শিক্ষা আমাদের সমাজের একটি মৌলিক স্তম্ভ, এবং সামাজিক অগ্রগতির জন্য সমৃদ্ধ শিক্ষণ পরিবেশ প্রদান করা অপরিহার্য। শিক্ষাগত নিউরোসায়েন্স একটি দ্রুত বিকাশমান আন্তঃবিষয়ক ক্ষেত্র যা শিক্ষাদান এবং শেখার স্নায়বিক প্রক্রিয়াগুলি বোঝার লক্ষ্য রাখে।

গত দুই দশকে, পোর্টেবল EEG প্রযুক্তির অগ্রগতি গবেষকদের শ্রেণীকক্ষ এবং ই-লার্নিং উভয় ক্ষেত্রেই EEG হেডসেট ব্যবহার করতে সক্ষম করেছে যাতে শিক্ষার্থীদের জন্য সর্বোত্তম শেখার পরিবেশ তৈরি করা যায় [1]। এই নিবন্ধে, আমরা আলোচনা করব কীভাবে শিক্ষাদান এবং শেখার পদ্ধতি পরিবর্তনের জন্য Emotiv-এর EEG হেডসেটগুলি ব্যবহার করা হচ্ছে।

শিক্ষামূলক বিষয়বস্তুর সর্বোত্তম ব্যবহার

আকর্ষণীয় শিক্ষামূলক বিষয়বস্তু ডিজাইন করার জন্য শিক্ষার্থীদের কাছ থেকে ক্রমাগত বিষয়ভিত্তিক প্রতিক্রিয়ার প্রয়োজন হয়। ঐতিহ্যগতভাবে, একটি কোর্সের বিষয়বস্তুর কার্যকারিতা নির্ধারণ করা হয় একটি কোর্স শেষ হওয়ার পরে স্ব-প্রতিবেদনমূলক প্রতিক্রিয়ার ব্যবস্থার মাধ্যমে।

যাইহোক, মনোগত স্মৃতির ওপর নির্ভরশীলতার কারণে ঠিক কোন দিকগুলোর উন্নতি ঘটানো যেতে পারে তা সঠিকভাবে চিহ্নিত করা প্রায়ই কঠিন হয়ে দাঁড়ায়। এর উচ্চ সাময়িক মাত্রার বিশ্লেষণ ক্ষমতার কারণে (যেমন, মিলিসেকেন্ডের স্কেলে মস্তিষ্কের প্রতিক্রিয়া পরিমাপের ক্ষমতা), EEG প্রাক-সচেতন প্রক্রিয়াগুলিকে তালিকাভুক্ত করতে সক্ষম, যা অন্যথায় নিছক স্ব-প্রতিবেদনমূলক পদ্ধতির মাধ্যমে অলক্ষিত থেকে যেত। কোর্সের বিষয়বস্তু অপ্টিমাইজ করার সময়, সবচেয়ে দরকারী পরিমাপক বা মেট্রিকগুলি হলো মনোযোগের মাত্রা এবং cognitive load বা বুদ্ধিবৃত্তিক লোড - যা তথ্য ধরে রাখার জন্য মস্তিষ্ক কতটা প্রচেষ্টা প্রয়োগ করে তার একটি পরিমাপ। কেউ যখন শিখছে তখন EEG-তে পরিলক্ষিত বিভিন্ন ব্রেন ওয়েভ বা মস্তিষ্কের তরঙ্গ বিশ্লেষণ করে প্রায়শই Attention বা মনোযোগ পরিমাপ করা হয় - যেমন আলফা (সাধারণত ক্লান্ত হওয়ার সাথে যুক্ত) এবং বিটা তরঙ্গের (সাধারণত সতর্ক বা মনোযোগী হওয়ার সাথে যুক্ত) মাত্রা। বুদ্ধিবৃত্তিক লোড, যা একটি অধিকতর জটিল পরিমাপ, আলফা এবং থিটা তরঙ্গের বিভিন্ন মাত্রার সাহায্যেও চিহ্নিত করা যেতে পারে।

গবেষকরা EEG সহ এমন সিস্টেম তৈরি করেছেন যা মনোযোগ পর্যবেক্ষণ করতে পারে, যা পুরো কোর্স জুড়ে মনোযোগের মাত্রা মূল্যায়ন করার সুযোগ দেয়। Zhou এবং অন্যান্যরা সফলভাবে একটি রিয়েল-টাইম সিস্টেম প্রদর্শন করেছেন যা ম্যাসিভ ওপেন অনলাইন কোর্স (MOOCs)-এ নিয়োজিত ই-লার্নিং শিক্ষার্থীদের বুদ্ধিবৃত্তিক লোড পর্যবেক্ষণ করে, যা রিয়েল-টাইমে কোর্সের বিষয়বস্তু অপ্টিমাইজ করার পথ প্রশস্ত করে [2]।

জ্ঞানীয় বা বুদ্ধিবৃত্তিক অবস্থা বিশ্লেষণ করা এখন সহজ

জ্ঞানীয় অবস্থা পরিমাপ করার জন্য, পূর্ববর্তী এই গবেষণাগুলির মতো, কিছু প্রযুক্তিগত দক্ষতা এবং দক্ষতার প্রয়োজন হতে পারে। ভাগ্যক্রমে, ডেটা সায়েন্সের অগ্রগতি এখন ন্যূনতম প্রযুক্তিগত দক্ষতার সাথে জ্ঞানীয় অবস্থা পরিমাপের জন্য আগে থেকে তৈরি অ্যালগরিদম ব্যবহারের সুবিধা এনে দিয়েছে। Emotiv দিয়ে Performance Metrics ব্যবহার করা সম্ভব: একটি EEG-তে ফোকাস, উত্তেজনা, ব্যস্ততা বা এনগেজমেন্ট, হতাশা, চাপ এবং শিথিলতাসহ বিভিন্ন মস্তিষ্কের অবস্থা সনাক্ত করার জন্য তৈরি করা মেশিন লার্নিং অ্যালগরিদম।

নির্দিষ্ট জ্ঞানীয় অবস্থা প্রকাশের জন্য ডিজাইন করা নিয়ন্ত্রিত পরীক্ষা ব্যবহার করে এই অ্যালগরিদমগুলি তৈরি করা হয়েছে এবং এগুলো শিক্ষামূলক সামগ্রী অপ্টিমাইজ করার জন্য দরকারী। গেম-ভিত্তিক শিক্ষা বনাম ঐতিহ্যবাহী কলম-কাগজ শিক্ষার তুলনা করতে এই Emotiv Performance Metrics ব্যবহার করা হয়েছে, যদিও গবেষণায় শিক্ষার দুটি পদ্ধতির মধ্যে জ্ঞানীয় অবস্থার কোনো পার্থক্য পাওয়া যায়নি [3]। অন্যান্য গবেষকরা অগমেন্টেড রিয়েলিটি পরিবেশে ক্রিয়াকলাপের কার্যকারিতা বোঝার জন্য এনগেজমেন্ট, স্ট্রেস এবং ফোকাসের মতো জ্ঞানীয় অবস্থার উপর ভিত্তি করে ৫-৭ বছর বয়সী শিশুদের গ্রুপ তৈরি করার ক্ষেত্রে Performance Metrics-এর উপযোগিতা দেখিয়েছেন।

উপরে: (A) একটি হাই স্কুল ক্লাসরুমে শিক্ষার্থীদের মস্তিষ্কের তরঙ্গ পরিমাপ করতে EEG ব্যবহার করা যেতে পারে (উৎস: Dikker et al. [4])। (B) শিক্ষার্থীদের মানসিক তরঙ্গ অন্য শিক্ষার্থীদের সাথে উচ্চ এককতান বা সিঙ্ক্রোনি দেখাতে পারে, যা সেইসব শিক্ষার্থীদের ক্ষেত্রে পাওয়া গেছে যারা ক্লাসে বেশি সক্রিয় বা নিয়োজিত ছিল (বামে)। অন্য শিক্ষার্থীদের সাথে কম সিঙ্ক্রোনি (ডানে) তাদের ক্ষেত্রে পাওয়া গেছে যারা ক্লাসে কম নিয়োজিত ছিল।

শিক্ষার পরিবেশ উন্নত করা

শিক্ষামূলক উপকরণের বিষয়বস্তু যেমন গুরুত্বপূর্ণ, ঠিক তেমনি আমরা কখন এবং কোথায় শিখছি তাও শিক্ষার্থীদের ভালো শেখার অভিজ্ঞতা নিশ্চিত করার জন্য সমানভাবে গুরুত্বপূর্ণ। গবেষকরা শ্রেণীকক্ষের বিভিন্ন সময়ে আলফা তরঙ্গের মাত্রা পরিমাপ করেছেন এবং দেখেছেন যে মধ্য-সকালের হাই স্কুল ক্লাসগুলো সকালের শুরুর ক্লাসের চেয়ে কম আলফা তরঙ্গ দেখায় এবং তারা পরামর্শ দেন যে মধ্য-সকাল শেখার জন্য সেরা সময় হতে পারে [4]।

ওয়্যারলেস EEG দুটি পরিবেশেই সমান স্তরের মনোযোগ এবং অনুপ্রেরণা প্রদানের ক্ষমতা প্রদর্শন করে, যা বাস্তব বনাম ভার্চুয়াল পরিবেশের তুলনা করতেও ব্যবহৃত হয়েছে [5]। এটি শারীরিক প্রতিবন্ধকতাযুক্ত ব্যক্তিদের জন্য আরো সমৃদ্ধ শেখার অভিজ্ঞতার পথ প্রশস্ত করতে পারে, যারা সরাসরি ক্লাসরুমে উপস্থিত হতে অক্ষম। গবেষকরা EEG ব্যবহার করে শ্রেণীকক্ষে সামাজিক উদ্দীপকের উপরও গবেষণা চালিয়েছেন। EEG হেডসেট পরিহিত শিক্ষার্থীদের একটি গ্রুপ একটি সাধারণ শিক্ষণ প্রক্রিয়ার সময় তাদের স্নায়বিক কার্যকলাপ কতটা সিঙ্ক্রোনাইজড বা এককতানপূর্ণ তা মূল্যায়ন করা যেতে পারে [6][7]। EEG ডেটা সংগ্রহের এই পদ্ধতিকে, EEG hyperscanning বলা হয়, যা দলগত মনোযোগের রিয়েল-টাইম অনুমান এবং শ্রেণীকক্ষে সামাজিক গতিশীলতা উন্নত করার একটি পদক্ষেপ।

সবার জন্য শিক্ষা সহজলভ্য করা

কিছু শারীরিক বা সংবেদনশীল অসুবিধা ক্লাসরুমে শিক্ষার্থীদের শেখার অভিজ্ঞতা সীমিত করতে পারে। তবে, কিছু EEG-ভিত্তিক সরঞ্জাম রয়েছে যা শিক্ষার্থীদের অভিজ্ঞতা উন্নত করছে। Brain-Computer Interface (BCI) প্রযুক্তির অগ্রগতি EEG ভিত্তিক টাইপিং সক্ষম করেছে [8][9], যা শারীরিক অসুবিধা থাকা শিক্ষার্থীদের শেখার সাথে সাথে তাদের কম্পিউটিং ডিভাইসে মানসিক নোট নিতে সাহায্য করে। BCI যা হ্যাঁ-না ধরনের প্রশ্নের EEG ভিত্তিক উত্তরের সুযোগ দেয় তা দৃষ্টি প্রতিবন্ধী শিক্ষার্থীদের কম্পিউটার-ভিত্তিক পরীক্ষার মাধ্যমে মূল্যায়ন করতে সাহায্য করছে, যা অন্যথায় কোনো পরীক্ষকের প্রয়োজন হতো [10]।

ব্যক্তিগতকৃত শিক্ষার অভিজ্ঞতা

শিক্ষার্থীদের জন্য ব্যক্তিগত গৃহশিক্ষক প্রদান করা ব্যয়বহুল হতে পারে তবে সাধারণ শিক্ষা ব্যবস্থা যখন শিক্ষার অনন্য চাহিদাগুলি পরিচালনা করতে কম উপযোগী হয় তখন এটি প্রায়শই প্রয়োজনীয় হতে পারে। ইন্টেলিজেন্ট টিউটরিং সিস্টেম (ITS) হলো কৃত্রিম বুদ্ধিমত্তা সমৃদ্ধ কম্পিউটার-ভিত্তিক লার্নিং সফটওয়্যারের একটি শ্রেণী যা ব্যক্তিগত টিউটর বা গৃহশিক্ষক হিসেবে কাজ করতে পারে।

এই সিস্টেমগুলির উদ্দেশ্য হলো শিক্ষার্থীদের শেখার মান উন্নত করতে তাদের মানিয়ে নেওয়া এবং রিয়েল-টাইমে ব্যক্তিগতকৃত প্রতিক্রিয়া প্রদান করা। গবেষকরা বর্তমানে EEG-র সাথে একীভূত করে ITS সিস্টেমগুলিকে উন্নত করছেন। একটি গবেষণায়, গবেষকরা বিভিন্ন ধরণের শিক্ষামূলক ভিডিওর (অ্যানিমেটেড সামগ্রী বনাম মানব শিক্ষক সহ ভিডিও) প্রতি শিক্ষার্থীদের মনোযোগ সনাক্ত করতে EEG ব্যবহার করেন যা ITS-কে শিখতে সাহায্য করে এবং স্বয়ংক্রিয়ভাবে এমন সামগ্রী তৈরি করার সুযোগ দেয় যা শিক্ষার্থী আরও আকর্ষণীয় মনে করবে।

আপনি যখন শিক্ষাদান প্রক্রিয়া থেকে মানুষের উপাদানটি সরিয়ে ফেলবেন, তখন মানসিক চাপ এবং স্ক্রীন ক্লান্তি রোধ করতে কম্পিউটার-ভিত্তিক লার্নিং প্রোগ্রামগুলি ব্যবহার করার সময় শিক্ষার্থীদের বুদ্ধিবৃত্তিক লোডের উপর নজর রাখা ক্রমশ গুরুত্বপূর্ণ হয়ে ওঠে। এটি মোকাবেলার জন্য, গবেষকরা EEG ডেটার উপর ভিত্তি করে একটি মুখের অভিব্যক্তি ডেটাবেস তৈরি করেছেন যা একটি ITS ব্যবহার করার সময় একজন শিক্ষার্থী বিরক্ত, ব্যস্ত, উত্তেজিত বা হতাশ ছিল কিনা তা সক্রিয়ভাবে সনাক্ত করে [11]।

EEG-র সাথে এই বিকাশ ITS সিস্টেমের ক্রমাগত শেখার এবং ব্যক্তিগত শিক্ষার্থীর সাথে খাপ খাইয়ে নেওয়ার পথ প্রশস্ত করছে; শিক্ষার্থী ক্লান্ত হলে বিরতির পরামর্শ দিয়ে বা তারা মনোযোগী হলে শিক্ষকতা চালিয়ে যাওয়ার মাধ্যমে, যা শিক্ষার্থীর জন্য আরও কার্যকর শেখার অভিজ্ঞতা প্রদান করে।

উপরে: নিউ ইয়র্ক ইউনিভার্সিটি (NYU) BrainWaves প্রোগ্রামের শিক্ষার্থীরা Emotiv EEG ব্রেন প্রযুক্তি ব্যবহারের সময় একটি গেম খেলছে।

বিজ্ঞান, প্রযুক্তি, প্রকৌশল ও গণিত (STEM) শিক্ষার হাতিয়ার হিসেবে EEG

Emotiv EEG ডিভাইস এবং সফটওয়্যার ব্যবহার করা অত্যন্ত সহজ এবং এগুলো পরবর্তী প্রজন্মের বিজ্ঞান, প্রযুক্তি, প্রকৌশল এবং গণিত (STEM) বিজ্ঞানীকে অনুপ্রাণিত করার জন্য একটি চমৎকার প্রাথমিক হাতিয়ারও বটে।

Emotiv ডিভাইস এবং সফটওয়্যার বর্তমানে বিশ্ববিদ্যালয়ের স্নাতক স্তরের কোর্সে ব্যবহার করা হচ্ছে, কেবল মনোবিজ্ঞান এবং নিউরোসায়েন্সেই নয় বরং বায়োমেডিকেল ইঞ্জিনিয়ারিং বিভাগেও। Kurent হাই স্কুল এবং কলেজ পর্যায়ে শিক্ষাদান প্রক্রিয়ায় Emotiv EPOC ডিভাইসগুলিকে একীভূত করার একটি সফল উদাহরণ দেখিয়েছেন যা BCI ডিভাইসের অগ্রগতি সক্ষম করতে সাহায্য করে। Kosmayana এবং অন্যান্যরা দেখেছেন যে স্কুল পাঠ্যক্রমে EEG-BCI সিস্টেম অন্তর্ভুক্ত করলে একাডেমিক পারফরম্যান্স বৃদ্ধি পায়। ম্যাককুয়ারী ইউনিভার্সিটি ইতিমধ্যে তাদের ব্যাচেলর অফ কগনিটিভ অ্যান্ড ব্রেন সায়েন্সেস পাঠ্যক্রমে Emotiv ডিভাইসগুলির সফল অন্তর্ভুক্তির বিষয়টি প্রদর্শন করেছে, যা শিক্ষার্থীদের পরীক্ষামূলক নকশা এবং EEG ডেটা বিশ্লেষণের সাথে বাস্তব অভিজ্ঞতা প্রদান করে [14]।

তাছাড়া, White-Foy দেখিয়েছেন যে ১২ বছরের ছোট শিশুরাও সফলভাবে BCI প্রযুক্তি শিখতে পারে এবং ছোট আকারের EEG গবেষণা প্রকল্প তৈরি করতে পারে [13]। শিক্ষার্থীরা একটি Emotiv Insight ডিভাইসকে একটি রাস্পবেরি পাই (একটি ক্ষুদ্রাকৃতির কম্পিউটার) এর সাথে একীভূত করতে অনলাইন রিসোর্স ব্যবহার করেছিল যা EEG-কে রিমোট-কন্ট্রোলড স্টার ওয়ার্স খেলনা (BB-8) নিয়ন্ত্রণ করতে এবং এটিকে একটি গোলকধাঁধার মধ্য দিয়ে চালনা করার কমান্ডে রূপান্তরিত করে।

উপরে: মাধ্যমিক স্কুলের নিউরোল্যাব। ১১-১৮ বছর বয়সী শিক্ষার্থীরা রাস্পবেরি পাই এবং BB-8 রোবটকে Emotiv ডিভাইসের সাথে একীভূত করেছে এবং গোলকধাঁধার মধ্য দিয়ে BB-8 চালনা করতে মানসিক কমান্ড ব্যবহার করেছে (নিউরোল্যাবসের অনুমতি সহ শেয়ার করা হয়েছে)

আমরা দেখতে পাচ্ছি যে স্বল্প মূল্যের, মোবাইল Emotiv EEG ডিভাইসগুলি কেবল অসাধারণ কন্টেন্ট বিতরণের জন্য শিক্ষাবিদদের শিক্ষা কার্যক্রমের গুরুত্ব বাড়ানোর পদ্ধতিই প্রদান করে না, বরং BCI-এর উন্নয়নের সাথে অনন্য চাহিদাসম্পন্ন ব্যক্তিদের জন্য একটি সমৃদ্ধ শিক্ষাগত পরিবেশ প্রদানের প্রস্তাবও করে।

কীভাবে Emotiv সাহায্য করতে পারে

• Emotiv EEG Lab Starter Kits-এর সাহায্যে আপনার শিক্ষার্থীদের শেখার অভিজ্ঞতা উন্নত করুন।

• EmotivPRO Builder-এর সাহায্যে পরীক্ষা তৈরি করুন এবং ডেটা বিশ্লেষণ করুন।

• EmotivLABS-এ ডেটা পেতে রিমোট পরীক্ষা চালু করুন।

• 
  

মুক্ত-উৎস ডেটা সেট ব্যবহার করুন।

সাহায্য প্রয়োজন? আমাদের সাথে যোগাযোগ করুন

কভার ছবির উৎস: Trevor Day School

তথ্যসূত্র

1. J. Xu and B. Zhong, “Review on portable EEG technology in educational research,” Computers in Human Behavior, vol. 81, pp. 340–349, Apr. 2018, doi: 10.1016/j.chb.2017.12.037.

2. Zhou Y, Xu T, Cai Y, Wu X, Dong B. Monitoring cognitive workload in online videos learning through an EEG-based brain-computer interface. Lect Notes Comput Sci Subser Lect Notes Artif Intell Lect Notes Bioinforma. 2017;10295 LNCS:64-73. doi:10.1007/978-3-319-58509-3_7

3. Pireva K, Tahir R, Shariq Imran A, Chaudhary N. Evaluating learners’ emotional states by monitoring brain waves for comparing game-based learning approach to pen-and-paper. In: 2019 IEEE Frontiers in Education Conference (FIE). ; 2019:1-8. doi:10.1109/FIE43999.2019.9097262

4. Dikker S, Haegens S, Bevilacqua D, et al. Morning brain: real-world neural evidence that high school class times matter. Soc Cogn Affect Neurosci. 2020;15(11):1193-1202. doi:10.1093/scan/nsaa142

5. Romero-Soto FO, Ibarra-Zárate DI, Alonso-Valerdi LM. Comparative Analysis of Alpha Power Spectral Density in Real and Virtual Environments. In: Vol 75. ; 2020:156-163. doi:10.1007/978-3-030-30648-9_22

6. Dikker S, Wan L, Davidesco I, et al. Brain-to-Brain Synchrony Tracks Real-World Dynamic Group Interactions in the Classroom. Curr Biol. 2017;27(9):1375-1380. doi:10.1016/j.cub.2017.04.002

7. Poulsen AT, Kamronn S, Dmochowski J, Parra LC, Hansen LK. EEG in the classroom: Synchronised neural recordings during video presentation. Sci Rep. 2017;7(1):43916. doi:10.1038/srep43916

8. Al-Negheimish H, Al-Andas L, Al-Mofeez L, Al-Abdullatif A, Al-Khalifa N, Al-Wabil A. Brainwave Typing: Comparative Study of P300 and Motor Imagery for Typing Using Dry-Electrode EEG Devices. In: Stephanidis C, ed. HCI International 2013 - Posters’ Extended Abstracts. Communications in Computer and Information Science. Springer; 2013:569-573. doi:10.1007/978-3-642-39473-7_113

9. Zhang X, Yao L, Sheng QZ, Kanhere SS, Gu T, Zhang D. Converting Your Thoughts to Texts: Enabling Brain Typing via Deep Feature Learning of EEG Signals. In: 2018 IEEE International Conference on Pervasive Computing and Communications (PerCom). ; 2018:1-10. doi:10.1109/PERCOM.2018.8444575

10. Yosrita E, Heryadi Y, Wulandhari LA, Budiharto W. EEG Based Identification of Words on Exam Models with Yes-No Answers for Students with Visual Impairments. In: ; 2019. doi:10.1109/TALE48000.2019.9225903

11. Zatarain-Cabada R, Barrón-Estrada ML, González-Hernández F, Rodriguez-Rangel H. Building a Face Expression Recognizer and a Face Expression Database for an Intelligent Tutoring System. In: 2017 IEEE 17th International Conference on Advanced Learning Technologies (ICALT). ; 2017:391-393. doi:10.1109/ICALT.2017.141

12. Kurent P. Integration of the future technologies to high schools and colleges. In: 2017 40th International Convention on Information and Communication Technology, Electronics and Microelectronics (MIPRO). ; 2017:858-861. doi:10.23919/MIPRO.2017.7973541

13. White-Foy J. Neuroscience for Students: a project to introduce EEG and Brain-Computer-Interface technology to secondary school children. Praxis Teacher Research. Published November 29, 2019. Accessed June 15, 2022. https://praxis-teacher-research.org/neuroscience-for-students/

14. Kosmyna, Nataliya, Nathalie Soetaert, and Cassandra Scheirer. “A Pilot Study of Using Brain-Computer Interfaces in Classrooms for Promoting Formal Educational Activities.” Proceedings of the Future Technologies Conference. Springer, Cham, 2021.

15. Alvarez, V., Bower, M., de Freitas, S., Gregory, S. and De Wit, B., 2016. The use of wearable technologies in Australian universities: Examples from environmental science, cognitive and brain sciences and teacher training. Mobile learning futures–sustaining quality research and practice in mobile learning, 25.

16. Rodríguez, A.O.R., Riaño, M.A., García, P.A.G., Marín, C.E.M., Crespo, R.G. and Wu, X., 2020. Emotional characterization of children through a learning environment using learning analytics and AR-Sandbox. Journal of Ambient Intelligence and Humanized Computing, 11(11), pp.5353-5367.