Eye-Tracking-Technologie und Data-Mining-Techniken für eine Verhaltensanalyse von Erwachsenen, die an Lernprozessen beteiligt sind

Wir präsentieren ein Protokoll zur Verhaltensanalyse von 15- bis 70-jährigen Erwachsenen, die in verschiedenen Prozessen tätig sind. Durchführung von Aufgaben, die für das selbstregulierte Lernen zugewiesen werden. Die Teilnehmer, Universitätslehrer und Studenten sowie andere von der University of Experience wurden mit Eye-Tracking-Geräten überwacht und die Daten mit Data-Mining-Techniken analysiert.

Dieses Protokoll wurde in Übereinstimmung mit den Verfahrensvorschriften des Bioethischen Ausschusses der Universität Burgos, Spanien, durchgeführt. Bei dieser Untersuchung wurden zwei Untersuchungsfragen gestellt. Forschungsfrage eins: Wird es signifikante Unterschiede in den Lernergebnissen und in den Okulokationsparametern zwischen Studenten und Experten und nicht-fachlichen Lehrern in Kunstgeschichte geben, wobei Studenten mit offiziellen Abschlüssen im Vergleich zu Studenten mit nicht-offiziellen Abschlüssen, Der Universität für Erfahrung Erwachsenenbildung unterschieden werden?

Und Forschungsfrage zwei: Werden Cluster jedes Teilnehmers mit Lernergebnissen und Ookfixierungsparametern mit der Art der Teilnehmer, Studenten mit offiziellen Abschlüssen, Studenten mit nicht-offiziellen Abschlüssen, Der Universität für Erfahrung der Erwachsenenbildung und Lehrern übereinstimmen? Teilnehmerrekrutierung. Rekrutieren Sie Teilnehmer aus einer Gruppe von Erwachsenen in zwei Umgebungen, Studenten und Lehrer, mit einem Alter von 18 bis 70 Jahren in der Umgebung der Hochschulbildung, formale und nicht-formale Bildung.

Teilnehmer mit normalem oder korrigiertem Seh- und Hörvermögen einbeziehen. Auszuschließen Teilnehmer mit neurologischen, psychiatrischen und Schlafstörungen, Behinderungen im Zusammenhang mit pädagogischen besonderen Bedürfnissen, Wahrnehmungsschwierigkeiten, Seh- und Hörstörungen und kognitiven Behinderungen. In dieser Studie arbeiteten wir in einer endgültigen Stichprobe belief sich auf 39 Teilnehmer, sechs Studenten von der University of Experience.

Ein Teilnehmer wurde wegen Sehschwierigkeiten in die Kategorie der Studierenden der Universität für Erfahrung ausgeschlossen. 25 Universitätsprofessoren in den Bereichen Gesundheitswissenschaften, Ingenieurwesen, Geschichte und Kulturerbe sowie neun Studenten der Bachelor- und Master-Studiengänge in den Bereichen Gesundheitswissenschaften, Ingenieurwesen sowie Geschichte und Kulturerbe. Datenerhebung, einholen Sie die Einwilligung in Kenntnis der Sachlage.

Informieren Sie vor dem Test jeden Teilnehmer über das Ziel der Studie und die Erhebung, Behandlung und Speicherung seiner Daten. Die Zustimmung jedes Teilnehmers erfolgt durch Unterzeichnung des Einverständnisformulars in Kenntnis der Sachlage. Bevor die Aufgabe beginnt, gibt der Interviewer, ein Experte auf dem Gebiet, einen Fragebogen zu Alter, Geschlecht, Beruf und Vorkenntnissen des Themas weiter.

In diesem Fall der Ursprung und die historische Entwicklung der Klöster in Europa. Experimentelles Verfahren. Kalibrierung. Informieren Sie den Teilnehmer darüber, wie die Eye-Tracking-Technologie funktioniert und wie die Informationen gesammelt, aufgezeichnet und kalibriert werden.

Dem Teilnehmer wird erklärt, dass ein gültiger Schreibtisch eine richtige Positionierung erfordert. Dazu muss der Teilnehmer in einer bestimmten Entfernung sitzen, 45 bis 60 Zentimeter vom Monitor entfernt. Die Entfernung hängt von der Höhe des Teilnehmers ab, niedriger die Höhe, je kürzer die Entfernung.

Der Teilnehmer wird darüber informiert, dass eine Reihe von Punkten auf dem Kardinalpunkt des Bildschirms erscheinen und dass der Teilnehmer jedes Mal, wenn ein Punkt erscheint, ihn mit seinen Augen beobachten muss. Nehmen Sie die Kalibrierungseinstellung. Durchführen der Lernaufgabe.

Erläutern Sie dem Teilnehmer den Inhalt der Aufgabe. Die Lernaufgabe besteht in der Erklärung der Entstehung von Klöstern in Europa. Die Zuordnung wird in einem Video-Voiceover mit SRL-Methodik dargestellt.

Die Informationen werden über auditive und visuelle Kanäle, einschließlich geschriebenem Text und Bildern, präsentiert. Sehen Sie sich den Videoclip an. Ausführen des Kreuzworträtsels auf einer Moodle-basierten virtuellen Plattform.

Datenanalyse. Wählen Sie den Interessenbereich AOI. AOIs werden im Video definiert und in AOIs unterteilt, die relevante Informationen im Vergleich zu AOIs enthalten, die nicht relevante Informationen enthalten.

Extrahieren Sie die Datenbank in Bezug auf die Parameter für AOIs-Fixierungen. Importieren Sie die Datenbank, einschließlich eines Softwarepakets für die statistische Verarbeitung, und wählen Sie die Option Analysieren aus, und dann klassifizieren Sie die Option K-Means Cluster. Wählen Sie dann eine Kreuztabelle im statistischen Softwarepaket aus, z. B. SPSS, gefolgt von der Option ANOVA, um die Unterschiede zwischen dem Teilnehmer zu analysieren.

Führen Sie eine Visualisierungsanalyse der Daten durch. Extrahieren Sie die Daten der Parameter detaillierter Statistiken und machen Sie die statistische Analyse. Personalisierte Lernvorschläge.

Führen Sie ein Interventionsprogramm durch, um die Lernergebnisse der Teilnehmer zu verbessern, die in der Clusteranalyse aufgrund ihrer niedrigeren Punktzahlen erkannt wurden. Repräsentative Ergebnisse. 36 Teilnehmer, die für die vorliegende Studie rekrutiert wurden, stammten aus drei Gruppen erwachsener Studierender der University of Experience, Universitätsprofessoren sowie Bachelor- und Master-Studenten im Alter zwischen 22 und 69 Jahren.

Das Protokoll wurde über 20 Monate an der Universität Burgos getestet. Die Blickpositionsparameter der Fixierung wurden analysiert. Die Gruppe der Männer und Frauen in jeder der teilnehmenden Gruppe, Studentder der University of Experience, Hochschullehrerin und Hochschul- und Masterstudierende, erledigte die Aufgabe auf unterschiedliche Weise.

Es wurden keine signifikanten Unterschiede in einem der Fixierungsparameter festgestellt, aber es wurde ein Trend zu Unterschieden für die fixierte durchschnittliche Pupillengröße Y, fixiert und der durchschnittliche Pupillendurchmesser und die Fixationsdispersion X festgestellt, wenn auch mit niedrigen Effektwerten. Dann wurden die wichtigsten Mittelcluster angewendet, um zu untersuchen, ob es in der ersten Forschungsgruppe unterschiedliche Gruppierungen gab, in Bezug auf die Ergebnisse in den Parametern Fixierungsposition, Vorkenntnisse und Kreuzworträtselergebnisse. Es wurden drei Cluster gefunden.

Außerdem wurde eine Gruppentabelle zwischen den Werten des Clusters einer Gruppenmitgliedschaft erstellt, die jedem Teilnehmer in Bezug auf den Kategorietyp Teilnehmer, Student der Universität der Experience, Universitätsprofessoren und Universitätsstudenten zugewiesen wurden. Jede zeigt die Position der Teilnehmer innerhalb des Clusters in Bezug auf die drei Gruppen für die Fixierungspositionsparameter. Signifikante Unterschiede wurden je nach Hintergrundwissen gefunden, variabel in Diversion Dauer 1.

Analysieren der Eingabe-, Duell- und Ausgabezeit für jeden Stimulus, der in jeden AOI eingefügt wird. Daraus kann geschlossen werden, dass die Art und Weise, wie in die verschiedenen AOIs eingegeben, verbleiben und beendet werden kann, je nach variabler Teilnehmergruppe in der Anfangsphase des Informationszugriffs unterschiedlich war. Unterschiede wurden auch in den Parametern für die durchschnittliche Fixierungsdauer gefunden.

Längere Fixierungen beziehen sich darauf, dass die Teilnehmer mehr Zeit damit verbringen, den Informationsinhalt innerhalb der verschiedenen AOIs zu analysieren und zu interpretieren. Bonferroni bedeutet, dass ein anderer Test angewendet wurde, um gruppenzugehörigkeit zu etablieren, mit dem festgestellt wurde, dass sie zwischen der Gruppe University of Experience Studenten und der Gruppe von Universitätsprofessoren waren. Die Mittel waren höher als in der Gruppe eins, studenten der University of Experience, wo die Teilnehmer während der Dateneingabephase mehr Zeit mit der Analyse und Interpretation der AOIs verbringen.

Basierend auf dem Ergebnis dieser Studie wurde die Entwicklung eines personalisierten Lernprogramms vorgeschlagen, um lernergebnisse bei der Aufgabenauflösung zu verbessern. In dieser Studie wird sich das Programm auf die Verstärkung des im Video erarbeiteten Konzepts konzentrieren, für das eine Erweiterung und Spezifikation der Konzepte vorgenommen wird. Die bei dieser Datenanalyse erzielten Ergebnisse geben dem Lehrer Informationen, um die Darstellung der Aufgabe und sogar die Eigenschaften jedes Lernenden oder jeder Gruppe von Lernenden anzupassen. Schlussfolgerungen.

Die Darstellung von Informationen in der Weise, durch sie verwenden Informationskanal, auditiv, visuell oder beides. Mit SRL-Aktivität, die Methodik, zusammen mit dem Einsatz einer Tracking-Technologie und Machine Learning-Technik. Es ist entscheidend, um zu verstehen, wie Lernen Informationen verarbeitet, und um in die Lage zu sein, ein personalisiertes Lerndesign entsprechend den pädagogischen Bedürfnissen für jeden so Förderung der Entwicklung bewertet für das Lernen.