سینسر اور نگاہ کی اینالیٹکس

انگریزی صفحے کا خودکار ترجمہ، جو ابھی تک کسی مقامی بولنے والے کے ذریعے جانچا نہیں گیا۔

سینسر اور نگاہ کی اینالیٹکس — آنکھ کی ٹریکنگ، الیکٹرو اینسیفالوگرافی، الیکٹروڈرمل ایکٹیویٹی، دل کی دھڑکن کی تغیر، اور کیمرے سے حاصل کردہ اندازِ جسم کا استعمال، تاکہ توجہ، شمولیت، علمی بوجھ اور جذبات جیسی سیکھنے والے کی حالتوں کا اندازہ لگایا جا سکے۔ تعلیم میں AI میں یہ اشارے سیکھنے کا ایک مسلسل، غیر لفظی منظر دینے کا وعدہ کرتے ہیں جو کوئز اور خود رپورٹ فراہم نہیں کر سکتے۔ یہ شعبے کے سب سے مشکل استنباطی مسئلے کے بھی مرکز میں ہیں: سینسر جسم ریکارڈ کرتا ہے، ذہن نہیں، اور سیکھنے والے کے خیال یا احساس کے بارے میں ہر دعویٰ اسی ریکارڈنگ پر چڑھی ایک تشریح ہے (Kim اور Han، 2026)۔

غور کرنے کے لیے سوالات

• ویب کیم دکھا سکتا ہے کہ پورے لیکچر میں آپ کی آنکھیں ویڈیو پلیئر کے اندر رہیں۔ کیا اس کا مطلب ہے کہ آپ توجہ دے رہے تھے؟
• اگر کوئی ٹیوٹر آپ کا علمی بوجھ حقیقی وقت میں اندازہ لگا سکے، تو کیا اسے آپ سے پوچھے بغیر اس اندازے پر عمل کرنا چاہیے؟
• طالب علم کی نگاہ ٹک، بصری معذوری یا ثقافتی معمول کی وجہ سے اسکرین سے ہٹ سکتی ہے۔ ایسے طالب علم کے لیے "کم توجہ" کا جھنڈا کیا معنی رکھتا ہے؟
• کیا کسی جامعہ کو کورس کی بہتری کے لیے دماغ اور دل کا ڈیٹا جمع کرنے کی اجازت ہونی چاہیے، اور حقیقی رضامندی کے لیے کیا درکار ہو گا؟
• "75% شمولیت کی درستگی" کا عدد درست لگتا ہے۔ سینسر نے شمولیت کی کون سی تہہ واقعی چھوئی، اور کون سی چھوٹ گئی؟
• پروکٹرنگ اب اندازِ جسم اور سر کی حرکت پڑھتی ہے۔ بدعنوانی کی نشان دہی اور جسم کا فیصلہ کرنے کے درمیان لکیر کہاں ہے؟

تعارف

سینسر اور نگاہ کی اینالیٹکس طریقوں کے ایسے خاندان کو بیان کرتی ہیں جو سیکھنے والے کی جسمانی پیمائش کو تعلیمی استنباط میں بدلتے ہیں۔ پیمائشوں میں یہ شامل ہیں: آنکھیں کہاں اور کتنی دیر ٹھہرتی ہیں، کھوپڑی کی برقی سرگرمی، پسینے کے غدود کے ردِعمل، دل کی دھڑکن میں ہر دھڑکن کے درمیان تغیر، اور سر اور دھڑ کی پوزیشن و حرکت۔ استنباطوں میں توجہ، شمولیت، علمی بوجھ، الجھن، تناؤ اور، جانچ کے سیاق میں، شبہ شامل ہے۔

کشش صاف ہے۔ خود رپورٹ پس نگاہ اور موٹی ہوتی ہیں، اور کوئز سیکھنے کا نمونہ چند لمحوں میں لیتے ہیں۔ سینسر مسلسل چلتے ہیں اور سیکھنے والے سے بہت کم شعوری محنت لیتے ہیں۔ اسی جوڑ نے سینسنگ کو لرننگ اینالیٹکس اور طالب علم کی ماڈلنگ اور انطباقی تدریس کا مرکز بنا دیا، اور ایک بڑا ادب پیدا کیا جس میں سینسنگ تکنیکی طور پر متاثر کن ہے اور تشریح پتلی۔

AI کو مجسم سیکھنا کے ساتھ جوڑنے والے 23 مطالعات کا منظم جائزہ اس عدم توازن کو ٹھوس بناتا ہے۔ تجزیہ اور جانچ کوڈ شدہ AI کرداروں کا 40.0% حصہ ملا، اور شناخت و نشان دہی کو 22.5%، جبکہ فیڈبیک اور کوچنگ 15.0% پر رہی۔ سینسنگ کے کردار ٹیگز کا 62.5% بنے جبکہ شراکتی کردار 35.0% (Kim اور Han، 2026)۔ یہ شعبہ سیکھنے والوں کو دیکھنے میں اس سے بہتر ہے کہ آگے کیا ہوتا ہے اسے بدلے۔

ہر اشارہ دراصل کیا ناپتا ہے

نگاہ اور ٹھہراؤ۔ آئی ٹریکر بتاتے ہیں کہ آنکھ کہاں ہے، کتنی دیر ٹھہرتی ہے، کب جھٹکے سے ہٹتی ہے، اور کتنی پھیلی ہوئی ہے۔ WebGazer جیسے اسکرین پر مبنی نظام ویب کیم سے نگاہ کا اندازہ لگاتے ہیں، چشمے آنکھ کو براہِ راست ٹریک کرتے ہیں۔ TutorLoop نگاہ کو دو مقداروں میں بدلتا ہے: توجہ بطور مواد کے رقبے میں نگاہ کے نکات کا فیصد، اور بوجھ بطور نگاہ کی اینٹروپی، اس استدلال پر کہ بکھری نگاہ علمی بوجھ بتاتی ہے (TutorLoop، 2026)۔ بچوں کے لیے نگاہ سے رہنمائی لینے والا معاون Ollie اس کے برعکس تصویر میں دلچسپی کے علاقے متعین کرتا ہے اور بچے کے کسی علاقے کو دیکھنے پر بیان شروع کرتا ہے (Wu et al.، 2026)۔

الیکٹرو اینسیفالوگرافی۔ EEG کھوپڑی بھر میں وولٹیج کے اتار چڑھاؤ کو بلند زمانی تفصیل سے ریکارڈ کرتا ہے۔ یہ اس خاندان کا واحد اشارہ ہے جو براہِ راست قشری سرگرمی تک پہنچتا ہے، اسی لیے یہ جانچ کی تحقیق کو کھینچتا ہے۔ عملی تعلیمی نظام خشک الیکٹروڈ اور کم چینل استعمال کرتے ہیں: E3Sense نے 125 Hz پر چار خشک EEG چینل لیے اور دو سامنے والے تجزیہ کیے (Anupkrishnan et al.، 2026)۔ تحقیقی درجے کے آلات اُلٹا راستہ لیتے ہیں: Kosmyna et al. (2025) نے 32 چینل EEG سے ان طلبہ کا موازنہ کیا جو LLM، سرچ انجن، یا کسی اوزار کے بغیر لکھ رہے تھے، اور LLM گروہ میں سب سے کمزور عصبی رابطہ پایا (Kosmyna et al.، 2025)۔ یہی مطالعہ یک-چینل شواہد کا صاف ترین انتباہ بھی ہے، کیونکہ اس کا مرکزی دعویٰ ایک اختیاری کراس اوور سیشن پر ٹکا ہے جس میں 54 میں سے صرف 18 شرکا شریک ہوئے۔

الیکٹروڈرمل ایکٹیویٹی۔ EDA پسینے کے غدود کی موصلیت ناپتا ہے، جو ہمدردانہ تحریک کا اشاریہ ہے۔ یہ تناؤ، محنت اور جذباتی شدت پر ردِعمل دیتا ہے، اور ان میں امتیاز نہیں کر سکتا۔ یہی تعمیر کلائی کے بینڈوں میں بھی ملتی ہے اور پیشانی کے ان الیکٹروڈوں میں بھی جو آئی ٹریکر فریم سے چند سینٹی میٹر کے فاصلے پر لگے ہوتے ہیں (Anupkrishnan et al.، 2026)۔

دل کی دھڑکن اور اس کی تغیر۔ دھڑکن کی شرح تحریک ٹریک کرتی ہے، اور دھڑکنوں کے درمیان تغیر خودکار اعصابی بحالی کا اشاریہ ہے۔ Oura انگوٹھیاں پہننے والے 458 طلبہ کے ایک سالہ مطالعے میں جذباتی تھکاوٹ کی زبان کم نیند کارکردگی اور کم دھڑکن تغیر کے ساتھ چلی (Affective Text and Wearable Sensing، 2026)۔ کوئی پیمائش وجہ کی نشان دہی نہیں کرتی۔

کیمرے سے اندازِ جسم اور حرکت۔ پروکٹرنگ نظام ہر فریم میں سترہ جسمانی نشانات نکال کر اندازِ جسم کا انحراف، سر کی حرکت کا رجحان اور اوپری جسم کی حرکت اخذ کر سکتا ہے (Arif et al.، 2026)۔ یہ حرکت ناپتا ہے۔ اسے مشتبہ برتاؤ کہنا ایک الگ، غیر مدلل قدم ہے۔

یہ اشارے نمونہ لینے کی شرح، شور اور آلات کے بوجھ میں مختلف ہیں۔ E3Sense نے بارہ EEG، چھ آنکھ اور تین EDA ونڈوز کو 166 جہتوں کے ساتھ مشترکہ 120 سیکنڈ کی نمائندگی میں ہم آہنگ کیا (Anupkrishnan et al.، 2026)۔ EduGage نے ایک ساتھ سات قسم کے آلات چلائے اور نتیجہ نکالا کہ سب سے زیادہ قابلِ استعمال اشارہ ہلکے امتزاجوں میں تھا (Leng et al.، 2026)۔

اشارے کن کاموں کے لیے استعمال ہوتے ہیں

ویڈیو سیکھنے میں شمولیت کی نشان دہی۔ E3Sense نے 30 جامعہ طلبہ سے کہا کہ ہر ویڈیو کے پانچ حصوں کو درجہ دیں، جس سے 450 درجے بنے۔ ایک ملا ہوا ماڈل الگ رکھے گئے شرکا پر 75.0% متوازن within-one-level درستگی تک پہنچا، جبکہ موڈ بیس لائن 63.0% تھی (Anupkrishnan et al.، 2026)۔ EduGage نے 16 شرکا اور 715 پروب ونڈوز پر MAE 0.81 اور 83.75% within-one درستگی رپورٹ کی (Leng et al.، 2026)۔ دونوں اندازے کو تخمینی سمجھتے ہیں۔

کلاس روم میں توجہ کا اندازہ۔ ایک کثیرالوسیط ٹرانسفارمر نے DIPSER پر چہرے کی تصویریں پہننے والے اشاروں کے ساتھ ملائیں، جو 57 افراد کا قدرتی ڈیٹاسیٹ ہے، اور MAE 0.283 حاصل کیا۔ صرف بصری بیس لائن پر اس کی برتری معمولی تھی، اور مصنفین نتیجہ نکالتے ہیں کہ چہرے کی خصوصیات معلومات کا بنیادی ماخذ تھیں (Fragkiadakis et al.، 2026)۔

علمی بوجھ اور فیڈبیک کا وقت۔ TutorLoop نے نگاہ سے اخذ کردہ توجہ اور بوجھ استعمال کر کے چار فیڈبیک اقسام میں سے انتخاب کیا، ایک رینفورسمنٹ لرننگ ایجنٹ کے ساتھ۔ 187 شرکا میں پورا نظام بیس لائنوں سے کم مداخلت کرتا رہا مگر توجہ بہتر کی اور بوجھ کم کیا (TutorLoop، 2026)۔

پروکٹرنگ اور سالمیت۔ اندازِ جسم پر مبنی پروکٹرنگ اپنے لیبل شدہ منظرنامہ سیٹ پر چھت کے قریب کارکردگی رپورٹ کرتی ہے: 99.56% درستگی اور AUC 0.9957 (Arif et al.، 2026)۔ پہننے والا AI اسی مسئلے کو دوسری طرف سے بدلتا ہے۔ سمارٹ چشمے وہ نگاہ کا ہٹنا اور اندازِ جسم کا بدلنا ہٹا دیتے ہیں جن پر نگرانی ٹکی ہے، ایسی حالت جسے Corbin اور ساتھی دوہرا شفافیت کہتے ہیں (Corbin et al.، 2026)۔

جذبات اور بہبود۔ امتحانات کے دوران جمع کیے گئے جسمانی اشاروں نے گریڈ کے زمروں کی پیش گوئی کی، رینڈم فارسٹ 30 تکراروں میں اوسط 0.96 تک پہنچا (Yamazaki اور Rimal، 2026)۔ سب سے مضبوط پیش گو الیکٹروڈرمل ایکٹیویٹی، ایکسلرومیٹر کی حرکت اور جلد کا درجہ حرارت تھے۔ یہ تحریک اور حرکت ہے، سمجھ نہیں۔

جانچ کی تحقیق۔ EEG کو شناسائی اور ذہنی نمائندگی کی براہِ راست پیمائش کے طور پر آزمایا گیا ہے۔ دونوں راستے امید افزا ہیں اور دونوں تلاش کے درجے پر ہیں، جسے اگلا حصہ اٹھاتا ہے۔

استنباطی خلا

اوپر کا ہر استعمال ایک زنجیر پر ٹکا ہے: کوئی جسمانی یا برتاؤ کا واقعہ، اس سے نکالی گئی خصوصیت، لیبلوں پر تربیت یافتہ ماڈل، اور ذہنی حالت کے بارے میں دعویٰ۔ ہر کڑی سے رساؤ ہوتا ہے۔

لیبل اکثر سب سے کمزور کڑی ہوتا ہے۔ E3Sense نے سیکھنے والوں کے اپنے حصوں کے درجوں کی پیش گوئی کی، اور ان درجوں کا 63% دو شمولیت والی سطحوں پر تھا۔ ماڈل حالت سیکھنے کی بجائے تقسیم سیکھ کر اچھا اسکور کر سکتا ہے۔ جب محققین نے شمولیت کی سیکھنے والوں کی اپنی تعریفیں شامل کیں تو درستگی 64.6% سے 71.5% ہو گئی، جو بتاتا ہے کہ لیبل اور اشارے جزوی طور پر مختلف چیزیں ناپ رہے تھے (Anupkrishnan et al.، 2026)۔

توثیق ماڈل کو پھلا سکتی ہے۔ EEG پر مبنی شناسائی کی پیش گوئی کے پندرہ ماڈلوں کے بینچ مارک نے طبقاتی کراس ویلیڈیشن میں 0.9853 F1 حاصل کیا۔ آزمائش سے آزاد Group K-Fold، جو زمانی ساخت کا احترام کرتا ہے، چوٹی کو 25% موقع کی سطح کے مقابلے 0.6038 F1 پر لے آیا (Nanayakkara اور Halloluwa، 2026)۔ پہلا عدد رساؤ بیان کرتا ہے؛ دوسرا سیکھنا۔

عصبی ہم منصب اسکور نہیں ہوتا۔ EEG سے دوبارہ بنائی گئی تصویریں 55 شرکا-ویڈیو مشاہدات میں ٹیسٹ کارکردگی کے ساتھ R² = 0.79 پر ہم آہنگ تھیں۔ درست جواب والے آئٹمز میں غلط والوں سے زیادہ معنوی مماثلت بھی تھی۔ پھر بھی ایک شریک نے اعلیٰ معیار کی تعمیرِ نو پیدا کی اور غلط جواب دیا، چنانچہ تعمیرِ نو کے معیار کو درستگی نہیں پڑھا جا سکتا (Su et al.، 2026)۔

توجہ سیکھنا نہیں ہے۔ TutorLoop میں توجہ سیکھنے کے ساتھ r = 0.017 پر ہم آہنگ تھی، جبکہ بوجھ منفی طور پر r = -0.168 پر (TutorLoop، 2026)۔ جو نظام توجہ کے اشارے کو زیادہ سے زیادہ کرتا، اس نے شور کے قریب کسی چیز کو بہتر بنایا ہوتا۔

جسمانی پروفائل تشخیص نہیں ہے۔ امتحانی تناؤ کے ماڈل تحریک اور حرکت سے گریڈ کا زمرہ پیش گوئی کرتے ہیں، اور مصنفین اصرار کرتے ہیں کہ آؤٹ پٹ ذاتی حالات اور ذہنی صحت کے سیاق کے ساتھ رہے، کسی زیادہ داؤ والے فیصلے میں نہیں (Yamazaki اور Rimal، 2026)۔

آخر میں، جمع کرنا انضمام نہیں ہے۔ Kim اور Han نے پایا کہ زیادہ تر کثیرالوسیط مطالعات نے بہاؤ متوازی جمع کیے، ایک نے چہرے کے جذبات، نگاہ اور چہرے کی نشان دہی بعد ازاں ہم آہنگ کی، اور کسی نے بھی اپنے اندراجات حقیقی وقت میں نہیں ملائے جب کوئی سیکھنے والا نظام استعمال کر رہا تھا (Kim اور Han، 2026)۔ ہم آہنگ چینلوں کا صفحہ سیکھنے والے کا ماڈل لگ سکتا ہے جبکہ وہ محض ریکارڈنگ ہو۔

سیکھنے والوں کی سینسنگ کے اخلاق

رضامندی اداراتی طاقت سے کمزور ہوتی ہے۔ جو طالب علم کلاس میں آنا یا امتحان بیٹھنا ضروری سمجھتا ہو، وہ کیمرے یا پہننے والے آلے سے آزادانہ انکار نہیں کر سکتا۔ آبادیاتی خصوصیات شاید رضاکارانہ دی بھی نہ جائیں: DIPSER کے جنس، عمر اور نسل کے لیبل شرکا نے نہیں دیے بلکہ کمپیوٹر وژن ماڈلوں نے تصویروں سے اخذ کیے (Fragkiadakis et al.، 2026)۔ یہ جاننا کہ کوئی کون ہے، تاکہ آزمایا جا سکے کہ ماڈل اس کے ساتھ منصفانہ ہے، بذاتِ خود پروفائلنگ ہے۔

بایومیٹرک ڈیٹا عام اینالیٹکس ڈیٹا نہیں۔ EEG، EDA اور دھڑکن کا تغیر صحت سے قریب ہیں اور، بہت سے دائرہ اختیار میں، خاص زمرے کا ڈیٹا۔ یہ نیند، تناؤ اور طبی حالتیں ظاہر کر سکتے ہیں، اس سے زیادہ جو کسی کورس کو درکار ہو۔ بچوں کے لیے نگاہ سے رہنمائی لینے والے نظام پر ایک چھوٹے پائلٹ میں بھی ایک والدین نے رازداری کا اعتراض اٹھایا (Wu et al.، 2026)۔

کام کا پھیلاؤ معمول کا راستہ ہے۔ بہبود کی نگرانی خطرے کی نشان دہی بن جاتی ہے، اور وہ گریڈنگ کا ثبوت۔ Corbin اور ساتھی اس بہاؤ کی جانچ والی صورت دکھاتے ہیں: جب جسمانی اخراج ناکام ہوتا ہے تو معائنہ اشیاء سے جسموں کی طرف جاتا ہے، اور طلبہ کو ثابت کرنا پڑتا ہے کہ ان کے چشمے اصلاحی ہیں اور آلات علاجی (Corbin et al.، 2026)۔

انصاف کی ناکامیاں مختلف جسموں پر جمع ہوتی ہیں۔ چہرے پر مبنی توجہ کا اندازہ جلد کے رنگ، عینک اور روشنی پر منحصر ہے۔ نگاہ پر مبنی توجہ ان سیکھنے والوں کو سزا دیتی ہے جو آنکھ کا رابطہ نہیں کرتے، جن میں کچھ آٹسٹک اور عصبی طور پر متنوع طلبہ ہیں۔ اندازِ جسم پر مبنی پروکٹرنگ ٹک، اسٹمنگ اور ثقافتی حرکت کے معمولات جھنڈا کرتی ہے۔ پروکٹرنگ کا مطالعہ یہ نہیں آزماتا کہ جھنڈا لگا اندازِ جسم بدعنوانی سے مطابقت رکھتا ہے، یا نشان دہی کرنے والا معذور طلبہ یا نگاہ کے ثقافتی فرق کے ساتھ منصفانہ ہے (Arif et al.، 2026)۔ یہاں ضابطہ حل نہیں؛ یہ غلطی کو قاعدے میں دھو کر صاف کرنا ہے۔

انصاف کے دعووں کے لیے فرد کی سطح کے شواہد درکار ہیں۔ جنس کے لحاظ سے ہدف بنانے والے ریگولرائزر نے توثیقی MAE کا فرق 0.02 سے 0.005 کیا، پھر الگ رکھے افراد پر فرق اور بدترین گروہ کی غلطی دونوں بڑھا دیں (Fragkiadakis et al.، 2026)۔ ایک تقسیم کو انصاف کا ثبوت بتانا ڈیزائن کی ناکامی ہے جس کی مساوات پر قیمت پڑتی ہے۔

رازداری ڈیزائن میں شامل کی جا سکتی ہے۔ TutorLoop نے WebGazer کلائنٹ کی طرف چلایا تاکہ خام نگاہ براؤزر سے باہر نہ جائے (TutorLoop، 2026)۔ یہ انتخاب بتاتا ہے کہ کچھ قیمت فنِ تعمیر کی ہے، فطری نہیں۔ مشکل سوال یہ ہے کہ کیا یہ استنباط ہونا چاہیے ہی نہیں۔

عام غلط فہمیاں

"آئی ٹریکنگ بتاتی ہے کہ توجہ کہاں ہے۔" یہ بتاتی ہے کہ آنکھیں کہاں دیکھ رہی ہیں۔ نگاہ سلائیڈ پر ٹھہر سکتی ہے جبکہ سیکھنے والا کچھ اور سوچ رہا ہو، اور توجہ سے غیر متعلق وجوہات کی بنا پر اسکرین چھوڑ سکتی ہے۔ TutorLoop کا توجہ کا پیمانہ سیکھنے کے ساتھ r = 0.017 پر ہم آہنگ تھا، جو تقریباً کسی تعلق کے برابر نہیں (TutorLoop، 2026)۔

"جسمانی اشارہ ذہنی حالت کی براہِ راست قراءت ہے۔" EDA ہمدردانہ تحریک کا اشاریہ ہے، اور دھڑکن کا تغیر خودکار اعصابی بحالی کا۔ کوئی بھی تناؤ، محنت اور جوش میں امتیاز نہیں کرتا۔ جو ماڈل EDA، حرکت اور جلد کے درجہ حرارت سے امتحانی گریڈ پیش گوئی کرے، اس نے جسم کی تحریکی دستخط سیکھی ہیں، طالب علم کی سمجھ نہیں (Yamazaki اور Rimal، 2026)۔

"اعلیٰ درجہ بندی کی درستگی کا مطلب ہے کہ نظام حالت کی نشان دہی کرتا ہے۔" درستگی لیبلوں، تقسیم اور بنیادی شرح پر منحصر ہے۔ EEG شناسائی کی پیش گوئی 0.9853 سے 0.6038 F1 پر گر گئی جب توثیق نے آزمائشی حدود کا احترام کیا (Nanayakkara اور Halloluwa، 2026)۔ پروکٹرنگ کا 99.56% ایک خاص لیبل شدہ منظرنامہ سیٹ بتاتا ہے، براہِ راست امتحانات نہیں (Arif et al.، 2026)۔

"شمولیت ایک چیز ہے، اس لیے ایک اسکور اس کی نمائندگی کر سکتا ہے۔" اس تعمیر کے تین دھاگے ہیں، اور سینسر زیادہ تر پہلے تک پہنچتا ہے۔ E3Sense نے پایا کہ سیکھنے والوں نے اسے علمی، برتاؤ اور جذباتی اشاروں سے مختلف تناسب میں متعین کیا، اور ان تعریفوں نے پیش گوئی بدلی (Anupkrishnan et al.، 2026)۔ ایک واحد عدد چھپا دیتا ہے کہ کون سی تہہ ناپی گئی۔

"اگر ماڈل توثیقی تقسیم پر منصف ہے تو کلاس روم میں بھی منصف ہے۔" جس ریگولرائزر نے جنس کے گروہوں میں توثیقی غلطی برابر کی، اس نے الگ رکھے گئے گروہ کا فرق بگاڑ دیا (Fragkiadakis et al.، 2026)۔ انصاف تعیناتی کی خاصیت ہے، چیک پوائنٹ کی نہیں۔

منسلک تصورات

• طالب علم کی ماڈلنگ اور انطباقی تدریس
• لرننگ اینالیٹکس
• کثیرالوسیط AI
• جذباتی کمپیوٹنگ
• طلبہ کی شمولیت
• خود ضابطگی والی سیکھنا
• مجسم سیکھنا
• تعلیمی پیمائش
• خودکار جانچ
• جانچ کا اعتبار
• ریموٹ پروکٹرنگ
• علمی سالمیت
• رازداری
• تعصب کا ازالہ
• عصبی تنوع
• مساوات
• رسائی
• مشین لرننگ
• علمی نفسیات
• ذہین ٹیوٹرنگ

منسلک مضامین

• Gaze-Informed Proactive AI Assistance for Children’s Picture Exploration — نگاہ سے چلنے والا LLM بیان بچوں کو بیان والے علاقے پر 6.48 سیکنڈ رکھتا رہا بمقابلہ 1.67 سیکنڈ، مگر ناپا توجہ گیا، سمجھ نہیں (Wu et al.، 2026)
• E3Sense: Head-Confined Multimodal Sensing of Learner Engagement — سر پر پہنے EEG، آئی ٹریکنگ اور پیشانی EDA نے خود درج شمولیت 75.0% within-one درستگی سے پیش گوئی کی، 63.0% بیس لائن کے مقابلے (Anupkrishnan et al.، 2026)
• EduGage: Methods and Dataset for Sensor-Based Momentary Assessment of Engagement in Self-Guided Video Learning — EduGage نے سات پہننے والے اور کیمرہ بہاؤ کو حصے کی سطح کے شمولیتی اندازوں میں ملایا (MAE 0.81) اور ہلکے آلات کی دلیل دی (Leng et al.، 2026)
• Fairness-Aware Multimodal Transformer Modeling for Real-Time Student Attention Estimation — کثیرالوسیط توجہ ماڈل MAE 0.283 تک پہنچا، اور اس کے توثیقی انصاف کے فوائد الگ رکھے افراد پر اُلٹ گئے (Fragkiadakis et al.، 2026)
• On AI glasses and wearable AI in assessment — پہننے والا AI دوہرا شفاف ہے، چنانچہ جسمانی اخراج ناکام ہوتا ہے اور نفاذ طلبہ کے جسموں کے فیصلے کی طرف بہکتا ہے (Corbin et al.، 2026)
• Automating Learner Assessment: Benchmarking Machine Learning and Deep Learning Models for EEG-Based Familiarity Prediction — EEG شناسائی کی پیش گوئی کے پندرہ ماڈل آزمائش سے آزاد توثیق میں 0.9853 سے 0.6038 F1 پر آ گئے (Nanayakkara اور Halloluwa، 2026)
• Seeing what students learn: assessing cognitive representations and academic outcomes via EEG image reconstruction — EEG سے بنائی گئی تصویریں ٹیسٹ کارکردگی کے ساتھ R² = 0.79 پر چلیں، ایک اعلیٰ تعمیرِ نو والا شریک غلط جواب دے گیا (Su et al.، 2026)
• Leveraging Physiological Signals to Predict Exam Outcomes with Machine Learning — رینڈم فارسٹ نے EDA، حرکت اور جلد کے درجہ حرارت سے امتحانی گریڈ کے زمرے پیش گوئی کیے — تحریک کے اشارے، سمجھ کے نہیں (Yamazaki اور Rimal، 2026)
• A formative study of brief affective text as a complement to wearable sensing for longitudinal student health monitoring — 458 Oura پہننے والے طلبہ میں جذباتی انداز، نہ کہ فکر کا موضوع، نیند اور دھڑکن کے تغیر کے ساتھ چلا (2026)
• TutorLoop: Regulating Student Learning Behaviors via Sensor-in-the-Loop Generative Feedback — ویب کیم نگاہ نے 187 سیکھنے والوں کے لیے رینفورسمنٹ لرننگ فیڈبیک چلایا؛ توجہ سیکھنے کے ساتھ r = 0.017 پر تھی، بوجھ منفی طور پر (2026)
• An automated online proctoring system with live suspicious activity detection using YOLOv11 pose estimation and multi-model classification — YOLOv11 کی اندازِ جسم خصوصیات نے خاص لیبل شدہ سیٹ پر 99.56% مشتبہ برتاؤ جھنڈا لگایا، بدعنوانی یا انصاف آزمائے بغیر (Arif et al.، 2026)
• Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task — 54 شرکا میں بیرونی تحریری معاونت کے ساتھ EEG رابطہ کم ہوا، انحصار بطور جمع شدہ علمی قرض (Kosmyna et al.، 2025)
• Artificial intelligence in embodied learning: A systematic literature review — 23 مطالعات میں سینسنگ کے کردار 62.5% ٹیگز پر غالب رہے اور کسی جائزہ شدہ نظام نے کثیرالوسیط بہاؤ حقیقی وقت میں نہیں ملایا (Kim اور Han، 2026)