Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Behavior
Click here for the English version

Behavior

Øyesporingsteknologi og datautvinningsteknikker som brukes til en atferdsanalyse av voksne engasjert i læringsprosesser

Published: June 10, 2021 doi: 10.3791/62103
Automatic Translation
1, 2, 2, 2, 3, 4, 5, 3
1Department of Health Sciences, University of Burgos, 2Department of Geography, History and Communication, University of Burgos, 3Department of Computer Engineering, University of Burgos, 4tvUBU, University of Burgos, 5Departament of Philology, Universidad de Burgos

Summary

Vi presenterer en protokoll for en atferdsanalyse av voksne (i alderen 18 til 70 år) engasjert i læringsprosesser, og utfører oppgaver designet for selvregulert læring (SRL). Deltakerne, universitetslærerne og studentene, og voksne fra University of Experience, ble overvåket med øyesporingsenheter og dataene ble analysert med datautvinningsteknikker.

Abstract

Atferdsanalyse av voksne engasjert i læringsoppgaver er en stor utfordring innen voksenopplæring. I dag, i en verden av kontinuerlige teknologiske endringer og vitenskapelige fremskritt, er det behov for livslang læring og utdanning innen både formelle og ikke-formelle utdanningsmiljøer. Som svar på denne utfordringen gir bruk av øyesporingsteknologi og datautvinningsteknikker henholdsvis for veiledet (hovedsakelig prediksjon) og uovervåket (spesielt klyngeanalyse) læring, metoder for påvisning av læringsformer blant brukere og / eller klassifiseringen av læringsstilene deres. I denne studien foreslås det en protokoll for studiet av læringsstiler blant voksne med og uten forkunnskaper i ulike aldre (18 til 69 år) og på ulike punkter gjennom læringsprosessen (start og slutt). Statistiske teknikker for variansanalyse betyr at det kan oppdages forskjeller mellom deltakerne etter type elev og tidligere kunnskap om oppgaven. På samme måte kaster bruk av uovervåkede læringsklyngeteknikker lys over lignende læringsformer blant deltakerne på tvers av ulike grupper. Alle disse dataene vil legge til rette for personlige forslag fra læreren for presentasjon av hver oppgave på forskjellige punkter i kjeden av informasjonsbehandling. Det vil også være lettere for læreren å tilpasse undervisningsmateriellet til læringsbehovene til hver elev eller gruppe elever med lignende egenskaper.

Introduction

Øyesporingsmetodikk anvendt på atferdsanalyse i læring
Øyesporingsmetodikk, blant annet funksjonell bruk, brukes til studiet av menneskelig atferd, spesielt under oppgaveoppløsning. Denne teknikken letter overvåking og analyse under fullføring av læringsoppgaver1. Spesielt kan studentenes oppmerksomhetsnivåer på ulike punkter i læringsprosessen (start, utvikling og slutt) i forskjellige (Historie, matematikk, vitenskap, etc.) studeres ved bruk av øyesporingsteknologi. I tillegg, hvis oppgaven inkluderer bruk av videoer med en stemme som styrer læringsprosessen, er selvregulert læring (SRL) tilrettelagt. Derfor foreslås implementeringen av øyesporingsteknologi i analysen av oppgaver som SRL (som inkluderer bruk av videoer) som en betydelig ressurs for å forstå hvordan læring utvikles2,3,4. Denne kombinasjonen vil også bety at forskjellene mellom undervisningsmetoder (med eller uten SRL, etc.) kan kontrolleres med ulike typer studenter (med eller uten forkunnskaper, etc.) 5. Derimot kan presentasjonen av flerkanalsinformasjon (samtidig presentasjon av både auditiv og visuell informasjon, enten muntlig, skriftlig eller billedlig) lette både opptaket og analysen av relevant kontra ikke-relevant informasjon fra de ovennevnte variablene6. Studenter med forkunnskaper eksponert for multimedielæringskanaler ser ut til å lære mer effektivt enn de med liten eller ingen forkunnskaper. Studenter med høy forkunnskap om emnet vil integrere tekstlig og grafisk informasjon mer effektivt7. Denne funksjonaliteten er observert i læringen av tekster8 som inneholder bilder9. Eye-tracking-teknologi gir informasjon om hvor oppmerksomheten er fokusert og hvor lenge. Disse dataene gir innsikt i utviklingen av en læringsprosess på en mer presis måte enn gjennom enkel observasjon av løsningsprosessen under gjennomføring av en oppgave. Analysen av disse indikatorene letter også studiet av om studenten utvikler dyp eller overfladisk læring. Videre letter forholdet mellom disse dataene og læringsresultatene valideringen av informasjonen som er oppnådd med øyesporingsteknologi4,10. Faktisk brukes denne teknikken sammen med SRL i økende grad i høyere utdanning og i voksenopplæring11 læringsmiljøer, både på regulerte og på ikke-regulerte kurs12.

Øyesporingsteknologi tilbyr forskjellige beregninger: avstand, hastighet, akselerasjon, tetthet, dispersjon, vinkelhastighet, overganger mellom interesseområder (AOI), sekvensiell rekkefølge av AOI, besøk i fikseringer, saccader, skannebane og varmekartparametere. Tolkningen av disse dataene er imidlertid kompleks og krever bruk av overvåkede (regresjon, beslutningstrær, etc.) og uten tilsyn (k-midler klyngeteknikker, etc.) 13,14 data-gruvedrift teknikker. Disse beregningene kan brukes til å overvåke virkemåten til samme emne over tid eller for en sammenligning mellom flere emner og deres ytelse med samme oppgave15, ved å analysere forskjellen mellom deltakere med tidligere kunnskap kontra ingen tidligere kunnskap16. Nyere forskning11,17 har avslørt at nybegynnere lærlinger fikser lenger på stimuliene (dvs. det er en større fikseringsfrekvens mens lignende skannebanemønstre registreres). Den gjennomsnittlige varigheten av fiksering var lengre for eksperter enn for nybegynnere. Ekspertene presenterte sitt fokus på informasjonens midtpunkter (proksimale og sentrale), forskjeller som også kan ses i visualiseringspunktene i AOI på varmekartene.

Tolkning av beregninger i øyesporing
Nyere studier18 har indikert at informasjonsinnhenting er relatert til antall okulære fikseringer på stimuliene. En annen viktig beregning er saccade, som er definert som den raske og plutselige bevegelsen av en fiksering med et intervall på [10 ms, 100 ms]. Sharafi et al. (2015)18 fant forskjeller i antall saccader, avhengig av studentens informasjonskodingsfase. En annen relevant parameter er skannebanen, en beregning som fanger opp den kronologiske rekkefølgen på trinnene som deltakeren utfører for oppløsningen av læringsoppgaven i AOI definert av forskeren18. På samme måte kan øyesporingsteknologi brukes til å forutsi deltakerens forståelsesnivå, som ser ut til å være relatert til antall fikseringer. Nyere studier har indikert at variasjon i blikkadferd bestemmes av egenskapene til bildet (posisjon, intensitet, farge og orientering), instruksjonene for å utføre oppgaven og typen informasjonsbehandling (læringsstil) til deltakeren. Disse forskjellene oppdages ved å analysere studentens interaksjon med de ulike AOI19. Kvantitative20-teknikker (frekvensanalyse) og/eller kvalitative eller dynamiske21-teknikker (skannebane) kan brukes til å analysere dataene som samles inn fra de ulike beregningene. De tidligere teknikkene analyseres med tradisjonelle statistiske teknikker (frekvensanalyse, gjennomsnittsforskjell, variansforskjell, etc.) og sistnevnte analyseres med maskinlæringsteknikker (euklidiske avstander med strengredigeringsmetoder21,22og klynger17). Anvendelsen av disse teknikkene letter klynger, ved å vurdere ulike egenskaper hos fagene. En studie17 fant at jo mer ekspert studenten er, jo mer effektiv er den romlige og timelige informasjonsbehandlingsstrategien som implementeres. En beskrivende tabell over måleparametrene som ble brukt i denne studien, kan konsulteres nedenfor i tabell 1.

Tabell 1: De fleste representative parametere som kan oppnås med øyesporingsteknikken, tilpasset fra Sáiz, Zaparaín, Marticorena og Velasco (2019). 20   Klikk her for å laste ned denne tabellen.

Anvendelse av øyesporingsmetoden til studiet av læringsprosessen
Bruken av de teknologiske fremskrittene og dataanalyseteknikkene beskrevet ovenfor5 vil gi større presisjon til atferdsanalyse av elever under problemløsning i de ulike fasene av informasjonsbehandling (oppgavestart, informasjonsbehandling og oppgaveoppløsning). Det vil alle legge til rette for individuell atferdsanalyse, som igjen vil tillate gruppering av studenter med lignende egenskaper24. På samme måte, prediktive teknikker (beslutningstrær, regresjonsteknikker, etc.) 25 kan brukes på læring, både relatert til antall fikseringer og til oppgaveløsningsresultatene til hver student. Denne funksjonaliteten er et svært viktig fremskritt i kunnskapen om hvordan hver student lærer og for forslaget til personlige læringsprogrammer i forskjellige grupper (personer med eller uten lærevansker26). Derfor vil bruken av denne teknikken bidra til oppnåelse av personalisering og optimalisering av læring27. Livslang læring må forstås som en syklus med kontinuerlig forbedring siden kunnskapen om samfunnet stadig utvikler seg og utvikler seg. Evolusjonær psykologi indikerer at oppløsningsferdigheter og effektivitet i informasjonsbehandling reduseres med alderen. Spesielt har saccadefrekvens, amplitude og hastighet på øyebevegelser blant voksne vist seg å avta med alderen. I tillegg, i eldre aldre, er oppmerksomheten fokusert på de nedre områdene av visuelle scener, som er relatert til underskudd iarbeidsminnet 14. Likevel øker aktiveringen i front- og prefrontale områder i en eldre alder, noe som ser ut til å kompensere for disse underskuddene i oppgaveløsning. Dette aspektet inkluderer nivået på tidligere kunnskap og de kognitive kompensasjonsstrategiene som emnet kan bruke. Erfarne deltakere lærer mer effektivt, siden de administrerer oppmerksomheten mer effektivt, på grunn av anvendelsen av automatiserte tilsynsprosesser28. I tillegg, hvis informasjonen som skal læres, blir formidlet gjennom SRL-teknikker, reduseres de nevnte manglene17. Bruk av slike teknikker betyr at visuelle sporingsmønstre er svært like, både i uten forkunnskaper og i medforkunnskaper 7.

Oppsummert er analysen av multimodale-flerkanalsdata på SRL oppnådd ved bruk av avansert læring (øyesporing) teknologier nøkkelen til å forstå samspillet mellom kognitive, metakognitive og motiverende prosesser, og deres innvirkning på læring29. Resultatene og studiet av forskjeller i læring har implikasjoner for utformingen av læringsmateriell og intelligente veiledningssystemer, som begge vil muliggjøre personlig læring som sannsynligvis vil være mer effektiv og tilfredsstillende for studenten30.

I denne forskningen ble det stilt to undersøkelsesspørsmål: (1) Vil det være betydelige forskjeller i læringsresultatene og i okulære fikseringsparametere mellom studenter og eksperter kontra ikke-ekspertlærere i kunsthistorie som differensierer studenter med offisielle grader kontra studenter med ikke-offisielle grader (University of Experience - Voksenopplæring)? og (2) Vil klynger av hver deltaker med læringsresultater og okulære fikseringsparametere falle sammen med typen deltakere (studenter med offisielle grader, studenter med ikke-offisielle grader (University of Experience - Voksenopplæring) og lærere)?

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Denne protokollen ble utført i samsvar med prosedyrebestemmelsene i den bioetiske komiteen ved Universitetet i Burgos (Spania) nº Nº IR27/2019. Før deltakelsen hadde deltakerne blitt gjort fullt klar over forskningsmålene og hadde alle gitt sitt informerte samtykke. De fikk ingen økonomisk kompensasjon for sin deltakelse.

1. Deltakerrekruttering

  1. Rekrutter deltakere fra en gruppe voksne innenfor to miljøer (studenter og lærere), med en aldersgruppe på 18 til 69 år i miljøet for høyere utdanning (formell og ikke-formell utdanning).
  2. Inkluder deltakere med normal eller korrigert til normal syn og hørsel.
  3. Ekskluder deltakere med nevrologiske, psykiatriske og søvnforstyrrelser, funksjonshemminger relatert til pedagogiske spesielle behov, perseptuelle vanskeligheter (nedsatt syn og hørsel) og kognitive funksjonshemninger.
    MERK: I denne studien jobbet vi med et utvalg på 40 deltakere, 6 studenter fra Universitetet for erfaring (en deltaker ble ekskludert i kategorien studenter fra universitetets erfaring på grunn av visuelle vanskeligheter), 25 universitetsprofessorer innen fagområdene helsevitenskap, ingeniørfag og historie og arv, og 9 bachelor- og masterstudenter etter kurs i helsevitenskap, ingeniørfag og historie og arv. Deltakerne hadde ingen kognitive, hørsels- eller visuelle problemer, og de hadde alle normal eller korrigert til normal syn (tabell 2). Derfor ble en av deltakerne eliminert før de startet eksperimentet fordi nystagmus hadde blitt oppdaget på ham, og derfor ble oppgaven brukt på et utvalg på 39 deltakere. Deltakerne fikk ingen økonomisk eller profesjonell kompensasjon; derfor var deltakernes motivasjon høy, da det bare var basert på deres interesse for å vite hvordan denne øyesporingsmetoden fungerer under en læringsprosess relatert til kulturarv, spesielt opprinnelsen til europeiske klostre.

Tabell 2. Kjennetegn på prøven.  Klikk her for å laste ned denne tabellen.

2. Eksperimentell prosedyre

  1. Sesjon 1: Innsamling av informert samtykke, personopplysninger og bakgrunnskunnskap
    1. Innhente informert samtykke. Før testen informerer du hver deltaker om målene for studien og innsamling, behandling og lagring av dataene deres. Avtalen til hver deltaker er gitt ved å signere det informerte samtykkeskjemaet.
      MERK: Deltakelsen i denne studien var frivillig, og det var ingen økonomisk belønning. Dette aspektet sørget for at gjennomføringen av oppgavene ikke hadde noen økonomisk motivasjon. Før oppgaven påbegynnes fyller intervjueren, en ekspert på feltet, ut et spørreskjema med spørsmål om alder, kjønn, yrke og forkunnskaper om emnet, i dette tilfellet opprinnelsen og den historiske utviklingen av klostre i Europa (se tabell 3). Denne studien er en del av et europeisk prosjekt (2019-1-ES01-KA204-095615-Coordinator 6) om voksen læring om menneskehetens kulturarv gjennom livet; Derfor ble denne typen oppgave valgt. Hver undersøker vil velge emnet avhengig av hans eller hennes arbeidsfelt.

Tabell 3. Spørreskjema for intervju.  Klikk her for å laste ned denne tabellen.

  1. Økt 2: Kalibrering
    1. Informer deltakeren om hvordan øyesporingsteknologi fungerer og hvordan informasjonen vil bli samlet inn og registrert og kalibrert: "Vi vil bruke øyesporingsteknologi for å observere fullføringen av læringsoppgaven på opprinnelsen og utviklingen av europeiske klostre. Øyesporing er en teknologi som lar deg følge blikket mens du utfører aktiviteten, og den har ingen bivirkninger, og det er heller ikke invasivt, siden det i denne studien bare er øyesporing registrert".
    2. Forklar for deltakeren at en gyldig test krever riktig posisjonering. Be deltakeren sitte i en viss avstand [45 til 60 cm] fra skjermen. Avstanden vil avhenge av høyden på deltakeren, jo lavere høyde, jo kortere avstand.
    3. Informer deltakeren om at en rekke punkter vil vises på kardinalpunktene på skjermen, og at når hvert punkt vises, må deltakeren observere det med øynene. Deltakeren kan flytte fra ett punkt til et annet ved å bruke "enter" -markøren. Kalibreringsfasen har en varighet på 10-15 minutter.
      MERK: En iViewer XTM, SMI Experimenter Center 3.0 og SMI Be Gaze og en skjerm med en oppløsning på 1680×1050 ble brukt til øvelsen med oppgaveoppløsning. Dette utstyret registrerer okulære bevegelser, deres koordinater og pupillary diametre i hvert øye. I denne studien ble 60 Hz brukt, skannebanemålinger og dynamiske skannebanemålinger ble brukt, og AOI-statistikk ble bestemt.
    4. Kontroller kalibreringsinnstillingen. Den profesjonelle under tilsyn av testen analyserer kalibreringsinnstillingen på kontrollskjermen.
      1. Utfør kalibrering gjennom kalibreringssystemet som er inkludert i Eye-tracking iViewer XTM. Før du starter denne oppgaven, innser hver deltaker en visuell oppfølging av fire punkter på en skjerm til de fire hjørnene (opp-høyre, opp-venstre, ned-høyre, ned-venstre). Etterpå har programvaren en utførelsesverifiseringsprosess av riktig posisjon for disse stimuliene og gir informasjon om parameterjusteringen i grader. Hvis denne justeringen ligger mellom 0,6º ± 1 i høyre og venstre øye, anses det at kalibreringen er riktig, og oppgaveutførelsen starter. Et eksempel på prosessen kan bekreftes i figur 1.
        MERK: Riktig oppgavefullføring vurderes når grader i høyre og venstre øye er satt til 0,6º ± 1 standardavvik. I denne studien ble det påvist to kalibreringer blant gruppen universitetsprofessorer som oversteg justeringskriteriet på 0,6º ± 1 og to deltakere ble derfor fjernet. De 25 deltakerne i det første utvalget ble derfor redusert til 23 deltakere.

Figure 1
Figur 1. Prosess med øyesporingskalibrering Klikk her for å se en større versjon av denne figuren.

  1. Økt 3: Utføre læringsoppgaven
    1. Forklar innholdet i oppgaven for deltakeren. En ekspert på instruksjonspsykologi forklarer for deltakeren hva oppgaven vil bestå av og hvordan den skal utføres: "Videoen er 1:14 sekunder lang og består av 5 voice-over-bilder. På slutten inviteres deltakeren til å fullføre et lite kryssord for å sjekke at informasjonen som presenteres i videoen er forstått".
    2. Se videoklippet. Videoen som brukes i oppgaven, kan vises på følgende kobling: https://youtu.be/HlGGgrYDTFs.
      MERK: Oppgaven består i å se en video som gir informasjon om opprinnelsen til europeiske klostre. Informasjonen er utarbeidet av en spesialist, en kunsthistorisk lærer. Informasjonen er organisert i to kanaler, ett visualobjekt som inkluderer bilder og skriftlig informasjon presentert som skisser og en annen lyd fordi en SRL-spesialistlærer snakker gjennom hele videoen og insisterer på det viktigste innholdet ved hjelp av verbal vekt.
    3. Utføre kryssordet på en Moodle-basert virtuell plattform. Ved å klikke på kryssordikonet tar deltakeren til en virtuell plattform der kryssordet kan fullføres, for å sjekke om kunnskapen er oppnådd. Kryssordet presenteres i figur 2.

Figure 2
Figur 2. Kryssord for å sjekke den tilegnede kunnskapen. Klikk her for å se en større versjon av denne figuren.

  1. Økt 4: Dataanalyse
    1. Velg interesseområdene (AOI). AOIer er definert i videoen og er delt inn i AOIer som inneholder relevant informasjon kontra AOIer som inkluderer ikke-relevant informasjon.
      MERK: AOI-tildelingen realiseres av eksperimentet som bestemmer hvilke som er relevante eller irrelevante AOIer i forhold til den presenterte informasjonen.
    2. Trekk ut databasen relatert til parameterne for AOI Fixations ("Trial Time for event Start", "Event End Trial Time" og "Event Duration"; "Fixation Position X", "Fixation Position Y", "Fixation Average Pupil Size", "Fixation Average Pupil Size Y px", "Fixation Average Pupil Diameter", "Fixation Dispersion X" og "Fixation Dispersion Y").
    3. Importer databasen til en programvarepakke for statistisk behandling, og velg alternativet analyser og klassifiseretterfulgt av alternativet k-means cluster. Velg deretter krysstabell i den statistiske programvarepakken, for eksempel SPSS, etterfulgt av alternativet 'ANOVA', for å analysere forskjellene mellom deltakerne (type voksne grupper og grad av forkunnskaper) med hensyn til deres AOI Fixation-parametere31.
      MERK: Klynge- eller klyngeanalyse er en "uovervåket" maskinlæringsteknikk, og innenfor k-midler er det en grupperingsmetode, hvis mål er å partisjonere et sett med n observasjoner i k-grupper, der hver observasjon tilhører gruppen med nærmeste gjennomsnittsverdi. I dette eksperimentet ble k-means clustering brukt til å sjekke klyngene til deltakerne i læringsoppgaven. Denne korrespondansen er viktig, fordi den tilbyr læreren eller terapeutinformasjonen om den homogene funksjonelle utviklingen av brukere som går utover diagnosen, og gir informasjon for å foreslå lignende intervensjonsprogrammer på noen områder av funksjonell utvikling. Dette alternativet forventes å lette full bruk av den pedagogiske eller terapeutiske tjenesten og dens personlige og materielle ressurser.
    4. Utføre en visualiseringsanalyse av dataene (beskrivende og klyngeanalyse) som behandles, ved hjelp av en visualiseringsprogramvare, for eksempel Orange32.
    5. Trekk ut dataene på parametrene detaljert statistikk: Dwell Time, Glance Duration, Diversion Duration, Glance Count, Fixation Count, Average Fixation og Duration, og importer deretter databasen til en statistisk programvarepakke. Velg alternativet 'ANOVA' i den statistiske pakken, og utfør deretter en visualiseringsanalyse av dataene som ble behandlet (midler). Bruk regnearket til å generere et edderkoppdiagram og bestemte stolpediagrammer for gruppene av deltakere.
  2. Økt 5: Personlige læringsforslag
    1. Utfør et intervensjonsprogram for å forbedre læringsutbyttet blant deltakerne som oppdages i klyngeanalysen, på grunn av deres lavere score.
      MERK: Et sammendrag av fasene som følges i den eksperimentelle prosedyren, vises i figur 3.

Figure 3
Figur 3. Faser av den eksperimentelle prosedyren. Klikk her for å se en større versjon av denne figuren.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

De 36 deltakerne som ble rekruttert til denne studien var fra tre grupper voksne (studenter fra universitetets erfaringsuniversitet, universitetsprofessorer og bachelor- og masterstudenter) med alder mellom [18 og 69] år (tabell 2). Protokollen ble testet over 20 måneder ved Universitetet i Burgos. En oversikt over utviklingen kan ses i tabell 4.

Tabell 4. Omriss av utviklingen av analyseprotokollen for læringsatferd.  Klikk her for å laste ned denne tabellen.

Først ble blikkposisjonsparametrene for fikseringene analysert (Tabell 5). I denne studien, ved hjelp av en video, var start- og sluttidspunktet det samme for alle deltakerne: start 0 ms og slutt 1:14 s, varighet 1:14 s.

Tabell 5. Resultater av korrigeringsparameter.  Klikk her for å laste ned denne tabellen.

Figur 4 viser en graf over oppgavene som er utviklet av de tre gruppene med hensyn til fikseringsparametrene. Gruppen menn og kvinner i hver av de deltakende gruppene (University of Experience Students, University Teachers and Graduate &Master's Students) fullførte hver sine oppgaver på forskjellige måter.

Figure 4
Figur 4. Graf over de tre gruppene og deres utvikling av oppgaven relatert til fikseringsparametrene. Klikk her for å se en større versjon av denne figuren.

En to-faktor fasteffekt ANOVA (type deltaker og tidligere kunnskap) ble deretter brukt for å sjekke om det var betydelige forskjeller i parametrene for fikseringsstillinger mellom de tre gruppene (University of Experience-studenter, universitetsprofessorer og universitetsstudenter). Ingen signifikante forskjeller ble funnet i noen av fikseringsparametrene, men en trend mot forskjeller for Fixation Average Pupil Size Y, Fixation Average Pupil Diameter og Fixation Dispersion X ble notert, men med lave effektverdier (se tabell 6).

Tabell 6. Tofaktor anova med faste effekter (type deltaker og forkunnskaper) og effektverdi.  Klikk her for å laste ned denne tabellen.

Deretter ble k-means-klyngen brukt til å studere om det var forskjellige grupperinger i den første forskningsgruppen (University of Experience-studenter, universitetsprofessorer og universitetsstudenter) med hensyn til resultatene i parametrene for fikseringsstillinger, tidligere kunnskap og kryssordresultatene. Tre klynger ble funnet (Tabell 7). En visualisering av klyngene kan ses i figur 5.

Tabell 7. Endelige klyngesentre.  Klikk her for å laste ned denne tabellen.

Deretter ble det utarbeidet en krysstabell mellom verdiene til klyngen av gruppemedlemskap tildelt hver deltaker med hensyn til kategoritypen deltaker (Studenter ved Universitetet i Erfaring, Universitetsprofessorer og Universitetsstudenter) (Tabell 8). Figur 5 viser posisjonen til deltakerne i klyngene med hensyn til de tre gruppene for fikseringsposisjonsparameterne.

Tabell 8. Deltaker * Klynge Antall case crosstabulation.  Klikk her for å laste ned denne tabellen.

En tofaktors ANOVA med fast effekt, "deltakergruppe" og "bakgrunn", ble utført for følgende måleparametere for øyesporing: Dwell Time, Glance Duration, Avledningsvarighet, Antall blikk, Antall korrigerte effekter, Gjennomsnitt og Varighet oppnådd i startfasen for aktiviteten (lysbilde 1) og i sluttfasen for aktiviteten (lysbilde 5) (Tabell 6). Det ble funnet betydelige forskjeller avhengig av bakgrunnskunnskapsvariabelen i Avledningsvarighet 1 (analyse av inngangs-, oppholds- og utgangstid for hver stimulus som settes inn i hver AOI). Det kan derfor konkluderes med at måten å gå inn, gjenværende og avslutte i de forskjellige AOIene var forskjellig, avhengig av variabelen "deltakergruppe" i den første fasen av informasjonstilgang (F2,32 = 4,07, p = 0,03, η2 = 0,23). Det ble også funnet forskjeller i parameteren Gjennomsnittlig fikseringsvarighet (lengre fikseringer refererer til at deltakeren bruker mer tid på å analysere og tolke informasjonsinnholdet i de ulike AOIene (F2,32 = 3,53, p = 0,04, η2 = 0,21). Bonferronis gjennomsnittlige forskjellstest ble brukt for å etablere gruppemedlemskap, som det ble fastslått at de var mellom gruppen (University of Experience-studenter) og gruppen universitetsprofessorer [gjennomsnittlig forskjell = 0,04, p = 0,04 KI 95% (0,03-2,75)]. Midlene var høyere for gruppe 1 (Studenter ved Universitetet i Erfaring) der deltakerne brukte mer tid på å analysere og tolke AOIene i dataregistreringsfasen (se tabell 9 og figur 6).

Tabell 9. To-faktor ANOVA med faste effekter (type deltaker og tidligere kunnskap) og effektverdi for måleparameterne for øyesporing: Dwell Time, Glance Duration, Diversion Duration, Glances Count, Fixation Count, Average Fixation og Duration.  Klikk her for å laste ned denne tabellen.

Figure 6
Figur 6. Graf over de tre gruppene og deres utvikling av oppgaven som involverer fikseringsparametere med hensyn til tidligere kunnskapsvariabler ved starten og på slutten av oppgavebehandlingen. Klikk her for å se en større versjon av denne figuren.

Basert på resultatene som ble funnet i denne studien, ble utviklingen av et personlig læringsprogram foreslått for å forbedre læringsutbyttet for oppgaveløsning. Dette programmet var fokusert på arbeidet med deltakerne gruppert i klynge 3, da de oppnådde score på 3 poeng av 5 i testen for å sjekke læringsresultatene, som representerte 85,43% av de totale deltakerne. Deltakere fra de tre kollokviegruppene (University of Experience Students; Universitetslærere og avgangsstudenter ble funnet i denne klyngen. Programmet vil fokusere på forsterkning av konseptene som er utarbeidet i videoen som det skal utarbeides en forlengelse og spesifikasjon av konseptene for.

Figure 5
Figur 5. Klyngeanalyse av fikseringsparametrene i de tre gruppene (Opplev universitetsstudenter, universitetsprofessorer og universitetsstudenter). Klikk her for å se en større versjon av denne figuren.

TILLEGGSFILER

Autorisasjonene for opptak av videoen som bilder har blitt brukt til å referere til observasjon av funksjonelle evner hos barn med lærevansker, er vedlagt.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Forskningsresultatene indikerte at gjennomsnittlig fikseringsvarighet på de aktuelle stimuliene var lengre blant deltakere med forkunnskaper. På samme måte er fokuset på oppmerksomhet på denne gruppen på de midterste informasjonspunktene (proksimal og distal)7. Resultatene fra denne studien har avdekket forskjeller i hvordan deltakerne behandlet informasjonen. Videre var deres behandling ikke alltid knyttet til den første grupperingen (University of Experience Students, University Teachers og Graduate &Master's Students). Disse forskjellene ble funnet med hensyn til analysen av deltakernes visuelle posisjon på X-aksen i fikseringene på bildene som presenteres i læringsvideoen. I sektor 2 ble det funnet de høyeste frekvensene av posisjon X-fiksering, posisjon Y-fiksering, gjennomsnittlig elevdiameterfiksering, X- og Y-aksefikseringsdispersjon. Dette faktum sammenfaller med det faktum at medlemmene i klynge 2 selv var medlemmer av Universitetslærergruppen, hadde forkunnskaper om emnet og oppnådde den høyeste poengsummen i resultatverifiseringstesten. På samme måte er det relevant å påpeke at de fleste deltakerne i studien (85,43%), uavhengig av opprinnelsesgruppe, var i klynge 3 der de oppnådde de laveste resultatene i verifikasjonstesten.

Et annet relevant aspekt ved denne protokollen er presentasjonen av informasjonen i en video med SRL. Denne formen for presentasjon, på den ene siden, veileder og fokuserer oppmerksomheten og minimerer derimot de individuelle handlingene til hver deltaker, som er å si at den forener måten å få tilgang til informasjonen på. Der det er nødvendig, er det et aspekt som kan kompensere mulige underskudd eller vanskeligheter med behandling. Bevis for denne uttalelsen er at det ikke ble påvist signifikante forskjeller i læringsutbytte mellom de tre gruppene, med gjennomsnittlig ytelsesintervall [3,60, 4,86] etablert ved 5. Signifikante forskjeller ble bare funnet i parametrene for avledningsvarighet av behandlingen (en parameter som brukes til å analysere inngangen, varigheten og utgangstiden for hver stimulus som er satt inn i hver AOI) og gjennomsnittlig fikseringsvarighet (denne parameteren refererer til lengre fikseringer, noe som indikerer at deltakeren bruker mer tid på å analysere og tolke innholdet i informasjonen i de forskjellige AOIene) i det første øyeblikket av behandlingen, men ikke på slutten av den. De lengste tidene i disse parametrene ble oppdaget blant gruppen av Graduate &Master's Students og University of Experience Students i denne studien. Disse resultatene støttes av konklusjonene i andre studier4,12,15. Til slutt kan denne protokollen brukes til å studere forskjeller under informasjonsbehandling, avhengig av studentens kodefase.

Basert på det ovennevnte er den første konklusjonen at bruken av øyesporingsmetoden under fullføringen av oppgavene ga nyttige data for studiet av informasjonsbehandling1,2. På samme måte forenklet dataene hentet fra øyesporingsteknologi og analysert med uovervåkede læringsteknikker (klynger) kunnskapen om klynger i henhold til de forhåndsbestemte parametrene11,15. Dette aspektet er svært relevant for studiet av informasjonsbehandling i hver deltaker og for forslaget om personlige pedagogiske svar3,4,5,6,22,23 som forventes å føre til mer effektiv læring23.

Det er også viktig å påpeke at de eksperimentelle resultatene bekreftet resultatene av annen forskning med hensyn til: forskjeller i behandling i henhold til nybegynnerekspertvariabler og deltakeralder, og bruk av SRL-materialer som minimerer effekten av disse variablene og øker forventet ytelse for deltakerne7,8,9,10.

Det er imidlertid nødvendig å behandle enhver generalisering av disse resultatene med forsiktighet, siden bekvemmelighetsprøvetaking ble brukt, og arbeidet var fokusert på spesifikt innhold relatert til kunsthistorie. Utvalget vil derfor bli utvidet i fremtidig forskning, og funnene vil bli kontrollert i andre fagområder.

Som angitt i introduksjonen, er presentasjon av informasjon på en multimodal måte gjennom ulike informasjonskanaler (auditiv, visuell eller begge deler) med SRL-metodikk, sammen med bruk av øyesporingsteknologi og maskinlæringsteknikker, nøkkelen til å forstå hvordan deltakerne behandler informasjonen for å tilby personlig læringsdesign i henhold til hver brukers pedagogiske behov og, som følge av dette, fremme vellykket læring og utvikling blant alle studenter29,30.

I sum er bruken av øyesporingsteknikken ikke en metodikk for vanlig anvendelse i utdanningsrammer som skyldes grunnleggende kostnadsfaktorer fra materiale til personlige ressurser. Bruken begynner imidlertid å øke litt etter litt, og det er viktig å se sin vanlige bruk i observasjonen av oppgaver i autoregulert læring. Fordelen med denne øyesporingsteknologien er at den tillater opptak av elevens interaksjon med oppgaven som har fordeler med pålitelighet og gyldighet, i dette tilfellet på den enkle observasjonen av læringsprosessen. I tillegg tilbyr øyesporingsmetoden forskjellige teknikker for registrert informasjonsvisualisering, og denne informasjonen i databaser kan også analyseres med dataprogrammer eller kraftigere verktøy. Derfor åpner det et bredt spekter av muligheter for undersøkelse i naturlige sammenhenger.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Forfatterne erklærer at de ikke har konkurrerende økonomiske interesser.

Acknowledgments

Arbeidet er utviklet i prosjektet "Self-Regulated Learning in SmartArt Erasmus+ Adult Education" 2019-1-ES01-KA204-095615-Coordinator 6, finansiert av EU-kommisjonen. Videoen av oppgavefullføringsfasen hadde forhåndsinformert samtykke fra Rut Velasco Sáiz. Vi setter pris på lærernes og studentenes deltakelse i oppgavegjennomføringsfasen.

Materials

Name Company Catalog Number Comments
iViewer XTM iViewer
SMI Experimenter Center 3.0 SMI
SMI Be Gaze SMI

DOWNLOAD MATERIALS LIST

References

  1. 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).
  2. 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).
  3. 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).
  4. 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).
  5. 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).
  6. Alemdag, E., Cagiltay, K. A systematic review of eye tracking research on multimedia learning. Computers & Education. 125, 413-428 (2018).
  7. 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).
  8. 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).
  9. Mayer, R. E. Using multimedia for e-learning. Journal of Computer Assisted Learning. 33 (5), 403-423 (2017).
  10. 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).
  11. 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).
  12. 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).
  13. 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).
  14. Maltz, M., Shinar, D. Eye Movements of Younger and Older Drivers. Human Factors. 41 (1), 15-25 (1999).
  15. Burch, M., Kull, A., Weiskopf, D. AOI rivers for visualizing dynamic eye gaze frequencies. Computer Graphics Forum. 32 (3), 281-290 (2013).
  16. 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).
  17. 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).
  18. 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).
  19. 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).
  20. 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).
  21. 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).
  22. 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).
  23. 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).
  24. 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).
  25. 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).
  26. 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).
  27. 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).
  28. 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).
  29. 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).
  30. 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).
  31. IBM Corp. SPSS Statistical Package for the Social Sciences (SPSS) (Version 24). , Madrid, Spain. (2016).
  32. Orange Software Package. , Available from: https://orange.biolab.si/docs/ (2020).

Tags

Atferd Utgave 172 øyesporing selvregulert læring oppgaveanalyse atferdsanalyse datautvinning
Øyesporingsteknologi og datautvinningsteknikker som brukes til en atferdsanalyse av voksne engasjert i læringsprosesser
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Sáiz Manzanares, M. C., Payo… More

Sáiz Manzanares, M. C., Payo Hernanz, R. J., Zaparaín Yáñez, M. J., Andrés López, G., Marticorena Sánchez, R., Calvo Rodríguez, A., Martín, C., Rodríguez Arribas, S. Eye-tracking Technology and Data-mining Techniques used for a Behavioral Analysis of Adults engaged in Learning Processes. J. Vis. Exp. (172), e62103, doi:10.3791/62103 (2021).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter