تعلیم ہمارے معاشرے کا ایک بنیادی ستون ہے، اور معاشرتی ترقی کے لیے سیکھنے کے بھرپور ماحول فراہم کرنا ضروری ہے۔ تعلیمی نیورو سائنس ایک تیزی سے ترقی کرنے والا بین الضابطہ شعبہ ہے جس کا مقصد تدریس اور سیکھنے کے اعصابی طریقہ کار کو سمجھنا ہے۔

گزشتہ دو دہائیوں کے دوران، پورٹیبل EEG ٹیکنالوجی میں ترقی نے محققین کو کلاس رومز اور ای لرننگ دونوں میں EEG ہیڈسیٹ استعمال کرنے کے قابل بنایا ہے تاکہ طلباء کے لیے سیکھنے کا بہترین ماحول پیدا کیا جا سکے [1]۔ اس مضمون میں، ہم اس بات پر نظر ڈالتے ہیں کہ کس طرح Emotiv کے EEG ہیڈسیٹ کو ہمارے سکھانے اور سیکھنے کے طریقے کو تبدیل کرنے کے لیے استعمال کیا جا رہا ہے۔

تعلیمی مواد کو بہتر بنانا

دلچسپ تعلیمی مواد کو ڈیزائن کرنے کے لیے طلبہ کے مسلسل موضوعی تاثرات کی ضرورت ہوتی ہے۔ روایتی طور پر، کسی کورس کے مواد کی تاثیر کا تعین کورس کی تکمیل پر خود رپورٹنگ کے فیڈ بیک اقدامات کے ذریعے کیا جاتا ہے۔

تاہم، صرف موضوعی حافظے پر انحصار کی وجہ سے کورس کی فراہمی کے کن پہلوؤں کو بہتر بنایا جا سکتا ہے، اس کی قطعی طور پر نشاندہی کرنا اکثر مشکل ہوتا ہے۔ اس کے اعلیٰ وقتی ریزولوشن کی وجہ سے (یعنی ملی سیکنڈ کے پیمانے پر دماغی ردعمل کی پیمائش کرنے کی اس کی صلاحیت)، EEG لاشعوری عمل کی فہرست بنانے کے قابل ہے، جو کہ محض خود رپورٹ کے اقدامات سے بصورتِ دیگر غیر تسلیم شدہ رہ جاتے۔ کورس کے مواد کو بہتر بناتے وقت، سب سے زیادہ مفید میٹرکس توجہ کی سطح اور کوگنیٹو لوڈ (ذہنی بوجھ) ہیں - جو کہ معلومات کو برقرار رکھنے کے لیے دماغ کی طرف سے کی جانے والی کوشش کی مقدار کا ایک پیمانہ ہے۔ توجہ کی پیمائش اکثر مختلف دماغی لہروں کا تجزیہ کر کے کی جاتی ہے جو EEG میں دیکھی جاتی ہیں جب کوئی سیکھ رہا ہوتا ہے - جیسے کہ الفا (عام طور پر تھکاوٹ سے منسلک) اور بیٹا لہروں (عام طور پر چوکنا یا مرکوز ہونے سے منسلک) کی سطح۔ کوگنیٹو لوڈ، جو کہ ایک زیادہ پیچیدہ پیمانہ ہے، الفا اور تھیٹا لہروں کی مختلف سطحوں سے بھی ظاہر کیا جا سکتا ہے۔

محققین نے EEG کے ساتھ ایسے نظام تیار کیے ہیں جو توجہ کی نگرانی کر سکتے ہیں، جس سے پورے کورس کے دوران توجہ کی سطحوں کا جائزہ لینے کی اجازت ملتی ہے۔ Zhou اور دوسروں نے کامیابی کے ساتھ ایک حقیقی وقت کے نظام کا مظاہرہ کیا جو میسیو اوپن آن لائن کورسز (MOOCs) میں مصروف ای لرننگ کے طلباء کے کوگنیٹو لوڈ کی نگرانی کرتا ہے، جو حقیقی وقت میں کورس کے مواد کو بہتر بنانے کی راہ ہموار کرتا ہے [2]۔

ذہنی نظام کا تجزیہ آسان ہو گیا

ان پچھلے مطالعات کی طرح، علمی حالتوں کی پیمائش کے لیے کچھ تکنیکی مہارت اور کمال کی ضرورت ہو سکتی ہے۔ خوش قسمتی سے، ڈیٹا سائنس میں پیشرفت نے اب کم سے کم تکنیکی مہارت کے ساتھ، علمی حالتوں کی پیمائش کے لیے پہلے سے تیار کردہ الگورتھم کے استعمال کو ممکن بنا دیا ہے۔ Emotiv پرفارمنس میٹرکس کے استعمال کو قابل بناتا ہے: مشین لرننگ الگورتھم جو دماغ کی مختلف حالتوں کی شناخت کے لیے تیار کیے گئے ہیں، بشمول توجہ، جوش، مشغولیت، مایوسی، تناؤ، اور ایک EEG میں سکون۔

یہ الگورتھم کنٹرول شدہ تجربات کا استعمال کرتے ہوئے بنائے گئے ہیں جو مخصوص علمی حالتوں کو ظاہر کرنے کے لیے ڈیزائن کیے گئے ہیں اور تعلیمی مواد کو بہتر بنانے کے لیے مفید ہیں۔ ان Emotiv پرفارمنس میٹرکس کو گیم پر مبنی سیکھنے بمقابلہ روایتی قلم اور کاغذ کے ساتھ سیکھنے کے مقابلے کے لیے استعمال کیا گیا ہے، حالانکہ مطالعہ نے سیکھنے کے دونوں طریقوں کے درمیان علمی حالتوں میں کوئی فرق نہیں دکھایا [3]۔ دوسرے محققین نے 5-7 سال کے بچوں کو مشغولیت، تناؤ اور توجہ جیسی علمی حالتوں کی بنیاد پر گروپ بنانے میں پرفارمنس میٹرکس کی افادیت کا مظاہرہ کیا ہے تاکہ اگمینٹڈ ریئلٹی (متبادل حقیقت) کے ماحول میں سرگرمیوں کی تاثیر کو سمجھا جا سکے۔

اوپر: (A) ہائی اسکول کے کلاس روم میں طلباء کے دماغ کی لہروں کی پیمائش کرنے کے لیے EEG کا استعمال کیا جا سکتا ہے (ترتیب کار: Dikker et al. [4])۔ (B) طلباء کے دماغ کی لہریں دوسرے طلباء کے ساتھ اعلی مطابقت دکھا سکتی ہیں، جو ان طلباء کے لیے پائی گئی جو کلاس میں زیادہ مصروف تھے (بائیں)۔ دوسرے طلباء کے ساتھ کم مطابقت (دائیں) ان طلباء کے لیے پائی گئی جو کم مصروف تھے۔

سیکھنے کے ماحول کو بڑھانا

کلاس روم کے معلوماتی مواد کے ساتھ ساتھ، یہ بات بھی اتنی ہی اہم ہے کہ ہم کب اور کہاں سیکھتے ہیں تاکہ طلباء کو سیکھنے کے اچھے تجربات حاصل ہوں۔ محققین نے کلاس روم کے مختلف اوقات کے دوران الفا لہروں کی سطح کی پیمائش کی اور پایا کہ صبح کے وسط میں ہائی اسکول کی کلاسوں نے صبح سویرے کی نسبت کم الفا لہریں ظاہر کیں اور تجویز کیا کہ صبح کا وسط سیکھنے کا بہترین وقت ہو سکتا ہے [4]۔

وائرلیس EEGs کو حقیقی بمقابلہ ورچوئل ماحول کا موازنہ کرنے کے لیے بھی استعمال کیا گیا ہے، جس سے دونوں ماحول میں توجہ اور ترغیب کی یکساں سطح فراہم کرنے کی صلاحیت کا مظاہرہ کیا گیا ہے [5]۔ یہ جسمانی معذوری کے شکار لوگوں کے لیے، جو ذاتی طور پر کلاس رومز میں شرکت کرنے سے قاصر ہیں، سیکھنے کے ایک بھرپور تجربے کی راہ ہموار کر سکتا ہے۔ محققین نے EEG کا استعمال کرتے ہوئے کلاس روم میں سماجی حرکیات پر بھی مطالعہ کیا ہے۔ EEG ہیڈسیٹ پہنے ہوئے طلباء کے ایک گروپ کا اندازہ لگایا جا سکتا ہے کہ سیکھنے کے ایک مشترکہ عمل کے دوران ان کی اعصابی سرگرمی کتنی مطابقت پذیر ہوتی ہے [6][7]۔ EEG ڈیٹا اکٹھا کرنے کا یہ طریقہ، جسے EEG ہائپر اسکیننگ کہا جاتا ہے، گروپ کی توجہ کے حقیقی وقت کے استنباط اور کلاس روم میں سماجی حرکیات کو بہتر بنانے کی طرف ایک قدم ہے۔

تعلیم کو ہر ایک کے لیے قابل رسائی بنانا

کچھ جسمانی یا حسی مشکلات کلاس روم میں طلباء کے سیکھنے کے تجربات کو محدود کر سکتی ہیں۔ تاہم، ایسے EEG پر مبنی ٹولز موجود ہیں جو طلباء کے تجربات کو بہتر بنا رہے ہیں۔ Brain-Computer Interface (BCI) ٹیکنالوجی میں ترقی نے EEG پر مبنی ٹائپنگ کو ممکن بنایا ہے [8][9]، جو جسمانی مشکلات کا شکار طلباء کو سیکھنے کے ساتھ ساتھ اپنے کمپیوٹنگ ڈیوائس پر ذہنی نوٹس لینے میں مدد کرتی ہے۔ BCIs جو ہاں-ناں قسم کے سوالات کے EEG پر مبنی جواب دینے کو ممکن بناتے ہیں، بصری خرابی والے طلباء کو کمپیوٹر پر مبنی امتحان کے ذریعے جانچنے کی اجازت بھی دے رہے ہیں، جس کے لیے بصورتِ دیگر ایک انٹرویو لینے والے کی ضرورت ہوتی [10]۔

ذاتی نوعیت کے سیکھنے کے تجربات

طلباء کے لیے ذاتی ٹیوٹرز فراہم کرنا مہنگا ہو سکتا ہے لیکن اکثر اس وقت ضروری ہو سکتا ہے جب عام تعلیمی نظام سیکھنے میں منفرد ضروریات کو پورا کرنے کے لیے کم لیس ہو۔ انٹیلیجنٹ ٹیوٹرنگ سسٹمز (ITS) کمپیوٹر پر مبنی سیکھنے کے سافٹ ویئر کی ایک ایسی قسم ہے جس کی پشت پناہی مصنوعی ذہانت سے ہوتی ہے جو ذاتی ٹیوٹرز کے طور پر کام کر سکتی ہے۔

ان سسٹمز کا مقصد طالب علم کے سیکھنے کے عمل کو بڑھانے کے لیے ان کی موافقت کرنا اور حقیقی وقت میں ذاتی رائے فراہم کرنا ہے۔ محققین فی الحال ITS سسٹمز کو EEG کے ساتھ مربوط کر کے آگے بڑھا رہے ہیں۔ ایک تحقیق میں، محققین مختلف قسم کے تعلیمی ویڈیوز (متحرک مواد بمقابلہ انسانی اساتذہ کے ساتھ ویڈیوز) کے لیے طالب علم کی مصروفیت کا پتہ لگانے کے لیے EEG کا استعمال کرتے ہیں جو ITS کو یہ سیکھنے اور خود بخود ایسا مواد تیار کرنے کی اجازت دیتا ہے جس میں وہ طالب علم زیادہ دلچسپی لے گا۔

جب آپ تدریسی عمل سے انسانی عنصر کو ہٹا دیتے ہیں، تو دباؤ اور اسکرین کی تھکاوٹ سے بچنے کے لیے کمپیوٹر پر مبنی لرننگ پروگراموں کا استعمال کرتے ہوئے طلباء کے کوگنیٹو لوڈ پر نظر رکھنا انتہائی اہم ہو جاتا ہے۔ اس کا مقابلہ کرنے کے لیے، محققین نے EEG ڈیٹا پر مبنی ایک چہرے کے تاثرات کا ڈیٹا بیس تیار کیا ہے جو فعال طور پر یہ پتہ لگاتا ہے کہ آیا کوئی طالب علم ITS کا استعمال کرتے ہوئے بور، مصروف، پرجوش یا مایوس تھا [11]۔

EEG کے ساتھ یہ ترقی ITS سسٹم کے لیے انفرادی طالب علم سیکھنے اور اپنی ترامیم کرنے کا راستہ ہموار کر رہی ہے۔ جب وہ تھکے ہوں تو آرام کرنے کی تجویز دے کر یا جب وہ مصروف ہوں تو پڑھانا جاری رکھ کر، طالب علم کے لیے سیکھنے کا زیادہ موثر تجربہ فراہم کیا جا سکتا ہے۔

اوپر: نیویارک یونیورسٹی (NYU) کے بشری لہروں کے پروگرام میں طلباء Emotiv EEG دماغی ٹیکنالوجی کا استعمال کرتے ہوئے ایک گیم کھیل رہے ہیں۔

STEM سیکھنے کے ایک آلے کے طور پر EEG

Emotiv EEG ڈیوائسز اور سافٹ ویئر استعمال کرنے میں آسان ہیں اور یہ سائنس، ٹیکنالوجی، انجینئرنگ اور ریاضی (STEM) کے طلبہ کی اگلی نسل کو متاثر کرنے کے لیے ایک بہترین تعارفی آلہ بھی ہیں۔

Emotiv ڈیوائسز اور سافٹ ویئر فی الحال یونیورسٹی کے انڈرگریجویٹ سطح کے کورسز میں استعمال ہو رہے ہیں، نہ صرف نفسیات اور نیورو سائنس میں بلکہ بائیو میڈیکل انجینئرنگ میں بھی۔ Kurent ہائی اسکول اور کالج کی سطح پر تعلیمی عمل میں Emotiv EPOC آلات کو ضم کرنے کی ایک کامیاب مثال پیش کرتا ہے تاکہ BCI آلات کی ترقی کو ممکن بنایا جا سکے۔ Kosmayana اور دوسروں کا ماننا ہے کہ اسکول کے نصاب میں EEG-BCI سسٹمز کو شامل کرنے سے تعلیمی کارکردگی میں اضافہ ہوتا ہے۔ میکوری یونیورسٹی نے پہلے ہی اپنے بیچلر آف کوگنیٹو اینڈ برین سائنسز کے نصاب میں Emotiv آلات کی کامیاب شمولیت کا مظاہرہ کیا ہے، جس سے طلباء کو تجرباتی ڈیزائن اور EEG ڈیٹا کے تجزیے [14] کا عملی تجربہ ملتا ہے۔

مزید برآں، White-Foy ظاہر کرتا ہے کہ 12 سال کی عمر کے بچے بھی کامیابی سے BCI ٹیکنالوجی سیکھ سکتے ہیں اور چھوٹے پیمانے پر EEG بائیو ریسرچ پروجیکٹ ترتیب دے سکتے ہیں [13]۔ طلباء نے ایک آن لائن ذریعہ کا استعمال کرتے ہوئے ایک EMOTIV Insight کا استعمال کیا اور اسے راسبیری پائی (ایک چھوٹا سا کمپیوٹر) سے جوڑا جو ریموٹ کنٹرول والے اسٹار وارز کھلونے (BB-8) کو قابو کرنے کے لیے EEG حرکات کو ہدایات میں ترجمہ کرتا ہے اور اسے کسی بھول بھلیاں سے گزارتا ہے۔

اوپر: سیکنڈری اسکول نیورو لیب۔ 11-18 سال کی عمر کے طلباء نے راسبیری پائی اور BB-8 روبوٹ کو Emotiv ڈیوائس کے ساتھ جوڑا اور بھول بھلیوں کے ذریعے BB-8 کو نیویگیٹ کرنے کے لیے ذہنی کمانڈز کا استعمال کیا (نیورو لیبز کی اجازت سے اشتراک کیا گیا)

ہم دیکھ سکتے ہیں کہ کم لاگت، موبائل Emotiv EEG ڈیوائسز معلم کے لیے غیر معمولی مواد پیش کرنے کے لیے تعلیمی پروگراموں کے معیار کو بڑھانے کے طریقے ہی نہیں فراہم کرتی ہیں، بلکہ BCI میں پیش رفت کے ساتھ منفرد ضروریات کے حامل افراد کے لیے ایک بھرپور تعلیمی ماحول فراہم کرنے کی بھی تجویز پیش کرتی ہیں۔

EMOTIV کس طرح مدد کر سکتا ہے

• Emotiv EEG Lab Starter Kits کے ساتھ اپنے طلباء کے سیکھنے کے تجربات کو بہتر بنائیں۔

• EmotivPRO Builder کے ساتھ تجربات بنائیں اور ڈیٹا کا تجزیہ کریں۔

• EmotivLABS پر ڈیٹا حاصل کرنے کے لیے ریموٹ تجربات شروع کریں۔

• ہمارا اوپن سورس ڈیٹا سیٹ استعمال کریں۔

مدد چاہئیے؟ ہم سے رابطہ کریں

کور تصویر کا ذریعہ: Trevor Day School

حوالہ جات

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.