Short-Term Affective Change in Immersive Installations: A Multimodal Analysis of EEG and PANAS
इस अध्ययन ने पाया कि बेसलाइन स्व-रिपोर्ट किया गया प्रभाव (PANAS), इमर्सिव इंस्टालेशन में अल्पकालिक भावनात्मक परिवर्तन का ईईजी (EEG) से प्राप्त संकेतकों की तुलना में अधिक स्थिर और सुसंगत भविष्यवक्ता प्रदान करता है, जो यह सुझाव देता है कि जब शारीरिक डेटा सीमित हो या उसकी व्याख्या करना कठिन हो, तो मान्य स्व-रिपोर्ट एक व्यावहारिक संदर्भ बनी रहती हैं।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें
मानवीय भावनाएं स्थिर चित्र नहीं हैं; वे बहती हुई धाराएं हैं जो हमारे दिन के दौरान बदलती और बढ़ती रहती हैं। 'अफेक्टिव साइंस' (affective science) के क्षेत्र में, शोधकर्ता लंबे समय से यह समझने की कोशिश कर रहे हैं कि ये आंतरिक अवस्थाएं कैसे बदलती हैं, विशेष रूप से वर्चुअल रियलिटी या इंटरैक्टिव आर्ट इंस्टॉलेशन जैसे इमर्सिव अनुभवों के दौरान। हालांकि हम आसानी से किसी से पूछ सकते हैं कि वे अभी कैसा महसूस कर रहे हैं, लेकिन यह भविष्यवाणी करना कि एक विशिष्ट अनुभव उनके मूड को शुरुआत से अंत तक कैसे बदलेगा, एक बहुत कठिन पहेली है। वैज्ञानिकों ने मस्तिष्क की गतिविधि की ओर रुख किया है, जिसे स्कैल्प पर रखे गए इलेक्ट्रोड के माध्यम से मापा जाता है, इस उम्मीद में कि उन्हें एक ऐसा जैविक संकेत मिल सके जो व्यक्ति के जागरूक होने से पहले ही उनके भावनात्मक बदलावों को प्रकट कर दे। इस जांच को चलाने वाला केंद्रीय प्रश्न यह है कि क्या मस्तिष्क से प्राप्त ये विद्युत संकेत हमें किसी व्यक्ति के बारे में उस जानकारी से अधिक बता सकते हैं जो वह स्वयं अपने बारे में बता सकता है।
शोधकर्ताओं की एक टीम ने एक समूह के तीस लोगों का परीक्षण करके इस विचार को परखने का निर्णय लिया, जिन्होंने एक इमर्सिव, मल्टीसेंसरी आर्ट इंस्टॉलेशन में भाग लिया था। इस वातावरण को आकर्षक और संवादात्मक बनाने के लिए डिज़ाइन किया गया था, जिससे प्रतिभागियों को स्वतंत्र रूप से घूमने और बातचीत करने की अनुमति मिली, बिल्कुल एक वास्तविक दुनिया के परिवेश की तरह न कि एक निर्जीव प्रयोगशाला की तरह। इंस्टॉलेशन में प्रवेश करने से पहले, प्रत्येक व्यक्ति ने एक मानक प्रश्नावली पूरी की जिसमें उन्हें अपनी वर्तमान भावनाओं को रेट करने के लिए कहा गया था, जैसे कि क्या वे उत्साहित, परेशान या सतर्क महसूस कर रहे थे। उनके मस्तिष्क की गतिविधि को भी एक सेंसर कैप के माध्यम से रिकॉर्ड किया गया था। सत्र के बाद, उन्होंने वही प्रश्नावली फिर से भरी। शोधकर्ताओं ने "पहले" और "बाद" के स्कोर के बीच के अंतर की गणना की ताकि यह देखा जा सके कि प्रत्येक व्यक्ति के सकारात्मक या नकारात्मक मूड में वास्तव में कितना बदलाव आया। उन्होंने सत्र से पहले एकत्र किए गए मस्तिष्क डेटा का भी विश्लेषण किया ताकि यह देखा जा सके कि क्या वे प्रारंभिक तंत्रिका पैटर्न (neural patterns) उस भावनात्मक बदलाव के आकार की भविष्यवाणी कर सकते हैं जो होने वाला था।
शोधकर्ताओं ने मूड परिवर्तन की भविष्यवाणी करने के लिए कंप्यूटर मॉडल बनाकर इस समस्या का समाधान किया। उन्होंने यह देखने के लिए तीन अलग-अलग प्रकार की सूचनाओं का परीक्षण किया कि कौन सा सबसे अच्छा काम करता है। पहला प्रकार पूरी तरह से प्रश्नावली से प्राप्त स्व-रिपोर्ट की गई भावनाओं पर निर्भर था। दूसरा प्रकार केवल मस्तिष्क गतिविधि डेटा पर आधारित था, विशेष रूप से विभिन्न मस्तिष्क तरंगों की शक्ति और मस्तिष्क के बाएं और दाएं हिस्सों के बीच गतिविधि के संतुलन को देखते हुए। तीसरा प्रकार प्रश्नावली के उत्तरों और मस्तिष्क डेटा दोनों को जोड़ता था। उन्होंने एक मशीन लर्निंग पद्धति का उपयोग किया, जो कंप्यूटर प्रोग्राम का एक प्रकार है जो डेटा में पैटर्न खोजने के लिए सीखता है, यह देखने के लिए कि क्या वह किसी व्यक्ति के शुरुआती बिंदु के आधार पर उसके मूड में होने वाले बदलाव का सटीक अनुमान लगा सकता है।
परिणामों ने एक स्पष्ट और कुछ हद तक आश्चर्यजनक उत्तर दिया। जो मॉडल केवल मस्तिष्क डेटा पर निर्भर थे, उन्होंने सबसे कम स्थिर प्रदर्शन दिखाया; वे विश्वसनीय रूप से यह भविष्यवाणी करने में असमर्थ थे कि व्यक्ति का मूड सुधरेगा या बिगड़ेगा। वास्तव में, कुछ एल्गोरिदम के लिए, केवल मस्तिष्क संकेतों का उपयोग करने वाले मॉडलों ने नकारात्मक टेस्ट-सेट R² मान प्रदर्शित किए, जो यह दर्शाता है कि वे एक साधारण बेसलाइन भविष्यवाणी से भी खराब प्रदर्शन कर रहे थे। जब शोधकर्ताओं ने मस्तिष्क डेटा को प्रश्नावली के उत्तरों के साथ जोड़ा, तो परिणाम केवल प्रश्नावली का उपयोग करने की तुलना में महत्वपूर्ण रूप से बेहतर नहीं हुए। सबसे सुसंगत और सटीक भविष्यवाणियां उन मॉडलों से आईं जिन्होंने केवल स्व-रिपोर्ट की गई भावनाओं का उपयोग किया था। विशेष रूप से, व्यक्ति के संकट या उत्तेजना का प्रारंभिक स्तर इस बात का एक मजबूत संकेतक था कि अनुभव के बाद उनका नकारात्मक मूड कितना कम होगा। यदि कोई सत्र की शुरुआत अत्यधिक उत्तेजित या परेशान होकर करता था, तो इंस्टॉलेशन के बाद उन्हें शांत महसूस कराने की संभावना अधिक थी। सकारात्मक भावनाओं में वृद्धि की भविष्यवाणी करना सभी तरीकों के लिए बहुत कठिन साबित हुआ, लेकिन स्व-रिपोर्ट ही सबसे विश्वसनीय मार्ग बनी रही।
यह निष्कर्ष बताता है कि जटिल, वास्तविक दुनिया के वातावरण में, किसी व्यक्ति की अपनी भावनात्मक स्थिति का वर्णन करना वर्तमान में किसी व्यक्ति के मस्तिष्क तरंगों के सारांश की तुलना में उनकी भावनात्मक यात्रा को समझने के लिए एक अधिक उपयोगी उपकरण है। मस्तिष्क डेटा ने मूड परिवर्तनों के साथ मामूली द्विविचर संबंध (bivariate associations) दिखाए, विशेष रूप से मस्तिष्क के अग्र भागों में गतिविधि के संतुलन के संबंध में, लेकिन ये संकेत बहुत धुंधले और शोर युक्त थे जो अपने आप में उपयोगी होने के लिए पर्याप्त नहीं थे। शोधकर्ताओं ने उल्लेख किया कि इंस्टॉलेशन की इमर्सिव प्रकृति ने, जिसने गति और बदलते ध्यान की अनुमति दी, मस्तिष्क रिकॉर्डिंग में बहुत सारा बैकग्राउंड नॉइज़ (background noise) पेश किया होगा, जिससे भावना से संबंधित विशिष्ट संकेतों को अलग करना कठिन हो गया।
अध्ययन यह निष्कर्ष निकालता है कि हालांकि मस्तिष्क गतिविधि को मापना एक शक्तिशाली उपकरण है, लेकिन यह अभी तक लोगों से यह पूछने का विकल्प नहीं है कि वे कैसा महसूस करते हैं, विशेष रूप से गतिशील सेटिंग्स में अल्पकालिक भावनात्मक परिवर्तनों को ट्रैक करने के प्रयास में। स्व-रिपोर्ट की गई भावनाओं ने एक स्थिर और सुसंगत आधार प्रदान किया जिसे मस्तिष्क डेटा मेल नहीं दे सका। इसका मतलब यह नहीं है कि मस्तिष्क डेटा बेकार है, बल्कि यह कि यह भावनात्मक अनुभव के उन विभिन्न पहलुओं को पकड़ता है जो हमेशा उस चीज़ के साथ सटीक रूप से संरेखित नहीं होते हैं जिसे एक व्यक्ति सचेत रूप से रिपोर्ट कर सकता है। फिलहाल, जब किसी इमर्सिव अनुभव द्वारा व्यक्ति के मूड को बदलने को समझने की बात आती है, तो सबसे सीधा और विश्वसनीय रास्ता स्वयं उस व्यक्ति को सुनना है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।