“We wilden een manier van leren bouwen die de leerervaring optimaliseert aan de hand van de gevoelens en prestaties van elke individuele leerling. We keken daarvoor naar alle mogelijke signalen: iemands gezichtsuitdrukking, lichaamshouding, manier van spreken, of de opdrachten goed gemaakt worden… MaTHiSiS moest bovendien op zo veel mogelijk soorten apparaten werken, van klassieke computers tot aan robots”, zegt Dr. Stelios Asteriadis, associate professor bij het Department of Data Science and Knowledge Engineering (DKE).

“Onze taak was om al die verschillende signalen te combineren, en om de geautomatiseerde herkenning van gezichtsuitdrukkingen op te zetten. We maakten het ook mogelijk om met kunstmatige intelligentie simpele handelingen te koppelen aan emoties. Tegelijkertijd zorgden we dat al die gegevens konden worden gebruikt om de leerervaring zo goed mogelijk te maken.”

Het herkennen van emoties is in de dagelijkse praktijk lastiger dan het lijkt. “Vergeet niet dat verschillende mensen hun emoties op verschillende manieren uiten. Zelfs als het om dezelfde persoon gaat, kan het van dag tot dag verschillen. De ene dag laat ik mijn emoties op een bepaalde manier zien, maar de volgende dag ben ik chagrijnig en komt het er anders uit. Voor een machine is dat een heel lastig probleem.”

Een tweede uitdaging schuilt in het feit dat mensen de hele dag door leren. “Tegenwoordig zijn we omringd door social media en allerlei soorten apparaten. We leren de hele tijd, zelfs wanneer we ons er niet bewust van zijn.” Dingen leren die je al weet is niet motiverend, en door al die informele leermomenten verschilt de hoeveelheid voorkennis enorm. Ook dit pleit voor een gepersonaliseerde aanpak.

“Stel, je wil wiskunde onderwijzen”, zegt Dr. Asteriadis. “Je moet iemand dan leren optellen, delen, vermenigvuldigen enzovoort.” Door deze concepten in een vaste volgorde te onderwijzen, riskeer je verveling bij leerlingen die bepaalde dingen al kunnen. Het MaTHiSiS-team koos daarom voor een non-lineaire manier van leren. “We deelden het lesmateriaal op in kleine brokken, zodat het algoritme makkelijk van het ene naar het andere concept kan overspringen. Het algoritme bepaalt de uiteindelijke lesstof op basis van je emoties en je prestaties. Onze groep in Maastricht was ook verantwoordelijk voor het inbouwen van dat aanpassingsvermogen.”

Maar… Wacht, dit werkt best goed

MaTHiSiS werd uitgebreid getest in vijf Europese landen, waarbij speciale aandacht uitging naar leerlingen met een beperking. “De resultaten waren erg bemoedigend. We hebben onder andere de motivatie van leerlingen vergeleken met de emoties die het algoritme aflas, en vonden een correlatie.” Het algoritme kan, simpel gezegd, inderdaad op basis van emoties afleiden of iemand betrokken is bij de lesstof. “Pedagogen hebben ook leerprestaties vergeleken met en zonder MaTHiSiS, en met en zonder emotieherkenning. We onderzoeken nu de mogelijkheden om het systeem te verfijnen, hergebruiken en testen in andere omgevingen.”