सेंसर और गेज़ एनालिटिक्स

यह अंग्रेज़ी पेज का ऑटोमैटिक अनुवाद है और इसकी अभी तक किसी मूल भाषी ने समीक्षा नहीं की है।

सेंसर और गेज़ एनालिटिक्स — आई ट्रैकिंग, इलेक्ट्रोएन्सेफलोग्राफी, इलेक्ट्रोडर्मल एक्टिविटी, हृदय-गति परिवर्तनशीलता और कैमरा-आधारित मुद्रा के उपयोग से शिक्षार्थी की अवस्थाओं — ध्यान, सहभागिता, संज्ञानात्मक भार और भाव — का अनुमान लगाना। शिक्षा में AI में ये संकेत सीखने का एक सतत, अशाब्दिक दृश्य देने का वादा करते हैं जो क्विज़ और स्व-रिपोर्ट नहीं दे सकते। ये क्षेत्र की सबसे कठिन अनुमान-समस्या के केंद्र में भी बैठे हैं: सेंसर शरीर दर्ज करता है, मन नहीं, और शिक्षार्थी क्या सोचता या महसूस करता है, इसका हर दावा उस रिकॉर्डिंग पर चढ़ी एक व्याख्या है (Kim और Han, 2026)।

विचार करने योग्य प्रश्न

• एक वेबकैम दिखा सकता है कि पूरे व्याख्यान के दौरान आपकी आँखें वीडियो प्लेयर के भीतर रहीं। क्या इसका अर्थ है कि आप ध्यान दे रहे थे?
• अगर कोई ट्यूटर आपके संज्ञानात्मक भार का वास्तविक समय में अनुमान लगा सके, तो क्या उसे आपसे पहले पूछे बिना उस अनुमान पर कार्रवाई करनी चाहिए?
• किसी छात्र की दृष्टि टिक, दृष्टि-दोष या किसी सांस्कृतिक मानदंड के कारण स्क्रीन से हट सकती है। उस छात्र के लिए "कम ध्यान" का संकेत क्या अर्थ रखता है?
• क्या किसी विश्वविद्यालय को पाठ्यक्रम-सुधार के लिए मस्तिष्क और हृदय का डेटा एकत्र करने की अनुमति होनी चाहिए, और वास्तविक सहमति के लिए क्या आवश्यक होगा?
• "75% सहभागिता सटीकता" का आँकड़ा सटीक सुनाई देता है। सेंसर वास्तव में सहभागिता की किस परत तक पहुँचा, और किसे चूक गया?
• परीक्षा-निगरानी अब मुद्रा और सिर की गति पढ़ती है। कदाचार पकड़ने और किसी शरीर का निर्णय करने के बीच रेखा कहाँ है?

परिचय

सेंसर और गेज़ एनालिटिक्स उन विधियों के परिवार का वर्णन करते हैं जो शिक्षार्थी के भौतिक मापन को शैक्षिक अनुमानों में बदलती हैं। मापनों में यह शामिल है कि आँखें कहाँ और कितनी देर टिकती हैं, खोपड़ी की विद्युत गतिविधि, पसीना-ग्रंथि की प्रतिक्रियाएँ, हृदय-गति में धड़कन-दर-धड़कन परिवर्तन, और सिर तथा धड़ की स्थिति व गति। अनुमानों में ध्यान, सहभागिता, संज्ञानात्मक भार, भ्रम, तनाव और, मूल्यांकन-परिवेश में, संदेह शामिल हैं।

आकर्षण सीधा है। स्व-रिपोर्ट पूर्वव्यापी और मोटी होती हैं, और क्विज़ सीखने का नमूना कुछ ही क्षणों में लेते हैं। सेंसर लगातार चलते हैं और शिक्षार्थी से बहुत कम सचेत प्रयास माँगते हैं। इस संयोजन ने संवेदन को लर्निंग एनालिटिक्स और शिक्षार्थी मॉडलिंग और अनुकूली शिक्षण के केंद्र में बैठा दिया है, और ऐसा विपुल साहित्य पैदा किया है जिसमें संवेदन तकनीकी रूप से प्रभावशाली है और व्याख्या पतली।

व्यवस्थित समीक्षा में AI को अधिष्ठित शिक्षा के साथ जोड़ने वाले 23 अध्ययनों का यह असंतुलन ठोस हो जाता है। विश्लेषण और मूल्यांकन कोडित AI भूमिकाओं का 40.0% थे, और पहचान व डिटेक्शन 22.5%, जबकि प्रतिपुष्टि और कोचिंग 15.0% रहे। भूमिका-टैग में संवेदन-भूमिकाएँ 62.5% थीं जबकि सहभागी भूमिकाएँ 35.0% (Kim और Han, 2026)। क्षेत्र शिक्षार्थियों को देखने में उससे बेहतर है जितना यह बदलने में कि आगे क्या होता है।

प्रत्येक संकेत वास्तव में क्या मापता है

गेज़ और फ़िक्सेशन। आई ट्रैकर बताते हैं कि आँख कहाँ इंगित करती है, कितनी देर ठहरती है, कब सैकेड करती है, और कितनी चौड़ी फैलती है। WebGazer जैसी स्क्रीन-आधारित प्रणालियाँ वेबकैम से गेज़ का अनुमान लगाती हैं, जबकि चश्मे आँख को सीधे ट्रैक करते हैं। TutorLoop गेज़ को दो मात्राओं में बदलता है: ध्यान, गेज़-बिंदुओं का वह प्रतिशत जो सामग्री-क्षेत्र के भीतर है, और कार्यभार, गेज़ एंट्रॉपी के रूप में, इस तर्क पर कि बिखरी दृष्टि संज्ञानात्मक भार को दर्शाती है (TutorLoop, 2026)। बच्चों के लिए गेज़-सूचित सहायक Ollie इसके बजाय किसी चित्र में रुचि-क्षेत्र परिभाषित करता है और बच्चे के उन्हें देखने पर वर्णन शुरू करता है (Wu et al., 2026)।

इलेक्ट्रोएन्सेफलोग्राफी। EEG उच्च कालिक विभेदन पर खोपड़ी भर में वोल्टेज उतार-चढ़ाव दर्ज करता है। यह इस परिवार का एकमात्र संकेत है जो सीधे प्रांतस्था-गतिविधि तक पहुँचता है, इसीलिए यह मूल्यांकन-अनुसंधान को आकर्षित करता है। व्यावहारिक शैक्षिक प्रणालियाँ सूखे इलेक्ट्रोड और कम चैनल इस्तेमाल करती हैं: E3Sense ने 125 Hz पर चार सूखे EEG चैनल लिए और दो ललाट वाले विश्लेषित किए (Anupkrishnan et al., 2026)। अनुसंधान-स्तरीय उपकरण उल्टा रास्ता लेते हैं: Kosmyna et al. (2025) ने 32-चैनल EEG से उन छात्रों की तुलना की जो LLM, सर्च इंजन या किसी उपकरण के बिना लिख रहे थे, और LLM समूह में सबसे कमज़ोर तंत्रिका संबद्धता पाई (Kosmyna et al., 2025)। वह अध्ययन एकल-चैनल साक्ष्य के बारे में सबसे साफ़ चेतावनी भी है, क्योंकि उसका केंद्रीय दावा ऐसे वैकल्पिक क्रॉसओवर सत्र पर टिका है जिसमें 54 में से केवल 18 प्रतिभागी आए।

इलेक्ट्रोडर्मल एक्टिविटी। EDA पसीना-ग्रंथि की चालकता मापता है, जो सहानुभूति-तंत्र की उत्तेजना का सूचक है। यह तनाव, प्रयास और भावनात्मक तीव्रता पर प्रतिक्रिया देता है, और इनके बीच भेद नहीं कर सकता। वही संरचना कलाई-पट्टियों में और माथे के उन इलेक्ट्रोडों में दिखती है जिन्हें आई-ट्रैकर फ़्रेम कुछ सेंटीमीटर के अंतर पर स्थिर करता है (Anupkrishnan et al., 2026)।

हृदय-गति और हृदय-गति परिवर्तनशीलता। हृदय-गति उत्तेजना को दर्शाती है, और धड़कनों के बीच परिवर्तनशीलता स्वायत्त रिकवरी का सूचक है। Oura रिंग पहने 458 छात्रों के एक वर्ष-लंबे अध्ययन में भावनात्मक-थकावट की भाषा कम नींद-दक्षता और कम हृदय-गति परिवर्तनशीलता के साथ चली (Affective Text and Wearable Sensing, 2026)। दोनों में से कोई माप कारण नहीं बताता।

कैमरा-आधारित मुद्रा और गति। एक परीक्षा-निगरानी प्रणाली प्रति फ़्रेम सत्रह शरीर-लैंडमार्क निकाल सकती है और मुद्रा-विचलन, सिर-गति की प्रवृत्ति तथा ऊपरी-शरीर गति प्राप्त कर सकती है (Arif et al., 2026)। यह गति मापता है। उसे संदिग्ध व्यवहार कहना एक अलग, असमर्थित क़दम है।

ये संकेत नमूनाकरण-दर, शोर और उपकरण-भार में भिन्न हैं। E3Sense ने बारह EEG, छह नेत्र और तीन EDA विंडो को 166 आयामों वाले साझा 120-सेकंड प्रतिनिधित्व में संरेखित किया (Anupkrishnan et al., 2026)। EduGage ने एक साथ सात उपकरण-प्रकार चलाए और निष्कर्ष निकाला कि हल्के संयोजनों में अधिकांश उपयोगी संकेत था (Leng et al., 2026)।

संकेत किस काम आते हैं

वीडियो सीखने में सहभागिता पहचान। E3Sense ने 30 विश्वविद्यालय छात्रों से प्रति वीडियो पाँच खंडों को आँकने के लिए कहा, जिससे 450 रेटिंग बनीं। एक संयुक्त मॉडल ने अपरिचित प्रतिभागियों पर 63.0% मोड-आधाररेखा के विरुद्ध 75.0% संतुलित एक-स्तर-भीतर सटीकता पाई (Anupkrishnan et al., 2026)। EduGage ने 16 प्रतिभागियों और 715 प्रोब विंडो पर 0.81 का MAE और 83.75% एक-भीतर सटीकता बताई (Leng et al., 2026)। दोनों अनुमान को स्थूल मानते हैं।

कक्षाओं में ध्यान का अनुमान। एक मल्टीमॉडल ट्रांसफ़ॉर्मर ने DIPSER पर चेहरे की छवियों को पहनने योग्य संकेतों के साथ जोड़ा, जो 57 विषयों का प्राकृतिक डेटासेट है, और 0.283 का MAE पाया। केवल-दृश्य आधाररेखा पर उसकी बढ़त मामूली थी, और लेखक निष्कर्ष निकालते हैं कि चेहरे के लक्षण प्राथमिक सूचना-स्रोत थे (Fragkiadakis et al., 2026)।

संज्ञानात्मक भार और प्रतिपुष्टि का समय। TutorLoop ने गेज़-व्युत्पन्न ध्यान और कार्यभार से चार प्रतिपुष्टि प्रकारों में से चुनने के लिए सुदृढ़ीकरण-अधिगम एजेंट का उपयोग किया। 187 प्रतिभागियों में पूरी प्रणाली ने आधाररेखाओं से कम बार हस्तक्षेप किया, फिर भी ध्यान सुधारा और कार्यभार घटाया (TutorLoop, 2026)।

परीक्षा-निगरानी और सत्यनिष्ठा। मुद्रा-आधारित निगरानी अपने ही लेबल किए गए परिदृश्य-सेट पर लगभग-शीर्ष प्रदर्शन बताती है: 99.56% सटीकता और 0.9957 का AUC (Arif et al., 2026)। पहनने योग्य AI वही समस्या दूसरी ओर से बदल देता है। स्मार्ट चश्मे वह दृष्टि-पतन और मुद्रा-बदलाव हटा देते हैं जिन पर निगरानी टिकती है — ऐसी स्थिति जिसे Corbin और सहयोगी द्वैध पारदर्शिता कहते हैं (Corbin et al., 2026)।

भाव और कल्याण। परीक्षाओं के दौरान एकत्र शारीरिक संकेतों ने ग्रेड-श्रेणियों का अनुमान लगाया, जिसमें रैंडम फ़ॉरेस्ट 30 प्रतिकृति में औसतन 0.96 तक पहुँचा (Yamazaki और Rimal, 2026)। शीर्ष पूर्वानुमानक इलेक्ट्रोडर्मल एक्टिविटी, एक्सेलेरोमीटर गति और त्वचा-तापमान थे। यह उत्तेजना और गति है, समझ नहीं।

मूल्यांकन अनुसंधान। EEG को परिचय और मानसिक प्रतिनिधित्व के प्रत्यक्ष माप के रूप में परखा गया है। दोनों दिशाएँ आशाजनक हैं और दोनों अन्वेषणात्मक बनी हुई हैं, जिसे अगला भाग उठाता है।

अनुमान-अंतराल

ऊपर का हर उपयोग एक श्रृंखला पर टिका है: कोई शारीरिक या व्यवहारिक घटना, उससे गणना किया गया लक्षण, लेबल पर प्रशिक्षित मॉडल, और मानसिक अवस्था के बारे में एक दावा। हर कड़ी से रिसाव होता है।

लेबल अक्सर सबसे कमज़ोर कड़ी होता है। E3Sense ने शिक्षार्थियों की अपनी खंड-रेटिंग का अनुमान लगाया, और उन रेटिंग का 63% दो सहभागी स्तरों पर था। कोई मॉडल अवस्था के बजाय वितरण सीखकर अच्छा स्कोर कर सकता है। जब शोधकर्ताओं ने सहभागिता की शिक्षार्थियों की अपनी परिभाषाएँ जोड़ीं, तो सटीकता 64.6% से 71.5% हो गई, जो संकेत देता है कि लेबल और संकेत कुछ हद तक अलग चीज़ें माप रहे थे (Anupkrishnan et al., 2026)।

वैधता-निर्धारण मॉडल को फुला सकता है। EEG-आधारित परिचय-पूर्वानुमान के लिए पंद्रह मॉडलों के बेंचमार्क ने स्तरीकृत क्रॉस-वैलिडेशन में 0.9853 F1 पाया। परीक्षण-स्वतंत्र Group K-Fold, जो कालिक संरचना का सम्मान करता है, शिखर को 25% संयोग-स्तर के विरुद्ध 0.6038 F1 तक गिरा दिया (Nanayakkara और Halloluwa, 2026)। पहला आँकड़ा रिसाव बताता है; दूसरा सीखना।

कोई तंत्रिका-सहसंबंध स्कोर नहीं है। EEG से पुनर्निर्मित छवियाँ 55 प्रतिभागी-वीडियो अवलोकनों में R² = 0.79 पर परीक्षण-प्रदर्शन से सहसंबद्ध रहीं। सही उत्तर वाले प्रश्नों ने ग़लत वालों की तुलना में अधिक अर्थ-समानता भी दिखाई। फिर भी एक प्रतिभागी ने उच्च-गुणवत्ता पुनर्निर्माण दिया और ग़लत उत्तर दिया, इसलिए पुनर्निर्माण-गुणवत्ता को सत्यता के रूप में नहीं पढ़ा जा सकता (Su et al., 2026)।

ध्यान सीखना नहीं है। TutorLoop में ध्यान सीखने के साथ r = 0.017 पर सहसंबद्ध था, जबकि कार्यभार r = -0.168 पर ऋणात्मक रूप से सहसंबद्ध था (TutorLoop, 2026)। जो प्रणाली ध्यान-संकेत को अधिकतम करती, उसने लगभग-शोर को अनुकूलित किया होता।

कोई शारीरिक प्रोफ़ाइल निदान नहीं है। परीक्षा-तनाव मॉडल उत्तेजना और गति से ग्रेड-श्रेणी का अनुमान लगाते हैं, और लेखक ज़ोर देते हैं कि आउटपुट व्यक्तिगत परिस्थितियों और मानसिक-स्वास्थ्य संदर्भ के बगल में रहे, किसी उच्च-दाँव निर्णय में नहीं (Yamazaki और Rimal, 2026)।

अंत में, संग्रह एकीकरण नहीं है। Kim और Han ने पाया कि अधिकांश मल्टीमॉडल अध्ययन धाराओं को समानांतर में जमा करते हैं, एक ने चेहरे के भाव, गेज़ और चेहरा-पहचान को बाद में संरेखित किया, और किसी ने भी शिक्षार्थी के प्रणाली का उपयोग करते समय अपने इनपुट को जीवंत रूप से संयुक्त नहीं किया (Kim और Han, 2026)। समकालिक चैनलों का पृष्ठ शिक्षार्थी का मॉडल दिख सकता है जबकि वह केवल एक रिकॉर्डिंग है।

शिक्षार्थियों को संवेद करने की नैतिकता

सहमति संस्थागत शक्ति से कमज़ोर पड़ती है। जिस छात्र को कक्षा में उपस्थित रहना या परीक्षा देनी होती है, वह कैमरे या पहनने योग्य उपकरण को स्वतंत्र रूप से अस्वीकार नहीं कर सकता। जनसांख्यिकीय विशेषताएँ शायद स्वेच्छा से दी भी न जाएँ: DIPSER के लिंग, आयु और जातीयता लेबल प्रतिभागियों द्वारा दिए जाने के बजाय कंप्यूटर-विज़न मॉडलों द्वारा छवियों से अनुमानित किए गए थे (Fragkiadakis et al., 2026)। यह अनुमान लगाना कि कोई कौन है, ताकि परखा जा सके कि कोई मॉडल उसके साथ निष्पक्ष है या नहीं, स्वयं एक प्रोफ़ाइलिंग कृत्य है।

बायोमेट्रिक डेटा साधारण एनालिटिक्स डेटा नहीं है। EEG, EDA और हृदय-गति परिवर्तनशीलता स्वास्थ्य के निकट हैं और कई क्षेत्राधिकारों में विशेष-श्रेणी डेटा हैं। वे नींद, तनाव और चिकित्सीय स्थितियाँ उजागर कर सकते हैं, जो किसी पाठ्यक्रम की आवश्यकता से परे हैं। बच्चों के लिए गेज़-सूचित प्रणाली ने छोटे पायलट में भी एक अभिभावक से गोपनीयता आपत्ति खींची (Wu et al., 2026)।

कार्य-विस्तार सामान्य रास्ता है। कल्याण-निगरानी जोखिम-चिह्नांकन बन जाती है, और जोखिम-चिह्नांकन ग्रेडिंग-साक्ष्य। Corbin और सहयोगी इस बहाव का मूल्यांकन-संस्करण दिखाते हैं: जब भौतिक बहिष्करण विफल होता है, तो निरीक्षण कलाकृतियों से शरीरों की ओर बढ़ता है, और छात्रों को सिद्ध करना पड़ता है कि उनके चश्मे सुधारक हैं और उपकरण चिकित्सीय (Corbin et al., 2026)।

निष्पक्षता-विफलताएँ भिन्न शरीरों पर झुंड बनाती हैं। चेहरे-आधारित ध्यान-अनुमान त्वचा-रंग, चश्मे और प्रकाश पर निर्भर है। गेज़-आधारित ध्यान उन शिक्षार्थियों को दंडित करता है जो आँख-संपर्क से बचते हैं, जिनमें कुछ ऑटिस्टिक और न्यूरोडाइवर्जेंट छात्र शामिल हैं। मुद्रा-आधारित निगरानी टिक, स्टिमिंग और सांस्कृतिक गति-मानदंडों को चिह्नित करती है। निगरानी अध्ययन यह नहीं परखता कि चिह्नित मुद्रा कदाचार से मेल खाती है या नहीं, या डिटेक्टर दिव्यांग छात्रों या दृष्टि के सांस्कृतिक भेदों के साथ निष्पक्ष है या नहीं (Arif et al., 2026)। यहाँ नियमन समाधान नहीं है; यह त्रुटि को किसी नियम में धो देने का तरीक़ा है।

निष्पक्षता-दावों को विषय-स्तरीय साक्ष्य चाहिए। लिंग-लक्षित नियमितक ने वैलिडेशन MAE अंतराल 0.02 से 0.005 तक घटाया, फिर अपरिचित विषयों पर अंतराल और सबसे ख़राब-समूह त्रुटि दोनों बढ़ा दिए (Fragkiadakis et al., 2026)। किसी एक विभाजन को निष्पक्षता का प्रमाण बताना एक डिज़ाइन-विफलता है जिसकी समता-क़ीमत है।

गोपनीयता डिज़ाइन में रखी जा सकती है। TutorLoop ने WebGazer को क्लाइंट-साइड चलाया ताकि कच्चा गेज़ कभी ब्राउज़र से बाहर न जाए (TutorLoop, 2026)। यह चुनाव दिखाता है कि लागत का कुछ हिस्सा अंतर्निहित नहीं बल्कि स्थापत्य-संबंधी है। कठिन प्रश्न यह है कि क्या यह अनुमान होना ही चाहिए।

सामान्य भ्रांतियाँ

"आई ट्रैकिंग बताती है कि ध्यान कहाँ है।" यह बताती है कि आँखें कहाँ इंगित करती हैं। दृष्टि किसी स्लाइड पर टिकी रह सकती है जबकि शिक्षार्थी कुछ और सोच रहा हो, और वह ध्यान से असंबंधित कारणों से स्क्रीन छोड़ सकती है। TutorLoop का ध्यान-माप सीखने के साथ r = 0.017 पर सहसंबद्ध था, जो लगभग कोई संबंध ही नहीं है (TutorLoop, 2026)।

"शारीरिक संकेत मानसिक अवस्था का सीधा पाठ है।" EDA सहानुभूति-उत्तेजना का सूचक है, और हृदय-गति परिवर्तनशीलता स्वायत्त रिकवरी का। कोई भी तनाव को प्रयास से या उत्साह से नहीं अलग करता। जो मॉडल EDA, गति और त्वचा-तापमान से परीक्षा-ग्रेड का अनुमान लगाता है, उसने शरीर की उत्तेजना-पहचान सीखी है, छात्र की समझ नहीं (Yamazaki और Rimal, 2026)।

"उच्च वर्गीकरण सटीकता का अर्थ है कि प्रणाली अवस्था पकड़ती है।" सटीकता लेबल, विभाजन और आधार-दर पर निर्भर है। जब वैलिडेशन ने परीक्षण-सीमाओं का सम्मान किया तो EEG परिचय-पूर्वानुमान 0.9853 से 0.6038 F1 पर गिरा (Nanayakkara और Halloluwa, 2026)। निगरानी का 99.56% एक विशेष लेबल किए गए परिदृश्य-सेट का वर्णन करता है, जीवंत परीक्षाओं का नहीं (Arif et al., 2026)।

"सहभागिता एक ही चीज़ है, इसलिए एक स्कोर उसका प्रतिनिधित्व कर सकता है।" इस संरचना के तीन सूत्र हैं, और सेंसर अधिकतर पहले तक पहुँचता है। E3Sense ने पाया कि शिक्षार्थियों ने इसे संज्ञानात्मक, व्यवहारिक और भावनात्मक संकेतकों के माध्यम से अलग-अलग अनुपातों में परिभाषित किया, और उन परिभाषाओं ने पूर्वानुमान बदल दिया (Anupkrishnan et al., 2026)। एक अकेली संख्या छिपा देती है कि कौन-सी परत मापी गई।

"अगर मॉडल वैलिडेशन विभाजन पर निष्पक्ष है, तो कक्षा में भी निष्पक्ष है।" जिस नियमितक ने लिंग-समूहों में वैलिडेशन त्रुटि बराबर की, उसने अपरिचित अंतराल और बिगाड़ दिया (Fragkiadakis et al., 2026)। निष्पक्षता तैनाती की विशेषता है, किसी चेकपॉइंट की नहीं।

संबंधित अवधारणाएँ

• शिक्षार्थी मॉडलिंग और अनुकूली शिक्षण
• लर्निंग एनालिटिक्स
• बहुमाध्यमी AI
• अफ़ेक्टिव कंप्यूटिंग
• छात्र सहभागिता
• स्व-नियंत्रित अधिगम
• अधिष्ठित शिक्षा
• शैक्षणिक मापन
• स्वचालित मूल्यांकन
• मूल्यांकन की वैधता
• रिमोट प्रॉक्टरिंग
• शैक्षणिक इमानदारी
• निजता
• पूर्वाग्रह शमन
• न्यूरोडायवर्सिटी
• समानता
• सुगम्यता
• मशीन लर्निंग
• संज्ञानात्मक मनोविज्ञान
• इंटेलिजेंट ट्यूटरिंग

संबंधित लेख

• Gaze-Informed Proactive AI Assistance for Children’s Picture Exploration — गेज़-ट्रिगर LLM वर्णन ने बच्चों को वर्णित क्षेत्र पर 6.48 सेकंड बनाम 1.67 सेकंड रखा, पर अध्ययन ने समझ के बजाय ध्यान मापा (Wu et al., 2026)
• E3Sense: Head-Confined Multimodal Sensing of Learner Engagement — सिर-आरोपित EEG, आई ट्रैकिंग और माथे का EDA ने स्व-आँकित सहभागिता का 63.0% आधाररेखा के विरुद्ध 75.0% एक-भीतर सटीकता से अनुमान लगाया (Anupkrishnan et al., 2026)
• EduGage: Methods and Dataset for Sensor-Based Momentary Assessment of Engagement in Self-Guided Video Learning — EduGage ने सात पहनने योग्य और कैमरा धाराओं को खंड-स्तरीय सहभागिता अनुमानों (MAE 0.81) में संयोजित किया और हल्के उपकरण का पक्ष लिया (Leng et al., 2026)
• Fairness-Aware Multimodal Transformer Modeling for Real-Time Student Attention Estimation — मल्टीमॉडल ध्यान मॉडल 0.283 MAE तक पहुँचा, और उसके वैलिडेशन निष्पक्षता-लाभ अपरिचित विषयों पर उलट गए (Fragkiadakis et al., 2026)
• On AI glasses and wearable AI in assessment — पहनने योग्य AI द्वैध रूप से पारदर्शी है, इसलिए भौतिक बहिष्करण विफल होता है और प्रवर्तन छात्रों के शरीरों का निर्णय करने की ओर बहकता है (Corbin et al., 2026)
• Automating Learner Assessment: Benchmarking Machine Learning and Deep Learning Models for EEG-Based Familiarity Prediction — EEG परिचय-पूर्वानुमान के पंद्रह मॉडल परीक्षण-स्वतंत्र वैलिडेशन में 0.9853 से 0.6038 F1 पर गिरे (Nanayakkara और Halloluwa, 2026)
• Seeing what students learn: assessing cognitive representations and academic outcomes via EEG image reconstruction — EEG-पुनर्निर्मित छवियाँ परीक्षण-प्रदर्शन को R² = 0.79 पर दर्शाती रहीं, जबकि एक उच्च-पुनर्निर्माण प्रतिभागी ने ग़लत उत्तर दिया (Su et al., 2026)
• Leveraging Physiological Signals to Predict Exam Outcomes with Machine Learning — रैंडम फ़ॉरेस्ट ने EDA, गति और त्वचा-तापमान से परीक्षा-ग्रेड श्रेणियों का अनुमान लगाया, जो समझ के बजाय उत्तेजना के सूचक संकेत हैं (Yamazaki और Rimal, 2026)
• A formative study of brief affective text as a complement to wearable sensing for longitudinal student health monitoring — 458 Oura पहने छात्रों में, चिंता का विषय नहीं बल्कि भावनात्मक स्वर नींद और हृदय-गति परिवर्तनशीलता के साथ चला (2026)
• TutorLoop: Regulating Student Learning Behaviors via Sensor-in-the-Loop Generative Feedback — वेबकैम गेज़ ने 187 शिक्षार्थियों के लिए सुदृढ़ीकरण-अधिगम प्रतिपुष्टि चलाई; ध्यान सीखने के साथ r = 0.017 पर था जबकि कार्यभार ऋणात्मक रूप से सहसंबद्ध था (2026)
• An automated online proctoring system with live suspicious activity detection using YOLOv11 pose estimation and multi-model classification — YOLOv11 मुद्रा-लक्षणों ने विशेष लेबल सेट पर 99.56% से संदिग्ध व्यवहार चिह्नित किया, कदाचार या निष्पक्षता परखे बिना (Arif et al., 2026)
• Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task — 54 प्रतिभागियों में बाहरी लेखन-सहायता के साथ EEG संबद्धता घटी, निर्भरता को संचित संज्ञानात्मक ऋण के रूप में प्रस्तुत करते हुए (Kosmyna et al., 2025)
• Artificial intelligence in embodied learning: A systematic literature review — 23 अध्ययनों में संवेदन-भूमिकाएँ टैग के 62.5% पर हावी रहीं और किसी समीक्षित प्रणाली ने मल्टीमॉडल धाराओं को जीवंत संयुक्त नहीं किया (Kim और Han, 2026)