用于对从事学习过程的成年人进行行为分析的眼跟踪技术和数据挖掘技术
June 10th, 2021
我们提出一个协议，对从事学习过程的成年人（18至70岁）进行行为分析，承担为自我调节学习（SRL）设计的任务。参与者、大学师生以及体验大学的成年人使用眼球跟踪设备进行监控，并使用数据挖掘技术分析数据。
我们提出了一个协议，用于对从事不同过程的15至70岁成年人的行为分析。承担分配给自我调节学习的任务。参与者、大学师生以及体验大学的其他人使用眼部跟踪设备进行监控，并使用数据挖掘技术分析数据。
该议定书是按照西班牙布尔戈斯大学生物道德委员会的程序条例执行的。在这项研究中，有两个调查问题被提出来。研究问题一，在艺术史中，学生与专家与非专家教师在学习结果和眼部固定参数上是否会有显著差异，官方学位学生与非官方学位学生、体验大学成人教育的学生区别？
研究问题二:每个参与者的学习结果和眼部固定参数的集群是否与参与者类型、拥有官方学位的学生、具有非官方学位的学生、体验大学成人教育和教师一致？参与者招募。从两个环境中的一组成年人中招募参与者，即学生和教师，年龄在18至70岁之间，从事高等教育、正规教育和非正规教育。
包括具有正常或更正为正常视力和听力的参与者。不包括神经、精神和睡眠障碍、与教育特殊需求相关的残疾、感性困难、视力和听力受损以及认知障碍的参与者。在这项研究中，我们进行了一个最终的样本，共有39名参与者，其中6名来自体验大学的学生。
一名参与者因视觉困难被排除在体验大学的学生类别之外。25名大学教授从事健康科学、工程学、历史学和遗产学，9名本科生和硕士生学习健康科学、工程学、历史和遗产学课程。数据收集，获得知情同意。
在测试之前，通知每个参与者研究的目的以及数据的收集、处理和存储。每位参与者的协议均通过签署知情同意书来达成。然后，在开始任务之前，面试官，一位该领域的专家，通过一份关于年龄、性别、职业和先前对主题知识的问卷。
在这种情况下，欧洲寺院的起源和历史发展。实验程序。校准。告知参与者眼睛跟踪技术的工作原理，以及如何收集、记录和校准信息。
向参与者解释说，有效的办公桌需要适当的定位。为此，参与者必须坐在距离显示器 45 至 60 厘米的一定距离。距离将取决于参与者的高度，降低高度，缩短距离。
参与者被告知，屏幕上的基点将显示一系列点，每次出现点时，参与者都必须用眼睛观察。以校准设置为例。执行学习任务。
向参与者解释任务的内容。学习任务包括解释欧洲修道院的起源。该作业使用 SRL 方法在视频画外音中呈现。
信息通过听觉和视觉渠道提供，包括书面文本和图像。观看视频剪辑。在基于 Moodle 的虚拟平台上执行纵横字谜。
数据分析。选择感兴趣的区域，AOI。AOI 在视频中定义，并分为包含相关信息的 AOI 和包含非相关信息的 AOI。
提取与 AOIs 固定参数相关的数据库。导入数据库，包括统计处理软件包，然后选择选项分析，然后进行分类，然后按照选项 K-手段群集进行分类。然后在统计软件包中选择交叉表，例如 SPSS，然后是 ANOVA 选项，以分析参与者之间的差异。
对数据进行可视化分析。提取详细统计参数的数据，进行统计分析。个性化学习建议。
执行干预计划，以改善集群分析中检测到的参与者的学习结果，因为他们的分数较低。代表性结果。本研究招募的36名学员来自体验大学三组成年学生、大学教授以及年龄在22至69岁之间的本科生和硕士学位生。
该协议在布尔戈斯大学进行了20个多月的测试。分析了固定的注视位置参数。参赛组的男女组、体验大学学生、大学教师、研究生和硕士生，均以不同方式完成任务。
在任何固定参数中均未发现显著差异，但注意到固定平均瞳孔大小 Y、固定和平均瞳孔直径以及固定分散 X 的差异趋势，尽管效果值较低。然后，将关键手段集群应用于研究初始研究组中是否存在不同的组，以及固定位置参数、先前知识和纵横字谜结果的结果。发现了三个集群。
此外，还准备了一组表格，内容包括分配给每个参与者的团体成员群的价值观，内容包括参与者的类别类型、体验大学学生、大学教授和大学生。每个图都显示参与者在集群中对固定位置参数的三组的位置。根据背景知识发现显著差异，在转移持续时间 1 中可变。
分析插入每个 AOI 的每个刺激的输入、决斗和输出时间。因此，可以得出结论，在信息访问的初始阶段，不同 AOI 中的输入、保留和退出方式因可变参与者组而异。在平均固定持续时间参数中也发现了差异。
更长的固定是指参与者花费更多的时间分析和解释不同 AOI 中的信息内容。邦费罗尼表示，在建立团体成员资格方面应用了不同的测试，通过该测试确定，这些考试是在体验大学学生组和大学教授组之间。与体验大学学生组的手段较高，参与者在数据输入阶段花费更多时间分析和解释 AOI。
根据本研究的结果，建议制定个性化学习计划，以改进任务解决学习成果。在这项研究中，该计划将侧重于加强视频中的概念，为此将对概念进行扩展和规范。此数据分析的结果为教师提供了信息，以调整任务的呈现，甚至每个学习者或学习者组的特点。结论。
信息的呈现方式，通过他们使用的信息渠道，听觉，视觉，或两者兼而有之。与SRL活动，方法，以及使用跟踪技术和机器学习技术。关键是要了解学习如何处理信息，并能够根据每个教育需求提供个性化的学习设计，从而促进学习的发展评估。
View the full transcript and gain access to thousands of scientific videos
概述
本研究提出了一种分析15至70岁成年人在自我调节学习任务中行为的协议。参与者包括大学教师、学生和经验大学的成年人，他们的行为被使用眼动追踪设备监测。
关键研究组成部分
科学领域
- 行为分析
- 自我调节学习
- 眼动追踪技术
背景
- 关注成年人的学习过程。
- 涉及各种参与者群体。
- 使用先进的监测技术。
- 遵守生物伦理法规。
研究目的
- 调查不同成年群体的学习结果。
- 分析眼部固定参数与专业知识的关系。
- 区分有正式学位和无正式学位的学生。
使用的方法
- 行为分析协议。
- 用于监测的眼动追踪设备。
- 用于分析的数据挖掘技术。
- 遵守生物伦理标准。
主要结果
- 观察到学习结果的差异。
- 注意眼部固定参数的变化。
- 对专业知识对学习的影响有见解。
- 正式学位和非正式学位学生的比较。
结论
- 关于成年人学习过程的重要发现。
- 眼动追踪为学习行为提供了宝贵的见解。
- 需要进一步研究来探索这些动态。
常见问题
Executive Industry Relevance
Quantitative behavioral analysis using eye-tracking and data-mining enables objective assessment of cognitive engagement and learning strategies in adult populations. These methods provide actionable insights for optimizing training protocols and personalizing educational interventions in biopharma workforce development. Integrating such analytics at the discovery and training interface supports evidence-based upskilling and knowledge retention across diverse R&D teams.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Supports objective measurement of attention and information processing during scientific training modules.
- Enables identification of knowledge gaps and learning styles among R&D personnel.
- Facilitates data-driven refinement of onboarding and technical education programs.
Screening & Assay Development
- Provides validated behavioral metrics for standardizing training in assay protocols.
- Enables reproducible assessment of user interaction with digital or instrument-based workflows.
- Supports scalable evaluation of training effectiveness across multiple user cohorts.
Translational & Preclinical Research
- Aligns training outcomes with translational research needs by identifying cognitive bottlenecks in protocol comprehension.
- Improves continuity from discovery to preclinical phases through targeted educational interventions.
- Reduces operational risk by ensuring consistent understanding of complex experimental procedures.
Pipeline & Workflow Integration
Eye-tracking and data-mining analytics can be positioned at the interface of workforce training, protocol adoption, and digital workflow optimization in biopharma R&D.
- Discovery Biology: Quantifies attention and learning during scientific content delivery, supporting hypothesis-driven training improvements.
- Screening: Standardizes user engagement metrics for digital assay platforms and protocol walkthroughs.
- Analytics: Delivers quantitative outputs such as fixation duration and cluster-based learning profiles for benchmarking training efficacy.
- Translational Research: Bridges knowledge transfer from discovery to preclinical teams by identifying and addressing learning disparities.
- Enterprise Reuse: Establishes a reusable framework for ongoing workforce development and protocol optimization.
Operational & Enterprise Impact
- Scientific Value: Enhances predictive confidence in workforce readiness and protocol adoption.
- Operational Value: Drives standardization and reproducibility in training and procedural compliance.
- Strategic Value: Informs targeted upskilling, reducing late-stage errors and improving capital efficiency.
- Portfolio Impact: Supports risk-adjusted advancement of teams and projects through data-driven training insights.
Implementation Considerations
- Requires expertise in behavioral analytics, eye-tracking instrumentation, and statistical data-mining.
- Needs integration with digital learning platforms and secure data infrastructure.
- Demands cross-team standardization of training content and assessment metrics.
- Adaptation may be needed for different scientific domains and user backgrounds.
- Practical limitations include participant eligibility and the need for controlled testing environments.
