Enhancing Accessibility in Education Through Brain–Computer Interfaces: A Scoping Review on Inclusive Learning Approaches
Notice bibliographique
Résumé
Brain–computer interfaces (BCIs) hold promise in enhancing accessibility in education by enabling students with physical disabilities to interact with digital learning environments without barriers. However, no comprehensive review has explored the landscape and role of BCIs in inclusive learning. Hence, this review sets out to identify relevant literature on BCI-based educational technologies, highlight their key themes, characteristics, and research methodologies, and identify research gaps. The secondary aim is to evaluate how these educational technologies contribute to inclusive learning frameworks by fostering communication, collaboration, engagement, and accessibility among students with disabilities. Overall, the reviewed studies demonstrate that BCIs can facilitate assistive communication among non-verbal students and provide motor control support for physically impaired persons. While these interventions show strong potential, challenges remain, including high implementation costs, user adaptability, and ethical concerns related to neural data privacy. Specifically, there is a need to (1) shift from experimental applications towards real-world classroom integration by developing user-friendly, cost-effective, and ethically sound BCI-based educational technologies, and (2) extend ongoing research efforts to include underserved populations to assess the generalizability of current and future BCI-based interventions. More importantly, future work should focus on enhancing BCI usability, improving adaptability for diverse learners, and establishing ethical guidelines for the development of socially responsible and inclusive neuro-educational technologies for all people with disabilities everywhere. This will go a long way in fostering the fourth and tenth United Nations Sustainable Development Goals of Quality Education and Reduced Inequalities, respectively.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,013 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».