需要JoVE订阅才能观看此内容。 请登录或开始免费试用

方法文章

评估学习困难成人元认知与自我调节能力的多模态方案

7.9K 次观看

⸱

DOI：

10.3791/60331

⸱

2020年9月27日

 ,  ,  ,  ,  , 
1University of Oviedo, 2University of Central Florida

本文内容

摘要

本研究提出了一种多模态评估方案，重点关注构成学习障碍成人困难基础的元认知、学习自我调节以及情绪过程。

摘要

学习障碍（LDs）涵盖了一类在学习和运用学业技能方面存在困难的个体所表现出的障碍，其在阅读、写作和/或数学领域的表现低于其实际年龄应有的预期水平。构成学习障碍的各类障碍涉及不同的缺陷；然而，在这种异质性中仍可发现某些共性，例如在学习自我调节和元认知方面。与儿童早期和后期教育阶段不同，目前针对成年学习障碍者的循证评估方案极为缺乏。学习障碍不仅影响学业表现，还会对职业、社会及家庭生活产生严重后果。针对这一现状，本研究提出了一种多模态评估方案，聚焦于元认知、学习自我调节以及情绪过程，这些过程构成了成年学习障碍者困难的基础。该评估通过在线学习过程的分析来实施，采用多种方法、技术和传感器（如眼动追踪、情绪的面部表情、生理反应、同步言语报告、日志文件、人机交互的屏幕录制），并结合离线方法（如问卷、访谈和自陈量表）。这一基于理论且有实证支持的指导性方案，旨在对成年期的学习障碍进行准确评估，从而为设计有效的预防和干预措施提供依据。

引言

特定学习障碍（SLDs）包括在阅读、书写和/或数学领域的学业技能学习和运用方面存在困难，且表现低于其实际年龄应有水平的个体所患的障碍1,2不同研究因分析的年龄、语言和文化背景不同，对患病率的估计值有所差异，但普遍在5%至15%之间1,3. 在《精神障碍诊断与统计手册》（第5版）的神经发育障碍全球类别中th （编者）1，还需要关注注意缺陷多动障碍（以下简称ADHD）的发病率，因为这是一种常见疾病，近年来关于如何应对此类疾病引发了诸多争议。依据DSM-51，可将其定义为一种持续存在的注意力不集中和/或活动过度-冲动行为的模式。同样，自闭症谱系障碍（以下简称ASD）是同一手册中的一个类别，包括因中枢神经系统多因素功能障碍而导致神经发育障碍的学生，这些功能障碍在个体发展的三个基本领域中表现为质的异常：社会互动、沟通以及兴趣和行为1,2.

基于这一思路，一种新的理念应运而生，它摆脱了传统上对缺陷的认知，转而以更积极的方式看待这些障碍，与当前关于神经发育困难高度共存且相互重叠的观点保持一致4。根据这些新模型，人们认识到，参与高级认知过程的技能——即个体为实现特定目标而管理和调节自身行为的能力——对于自我调节至关重要，因而也影响着包括学业活动在内的日常生活活动5。在成年期背景下，神经多样性概念已扩展至涵盖多种类型的困难，包括注意缺陷多动障碍（ADHD）和自闭症谱系障碍（ASD），以及阅读障碍、发育性协调障碍和/或计算障碍。因此，我们从学习困难（LDs）的广义概念出发来理解这种神经多样性。患有此类神经多样性的学生在高等教育中的入学人数增加已有充分记录，这在一定程度上归因于残疾学生高中毕业率的提高6；然而与此同时，针对这些学生学习过程的研究仍远未达到应有的水平7。

每种孤立看待的障碍都涉及不同的缺陷和表现形式；然而，在这些异质性中仍可发现一些共性，例如在学习障碍（LD）方面存在的元认知、自我调节和情绪功能障碍8,9,10,11。在一般学习以及学习障碍领域的文献中，存在三个基本理论基础，这些基础代表了成功学习的核心要素，并在这些广为人知的学业困难中发挥着关键作用12。此外，其他研究观点认为，不同障碍（如注意缺陷多动障碍与阅读障碍13，或注意缺陷多动障碍与自闭症谱系障碍5）中均可能出现执行功能缺陷的某些共性，例如自动加工或工作记忆方面的问题。然而，该领域仍需进一步研究，因为目前并非所有研究在执行功能共性问题上得出一致结论。这可能与各研究采用的样本差异以及执行功能评估方法的不同有关5,14。

从教育角度来看，这种多样性不仅会影响学习质量（因为所涉及的功能具有基础性作用），还会影响辍学、转专业等现象，从而对政府和高校带来经济影响15。学习障碍（LD）学生的辍学率高于普通学生群体16，也高于除情绪障碍学生外其他所有心理障碍类别的学生17。相比之下，接受义务教育之后继续接受教育（如职业培训、大学等）的学习障碍学生人数正在增加15，尤其是在高等教育阶段19,20,21,22。此外，可以合理推测，实际存在学习障碍的学生人数远多于那些正式通过学生服务部门登记并纳入流行率统计数据的学生人数23。

这些困难并不总是在儿童时期被发现，尤其是在这些障碍尚未被纳入常规教育体系之前出生的成年人中更为明显，且这些障碍的症状会持续终生，给工作、教育和个人生活带来困难24。研究表明，尽管人们可能克服部分困难，但大多数人在成年后仍存在学习方面的困扰，且在更高层次的教育阶段中，这些问题的持续存在仍然是一个难题25。

矛盾的是，与以往的教育阶段和更小年龄群体不同，目前几乎没有针对成人学习障碍（LDs）的循证工具或评估方案。尽管儿童期学习障碍的诊断工具有大量涌现，但适用于成人群体的有效且可靠的评估工具和方法却极为有限24。最近一项关于高等教育中学习障碍的文献综述发现，相关数据的收集主要通过访谈完成，仅有少数情况下使用自评量表26。尽管自评法和访谈法具有价值，但由于元认知、自我调节及情绪技能等过程具有动态特性，这些方法难以对其进行准确评估。衡量这些过程时，量表和访谈方法的重要性不可否认27，28，但同时也存在有效性方面的局限29，以及与其他创新评估方法之间的不一致问题30。学习障碍检测中的另一个问题是诊断偏差，其成因在于缺乏全面的评估方案。由于专业人员缺乏基于客观变量的参考标准，常常导致大量学习障碍的假阳性与假阴性案例31。

针对成人评估工具的匮乏以及改进现有方法学的迫切需求，本研究提出了一种多模态评估方案，重点关注构成学习障碍成人困难基础的元认知、自我调节和情绪过程。依据当前文献，我们倡导向整合性、多通道测量方向发展32,33。该评估通过多种方法、技术和传感器对在线学习过程进行分析（例如，超媒体学习环境、虚拟现实、眼动追踪、情绪的面部表情、生理反应、日志文件、人机交互的屏幕录制），并结合离线方法（例如，问卷、访谈和自评量表）。这种混合方法学可提供关于目标过程在学习前、学习中和学习后阶段运用情况的证据，通过三角验证增强对学习者如何学习以及问题所在（若存在）的理解34。

评估方案需进行两次会话。这两次会话可一次完成，也可根据个体情况分阶段进行。第一次会话主要聚焦于学习障碍（LDs）的识别或确诊，以及明确具体属于哪一类障碍；第二次会话则旨在深入探讨每个个案的元认知、自我调节及情绪加工过程。

第1次会话旨在对参与者的特定学习障碍进行诊断或确认性评估：特定学习障碍（SLD）、注意缺陷多动障碍（ADHD）和/或自闭症谱系障碍（ASD，高功能型），以确定参与者存在哪些具体问题。该评估至关重要，原因有二：1）患有学习障碍的成年人很少有关于自身功能失调行为的准确信息。其中一些人怀疑自己存在学习障碍（LD），但从未接受过正式评估；另一些人可能在儿童时期曾接受过评估，但目前没有报告或进一步的信息。2）先前的诊断可能存在不一致之处（例如，先前诊断为阅读障碍，而当前诊断为注意力缺陷和加工速度缓慢；先前诊断为ASD，而当前表现为智力能力有限等）。本会话中将对参与者进行访谈，并施用问卷和标准化测试。该会话由具有在研究和临床背景下诊断发育及学习困难经验的治疗师，在西班牙某心理学系的多个办公室内开展。会话首先进行结构化访谈，收集传记信息以及与DSM-51中所述SLD相关症状的存在情况。随后，采用韦氏成人智力量表第四版（WAIS-IV）35作为参考性智力能力测验，既用于排除标准的实施，也因其“工作记忆”和“加工速度”量表可为学习困难提供极具价值的信息36。此外，广泛使用PROLEC SE-修订版测验37来评估阅读障碍（包括阅读的词汇、语义和/或句法过程），这是当前学术环境中最普遍且最具功能限制性的学习困难之一，常与其他障碍如ADHD共病38。该评估涵盖阅读准确性、速度和流利性，以及阅读障碍的具体表现，更重要的是明确在哪个阅读过程中出现障碍37（该测验已在大学预科学生中得到验证。目前西班牙尚无针对普通成人群体的适配测验，因此选择该测验因其最接近目标人群）。接着，通过世界卫生组织成人ADHD自评量表（ASRS）39筛查ADHD症状，并引入多模态方法，采用前沿的虚拟现实持续性操作测验Nesplora Aquarium31,40，进一步细化对该障碍的评估，用于评估成人的注意力过程和工作记忆。该测验在生态化情境下对16岁以上成人及青少年ADHD的诊断具有高度实用性，可提供客观且可靠的数据。其评估内容包括选择性注意和持续性注意、冲动性、反应时间、听觉与视觉注意力、坚持性、注意力集中质量、身体活动水平、工作记忆以及任务转换代价。此外，在整体使用WAIS-IV35以收集参与者智力能力信息的同时，我们特别关注“工作记忆”和“加工速度”两个量表，因其与学习困难密切相关，且这些量表的结果将用于最终判断。最后，本方案中还包括自闭症谱系商数量表（AQ-Short）41，即Baron-Cohen、Wheelwright、Skinner、Martin和Clubley开发的可靠AQ-Adult量表的简版42。

第二部分重点介绍对参与者学习过程的多模态评估。理解复杂学习的关键在于深入把握学生在认知、元认知、动机及情感过程中的具体表现与运用。43为此，参与者将使用MetaTutor，在学习过程中观察其所采用的元认知与认知策略。MetaTutor是一个超媒体学习环境，旨在检测、建模、追踪并促进学生在学习不同科学主题时的自我调节学习能力44MetaTutor 的设计基于 Azevedo 及其同事开展的大量研究43,45,46,47 并属于SRL测量领域的一种新趋势，即所谓的 第三波，其特征是测量技术与先进学习技术的结合使用33MetaTutor 的使用还可提供多模态痕迹数据，包括眼动追踪、情绪生理反应（皮肤电反应（GSR）和情绪面部表情）等指标48、日志数据和问卷。所有这些测量方法相结合，以更深入地理解参与者的学习自我调节（SRL）和元认知。

眼动追踪技术可用于了解哪些内容能立即吸引注意力、哪些目标元素被忽略、元素被注意到的先后顺序，以及各元素之间的比较情况；皮肤电活动可揭示情绪唤醒程度如何随环境变化而变化；面部表情识别技术可实现对面部表情的自动识别与分析；数据日志则用于收集并存储学生与学习环境之间的交互信息，以便后续分析。关于问卷部分，国际简式人格项目库（Mini International Personality Item Pool）49用于评估个体在日常生活中经历的一系列行为与想法，涵盖五大人格特质（外向性、宜人性、尽责性、神经质和开放性）的测量。认识论信念的内涵维度量表（Connotative Aspects of Epistemological Beliefs）50提供有关参与者知识信念的信息。罗森伯格自尊量表（Rosenberg Self-esteem Scale）反映参与者整体的自我感受51。情绪调节问卷（Emotion Regulation Questionnaire）52用于获取参与者情绪调节方式的相关信息。成就情绪问卷（Achievement Emotions Questionnaire, AEQ）53则用于了解个体在大学环境中通常会经历的情绪状态。

简而言之，在成年期评估学习障碍尤为困难。教育和经验使许多成年患者能够弥补其缺陷，后期表现出非特异性或隐匿性症状，对此目前科学认知仍十分有限。鉴于这一关键性的研究空白，本研究旨在提供理论指导、基于实证的科学指南，以准确评估成年期的学习障碍，从而制定有效的预防和干预措施。

为了帮助读者判断所述方法是否适用，有必要明确指出，该方案不适用于智力障碍者，因为此类人群的诊断会使学习困难的诊断失效。此外，由于所用设备的特殊性以及学习内容的呈现形式，目前尚无法评估患有运动功能障碍（上肢、颈部和/或面部）、听力或视力障碍的人群。同时，该方案也不适用于患有严重精神疾病的研究参与者，因其可能需要使用影响信息处理或情绪生理表达的药物。

访问受限。请登录或开始试用以查看此内容。

方案

阿斯图里亚斯公国和奥维耶多大学的研究伦理委员会已批准本方案。

1. 第一次会话：诊断评估

注意：在本实验方案的这一部分中，使用了来自不同出版机构的评估测试工具，这些工具均有各自特定的施测与解释手册。由于这些测试工具或类似的工具在心理学与教育学领域的科学界已被广泛熟知，因此未对其施测步骤进行逐一详细说明（例如，鉴于本文的研究目的，详细描述韦氏成人智力量表第四版（WAIS-IV）35 的每一步施测过程并无必要）。

  1. 知情同意
    1. 向参与者说明研究的伦理与保密事项，并要求他们确认并签署个人知情同意书。
  2. 结构化访谈
    1. 向参与者解释以下说明： "现在，我将对您进行一次访谈，以获取有关您生活和学术状况的重要信息。访谈中会包含开放式和封闭式问题，但您可随时打断我。如果您需要我对任何问题进一步说明，请随时告知。在本次初步访谈之后，我可能会请您完成一些评估测试和问卷，每项测试或问卷的具体说明我会另行告知。您准备好了吗？"
    2. 收集与SLD相关的症状表现及DSM-5中所述排除标准的生物人口学信息1 按照访谈提纲（参见 补充文件 A ).
  3. 结构化访谈的首个决策点（排除标准）
    1. 如果参与者符合初始排除标准，即其表明自身存在运动功能障碍（上肢）、感觉功能障碍（视觉或听觉）、智力障碍诊断或严重精神疾病，则终止评估。
    2. 如果初步判断参与者存在或自认为存在特定学习障碍（SLD），且不符合排除标准，则继续进行评估。
  4. 智力能力
    1. 应用韦氏成人智力量表第四版35 根据手册中的说明进行测试，以收集有关参与者智力水平的信息。
  5. 关于智力水平的第二个决策点（排除标准）
    1. 如果参与者不理解测试说明、无法进行评估，或智商低于70，则终止评估。
    2. 如果该人具有正常或有限的智力水平，则继续进行评估。
      注意：本研究设定的智商（IQ）纳入标准为得分高于70。
  6. 注意缺陷多动障碍
    1. 请让受试者完成成人自报筛查问卷v1.1版（ASRS）的六个条目。39世界卫生组织（WHO）国际复合性诊断访谈
      注意：该问卷提供了与DSM-IV中所述注意力缺陷多动障碍（ADHD）相关症状的存在情况有关的信息54.
    2. 应用Nesplora Aquarium测试40 若参与者在之前的ASRS中得分达到12分或以上36 问卷
  7. 阅读困难
    1. 应用PROLEC SE-R阅读困难筛查测试37 按照说明书中的指示操作。
  8. 自闭症谱系障碍（1级）
    1. 请让参与者完成 Hoekstra 等人编制的自闭症谱系商数（AQ-Short）问卷中的 28 个项目。41
      注意：该问卷用于评估与社交行为、社交技能、常规行为、转换能力、想象力以及数字/模式相关的症状是否存在。
  9. 分析结果。
    1. 分析每位参与者的访谈、问卷和测试结果，判断其是否存在显著的学习困难，或具有出现学习困难的风险。
      注意：专家委员会的两名成员（评估员和研究团队的另一名成员）将分析每位参与者的学情特征，并判断其是否为学习障碍（SLD）、注意力缺陷多动障碍（ADHD）和/或自闭症谱系障碍（ASD）学生，或是否存在罹患这些障碍的风险。任何测验均不能替代专家的判断。
  10. 最终决策点
    1. 如果参与者明显不属于学习困难的学生，则完成评估。
    2. 如果参与者是学习障碍者（或有学习障碍风险者），则继续评估并进入第二阶段。

2. 第2次会话：多模态评估

注意：第2次实验应在第1次实验后的1至7天内进行。

  1. 准备参与者。
    1. 提醒参与者，本次实验会持续大约2小时，期间他们将在MetaTutor学习环境中完成一些问卷和任务，同时多种设备将全程记录其表现。
    2. 请参与者将头发扎起，露出颈部，摘下眼镜，并在适用情况下清除口香糖。
      注意：如果参与者佩戴眼镜，或有长发、刘海遮挡部分面部，眼动仪将无法准确捕捉其眼部运动。
    3. 向参与者介绍MetaTutor，说明本次实验的目标是使用该工具自主学习循环系统相关知识。
    4. 确保扬声器已连接并正常工作。
      注意：参与者也可根据偏好使用耳机。
  2. 皮肤电反应（GSR）准备与校准
    注意：不同公司生产的GSR设备类型多样，请根据供应商提供的说明进行操作。
    1. 使用酒精清洁GSR设备及参与者的指尖。
    2. 将指夹式或腕带式GSR传感器佩戴在食指和无名指上，连接器应朝向指尖方向，或按照制造商说明进行安装。
    3. 请参与者将手静置于桌面上，安静放松5分钟。
    4. 在计算机上打开相应软件。
    5. 确认记录图表正常运行，检查是否正在记录数据。
    6. 点击 运行实验 > 采样频率10次/秒 > 持续时间 > 10 > 分钟。记录十分钟数据以建立基线。
      注意：“采样频率10次/秒”表示测量数据的频率。
    7. 将屏幕最小化。
    8. 继续校准其他设备，10分钟后将数据保存为.csv文件。
  3. 眼动追踪与网络摄像头的准备与校准
    注意：不同公司生产的眼动仪和网络摄像头类型多样，请根据供应商说明进行操作。
    1. 在侧边笔记本电脑和主计算机上打开相应软件。
      注意：参与者操作的PC负责捕捉眼动数据，而数据记录在侧边笔记本电脑上。此外，实验人员可通过侧边笔记本电脑实时观察参与者的眼动情况，并在必要时调整其坐姿。
    2. 指定将要记录的实验会话（本例中为Metatutor）及参与者的注册信息：文件 > 最近的实验 > Metatutor > 包含参与者注册信息 > 确定。
    3. 检查两台计算机是否已连接，并确认眼动仪的红外光源已开启，准备就绪以捕捉眼部运动。
    4. 调整计算机上的网络摄像头，使其对准参与者的位置。
    5. 请参与者正对屏幕，尽量保持面部中立，尽管在学习过程中其面部表情可能会有所变化。
      注意：学习过程中将使用网络摄像头录制参与者的面部视频，后续将通过桌面应用程序进行分析55。
    6. 请参与者保持静止，用鼻子对准或略微超过桌面边缘（呈90°角），并用眼睛注视屏幕上不同位置的校准点。
    7. 点击 记录 > 输入参与者注册信息 > 确定，以启动校准过程。
    8. 请参与者按下空格键，并用眼睛跟随屏幕上出现的各个校准点。
    9. 使用侧边笔记本电脑检查数据，确保参与者在注视屏幕时双眼位置居中，再进入下一步。
      注意：当参与者的眼动被正确记录时，侧边笔记本电脑屏幕上会显示两个白色圆圈。当视线偏离记录区域时，软件会以黄色箭头（轻微偏离）、红色箭头（严重偏离）或无白色圆圈（未注册）进行提示。眼动路径以黄色光点（注意力焦点）表示，屏幕轨迹以绿色线条显示。
    10. 请参与者尽量避免触碰面部或将头靠在手上。
    11. 将屏幕最小化。
  4. 学习过程的多模态追踪
    1. 最大化GSR软件界面，点击 运行实验 > 采样频率10次/秒 > 持续时间 > 5 > 小时 > 记录，然后再次将屏幕最小化。
    2. 最大化眼动追踪与网络摄像头软件界面，确认软件运行正常，分别在主计算机和侧边笔记本电脑上点击 记录 以开始会话记录，完成后再次将屏幕最小化。
      注意：设备校准完成后，切记在每台设备上启动评估会话的记录。自此之后，参与者与学习工具的所有交互将被完整记录，直至会话结束。
  5. MetaTutor中的问卷填写与学习会话
    1. 在PC上打开软件并填写参与者注册信息。依次填写 编号 > 实验人员 > 日期 > 填写问卷：是 > 继续。
      注意：所有日志将在会话期间记录于一个数据日志文件中。
    2. 向参与者说明，他们需遵循工具中的指示，在学习过程中仅与计算机互动，并告知研究人员将在隔壁房间，以应对突发情况。
      1. 收集参与者的社会人口学与学业背景信息。依次填写 姓名 > 性别 > 年龄 > 民族 > 教育程度 > 大学 > 学位 > 平均绩点（GPA） > 如适用，请填写已修生物学课程信息 > 继续。在点击 继续 前，向参与者说明他们必须遵循工具提供的所有指示，并且在学习过程中仅与计算机互动。
      2. 请参与者完成若干问卷。
        注意：参与者需完成五份关于元认知与自我调节学习的问卷：a) 国际人格项目库简版49；b) 认识论信念的内涵维度50；c) 罗森伯格自尊量表51；d) 情绪调节问卷52；e) 成就情绪问卷（AEQ）53，以及一份关于循环系统常识的问卷。
      3. 向参与者展示MetaTutor的界面及其各个组成部分。
        1. 向参与者说明内容区域将在整个会话期间以文本形式显示学习内容。
        2. 向参与者展示他们可通过屏幕侧边的目录导航至不同页面。
        3. 向参与者展示总体学习目标在会话期间始终显示于屏幕顶部。
        4. 向参与者展示学习者设定的子目标显示在屏幕顶部中央，他们可在此管理或优先排序子目标。
        5. 向参与者展示屏幕左上角的计时器，用于显示会话剩余时间。
        6. 向参与者展示位于屏幕右侧调色板中的自我调节过程列表，参与者可在会话期间点击以实施计划、监控和学习策略。
        7. 向参与者展示与内容页面相关的静态图像将显示在文本旁，以帮助学习者整合来自不同来源的信息。
        8. 向参与者展示键盘输入的文本，以及学生与智能代理的交互如何在此界面部分被显示和记录。
        9. 向参与者介绍四位在学习过程中提供帮助的人工智能代理。
          注意：这些代理分别为引导者Gavin、计划者Pam、监控者Mary和策略制定者Sam。
      4. 请参与者在准备就绪后点击 开始，以启动学习会话。
        注意：参与者将与学习工具进行互动。
      5. 会话结束后，请参与者再次完成知识问卷。

3. 注销

  1. 实验结束后，保存来自GSR、眼动追踪/网络摄像头以及Metatutor的记录数据，并连同参与者的注册信息一并存档。将数据导出为.csv文件以便后续使用。
  2. 从参与者手部取下GSR传感器，并再次使用酒精清洁皮肤电反应传感器。
  3. 感谢参与者配合，告别送行。

4. 学习困难的分析

  1. 根据生成的各项报告（参见结果部分）分析每位参与者的学习表现，以获得多模态特征谱。
    注：至少由专家委员会中的两名成员对每位参与者的学习过程进行分析。尽管可以使用新的仪器和工具进行详尽的评估，但任何报告均无法替代专家的判断。

访问受限。请登录或开始试用以查看此内容。

结果

本部分展示了从该实验方案中获得的代表性结果，包括第1阶段联合结果的示例以及第2阶段各信息来源的单独示例。

有关障碍的结果通过诊断测试在第1阶段进行收集，测试过程中考虑了针对参与者学习困难（SLD、ADHD和ASD）诊断评估所规定的程序和临界值。专家委员会将判定参与者是否存在学习障碍，或是否有患学习障碍的风险，或无此类风险（参见图1中的决策示例）。如果参与者被确认存在学习障碍并参与第2阶段，则将收集来自替代来源的数据。

在第二次实验阶段，该方案从五个不同来源收集数据：参与者的皮肤电反应（GSR）、面部情绪、眼动、问卷以及日志数据。

首先，我们通过测量学习过程中的皮肤电反应（GSR）来评估情绪唤醒水平（平静/兴奋）56。学习障碍与成人焦虑相关，多项研究发现，从一年级到大学阶段的学习障碍学生报告的焦虑症状更为明显，这成为影响其学业表现下降的因素之一

访问受限。请登录或开始试用以查看此内容。

讨论

本方案提出了一种多模态评估方法，重点关注构成学习障碍成人困难基础的元认知、自我调节和情绪过程。

第1次会话至关重要，因为它旨在对参与者的学>第1次会话由在研究和临床环境中具有诊断发育和学习困难经验的治疗师进行。我们在西班牙使用这些工具，因此其他国家的研究人员应选择适合其人群的测试工具。该方法相对于现有方法的意义在于，许多用于注意缺陷多动障碍（ADHD）、特定学习障碍（SLD）和自闭症谱系障碍（ASD）的量表最初是为儿童设计的，而神经心理学测试和神经影像学虽然是更优的选择，但在此类工具匮乏的情况下实施难度较大24。此外，上述所有障碍通常仅通过其特定症状单独评估，而未考虑学习障碍中已知的共性问题，例如元认知、自我调节和情绪功能障碍。无论如何，目前关于元认知、自我调节和情绪的大多数知识主要基于儿童早期或成年期的自我报告数据。然而，任何形式的自我报告都容易受到多种偏倚的影响69，并且在学习障碍样本中，生理数据与自我报告数据之间多次未发现相关性70。...

访问受限。请登录或开始试用以查看此内容。

披露

作者无任何利益冲突需要披露。

致谢

本手稿 得到了美国国家科学基金会（DRL#1660878、DRL#1661202、DUE#1761178、DRL#1916417）、加拿大社会科学与人文研究理事会（SSHRC 895-2011-1006）、西班牙科学与创新部I+D+i项目（PID2019-107201GB-100）以及欧盟通过欧洲区域发展基金（ERDF）和阿斯图里亚斯公国（FC-GRUPIN-IDI/2018/000199）的资助。本文所表达的观点、发现、结论或建议均为作者（们）的观点，不一定反映美国国家科学基金会或加拿大社会科学与人文研究理事会的立场。 作者还感谢中佛罗里达大学SMART实验室成员提供的协助与贡献。

访问受限。请登录或开始试用以查看此内容。

材料

本文使用的材料清单
姓名公司目录编号评论
水族馆Nesplora
眼动追踪系统 RED500SensoMotoric Instruments GmbH
人脸识别 APIMicrosoft
皮肤电反应传感器 NUL-217NeuLog

参考文献

  1. American Psychiatric Association. Diagnostic and statistical manual of mental disorders (5th ed.). , Washington,DC. (2013).
  2. World Health Organization. International statistical classification of diseases and related health problems (11th Revision). , Retrieved from https://icd.who.int/browse11/l-m/en (2018).
  3. Education's Individuals with Disabilities Education Act. 2018 Annual Report to Congress on the Individuals with Disabilities Education Act. , Available from: https://sites.ed.gov/idea/data (2018).
  4. Armstrong, T. The myth of the normal brain: Embracing neurodiversity. AMA Journal of Ethics. 17 (4), 348-352 (2015).
  5. Berenger, C., Roselló, B., Miranda, A., Baixauli, I., Palomero, B. Executive functions and motivation in children with autism spectrum disorder and attention deficit hyperactivity disorder. International Journal of Developmental and Educational Psychology. 1 (1), 103-112 (2016).
  6. Brinkerhoff, L. C., McGuire, J. M., Shaw, S. F. Postsecondary education and transition for students with learning disabilities (2nd ed.). , Pro-ed. Austin, TX. (2002).
  7. Allsopp, D. H., Minskoff, E. H., Bolt, L. Individualized course-specific strategy instruction for college students with learning disabilities and ADHD: Lessons learned from a model demonstration project. Learning Disabilities Research & Practice. 20 (2), 103-118 (2005).
  8. Crane, N., Zusho, A., Ding, Y., Cancelli, A. Domain-specific metacognitive calibration in children with learning disabilities. Contemporary Educational Psychology. 50, 72-79 (2017).
  9. Harris, K. R., Reid, R. R., Graham, S. Self-regulation among students with LD and ADHD. Learning about Learning Disabilities. Wong, B. , Academic Press. Orlando, FL. 167-195 (2004).
  10. National Joint Committee on Learning Disabilities. Collective Perspectives on Issues Affecting Learning Disabilities. , PRO-ED. Austin, Texas. (1994).
  11. Sawyer, A. C., Williamson, P., Young, R. Metacognitive processes in emotion recognition: Are they different in adults with Asperger's disorder. Journal of Autism and Developmental Disorders. 44 (6), 1373-1382 (2014).
  12. Meltzer, L. Executive function in education: From theory to practice. , Guilford Publications. New York. (2018).
  13. Martino, G., Capri, T., Castriciano, C., Fabio, R. A. Automatic Deficits can lead to executive déficits. Mediterranean Journal of Clinical Psychology. 5 (3), 1-31 (2017).
  14. Fabio, R. A., et al. Frequency bands in seeing and remembering: comparing ADHD and typically developing children. Neuropsychological Trends. 24, 97-116 (2018).
  15. Bernardo, A. B., Esteban, M., Cerezo, R., Muñiz, L. J. Principales variables influyentes en el abandono de titulación en la Universidad de Oviedo. Informe PRIOR: PRoyecto Integral de ORientación Académico-Profesional. , Universidad de Oviedo. Oviedo. (2013).
  16. Cortiella, C. Diplomas at risk: A critical look at the graduation rate of students with learning disabilities. , National Center for Learning Disabilities. New York, NY. (2013).
  17. Plasman, J. S., Gottfried, M. A. Applied STEM coursework, high school dropout rates, and students with learning disabilities. Educational Policy. 32 (5), 664-696 (2018).
  18. Cortiella, C., Horowitz, S. H. The state of learning disabilities: Facts, trends and emerging issues (3rd Ed). , National Center for Learning Disabilities. New York. (2014).
  19. Chevalier, T. M., Parrila, R., Ritchie, K. C., Deacon, S. H. The role of metacognitive reading strategies, metacognitive study and learning strategies, and behavioral study and learning strategies in predicting academic success in students with and without a history of reading difficulties. Journal of Learning Disabilities. 50 (1), 34-48 (2017).
  20. Goroshit, M., Hen, M. Academic procrastination and academic performance: Do learning disabilities matter. Current Psychology. , 1-9 (2019).
  21. Grinblat, N., Rosenblum, S. Why are they late? Timing abilities and executive control among students with learning disabilities. Research in Developmental Disabilities. 59, 105-114 (2016).
  22. Heiman, T., Fichten, C. S., Olenik-Shemesh, D., Keshet, N. S., Jorgensen, M. Access and perceived ICT usability among students with disabilities attending higher education institutions. Education and Information Technologies. 22 (6), 2727-2740 (2017).
  23. Couzens, D., et al. Support for students with hidden disabilities in universities: A case study. International Journal of Disability. Development and Education. 62 (1), 24-41 (2015).
  24. Schelke, M. W., et al. Diagnosis of developmental learning and attention disorders in adults: A review of clinical modalities. Neurology, Psychiatry and Brain Research. 23, 27-35 (2017).
  25. Madaus, J. W., Shaw, S. F. The impact of the IDEA 2004 on transition to college for students with learning disabilities. Learning Disabilities Research & Practice. 21 (4), 273-281 (2006).
  26. Santos, C. G., Fernández, E., Cerezo, R., Núñez, J. C. Dificultades de aprendizaje en Educación Superior: un reto para la comunidad universitaria. Publicaciones. 48 (1), 63-75 (2018).
  27. Jiménez, L., García, A. J., López-Cepero, J., Saavedra, F. J. The brief-ACRA scale on learning strategies for university students. Revista de Psicodidáctica. 23 (1), 63-69 (2018).
  28. Zimmerman, B. J. Motivational sources and outcomes of self-regulated learning and performance. Handbook of Self-Regulation of Learning and Performance. Zimmerman, B. J., Schunk, D. H. , Routledge. NY. 49-65 (2011).
  29. Pike, G. R., Kuh, G. D. A tipology of student engagement for Amer-ican colleges and universities. Research in Higher Education. 46, 185-209 (2005).
  30. Winne, P. H., Perry, N. E. Measuring self-regulated learning. Handbook of Self-Regulation. Boekaerts, M., Pintrich, P. R., Zeidner, M. , Elsevier Academic Press. San Diego, CA. 531-566 (2000).
  31. Areces, D., Cueli, M., García, T., González-Castro, P., Rodríguez, C. Using brain activation (nir-HEG/Q-EEG) and execution measures (CPTs) in an ADHD assessment protocol. Journal of Visualized Experiments. (134), e56796(2018).
  32. Azevedo, R., Taub, M., Mudrick, N. V. Understanding and reasoning about real-time cognitive, affective, and metacognitive processes to foster self-regulation with advanced learning technologies. Handbook of Self-Regulation of Learning and Performance. Alexander, P. A., Schunk, D. H., Greene, J. A. , Routledge. New York. (2017).
  33. Panadero, E., Klug, J., Järvelä, S. Third wave of measurement in the self-regulated learning field: when measurement and intervention come hand in hand. Scandinavian Journal of Educational Research. 60 (6), 723-735 (2016).
  34. Greene, J. A., Azevedo, R. The measurement of learners' self-regulated cognitive and metacognitive processes while using computer-based learning environments. Educational Psychologist. 45 (4), 203-209 (2010).
  35. Wechsler, D. A. Wechsler Adult Intelligence Scale (4th ed.). , Psychological Corporation. San Antonio, TX. (2008).
  36. Theiling, J., Petermann, F. Neuropsychological profiles on the WAIS-IV of adults with ADHD. Journal of Attention Disorders. 20 (11), 913-924 (2016).
  37. Cuetos, F., Arribas, D., Ramos, J. L. Prolec-SE-R, Batería para la evaluación de los procesos lectores en Secundaria y Bachillerato - Revisada. , TEA. Madrid. (2016).
  38. Mayes, S. D., Calhoun, S. L., Crowell, E. W. Learning disabilities and ADHD: Overlapping spectrum disorders. Journal of Learning Disabilities. 33 (5), 417-424 (2000).
  39. Kessler, R. C., et al. The World Health Organization Adult ADHD Self-Report Scale (ASRS): a short screening scale for use in the general population. Psychological Medicine. 35 (2), 245-256 (2005).
  40. Climent, G., Banterla, F., Iriarte, Y. AULA: Theoretical manual. , Nesplora. San Sebastián, Spain. (2011).
  41. Hoekstra, R. A., et al. The construction and validation of an abridged version of the autism-spectrum quotient (AQ-Short). Journal of Autism and Developmental Disorders. 41, 589-596 (2010).
  42. Baron-Cohen, S., Wheelwright, S., Skinner, R., Martin, J., Clubley, E. The autism-spectrum quotient (AQ): evidence from Asperger syndrome/high-functioning autism, males and females, scientists and mathematicians. Journal of Autism and Developmental Disorders. 31, 5-17 (2001).
  43. Azevedo, R., Johnson, A., Chauncey, A., Burkett, C. Self-regulated learning with MetaTutor: Advancing the science of learning with MetaCognitive tools. New Science of Learning. Khine, M., Saleh, I. , Springer. New York, NY. 225-247 (2010).
  44. Azevedo, R., Witherspoon, A., Chauncey, A., Burkett, C., Fike, A. MetaTutor: A MetaCognitive tool for enhancing self-regulated learning. 2009 AAAI Fall Symposium Series. , (2009).
  45. Azevedo, R. Theoretical, methodological, and analytical challenges in the research on metacognition and self-regulation: A commentary. Metacognition & Learning. 4 (1), 87-95 (2009).
  46. Feyzi-Behnagh, R., Trevors, G., Bouchet, F., Azevedo, R. Aligning multiple sources of SRL data in MetaTutor: Towards interactive scaffolding in multi-agent systems. 18th biennial meeting of the European Association for Research on Learning and Instruction (EARLI). , Munich, Germany. Paper presented (2013).
  47. Harley, J. M., et al. Assessing learning with MetaTutor: A Multi-Agent Hypermedia Learning Environment. Annual meeting of the American Educational Research Association. , Philadelphia, PA. Paper presented (2014).
  48. Azevedo, R., Feyzi-Behnagh, R., Harley, J., Bouchet, F. Analyzing temporally unfolding self-regulatory process during learning with multi-agent technologies. EARLI Biannual Conference 2013. , Munich. Paper presented (2013).
  49. Donnellan, M. B., Oswald, F. L., Baird, B. M., Lucas, R. E. The mini-IPIP scales: tiny-yet-effective measures of the Big Five factors of personality. Psychological Assessment. 18 (2), 192(2006).
  50. Stahl, E., Bromme, R. The CAEB: An instrument for measuring connotative aspects of epistemological beliefs. Learning and Instruction. 17 (6), 773-785 (2007).
  51. Gray-Little, B., Williams, V. S. L., Hancock, T. D. An item response theory analysis of the Rosenberg Self-Esteem Scale. Personality and Social Psychology Bulletin. 23, 443-451 (1997).
  52. Gross, J. J., John, O. P. Individual differences in two emotion regulation processes: implications for affect, relationships, and well-being. Journal of Personality and Social Psychology. 85 (2), 348(2003).
  53. Pekrun, R., Goetz, T., Frenzel, A. C., Barchfeld, P., Perry, R. P. Measuring emotions in students' learning and performance: The Achievement Emotions Questionnaire (AEQ). Contemporary Educational Psychology. 36 (1), 36-48 (2011).
  54. American Psychiatric Association. Diagnostic and statistical manual of mental disorders - reviewed (DSM-IV-TR). , Washington, DC. (2000).
  55. Face API [Computer software]. , Available from: https://azure.microsoft.com/es-es/services/cognitive-services/face/ (2019).
  56. Picard, R. W. Affective computing. , MIT press. (2000).
  57. Grills-Taquechel, A. E., Fletcher, J. M., Vaughn, S. R., Stuebing, K. K. Anxiety and reading difficulties in early elementary school: Evidence for unidirectional-or bi-directional relations. Child Psychiatry & Human Development. 43 (1), 35-47 (2012).
  58. Mammarella, I. C., et al. Anxiety and depression in children with nonverbal learning disabilities, reading disabilities, or typical development. Journal of Learning Disabilities. 49, 130-139 (2014).
  59. Nelson, J. M., Harwood, H. Learning disabilities and anxiety: A meta-analysis. Journal of Learning Disabilities. 44 (1), 3-17 (2011).
  60. Arora, M. R., Sharma, J., Mali, U., Sharma, A., Raina, P. Microsoft Cognitive Services. International Journal of Engineering Science. 8 (4), 17323-17326 (2018).
  61. Bondareva, D., et al. Inferring learning from gaze data during interaction with an environment to support self-regulated learning. International Conference on Artificial Intelligence in Education. , Springer. Berlin, Heidelberg. 229-238 (2013).
  62. Mason, L., Tornatora, M. C., Pluchino, P. Do fourth graders integrate text and picture in processing and learning from an illustrated science text? Evidence from eye-movement patterns. Computers & Education. 60 (1), 95-109 (2013).
  63. Duffy, M. C., Azevedo, R. Motivation matters: Interactions between achievement goals and agent scaffolding for self-regulated learning within an intelligent tutoring system. Computers in Human Behavior. 52, 338-348 (2015).
  64. Cerezo, R., et al. Mediating Role of Self-efficacy and Usefulness Between Self-regulated Learning Strategy Knowledge and its Use. Revista de Psicodidáctica. 24 (1), 1-8 (2019).
  65. Mudrick, N. V., Azevedo, R., Taub, M. Integrating metacognitive judgments and eye movements using sequential pattern mining to understand processes underlying multimedia learning. Computers in Human Behavior. 96, 223-234 (2019).
  66. 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).
  67. Bogarín, A., Cerezo, R., Romero, C. A survey on educational process mining. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery. 8 (1), 1230(2018).
  68. Cerezo, R., Bogarín, A., Esteban, M., Romero, C. Process mining for self-regulated learning assessment in e-learning. Journal of Computing in Higher Education. , (2019).
  69. Levenson, R. W. Blood, sweat, and fears. Annals of the New York Academy of Sciences. 1000 (1), 348-366 (2003).
  70. Meer, Y., Breznitz, Z., Katzir, T. Calibration of Self-Reports of Anxiety and Physiological Measures of Anxiety While Reading in Adults With and Without Reading Disability. Dyslexia. 22 (3), 267-284 (2016).
  71. Daley, S. G., Willett, J. B., Fischer, K. W. Emotional responses during reading: Physiological responses predict real-time reading comprehension. Journal of Educational Psychology. 106 (1), 132-143 (2014).
  72. Pekrun, R., Goetz, T., Titz, W., Perry, R. P. Academic emotions in students' self-regulated learning and achievement: A program of qualitative and quantitative research. Educational Psychologist. 37 (2), 91-105 (2002).
  73. Antonietti, A., Colombo, B., Di Nuzzo, C. Metacognition in self-regulated multimedia learning: Integrating behavioural, psychophysiological and introspective measures. Learning, Media and Technology. 40 (2), 187-209 (2015).
  74. Bogarin, A., Cerezo, R., Romero, C. Discovering learning processes using inductive miner: a case study with Learning Management Systems (LMSs). Psicothema. 30 (3), 322-329 (2018).
  75. Lang, C., Siemens, G., Wise, A., Gašević, D. Handbook of learning analytics. , Society for Learning Analytics and Research. Beaumont, AB, Canada. (2017).
  76. Romero, C., Ventura, S., Pechenizkiy, M., Baker, R. S. J. Handbook of educational data mining. , CRC Press. Boca Raton, FL. (2010).
  77. Azevedo, R., Gašević, Analyzing Multimodal Multichannel Data about Self-Regulated Learning with Advanced Learning Technologies: Issues and Challenges. Computers in Human Behavior. 96, 207-210 (2019).
  78. Veenman, M. V. J., Van Hout-Wolters, B., Afflerbach, P. Metacognition and Learning: Conceptual and Methodological Considerations. Metacognition Learning. 1, 3-14 (2006).
  79. Brusilovsky, P., Millán, E. User models for adaptive hypermedia and adaptive educational systems. The adaptive web. Brusilovsky, P., Kobsa, A., Nejdl, W. , Springer. Berlin, Heidelberg. 3-53 (2007).
  80. Taub, M., et al. using multi-channel data with multi-level modeling to assess in-game performance during gameplay with CRYSTAL ISLAND. Computers in Human Behavior. 76, 641-655 (2017).

访问受限。请登录或开始试用以查看此内容。

重印与许可

标签

MetaTutor
评估学习困难成人元认知与自我调节能力的多模态方案
联系我们
向图书馆推荐

隐私政策

使用条款

政策

版权所有 © 2026 MyJoVE Corporation。保留所有权利。