan diğer makine mühendisliği ve fizik bilgisini ölçen iki standartlaştırılmış, çoktan seçmeli testi tamamlamaları istendi. Her iki sınavda da, mühendislik öğrencileri yüzde 16,2'ye karşı yüzde 50,2 ve yüzde 35,9'a karşı yüzde 79,3 ile acemilere göre daha yüksek puan aldılar.

Bilişsel sinirbilimde, bilginin beyinde nasıl depolandığına dair araştırmalar genellikle bir grup içindeki katılımcılar arasında ortalama verilere dayanır ve sonuçları başka bir gruptan elde edilen sonuçlarla karşılaştırır (örneğin uzmanlar ve acemiler gibi). Bu çalışma için Dartmouth araştırmacıları, katılımcının hangi grubun bir parçası olduğunu belirtmek zorunda kalmadan, sadece beyin aktivitesine dayalı bireysel bir "nöral skor" oluşturabilen, veri odaklı bir yöntem geliştirmek istedi. Ekip, belirli bir STEM kavramlarının bilgisini sınayarak "performanstaki bireysel farklılıkları önemli ölçüde tahmin eden sinirsel puanlar üreten" bir makine öğrenme algoritması olan bilgi ağ analizi adı verilen yeni bir yöntem geliştirdi. Nöral skor yöntemini doğrulamak için, araştırmacılar her öğrenciyi karşılaştırdılar.

Kraemer, "Araştırmada, mühendislik öğrencileri gerçek dünyadaki yapıların görüntülerine baktıklarında, öğrencilerin mühendislik bilgilerini otomatik olarak uygulayabileceklerini ve konsollar, makas ya da dikey yükler gibi yapılar arasındaki farkları görebileceklerini bulduk" dedi.

Kraemer devamında, “Beyin aktivite düzenlerindeki benzerliklere dayanarak, makine öğrenme algoritması yöntemimiz bu mekanik kategoriler arasındaki farkları ayırt edebildi ve bu temel bilgiyi yansıtan sinirsel bir puan üretebildi." ifadesini kullandı.

Çalışmada, hem mühendislik öğrencileri hem de acemiler, mühendislik hakkında kavram bilgisi uygularken görsel korteksi benzer şekilde kullanırken, aynı görsel imgeyi işlemek için beynin geri kalanını çok farklı kullandıklarını buldu.

Daha önce yapılan araştırmalarla tutarlı olarak, sonuçlar, mühendislik öğrencilerinin kavramsal bilgisinin, mekansal bilişi mümkün kılan yardımcı dorsal frontoparietal ağı ve görsel obje tanımada yer alan ventral oksipitotemporal korteks bölgeleri dahil olmak üzere, birkaç beyin bölgesindeki aktivite modelleriyle ilişkili olduğunu göstermiştir.

Bilgi ağı analizi, farklı öğretim yaklaşımlarının etkinliğini değerlendirmek için kullanılabileceğinden daha geniş uygulamalara da sahip olabilir. Araştırma ekibi şu anda, her iki yaklaşımın da zaman içinde daha iyi öğrenmeye ve bilginin kalmasına yol açıp açmadığını belirlemek için uygulamalı laboratuvarlar ile sanal laboratuvarlar arasındaki karşılaştırmayı test ettiğini açıkladı.

Bulgular Nature Communications'da yayımlandı.