शिक्षा हमारे समाज का एक बुनियादी स्तंभ है, और समृद्ध शिक्षण परिवेश प्रदान करना सामाजिक उन्नति के लिए आवश्यक है। शैक्षिक तंत्रिका विज्ञान (न्यूट्रीशनल न्यूरोसाइंस) तेजी से विकसित हो रहा एक अंतःविषय क्षेत्र है जिसका उद्देश्य शिक्षण और सीखने के तंत्रिका तंत्र (न्यूरल मैकेनिज्म) को समझना है।

पिछले दो दशकों में, पोर्टेबल EEG तकनीक में प्रगति ने शोधकर्ताओं को कक्षा और ई-लर्निंग दोनों में EEG हेडसेट का उपयोग करने में सक्षम बनाया है ताकि छात्रों के लिए इष्टतम शिक्षण परिवेश बनाया जा सके [1]। इस लेख में, हम देखते हैं कि कैसे Emotiv के EEG हेडसेट का उपयोग हमारे सिखाने और सीखने के तरीके को बदलने के लिए किया जा रहा है।

शैक्षिक सामग्री को इष्टतम बनाना

आकर्षक शैक्षिक सामग्री तैयार करने के लिए छात्रों से निरंतर व्यक्तिगत फीडबैक की आवश्यकता होती है। पारंपरिक रूप से, किसी पाठ्यक्रम की सामग्री की प्रभावशीलता का निर्धारण पाठ्यक्रम पूरा होने पर स्व-रिपोर्टिंग फीडबैक उपायों के माध्यम से किया जाता है।

हालांकि, व्यक्तिपरक स्मृति पर निर्भरता के कारण यह सटीक रूप से अलग करना अक्सर कठिन होता है कि पाठ्यक्रम वितरण के किन पहलुओं में सुधार किया जा सकता है। अपनी उच्च लौकिक रिज़ॉल्यूशन (यानी, मिलीसेकंड के पैमाने पर मस्तिष्क की प्रतिक्रियाओं को मापने की इसकी क्षमता) के कारण, EEG पूर्व-सचेत प्रक्रियाओं को अनुक्रमित करने में सक्षम है, जो अन्यथा केवल स्व-रिपोर्ट उपायों के साथ पहचानी नहीं जा पातीं। पाठ्यक्रम सामग्री को अनुकूलित करते समय, सबसे उपयोगी मेट्रिक्स ध्यान का स्तर और संज्ञानात्मक भार (कोग्निटिव लोड) हैं - यह मस्तिष्क द्वारा जानकारी को बनाए रखने के लिए किए जाने वाले प्रयास की मात्रा का एक माप है। ध्यान (अटेंशन) को अक्सर किसी के सीखते समय EEG में देखे जाने वाले विभिन्न मस्तिष्क तरंगों का विश्लेषण करके मापा जाता है - जैसे कि अल्फा (आमतौर पर थके होने से जुड़े) और बीटा तरंगों (आमतौर पर सतर्क या केंद्रित होने से जुड़े) के स्तर। संज्ञानात्मक भार, जो कि अधिक जटिल माप है, इसे अल्फा और थीटा तरंगों के विभिन्न स्तरों के साथ भी अनुक्रमित किया जा सकता है।

शोधकर्ताओं ने EEG के साथ ऐसे सिस्टम विकसित किए हैं जो ध्यान की निगरानी कर सकते हैं, जिससे पूरे पाठ्यक्रम के दौरान ध्यान के स्तर का आकलन किया जा सके। झोउ आदि ने सफलतापूर्वक एक रीयल-टाइम सिस्टम का प्रदर्शन किया जो बड़े पैमाने पर खुले ऑनलाइन पाठ्यक्रमों (MOOCs) में लगे ई-लर्निंग छात्रों के संज्ञानात्मक भार की निगरानी करता है, जो वास्तविक समय में पाठ्यक्रम सामग्री को अनुकूलित करने का मार्ग प्रशस्त करता है [2]।

संज्ञानात्मक स्थितियों का विश्लेषण हुआ आसान

संज्ञानात्मक स्थितियों को मापने के लिए, जैसा कि इन पिछले अध्ययनों में हुआ है, कुछ तकनीकी कौशल और विशेषज्ञता की आवश्यकता हो सकती है। सौभाग्य से, डेटा विज्ञान में प्रगति ने अब न्यूनतम तकनीकी विशेषज्ञता के साथ, संज्ञानात्मक स्थितियों को मापने के लिए पूर्व-निर्मित एल्गोरिदम के उपयोग को सक्षम किया है। Emotiv, Performance Metrics के उपयोग को सक्षम बनाता है: मशीन लर्निंग एल्गोरिदम जिन्हें EEG में फोकस, उत्साह, जुड़ाव, निराशा, तनाव और विश्राम सहित विभिन्न मस्तिष्क स्थितियों की पहचान करने के लिए विकसित किया गया है।

ये एल्गोरिदम नियंत्रित प्रयोगों का उपयोग करके बनाए गए हैं जो विशिष्ट संज्ञानात्मक स्थितियों को प्राप्त करने के लिए डिज़ाइन किए गए हैं और शैक्षिक सामग्री को अनुकूलित करने के लिए उपयोगी हैं। इन Emotiv Performance Metrics का उपयोग खेल-आधारित शिक्षा बनाम पारंपरिक पेन और पेपर सीखने की तुलना करने के लिए किया गया है, हालांकि अध्ययन में सीखने के दो तरीकों के बीच संज्ञानात्मक स्थितियों में कोई अंतर नहीं दिखा [3]। अन्य शोधकर्ताओं ने संवर्धित वास्तविकता (ऑगमेंटेड रियलिटी) परिवेश में गतिविधियों की प्रभावशीलता को मानने के लिए जुड़ाव, तनाव और फोकस जैसी संज्ञानात्मक स्थितियों के आधार पर 5-7 वर्ष की आयु के बच्चों को समूहित करने में Performance Metrics की उपयोगिता का प्रदर्शन किया है।

ऊपर: (A) हाई स्कूल की कक्षा में छात्रों की मस्तिष्क तरंगों को मापने के लिए EEG का उपयोग किया जा सकता है (स्रोत: डिक्कर आदि [4])। (B) छात्रों की मस्तिष्क तरंगें अन्य छात्रों के साथ उच्च समकालिकता (सिंक्रोनी) दिखा सकती हैं, जो उन छात्रों में पाई गई जो कक्षा में अधिक शामिल थे (बाएं)। अन्य छात्रों के साथ कम समकालिकता (दाएं) उन छात्रों के लिए पाई गई जो कम व्यस्त थे।

शिक्षण परिवेश को बेहतर बनाना

न केवल शैक्षिक सामग्री की विषय-वस्तु महत्वपूर्ण है, बल्कि हम कब और कहाँ सीखते हैं, यह भी छात्रों को सीखने का अच्छा अनुभव देने के लिए समान रूप से महत्वपूर्ण है। शोधकर्ताओं ने कक्षा के विभिन्न समयों के दौरान अल्फा तरंगों के स्तर को मापा और पाया कि मध्य-सुबह की हाई स्कूल की कक्षाओं में सुबह की तुलना में कम अल्फा तरंगें दिखाई देती हैं और सुझाव दिया कि मध्य-सुबह सीखने का सबसे अच्छा समय हो सकता है [4]।

वायरलेस EEG का उपयोग वास्तविक बनाम आभासी (वर्चुअल) परिवेश की तुलना करने के लिए भी किया गया है, जिसने दोनों परिवेशों में ध्यान और प्रेरणा के समान स्तर प्रदान करने की क्षमता का प्रदर्शन किया है [5]। यह शारीरिक रूप से अक्षम लोगों के लिए, जो व्यक्तिगत रूप से कक्षाओं में भाग लेने में असमर्थ हैं, अधिक समृद्ध शिक्षण अनुभव का मार्ग प्रशस्त कर सकता है। शोधकर्ताओं ने EEG का उपयोग करके कक्षा में सामाजिक गतिशीलता (सोशल डायनेमिक्स) पर भी अध्ययन किया है। EEG हेडसेट से लैस छात्रों के एक समूह का मूल्यांकन इस बात के लिए किया जा सकता है कि एक सामान्य शिक्षण प्रक्रिया के दौरान उनकी तंत्रिका गतिविधि कितनी समकालिक है [6][7]। EEG डेटा संग्रह की इस विधि को, जिसे EEG hyperscanning कहा जाता है, समूह के ध्यान का वास्तविक समय में अनुमान लगाने और कक्षा में सामाजिक गतिशीलता में सुधार करने की दिशा में एक कदम है।

शिक्षा को सभी के लिए सुलभ बनाना

कुछ शारीरिक या संवेदी कठिनाइयाँ कक्षा में छात्रों के सीखने के अनुभवों को सीमित कर सकती हैं। हालांकि, ऐसे EEG-आधारित उपकरण हैं जो छात्रों के अनुभवों को बेहतर बना रहे हैं। ब्रेन-कंप्यूटर इंटरफेस (BCI) तकनीक में प्रगति ने EEG आधारित टाइपिंग को सक्षम किया है [8][9], जो शारीरिक कठिनाइयों वाले छात्रों को सीखने के साथ-साथ अपने कम्यूर्टिंग डिवाइस पर मानसिक नोट्स लेने में मदद करता है। BCIs जो हां-ना प्रकार के प्रश्नों के EEG आधारित उत्तर देने में सक्षम बनाते हैं, वे दृष्टिबाधित छात्रों को कंप्यूटर आधारित परीक्षा का उपयोग करके मूल्यांकन करने की अनुमति दे रहे हैं, जिसके लिए अन्यथा एक साक्षात्कारकर्ता की आवश्यकता होती [10] है।

व्यक्तिगत शिक्षण अनुभव

छात्रों के लिए व्यक्तिगत ट्यूटर प्रदान करना महंगा हो सकता है लेकिन अक्सर तब आवश्यक हो सकता है जब सामान्य शिक्षा प्रणाली सीखने में अनूठी जरूरतों को पूरा करने के लिए कम सुसज्जित हो। इंटेलिजेंट ट्यूटरिंग सिस्टम (ITS) कंप्यूटर आधारित शिक्षण सॉफ़्टवेयर का एक वर्ग है जो कृत्रिम बुद्धिमत्ता (आर्टिफिशियल इंटेलिजेंस) द्वारा समर्थित है जो व्यक्तिगत ट्यूटर्स के रूप में कार्य कर सकता है।

इन प्रणालियों का उद्देश्य छात्रों को उनके सीखने को बढ़ाने के लिए वास्तविक समय में व्यक्तिगत प्रतिक्रिया प्रदान करना है। शोधकर्ता वर्तमान में ITS प्रणालियों को EEG के साथ एकीकृत करके आगे बढ़ा रहे हैं। एक अध्ययन में, शोधकर्ता विभिन्न प्रकार के शैक्षिक वीडियो (एनिमेटेड सामग्री बनाम मानव शिक्षकों के साथ वीडियो) में छात्र जुड़ाव का पता लगाने के लिए EEG का उपयोग करते हैं जो ITS को सीखने और स्वचालित रूप से ऐसी सामग्री उत्पन्न करने की अनुमति देता है जिसे छात्र अधिक दिलचस्प पाएंगे।

जब आप शिक्षण प्रक्रिया से मानव तत्व को हटा देते हैं, तो कंप्यूटर आधारित शिक्षण कार्यक्रमों का उपयोग करते समय छात्रों के संज्ञानात्मक भार पर नज़र रखना तनाव और स्क्रीन की थकान को रोकने के लिए तेजी से महत्वपूर्ण हो जाता है। इससे निपटने के लिए, शोधकर्ताओं ने EEG डेटा पर आधारित एक चेहरा अभिव्यक्ति डेटाबेस विकसित किया है जो सक्रिय रूप से पता लगाता है कि एक छात्र ITS का उपयोग करते समय ऊब गया था, व्यस्त था, उत्साहित था या निराश था [11]।

EEG के साथ यह विकास ITS प्रणाली के लिए व्यक्तिगत छात्र के अनुकूल लगातार सीखने और अनुकूलित होने का मार्ग प्रशस्त कर रहा है; जब वे थके हुए हों तो ब्रेक का सुझाव देकर या व्यस्त होने पर पढ़ाना जारी रखकर, छात्र के लिए अधिक प्रभावी शिक्षण अनुभव प्रदान करता है।

ऊपर: न्यूयॉर्क यूनिवर्सिटी (NYU) के BrainWaves कार्यक्रम में छात्र Emotiv EEG मस्तिष्क तकनीक पहनकर गेम खेलते हैं।

एक STEM शिक्षण उपकरण के रूप में EEG

Emotiv EEG उपकरण और सॉफ़्टवेयर उपयोग करने में आसान हैं और विज्ञान, प्रौद्योगिकी, इंजीनियरिंग और गणित (STEM) वैज्ञानिकों की अगली पीढ़ी को प्रेरित करने के लिए एक उत्कृष्ट परिचयात्मक उपकरण भी हैं।

Emotiv उपकरणों और सॉफ़्टवेयर का उपयोग वर्तमान में विश्वविद्यालय स्तर के स्नातक पाठ्यक्रमों में किया जा रहा है, न केवल मनोविज्ञान और तंत्रिका विज्ञान में बल्कि बायोमेडिकल इंजीनियरिंग में भी। कूरेंट BCI उपकरणों की उन्नति को सक्षम करने के लिए हाई स्कूल और कॉलेज स्तर पर शैक्षिक प्रक्रिया में Emotiv EPOC उपकरणों को एकीकृत करने का एक सफल उदाहरण प्रदर्शित करता है। कोस्मायाना आदि पाते हैं कि स्कूल के पाठ्यक्रमों में EEG-BCI प्रणालियों को शामिल करने से शैक्षणिक प्रदर्शन को बढ़ावा मिलता है। मैक्वेरी यूनिवर्सिटी ने अपने बैचलर ऑफ कॉग्निटिव एंड ब्रेन साइंसेज पाठ्यक्रम में Emotiv उपकरणों के सफल समावेशन का प्रदर्शन किया है, जिससे छात्रों को प्रयोगात्मक डिजाइन और EEG डेटा विश्लेषण के साथ व्यावहारिक अनुभव मिलता है [14]।

इसके अलावा, व्हाइट-फॉय दर्शाता है कि 12 साल की उम्र के बच्चे भी सफलतापूर्वक BCI तकनीक सीख सकते हैं और छोटे पैमाने पर EEG अनुसंधान परियोजनाएं स्थापित कर सकते [13] हैं। छात्रों ने एक Emotiv Insight डिवाइस को एक रास्पबेरी पाई (एक छोटा कंप्यूटर) से एकीकृत करने के लिए ऑनलाइन संसाधनों का उपयोग किया जो EEG को एक रिमोट-कंट्रोल स्टार वार्स खिलौने (BB-8) को नियंत्रित करने और इसे एक भूलभुलैया के माध्यम से नेविगेट करने के लिए कमांड में अनुवादित करता है।

ऊपर: सेकेंडरी स्कूल न्यूरोलैब। 11-18 वर्ष के छात्रों ने रास्पबेरी पाई और BB-8 रोबोट को Emotiv डिवाइस के साथ एकीकृत किया और एक भूलभुलैया के माध्यम से BB-8 को नेविगेट करने के लिए मानसिक आदेशों का उपयोग किया (NeuroLabs से अनुमति के साथ साझा किया गया)

हम देख सकते हैं कि कम लागत वाले, मोबाइल Emotiv EEG उपकरण न केवल शिक्षक के लिए असाधारण सामग्री देने के लिए शिक्षा कार्यक्रमों की गुणवत्ता बढ़ाने के तरीके प्रदान करते हैं, बल्कि BCI में विकास के साथ अद्वितीय आवश्यकताओं वाले व्यक्तियों के लिए एक समृद्ध शैक्षिक वातावरण प्रदान करने का प्रस्ताव भी करते हैं।

कैसे Emotiv मदद कर सकता है

• Emotiv EEG Lab Starter Kits के साथ अपने छात्रों के सीखने के अनुभवों को बेहतर बनाएं।

• EmotivPRO Builder के साथ प्रयोग बनाएं और डेटा का विश्लेषण करें।

• EmotivLABS पर डेटा प्राप्त करने के लिए रिमोट प्रयोग लॉन्च करें।

• हमारे open-source data set का उपयोग करें।

मदद की ज़रूरत है? हमसे संपर्क करें

कवर छवि का स्रोत: Trevor Day School

संदर्भ (References)

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.