This computer is learning to read your mind | DIY Neuroscience, a TED series

126,401 views ・ 2018-09-15

TED


ဗီဒီယိုကိုဖွင့်ရန် အောက်ပါ အင်္ဂလိပ်စာတန်းများကို နှစ်ချက်နှိပ်ပါ။

00:00
Translator: Joseph Geni Reviewer: Krystian Aparta
0
0
7000
Translator: Sanntint Tint Reviewer: Myo Aung
00:12
Greg Gage: Mind-reading. You've seen this in sci-fi movies:
1
12203
2859
GG: စိတ်ဖတ်ခြင်း။စိတ်ကူးယဉ် သိပ္ပံကားတွေမှာ မြင်ဖူးတဲ့
00:15
machines that can read our thoughts.
2
15086
1857
အတွေးတွေကို ဖတ်နိုင်တဲ့ စက်တွေပါ။
00:16
However, there are devices today
3
16967
1798
ဒါပေမဲ့ ယနေ့မှာ ဦးနှောက်မှ လျှပ်စစ်
00:18
that can read the electrical activity from our brains.
4
18789
2524
လှုပ်ရှားမှုကို ဖတ်နိုင်တဲ့ ကိရိယာတွေရှိတယ်။
00:21
We call this the EEG.
5
21337
1272
ဒါကို EEG လို့ ခေါ်ပါတယ်။
00:23
Is there information contained in these brainwaves?
6
23695
2829
ဒီဦးနှောက်လှိုင်းတွေထဲမှာ ပါဝင်တဲ့ သတင်းအချက်အလက်ရှိလား။
00:26
And if so, could we train a computer to read our thoughts?
7
26548
2813
ရှိရင် အတွေးတွေကို ဖတ်ဖို့ ကွန်ပြူတာကို သင်ပေးနိုင်လား။
00:29
My buddy Nathan has been working to hack the EEG
8
29385
2904
မိတ်ဆွေ Nathan က စိတ်ကို ဖတ်တဲ့ စက်တည်ဆောက်ဖို့
00:32
to build a mind-reading machine.
9
32313
1676
EEG ကို ကုဒ်ပြောင်း လုပ်နေခဲ့တယ်။
[ကိုယ်တိုင်လုပ် အာရုံကြောသိပ္ပံ]
00:34
[DIY Neuroscience]
10
34013
2457
00:36
So this is how the EEG works.
11
36939
1561
ဒါက EEG အလုပ်လုပ်ပုံပါ။
00:38
Inside your head is a brain,
12
38524
1844
ဦးခေါင်းထဲမှာ ဦးနှောက်တစ်လုံးရှိတယ်၊
00:40
and that brain is made out of billions of neurons.
13
40392
2558
ဦးနှောက်က နျူရွန် ဘီလီယံပေါင်း များစွာနဲ့ လုပ်ထားတယ်။
00:42
Each of those neurons sends an electrical message to each other.
14
42974
3007
နျူရွန်တစ်ခုစီက အချင်းချင်း လျှပ်စစ်သတင်းတစ်ခု ပို့ပေးတယ်။
ဒီသတင်းလေးတွေက မော်နီတာပေါ်မှာ တွေ့နိုင်တဲ့ လျှပ်စစ်လှိုင်း
00:46
These small messages can combine to make an electrical wave
15
46005
2814
00:48
that we can detect on a monitor.
16
48843
1570
တစ်ခုလုပ်ဖို့ ပေါင်းနိုင်တယ်။
00:50
Now traditionally, the EEG can tell us large-scale things,
17
50437
2724
အခု အစဉ်အလာအရ EEG က ကြီးမားတဲ့အရာတွေကို ပြောပြနိုင်တယ်၊
00:53
for example if you're asleep or if you're alert.
18
53185
2350
ဥပမာ သင်အိပ်ပျော်နေလား(သို့) နိုးနေလားဆိုတာပါ။
00:55
But can it tell us anything else?
19
55559
1594
ဒါပေမဲ့ တခြားဟာတွေကိုပြောနိုင်လား။
00:57
Can it actually read our thoughts?
20
57177
1702
ဒါက အတွေးတွေကို တကယ် ဖတ်နိုင်လား။
00:58
We're going to test this,
21
58903
1219
ဒါကို စမ်းသပ်တော့မှာပါ။
01:00
and we're not going to start with some complex thoughts.
22
60146
2623
ရှုပ်ထွေးတဲ့ အတွေးတချို့နဲ့ စတင်မှာ မဟုတ်ဘူး။
01:02
We're going to do something very simple.
23
62793
1977
အလွန်ရိုးတဲ့ အရာတစ်ခုကို လုပ်တော့မှာပါ။
01:04
Can we interpret what someone is seeing using only their brainwaves?
24
64794
3253
ဦးနှောက်လှိုင်းတွေပဲ သုံးရင်း လူတစ်ယောက်မြင်တာကို အနက်ကောက်နိုင်လား။
01:08
Nathan's going to begin by placing electrodes on Christy's head.
25
68071
3000
Nathan က Christy ရဲ့ခေါင်းပေါ်မှာ လျှပ်ခေါင်းတွေ တင်တော့မယ်။
01:11
Nathan: My life is tangled.
26
71095
1523
Nathan: ငါ့ဘဝက ရှုပ်ထွေးတယ်။
01:12
(Laughter)
27
72642
1150
(ရယ်သံများ)
01:14
GG: And then he's going to show her a bunch of pictures
28
74152
2584
GG: ဒီနောက် မတူညီတဲ့ အမျိုးအစားလေးခုမှ ဓာတ်ပုံ
01:16
from four different categories.
29
76760
1521
တစ်တွဲကို သူ့ကို ပြတော့မှာပါ။
01:18
Nathan: Face, house, scenery and weird pictures.
30
78305
2654
Nathan: မျက်နှာ၊ အိမ်၊ ရှုခင်းနဲ့ ထူးဆန်းတဲ့ ပုံတွေ။
01:20
GG: As we show Christy hundreds of these images,
31
80983
2498
GG: ဒီရာချီတဲ့ ပုံတွေေကို Christy ကို ပြသစဥ်မှာ
01:23
we are also capturing the electrical waves onto Nathan's computer.
32
83505
3543
လျှပ်စစ်လှိုင်းတွေကို Nathan ရဲ့ ကွန်ပြူတာပေါ်မှာ ဖမ်းယူနေသေးတယ်။
01:27
We want to see if we can detect any visual information about the photos
33
87072
3386
ဦးနှောက်လှိုင်းတွေမှာပါတဲ့ ဓာတ်ပုံတွေရဲ့ အမြင်ဆိုင်ရာ အချက်အလက်တစ်ခုခု
01:30
contained in the brainwaves,
34
90482
1352
ဖော်ထုတ်နိုင်လားဆိုတာ
01:31
so when we're done, we're going to see if the EEG
35
91858
2331
သိချင်တော့ ပြီးတဲ့အခါ Christy ကြည့်နေတဲ့
01:34
can tell us what kind of picture Christy is looking at,
36
94213
2598
ပုံအမျိုးအစားကို EEG က ပြောပြလားဆိုတာကို ကြည့်မယ်။
01:36
and if it does, each category should trigger a different brain signal.
37
96835
3584
ပြောရင် အမျိုးအစားတစ်ခုစီက မတူတဲ့ ဦးနှောက်အချက်ပြမှုတစ်ခုကို အစပျိုးသင့်တယ်။
01:40
OK, so we collected all the raw EEG data,
38
100443
2628
ဒါကြောင့် EEG ဒေတာ အကြမ်းအားလုံးကို စုဆောင်းခဲ့တယ်။
01:43
and this is what we got.
39
103095
1150
ဒါက ရရှိတာတွေပါ။
01:45
It all looks pretty messy, so let's arrange them by picture.
40
105389
2938
အတော်လေး ရှုပ်နေပုံရတော့ ဒါတွေကို ပုံအလိုက် စီလ်ိုက်ရအောင်။
01:48
Now, still a bit too noisy to see any differences,
41
108826
2656
အခု ကွဲလွဲမှုတစ်ခုခုကို မြင်ဖို့ ဖရိုဖရဲ ဖြစ်လွန်းပေမဲ့
01:51
but if we average the EEG across all image types
42
111506
3040
ပုံရိပ် ပထမဆုံး ပေါ်တဲ့အတိုင်း ပုံတွေကို ချိန်ညှိတာကနေ
01:54
by aligning them to when the image first appeared,
43
114570
2436
ပုံအမျိုးအစားအားလုံးမှာ EEG ကို ပျမ်းမျှရှာရင်
01:57
we can remove this noise,
44
117030
1617
ဒီရှုပ်ထွေးမှုကို ဖယ်ထုတ်လို့ရပြီး
01:58
and pretty soon, we can see some dominant patterns
45
118671
2334
မကြာခင် အမျိုးအစားတစ်ခုစီအတွက် ပေါ်တဲ့ ထင်ရှားတဲ့
02:01
emerge for each category.
46
121029
1564
ပုံစံတွေကို မြင်နိင်ပါတယ်။
02:02
Now the signals all still look pretty similar.
47
122617
2156
အခု အချက်ပြမှုအားလုံး တူညီနေပုံရတယ်။
02:04
Let's take a closer look.
48
124797
1215
အနီးကပ်ကြည့်ရအောင်။
02:06
About a hundred milliseconds after the image comes on,
49
126036
2525
ပုံပေါ်လာပြီးနောက် ၁၀၀ မီလီစက္ကန့်ခန့်အကြာမှာ
02:08
we see a positive bump in all four cases,
50
128585
2628
ဖြစ်ရပ်လေးခုစလုံးမှာ အဖိုဓာတ် အဖုတစ်ခုကို မြင်ရပြီး
02:11
and we call this the P100, and what we think that is
51
131237
2789
ဒါကို P100 လို့ခေါ်လိုက်ပြီး ဒါက အရာဝတ္ထုတစ်ခုကို
02:14
is what happens in your brain when you recognize an object.
52
134050
3075
မှတ်မိတဲ့အခါ ဦးနှောက်ထဲမှာ ဖြစ်ပျက်တာလို့ ထင်တယ်။
02:17
But damn, look at that signal for the face.
53
137149
2086
ဒါပေမဲ့ မျက်နှာအတွက် အချက်ပြမှုကို ကြည့်ဦး။
02:19
It looks different than the others.
54
139259
1711
တခြားဟာတွေနဲ့ ကွဲပြားနေပုံရတယ်။
02:20
There's a negative dip about 170 milliseconds
55
140994
2890
ပုံပေါ်လာပြီးနောက်မှာ အနုတ် ၁၇၀ မီလီစက္ကန့်လောက်
02:23
after the image comes on.
56
143908
1540
ကျဆင်းသွားတယ်။
02:25
What could be going on here?
57
145472
1750
ဒီမှာ ဘာဖြစ်နေတာလဲ။
02:27
Research shows that our brain has a lot of neurons that are dedicated
58
147246
3240
သုတေသနတွေက ပြတာက ဦးနှောက်မှာ လူမျက်နှာတွေကို မှတ်မိတာအတွက် ရည်စူးတဲ့
02:30
to recognizing human faces,
59
150510
1459
အာရုံကြော များစွာရှိတာကြောင့်
02:31
so this N170 spike could be all those neurons
60
151993
2844
N170 ဆူးချွန်ဟာ တစ်နေရာတည်းမှာ ချက်ချင်း လပေါက်ကွဲနေတဲ့
02:34
firing at once in the same location,
61
154861
1985
အာရုံကြောအားလုံးဖြစ်နိုင်ပြိး
02:36
and we can detect that in the EEG.
62
156870
1634
ဒါကို EEG မှာ သိနိုင်တယ်ဆိုတာပါ။
02:39
So there are two takeaways here.
63
159083
1820
ဒီမှာ မှတ်စရာ နှစ်ခုရှိတယ်။
02:40
One, our eyes can't really detect the differences in patterns
64
160927
3085
တစ်။ မျက်လုံးတွေဟာ ရှုပ်ထွေးမှုတွေကို ပျမ်းမျှမရှာဘဲ
02:44
without averaging out the noise,
65
164036
1571
ပုံစံကွဲတွေကို ရှာမတွေ့နိုင်ဘူး။
02:45
and two, even after removing the noise,
66
165631
2237
နှစ်ခု။ ရှုပ်ထွေးမှုများကို ဖယ်ရှားပြီးတာတောင်
02:47
our eyes can only pick up the signals associated with faces.
67
167892
3001
မျက်လုံးက မျက်နှာနဲ့ ဆက်စပ်တဲ့ အချက်ပြမှုတွေကိုသာ သိနိုင်သည်။
02:50
So this is where we turn to machine learning.
68
170917
2268
ဒီတော့ ဒါက စက် သင်ယူခြင်းဆီ လှည့်တဲ့နေရာပါ။
02:53
Now, our eyes are not very good at picking up patterns in noisy data,
69
173209
3976
မျက်လုံးတွေက ရှုပ်ထွေးနေတဲ့ ဒေတာမှာ ပုံစံတွေကို ရွေးရာမှာ သိပ်မတော်ပေမဲ့
02:57
but machine learning algorithms are designed to do just that,
70
177209
2946
စက် သင်ယူခြင်း အယ်လ်ဂိုရစ်သမ်က ဒါလုပ်ဖို့ ပုံစံထုတ်တာဆိုတော့
03:00
so could we take a lot of pictures and a lot of data
71
180179
3201
ပုံတွေနဲ့ ဒေတာ အများအပြားကို ယူပြီ; ဒါကို ထည့်ကာ
03:03
and feed it in and train a computer
72
183404
1790
တစ်ချိန်တည်းမှာ Christy ကြည့်နေတာကို
03:05
to be able to interpret what Christy is looking at in real time?
73
185218
3381
အဓိပ္ပါယ်ကောက်နိုင်ဖို့ ကွန်ပြူတာကို သင်ပေးနိုင်လား။
03:09
We're trying to code the information that's coming out of her EEG
74
189088
4117
တစ်ချိန်တည်းမှာ သူ့ရဲ့ EEG ကနေ ထွက်လာတဲ့ သတင်းအချက်အလက်ကို ကုဒ်ရေးပြီး
03:13
in real time
75
193229
1175
သူ့မျက်လုံးတွေက
03:14
and predict what it is that her eyes are looking at.
76
194428
2461
ကြည့်နေတာက ဘာဆိုတာကို ခန့်မှန်းဖို့ ကြိုးစားနေတယ်။
03:16
And if it works, what we should see
77
196913
1727
ဒါ အလုပ်ဖြစ်ရင် မြင်မှာက
03:18
is every time that she gets a picture of scenery,
78
198664
2381
ရှုခင်းပုံတစ်ပုံကို သူရတဲ့အချိန်တိုင်းမှာ
03:21
it should say scenery, scenery, scenery, scenery.
79
201069
2286
ဒါက ရှုခင်း၊ရှုခင်း၊ရှုခင်းလို့ ပြောမှာပါ။
03:23
A face -- face, face, face, face,
80
203379
1957
မျက်နှာ၊ မျက်နှာ၊ မျက်နှာဆိုပေမည့်
03:25
but it's not quite working that way, is what we're discovering.
81
205360
3531
ဒီနည်းအတိုင်း သိပ် အလုပ်မလုပ်နေတာက ကျွန်တော်တို့ တွေ့ရှိနေတာတွေပါ။
03:33
(Laughter)
82
213385
3548
(ရယ်သံများ)
03:36
OK.
83
216957
1151
အိုကေပါ။
03:38
Director: So what's going on here? GG: We need a new career, I think.
84
218132
3382
ဒါရိုက်တာ။ဒီမှာ ဘာဖြစ်နေတာလဲ။ GG: အလုပ်သစ်တစ်ခု လိုအပ်တယ် ထင်တယ်ဗျ။
03:41
(Laughter)
85
221538
1070
(ရယ်သံများ)
03:42
OK, so that was a massive failure.
86
222632
2444
ကောင်းပြီ။ ဒါက ဧရာမ ကျရှုံးမှုတစ်ခုပါ။
03:45
But we're still curious: How far could we push this technology?
87
225100
3212
ဒါပေမဲ့ သိချင်သေးတာက ဒီနည်းပညာကို ဘယ်လောက်ဝေးဝေး တွန်းပိုနိုင်လဲ။
03:48
And we looked back at what we did.
88
228336
1640
လုပ်ခဲ့တာကို ပြန်ကြည့်ခဲ့ကြတယ်။
ဒေတာက ပုံရိပ်တွေ ပေါ်လာချိန်ရဲ့ အချိန်ကိုက်မှုမပါဘဲ
03:50
We noticed that the data was coming into our computer very quickly,
89
230000
3143
03:53
without any timing of when the images came on,
90
233167
2241
ကွန်ပြူတာထဲကို အမြန် လာနေ တာကို သတိထားမိတယ်။
03:55
and that's the equivalent of reading a very long sentence
91
235432
2876
ဒါက စကားလုံးတွေကြားမှာ နေရာလပ်မရှိတဲ့ အလွန် ရှည်တဲ့ ဝါကျ
03:58
without spaces between the words.
92
238332
1605
တစ်ကြောင်းကို ဖတ်တာနဲ့ တူညီတယ်။
03:59
It would be hard to read,
93
239961
1438
ဒါက ဖတ်ဖို့ ခက်မယ်ဆိုပေမည့်
04:01
but once we add the spaces, individual words appear
94
241423
3713
နေရာလပ်တွေကို ထည့်လိုက်တာနဲ့ သီးခြားစာလုံးတွေ ပေါ်လာပြီး
04:05
and it becomes a lot more understandable.
95
245160
2044
အများကြီး ပိုနားလည်နိုင်တာဖြစ်လာတယ်။
04:07
But what if we cheat a little bit?
96
247228
1847
ဒါပေမဲ့ နည်းနည်း လှည့်စားလိုက်ရင်ရော။
04:09
By using a sensor, we can tell the computer when the image first appears.
97
249099
3537
အာရုံခံတစ်ခုကို သုဲးခြင်းကနေ ပုံရိပ် ပထမဆုံး ပေါ်တာကို ပြောနိုင်တယ်။
04:12
That way, the brainwave stops being a continuous stream of information,
98
252660
3602
ဒီနည်းနဲ့ ဦးနှောက်လှိုင်းက စဉ်ဆက်မပြတ် သတင်းစီးဆင်းမှုကို ရပ်လိုက်ပြီး
04:16
and instead becomes individual packets of meaning.
99
256286
2711
ဒီအစား သီးခြား အဓိပ္ပါယ်ဖွင့်ဆိုချက်တွေဖြစ်လာတယ်။
04:19
Also, we're going to cheat a little bit more,
100
259021
2368
ဒါအပြင် အမျိုးအစားတွေကို နှစ်မျိုး ကန့်သတ်ရင်း
04:21
by limiting the categories to two.
101
261413
1812
နည်းနည်းပိုပြီး လှည့်စားမယ်။
04:23
Let's see if we can do some real-time mind-reading.
102
263249
2383
စမ်းသပ်ချက်အသစ်မှာ အချိန်ကိုက် စိတ်ကို ဖတ်နိင်လား
04:25
In this new experiment,
103
265656
1235
ဆိုတာကိုကြည့်ရအောင်။
04:26
we're going to constrict it a little bit more
104
266915
2097
ရုပ်ပုံရဲ့အစကို သိရအောင် ဒါကို နည်းနည်းလေး
04:29
so that we know the onset of the image
105
269036
2252
ပိုတင်းကျပ်လိုက်မယ်။
04:31
and we're going to limit the categories to "face" or "scenery."
106
271312
3382
“မျက်နှာ” သို့မဟုတ် “ရှုခင်း” အတွက် အမျိုးအစားတွကို ကန့်သတ်မယ်။
04:35
Nathan: Face. Correct.
107
275097
1511
Nathan: မျက်နှာ၊ မှန်တယ်။
04:37
Scenery. Correct.
108
277780
1351
ရှုခင်း၊ မှန်တယ်။
04:40
GG: So right now, every time the image comes on,
109
280251
2373
GG: ဒါဆို လောလောဆယ် ပုံပေါ်လာတိုင်း
04:42
we're taking a picture of the onset of the image
110
282648
2266
ပုံရဲ့အစကို ဓာတ်ပုံရိုက်ပြီး
04:44
and decoding the EEG.
111
284938
1695
EEG ကို ကုဒ်ရေးနေတယ်။
04:46
It's getting correct.
112
286657
1256
မှန်လာနေပါပြီ။
04:47
Nathan: Yes. Face. Correct.
113
287937
1579
Nathan: မျက်နှာဟုတ်တယ်၊ မှန်တယ်။
04:49
GG: So there is information in the EEG signal, which is cool.
114
289540
2859
GG : ဒီတော့ EEG အချက်ပြမှုမှာ သတင်းအချက်အလက်ရှိတယ်။ မိုက်တယ်။
04:52
We just had to align it to the onset of the image.
115
292423
2537
ပုံရဲ့အစကို ညှိဖို့ပဲလိုခဲ့တာပါ။
04:55
Nathan: Scenery. Correct.
116
295307
1311
Nathan: ရှုခင်း၊ မှန်တယ်။
04:59
Face. Yeah.
117
299344
1150
မျက်နှာ ဟုတ်ပါ့။
05:00
GG: This means there is some information there,
118
300518
2288
GG : ဒီမှာ အချက်အလက် တချို့ရှိတယ်လို့ ဆိုလိုတာပါ။
05:02
so if we know at what time the picture came on,
119
302830
2913
ဒီတော့ ပုံပေါ်လာတဲ့ အချိန်ကို သိရင်
05:05
we can tell what type of picture it was,
120
305767
1999
ဘယ်လိုပုံမျိုးလဲဆိုတာ ပြောပြနိုင်တယ်။
05:07
possibly, at least on average, by looking at these evoked potentials.
121
307790
5096
ဖြစ်လောက်တာက အနည်းဆုံး ပျမ်းမျှ၊ အလားအလာတွေကို ကြည့်ရင်းပေါ့၊
05:12
Nathan: Exactly.
122
312910
1325
Nathan: အတိအကျပဲ။
05:14
GG: If you had told me at the beginning of this project this was possible,
123
314259
3521
GG: ဒီပရောဂျက်က ဖြစ်နိုင်တယ်လို့ အစမှာ ပြောခဲ့မယ်ဆိုရင်
05:17
I would have said no way.
124
317804
1251
မဖြစ်နိုင်ဘူးလို့ပြောမှာ။
05:19
I literally did not think we could do this.
125
319079
2000
ဒါကို လုပ်နိုင်တယ်လို့ တကယ် မထင်ခဲ့တာလေ။
05:21
Did our mind-reading experiment really work?
126
321103
2066
စိတ်ကိုဖတ်တဲ့ စမ်းသပ်မှုက တကယ်အလုပ်ဖြစ်လား။
05:23
Yes, but we had to do a lot of cheating.
127
323193
1975
ဖြစ်တယ်၊ အများကြီး လှည့်စားရတာပေါ့။
05:25
It turns out you can find some interesting things in the EEG,
128
325192
2905
ဖြစ်သွားတာက EEG မှာ စိတ်ဝင်စားစရာတချို့ ရှာတွေ့နိုင်တာပါ။
05:28
for example if you're looking at someone's face,
129
328121
2290
ဥပမာ လူတစ်ယောက်ရဲ့ မျက်နှာကို ကြည့်နေတယ်ဆိုရင်
05:30
but it does have a lot of limitations.
130
330435
2157
ဒါပေမဲ့ ကန့်သတ်ချက်တွေကတော့ အများကြီးပါ။
05:32
Perhaps advances in machine learning will make huge strides,
131
332616
2946
စက်သင်ယူမှု တိုးတက်မှုတွေက ဧရာမခြေလှမ်းတွေ ဖန်တီးလောက်ပြီး
05:35
and one day we will be able to decode what's going on in our thoughts.
132
335586
3390
တစ်နေ့မှာ အတွေးထဲမှာ ဖြစ်နေတာကို ကုဒ်ရေးလို့ရနိုင်လောက်မယ်။
အခုတော့ ကိရိယာတွေကို ထိန်းချုပ်နိုင်ဖို့ ဦးနှောက်လှိုင်းကို ထိန်းချုပ်နိုင်တယ်လို့
05:39
But for now, the next time a company says that they can harness your brainwaves
133
339000
4077
05:43
to be able to control devices,
134
343101
1750
ကုမ္ပဏီတစ်ခုက နောက်တစ်ခါပြောတဲ့အခါ
05:44
it is your right, it is your duty to be skeptical.
135
344875
3310
သံသယဖြစ်ဖို့က သင့်အခွင့်အရေး၊ သင့်တာဝန်ပါ။
ဤဝဘ်ဆိုဒ်အကြောင်း

ဤဆိုက်သည် သင့်အား အင်္ဂလိပ်စာလေ့လာရန်အတွက် အသုံးဝင်သော YouTube ဗီဒီယိုများနှင့် မိတ်ဆက်ပေးပါမည်။ ကမ္ဘာတစ်ဝှမ်းမှ ထိပ်တန်းဆရာများ သင်ကြားပေးသော အင်္ဂလိပ်စာသင်ခန်းစာများကို သင်တွေ့မြင်ရပါမည်။ ဗီဒီယိုစာမျက်နှာတစ်ခုစီတွင် ပြသထားသည့် အင်္ဂလိပ်စာတန်းထိုးများကို နှစ်ချက်နှိပ်ပါ။ စာတန်းထိုးများသည် ဗီဒီယိုပြန်ဖွင့်ခြင်းနှင့်အတူ ထပ်တူပြု၍ လှိမ့်သွားနိုင်သည်။ သင့်တွင် မှတ်ချက်များ သို့မဟုတ် တောင်းဆိုမှုများရှိပါက ဤဆက်သွယ်ရန်ပုံစံကို အသုံးပြု၍ ကျွန်ုပ်တို့ထံ ဆက်သွယ်ပါ။

https://forms.gle/WvT1wiN1qDtmnspy7