शिक्षा हमारे समाज का एक मौलिक स्तंभ है, और समृद्ध शिक्षण वातावरण प्रदान करना सामाजिक प्रगति के लिए आवश्यक है। एजुकेशनल न्यूरोसाइंस (शैक्षणिक तंत्रिका विज्ञान) एक तेजी से विकसित हो रहा 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 वातावरण तैयार किया जा सके [1]। इस लेख में, हम देखते हैं कि कैसे हमारे पढ़ाने और सीखने के तरीकों को बदलने के लिए Emotiv के EEG हेडसेट का उपयोग किया जा रहा है।

शैक्षणिक सामग्री को अनुकूलित करना

आकर्षक शैक्षणिक सामग्री तैयार करने के लिए छात्रों से निरंतर व्यक्तिपरक (सब्जेक्टिव) प्रतिक्रिया की आवश्यकता होती है। परंपरागत रूप से, किसी पाठ्यक्रम की सामग्री की प्रभावशीलता का निर्धारण पाठ्यक्रम पूरा होने पर स्व-रिपोर्टिंग प्रतिक्रिया 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। इसके 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 अपरिचित रह जातीं। पाठ्यक्रम सामग्री को अनुकूलित करते समय, सबसे उपयोगी मेट्रिक्स ध्यान का स्तर और संज्ञानात्मक भार (कॉग्निटिव लोड) हैं - जो कि सूचना को बनाए रखने के लिए मस्तिष्क द्वारा किए जाने वाले प्रयास की मात्रा का एक माप है। ध्यान (अटेंशन) को अक्सर सीखने के दौरान EEG में देखी जाने वाली विभिन्न मस्तिष्क तरंगों का विश्लेषण करके मापा जाता है - जैसे कि अल्फा (आमतौर पर थका हुआ होने से जुड़ा) और बीटा तरंगों (आमतौर पर सतर्क या केंद्रित होने से जुड़ा) का स्तर। संज्ञानात्मक भार (कॉग्निटिव लोड), जो कि एक 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 ऐसी प्रणालियाँ विकसित की हैं जो ध्यान की निगरानी कर सकती हैं, जिससे पूरे पाठ्यक्रम के दौरान ध्यान के स्तर का आकलन करना संभव हो जाता है। चाउ (Zhou) आदि ने सफलतापूर्वक एक रीयल-टाइम सिस्टम का प्रदर्शन किया जो मैसिव ओपन ऑनलाइन कोर्सेज (MOOCs) में लगे ई-लर्निंग छात्रों के संज्ञानात्मक भार (कॉग्निटिव लोड) की निगरानी करता है, जो वास्तविक समय में पाठ्यक्रम सामग्री को अनुकूलित करने का मार्ग प्रशस्त करता है [2]।

संज्ञानात्मक अवस्थाओं का विश्लेषण करना हुआ आसान

इन पिछले अध्ययनों की तरह संज्ञानात्मक अवस्थाओं (कॉग्निटिव स्टेट्स) को मापने के लिए कुछ तकनीकी कौशल और विशेषज्ञता की आवश्यकता हो सकती है। सौभाग्य से, डेटा विज्ञान में प्रगति ने अब न्यूनतम तकनीकी विशेषज्ञता के साथ, संज्ञानात्मक अवस्थाओं को मापने के लिए पूर्व-निर्मित एल्गोरिदम के उपयोग को सक्षम किया है। Emotiv प्रदर्शन मेट्रिक्स (Performance Metrics) के उपयोग को सक्षम बनाता है: मशीन लर्निंग एल्गोरिदम जो EEG में ध्यान (फोकस), उत्साह (एक्साइटमेंट), जुड़ाव (एंगेजमेंट), निराशा (फ्रस्ट्रेशन), तनाव (स्ट्रेस) और विश्राम (रिलैक्सेशन) सहित मस्तिष्क की विभिन्न अवस्थाओं की पहचान करने के लिए विकसित किए गए हैं।

ये एल्गोरिदम विशिष्ट संज्ञानात्मक अवस्थाओं को प्राप्त करने के लिए डिज़ाइन किए गए नियंत्रित प्रयोगों का उपयोग करके बनाए गए हैं और शैक्षणिक सामग्री को अनुकूलित करने के लिए उपयोगी हैं। इन Emotiv प्रदर्शन मेट्रिक्स (Performance Metrics) का उपयोग खेल-आधारित शिक्षा बनाम पारंपरिक पेन और पेपर वाले शिक्षण की तुलना करने के लिए किया गया है, हालांकि अध्ययन में सीखने के दोनों तरीकों के बीच संज्ञानात्मक अवस्थाओं में कोई अंतर नहीं दिखाई दिया [3]। अन्य शोधकर्ताओं ने संवर्धित वास्तविकता (ऑगमेंटेड रियलिटी) वातावरण में गतिविधियों की प्रभावशीलता को मानने के लिए जुड़ाव, तनाव और ध्यान जैसी संज्ञानात्मक अवस्थाओं के आधार पर 5-7 वर्ष की कम उम्र के बच्चों के वर्गीकरण में प्रदर्शन मेट्रिक्स 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 (Dikker) आदि [4])। (B) छात्रों की मस्तिष्क तरंगें अन्य छात्रों के साथ उच्च तालमेल दिखा सकती हैं, जो उन छात्रों में पाया गया जो कक्षा में अधिक व्यस्त (एंगेज्ड) थे (बाएं)। अन्य छात्रों के साथ कम तालमेल (दाएं) उन छात्रों के लिए पाया गया जो कम व्यस्त थे।

शिक्षण वातावरण को बेहतर बनाना

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

वायरलेस EEG का उपयोग वास्तविक बनाम आभासी (वर्चुअल) वातावरण की तुलना करने के लिए भी किया गया है, जो दोनों वातावरणों में ध्यान और प्रेरणा के समान स्तर प्रदान करने की क्षमता प्रदर्शित करता है [5]। यह शारीरिक रूप से अक्षम लोगों के लिए, जो व्यक्तिगत रूप से कक्षाओं में भाग लेने में असमर्थ हैं, सीखने के अधिक समृद्ध 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 पहने हुए छात्रों के एक समूह का मूल्यांकन इस बात के लिए किया जा सकता है कि एक सामान्य सीखने की प्रक्रिया के दौरान उनकी तंत्रिका गतिविधि (न्यूरल एक्टिविटी) कितनी सिंक्रनाइज़्ड है [6][7]। EEG डेटा संग्रह की इस विधि को, जिसे EEG हाइपरस्कैनिंग कहा जाता है, समूह के ध्यान का वास्तविक समय में अनुमान लगाने और कक्षा में सामाजिक गतिशीलता को बेहतर बनाने 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। हालाँकि, ऐसे EEG-आधारित उपकरण हैं जो छात्रों के अनुभवों को बेहतर बना रहे हैं। ब्रेन-कंप्यूटर इंटरफ़ेस (BCI) तकनीक में प्रगति ने EEG आधारित टाइपिंग को सक्षम बनाया है [8][9], जो शारीरिक कठिनाइयों वाले छात्रों को सीखने के दौरान अपने कंप्यूटिंग डिवाइस पर मानसिक नोट्स लेने में मदद करता है। BCI जो हाँ-ना प्रकार के प्रश्नों के EEG आधारित उत्तर देने को सक्षम बनाते हैं, वे दृष्टिबाधित छात्रों को कंप्यूटर-आधारित परीक्षा के उपयोग से मूल्यांकन करने की अनुमति भी दे रहे हैं, जिसके लिए अन्यथा एक साक्षात्कारकर्ता की आवश्यकता होती [10]।

व्यक्तिगत सीखने के अनुभव (पर्सनलाइज्ड लर्निंग)

छात्रों के लिए व्यक्तिगत ट्यूटर प्रदान करना महंगा हो सकता है लेकिन अक्सर आवश्यक हो सकता है जब सामान्य शिक्षा प्रणाली सीखने में अनूठी जरूरतों को संभालने 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 छात्र के सीखने को बढ़ाने के लिए उसके अनुकूल होना और वास्तविक समय में व्यक्तिगत प्रतिक्रिया प्रदान करना है। शोधकर्ता वर्तमान में EEG के साथ एकीकृत करके ITS प्रणालियों को उन्नत बना रहे हैं। एक अध्ययन में, शोधकर्ता विभिन्न प्रकार के शैक्षणिक वीडियो (एनिमेटेड सामग्री बनाम मानव शिक्षकों वाले वीडियो) की ओर छात्र के जुड़ाव का पता लगाने के लिए EEG का उपयोग करते हैं जिससे ITS को सीखने और स्वतः ही ऐसी सामग्री उत्पन्न करने की अनुमति मिलती है जिसे छात्र अधिक दिलचस्प पाएंगे।

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

EEG के साथ यह विकास ITS प्रणाली के लिए व्यक्तिगत छात्र के निरंतर सीखने और उसके अनुकूल 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 सीखने का अनुभव प्रदान करता है।

ऊपर: न्यूयॉर्क यूनिवर्सिटी (NYU) के BrainWaves प्रोग्राम के छात्र Emotiv EEG ब्रेन तकनीक पहनकर एक गेम खेल रहे 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) के वैज्ञानिकों की अगली पीढ़ी को प्रेरित करने के लिए एक उत्कृष्ट परिचयात्मक उपकरण भी हैं।

Emotiv उपकरणों और सॉफ़्टवेयर का उपयोग वर्तमान में विश्वविद्यालय के स्नातक स्तर के पाठ्यक्रमों में किया जा रहा है, न केवल मनोविज्ञान और न्यूरोसाइंस में बल्कि बायोमेडिकल इंजीनियरिंग में भी। क्युरेंट (Kurent) BCI उपकरणों की प्रगति को सक्षम करने के लिए हाई स्कूल और कॉलेज स्तर पर शैक्षणिक प्रक्रिया में Emotiv EPOC उपकरणों को एकीकृत करने का एक सफल उदाहरण प्रदर्शित करते हैं। कोस्माइना (Kosmayana) आदि ने पाया 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 को सफलतापूर्वक शामिल करने का प्रदर्शन किया है, जिससे छात्रों को प्रयोगात्मक डिजाइन और EEG डेटा विश्लेषण के साथ व्यावहारिक अनुभव मिलता है [14]।

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

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

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

Emotiv कैसे 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 दूरस्थ प्रयोग लॉन्च करें।

• हमारे ओपन-सोर्स डेटा सेट का उपयोग करें।

मदद की ज़रूरत है? हमसे संपर्क करें

कवर इमेज 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 LA, 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.