AI-Driven Assessment of Brain Dominance: Classifying CBSE Students as Left-, Right-, or Whole-Brain Learner
Notice bibliographique
Résumé
Introduction: The concept of brain dominance (left, right, or whole) is a significant factor in understanding individual learning styles and academic achievement. Traditional assessment methods, such as self-report questionnaires, are limited by subjectivity and an inability to capture dynamic cognitive processes. This study addresses the need for an objective, scalable tool to classify brain dominance, specifically within the diverse CBSE student population in India, by leveraging the power of Artificial Intelligence (AI). The primary objective was to develop and validate an AI-driven model to classify CBSE students as left-, right, or whole-brain learners. Specific objectives included: To determine whether a student from a CBSE school population is left-, right-, or whole-brained dominant. To develop a model for categorizing students as left-, right-, or whole-brained dominant and to recommend activities according to their brain dominance to enhance their dominant brain. A sample of 400 CBSE students (Grades 6 to 8) completed a digital cognitive task battery and standardized questionnaires. The Cognitive Dominance Classification Pipeline (CDCP), a machine learning model based on a Gradient Boosting Classifier , was developed. It was trained on engineered features from task performance (e.g., analytical-to-creative time ratio, logical sequence score) using a consensus ground truth label derived from task performance, self-reports, and teacher assessments. The AI model achieved a high classification accuracy of 91.7%. The distribution of brain dominance in the sample was 42.5% left brain, 35.0% right brain, and 22.5% whole brain. A significant correlation was found with gender, with male students having a greater tendency towards left hemisphere dominance and female students having a greater tendency towards right hemisphere dominance. No significant correlation was found with education level. The study successfully demonstrates that AI can objectively and accurately assess brain dominance, overcoming the limitations of traditional tools. The findings reveal a distinct cognitive landscape among CBSE students and highlight the potential of AI-based diagnostics to inform personalized, equitable and effective pedagogical strategies tailored to individual learning styles.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».