ট্র্যাক dual n-back অগ্রগতি: একটি ব্যবহারিক সেশন লগ

স্কোর বিচার করার আগে শর্ত লগ করুন

একটি দরকারী dual n-back লগ রেকর্ড করে যা আপনি অনুশীলন করেছেন, শুধু আপনার সেরা শতাংশ নয়। তারিখ, টাস্ক মোড, N স্তর, সেশনের দৈর্ঘ্য, স্কোরিং নিয়ম এবং ফলাফল লিখুন। বাধা বা ডিভাইসের পরিবর্তন সম্পর্কে একটি সংক্ষিপ্ত নোট যোগ করুন। একটি সেশনের পরে পূরণ করার জন্য বিন্যাসটি যথেষ্ট ছোট রাখুন। এই নির্দেশিকাটি একটি ব্যক্তিগত প্রতিষ্ঠান পদ্ধতির প্রস্তাব করে, একটি বৈধ জ্ঞানীয় মূল্যায়ন বা প্রয়োজনীয় প্রশিক্ষণ প্রোগ্রাম নয়।

প্রতিটি তুলনামূলক ব্লকের জন্য একটি সারি ব্যবহার করুন

একটি অধিবেশন চলাকালীন স্তর পরিবর্তিত হলে, সেই তথ্য উপলব্ধ হলে ব্লকগুলিকে আলাদা করুন। অন্যথায় ফলাফলটিকে সর্বোচ্চ N-এ পৌঁছে দেওয়ার পরিবর্তে একটি মিশ্র-স্তরের সেশন হিসাবে লেবেল করুন৷ আপনি লগটি একটি নোটবুক বা স্প্রেডশীটে রাখতে পারেন। শুধুমাত্র আপনার অ্যাপ আসলে যে তথ্য দেখায় তা রেকর্ড করুন; অনুপলব্ধ মানগুলি উদ্ভাবনের পরিবর্তে ফাঁকা রাখুন।

একটি উদাহরণ: একটি রেকর্ড সবসময় একটি প্রবণতা নয়

টেবিলে উদ্ভাবিত ফলাফল রয়েছে, ব্যবহারকারীর ডেটা নয়। উভয় সেশনই 100টি স্কোর করা সিদ্ধান্ত সহ দ্বৈত 2-back ব্লক, যার মধ্যে 20টি ম্যাচ, একই সময় এবং স্কোরিং কনভেনশন ব্যবহার করে। দ্বিতীয় সেশনে আরও সঠিক সনাক্তকরণ রয়েছে তবে আরও মিথ্যা অ্যালার্ম রয়েছে। তাই উচ্চতর সামগ্রিক নির্ভুলতা অর্জন না করেই ম্যাচের প্রতি আরও প্রতিক্রিয়াশীল। শুধুমাত্র এক শতাংশ প্রতিক্রিয়া প্যাটার্নে সেই পরিবর্তনটি লুকিয়ে রাখবে।

মিথ্যা অ্যালার্ম থেকে পৃথক মিস

একটি মিস মানে একটি বাস্তব ম্যাচ সনাক্ত করা হয়নি; একটি মিথ্যা অ্যালার্ম মানে আপনি একটি ম্যাচের সংকেত দিয়েছেন যখন কোনটি ছিল না। উদাহরণে, সেশন A 20টির মধ্যে 16টি মিল সনাক্ত করে: 80%। সেশন B 20 এর মধ্যে 18 শনাক্ত করে: 90%। কিন্তু মিথ্যা অ্যালার্ম 80টির মধ্যে 4টি নন-মেচ (5%) থেকে 80-এর মধ্যে 8টি (10%) পর্যন্ত বেড়েছে। সামগ্রিক নির্ভুলতা A-এর জন্য 92% এবং B-এর জন্য 90%। বোতাম প্রেসের সংখ্যা বা উচ্চতর হিট রেট একাই সমগ্র কর্মক্ষমতার সারসংক্ষেপ করে না।

মিশ্র মাত্রা এবং গড় সৎ রাখুন

N=2-এ গড়ের সাথে N=3-এ ব্যক্তিগত সেরার তুলনা করবেন না যেন শুধুমাত্র আপনার দক্ষতা পরিবর্তিত হয়েছে। প্রতিটি মোড এবং স্তরের জন্য আলাদা সারাংশ রাখুন। আপনি যদি ব্লকগুলিকে একত্রিত করেন, স্কোর করা সিদ্ধান্তের সংখ্যা ধরে রাখুন: গড় দুই শতাংশ প্রতিটি ব্লককে সমান ওজন দেয় এমনকি যখন একটি অনেক লম্বা হয়। একটি পর্যালোচনা থেকে পরবর্তীতে একই গণনা ব্যবহার করুন এবং যেকোনো পরিবর্তন লিখুন।

একটি সংক্ষিপ্ত সাপ্তাহিক পর্যালোচনা

তুলনামূলক সেশনগুলি পুনরায় পড়ার জন্য একটি নিয়মিত মুহূর্ত বেছে নিন। তিনটি প্রশ্ন জিজ্ঞাসা করুন: আমি কি পরিকল্পিত অনুশীলনটি সম্পূর্ণ করেছি, কোন ত্রুটিগুলি পুনরাবৃত্তি হয়েছে এবং আমি কি সেটিংস পরিবর্তন করেছি? আপনি যদি একটি মাঝারি গণনা করেন, তুলনামূলক স্কোরগুলি সাজান এবং মধ্যম মান নিন, বা একটি সমান গণনার জন্য দুটি মধ্যম মানের গড় নিন। হতাশাজনক সহ সমস্ত সেশন রাখুন। একটি ব্যক্তিগত লগ তদন্তের নিদর্শন প্রকাশ করতে পারে, কিন্তু কয়েকটি পর্যবেক্ষণ তাদের কারণ স্থাপন করতে পারে না।

ফলাফল বৃদ্ধি বন্ধ হলে কি করবেন

প্রথমে সেশনগুলি একই স্তর, গতি এবং স্কোরিং ব্যবহার করেছে কিনা তা পরীক্ষা করে দেখুন। তারপর ত্রুটি নোট পড়ুন. যদি ডমিনেট মিস হয় তবে তুলনা করার নিয়মটি আবার দেখুন, অথবা মিথ্যা অ্যালার্ম পুনরাবৃত্তি হলে সঠিক N-back মিলের পরিবর্তে আপনি একটি পরিচিত সংকেতের উত্তর দিচ্ছেন কিনা তা পরীক্ষা করুন। যখন সম্ভব তখন একটি সেটিং সামঞ্জস্য করুন। একটি মালভূমি হল সাম্প্রতিক ফলাফলের একটি বিবরণ, একটি নির্ণয় বা প্রমাণ নয় যে একটি নির্দিষ্ট প্রশিক্ষণ ডোজ প্রয়োজন।

লগ কী দেখাতে পারে এবং কী করতে পারে না

লগ ডকুমেন্ট আপনার রেকর্ড করা অবস্থার অধীনে টাস্ক কর্মক্ষমতা. এটি আইকিউ বৃদ্ধি বা অধ্যয়ন, কাজ বা দৈনন্দিন স্মৃতিতে উন্নতি প্রদর্শন করে না। n-back প্রশিক্ষণের উপর গবেষণা অনুশীলন করা টাস্কের লাভকে বিভিন্ন কাজে স্থানান্তর থেকে আলাদা করে। অ্যাপের সেশনের ফলাফলগুলিকে প্রারম্ভিক বিন্দু হিসেবে ব্যবহার করুন, সংজ্ঞার জন্য স্কোরিং গাইড এবং বৃহত্তর দাবির সীমার জন্য প্রমাণ নির্দেশিকা।

আরও পড়া

• scikit-learn documentation — classification metrics and confusion matrices (mathematical definitions)
• Holmes, Woolgar, Hampshire & Gathercole (2019), Are Working Memory Training Effects Paradigm-Specific?