Waiting
Login processing...

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

Behavior

Technologie de suivi oculaire et techniques d’exploration de données utilisées pour une analyse comportementale des adultes engagés dans des processus d’apprentissage

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

Nous présentons un protocole pour une analyse comportementale des adultes (âgés de 18 à 70 ans) engagés dans des processus d’apprentissage, entreprenant des tâches conçues pour l’apprentissage auto-régulé (SRL). Les participants, les enseignants et les étudiants universitaires, ainsi que les adultes de l’Université de l’expérience, ont été surveillés avec des dispositifs de suivi oculaire et les données ont été analysées avec des techniques d’exploration de données.

Abstract

L’analyse comportementale des adultes engagés dans des tâches d’apprentissage est un défi majeur dans le domaine de l’éducation des adultes. De nos jours, dans un monde de changements technologiques continus et de progrès scientifiques, il est nécessaire d’apprendre et d’inséducer tout au long de la vie dans des environnements éducatifs formels et non formels. En réponse à ce défi, l’utilisation de la technologie de suivi oculaire et des techniques d’exploration de données, respectivement, pour l’apprentissage supervisé (principalement la prédiction) et non supervisé (en particulier l’analyse en grappes), fournit des méthodes pour la détection des formes d’apprentissage parmi les utilisateurs et / ou la classification de leurs styles d’apprentissage. Dans cette étude, un protocole est proposé pour l’étude des styles d’apprentissage chez les adultes avec et sans connaissances préalables à différents âges (18 à 69 ans) et à différents moments du processus d’apprentissage (début et fin). Les techniques d’analyse statistique de la variance signifient que des différences peuvent être détectées entre les participants selon le type d’apprenant et la connaissance antérieure de la tâche. De même, l’utilisation de techniques de regroupement d’apprentissage non supervisées met en lumière des formes similaires d’apprentissage parmi les participants de différents groupes. Toutes ces données faciliteront les propositions personnalisées de l’enseignant pour la présentation de chaque tâche à différents points de la chaîne de traitement de l’information. Il sera également plus facile pour l’enseignant d’adapter le matériel pédagogique aux besoins d’apprentissage de chaque élève ou groupe d’élèves ayant des caractéristiques similaires.

Introduction

Méthodologie de suivi oculaire appliquée à l’analyse comportementale dans l’apprentissage
La méthodologie de suivi oculaire, entre autres utilisations fonctionnelles, est appliquée à l’étude du comportement humain, en particulier lors de la résolution des tâches. Cette technique facilite le suivi et l’analyse lors de l’accomplissement des tâches d’apprentissage1. Plus précisément, les niveaux d’attention des élèves à différents moments du processus d’apprentissage (début, développement et fin) dans différentes matières (histoire, mathématiques, sciences, etc.) peuvent être étudiés à l’aide de la technologie de suivi oculaire. De plus, si la tâche comprend l’utilisation de vidéos avec une voix qui guide le processus d’apprentissage, l’apprentissage autoréglementé (SRL) est facilité. Par conséquent, la mise en œuvre de la technologie de suivi oculaire dans l’analyse des tâches auxquelles SRL (qui incluent l’utilisation de vidéos) est proposée comme une ressource importante pour comprendre comment l’apprentissage est développé2,3,4. Cette combinaison signifie également que les différences entre les méthodes d’enseignement (avec ou sans SRL, etc.) peuvent être vérifiées avec différents types d’étudiants (avec ou sans connaissances préalables, etc.) 5.En revanche, la présentation d’informations multicanaux (présentation simultanée d’informations auditives et visuelles, qu’elles soient verbales, écrites ou picturales) peut faciliter à la fois l’enregistrement et l’analyse d’informations pertinentes par rapport aux informations non pertinentes provenant des variables susmentionnées6. Les étudiants ayant des connaissances antérieures exposées à des canaux d’apprentissage multimédias semblent apprendre plus efficacement que ceux qui ont peu ou pas de connaissances préalables. Les étudiants ayant des niveaux élevés de connaissances préalables sur la matière intégreront plus efficacement les informations textuelles et graphiques7. Cette fonctionnalité a été observée dans l’apprentissage des textes8 qui comprennent des images9. La technologie de suivi oculaire offre des informations sur l’endroit où l’attention est concentrée et pendant combien de temps. Ces données donnent un aperçu du développement d’un processus d’apprentissage d’une manière plus précise que par la simple observation du processus de résolution lors de l’achèvement d’une tâche. En outre, l’analyse de ces indicateurs facilite l’étude de si l’étudiant développe un apprentissage profond ou superficiel. De plus, la relation entre ces données et les résultats d’apprentissage facilite la validation des informations obtenues avec la technologie de suivi oculaire4,10. En fait, cette technique ainsi que SRL sont de plus en plus utilisés dans l’enseignement supérieur et dans l’éducation des adultes11 environnements d’apprentissage, à la fois sur les cours réglementés et non réglementés12.

La technologie de suivi oculaire offre différentes mesures: distance, vitesse, accélération, densité, dispersion, vitesse angulaire, transitions entre les zones d’intérêt (AOI), ordre séquentiel de l’AOI, visites dans les fixations, saccades, chemin de balayage et paramètres de la carte thermique. Cependant, l’interprétation de ces données est complexe et nécessite l’utilisation de supervisés (régression, arbres de décision, etc.) et non supervisés (techniques de cluster k-means, etc.) 13,14 techniques d’exploration de données. Ces métriques peuvent être appliquées pour suivre le comportement d’un même sujet au fil du temps ou pour une comparaison entre plusieurs sujets et leurs performances avec la même tâche15, en analysant la différence entre les participants ayant des connaissances antérieures et aucune connaissance antérieure16. Des recherches récentes11,17 ont révélé que les apprentis novices se fixent plus longtemps sur les stimuli (c’est-à-dire qu’il y a une plus grande fréquence de fixation tandis que des modèles de chemin de balayage similaires sont enregistrés). La durée moyenne de la fixation était plus longue pour les experts que pour les novices. Les experts ont présenté leur attention sur les points intermédiaires de l’information (proximale et centrale), différences qui peuvent également être observées dans les points de visualisation au sein de la ZI sur les cartes thermiques.

Interprétation des métriques dans le suivi oculaire
Des études récentes18 ont indiqué que l’acquisition d’informations est liée au nombre de fixations oculaires sur les stimuli. Une autre mesure importante est la saccade, qui est définie comme le mouvement rapide et soudain d’une fixation avec un intervalle de [10 ms, 100 ms]. Sharafi et coll. (2015)18 ont constaté des différences dans le nombre de saccades, selon la phase de codage de l’information de l’élève. Un autre paramètre pertinent est le chemin d’analyse, une mesure qui capture l’ordre chronologique des étapes que le participant effectue pour la résolution de la tâche d’apprentissage dans l’AOI définie par le chercheur18. De même, la technologie de suivi oculaire peut être utilisée pour prédire le niveau de compréhension du participant, qui semble être lié au nombre de fixations. Des études récentes ont indiqué que la variabilité du comportement du regard est déterminée par les propriétés de l’image (position, intensité, couleur et orientation), les instructions pour effectuer la tâche et le type de traitement de l’information (style d’apprentissage) du participant. Ces différences sont détectées en analysant l’interaction de l’élève avec les différents AOI19. Les techniques quantitatives20 (analyse fréquentielle) et/ou qualitatives oudynamiques 21 (chemin de balayage) peuvent être utilisées pour analyser les données collectées à partir des différentes mesures. Les premières techniques sont analysées avec des techniques statistiques traditionnelles (analyse de fréquence, différence moyenne, différence de variance, etc.) et les secondes sont analysées avec des techniques d’apprentissage automatique (distances euclidiennes avec des méthodes d’édition de chaînes21,22et clustering17). L’application de ces techniques facilite le regroupement, en tenant compte des différentes caractéristiques des sujets. Une étude17 a révélé que plus l’étudiant est expert, plus la stratégie de traitement de l’information spatiale et temporelle mise en œuvre est efficace. Un tableau descriptif des paramètres de mesure qui ont été utilisés dans cette étude peut être consulté ci-dessous dans le tableau 1.

Tableau 1 : Paramètres les plus représentatifs qui peuvent être obtenus avec la technique de suivi oculaire, adaptée de Sáiz, Zaparaín, Marticorena et Velasco (2019). 20 ans   Veuillez cliquer ici pour télécharger ce tableau.

Application de la méthodologie de suivi oculaire à l’étude du processus d’apprentissage
L’utilisation des avancées technologiques et des techniques d’analyse de données décrites ci-dessus5 ajoutera une plus grande précision à l’analyse comportementale des apprenants lors de la résolution de problèmes dans les différentes phases du traitement de l’information (initiation des tâches, traitement de l’information et résolution des tâches). Tout cela facilitera l’analyse comportementale individuelle, qui permettra à son tour le regroupement d’étudiants ayant des caractéristiques similaires24. De même, les techniques prédictives (arbres de décision, techniques de régression, etc.) 25 peut être appliqué à l’apprentissage, lié à la fois au nombre de fixations et aux résultats de résolution de tâche de chaque élève. Cette fonctionnalité est une avancée très importante dans la connaissance de la façon dont chaque étudiant apprend et pour la proposition de programmes d’apprentissage personnalisés au sein de différents groupes (personnes avec ou sans difficultés d’apprentissage26). Par conséquent, l’utilisation de cette technique contribuera à la réalisation de la personnalisation et de l’optimisation de l’apprentissage27. L’apprentissage tout au long de la vie doit être compris comme un cycle d’amélioration continue, car la connaissance de la société progresse et progresse constamment. La psychologie évolutionniste indique que les compétences de résolution et l’efficacité dans le traitement de l’information diminuent avec l’âge. Plus précisément, la fréquence, l’amplitude et la vitesse des mouvements oculaires chez les adultes se sont avérées diminuer avec l’âge. En outre, à des âges plus avancés, l’attention se concentre sur les zones inférieures des scènes visuelles, ce qui est lié à des déficits dans la mémoire de travail14. Néanmoins, l’activation augmente dans les secteurs frontaux et préfrontaux à un âge plus avancé, qui semble compenser ces déficits dans la résolution de tâche. Cet aspect comprend le niveau de connaissances antérieures et les stratégies de compensation cognitive que le sujet peut appliquer. Les participants expérimentés apprennent plus efficacement, car ils gèrent l’attention plus efficacement, grâce à l’application de processus de supervision automatisés28. En outre, si l’information à apprendre est transmise par le biais des techniques SRL, les lacunes susmentionnées sont atténuées17. L’utilisation de telles techniques signifie que les modèles de suivi visuel sont très similaires, à la fois dans les sujets sans connaissances préalables et dans les sujets ayant des connaissances préalables7.

En résumé, l’analyse des données multimodales-multicanaux sur les LRS obtenues à l’utilisation de technologies d’apprentissage avancé (eye-tracking) est essentielle pour comprendre l’interaction entre les processus cognitifs, métacognitifs et motivationnels, et leur impact sur l’apprentissage29. Les résultats et l’étude des différences d’apprentissage ont des implications pour la conception de matériel d’apprentissage et de systèmes de tutorat intelligents, qui permettront tous deux un apprentissage personnalisé susceptible d’être plus efficace et satisfaisant pour l’étudiant de30ans.

Dans cette recherche, deux questions d’enquête ont été posées : (1) Y aura-t-il des différences significatives dans les résultats d’apprentissage et dans les paramètres de fixation oculaire entre les étudiants et les enseignants experts par rapport aux enseignants non experts en histoire de l’art différenciant les étudiants ayant des diplômes officiels par rapport aux étudiants ayant des diplômes non officiels (Université de l’expérience - Éducation des adultes)? et (2) Les groupes de chaque participant ayant des résultats d’apprentissage et des paramètres de fixation oculaire coïncideront-ils avec le type de participants (étudiants ayant des diplômes officiels, étudiants avec des diplômes non officiels (Université de l’expérience - Éducation des adultes) et enseignants)?

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Ce protocole a été réalisé conformément au règlement de procédure du Comité de bioéthique de l’Université de Burgos (Espagne) nº Nº IR27/2019. Avant leur participation, les participants avaient été pleinement informés des objectifs de la recherche et avaient tous donné leur consentement éclairé. Ils n’ont reçu aucune compensation financière pour leur participation.

1. Recrutement des participants

  1. Recruter des participants parmi un groupe d’adultes dans deux environnements (étudiants et enseignants), avec un rang d’âge de 18 à 69 ans dans l’environnement de l’enseignement supérieur (éducation formelle et non formelle).
  2. Inclure les participants ayant une vision et une audition normales ou corrigées à la normale.
  3. Exclure les participants atteints de troubles neurologiques, psychiatriques et du sommeil, d’incapacités liées à des besoins éducatifs spéciaux, de difficultés perceptuelles (troubles de la vue et de l’ouïe) et de troubles cognitifs.
    REMARQUE : Dans le cadre de cette étude, nous avons travaillé avec un échantillon de 40 participants, 6 étudiants de l’Université de l’expérience (un participant a été exclu de la catégorie des étudiants de l’université de l’expérience en raison de difficultés visuelles), 25 professeurs d’université dans les disciplines des sciences de la santé, du génie, de l’histoire et du patrimoine, et 9 étudiants de premier cycle et de maîtrise suivant des cours en sciences de la santé, en génie, en histoire et en patrimoine. Les participants n’avaient aucun problème cognitif, auditif ou visuel, et ils avaient tous une vision normale ou corrigée à la normale(tableau 2). C’est pourquoi, l’un des participants a été éliminé avant de commencer l’expérience parce que le nystagmus avait été détecté sur lui et donc la tâche a été appliquée à un échantillon de 39 participants. Les participants n’ont reçu aucune rémunération financière ou professionnelle; c’est pourquoi la motivation des participants était élevée car elle n’était basée que sur leur intérêt à savoir comment fonctionne cette méthode de suivi oculaire lors d’un processus d’apprentissage lié au patrimoine culturel, en particulier à l’origine des monastères européens.

Tableau 2. Caractéristiques de l’échantillon.  Veuillez cliquer ici pour télécharger ce tableau.

2. Procédure expérimentale

  1. Séance 1 : Collecte du consentement éclairé, des données personnelles et des connaissances de base
    1. Obtenir un consentement éclairé. Avant le test, informer chaque participant des objectifs de l’étude et de la collecte, du traitement et du stockage de ses données. L’accord de chaque participant est donné en signant le formulaire de consentement éclairé.
      NOTA : La participation à cette étude était volontaire et il n’y avait pas de récompense financière. Cet aspect garantissait que l’accomplissement des tâches n’avait aucune motivation économique. Avant de commencer la tâche, l’intervieweur, un expert dans le domaine, remplit un questionnaire avec des questions sur l’âge, le sexe, la profession et la connaissance préalable du sujet, dans ce cas, l’origine et l’évolution historique des monastères en Europe (voir tableau 3). Cette étude s’inscrit dans le cadre d’un projet européen (2019-1-ES01-KA204-095615-Coordinateur 6) sur l’apprentissage du patrimoine culturel de l’humanité par les adultes tout au long de sa vie ; c’est pourquoi ce type de tâche a été choisi. Chaque enquêteur choisira le sujet en fonction de son domaine de travail.

Tableau 3. Questionnaire d’entrevue.  Veuillez cliquer ici pour télécharger ce tableau.

  1. Séance 2: Étalonnage
    1. Informer le participant sur le fonctionnement de la technologie de suivi oculaire et sur la façon dont les informations seront collectées, enregistrées et calibrées: « Nous utiliserons la technologie de suivi oculaire pour observer l’achèvement de la tâche d’apprentissage sur l’origine et le développement des monastères européens. Le suivi oculaire est une technologie qui vous permet de suivre votre regard pendant que vous effectuez l’activité et il n’a pas d’effets secondaires, ni il est invasif, puisque dans cette étude, seul le suivi oculaire est enregistré ».
    2. Expliquez au participant qu’un test valide nécessite un positionnement approprié. Demandez au participant de s’asseoir à une certaine distance [45 à 60 cm] du moniteur. La distance dépendra de la hauteur du participant, plus la hauteur est faible, plus la distance est courte.
    3. Informez le participant qu’une série de points apparaîtra sur les points cardinaux de l’écran et que chaque point apparaît, le participant doit l’observer avec les yeux. Le participant peut se déplacer d’un point à un autre en utilisant le curseur « Entrée ». La phase d’étalonnage a une durée de 10-15 minutes.
      REMARQUE: Un eye-tracking iViewer XTM, SMI Experimenter Center 3.0 et SMI Be Gaze et un moniteur avec une résolution de 1680×1050 ont été utilisés pour l’exercice de résolution de tâche. Cet équipement enregistre les mouvements oculaires, leurs coordonnées et les diamètres pupillaires de chaque œil. Dans cette étude, 60 Hz ont été appliqués, des mesures de chemin de balayage et des mesures dynamiques de chemin de balayage ont été utilisées, et des statistiques d’AOI ont été déterminées.
    4. Vérifiez le paramètre d’étalonnage. Le professionnel supervisant le test analyse le réglage d’étalonnage sur l’écran de contrôle.
      1. Effectuez l’étalonnage via le système d’étalonnage inclus dans l’iViewer XTM de suivi oculaire. Avant de commencer cette tâche, chaque participant réalise un suivi visuel de quatre points sur un écran aux quatre coins (haut-droite, haut-gauche, bas-droite, bas-gauche). Ensuite, le logiciel dispose d’un processus de vérification de l’exécution de la bonne position de ces stimuli et donne des informations sur l’ajustement du paramètre en degrés. Si ce réglage est situé entre 0,6º ± 1 dans les yeux droit et gauche, on considère que l’étalonnage est correct et l’exécution de la tâche commence. Un exemple du processus peut être vérifié dans Figure 1.
        REMARQUE : L’achèvement correct de la tâche est pris en compte lorsque les degrés dans les yeux droit et gauche sont fixés à 0,6º ± 1 écart type. Dans cette étude, deux étalonnages ont été détectés parmi le groupe de professeurs d’université qui dépassaient le critère d’ajustement de 0,6º ± 1 et deux participants ont donc été retirés. Les 25 participants du premier échantillon ont donc été réduits à 23 participants.

Figure 1
Figure 1. Processus d’étalonnage de suivi oculaire Veuillez cliquer ici pour voir une version plus grande de cette figure.

  1. Séance 3 : Exécution de la tâche d’apprentissage
    1. Expliquez le contenu de la tâche au participant. Un expert en psychologie pédagogique explique au participant en quoi consistera la tâche et comment l’effectuer : « La vidéo dure 1:14 seconde et se compose de 5 images en voix off. À la fin, le participant est invité à compléter un petit puzzle de mots croisés pour vérifier que les informations présentées dans la vidéo ont été comprises ».
    2. Regardez le clip vidéo. La vidéo utilisée dans la tâche peut être visionnée sur le lien suivant : https://youtu.be/HlGGgrYDTFs.
      NOTE: La tâche consiste à regarder une vidéo qui offre des informations sur les origines des monastères européens. L’information a été élaborée par un spécialiste, un professeur d’histoire de l’art. L’information est organisée en deux canaux, l’un visuel qui comprend des images et des informations écrites présentées sous forme de contours et un autre audio parce qu’un enseignant spécialisé SRL parle tout au long de la vidéo en insistant sur le contenu le plus significatif en utilisant l’accent verbal.
    3. Exécution du puzzle de mots croisés sur une plate-forme virtuelle basée sur Moodle. En cliquant sur l’icône de mots croisés, le participant se rendre sur une plateforme virtuelle où les mots croisés peuvent être complétés, pour vérifier si les connaissances ont été acquises. Le puzzle de mots croisés est présenté dans Figure 2.

Figure 2
Figure 2. Mots croisés puzzle pour vérifier les connaissances acquises. Veuillez cliquer ici pour voir une version plus grande de cette figure.

  1. Séance 4 : Analyse des données
    1. Choisissez les zones d’intérêt (ZI). Les IFA sont définis dans la vidéo et sont divisés en IFA qui contiennent des renseignements pertinents par rapport aux IFA qui contiennent des renseignements non pertinents.
      NOTA : L’assignation de la ZI est réalisée par l’expérimentateur qui décide quels sont les ZI pertinents ou non pertinents par rapport à l’information présentée.
    2. Extraire la base de données relative aux paramètres des fixations AOI (« Event Start Trial Time », « Event End Trial Time » et « Event Duration »; « Position de fixation X », « Position de fixation Y », « Taille moyenne de la pupille de fixation », « Taille moyenne de la pupille de fixation Y px », « Diamètre moyen de la pupille de fixation », « Dispersion de fixation X » et « Dispersion de fixation Y »).
    3. Importez la base de données dans un progiciel de traitement statistique et sélectionnez l’option analyser, puis classer, suivie de l’option k-means cluster. Sélectionnez ensuite le tableau croisé dans le progiciel statistique, par exemple SPSS, suivi de l’option « ANOVA », pour analyser les différences entre les participants (type de groupes d’adultes et degré de connaissance préalable) en ce qui concerne leurs paramètres de fixation de la ZI31.
      REMARQUE: L’analyse de clustering ou de cluster est une technique d’apprentissage automatique « non supervisée » et, dans k-means, il s’agit d’une méthode de regroupement, dont le but est de partitionner un ensemble de n observations en k groupes, dans lesquels chaque observation appartient au groupe avec la valeur moyenne la plus proche. Dans cette expérience, le clustering k-means a été utilisé pour vérifier les clusters de participants à la tâche d’apprentissage. Cette correspondance est importante, car elle offre à l’enseignant ou au thérapeute des informations sur le développement fonctionnel homogène des utilisateurs qui vont au-delà du diagnostic, fournissant des informations pour proposer des programmes d’intervention similaires dans certains domaines du développement fonctionnel. Cette option devrait faciliter la pleine utilisation du service éducatif ou thérapeutique et de ses ressources personnelles et matérielles.
    4. Effectuez une analyse de visualisation des données (descriptives et analyse de cluster) qui sont traitées, à l’aide d’un logiciel de visualisation tel qu’Orange32.
    5. Extrayez les données sur les paramètres des statistiques détaillées : temps d’arrêt, durée du coup d’œil, durée du détournement, nombre de regards, nombre de fixations, fixation moyenne et durée, puis importez cette base de données dans un progiciel statistique. Sélectionnez l’option « ANOVA » dans le package statistique, puis effectuez une analyse de visualisation des données traitées (moyennes). Utilisez la feuille de calcul pour générer un graphique en araignée et des graphiques à barres spécifiques pour les groupes de participants.
  2. Séance 5 : Propositions d’apprentissage personnalisées
    1. Exécuter un programme d’intervention pour améliorer les résultats d’apprentissage chez les participants détectés dans l’analyse en grappes, en raison de leurs scores inférieurs.
      REMARQUE : Un résumé des phases suivies dans la procédure expérimentale est illustré à la figure 3.

Figure 3
Figure 3. Phases de la procédure expérimentale. Veuillez cliquer ici pour voir une version plus grande de cette figure.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Les 36 participants recrutés pour la présente étude provenaient de trois groupes d’adultes (étudiants de l’université d’expérience, professeurs d’université et étudiants de premier cycle et de maîtrise) âgés de [18 à 69] ans(tableau 2). Le protocole a été testé pendant 20 mois à l’Université de Burgos. Un aperçu de l’évolution de la note peut être présenté au tableau 4.

Tableau 4. Aperçu du développement du protocole d’analyse du comportement d’apprentissage.  Veuillez cliquer ici pour télécharger ce tableau.

Tout d’abord, les paramètres de position du regard des fixations ont été analysés(tableau 5). Dans cette étude, à l’aide d’une vidéo, l’heure de début et de fin était la même pour tous les participants : début 0 ms et fin 1:14 s, durée 1:14 s.

Tableau 5. Résultats du paramètre Fixations.  Veuillez cliquer ici pour télécharger ce tableau.

La figure 4 montre un graphique des tâches développées par les trois groupes en ce qui concerne les paramètres de fixation. Le groupe d’hommes et de femmes de chacun des groupes participants (étudiants de l’Université de l’expérience, enseignants universitaires et étudiants des cycles supérieurs et de la maîtrise) a chacun accompli les tâches de différentes manières.

Figure 4
Figure 4. Graphique des trois groupes et de leur développement de la tâche liée aux paramètres de fixation. Veuillez cliquer ici pour voir une version plus grande de cette figure.

Une ANOVA à effets fixes à deux facteurs (type de participant et connaissances antérieures) a ensuite été appliquée pour vérifier s’il y avait des différences significatives dans les paramètres des positions de fixation entre les trois groupes (étudiants de l’Université de l’expérience, professeurs d’université et étudiants universitaires). Aucune différence significative n’a été observée dans aucun des paramètres de fixation, mais une tendance vers des différences pour la taille moyenne de la pupille Y de fixation, le diamètre moyen de la pupille de fixation et la dispersion de la fixation X a été notée, bien qu’avec de faibles valeurs d’effet (voir le tableau 6).

Tableau 6. ANOVA à effets fixes à deux facteurs (type de participant et connaissances préalables) et valeur de l’effet.  Veuillez cliquer ici pour télécharger ce tableau.

Par la suite, le groupe k-moyennes a été appliqué pour étudier s’il y avait différents groupes dans le groupe de recherche initial (étudiants de l’Université de l’expérience, professeurs d’université et étudiants universitaires) en ce qui concerne les résultats dans les paramètres des positions de fixation, les connaissances antérieures et les résultats du puzzle de mots croisés. Trois grappes ont été trouvées(tableau 7). Une visualisation des clusters peut être vue dans Figure 5.

Tableau 7. Centres de cluster finals.  Veuillez cliquer ici pour télécharger ce tableau.

Ensuite, un tableau croisé a été préparé entre les valeurs du groupe d’appartenance à un groupe attribué à chaque participant en ce qui concerne le type de catégorie de participant (étudiants de l’Université de l’expérience, professeurs d’université et étudiants universitaires)(tableau 8). La figure 5 montre la position des participants au sein des groupes par rapport aux trois groupes pour les paramètres de position de fixation.

Tableau 8. Participant * Numéro de cluster de l’analyse croisée des cas.  Veuillez cliquer ici pour télécharger ce tableau.

Une ANOVA à effets fixes à deux facteurs, « groupe participant » et « arrière-plan », a été réalisée pour les paramètres de mesure de suivi oculaire suivants : temps d’arrêt, durée du coup d’œil, durée du détournement, nombre de regards, nombre de fixations, moyenne et durée obtenues au cours de la phase de démarrage de la tâche (diapositive 1) et de la phase de fin de tâche (diapositive 5)(tableau 6). Des différences significatives ont été constatées selon la variable de connaissances de base dans la durée de déjudiciarisation 1 (analyse de l’entrée, de l’arrêt et du temps de sortie pour chaque stimulus inséré dans chaque ZI). On peut donc conclure que la façon d’entrer, de rester et de sortir dans les différents IFP était différente, selon la variable « groupe de participants » au cours de la phase initiale de l’accès à l’information (F2,32 = 4,07, p = 0,03, η2 = 0,23). Des différences ont également été constatées dans le paramètre Durée moyenne de la fixation (les fixations plus longues font référence au fait que le participant passe plus de temps à analyser et à interpréter le contenu de l’information dans les différents IFP (F2, 32 = 3,53, p = 0,04, η2 = 0,21). Le test de différence moyenne de Bonferroni a été appliqué pour établir l’appartenance au groupe, avec lequel il a été établi qu’ils se trouvaient entre le groupe (étudiants de l’Université de l’expérience) et le groupe de professeurs d’université [différence moyenne = 0,04, p = 0,04 IC 95% (0,03-2,75)]. Les moyennes étaient plus élevées pour le groupe 1 (étudiants de l’Université de l’expérience), où les participants passaient plus de temps à analyser et à interpréter les IFA au cours de la phase de saisie des données (voir le tableau 9 et la figure 6).

Tableau 9. ANOVA à effets fixes à deux facteurs (type de participant et connaissances antérieures) et valeur de l’effet pour les paramètres de mesure du suivi oculaire : temps d’arrêt, durée du coup d’œil, durée du détournement, nombre de regards, nombre de fixations, fixation moyenne et durée.  Veuillez cliquer ici pour télécharger ce tableau.

Figure 6
Figure 6. Graphique des trois groupes et de leur développement de la tâche impliquant des paramètres de fixation par rapport aux variables de connaissance antérieure au début et à la fin du traitement de la tâche. Veuillez cliquer ici pour voir une version plus grande de cette figure.

D’après les résultats de cette étude, l’élaboration d’un programme d’apprentissage personnalisé a été proposée pour améliorer les résultats d’apprentissage liés à la résolution des tâches. Ce programme était axé sur le travail avec les participants regroupés dans le groupe 3, car ils ont obtenu des notes de 3 points sur 5 dans le test pour vérifier les résultats d’apprentissage, ce qui représentait 85,43% du total des participants. Les participants des trois groupes d’étude (étudiants de l’Université de l’expérience; Professeurs d’université et étudiants des cycles supérieurs et de la maîtrise) ont été trouvés dans ce groupe. Le programme se concentrera sur le renforcement des concepts travaillés dans la vidéo pour lesquels une extension et une spécification des concepts seront faites.

Figure 5
Figure 5. Analyse en grappes des paramètres de fixation dans les trois groupes (étudiants universitaires d’expérience, professeurs d’université et étudiants universitaires). Veuillez cliquer ici pour voir une version plus grande de cette figure.

DOSSIERS SUPPLÉMENTAIRES

Les autorisations d’enregistrement de la vidéo à partir de laquelle des images ont été utilisées pour faire référence à l’observation des capacités fonctionnelles chez les enfants ayant des difficultés d’apprentissage sont jointes.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Les résultats de la recherche ont indiqué que la durée moyenne de fixation sur les stimuli pertinents était plus longue chez les participants ayant des connaissances antérieures. De même, l’attention portée à ce groupe est portée sur les points intermédiaires de l’information (proximale et distale)7. Les résultats de cette étude ont révélé des différences dans la façon dont les participants traitaient l’information. De plus, leur traitement n’était pas toujours lié au regroupement initial (étudiants de l’Université d’expérience, enseignants universitaires et étudiants des cycles supérieurs et de la maîtrise). Ces différences ont été constatées en ce qui concerne l’analyse de la position visuelle des participants sur l’axe X dans les fixations sur les images présentées dans la vidéo d’apprentissage. Dans le faisceau 2, les fréquences les plus élevées de la fixation de la position X, de la fixation de la position Y, de la fixation moyenne de diamètre de pupille, de la dispersion de fixation de X et de Y-axe ont été trouvées. Ce fait coïncide avec le fait que les membres du groupe 2 étaient eux-mêmes membres du groupe des professeurs d’université, avaient une connaissance préalable du sujet et ont obtenu le score le plus élevé au test de vérification des résultats. De même, il est pertinent de souligner que la plupart des participants à l’étude (85,43 %), quel que soit leur groupe d’origine, se trouvaient dans le groupe 3 où ils ont obtenu les résultats les plus faibles lors du test de vérification.

Un autre aspect pertinent de ce protocole est la présentation des informations dans une vidéo avec SRL. Cette forme de présentation, d’une part, guide et focalise l’attention et d’autre part minimise les actions individuelles de chaque participant, c’est-à-dire qu’elle unifie la façon d’accéder à l’information. Le cas échéant, c’est un aspect qui peut compenser d’éventuels déficits ou difficultés de transformation. La preuve de cet énoncé est qu’aucune différence significative n’a été détectée dans les résultats d’apprentissage entre les trois groupes, l’intervalle de rendement moyen [3,60, 4,86] ayant été établi à 5. Des différences significatives n’ont été constatées que dans les paramètres de la durée de détournement du traitement (un paramètre utilisé pour analyser l’entrée, la permanence et le temps de sortie pour chaque stimulus inséré dans chaque ZI) et de la durée moyenne de fixation (ce paramètre se réfère à des fixations plus longues, ce qui indique que le participant passe plus de temps à analyser et à interpréter le contenu de l’information dans les différents AOIs) au moment initial du traitement, mais pas à la fin de celui-ci. Les temps les plus longs dans ces paramètres ont été détectés parmi le groupe des étudiants diplômés et à la maîtrise et les étudiants de l’Université de l’expérience dans cette étude. Ces résultats sont corroborées par les conclusions d’autres études4,12,15. Enfin, ce protocole peut être appliqué pour étudier les différences lors du traitement de l’information, en fonction de la phase de codage de l’étudiant.

Sur la base de ce qui précède, la première conclusion est que l’utilisation de la méthodologie de suivi oculaire lors de l’accomplissement des tâches a fourni des données utiles pour l’étude du traitement de l’information1,2. De même, les données extraites de la technologie de suivi oculaire et analysées avec des techniques d’apprentissage non supervisées (clustering) ont facilité la connaissance des clusters selon les paramètres prédéterminés11,15. Cet aspect est très pertinent pour l’étude du traitement de l’information chez chaque participant et pour la proposition concernant les réponses éducatives personnalisées3,4,5,6,22,23 qui devrait conduire à un apprentissage plus efficace23.

Il est également important de souligner que les résultats expérimentaux ont réaffirmé les résultats d’autres recherches en ce qui concerne: les différences de traitement en fonction des variables novices-experts et de l’âge des participants, et l’utilisation de matériaux SRL qui minimisent les effets de ces variables et augmentent les performances attendues des participants7,8,9,10.

Cependant, il est nécessaire de traiter toute généralisation de ces résultats avec prudence, car un échantillonnage de commodité a été appliqué et le travail s’est concentré sur un contenu spécifique relatif à l’histoire de l’art. Par conséquent, l’échantillon sera élargi dans les recherches futures et les résultats seront vérifiés dans d’autres disciplines.

Comme indiqué dans l’introduction, la présentation de l’information de manière multimodale à travers divers canaux d’information (auditifs, visuels ou les deux) avec la méthodologie SRL, ainsi que l’utilisation de la technologie de suivi oculaire et des techniques d’apprentissage automatique, est essentielle pour comprendre la façon dont les participants traitent l’information afin d’offrir une conception d’apprentissage personnalisée en fonction des besoins éducatifs de chaque utilisateur et, par conséquent, de promouvoir l’apprentissage réussi et son développement parmi tous les étudiants29,30.

En résumé, l’utilisation de la technique de suivi oculaire n’est pas une méthodologie d’application habituelle dans les cadres d’éducation en raison fondamentalement de facteurs de coût allant des ressources matérielles aux ressources personnelles. Cependant, son utilisation commence à augmenter petit à petit et il est important de voir son utilisation habituelle dans l’observation des tâches dans l’apprentissage autoréglementé. L’avantage de cette technologie de suivi oculaire est qu’elle permet l’enregistrement de l’interaction de l’apprenant avec la tâche qui a des avantages de fiabilité et de validité, dans ce cas, sur la simple observation du processus d’apprentissage. En outre, la méthodologie de suivi oculaire offre différentes techniques de visualisation des informations enregistrées et ces informations dans les bases de données peuvent également être analysées avec des programmes informatiques ou des outils plus puissants. Par conséquent, il ouvre une grande variété de possibilités d’investigation dans des contextes naturels.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Les auteurs déclarent qu’ils n’ont pas d’intérêts financiers concurrents.

Acknowledgments

Les travaux ont été développés dans le cadre du projet « Apprentissage autoréglementé dans l’éducation des adultes SmartArt Erasmus+ » 2019-1-ES01-KA204-095615-Coordinateur 6, financé par la Commission européenne. La vidéo de la phase d’achèvement des tâches avait le consentement préalable en connaissance de cause de Rut Velasco Sáiz. Nous apprécions la participation des enseignants et des étudiants à la phase de mise en œuvre des tâches.

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

Comportement Numéro 172 suivi oculaire apprentissage auto-régulé analyse des tâches analyse du comportement exploration de données
Technologie de suivi oculaire et techniques d’exploration de données utilisées pour une analyse comportementale des adultes engagés dans des processus d’apprentissage
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