শিক্ষা হল আমাদের সমাজের একটি মৌলিক স্তম্ভ, এবং সমৃদ্ধ শিক্ষার পরিবেশ প্রদান করা সামাজিক অগ্রগতির জন্য অত্যন্ত জরুরি। শিক্ষামূলক নিউরোসায়েন্স একটি দ্রুত বর্ধনশীল আন্তঃবিষয়ক ক্ষেত্র যা শিক্ষাদান এবং শেখার স্নায়বিক প্রক্রিয়াগুলিকে বোঝার লক্ষ্য রাখে।

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

শিক্ষামূলক বিষয়বস্তুর উন্নয়ন করা

আকর্ষণীয় শিক্ষামূলক বিষয়বস্তু প্রস্তুত করার জন্য শিক্ষার্থীদের কাছ থেকে ক্রমাগত ব্যক্তি-কেন্দ্রিক মতামতের বা ফিডব্যাকের প্রয়োজন হয়। ঐতিহ্যগতভাবে, একটি কোর্সের বিষয়বস্তুর কার্যকারিতা নির্ধারণ কোনো কোর্স সমাপ্তির পরে স্ব-প্রতিবেদন ফিডব্যাক পদ্ধতির মাধ্যমে করা হয়।

যাইহোক, ব্যক্তি-কেন্দ্রিক স্মৃতির উপর নির্ভরতার কারণে কোর্সের যথাযথ কোন দিকগুলো উন্নত করা যেতে পারে তা ঠিক সনাক্ত করা প্রায়শই কঠিন হয়ে পড়ে। এর উচ্চ টেম্পোরাল রেজোলিউশনের কারণে (অর্থাৎ, মিলিসেকেন্ডের স্কেলে মস্তিষ্কের প্রতিক্রিয়া পরিমাপের ক্ষমতা), EEG প্রাক-সচেতন প্রক্রিয়াগুলিকে চিহ্নিত করতে সক্ষম হয়, যা অন্যথায় কেবলমাত্র আত্ম-প্রতিবেদন পদ্ধতিতে অলক্ষিত থেকে যেত। কোর্সের বিষয়বস্তু উন্নয়ন কালীন সময়ে, সবচেয়ে দরকারী মেট্রিকগুলি হল মনোযোগের মাত্রা এবং জ্ঞানীয় লোড (cognitive load) - যা তথ্য ধরে রাখতে মস্তিষ্ক কতটা প্রচেষ্টা প্রয়োগ করে তার একটি পরিমাপ। মনোযোগ প্রায়শই পরিমাপ করা হয় যখন কেউ শিখছে তখন EEG-তে পরিলক্ষিত বিভিন্ন ব্রেন ওয়েভ বিশ্লেষণ করে - যেমন আলফা তরঙ্গ (সাধারণত ক্লান্ত থাকার সাথে সম্পর্কিত) এবং বিটা তরঙ্গ (সাধারণত সতর্ক বা মনোযোগী থাকার সাথে সম্পর্কিত) এর স্তর। জ্ঞানীয় লোড, আরও একটি জটিল পরিমাপ, যা আলফা এবং থিটা তরঙ্গের পরিবর্তিত মাত্রা দ্বারাও সূচিত করা যেতে পারে।

গবেষকরা EEG যুক্ত এমন সিস্টেম তৈরি করেছেন যা মনোযোগ পর্যবেক্ষণ করতে পারে, যা পুরো কোর্স জুড়ে মনোযোগের মাত্রা নির্ধারণ করার সুযোগ দেয়। Zhou এবং অন্যান্য গবেষক সফলভাবে একটি রিয়েল-টাইম সিস্টেম প্রদর্শন করেছেন যা ম্যাসিভ ওপেন অনলাইন কোর্সের (MOOCs) সাথে জড়িত ই-লার্নিং শিক্ষার্থীদের জ্ঞানীয় লোড পর্যবেক্ষণ করে, যা রিয়েল-টাইমে কোর্সের বিষয়বস্তু অপ্টিমাইজ করার পথ সুগম করে [2]।

জ্ঞানীয় অবস্থার সহজ বিশ্লেষণ

জ্ঞানীয় অবস্থা পরিমাপ করা, যেমনটা পূর্ববর্তী এই অধ্যয়নগুলিতে বলা হয়েছে, এর জন্য কিছু প্রযুক্তিগত দক্ষতা এবং বিশেষজ্ঞ জ্ঞানের প্রয়োজন হতে পারে। সৌভাগ্যবশত, ডেটা সায়েন্সের অগ্রগতি এখন ন্যূনতম প্রযুক্তিগত দক্ষতার সাথে জ্ঞানীয় অবস্থা পরিমাপের জন্য পূর্ব-নির্মিত অ্যালগরিদমের ব্যবহার সক্ষম করেছে। Emotiv Performance Metrics ব্যবহারের সুবিধা দেয়: মেশিন লার্নিং অ্যালগরিদম যা একটি EEG-তে ফোকাস, উত্তেজনা, ব্যস্ততা, হতাশা, মানসিক চাপ এবং শিথিলতাসহ মস্তিষ্কের বিভিন্ন অবস্থা সনাক্ত করতে বিকশিত করা হয়েছে।

এই অ্যালগরিদমগুলি নির্দিষ্ট জ্ঞানীয় অবস্থাকে উদ্দীপিত করার জন্য ডিজাইন করা একটি নিয়ন্ত্রিত পরীক্ষামূলক পদ্ধতি ব্যবহার করে তৈরি করা হয়েছে এবং শিক্ষামূলক উপাদানগুলির কার্যকারিতা বাড়াতে কার্যকর। এই Emotiv Performance Metrics গেম-ভিত্তিক শিক্ষা বনাম ঐতিহ্যবাহী কলম-এবং-কাগজের মাধ্যমে শেখার তুলনা করতে ব্যবহার করা হয়েছে, যদিও গবেষণাটিতে শেখার দুটি পদ্ধতির মধ্যে জ্ঞানীয় অবস্থার কোনো পার্থক্য দেখা যায়নি [3]। অন্যান্য গবেষকরা অগমেন্টেড রিয়ালিটি (AR) পরিবেশে বিভিন্ন ক্রিয়াকলাপের কার্যকারিতা যাচাই করতে ব্যস্ততা, মানসিক চাপ এবং ফোকাসের মতো জ্ঞানীয় অবস্থার ভিত্তিতে ৫-৭ বছরের কম বয়সী শিশুদের গ্রুপ করার ক্ষেত্রে Performance Metrics-এর কার্যকারিতা প্রদর্শন করেছেন।

উপরে: (A) একটি হাই স্কুল ক্লাসরুমে শিক্ষার্থীদের ব্রেন ওয়েভ পরিমাপ করতে EEG ব্যবহার করা যেতে পারে (উৎস: Dikker et al. [4])। (B) শিক্ষার্থীদের ব্রেন ওয়েভ অন্যান্য শিক্ষার্থীদের সাথে উচ্চ সামঞ্জস্যতা দেখাতে পারে, যা এমন শিক্ষার্থীদের ক্ষেত্রে পাওয়া গেছে যারা ক্লাসে বেশি মনোযোগী ছিল (বামে)। অন্য শিক্ষার্থীদের সাথে কম সামঞ্জস্যতা (ডানে) এমন শিক্ষার্থীদের ক্ষেত্রে পাওয়া গেছে যারা ক্লাসে কম মনোযোগী ছিল।

শিক্ষার পরিবেশ উন্নত করা

কেবল শিক্ষাদানের উপাদানের বিষয়বস্তুই যে গুরুত্বপূর্ণ তা নয়, আমরা কখন এবং কোথায় শিখি তাও শিক্ষার্থীদের ভালো শেখার অভিজ্ঞতা নিশ্চিত করার জন্য সমানভাবে গুরুত্বপূর্ণ। গবেষকরা শ্রেণীকক্ষের বিভিন্ন সময়ে আলফা তরঙ্গের মাত্রা পরিমাপ করেছেন এবং দেখেছেন যে সকালের শুরুর দিককার ক্লাসের তুলনায় একটু বেলার দিকের হাই স্কুল ক্লাসে কম আলফা তরঙ্গ দেখা গেছে এবং তারা ইঙ্গিত দিয়েছেন যে বেলার দিকটি শেখার জন্য সেরা সময় হতে পারে [4]।

উভয় পরিবেশেই সমমানের মনোযোগ এবং অনুপ্রেরণা প্রদানের ক্ষমতা প্রদর্শন করে বাস্তব বনাম ভার্চুয়াল পরিবেশের তুলনা করতে ওয়্যারলেস EEG-ও ব্যবহার করা হয়েছে [5]। এটি শারীরিক প্রতিবন্ধকতায় আক্রান্ত ব্যক্তিদের জন্য যারা সরাসরি শ্রেণীকক্ষে উপস্থিত হতে অসমর্থ, তাদের আরও সমৃদ্ধ শেখার অভিজ্ঞতার পথ উন্মোচন করতে পারে। গবেষকরা EEG ব্যবহার করে শ্রেণীকক্ষের সামাজিক গতিশীলতা নিয়েও গবেষণা পরিচালনা করেছেন। EEG হেডসেট পরা একদল শিক্ষার্থীর সাধারণ শিখন প্রক্রিয়ার সময় তাদের নিউরাল কার্যকলাপ কতটা সিঙ্ক্রোনাইজড বা সুসংগত থাকে তা মূল্যায়ন করা যেতে পারে [6][7]। EEG ডেটা সংগ্রহের এই পদ্ধতিকে বলা হয় EEG hyperscanning, যা দলগত মনোযোগের রিয়েল-টাইম অনুমান এবং শ্রেণীকক্ষে সামাজিক গতিশীলতা উন্নত করার একটি পদক্ষেপ।

শিক্ষাকে সবার কাছে সহজগম্য করা

কিছু শারীরিক বা সংবেদনশীল অসুবিধা শ্রেণীকক্ষে শিক্ষার্থীদের শেখার অভিজ্ঞতাকে সীমিত করতে পারে। তবে, এমন কিছু EEG-ভিত্তিক সরঞ্জাম রয়েছে যা শিক্ষার্থীদের অভিজ্ঞতাকে উন্নত করছে। Brain-Computer Interface (BCI) প্রযুক্তির অগ্রগতি EEG-ভিত্তিক টাইপিং সক্ষম করেছে [8][9], যা শারীরিক অসুবিধাগ্রস্ত শিক্ষার্থীদের শেখার সাথে সাথে তাদের কম্পিউটিং ডিভাইসে মানসিক নোট নিতে সাহায্য করে। BCI যা হ্যাঁ-না জাতীয় প্রশ্নের EEG-ভিত্তিক উত্তর দিতে সক্ষম করে, তা দৃষ্টি প্রতিবন্ধী শিক্ষার্থীদের কম্পিউটার-ভিত্তিক পরীক্ষার মাধ্যমে মূল্যায়ন করার সুযোগ দিচ্ছে, যার জন্য অন্যথায় একজন পরীক্ষকের প্রয়োজন হতো [10]।

ব্যক্তিগতকৃত শিক্ষার অভিজ্ঞতা

শিক্ষার্থীদের জন্য ব্যক্তিগত গৃহশিক্ষক প্রদান করা ব্যয়বহুল হতে পারে তবে যখন সাধারণ শিক্ষা ব্যবস্থা অনন্য শিখন চাহিদাগুলো পরিচালনা করতে অপ্রতুল হয় তখন তা প্রায়ই প্রয়োজনীয় হয়ে ওঠে। ইন্টেলিজেন্ট টিউটরিং সিস্টেম (ITS) হল কৃত্রিম বুদ্ধিমত্তা সমৃদ্ধ কম্পিউটার-ভিত্তিক লার্নিং সফটওয়্যার যা ব্যক্তিগত শিক্ষকের মতো কাজ করতে পারে।

এই সিস্টেমগুলির লক্ষ্য হল শিক্ষার্থীর শেখার মান বাড়াতে তাদের মানিয়ে নেওয়া এবং রিয়েল-টাইম ব্যক্তিগতকৃত ফিডব্যাক প্রদান করা। গবেষকরা বর্তমানে এর সাথে EEG যুক্ত করে ITS সিস্টেমকে উন্নত করছেন। একটি সমীক্ষায়, গবেষকরা বিভিন্ন ধরণের শিক্ষামূলক ভিডিওর (অ্যানিমেটেড সামগ্রী বনাম শিক্ষক বিশিষ্ট ভিডিও) প্রতি শিক্ষার্থীদের মনোযোগ সনাক্ত করতে EEG ব্যবহার করেছেন যা ITS-কে এমন বিষয়বস্তু তৈরি করতে এবং স্বয়ংক্রিয়ভাবে প্রদান করতে সাহায্য করে যা শিক্ষার্থীরা আরও বেশি আকর্ষণীয় মনে করবে।

আপনি যখন শিক্ষাদান প্রক্রিয়া থেকে মানুষের উপস্থিতি সরিয়ে ফেলবেন, তখন মানসিক চাপ এবং স্ক্রিন ক্লান্তি প্রতিরোধ করতে কম্পিউটার-ভিত্তিক লার্নিং প্রোগ্রামগুলি ব্যবহার করার সময় শিক্ষার্থীদের জ্ঞানীয় লোড বা মানসিক চাপের ট্র্যাক রাখা ক্রমবর্ধমানভাবে গুরুত্বপূর্ণ হয়ে ওঠে। এর মোকাবিলায় গবেষকরা EEG ডেটার ওপর ভিত্তি করে একটি ফেস এক্সপ্রেশন ডাটাবেজ তৈরি করেছেন যা কোন শিক্ষার্থী একটি ITS ব্যবহার করার সময় বিরক্ত, নিয়োজিত, উত্তেজিত নাকি হতাশ ছিল তা সক্রিয়ভাবে সনাক্ত করে [11]।

EEG-এর সাহায্যে এই অগ্রগতি ITS সিস্টেমের জন্য স্বতন্ত্র শিক্ষার্থীর সাথে অনবদ্যভাবে খাপ খাইয়ে নেওয়ার পথ তৈরি করছে; যেমন শিক্ষার্থী ক্লান্ত হলে বিশ্রামের পরামর্শ দেওয়া বা তারা আগ্রহী হলে পড়ানো চালিয়ে যাওয়া, যা শিক্ষার্থীকে আরও কার্যকর শেখার অভিজ্ঞতা প্রদান করে।

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

STEM শিক্ষার হাতিয়ার হিসেবে EEG

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

Emotiv ডিভাইস এবং সফটওয়্যার বর্তমানে বিশ্ববিদ্যালয়ের স্নাতক স্তরের কোর্সগুলোতে ব্যবহৃত হচ্ছে, কেবল মনোবিজ্ঞান এবং নিউরোসায়েন্সেই নয় বরং বায়োমেডিকেল ইঞ্জিনিয়ারিংয়েও। Kurent হাই স্কুল এবং কলেজ লেভেলের শিক্ষা প্রক্রিয়ায় Emotiv EPOC ডিভাইসগুলোকে একীভূত করার একটি সফল উদাহরণ প্রদর্শন করেছেন যা BCI ডিভাইসগুলোর অগ্রগতিতে সাহায্য করে। Kosmayana এবং অন্যান্যরা দেখেছেন যে স্কুল পাঠ্যক্রমে EEG-BCI সিস্টেমগুলি অন্তর্ভুক্ত করা শিক্ষায় একাডেমিক ফলাফলকে বৃদ্ধি করে। ম্যাককোয়ারি ইউনিভার্সিটি ইতিমধ্যেই তাদের ব্যাচেলর অব কগনিটিভ অ্যান্ড ব্রেন সায়েন্সেস পাঠ্যক্রমে Emotiv ডিভাইসগুলোর সফল অন্তর্ভুক্তি প্রদর্শন করেছে, যা শিক্ষার্থীদের পরীক্ষামূলক ডিজাইন এবং EEG ডেটা বিশ্লেষণের বাস্তব অভিজ্ঞতা প্রদান করে [14]।

তাছাড়া, White-Foy দেখিয়েছেন যে মাত্র ১২ বছর বয়সী শিশুরাও সফলভাবে BCI প্রযুক্তি শিখতে পারে এবং ছোট আকারের EEG গবেষণা প্রকল্প তৈরি করতে পারে [13] । ক্ষুদ্রতম কম্পিউটার Raspberry Pi-এর সাথে একটি Emotiv Insight ডিভাইস যুক্ত করতে শিক্ষার্থীরা অনলাইন রিসোর্স ব্যবহার করেছে যা EEG সিগন্যালকে রিমোট-কন্ট্রোলড স্টার ওয়ার্স খেলনা (BB-8)-কে নিয়ন্ত্রণ করার কমান্ডে রূপান্তর করে এবং এটিকে গোলকধাঁধার মধ্যে দিয়ে চালনা করে।

উপরে: সেকেন্ডারি স্কুলের NeuroLab। ১১-১৮ বছর বয়সী শিক্ষার্থীরা Raspberry Pi এবং BB-8 রোবটকে Emotiv ডিভাইসের সাথে সংযুক্ত করেছে এবং মানসিক কমান্ড ব্যবহার করে BB-8-কে একটি গোলকধাঁধার মধ্য দিয়ে চালনা করেছে (NeuroLabs-এর অনুমতি নিয়ে শেয়ার করা হয়েছে)।

আমরা দেখতে পাচ্ছি যে সাশ্রয়ী মূল্যের, মোবাইল Emotiv EEG ডিভাইসগুলি কেবল শিক্ষাবিদদের অসাধারণ বিষয়বস্তু প্রদানের মাধ্যমে শিক্ষা কার্যক্রমের মান উন্নত করার পদ্ধতিই সরবরাহ করে না, পাশাপাশি BCI-এর বিকাশের সাথে অনন্য চাহিদাসম্পন্ন ব্যক্তিদের জন্য একটি সমৃদ্ধ শিক্ষামূলক পরিবেশ প্রদানের প্রস্তাবও দেয়।

কীভাবে EMOTIV সাহায্য করতে পারে

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

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

• EmotivLABS-এ ডেটা পেতে দূরবর্তী পরীক্ষা চালু করুন।

• আমাদের ওপেন-সোর্স 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.