DGCSA: Dynamic graph convolution with self-attention for EEG-based attention recognition in VR and 2D environment

إن العقل البشري بارع في التركيز، ومع ذلك فإن هذا التركيز هش، وسهل التشتت بفعل ضجيج العالم الحديث. وبالنسبة للمعلمين والمدربين، كان معرفة متى يكون الطالب مندمجاً حقاً ومتى يشرد ذهنه لغزاً طالما اعتمد على مراقبة لغة الجسد أو الاستناد إلى التقارير الذاتية. ولحل هذه المعضلة، توجه العلماء إلى الدماغ نفسه، باستخدام طريقة تسمى تخطيط كهربية الدماغ، أو EEG. تتضمن هذه التقنية وضع غطاء من المستشعرات على فروة الرأس للاستماع إلى الهمسات الكهربائية الخافتة لمليارات الخلايا العصبية التي تعمل بانسجام. وبينما يكون النشاط الكهربائي للدماغ سريعاً ومعقداً للغاية، فإنه يحمل سجلاً مباشراً لحالتنا الذهنية. لقد كان التحدي دائماً يكمن في ترجمة ذلك الضجيج الفوضوي إلى إشارة واضحة: هل الشخص منتبه، أم أنه غارق في أفكاره؟

لقد طور فريق من الباحثين من جامعة شيان شيو وجامعة موناش طريقة جديدة لفك تشفير هذه الإشارات، وتحديداً لقياس مستويات الانتباه في بيئات التعلم التقليدية والافتراضية. لقد أنشأوا نظاماً يعامل الدماغ ليس كمجموعة من الأجزاء المعزولة، بل كشبكة ديناميكية تتواصل فيها المناطق المختلفة باستمرار مع بعضها البعض. ومن خلال الجمع بين رؤية الشبكة هذه مع طريقة تزن أهمية إيقاعات الدماغ المختلفة، بنوا أداة يمكنها التمييز بين الانتباه المنخفض والمتوسط والمرتفع بدقة ملحوظة. كما يقدم عملهم نظرة نادرة داخل الدماغ لمعرفة ما إذا كانت الواقع الافتراضي، وهي العوالم الرقمية الغامرة التي تُستخدم غالباً في التدريب، تساعد الناس بالفعل على التركيز بشكل أفضل من شاشة الكمبيوتر العادية.

بدأ الباحثون بجمع البيانات من عشرين طالباً جامعياً ارتدوا غطاءً يحتوي على 64 مستشعراً أثناء أداء مهمة ذهنية محددة تُعرف باسم "شبكة شولت" (Schulte Grid). في هذا التمرين، كان على المشاركين العثور على الأرقام من واحد إلى خمسة وعشرين والنقر عليها كما تظهر في شبكة عشوائية على الشاشة. وقد كانت سرعة ودقة نقراتهم بمثابة مؤشر موثوق لحالتهم الذهنية. صنف الفريق أداء المشاركين إلى ثلاثة مستويات: انتباه منخفض، حيث كانوا في حالة راحة مع إغلاق أعينهم؛ انتباه متوسط، حيث أكملوا المهمة مع وجود بعض الأخطاء أو البطء في السرعة؛ وانتباه مرتفع، حيث أنهوا المهمة بسرعة وبشكل مثالي. ولضمان قوة البيانات، أدى الطلاب هذه المهام في بيئتين مختلفتين: شاشة ثنائية الأبعاد قياسية، وبيئة واقع افتراضي غامرة بالكامل حيث ارتدوا سماعة رأس ونظروا حولهم في عالم ثلاثي الأبعاد.

ولفهم الكم الهائل من البيانات الكهربائية التي تم جمعها، طور الفريق نموذجاً حاسوبياً متطوراً يطلقون عليه اسم DGCSA. تعتمد الطرق التقليدية غالباً على تحليل إشارات الدماغ من خلال تقسيمها إلى نطاقات تردد بسيطة، مثل الهمهمات المنخفضة أو الأصوات الحادة، ثم محاولة تخمين الحالة الذهنية بناءً على تلك الأصوات المعزولة. هذا النهج الجديد مختلف لأنه يفهم أن الدماغ يعمل كنظام متصل. يقوم النموذج أولاً بتحليل قوة وتعقيد الإشارات الكهربائية عبر ترددات مختلفة، مع إعطاء وزن أكبر لأنواع موجات الدماغ المحددة الأكثر فائدة للتمييز بين مستويات الانتباه. ثم يرسم خريطة لكيفية اتصال المستشعرات المختلفة في الغطاء ببعضها البعض، ولكن مع لمسة حاسمة: فبدلاً من افتراض أن هذه الاتصالات ثابتة، يتعلم النموذج كيف تتغير في الوقت الفعلي مع تحول تركيز الدماغ. وأخيراً، يستخدم آلية تعمل مثل "كشاف الضوء"، حيث تسلط الضوء على الاتصالات الأكثر أهمية وتتجاهل الضجيج، مما يسمح له برؤية الصورة الكبيرة لما يفعله الدماغ.

عندما اختبر الباحثون هذا النظام الجديد، كانت النتائج مذهلة. فقد حدد النموذج مستوى الانتباه بشكل صحيح في 91.67 بالمائة من الحالات، وهو تحسن كبير عن الطرق القديمة التي اعتمدت على قواعد رياضية أبسط أو نماذج التعلم العميق القياسية. وكان بارعاً بشكل خاص في رصد متى يكون الطالب مندمجاً تماماً، حيث حدد كل حالة من حالات الانتباه المرتفع في مجموعة الاختبار بدقة. كما كشفت الدراسة أن الطريقة التي يربط بها الدماغ نفسه تتغير اعتماداً على البيئة. ففي بيئة الواقع الافتراضي، رصد النموذج نمطاً أكثر استقراراً واتساقاً من التركيز مقارنة بالشاشة ثنائية الأبعاد المسطحة.

أظهرت البيانات أن الطلاب في بيئة الواقع الافتراضي حافظوا على مستويات أعلى من الانتباه وشهدوا تقلبات أقل في تركيزهم مقارنة بأولئك الذين عملوا على الشاشة ثنائية الأبعاد. وأكد التحليل الإحصائي أن هذا الاختلاف لم يكن بسبب الصدفة؛ إذ بدا أن الطبيعة الغامرة للعالم الافتراضي تعمل على تثبيت انتباه الطلاب بشكل أكثر فعالية. ومن خلال النظر في أنماط موجات الدماغ المحددة، وجد الباحثون أن البيئة الافتراضية حفزت استجابة متميزة في مناطق المعالجة البصرية والمكانية في الدماغ، مما يشير إلى أن الدماغ كان يعمل بجهد أكبر لدمج المعلومات الغنية ثلاثية الأبعاد التي يتلقاها. وقد انعكس هذا الاندماج المتزايد في النشاط الكهربائي للدماغ، والذي أظهر إشارة أكثر وضوحاً وتنظيماً عندما كان الطلاب في العالم الافتراضي.

كما عالجت الدراسة قصوراً شائعاً في الأبحاث السابقة، والتي غالباً ما واجهت صعوبة في دمج أنواع مختلفة من بيانات الدماغ بفعالية. فمن خلال استخدام نظام وزن ذكي، استطاع النموذج الجديد مزج المعلومات من قوة موجات الدماغ مع المعلومات المتعلقة بتعقيدها، مما خلق صورة أغنى للحالة الذهنية. سمح هذا النهج للنظام بالتكيف مع الطريقة الفريدة التي يعمل بها دماغ كل شخص، بدلاً من فرض قالب واحد جامد على جميع الأدمغة. وأشار الباحثون إلى أنه بينما كان النظام دقيقاً للغاية، فإنه كان يخلط أحياناً بين لحظات الانتباه المنخفض والانتباه المرتفع، ويرجع ذلك على الأرجح إلى أن نوبات اليقظة القصيرة يمكن أن تبدو مشابهة للتركيز المستدام في لقطات البيانات القصيرة.

في نهاية المطاف، يوفر هذا العمل أداة جديدة قوية لفهم كيفية تعلمنا. فهو يثبت أن الواقع الافتراضي ليس مجرد وسيلة للترفيه، بل هو وسيط يمكنه حقاً تعزيز المشاركة المعرفية، وهو اكتشاف مدعوم بالتغيرات الواضحة والقابلة للقياس في نشاط الدماغ. يقدم النموذج الجديد طريقة لتتبع الانتباه بشكل موضوعي وفي الوقت الفعلي، مما قد يساعد المعلمين يوماً ما على تعديل طرق تدريسهم فورياً، أو يساعد المصممين على إنشاء عمليات محاكاة تدريبية تبقي المتعلمين مندمجين بعمق. ويؤكد البحث أنه عندما نخطو داخل عالم افتراضي، فإن أدمغتنا لا تكتفي بالمشاهدة فحسب؛ بل تندمج، وتتصل، وتتركز بطرق تختلف عن مجرد النظر إلى شاشة مسطحة، مما يفتح مساراً واعداً لمستقبل التعليم والتدريب.