A Comprehensive Survey of Students’ Engagement Detection for Online Classroom Management

एक आधुनिक कक्षा की शांत गूँज में, एक मौन बदलाव आया है। दशकों तक, सीखना भौतिक कमरों में होता था जहाँ एक शिक्षक चेहरों के समुद्र को स्कैन कर सकता था, और यह समझने के लिए कि क्या छात्र विषय का अनुसरण कर रहा है, माथे पर आई शिकन या भटकती आँखों की सूक्ष्म भाषा को पढ़ सकता था। आज, उस सीखने की प्रक्रिया का एक बड़ा हिस्सा स्क्रीनों पर स्थानांतरित हो गया है, जहाँ शिक्षक अक्सर मॉनिटर पर बस एक छोटा सा बॉक्स बनकर रह जाता है, और छात्र दुनिया भर में बिखरे हुए होते हैं। इस डिजिटल स्थान में, शिक्षक कमरे को देखने की अपनी क्षमता खो देता है। वे यह नहीं बता सकते कि कोई छात्र गहराई से जुड़ा हुआ है, चुपचाप भ्रमित है, या बस छत को शून्य भाव से देख रहा है। यह विच्छेद एक चुनौती पैदा करता है: जब आप किसी को देख नहीं सकते, तो आपको कैसे पता चलेगा कि कोई सीख रहा है या नहीं? इसका उत्तर विज्ञान के एक ऐसे क्षेत्र में निहित है जो कंप्यूटर को मानवीय अभिव्यक्ति को देखना और समझना सिखाता है, जिससे वेबकैम केवल जुड़ाव के एक उपकरण से बदलकर छात्र की मानसिक स्थिति की खिड़की बन जाता है।

शोधकर्ताओं की एक टीम ने इस तकनीक के वर्तमान परिदृश्य का मानचित्रण करने के उद्देश्य से, पिछले एक दशक के दर्जनों अध्ययनों की समीक्षा की ताकि यह समझा जा सके कि मशीनों को ऑनलाइन कक्षाओं में छात्रों की सहभागिता (engagement) का पता लगाने के लिए कैसे प्रशिक्षित किया जा रहा है। उन्होंने स्वयं कोई नई प्रणाली नहीं बनाई; इसके बजाय, वे मौजूदा तरीकों के क्षेत्र का मानचित्रण करने वाले मानचित्रकार (cartographers) के रूप में कार्य करते रहे, ताकि यह देखा जा सके कि क्या काम करता है, क्या विफल होता है, और कहाँ का मानचित्र अभी भी रिक्त है। उनका कार्य 'कंप्यूटर विज़न' पर केंद्रित है, जो आर्टिफिशियल इंटेलिजेंस की एक शाखा है जो सॉफ्टवेयर को दृश्य जानकारी की व्याख्या करने की अनुमति देती है। इस संदर्भ में, सॉफ्टवेयर वेबकैम के माध्यम से छात्र के चेहरे को देखता है, और आँखों तथा मुँह के आसपास की विशिष्ट मांसपेशियों की गतिविधियों को खोजता है जो खुशी, भ्रम या ऊब जैसी भावनाओं का संकेत देती हैं। अंतिम लक्ष्य केवल इन भावनाओं को लेबल करना नहीं है, बल्कि उन्हें सहभागिता के एक माप में बदलना है—यह निर्धारित करना कि छात्र पाठ में सक्रिय रूप से भाग ले रहा है या ध्यान भटक रहा है।

शोधकर्ताओं ने 2015 और 2025 के बीच प्रकाशित इक्यावन शोध पत्रों को एकत्र किया, और उन्हें सख्त मानदंडों के माध्यम से फ़िल्टर किया ताकि यह सुनिश्चित हो सके कि वे केवल उन विधियों पर ध्यान केंद्रित करते हैं जो वास्तविक समय (real-time) में छात्रों की निगरानी के लिए कैमरों का उपयोग करती हैं। उन्होंने पाया कि यह प्रक्रिया आम तौर पर एक स्पष्ट मार्ग का अनुसरण करती है। सबसे पहले, कंप्यूटर को वीडियो स्ट्रीम में चेहरा खोजना होता है। फिर, यह छात्र के हिलने-डुलने के साथ उस चेहरे को ट्रैक करता है। इसके बाद, सिस्टम छवि से विशिष्ट विवरण निकालता है, जैसे भौंहों का आकार या मुस्कान का घुमाव। अंत में, एक गणितीय मॉडल इन विवरणों की तुलना हजारों उदाहरणों से करता है जिन्हें इसने सीखा है, और यह निर्णय लेता है कि छात्र क्या महसूस कर रहा है और, इस प्रकार, वह कितना संलग्न है।

इस सर्वेक्षण के परिणाम एक ऐसी तकनीक का खुलासा करते हैं जो आश्चर्यजनक रूप से सक्षम है लेकिन अभी भी अपूर्ण है। शोधकर्ताओं ने पाया कि कई प्रणालियाँ छात्रों की भावनाओं को उल्लेखनीय सटीकता के साथ पहचान सकती हैं, जिनमें से कुछ अध्ययनों में 99 प्रतिशत तक की सटीकता दर दर्ज की गई है। हालाँकि, इन उच्च आंकड़ों के साथ अक्सर एक शर्त जुड़ी होती है। ये प्रणालियाँ तब सबसे अच्छा काम करती हैं जब छात्र स्थिर बैठा हो, सीधे कैमरे के सामने हो, और अच्छी रोशनी में हो। जैसे ही कोई छात्र अपना सिर घुमाता है, चेहरे को हाथ से ढकता है, या कम रोशनी वाले कमरे में बैठता है, इन प्रणालियों की सटीकता काफी गिर जाती है। शोधकर्ताओं ने नोट किया कि 'ऑक्लूजन' (occlusion)—जब चेहरे का कोई हिस्सा छिपा होता है—एक बड़ी बाधा है। यहाँ तक कि एक साधारण फेस मास्क या गाल पर रखा हुआ हाथ भी सॉफ्टवेयर को भ्रमित कर सकता है, जिससे वह निर्णय लेने के लिए आवश्यक सूक्ष्म संकेतों को पकड़ने में विफल हो जाता है।

तकनीकी बाधाओं से परे, यह लेख एक गहरी जटिलता पर प्रकाश डालता है: भावना और सहभागिता के बीच का संबंध एक सीधी रेखा नहीं है। एक छात्र जो भ्रमित दिख रहा है, वह शायद सामग्री को समझने के लिए संघर्ष कर रहा है, जो सक्रिय मानसिक जुड़ाव का संकेत है, या वह शायद पूरी तरह खो चुका है और हार मानने वाला है। एक खुश दिखने वाला छात्र शायद पाठ का आनंद ले रहा है, या वह किसी अन्य टैब पर चल रही किसी मनोरंजक चीज़ से विचलित हो सकता है। शोधकर्ताओं ने देखा कि कोई सार्वभौमिक नियम पुस्तिका नहीं है जो कंप्यूटर को ठीक-ठीक बता सके कि कौन सी भावना किस स्तर की सहभागिता के बराबर है। इसके बजाय, अधिकांश प्रणालियाँ अपने निर्माता के अनुमानों पर निर्भर करती हैं, यह मानकर कि मुस्कान का अर्थ "सक्रिय" होना है और शिकन का अर्थ "असंलग्न" होना है। परिभाषा के इस अभाव के कारण विभिन्न प्रणालियों की तुलना करना या यह निश्चित रूप से जानना कठिन हो जाता है कि कौन सी वास्तव में बेहतर है।

समीक्षा यह भी बताती है कि इन प्रणालियों को प्रशिक्षित करने के लिए उपयोग किया जाने वाला डेटा अक्सर वास्तविक जीवन की अव्यवस्था से रहित होता है। कई डेटासेट में पोज़्ड (posed) तस्वीरें या वीडियो शामिल होते हैं जहाँ लोगों को विशिष्ट भावनाओं को अभिनय करने के लिए कहा जाता है, या वे इंटरनेट से एकत्र किए जाते हैं जहाँ रोशनी और कोण अप्रत्याशित होते हैं। जबकि ये डेटासेट सॉफ्टवेयर को बुनियादी बातें सीखने में मदद करते हैं, वे हमेशा उसे लाइव ऑनलाइन कक्षा की अराजक वास्तविकता के लिए तैयार नहीं करते हैं। शोधकर्ताओं ने पाया कि इन डेटासेट्स पर प्रशिक्षित प्रणालियाँ अक्सर वास्तविक कक्षाओं की "वाइल्ड" (wild) स्थितियों का सामना करते समय संघर्ष करती हैं, जहाँ छात्र उन तरीकों से हिलते, बोलते और परस्पर क्रिया करते हैं जिनका पूर्वानुमान लगाना कठिन होता है।

शायद इस सर्वेक्षण का सबसे महत्वपूर्ण निष्कर्ष सटीकता और गोपनीयता के बीच का तनाव है। काम करने के लिए, इन प्रणालियों को निरंतर छात्रों के बायोमेट्रिक डेटा—उनके चेहरे, उनकी अभिव्यक्तियों और उनकी गतिविधियों—को कैप्चर और विश्लेषण करना होगा। शोधकर्ता इस बात पर जोर देते हैं कि यह गंभीर नैतिक प्रश्न खड़े करता है। छात्रों के चेहरों के कच्चे वीडियो को संग्रहीत करना उनकी गोपनीयता के लिए जोखिम पैदा करता है, और लगातार देखे जाने का अहसास छात्रों को चिंतित कर सकता है या उनके व्यवहार को बदल सकता है। लेखक सुझाव देते हैं कि सबसे जिम्मेदार दृष्टिकोण यह है कि वीडियो डेटा को छात्र के अपने डिवाइस पर तुरंत प्रोसेस किया जाए और छवि को तुरंत हटा दिया जाए, केवल अंतिम परिणाम को ही रखा जाए, जैसे कि "सक्रिय" या "असक्रिय" का एक सरल स्कोर। इस तरह, प्रणाली छात्र का चेहरा बनाने वाला स्थायी रिकॉर्ड बनाए बिना शिक्षक की मदद कर सकती है।

अंततः, यह सर्वेक्षण एक ऐसी तकनीक की तस्वीर पेश करता है जो शक्तिशाली है लेकिन अभी भी विकसित हो रही है। यह चेहरों को देख सकती है और मुस्कान को पहचान सकती है, लेकिन यह अभी भी मुस्कान के पीछे के मानव मन को समझने की कोशिश कर रही है। शोधकर्ता निष्कर्ष निकालते हैं कि हालांकि वर्तमान विधियाँ एक अच्छी शुरुआत हैं, लेकिन इस क्षेत्र को केवल भावना पहचान से आगे बढ़ने की आवश्यकता है। भविष्य की प्रणालियों को छिपे हुए चेहरों, कम रोशनी और भावनाओं की विविध सांस्कृतिक अभिव्यक्तियों की वास्तविक जटिलता को संभालने में सक्षम होना चाहिए। उन्हें यह भी खोजने की आवश्यकता है कि अंतर्दृष्टि की आवश्यकता और गोपनीयता के अधिकार के बीच संतुलन कैसे बनाया जाए, यह सुनिश्चित करते हुए कि छात्रों को सीखने में मदद करने के लिए डिज़ाइन किए गए उपकरण उन्हें निगरानी या निर्णय का शिकार महसूस न कराएं। आगे का रास्ता केवल सॉफ्टवेयर को स्मार्ट बनाने के बारे में नहीं है, बल्कि इसे अधिक मानवीय, अधिक सुदृढ़ और उन लोगों के प्रति अधिक सम्मानजनक बनाने के बारे में है जिनकी सेवा के लिए इसे बनाया गया है।