Summary
우리는 학습 과정에 종사하는 성인 (18 세에서 70 세)의 행동 분석을위한 프로토콜을 제시하여 자가 규제 학습 (SRL)을 위해 설계된 작업을 수행합니다. 참가자, 대학 교사 및 학생, 그리고 경험 대학의 성인은 아이 트래킹 장치로 모니터링되었으며 데이터는 데이터 마이닝 기술로 분석되었습니다.
Abstract
학습 작업에 종사하는 성인의 행동 분석은 성인 교육 분야에서 중요한 과제입니다. 요즘, 지속적인 기술 변화와 과학적 진보의 세계에서, 공식 및 비 공식적인 교육 환경 모두에서 평생 학습과 교육에 대한 필요성이있다. 이러한 과제에 대응하여, 아이트래킹 기술과 데이터 마이닝 기술을 각각 감독(주로 예측) 및 감독되지 않은(클러스터 분석) 학습을 위해 사용자 간에 학습 형태 감지 및/또는 학습 스타일 분류를 위한 방법을 제공합니다. 이 연구에서는, 프로토콜은 다른 나이 (18 에서 69 세)에 이전 지식없이 성인 중 학습 스타일의 연구와 학습 과정 (시작과 끝)에 걸쳐 다른 지점에서 제안된다. 통계적 분산 분석 기법은 학습자 유형과 작업에 대한 이전 지식에 따라 참가자 간의 차이점을 감지할 수 있음을 의미합니다. 마찬가지로, 감독되지 않은 학습 클러스터링 기법을 사용하면 다양한 그룹 참가자들 사이에서 비슷한 형태의 학습에 빛을 던집니다. 이러한 모든 데이터는 정보 처리 체인의 다른 지점에서 각 작업을 발표하기 위해 교사의 개인화 된 제안을 용이하게합니다. 마찬가지로 교사가 각 학생이나 비슷한 특성을 가진 학생 그룹의 학습 요구에 대한 교육 자료를 조정하는 것이 더 쉬울 것입니다.
Introduction
학습의 행동 분석에 적용된 아이트래킹 방법론
아이트래킹 방법론은 다른 기능적 용도 중에서도 특히 작업 해결 중에 인간의 행동에 대한 연구에 적용됩니다. 이 기술은 학습 작업1을완료하는 동안 모니터링 및 분석을 용이하게합니다. 구체적으로, 학습 과정의 다른 지점에서 학생들의 주의 수준 (시작, 개발, 끝) 다른 과목 (역사, 수학, 과학 등) 눈 추적 기술의 사용으로 공부 할 수있다. 또한 학습 과정을 안내하는 음성으로 비디오 의 사용을 포함하는 작업이 포함된 경우 SRL(자체 규제 학습)이 촉진됩니다. 따라서, SRL(비디오 의 사용을 포함하는) 학습이 어떻게 개발되는지 이해하는 중요한 자원으로 제안된 작업 분석에서 아이트래킹 기술의구현은 2,3,4. 또한 이 조합은 또한 교육 방법(SRL 유무이드) 간의 차이점이 다른 유형의 학생(사전 지식 유무이또는 없는)으로 확인할 수 있음을 의미합니다. 5.반대로, 다중 채널 정보의 프리젠테이션(청각 및 시각적 정보의 동시 프레젠테이션, 구두, 서면 또는 회화 여부)은 상기 변수6에서관련 대 관련 정보의 기록 및 분석을 용이하게 할 수 있다. 멀티미디어 학습 채널에 노출된 사전 지식을 가진 학생은 사전 지식이 거의 없거나 전혀 없는 학생보다 더 효과적으로 배우는 것처럼 보입니다. 주제에 대한 사전 지식이 높은 학생은 텍스트 및 그래픽 정보를 보다 효과적으로 통합합니다7. 이 기능은 이미지9를포함하는 텍스트8을 학습할 때 관찰되었습니다. 아이트래킹 기술은 주의가 집중되는 위치와 얼마나 긴지에 대한 정보를 제공합니다. 이러한 데이터는 작업을 완료하는 동안 해결 프로세스를 간단하게 관찰하는 것보다 보다 정밀한 방법으로 학습 프로세스의 개발에 대한 통찰력을 제공합니다. 또한, 이러한 지표의 분석은 학생이 깊은 또는 피상적 인 학습을 개발하는지 여부에 대한 연구를 용이하게한다. 더욱이, 이러한 데이터와 학습 결과 사이의 관계는 아이트래킹 기술로 얻은 정보의 검증을 용이하게 한다4,10. 사실, SRL과 함께이 기술은 점점 고등 교육및 성인교육11 학습 환경에서 점점 더 사용된다, 모두 규제 및 비 규제 과정에12.
아이 트래킹 기술은 거리, 속도, 가속, 밀도, 분산, 각도 속도, 관심 영역(AOI), AOI순, 고정, 사케이드, 스캔 경로 및 히트 맵 매개 변수의 방문 과 같은 다양한 지표를 제공합니다. 그러나 이러한 데이터의 해석은 복잡하고 감독(회귀, 의사 결정 트리 등) 및 감독되지 않은(k-means 클러스터 기술 등)의 사용이 필요합니다. 13,14 데이터 마이닝 기술. 이러한 메트릭은 시간이 지남에 따라 동일한 주제의 동작을 모니터링하거나 이전 지식과 이전지식(16)을가진 참가자 간의 차이를 분석하여 여러 과목과 동일한작업(15)을가진 성과를 비교하기 위해 적용할 수 있습니다. 최근 연구11,17은 초보 견습생이 자극에 더 이상 고정하는 것으로 나타났습니다 (즉, 유사한 스캔 경로 패턴이 기록되는 동안 더 큰 고정 빈도가 있습니다). 고정의 평균 기간은 초보자보다 전문가에 대한 더 이상이었다. 전문가들은 열지도에서 AOI 내의 시각화 지점에서 볼 수있는 정보 (근위 및 중앙)의 중간 점(근위 및 중앙)에 주의를 환기시켰습니다.
아이트래킹의 지표 해석
최근 연구18 정보 수집자극에 안구 고정의 수와 관련이 있음을 나타냈다. 또 다른 중요한 메트릭은 [10 ms, 100 ms]의 간격으로 고정의 신속하고 갑작스러운 움직임으로 정의되는 saccade입니다. 샤라피 외.(2015)18학생의 정보 코딩 단계에 따라 사케이드 의 수의 차이를 발견했다. 또 다른 관련 매개 변수는연구원(18)이정의한 AOI 내에서 학습 작업의 해결을 위해 참가자가 수행하는 단계의 연대순을 캡처하는 메트릭인 스캔 경로이다. 마찬가지로, 아이트래킹 기술을 사용하여 참가자의 이해 수준을 예측할 수 있으며, 이는 고정 수와 관련이 있는 것으로 보입니다. 최근 연구에 따르면 시선 행동의 가변성은 이미지(위치, 강도, 색상 및 방향), 작업을 수행하기 위한 지침 및 참가자의 정보 처리 유형(학습 스타일)에 의해 결정된다. 이러한 차이는 학생이 다른 AOI19와의상호 작용을 분석하여 감지됩니다. 정량적 20(주파수 분석) 및/또는 질적 또는 동적21(스캔 경로) 기술을 사용하여 다양한 메트릭에서 수집된 데이터를 분석할 수 있습니다. 상기 전 기법은 전통적인 통계기술(주파수 분석, 평균 차이, 분산차 등)으로 분석되며, 후자는 기계 학습 기술로 분석된다(문자열 편집방법(21,22)및 클러스터링17). 이러한 기술의 적용은 피험자의 다양한 특성을 고려하여 클러스터링을 용이하게 합니다. 한 연구17 학생 더 많은 전문가, 구현 되는 공간 및 시간 정보 처리 전략을 더 효과적 발견. 이 연구에서 사용된 측정 매개 변수의 설명 표는 표 1에서아래와 상담할 수 있습니다.
표 1: 사이드, 자파라린, 마티코나 및 벨라스코(2019)에서 적용된 아이트래킹 기술로 얻을 수 있는 대부분의 대표적인 매개변수. 20 이 테이블을 다운로드하려면 여기를 클릭하십시오.
학습 프로세스 연구에 아이트래킹 방법론 적용
5위에 설명된 기술 발전 및 데이터 분석 기법을 사용하면 다양한 정보 처리 단계(작업 개시, 정보 처리 및 작업 해결)에서 문제 해결 중에 학습자의 행동 분석에 더 큰 정밀도를 추가합니다. 그것은 모두 차례로 유사한 특성을 가진 학생들의 그룹을 허용합니다 개별 행동 분석을 용이하게할 것이다24. 마찬가지로 예측 기술(의사 결정 트리, 회귀 기술 등) 25는 학습에 적용할 수 있으며, 고정 횟수와 각 학생의 작업 해결 결과와 관련된 결과를 모두 적용할 수 있습니다. 이 기능은 각 학생이 배우는 방법에 대한 지식과 다른 그룹 내에서 개인화 된 학습 프로그램의 제안에 대한 매우 중요한 진보입니다 (학습 장애 의 유무에 관계없이사람들 26). 따라서,이 기술의 사용은 학습27의개인화 및 최적화의 성취에 기여할 것이다. 평생 학습은 사회의 지식이 끊임없이 발전하고 발전하고 있기 때문에 지속적인 개선의 주기로 이해되어야합니다. 진화 심리학은 정보 처리의 해상도 기술과 효과가 나이가 들면서 감소한다는 것을 나타냅니다. 특히, 성인들 사이에서 는 사케이드 주파수, 진폭 및 눈 의 움직임의 속도가 나이가 들면서 감소하는 것으로 나타났습니다. 또한, 노년기에서는 작업 메모리14의적자와 관련된 시각 장면의 하부 영역에 관심이 집중된다. 그럼에도 불구하고, 노년기에 전두엽 및 전두엽 지역의 활성화가 증가하여 이러한 결핍을 보완하는 것으로 보입니다. 이 측면은 이전 지식의 수준과 주제가 적용 할 수있는 인지 보상 전략을 포함한다. 숙련된 참가자는 자동화된 감독프로세스(28)의적용으로 인해 주의를 보다 효과적으로 관리하기 때문에 보다 효율적으로 학습합니다. 또한, 학습할 정보가 SRL 기술을 통해 전달되는 경우, 전술한 결함은17을완화한다. 이러한 기술의 사용은 시각적 추적 패턴이 사전 지식이없는 과목과 사전 지식이없는 과목 모두에서 매우 유사하다는 것을 의미7.
요약하자면, 고급 학습(eye-tracking) 기술을 사용하여 얻은 SRL에 대한 멀티모달 멀티채널 데이터의 분석은 인지, 메타인지, 동기 부여 과정 간의 상호 작용과 학습 에 미치는영향(29)을이해하는 데 핵심적인 것이다. 학습의 결과와 학습의 차이에 대한 연구는 학습 자료와 지능형 과외 시스템의 설계에 영향을 미치며, 둘 다 학생30에게더 효과적이고 만족스러울 가능성이 있는 개인화된 학습을 가능하게 합니다.
이 연구에서는 두 가지 조사 질문이 있었습니다: (1) 학습 결과와 예술사에서 비전문가 교사 간의 학습 결과와 안구 고정 매개 변수에 상당한 차이가 있을 것인가요 공식 학위(경험대학 - 성인 교육)를 가진 학생들보다 공식 학위를 가진 학생들을 차별화할 수 있습니까? (2) 학습 결과 와 안구 고정 매개 변수와 각 참가자의 클러스터는 참가자의 유형과 일치합니까 (공식 학위를 가진 학생, 비 공식 학위를 가진 학생 (경험대학 - 성인 교육) 및 교사)?
Subscription Required. Please recommend JoVE to your librarian.
Protocol
이 프로토콜은 부르고스 대학 (스페인) nº Nº IR27/2019의 생물 윤리위원회의 절차 적 규정을 준수하여 수행되었다. 참여 하기 전에, 참가자는 연구 목표를 완전히 인식 하 고 모두 그들의 통보 된 동의를 제공 했다. 그들은 그들의 참여에 대한 재정적 보상을받지 못했습니다.
1. 참가자 모집
- 고등 교육 (공식 및 비 공식적인 교육)의 환경에서 18 세에서 69 세의 연령등급으로 두 환경 (학생 및 교사) 내에서 성인 그룹 중 참가자를 모집합니다.
- 정상 또는 수정된 투-정상 시력 및 청각을 가진 참가자를 포함합니다.
- 신경학적, 정신의학 및 수면 장애, 교육적 특수 요구와 관련된 장애, 지각 장애(시력 및 청각 장애), 인지 장애가 있는 참가자를 제외합니다.
참고: 이 연구에서는 40명의 참가자, 6명의 학생(시각 장애로 인해 경험대학의 학생 범주에서 제외됨), 건강 과학, 공학 및 역사 및 유산 분야의 25명의 대학 교수, 9명의 학부 및 석사 생들로 구성된 표본을 연구했습니다. 참가자들은 인지, 청각, 시각 적 문제가 없었으며 모두 정상 또는 수정된 정상시력(표 2)을가지고 있었습니다. 그렇기 때문에 니스타그무스가 그에게 검출되었기 때문에 실험을 시작하기 전에 참가자 중 한 명이 제거되었기 때문에 39명의 참가자의 샘플에 작업이 적용되었습니다. 참가자들은 재정적 또는 전문적인 보상을 받지 못했습니다. 그렇기 때문에 이 아이트래킹 방법이 문화유산, 특히 유럽 수도원의 기원과 관련된 학습 과정에서 어떻게 작동하는지 아는 것이 그들의 관심사에 기반을 두었기 때문에 참가자들의 동기부여가 높았습니다.
표 2. 샘플의 특성. 이 테이블을 다운로드하려면 여기를 클릭하십시오.
2. 실험 절차
- 세션 1: 정보에 입각한 동의, 개인 데이터 및 배경 지식 의 수집
- 정보에 입각한 동의를 얻습니다. 시험 전에 각 참가자에게 연구의 목적과 데이터의 수집, 치료 및 저장을 알립니다. 각 참가자의 동의는 정보에 입각한 동의서에 서명하여 제공됩니다.
참고: 이 연구에 참여하는 것은 자발적이었고 재정적 보상은 없었습니다. 이러한 측면은 업무 완성에 경제적 동기가 없음을 보장했다. 작업을 시작하기 전에, 면접관, 현장의 전문가, 나이, 성별, 직업, 주제에 대한 사전 지식설문지를 작성, 이 경우, 유럽에서 수도원의 기원과 역사적 개발 (표 3참조). 이 연구는 평생 인류의 문화 유산에 대해 배우는 성인에 대한 유럽 프로젝트 (2019-1-ES01-KA204-095615-코디네이터 6)의 일부입니다. 이것이 바로 이러한 유형의 작업이 선택된 이유입니다. 각 구도자는 자신의 작업 분야에 따라 주제를 선택합니다.
- 정보에 입각한 동의를 얻습니다. 시험 전에 각 참가자에게 연구의 목적과 데이터의 수집, 치료 및 저장을 알립니다. 각 참가자의 동의는 정보에 입각한 동의서에 서명하여 제공됩니다.
표 3. 면접 설문지. 이 테이블을 다운로드하려면 여기를 클릭하십시오.
- 세션 2: 교정
- 참가자에게 아이트래킹 기술이 어떻게 작동하는지, 정보를 수집하고 기록하고 보정하는 방법에 대해 알려드립니다: "우리는 아이트래킹 기술을 사용하여 유럽 수도원의 기원과 개발에 대한 학습 작업의 완료를 관찰할 것입니다. 아이 트래킹은 활동을 수행하는 동안 시선을 따라 갈 수 있는 기술이며 부작용이 없으며 침습적이거나 침습적입니다.이 연구에서는 아이 트래킹만 기록되기 때문에".
- 유효한 테스트에는 적절한 위치 지정이 필요하다고 참가자에게 설명합니다. 참가자가 모니터에서 특정 거리 [45 ~ 60cm]에 앉아야합니다. 거리는 참가자의 높이, 높이가 낮을수록 거리가 짧아집니다.
- 참가자에게 일련의 포인트가 화면의 카디널 포인트에 표시되며 각 지점이 나타나면 참가자가 눈으로 관찰해야 한다고 알립니다. 참가자는 "enter" 커서를 사용하여 한 지점에서 다른 지점으로 이동할 수 있습니다. 교정 단계의 지속 시간은 10-15분입니다.
참고: 아이트래킹 아이뷰어 XTM, SMI 실험자 센터 3.0, SMI Be Gaze 및 1680×1050해상도의 모니터가 작업 해결 운동에 사용되었습니다. 이 장비는 각 눈의 안구 움직임, 좌표 및 천체 직경을 등록합니다. 이 연구에서는 60Hz를 적용하고, 검색 경로 메트릭 및 동적 스캔 경로 메트릭을 사용했으며, AOI 통계가 결정되었습니다. - 교정 설정을 확인합니다. 테스트를 감독하는 전문가는 제어 화면의 교정 설정을 분석합니다.
- 아이트래킹 iViewer XTM에 포함된 교정 시스템을 통해 교정을 수행합니다. 이 작업을 시작하기 전에 각 참가자는 화면에서 네 개의 모서리(오른쪽 위, 오른쪽 위, 오른쪽 아래, 아래 쪽)에 대한 시각적 후속 작업을 실현합니다. 그 후 소프트웨어는 이러한 자극의 올바른 위치의 실행 확인 프로세스를 가지고 있으며, 도의 매개 변수 조정에 대한 정보를 제공합니다. 이 조정이 오른쪽 눈과 왼쪽 눈의 0.6º ± 1 사이에 있는 경우 교정이 정확하고 작업 실행이 시작되는 것으로 간주됩니다. 프로세스의 예는 그림 1에서확인할 수 있습니다.
참고: 오른쪽 눈과 왼쪽 눈의 도가 표준 편차 ± 0.6º로 설정될 때 올바른 작업 완료가 고려됩니다. 이 연구에서는, 2개의 교정은 0.6º의 조정 기준을 초과한 대학 교수의 단 사이에서 검출되었습니다 ± 1 및 2명의 참가자는 그러므로 제거되었습니다. 첫 번째 샘플에 있는 25명의 참가자는 그러므로 23명의 참가자로 감소되었습니다.
- 아이트래킹 iViewer XTM에 포함된 교정 시스템을 통해 교정을 수행합니다. 이 작업을 시작하기 전에 각 참가자는 화면에서 네 개의 모서리(오른쪽 위, 오른쪽 위, 오른쪽 아래, 아래 쪽)에 대한 시각적 후속 작업을 실현합니다. 그 후 소프트웨어는 이러한 자극의 올바른 위치의 실행 확인 프로세스를 가지고 있으며, 도의 매개 변수 조정에 대한 정보를 제공합니다. 이 조정이 오른쪽 눈과 왼쪽 눈의 0.6º ± 1 사이에 있는 경우 교정이 정확하고 작업 실행이 시작되는 것으로 간주됩니다. 프로세스의 예는 그림 1에서확인할 수 있습니다.
그림 1. 아이 트래킹 교정 프로세스는 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
- 세션 3: 학습 작업 수행
- 작업의 내용을 참가자에게 설명합니다. 교육 심리학 전문가는 참가자에게 작업이 구성되는 것과 수행하는 방법을 설명합니다: "비디오는 1분 14초 길이이며 5개의 음성 이미지로 구성됩니다. 결국, 참가자는 비디오에 제시 된 정보가 이해되었는지 확인하기 위해 작은 크로스 워드 퍼즐을 완료하도록 초대됩니다".
- 비디오 클립을 시청합니다. 작업에 사용된 비디오는 다음 링크인 https://youtu.be/HlGGgrYDTFs 볼 수 있습니다.
참고: 이 작업은 유럽 수도원의 기원에 대한 정보를 제공하는 비디오를 보는 것으로 구성됩니다. 이 정보는 미술사 교사인 전문가에 의해 정교해졌습니다. 이 정보는 SRL 전문 교사가 구두 강조를 사용하여 가장 중요한 내용을 주장하는 비디오 전반에 걸쳐 말하고 있기 때문에 이미지와 서면 정보가 윤곽선으로 제시된 하나의 시각적 개체와 다른 오디오 를 포함하는 두 개의 채널로 구성됩니다. - 무들 기반 가상 플랫폼에서 크로스 워드 퍼즐을 수행. 크로스워드 아이콘을 클릭하면 참가자가 크로스워드가 완료될 수 있는 가상 플랫폼으로 이동하여 지식을 획득했는지 여부를 확인합니다. 크로스 워드 퍼즐은 그림 2에표시됩니다.
그림 2. 크로스 워드 퍼즐획득 지식을 확인합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
- 세션 4: 데이터 분석
- 관심 영역(AOI)을 선택합니다. AOI는 비디오에 정의되며 관련 정보가 포함된 AOI와 관련 정보가 포함된 AOI로 나뉩니다.
참고: AOI 할당은 제시된 정보와 관련하여 관련 또는 관련이 없는 AOIs를 결정하는 실험자가 실현합니다. - AOI 고정에 대한 매개 변수와 관련된 데이터베이스를 추출합니다("이벤트 시작 평가판 시간", "이벤트 종료 평가판 시간" 및 "이벤트 기간"; "고정 위치 X", "고정 위치 Y", "고정 평균 학생 크기", "고정 평균 동공 크기 Y px", "고정 평균 동공 직경", "고정 분산 X"와 "고정 분산 Y").
- 데이터베이스를 통계 처리 소프트웨어 패키지로 가져오고 옵션을 분석한 다음 분류한다음 옵션 k-means 클러스터를 선택합니다. 그런 다음 통계 소프트웨어 패키지(예: SPSS)에서 교차 테이블을 선택하고 'ANOVA' 옵션다음에 참가자 간의 차이점(성인 그룹 유형 및 사전 지식 정도)을 분석하여 AOI 고정매개변수(31)에대해 분석한다.
참고: 클러스터링 또는 클러스터 분석은 '감독되지 않은' 기계 학습 기술이며, k-means내에서 는 그룹화 방법이며, 이 방법의 목적은 각 관측값이 가장 가까운 평균 값을 가진 그룹에 속하는 k 그룹으로 n 관측 세트를 분할하는 것입니다. 이 실험에서 k-means클러스터링은 학습 작업에 참여한 참가자의 클러스터를 확인하는 데 사용되었습니다. 이 서신은 진단을 넘어 서 사용자의 균일한 기능 적 발달에 대한 교사 또는 치료사 정보를 제공하기 때문에 기능 적 발달의 일부 영역에서 유사한 개입 프로그램을 제안하는 정보를 제공하기 때문에 중요합니다. 이 옵션은 교육 또는 치료 서비스 및 개인 및 재료 자원의 완전한 사용을 용이하게 할 것으로 예상된다. - 주황색32와같은 시각화 소프트웨어를 사용하여 처리되는 데이터(설명 및 클러스터 분석)에 대한 시각화 분석을 수행합니다.
- 자세한 통계의 매개 변수에 대한 데이터를 추출: 거주 시간, 눈 시간, 전환 기간, 눈 세수, 고정 수, 평균 고정 및 기간 다음 통계 소프트웨어 패키지로 해당 데이터베이스를 가져옵니다. 통계 패키지에서 'ANOVA' 옵션을 선택한 다음 처리된 데이터의 시각화 분석을 수행합니다(수단). 스프레드시트를 사용하여 참가자 그룹에 대한 거미 차트및 특정 막대 그래프를 생성합니다.
- 관심 영역(AOI)을 선택합니다. AOI는 비디오에 정의되며 관련 정보가 포함된 AOI와 관련 정보가 포함된 AOI로 나뉩니다.
- 세션 5: 맞춤형 학습 제안
- 낮은 점수로 인해 클러스터 분석에서 감지된 참가자들 의 학습 결과를 개선하기 위한 중재 프로그램을 수행합니다.
참고: 실험 절차에서 다음 단계의 요약은 그림 3에표시됩니다.
- 낮은 점수로 인해 클러스터 분석에서 감지된 참가자들 의 학습 결과를 개선하기 위한 중재 프로그램을 수행합니다.
그림 3. 실험 절차의 단계. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
이번 연구에 모집된 36명은 성인 3개 그룹(경험대학 학생, 대학 교수, 학부 및 석사 학위 학생)으로, [18세에서 69세 사이의 연령)을 가지고있다(표 2). 이 프로토콜은 부르고스 대학에서 20개월 이상 테스트되었습니다. 개발 개요는 표 4에서볼 수 있습니다.
표 4. 학습 동작 분석 프로토콜의 개발 개요입니다. 이 테이블을 다운로드하려면 여기를 클릭하십시오.
첫째, 고정의 시선 위치 매개변수를분석하였다(표 5). 이 연구에서는 비디오를 사용하여 시작 시간과 종료 시간은 모든 참가자에게 동일했습니다: 0 ms를 시작하고 1:14s, 기간 1:14초.
표 5. 고정 매개 변수 결과. 이 테이블을 다운로드하려면 여기를 클릭하십시오.
도 4는 고정 파라미터와 관련하여 세 그룹에서 개발한 작업의 그래프를 나타낸다. 각 참여 단체(경험학생 대학, 대학 교사 및 대학원 및 석사 학생)의 남녀 그룹은 각각 다양한 방식으로 작업을 완료했습니다.
그림 4. 세 그룹의 그래프와 고정 매개 변수와 관련된 작업의 개발입니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그런 다음 두 가지 고정 효과 ANOVA (참가자 유형 및 이전 지식)가 세 그룹 (경험 대학 학생, 대학 교수 및 대학 학생)간의 고정 위치 매개 변수에 상당한 차이가 있는지 여부를 확인하기 위해 적용되었습니다. 고정 매개 변수에서 유의한 차이가 발견되지 않았지만 고정 평균 학생 크기 Y, 고정 평균 동공 직경 및 고정 분산 X의 차이를 향한 추세가 지적되었지만 낮은 효과 값은 있지만(표 6참조).
표 6. 2단계 고정 효과 ANOVA(참가자 유형 및 사전 지식) 및 효과 값입니다. 이 테이블을 다운로드하려면 여기를 클릭하십시오.
그 후, K-means 클러스터는 고정 위치, 이전 지식 및 크로스 워드 퍼즐 결과의 매개 변수에 대한 결과와 관련하여 초기 연구 그룹 (경험 대학 학생, 대학 교수 및 대학 학생)에 다른 그룹이 있는지 여부를 연구하기 위해 적용되었다. 3개의 클러스터가발견되었습니다(표 7). 클러스터의 시각화는 그림 5에서볼 수 있습니다.
표 7. 최종 클러스터 센터. 이 테이블을 다운로드하려면 여기를 클릭하십시오.
이어서, 참여자의 범주 유형(경험대학 학생, 대학 교수 및 대학 학생)에 대하여 각 참가자에게 할당된 그룹 회원군 클러스터의값(표 8)을 교차테이블로준비하였다. 도 5는 고정 위치 매개변수에 대한 세 그룹과 관련하여 클러스터 내의 참가자의 위치를 나타낸다.
표 8. 참가자 * 케이스 교차 타표의 클러스터 번호. 이 테이블을 다운로드하려면 여기를 클릭하십시오.
2단계 고정 효과 ANOVA, "참가자 그룹" 및 "배경"은 다음 아이 트래킹 측정 매개 변수에 대해 수행되었습니다: 웰 타임, 시선 지속 시간, 전환 기간, 눈 자리 수, 고정 수, 평균 및 작업 시작 단계(슬라이드 1) 및 작업 종료 단계(슬라이드 5)(표 6)에서얻은 시간. 전환 기간 1의 배경 지식 변수에 따라 상당한 차이가 발견되었습니다(각 AOI에 삽입된 각 자극에 대한 입력, 거주 및 출력 시간을 분석). 따라서 정보 액세스의 초기 단계에서 변수 "참가자 그룹"에 따라 다른 AOIs에서 입력, 잔류 및 종료하는 방식이 다르다는 결론을 내릴 수있습니다(F2,32 = 4.07, p = 0.03, η 2 = 0.23). 차이점은 또한 평균 고정 기간 매개 변수에서 발견되었다 (더 이상 고정은 다른 AOI 내에서 정보 콘텐츠를 분석하고 해석하는 데 더 많은 시간을 소비 참가자를 참조(F2,32 = 3.53, p = 0.04, η 2 = 0.21). 본페로니의 평균 차이 테스트는 그룹 멤버십을 확립하기 위해 적용되었으며, 그룹(경험대학 학생)과 대학 교수 그룹 사이에 있다는 것이 확립되었습니다[평균 차이 = 0.04, p = 0.04 CI 95% (0.03-2.75)]. 참가자가 데이터 입력 단계에서 AOI를 분석하고 해석하는 데 더 많은 시간을 소비한 그룹 1(경험 대학 학생)의 경우 더 높았습니다(표 9 및 그림 6참조).
표 9. 2단계 고정 효과 ANOVA(참가자 유형 및 이전 지식) 및 아이트래킹 측정 매개 변수에 대한 효과 값: 웰 타임, 눈 유지 시간, 전환 기간, 눈 자리 수, 고정 수, 평균 고정 및 지속 시간. 이 테이블을 다운로드하려면 여기를 클릭하십시오.
그림 6. 세 그룹의 그래프와 작업 처리의 시작 과 끝에 이전 지식 변수에 대한 고정 매개 변수와 관련된 작업의 개발. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
이 연구에서 발견된 결과에 기초하여, 맞춤형 학습 프로그램의 개발은 작업 해결 학습 결과를 개선하기 위해 제안되었습니다. 이 프로그램은 전체 참가자의 85.43 %를 나타내는 학습 결과를 확인하기 위해 테스트에서 5 점 중 3 점의 점수를 획득했기 때문에 클러스터 3로 그룹화 된 참가자와의 작업에 중점을 두였습니다. 세 연구 그룹에서 참가자 (경험 학생 의 대학; 대학 교사와 대학원 및 석사 학생)이이 클러스터에서 발견되었다. 이 프로그램은 개념의 확장 및 사양이 만들어질 비디오에서 작업 한 개념의 강화에 초점을 맞출 것입니다.
그림 5. 세 그룹의 고정 매개 변수의 클러스터 분석 (경험 대학생, 대학 교수, 대학 학생). 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
보충 파일
학습 장애가 있는 어린이의 기능적 능력 관찰을 참조하기 위해 이미지가 사용된 비디오 녹화 승인이 첨부되어 있습니다.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
연구 결과는 관련 자극에 평균 고정 기간이 이전 지식을 가진 참가자 중 더 길다는 것을 표시했습니다. 마찬가지로, 이 그룹에 대한 관심의 초점은 정보의 중간 점에 (근위 및 실증)7. 이 연구의 결과는 참가자가 정보를 처리하는 방식에 있는 다름을 밝혔습니다. 또한, 그들의 처리는 항상 초기 그룹화에 연결되지 않았습니다 (경험 학생 대학, 대학 교사 및 대학원 및 석사 학생). 이러한 차이는 학습 비디오에 제시된 이미지의 고정에서 X축에 대한 참가자의 시각적 위치를 분석한 결과와 관련하여 발견되었습니다. 클러스터 2에서는 위치 X 고정, 위치 Y 고정, 평균 동공 직경 고정, X 축 고정 분산의 가장 높은 주파수가 발견되었습니다. 이 사실은 클러스터 2의 구성원이 스스로 대학 교사 그룹의 구성원이었다는 사실과 일치, 주제에 대한 이전의 지식을 가지고, 결과 검증 테스트에서 가장 높은 점수를 얻었다. 마찬가지로, 연구 결과에 참여한 대부분의 참가자(85.43%)가 원산지 집단에 관계없이 검증 시험에서 가장 낮은 결과를 얻은 클러스터 3에 있었다는 점을 지적하는 것과 관련이 있습니다.
이 프로토콜의 또 다른 관련 측면은 SRL이 있는 비디오에서 정보를 프레젠테이션하는 것입니다. 이러한 형태의 프레젠테이션은 한편으로는 주의를 안내하고 초점을 맞추고 다른 한편으로는 각 참가자의 개별 행동을 최소화하며, 이는 정보에 액세스하는 방식을 통합한다고 말합니다. 필요한 경우 가능한 적자 또는 처리의 어려움을 보상할 수 있는 측면입니다. 이 진술의 증거는 평균 성과 간격 [3.60, 4.86]이 5에 설정된 세 그룹 사이의 학습 결과에서 유의한 차이가 발견되지 않았다는 것입니다. 중요한 차이는 처리의 전환 기간(각 AOI에 삽입된 각 자극에 대한 입력, 영속성 및 출력 시간을 분석하는 데 사용되는 매개 변수)과 평균 고정 기간(이 매개 변수는 참가자가 다른 AOIs 내의 정보의 내용을 분석하고 해석하는 데 더 많은 시간을 소비함을 나타냅니다)의 초기 순간에 발견되었다. 이 매개 변수에서 가장 긴 시간은 대학원 및 석사 학생과 이 연구에서 경험 학생 대학의 그룹 사이에서 검출되었습니다. 이러한결과는 다른 연구4,12,15의결론에 의해 지원된다. 마지막으로, 이 프로토콜은 학생의 코딩 단계에 따라 정보 처리 중 의 차이를 연구하는 데 적용할 수 있습니다.
상기에 기초하여, 첫 번째 결론은 정보 처리1,2의연구를 위한 유용한 데이터를 제공하는 작업을 완료하는 동안 아이트래킹 방법론을 사용하는 것이다. 마찬가지로, 아이트래킹 기술으로부터 추출된 데이터는 감독되지 않은 학습 기술(clustering)으로 분석되어 미리 결정된매개변수(11,15)에따라 클러스터에 대한 지식을 용이하게 하였다. 이러한 측면은 각 참가자의 정보 처리 연구와 개인화된 교육 응답3,4,5,6,22,23에 관한 제안에 매우 관련이있으며,이는 보다 효과적인학습(23)으로이어질 것으로 예상된다.
또한 실험 결과는 초보 전문가 변수 및 참가자 연령에 따른 처리의 차이, 이러한 변수의 효과를 최소화하고 참가자의 예상 성능을 증가시키는 SRL 재료의 사용과 관련하여 다른연구의 결과를 재확인했다는 점도 지적하는 것이 중요하다7,8,9,10.
그러나 편의 샘플링이 적용되고 미술사와 관련된 특정 콘텐츠에 중점을 두었기 때문에 이러한 결과의 일반화를 신중하게 처리해야 합니다. 따라서, 샘플은 향후 연구에서 확장될 것이며, 그 결과는 다른 분야에서 확인될 것입니다.
소개에서 알 수 있듯이, SRL 방법론과 함께 다양한 정보 채널(청각, 시각 또는 둘 다)을 통해 멀티모달 방식으로 정보를 제시하는 것은 참가자가 각 사용자의 교육 요구에 따라 개인화된 학습 설계를 제공하고 그 결과, 모든학생들 사이에서 성공적인 학습 및 개발을 촉진하기 위해 정보를 처리하는 방식을 이해하는 데 핵심입니다.
요약하자면, 아이트래킹 기법을 사용하는 것은 재료에서 개인 자원에 이르는 비용 요인으로 인해 교육 프레임워크에서 일반적인 응용 프로그램의 방법론이 아닙니다. 그러나, 그것의 사용은 조금씩 증가 하기 시작 하 고 자동 규제 학습에서 작업의 관찰에 그것의 일반적인 사용을 볼 하는 것이 중요 하다. 이 아이트래킹 기술의 장점은 학습 과정의 간단한 관찰에 신뢰성과 타당성의 장점을 가지고 작업학습자의 상호 작용의 기록을 허용한다는 것입니다. 또한, 아이트래킹 방법론은 등록된 정보 시각화의 다양한 기술을 제공하며, 데이터 베이스의 이 정보는 컴퓨터 프로그램 또는 보다 강력한 도구로분석될 수도 있습니다. 따라서, 그것은 자연 맥락에서 조사에 대 한 다양 한 가능성을 엽니다.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
저자는 경쟁적인 재정적 이익이 없다고 선언합니다.
Acknowledgments
이 작품은 유럽 위원회의 자금으로 2019-1-ES01-KA204-095615-코디네이터 6 프로젝트 "SmartArt Erasmus+ 성인 교육의 자기 규제 학습"에서 개발되었습니다. 작업 완료 단계의 비디오는 Rut Velasco Sáiz의 사전 통보 된 동의를 했다. 우리는 과제 구현 단계에서 교사와 학생들의 참여를 주셔서 감사합니다.
Materials
| Name | Company | Catalog Number | Comments |
| iViewer XTM | iViewer | ||
| SMI Experimenter Center 3.0 | SMI | ||
| SMI Be Gaze | SMI |
References
- van Marlen, T., van Wermeskerken, M., Jarodzka, H., van Gog, T. Effectiveness of eye movement modeling examples in problem solving: The role of verbal ambiguity and prior knowledge. Learning and Instruction. 58, 274-283 (2018).
- Taub, M., Azevedo, R., Bradbury, A. E., Millar, G. C., Lester, J. Using sequence mining to reveal the efficiency in scientific reasoning during STEM learning with a game-based learning environment. Learning and Instruction. 54, 93-103 (2018).
- Cloude, E. B., Taub, M., Lester, J., Azevedo, R. The Role of Achievement Goal Orientation on Metacognitive Process Use in Game-Based Learning. Artificial Intelligence in Education. Isotani, S., Millan, E., Ogan, A., Hastings, P., McLaren, B., Luckin, R. , Springer International Publishing. Switzerland. 36-40 (2019).
- Azevedo, R., Gašević, D. Analyzing Multimodal Multichannel Data about Self-Regulated Learning with Advanced Learning Technologies: Issues and Challenges. Computers in Human Behavior. 96, 207-210 (2019).
- Sáiz-Manzanares, M. C., Rodríguez-Diez, J. J., Marticorena-Sánchez, R., Zaparín-Yáñez, M. J., Cerezo-Menéndez, R. Lifelong learning from sustainable education: An analysis with eye tracking and data mining techniques. Sustainability. 12 (5), 2-18 (2020).
- Alemdag, E., Cagiltay, K. A systematic review of eye tracking research on multimedia learning. Computers & Education. 125, 413-428 (2018).
- Ho, H. N. J., Tsai, M. -J., Wang, C. -Y., Tsai, C. -C. Prior knowledge and online inquiry-based science reading: evidence from eye tracking. International Journal of Science and Mathematics Education. 12, 525-554 (2014).
- Catrysse, L., Gijbels, D., Donche, V. It is not only about the depth of processing: What if eye am not interested in the text. Learning and Instruction. 58, 284-294 (2018).
- Mayer, R. E.
- Prokop, M., Pilař, L., Tichá, I. Impact of think-aloud on eye-tracking: A comparison of concurrent and retrospective think-aloud for research on decision-making in the game environment. Sensors. 20 (10), (2020).
- DuMouchel, W. Data Squashing: Constructing Summary Data Sets. Handbook of Massive Data Sets. Abello, J., Pardalos, P. M., Resende, M. G. C. , Springer. Boston, MA, US. 579-591 (2002).
- Stull, A. T., Fiorella, L., Mayer, R. E. An eye-tracking analysis of instructor presence in video lectures. Computers in Human Behavior. 88, 263-272 (2018).
- König, S. D., Buffalo, E. A. A nonparametric method for detecting fixations and saccades using cluster analysis: Removing the need for arbitrary thresholds. Journal of Neuroscience Methods. 30 (227), 121-131 (2014).
- Maltz, M., Shinar, D. Eye Movements of Younger and Older Drivers. Human Factors. 41 (1), 15-25 (1999).
- Burch, M., Kull, A., Weiskopf, D. AOI rivers for visualizing dynamic eye gaze frequencies. Computer Graphics Forum. 32 (3), 281-290 (2013).
- Dzeng, R. -J., Lin, C. -T., Fang, Y. -C. Using eye-tracker to compare search patterns between experienced and novice workers for site hazard identification. Safety Science. 82, 56-67 (2016).
- Kurzhals, K., Weiskopf, D. Space-time visual analytics of eye-tracking data for dynamic stimuli. IEEE Transactions on Visualization and Computer Graphics. 19 (12), 2129-2138 (2013).
- Sharafi, Z., Soh, Z., Guéhéneuc, Y. -G. A systematic literature review on the usage of eye-tracking in software engineering. Information and Software Technology. 67, 79-107 (2015).
- Dalrymple, K. A., Jiang, M., Zhao, Q., Elison, J. T. Machine learning accurately classifies age of toddlers based on eye tracking. Scientific Reports. 9 (1), 6255 (2019).
- Seifert, L., Cordier, R., Orth, D., Courtine, Y., Croft, J. L. Role of route previewing strategies on climbing fluency and exploratory movements. PLoS One. 12 (4), 1-22 (2017).
- Takeuchi, H., Habuchi, Y. A quantitative method for analyzing scan path data obtained by eye tracker. IEEE Symposium on Computational Intelligence and Data Mining, CIDM 2007. , Honolulu, HI, USA. 283-286 (2007).
- Takeuchi, H., Matsuda, N. Scan-path analysis by the string-edit method considering fixation duration. 6th International Conference on Soft Computing and Intelligent Systems, and 13th International Symposium on Advanced Intelligence Systems, SCIS/ISIS 2012. , Kobe, Japan. 1724-1728 (2012).
- Sáiz, M. C., Marticorena, R., Anaiz, Á, Zaparaín, M. J. Task analysis with eye tracking technology. srl at Smartart. II Congress of the International Scientific Association of Psychopedagogy Proceedings. Peralbo, M., Risso, A., Barca, A., Duarte, B., Almeda, L., Brenlla, J. C. , Asociacion Cientifica Internacional de Psicopedagogia. Coruña, Spain. 4093-4104 (2019).
- Khedher, A. B., Jraidi, I., Frasson, C. Tracking Students' Analytical Reasoning Using Visual Scan Paths. IEEE 17th International Conference on Advanced Learning Technologies (ICALT). , IEEE. Timisoara, Romania. 53-54 (2017).
- Xia, C., Han, J., Qi, F., Shi, G. Predicting Human Saccadic Scanpaths Based on Iterative Representation Learning. IEEE Trans Image Process. 8 (7), 3502-3515 (2019).
- Cerezo, R., Fernández, E., Gómez, C., Sánchez-Santillán, M., Taub, M., Azevedo, R. Multimodal Protocol for Assessing Metacognition and Self-Regulation in Adults with Learning Difficulties. Journal of Visualized Experiments. , e60331 (2020).
- Scherer, R., Siddiq, F., Tondeur, J. The technology acceptance model (TAM): A meta-analytic structural equation modeling approach to explaining teachers' adoption of digital technology in education. Computers & Education. 128 (0317), 13-35 (2019).
- Bruder, C., Eißfeldt, H., Maschke, P., Hasse, C. Differences in monitoring between experts and novices. Proceedings of the Human Factors and Ergonomics Society Annual Meeting. 57 (1), 295-298 (2013).
- Azevedo, R., Gašević, D. Analyzing Multimodal Multichannel Data about Self-Regulated Learning with Advanced Learning Technologies: Issues and Challenges. Computers in Human Behavior. 96, 207-210 (2019).
- Taub, M., Azevedo, R. How Does Prior Knowledge Influence Eye Fixations and Sequences of Cognitive and Metacognitive SRL Processes during Learning with an Intelligent Tutoring System. International Journal of Artificial Intelligence in Education. 29 (1), 1-28 (2019).
- IBM Corp. SPSS Statistical Package for the Social Sciences (SPSS) (Version 24). , Madrid, Spain. (2016).
- Orange Software Package. , Available from: https://orange.biolab.si/docs/ (2020).
