Name: Évaluer les multiples dimensions de lengagement à caractériser lapprentissage: une perspective neurophysiologique (Vidéo) | JoVE Journal
Uploaded: 2015-07-01T15:00:00.000+00:00
Duration: 13 min 57 s
Description: Découvrez comment synchroniser les données comportementales, émotionnelles et cognitives pour caractériser l'engagement des apprenants. Cette méthode neurophysiologique intègre l'eye tracking, l'EEG et la mesure de l'activité électrodermique.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Les auteurs remercient le Conseil de recherches en sciences humaines du Canada (CRSH), le Conseil de recherches en sciences naturelles et en génie du Canada (CRSNG), le Fonds de Recherche Nature et Technologies du Québec (FQRNT) et le Fonds de Recherche sur la Société et Culture du Québec (FQRSC).

Ce protocole a reçu un certificat d&#39;éthique du Comité institutionnel de la recherche Avec des Êtres Humains (CIER) de l&#39;Université du Québec à Montréal (UQAM) qui a été approuvé par HEC-Montréal pour le centre de recherche de Tech3Lab. Le protocole décrit chacune des étapes spécifiques qui sont effectuées dans notre environnement de laboratoire et des équipements. Bien que les chemins de logiciels précises sont fournies pour clarifier la méthodologie, cette technique est transférable et peut être reproduit avec d&#39;autres eye-tracking propriétaire, la reconnaissance automatique de visage émotion, l&#39;activité électrodermale et l&#39;équipement de l&#39;électroencéphalographie et de logiciels. 1. Configuration de l&#39;Environnement Lab <ol><li> Allumez le oculomètre, l&#39;amplificateur d&#39;EEG, les quatre ordinateurs d&#39;enregistrement et les haut-parleurs. </li><li> Préparer l&#39;installation de l&#39;équipement d&#39;enregistrement: <ol><li> Préparer la configuration EEG avec matériel requis selon la recomme du fabricantDEMVSO procédures. Préparer le logiciel EEG pour le participant à venir. Démarrez le logiciel eye-tracking et de créer un nouveau profil de participant dans le logiciel. Démarrez le logiciel d&#39;enregistrement vidéo et les caméras. </li><li> Démarrez le logiciel de synchronisation avec le sous-programme spécifique créé pour le projet avec des marqueurs à 60 sec. Démarrez le logiciel de mesure physiologique (pour enregistrer l&#39;activité électrodermale) et ouvrir la disposition spécifique créé pour le projet. Ajustez la chaise du participant au plus haut niveau. </li></ol></li></ol> 2. Préparation Participant <ol><li> Demandez au participant de lire et de signer le formulaire de consentement éthique. </li><li> Effectuer des mesures du crâne pour EEG: <ol><li> Trouver l&#39;emplacement Cz sur la tête du participant (selon 10 - 20 systèmes de référence). Immerger le filet de l&#39;EEG dans la solution saline (chlorure de potassium) (voir l&#39;étape 1.2.1) et commencer une minuterie (10 min) en conformité avec les normes du fabricant. &lt;/ Li&gt; </ol></li><li> Lire l&#39;objectif de l&#39;étude et les étapes de l&#39;expérience pour le participant &quot;, est l&#39;objectif de cette étude pour observer l&#39;activité de votre cerveau pendant que vous répondez à des problèmes de physique. Nous allons d&#39;abord installer les capteurs, alors vous serez invité à résoudre 10 problèmes de la physique newtonienne sur l&#39;ordinateur. Nous allons vous demander de prendre une pause de 45 secondes après chaque problème avec vos yeux fermés. Après chaque problème, vous serez invité à voter pour votre évaluation du problème &quot;. </li><li> Informer le sujet que la durée totale de l&#39;essai sera 90 min. </li><li> Installez les capteurs physiologiques, selon les recommandations du fabricant: deux capteurs gélifiées sur le dessus de la main gauche. </li><li> Installez le bouchon EEG, selon les recommandations du fabricant et effectuer un contrôle d&#39;impédance avec un seuil à 40 kQ (selon les spécifications du fabricant). </li></ol> 3. Collecte de données <ol><li> Assurez-vous que tous les logiciels d&#39;enregistrement est prêt à être lancé en synchronie: <ol><li> Physiologie (données EDA): Cliquez sur le bouton &quot;start&quot;. </li><li> Enregistrement vidéo: Cliquez sur le bouton &quot;ouvert&quot;. </li><li> Eye-tracking: Cliquez sur le bouton «en attente». </li><li> EEG: Cliquez sur le bouton &quot;enregistrement&quot;. </li><li> Le logiciel de synchronisation: Cliquez sur le bouton &quot;cercle vert&quot;. </li></ol></li><li> Regard des yeux étalonnage: <ol><li> Effectuez un étalonnage à l&#39;écran cinq points et d&#39;observer le participant pendant qu&#39;il / elle suit les points rouges (cliquez sur «Outils / Paramètres / Calibration ...&quot;). Répétez cette procédure jusqu&#39;à ce que suffisamment de précision est atteint, selon les normes du fabricant. </li></ol></li><li> instructions de la tâche de projeter sur l&#39;écran du participant: demander si il / elle a des questions après leur lecture, et si il / elle est prêt à commencer l&#39;expérience. </li><li> Demandez au participant de résoudre 10 p newtoniennehysics problèmes. </li><li> Si nécessaire, effectuer un contrôle d&#39;impédance pendant une des pauses de 45 s (pas avant problème 5). </li><li> Assurez-vous que le participant prend une pause de la pleine 45 avant chaque problème (pour déterminer la ligne de base). </li></ol> 4. Fin de la collecte des données <ol><li> Arrêtez l&#39;acquisition de données sur tous les ordinateurs et retirer les capteurs du participant. </li></ol> 5. Après le participant a quitté <ol><li> Nettoyez le bouchon avec un germicide EEG et ranger l&#39;équipement, selon les recommandations du fabricant. Enregistrez tous les fichiers de données collectées et créer une sauvegarde sur le serveur FTP. </li><li> Remplir la feuille de participant: noter tout événement ou problème particulier lors de la collecte des données. Effacer tous les cookies du navigateur. </li></ol> 6. Les données de pré-traitement et d&#39;exportation à l&#39;intégration logicielle <ol start="1"><li> EEG <ol><li> Importer des données EEG EEG dans les logiciels d&#39;analyse de données: <ol><li> Créez trois dossiers vides sur l&#39;ordinateur nommé &quot;données brutes&quot;, &quot;Histoire&quot; et &quot;Exporter&quot; pour coller les données EEG brutes dans le fichier de données brutes nouvellement créé. </li><li> Dans le logiciel d&#39;analyse des données de l&#39;EEG, cliquez sur &quot;Fichier / Nouveau projet ...&quot; et choisissez l&#39;emplacement de données brutes en cliquant sur Parcourir, puis en sélectionnant le fichier de données brutes nouvellement créé. Choisissez l&#39;emplacement de l &#39;&quot;Histoire&quot; et les dossiers «exportation» de la même manière. </li><li> Cliquez sur &quot;OK&quot;. (La fenêtre doit contenir toutes les données EEG du participant). </li></ol></li><li> Pré-processus le signal du cerveau: <ol><li> Appliquer un filtre et une encoche (cliquez sur &quot;Transformations / filtres RII ...&quot;). Dans la fenêtre, activez le seuil de faible à 1,5 Hz avec une pente de 12 dB et la grande coupure à 50 Hz avec une pente de 12 dB. Activez également une encoche à une fréquence de 60 Hz. </li><li> Parce que un amplificateur DC est utilisé, DC detrend le signal (Cliquez sur &quot;Transformations / DC Detrend ... »et permettre« basé sur le temps &quot;à 100 ms avant le marqueur et 100 msec avant connexion DC). </li><li> Effectuer une inspection de données brutes (Cliquez sur &quot;/ Raw inspection des données de transformation ...&quot; et sélectionnez le retrait semi-automatique artefact). Sélectionnez les suivantes: tension maximale de 60 mV / ms; Max-min: 200 mV à 200 ms d&#39;intervalle; amplitude: de -400 à 400 mV). </li><li> Effectuer une ICA automatique avec sphérisation classique pour l&#39;enlèvement de clignement des yeux (artefacts myographiques ne doivent pas être supprimée car leur gamme est en dehors des fréquences d&#39;intérêt). (Cliquez sur &quot;Transformations / ICA ...&quot;. A la fin de l&#39;ICA, le processus de l&#39;ICA inverse.) </li><li> Re-référence (&quot;Transformations / Re-référence ...&quot;) le signal et sélectionnez &quot;moyenne commune&quot;. </li><li> Export (cliquez sur &quot;Exporter / Generic Data Export ...&quot;) le signal et les marqueurs au format texte (Sélectionnez le &quot;.vhdr&quot;; encadré) pour une construction Matlab éventuelle de l&#39;indice d&#39;engagement. Sélectionnez également le «fichier d&#39;entête Write&quot; et des boîtes &quot;de fichiers marqueur Write&quot;. </li></ol></li><li> Importez le signal dans Matlab. <ol><li> Lancer Matlab et tapez &quot;EEGLAB&quot; si l&#39;interface graphique de EEGLAB apparaît et l&#39;importation des données pour un participant à la fois. Dans l&#39;interface graphique, sélectionnez le menu item &quot;Fichier / Importer des données / Utilisation des fonctions de EEGLAB et plugins / De Cerveau Vis Rec .vhdr fichier&quot;. </li><li> Dans la fenêtre de commande, coller un script 16 qui génère un indice d&#39;engagement. NOTE: Le script engagement cognitif est calculé par la moyenne de chaque / (Alpha + Theta) ratio de Beta dans un temps T. fenêtre coulissante 20 secondes précédant Cette procédure est répétée à chaque seconde et une nouvelle fenêtre coulissante est utilisée pour mettre à jour l&#39;index. </li></ol></li><li> Dans MS Excel, ouvrez le fichier texte de l&#39;indice d&#39;engagement qui est généré à la fin du script par Matlab et appliquer un z-score normalisation sur les données EEG à permettre une comparaison interindividuelle. (Pour chaque valeur, calculer cette formule dans Excel: Z = (valeur - moyenne globale) / écart-type global.) </li><li> Enregistrez le signal d&#39;indice d&#39;engagement z-score dans un fichier CSV dans MS Excel. (Cliquez sur Fichier / Enregistrer sous ... et sélectionnez CSV dans le type de format.) </li><li> Répétez la procédure (de l&#39;étape 6.1.2.2.) Pour chaque participant. </li></ol></li><li> Physiologie: <ol><li> Importer des données de CAO en physiologique logiciel d&#39;analyse de données. </li><li> Appliquer ces paramètres de pré-traiter le signal physiologique: <ol><li> Appliquer une transformation logarithmique pour normaliser la distribution de la conductance comme par 23 la méthode de Venables et Christie. </li><li> Plat du signal sur une fenêtre de 24 sec 10 coulissant. </li></ol></li><li> Dans le logiciel physiologique, calculer une normalisation z-score sur les données de CAO pour permettre la comparaison interindividuelle. (Z = (valeur - moyenne globale) / écart-type global). <ol><li> Mettez en surbrillance toutes les données avec le curseur du canal EDA. </li><li> Dans le menu principal, sélectionnez le canal EDA, et sélectionnez &quot;moyenne&quot; pour obtenir la valeur moyenne de la chaîne globale. Également sélectionner le canal EDA et &quot;stddev&quot; pour obtenir la valeur de l&#39;écart type de la chaîne globale. </li><li> Pour calculer l&#39;équation z-score, cliquez sur &quot;Transformation / Waveform Math ...&quot; et sélectionnez le canal EDA dans la source 1. Sélectionnez &quot;-&quot; (moins) dans la fenêtre d&#39;opération mathématique et sélectionnez K dans la source 2. Sélectionnez &quot;Nouvelle destination&quot; dans le menu de destination et entrez la valeur moyenne du canal EDA (voir l&#39;étape 6.2.3.2). Sélectionnez &quot;Transform vague entière&quot;, cliquez sur OK et cliquez sur &quot;Transformation / Waveform Math ...&quot;. Sélectionnez le canal EDA-K dans la source 1, sélectionner &quot;/&quot; (fracture) dans la fenêtre d&#39;opération mathématique, sélectionnez K dans la source 2, sélectionnez &quot;Nouvelle destination&quot; à destination et enter la valeur de l&#39;écart type du canal EDA (étape 6.2.3.2). Sélectionnez &quot;Transform vague entière&quot; et cliquez sur OK. </li></ol></li><li> Exporter le signal (l&#39;éveil) dans un fichier CSV. (Cliquez sur Fichier / Enregistrer sous ... et sélectionnez CSV dans le type de format.) </li></ol></li><li> Automatique de reconnaissance faciale de l&#39;émotion: <ol><li> Importation de données vidéo de l&#39;enregistreur multimédia dans le logiciel de reconnaissance faciale automatique de l&#39;émotion. (Cliquez sur &quot;Fichier / Nouveau ... / participants ...&quot;. Après la sélection d&#39;un nouveau participant dans le menu de projet en cliquant dessus, cliquez sur &quot;Fichier / Nouveau / Analyse / Vidéo ...&quot;. Cliquez sur la loupe à côté d&#39;Analyse 1 et choisir le désiré fichier vidéo. <ol><li> Sélectionnez une analyse hors-ligne pour &quot;chaque troisième cadre&quot; et activer &quot;étalonnage continu&quot;. </li><li> Exporter des données de valence dans un fichier CSV. (Cliquez sur &quot;Options / Paramètres / Logging ...&quot;, cochez la case &quot;Ecrire la valeur de valence dans le fichier de log&quot; boîte. Cliquez sur &quot;Fichier /Exporter ... &quot;, choisissez l&#39;emplacement où les fichiers journaux seront exportés, et cochez la case&quot; Enregistrer détaillée &quot;boîte de journal.) </li><li> Ouvrez le fichier CSV dans MS Excel. Copiez la colonne de données de valence dans une seule colonne de logiciel SPSS. Cliquez sur &quot;Analyse / Statistiques / Descriptives Descriptives&quot; et sélectionnez le nom de la variable juste collé. Cochez la case &quot;Enregistrer les valeurs standardisées dans des variables&quot;. Une colonne avec un z-score apparaîtra. Copiez-collez ces z-scores sur les anciennes données dans le fichier Excel. </li></ol></li><li> Enregistrez le fichier Excel avec les z-scores du signal (valence) au format CSV. </li></ol></li></ol> 7. Intégration et synchronisation des données <ol start="1"><li> Dans le logiciel d&#39;analyse comportementale: <ol><li> Vidéos de eye-tracking importation (engagement comportemental). (Cliquez sur &quot;Fichier / Importer / Vidéo dans une nouvelle observation ...&quot;. Nommez la nouvelle observation et choisir le fichier vidéo désiré.) </li><li> Code de chaque vidéo avec pertinentportements et événements contextuels (marqueurs de temps, des réponses vrai / faux). </li><li> Importer toutes les données externes avec l&#39;en-tête approprié: z-score de signal EEG (de l&#39;engagement cognitif), z-score de signaux EDA (de l&#39;engagement émotionnel), z-score de données de valence (de l&#39;engagement émotionnel). (Cliquez sur &quot;Fichier / Importer / données externes ...&quot;. Sélectionnez le type de fichier approprié et sélectionnez le bon fichier CSV.) </li></ol></li><li> Synchroniser l&#39;heure entre les ordinateurs selon ces formules: <ol><li> Temps oeil regard de temps en EEG = Temps du regard + deuxième marqueur en EEG - premier marqueur dans le regard des yeux. </li><li> Temps dans le regard des yeux de temps en reconnaissance de l&#39;émotion faciale = Temps du regard + premier marqueur dans l&#39;émotion faciale - premier marqueur dans le regard des yeux. </li><li> Temps oeil regard de temps dans l&#39;activité électrodermale = Temps du regard + premier marqueur de l&#39;activité électrodermale - premier marqueur dans le regard des yeux. </li></ol></li><li> Entrez les données de correction en appuyant sur &quot;Ctrl + Maj + =221 ;, pour ouvrir le menu Offset. Sélectionnez &quot;numérique compensé&quot; pour entrer dans le temps en secondes entre chaque paire de sources de données [OK?]), Selon les calculs ci-dessus. </li><li> Générer un rapport selon les variables d&#39;intérêt dans l&#39;étude. <ol><li> Sélectionnez les variables intéressantes qui seront générés dans le rapport (cliquez sur &quot;Analyser / Select Data / Données New Profile ...&quot;). De gauche à droite, faites glisser les variables souhaitées entre la boîte &quot;Démarrer&quot; et la boîte «Résultats», sur la droite. </li><li> Générer le rapport. (Cliquez sur &quot;Analyser / Analyse numérique / Nouveau ...&quot;, cliquez sur &quot;Statistiques&quot; et cochez la case de moyenne dans le menu de données externe. Terminer en cliquant sur &quot;Calculer&quot;.) </li></ol></li><li> Exporter les données dans un logiciel d&#39;analyse statistique et effectuer une analyse selon les objectifs de l&#39;étude. </li></ol>

<ol><li>Fredricks, J. A., Blumenfeld, P. C., Paris, A. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((School+engagement%3A+Potential+of+the+concept%2C+state+of+the+evidence%5BTitle%5D)+AND+%22Rev.+Educ.+Res%22%5BJournal%5D)">School engagement: Potential of the concept, state of the evidence.</a> Rev. Educ. Res. 74 (1), 59-109 (2004).</li>
<li>Clark, R. C., Mayer, R. E. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aClark%2C+RC+%22E-learning+and+the+Science+of+Instruction%22">E-learning and the Science of Instruction</a>. , Pfeiffer. San Francisco. (2011).</li>
<li>Zhang, D., Zhou, L., Briggs, R. O., Nunamaker, J. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Instructional+video+in+e-learning%3A+Assessing+the+impact+of+interactive+video+on+learning+effectiveness%5BTitle%5D)+AND+%22Inform.+Manage%22%5BJournal%5D)">Instructional video in e-learning: Assessing the impact of interactive video on learning effectiveness.</a> Inform. Manage. 43 (1), 15-27 (2006).</li>
<li>Freeman, F. G., Mikulka, P. J., Prinzel, L. J., Scerbo, M. W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Evaluation+of+an+adaptive+automation+system+using+three+EEG+indices+with+a+visual+tracking+task%5BTitle%5D)+AND+%22Biol.+Psychol%22%5BJournal%5D)">Evaluation of an adaptive automation system using three EEG indices with a visual tracking task.</a> Biol. Psychol. 50, 61-76 (1999).</li>
<li>Glimcher, P., Rustichini, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Neuroeconomics%3A+The+consilience+of+brain+and+decision%5BTitle%5D)+AND+%22Science%22%5BJournal%5D)">Neuroeconomics: The consilience of brain and decision.</a> Science. 306 (5695), 447-452 (2004).</li>
<li>Lieberman, M. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Social+Cognitive+neuroscience%3A+A+review+of+core+processes%5BTitle%5D)+AND+%22Annu.+Rev.+Physiol%22%5BJournal%5D)">Social Cognitive neuroscience: A review of core processes.</a> Annu. Rev. Physiol. 58, 259-289 (2007).</li>
<li>Pope, A. T., Bogart, E. H., Bartolome, D. S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Biocybernetic+system+evaluates+indices+of+operator+engagement+in+automated+task%5BTitle%5D)+AND+%22Biol.+Psychol%22%5BJournal%5D)">Biocybernetic system evaluates indices of operator engagement in automated task.</a> Biol. Psychol. 40 (1-2), 187-195 (1995).</li>
<li>Physiological indicators for the evaluation of co-located collaborative play. Mandryk, R., Inkpen, K. CSCW '04 Proceedings of the 2004 ACM conference on Computer supported cooperative work, 2004 Nov 6-10, Chicago, IL, USA, , (2004).</li>
<li>Allaire-Duquette, G., Charland, P., Riopel, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((At+the+very+root+of+the+development+of+interest%3A+Using+human+body+contexts+to+improve+women%E2%80%99s+emotional+engagement+in+introductory+physics%5BTitle%5D)+AND+%22Eur.+J.+Phy.+Ed%22%5BJournal%5D)">At the very root of the development of interest: Using human body contexts to improve women’s emotional engagement in introductory physics.</a> Eur. J. Phy. Ed. 5 (2), 31-48 (2014).</li>
<li>Bradley, M. M., Lang, P. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Measuring+emotion%3A+The+self-assessment+manikin+and+the+semantic+differential%5BTitle%5D)+AND+%22J.+Behav.+Ther.+Exp.+Psy%22%5BJournal%5D)">Measuring emotion: The self-assessment manikin and the semantic differential.</a> J. Behav. Ther. Exp. Psy. 25 (1), 49-59 (1994).</li>
<li>Lang, P. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+emotion+probe%3A+Studies+of+motivation+and+attention%5BTitle%5D)+AND+%22Am.+Psychol%22%5BJournal%5D)">The emotion probe: Studies of motivation and attention.</a> Am. Psychol. 50 (5), 372-385 (1995).</li>
<li>Ekman, P., Felt Friesen, W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((false%2C+and+miserable+smiles%5BTitle%5D)+AND+%22J.+Nonverbal+Behav%22%5BJournal%5D)">false, and miserable smiles.</a> J. Nonverbal Behav. 6 (4), 238-252 (1982).</li>
<li>Advances in face and gesture analysis. Van Kuilenburg, H., Den Uyl, M. J., Israël, M. L., Ivan, P. Proceedings of Measuring Behavior 2008, 2008 Aug 26-29, Maastricht, The Netherlands, , 371-372 (2008).</li>
<li>Cacioppo, J., Tassinary, L. G., Berntson, G. G. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aCacioppo%2C+J+%22Handbook+of+Psychophysiology%22">Handbook of Psychophysiology</a>. , Cambridge University Press. Cambridge, UK. (2007).</li>
<li>Lubar, J. F., Swartwood, M. O., Swartwood, J. N., O’Donnell, P. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Evaluation+of+the+effectiveness+of+EEG+neurofeedback+training+for+ADHD+in+a+clinical+setting+as+measured+by+changes+in+T.O.V.A.+scores%2C+behavioral+ratings%2C+and+WISC+R+performance%5BTitle%5D)+AND+%22Biofeedback+Self-reg%22%5BJournal%5D)">Evaluation of the effectiveness of EEG neurofeedback training for ADHD in a clinical setting as measured by changes in T.O.V.A. scores, behavioral ratings, and WISC R performance.</a> Biofeedback Self-reg. 20 (1), (1995).</li>
<li>Mikulka, P. J., Freeman, F. G., Scerbo, M. W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Effects+of+a+biocybernetic+system+on+the+vigilance+decrement%5BTitle%5D)+AND+%22Hum.+factors%22%5BJournal%5D)">Effects of a biocybernetic system on the vigilance decrement.</a> Hum. factors. 44 (4), 654-664 (2002).</li>
<li>Freeman, F. G., Mikulka, P. J., Scerbo, M. W., Scott, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((An+evaluation+of+an+adaptive+automation+system+using+a+cognitive+vigilance+task%5BTitle%5D)+AND+%22Biol.+Psychol%22%5BJournal%5D)">An evaluation of an adaptive automation system using a cognitive vigilance task.</a> Biol. Psychol. 67 (3), 283-297 (2004).</li>
<li>Chaouachi, M., Chalfoun, P., Jraidi, I., Frasson, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Affect+and+mental+engagement%3A+Toward+adaptability+for+intelligent+systems%5BTitle%5D)+AND+%22Proceedings+of+the+Twenty-Third+International+Florida+Artificial+Intelligence+Research+Society+Conference+%28FLAIRS+2010%29%2C+Association+for+the+Advancement+of+Artificial+Intelligence%22%5BJournal%5D)">Affect and mental engagement: Toward adaptability for intelligent systems.</a> Proceedings of the Twenty-Third International Florida Artificial Intelligence Research Society Conference (FLAIRS 2010), Association for the Advancement of Artificial Intelligence. , 355-360 (2010).</li>
<li>Courtemanche, F., Ortiz de Guinea, A., Titah, R., Fredette, M., Labonté-LeMoyne, É <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Precision+is+in+the+eye+of+the+beholder%3A+Application+of+eye+fixation-related+potentials+to+information+systems+research%5BTitle%5D)+AND+%22J.+Assoc.+Inf.+Syst%22%5BJournal%5D)">Precision is in the eye of the beholder: Application of eye fixation-related potentials to information systems research.</a> J. Assoc. Inf. Syst. 15 (10), 651-678 (2014).</li>
<li>Courtemanche, F., Ortiz de Guinea, A., Titah, R., Fredette, M., Labonté-Lemoyne, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Applying+eye+fixation-related+potentials+to+information+systems+research%3A+Demonstration+of+the+method+during+natural+IS+use+and+guidelines+for+research%5BTitle%5D)+AND+%22J.+Assoc.+Inf.+Syst%22%5BJournal%5D)">Applying eye fixation-related potentials to information systems research: Demonstration of the method during natural IS use and guidelines for research.</a> J. Assoc. Inf. Syst. 15 (10), (2014).</li>
<li>Courtemanche, F. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=%22Un+outil+d%E2%80%99%C3%A9valuation+neurocognitive+des+interactions+humain-machine+Doctoral%22">Un outil d’évaluation neurocognitive des interactions humain-machine Doctoral thesis</a>. , Université de Montréal. Montreal, QC. (2014).</li>
<li>Assessing multiple dimensions of learner engagement during science problem solving using psychophysiological and behavioral measures. Charland, P., Léger, P. M., Mercier, J., Skelling-Desmeules, Y. Fourth Scientific International Symposium of the Association for Research in Neuroeducation, Caen, France, , (2014).</li>
<li>Venables, P. H., Christie, M. J. Electrodermal activity. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aVenables%2C+PH+%22Techniques+in+Psychophysiology%22">Techniques in Psychophysiology</a>. Martin, I., Venables, P. , Wiley. Chichester, UK. 3-67 (1980).</li>
<li><a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=%22Electrodermal+Activity%22">Electrodermal Activity</a>. Boucsein, W. , 2nd ed, Springer. New York. (2012).</li>
<li>Sarlo, M., Palomba, D., Buodo, G. M., Minghetti, R., Stegagno, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Blood+pressure+changes+highlight+gender+differences+in+emotional+reactivity+to+arousing+pictures%5BTitle%5D)+AND+%22Biol.+Psychol%22%5BJournal%5D)">Blood pressure changes highlight gender differences in emotional reactivity to arousing pictures.</a> Biol. Psychol. 70 (3), 188-196 (2005).</li>
<li>Martens, R. L., Gulikers, J., Bastiaens, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+impact+of+intrinsic+motivation+on+e-learning+in+authentic+computer+tasks%5BTitle%5D)+AND+%22J.+Comput.+Assist.+Lear%22%5BJournal%5D)">The impact of intrinsic motivation on e-learning in authentic computer tasks.</a> J. Comput. Assist. Lear. 20 (5), 368-376 (2004).</li>
</ol>

Les auteurs n’ont rien à divulguer.

En termes d&#39;étapes critiques dans le protocole, il convient d&#39;abord de souligner que la qualité des données est toujours l&#39;objectif principal pour les techniques de collecte neurophysiologiques. Dans cette méthodologie, les assistants de recherche doivent porter une attention particulière à instruire les sujets afin de minimiser les mouvements de tête qui va interférer avec la surveillance de valence (perdre angle de la face correcte pour la caméra) ou générer des artefacts myographiques de l&#39;EEG. D&#39;...

Engagement joue un rôle crucial dans l&#39;apprentissage. Pour Clark et Mayer 2, &quot;tout apprentissage nécessite l&#39;engagement,&quot; indépendamment des médias de livraison. Zhang et al. 3 a également suggéré que l&#39;augmentation de l&#39;engagement des élèves peut améliorer les résultats d&#39;apprentissage, comme la résolution de problèmes et la pensée critique. Définition de l&#39;engagement reste un défi. Dans leur revue de la littérature, Fredricks, Blumenfeld et Paris 1 définis engagement par sa nature multiforme: &quot;l&#39;engagement du comportement se fonde sur l&#39;idée de la participation; il comprend la participation à des activités scolaires et sociales ou parascolaires. (...) L&#39;engagement émotionnel englobe réactions positives et négatives aux enseignants, camarades de classe, des universitaires, et l&#39;école et est présumé pour créer des liens avec un objet et l&#39;influence volonté de faire le travail. Enfin, engagement cognitif se fonde sur l&#39;idée de l&#39;investissement mentale; il intègre la prévenance et la volonté d&#39;exercer l&#39;effort ncasaire de comprendre des idées complexes et des compétences difficiles maîtres &quot;. Fredricks, Blumenfeld et Paris 1 ont également affirmé que l&#39;accent mis sur le comportement, les émotions et la cognition, de la notion d&#39;engagement, peut fournir une caractérisation plus riche de l&#39;apprentissage. Ces auteurs ont souligné que un corps robuste de recherche aborde chaque composante de l&#39;engagement séparément, mais ces composants avaient pas été étudiés conjointement. Ils ont également observé que peu d&#39;information est disponible sur les interactions entre les dimensions et que d&#39;autres études pourraient contribuer à la planification des interventions d&#39;enseignement finement réglé. Comme une étape dans cette direction, le présent document décrit une méthode de recherche qui a été développé pour recueillir et analyser des données quantitatives et qualitatives, synchrone, sur l&#39;engagement comportemental, affectif et cognitif pendant les tâches d&#39;apprentissage. Apporter les neurosciences dans l&#39;éducation BehavIOR, et un engagement conséquent de comportement, a longtemps été le point central des études dans l&#39;enseignement: des modèles de recherche ont porté principalement sur l&#39;évolution des connaissances et des comportements qui se produisent sur de longues périodes de temps, entre-tests pré et post, et sur des intervalles d&#39;heures, semaines , des mois ou des années. Discrimination entre l&#39;engagement comportemental, émotionnel et cognitif reste un défi parce que les deux dernières dimensions ne sont pas systématiquement observable de l&#39;extérieur. Cognition et les émotions doivent soit être déduites des observations ou évalués par des mesures d&#39;auto-évaluation. D&#39;un point de vue extérieur, il reste difficile de déterminer si les élèves essaient de faire leur travail aussi rapidement que possible ou en utilisant des stratégies d&#39;apprentissage à un niveau profond de maîtriser un contenu spécifique. En fait, Fredricks, Blumenfeld et Paris 1 ont été incapables de trouver des études publiées à l&#39;aide, des mesures objectives directs d&#39;engagement cognitif. Les récents développements technologiques dansle domaine des neurosciences ont créé de nouvelles possibilités pour la recherche en éducation. De nouvelles méthodes de collecte de données et des algorithmes d&#39;analyse développés dans le domaine de l&#39;ergonomie neuro semblent très prometteurs pour les études qualitatives et quantitatives au cours de tâches d&#39;apprentissage. D&#39;autres disciplines, telles que l&#39;économie, la psychologie, le marketing et l&#39;ergonomie, ont eu recours à des mesures neurophysiologiques pour évaluer engagement cognitif pendant un certain temps 4-8. Mesures neurophysiologiques, couplés avec des algorithmes d&#39;analyse efficaces, permettent d&#39;étudier un phénomène sans le déranger. De par leur nature, les questionnaires d&#39;autoévaluation se désengagent des étudiants de l&#39;apprentissage. Mesures neurophysiologiques permettent modèles de recherche à effectuer dans des environnements d&#39;apprentissage plus authentiques. Ces outils comprennent des équipements pour surveiller le rythme cardiaque, le rythme respiratoire, la tension artérielle, la température corporelle, diamètre de la pupille, l&#39;activité électrodermale, l&#39;électroencéphalographie (EEG), etc. <strong&gt; Rassemblement données synchronisées sur comportementaux, émotionnels et cognitifs de fiançailles Comme résultats représentatifs après l&#39;utilisation de ce protocole, le présent document présentera les résultats partiels d&#39;une étude dans laquelle les apprenants ont à résoudre, sur un écran d&#39;ordinateur, dix problèmes en physique mécanique. Ces problèmes ont été développées dans les travaux précédents 9. Données neurophysiologiques ont été recueillies alors que les apprenants ont été résoudre les problèmes et relaxant pendant la pause de 45, les yeux fermés, après chaque problème. Comme mentionné ci-dessus, les données de mise en prise consistent en des interactions de comportement de logiciels (mouvements de la souris et les clics), le regard de l&#39;oeil, les performances et les réponses aux questions produites par un apprenant interagir avec le système tout en accomplissant une tâche. Un système d&#39;eye-tracking a été utilisé pour recueillir des interactions de logiciels et les données du regard de l&#39;oeil. Les données de performance (temps de résoudre un problème, de l&#39;exactitude des réponses) ont été recueillies sur uneSite web de l&#39;enquête qui a été utilisé pour présenter la tâche. Ce site a également été utilisé pour recueillir des données autodéclarées recueillies par un questionnaire adapté de Bradley et Lang 10. L&#39;engagement émotionnel implique la caractérisation des émotions. Selon Lang 11, les émotions sont caractérisés en termes de valence (agréable / désagréable) et l&#39;éveil (calme / suscité). Données d&#39;engagement affectif ont donc été recueillies, en utilisant un logiciel de reconnaissance faciale automatique de l&#39;émotion qui quantifie valence émotionnelle et une activité codeur / capteur électrodermale de l&#39;excitation 12,13. L&#39;activité électrodermale (AED) se réfère à la résistance électrique enregistrée entre deux électrodes lorsqu&#39;un courant électrique très faible est régulièrement passé entre eux. Cacioppo, Tassinary Berntson et 14 ont montré que la résistance enregistrée varie en fonction de l&#39;excitation de l&#39;objet. Ainsi, les données psychophysiologiques, comme valence ou l&#39;excitation, sont considérés comme des corrélats de l&#39;engagement émotionnel. <pclass = &quot;jove_content&quot;&gt; Enfin, les données d&#39;engagement cognitives sont collectées par l&#39;électroencéphalographie (EEG). mesures de l&#39;EEG, sur le cuir chevelu, la synchronisation de l&#39;activité électrique des groupes de neurones dans le cerveau. Les signaux électriques enregistrés à partir du cuir chevelu sont souvent oscillatoire et composé de composantes de fréquence. Par convention, ces fréquences sont regroupées en séquences, connu sous le nom des bandes. Par exemple, alpha, bêta et thêta bandes sont l&#39;objet de cette étude. Selon des études neuroscientifiques 14, ces bandes reflètent différentes capacités de traitement cognitif dans les zones spécifiques du cerveau. Ainsi, l&#39;analyse de la densité spectrale de puissance (PSD) de fréquences spécifiques, combinée avec de nombreuses études sur la vigilance 7,15 et d&#39;attention, permet aux chercheurs de quantifier engagement cognitif au cours d&#39;une tâche. Comme l&#39;a noté Mikulka et al. 16, la recherche a montré une relation directe entre l&#39;activité bêta et la vigilance cognitive et une relation indirecte entre un alphad activité thêta et la vigilance. Ainsi, le pape, Bogart et Bartoleme 7 développé un indice d&#39;engagement qui calcule le PSD de trois bandes: beta / (alpha + thêta). Ce rapport a été validé dans d&#39;autres études sur l&#39;engagement 16,17,18. Pour caractériser engagement cognitif au fil du temps, une transformée de Fourier rapide (FFT) convertit le signal EEG de chaque site actif (F3, F4, O1, O2) dans un spectre de puissance. L&#39;index EEG de mise en prise à l&#39;instant T est calculé par la moyenne de chaque rapport de mise en prise à l&#39;intérieur d&#39;une fenêtre glissante de 20 secondes précédant l&#39;instant T. Cette procédure est répétée toutes les secondes et une nouvelle fenêtre glissante est utilisée pour mettre à jour l&#39;index. Comme l&#39;objectif de cette méthodologie est de fournir une riche analyse des multiples dimensions de l&#39;engagement, la synchronisation des données est cruciale. Comme Leger et al. 19 rappeler aux lecteurs, les fabricants d&#39;équipements recommandent fortement d&#39;utiliser un seul ordinateur par outil de mesure de garantir leur précision spécifiée level. Ainsi, lorsque plusieurs ordinateurs sont utilisés, la synchronisation entre les ordinateurs d&#39;enregistrement devient une étape critique. Les enregistrements ne peuvent pas tous être commencé à la même heure, et chaque flux de données dispose de son délai précis (par exemple, 0 sec de l&#39;œil sec suivi ≠ 0 de l&#39;EEG ou des données physiologiques). Cela est extrêmement important: la désynchronisation entre les flux de données des erreurs dans le moyen de quantification de chaque dimension de l&#39;engagement. Il ya différentes façons de synchroniser les enregistrements physiologiques et comportementaux concomitants. Ces procédés peuvent être divisés en deux approches principales; directe et indirecte 20. Le protocole présenté dans la section suivante est basée sur une approche indirecte où un dispositif externe, une syncbox, est utilisé pour envoyer transistor-transistor logique (TTL) des signaux à tous les équipements d&#39;enregistrement (comme représenté sur la figure 1). Comme chaque pièce d&#39;équipement a une heure de début différente, les marqueurs de TTL sont enregistrées dans les fichiers journaux avec un parent<html> retard. Les marqueurs sont ensuite utilisés pour réaligner les signaux et ainsi assurer une bonne synchronisation après chaque enregistrement. Un logiciel d&#39;analyse comportementale qui permet l&#39;intégration de fichier externe est utilisé pour re-synchroniser le calendrier de chaque flux de données et d&#39;effectuer une analyse quantitative et qualitative de chaque dimension de l&#39;engagement. <img alt="Figure 1" src="/files/ftp_upload/52627/52627fig1.jpg" /> Figure 1. architecture du système de collecte de données. L&#39;environnement de laboratoire dans lequel comportementale (eye-tracking), émotionnel (EDA et l&#39;émotion du visage) et les données cognitives (EEG) de fiançailles sont collectées contient de nombreux ordinateurs. Cela pose un défi de synchronisation pour les données qui sont référencés sur leurs horloges des ordinateurs respectifs. Pour être en mesure d&#39;analyser toutes les données dans le même temps de référence, la configuration de laboratoire implique un syncbox qui envoie des signaux TTL à tous les flux de données.nk &quot;&gt; S&#39;il vous plaît cliquez ici pour voir une version plus grande de cette figure. Pour évaluer la précision de la méthodologie en termes de synchronisation, 45 pauses sec ont été introduits avant chacun des problèmes de physique mécanique. Pendant ces pauses, les sujets devaient se détendre et à fermer les yeux. Comme on le voit dans d&#39;autres études 4,9,16,17,18, ces pauses devraient induire des variations significatives dans le signal collecté: les deux points de pupille de l&#39;oeil dans (l&#39;engagement comportemental) eye-tracking immédiatement disparaître et une chute immédiate engagement cognitif (EEG le signal) est observée. Ces composants spécifiques du signal sont utilisés pour évaluer la validité générale de la synchronisation. La récente publication de documents qui dépendent totalement ou partiellement sur ​​cette procédure de synchronisation, dans les domaines des systèmes d&#39;information 19, les interactions homme-machine et de l&#39;éducation 21 9, 22, fournit la preuve de son efficacité.

<table><tbody><tr><td>EGI GSN-32&nbsp ;</td><td>EGI</td><td></td><td>Dense array</td></tr><tr><td>EEG Netstation v.5.0</td> Logiciel de collecte de données <td>EGI</td><td></td><td>EEG : L’EEG est collecté à l’aide d’un réseau de capteurs géodésiques d’électroencéphalographie dense (dEEG) à 32 électrodes à l’aide du logiciel d’acquisition Netstation et d’amplificateurs EGI (Electrical Geodesics, Inc). Le vertex (site d’enregistrement Cz) est l’électrode de référence pour l’enregistrement. L’impédance est maintenue en dessous de 50 k&Omega ; avec une fréquence d’échantillonnage de 250 Hz.</td></tr><tr><td>Facereader v.4</td><td>Noldus</td><td></td><td>Logiciel de reconnaissance faciale</td></tr><tr><td>Syncbox</td><td>Noldus Syncbox : Noldus</td><td></td><td>Syncbox démarre le co-enregistrement des données EEG et du regard en envoyant un signal TTL (Transistor-Transistor Logic) à l’amplificateur EGI et un signal de frappe au Tobii Studio v 3.2.</td></tr><tr><td>Logitech C600° ; Webcam</td><td></td><td>960-000396</td><td>Webcam utilisée pour collecter les données vidéo envoyées à mediarecorder et qui seront analysées dans Facereader</td></tr><tr><td>The Observer XT</td><td>Noldus</td><td></td><td>Logiciel d’intégration et de synchronisation : Le Noldus Observer XT (Noldus Information Technology) est utilisé pour synchroniser toutes les données d’engagement comportemental, émotionnel et cognitif.&nbsp ;</td></tr><tr><td>Éclairage LED à l’écran</td><td>Noldus</td><td></td><td>Neon positionné sur l’écran de l’ordinateur afin d’éclairer correctement le visage des sujets</td></tr><tr><td>MediaRecorder</td><td>Noldus</td><td></td><td>Logiciel de collecte de données vidéo</td></tr><tr><td>Tobii 60X</td><td>Tobii</td><td></td><td>Collectez les modèles de mouvements oculaires :&nbsp ; utilisé pour enregistrer les modèles de mouvements oculaires des sujets à 60Hz pendant l’expérience.&nbsp ;</td></tr><tr><td>Tobii Studio v.3.2</td><td>Tobii</td><td></td><td>Logiciel de collecte et d’analyse de données de suivi</td></tr><tr><td>oculaire Analyzer 2</td><td>Brainvision</td><td></td><td>Logiciel de traitement du signal EEG</td></tr><tr><td>Acqknowledge v.4.0</td><td>Biopac</td><td>ACK100M</td><td>Logiciel d’acquisition et de traitement du signal physiologique</td></tr><tr><td>Solution germicide Control III</td><td>Maril Products.</td><td>10002REVA-20002-1</td><td>Solution désinfectante utilisée avec les casques EEG : recommandée par EGI</td></tr><tr><td>Unipark</td><td>QuestBack AG</td><td></td><td>Environnement d’enquête en ligne</td></tr></tbody></table>

Évaluer les multiples dimensions de l&#39;engagement à caractériser l&#39;apprentissage: une perspective neurophysiologique

Assessing the Multiple Dimensions of Engagement to Characterize Learning: A Neurophysiological Perspective

Dans une synthèse théorique récente sur le concept d’engagement, Fredricks, Blumenfeld et Paris1 ont défini l’engagement par ses multiples dimensions : comportementale, émotionnelle et cognitive. Ils ont observé que les types individuels d’engagement n’avaient pas été étudiés en conjonction et que peu d’informations étaient disponibles sur les interactions ou la synergie entre les dimensions ; Par conséquent, davantage d’études contribueraient à créer des interventions pédagogiques finement ciselées. Bénéficiant des récentes avancées technologiques en neurosciences, cet article présente une méthodologie récemment développée pour recueillir et synchroniser des données sur l’engagement multidimensionnel lors des tâches d’apprentissage. La technique implique la collecte (a) d’électroencéphalographie, (b) d’électroderme, (c) de suivi oculaire et (d) de données de reconnaissance des émotions faciales sur quatre ordinateurs différents. Cela entraînait des problèmes de synchronisation pour les données collectées à partir de plusieurs sources. La post-synchronisation dans un logiciel d’intégration spécialisé permet aux chercheurs de mieux comprendre la dynamique entre les multiples dimensions de l’engagement. Pour les concepteurs de programmes d’études, ces données pourraient fournir des lignes directrices éclairées pour améliorer l’efficacité de l’enseignement et de l’apprentissage. Cette technique ouvre également des possibilités dans le domaine des interactions cerveau-ordinateur, où des environnements d’apprentissage adaptatifs ou d’évaluation pourraient être développés.

<html> Les figures 2 et 3 montrent les captures d&#39;écran des résultats de l&#39;intégration et la synchronisation des données d&#39;engagement comportementaux, émotionnels et cognitifs dans un logiciel d&#39;analyse comportementale. Dans les deux figures, la section de gauche organise les sujets de recherche et le système de codage. Dans la partie centrale, une vidéo (avec des points rouges) montre le regard de l&#39;oeil du sujet au cours de la tâche. Engagement comportementale du sujet peut être déd...

Cet article vise à décrire les techniques impliquées dans la collecte et la synchronisation des multiples dimensions (comportementale, affective et cognitive) de l’engagement des apprenants au cours d’une tâche.

In a recent theoretical synthesis on the concept of engagement, Fredricks, Blumenfeld and Paris1 defined engagement by its multiple dimensions: ...

L'objectif général de cette procédure est de recueillir et de synchroniser des données sur l'engagement comportemental, émotionnel et cognitif pendant des tâches d'apprentissage. Cela est réalisé en premier lieu en reliant tous les systèmes de collecte de données à l'aide d'un dispositif de synchronisation qui envoie un marqueur temporel dans les données recueillies. La deuxième étape consiste à collecter des données de suivi oculaire et d'interactions logicielles pour l'engagement comportemental.Ensuite, les données EEG seront recueillies afin de caractériser l'engagement cognitif. La dernière étape consiste à collecter les données d'engagement émotionnel provenant de l'activité électrodermale ou ED pour la mesure de l'activation, et de la reconnaissance automatique des émotions faciales ou A FER afin de générer des données de valence. Enfin, ces indices caractérisant les trois dimensions de l'engagement seront réalignés dans un logiciel de synchronisation, selon les marqueurs temporels initialement envoyés par le dispositif de synchronisation.Le principal avantage de cette technique est qu'elle quantifie trois dimensions de l'engagement des apprenants pendant une tâche d'apprentissage, contrairement aux méthodes de recherche classiques qui se concentrent uniquement sur des instruments d'auto-évaluation de l'engagement après les tâches. Cette méthode peut aider à répondre à des questions clés dans le domaine de l'indication, telles que quelles sont les dynamiques de la cognition affective dans divers contextes d'apprentissage complexes, et quel est l'impact de différents contextes pédagogiques sur l'effet et la cognition ? Cette technique a des implications dans d'autres domaines.Par exemple, dans le domaine des technologies de l'information, nous utilisons cette technique pour mesurer l'engagement d'un utilisateur lors de la navigation sur un site web ou de l'utilisation d'une application logicielle. Cette technique s'inspire de travaux récents en neuro-omique, où des données de vigilance de conducteurs effectuant de longs trajets ont été recueillies à l'aide d'appareils EEG. Gabrielle Zu, accompagnée d'un assistant de recherche du laboratoire Tech trois de HEC Montréal, démontrera cette procédure, tout comme Igo et Yig, assistants de recherche du laboratoire de neurologie, en commençant par allumer le suivi oculaire, l'amplificateur EEG, les ordinateurs d'enregistrement et les haut-parleurs.Préparez la solution EEG avec le matériel requis selon les procédures recommandées par le fabricant. Ensuite, préparez le logiciel d'EEG et celui de suivi oculaire pour le participant à venir. Puis démarrez le logiciel d'enregistrement vidéo et les caméras, et lancez le logiciel de synchronisation avec la sous-routine spécifique créée pour le projet, qui permet d'envoyer des marqueurs de synchronisation toutes les 60 secondes.Ensuite, lancez le logiciel de mesure physiologique et ouvrez la disposition spécifique créée pour le projet. Puis, faites entrer le participant dans la salle de collecte des données et repérez l'emplacement de l'électrode Cz sur la tête du participant selon le système de référence 10-20. Placez le réseau EEG sur la tête du participant et assurez-vous que chaque électrode est positionnée perpendiculairement à la surface de la tête.Branchez le connecteur réseau et effectuez une vérification d'impédance avec un seuil fixé à 40 kiloohms. Enfin, placez deux capteurs physiologiques sur le dessus de la main gauche du participant. Commencez la collecte des données.Une fois que tous les logiciels d'enregistrement sont prêts à être lancés dans Synchrony, effectuez une procédure d'étalonnage à neuf points et observez le participant pendant qu'il suit les points rouges à l'écran. Répétez cette procédure jusqu'à ce qu'une précision suffisante soit atteinte selon les normes du fabricant, puis demandez au participant de résoudre 10 problèmes de physique newtonienne sur l'ordinateur. Arrêtez l'acquisition des données sur tous les ordinateurs.Une fois la tâche terminée, retirez tous les capteurs du participant. Importez d'abord les données EEG dans le logiciel d'analyse des données EEG. Ensuite, cliquez sur fichier, puis sur nouveau projet, et sélectionnez l'emplacement des données brutes en cliquant sur parcourir.Sélectionnez le dossier de données brutes nouvellement créé. Choisissez l'emplacement de deux autres dossiers nommés history et export de la même manière. Ensuite, cliquez sur OK.Ensuite, cliquez sur transformations et filtres IIR pour prétraiter le signal cérébral en appliquant un filtre et un réjecteur dans la fenêtre logicielle. Réglez les limites de coupure à 1,5 et 50 hertz avec une pente de 12 décibels pour chacun et activez un réjecteur à une fréquence de 60 hertz. Ensuite, soustrayez la dérive continue en cliquant sur transformations et DC dre.Sélectionnez l'option basée sur le temps à 100 millisecondes avant le marqueur et à 100 millisecondes avant la connexion DC. Effectuez une inspection des données brutes en cliquant sur transformations et inspection des données brutes. Sélectionnez l'inspection semi-automatique et choisissez les paramètres pour la tension, le maximum, le minimum et l'amplitude indiqués ici.Effectuez une analyse automatique des composantes indépendantes (ICA) avec sphère classique pour supprimer les clignements en cliquant sur transformations et ICA une fois le processus terminé. Traitez l'ICA inverse en cliquant sur transformations ICA, puis sur ICA inverse.Enfin, exportez le signal et les marqueurs en cliquant sur Exporter et Exportation de données génériques. Sélectionnez les cases intitulées Fichier d'en-tête droit et Fichier de marqueurs droit. En outre, sélectionnez le format texte pour une éventuelle construction dans MATLAB de l'indice d'engagement.Ensuite, importez le signal EEG dans Matlab. Pour ce faire, démarrez le script E-E-G-L-A-B. Ainsi, l'interface graphique de EEG lab apparaît dans Matlab.Importez les données pour un participant à la fois en sélectionnant l'importation de fichiers à l'aide des fonctions et greffons d'EEG lab, puis à partir du fichier brain vis rec VDR, collez un script dans la fenêtre de commande qui générera un indice d'engagement. Ce script produira un fichier texte. Ouvrez le fichier texte contenant l'indice d'engagement dans Microsoft Excel.Appliquez une normalisation par score Z aux données EEG afin de permettre la comparaison entre sujets. Une fois le prétraitement des données EEG terminé, prétraitez les données physiologiques en important les données d'activité ÉLECTRODERMALE ou EDA dans le logiciel d'analyse des données physiologiques.Ensuite, appliquez une normalisation par score z sur les données EDA en cliquant sur transformation et mathématiques de forme d'onde afin de permettre la comparaison entre sujets. Cette opération s'effectue en deux étapes. Tout d'abord, sélectionnez le canal EDA comme source un, le signe moins dans la fenêtre d'opération mathématique, puis K comme source deux.Ensuite, sélectionnez « nouveau » dans le menu de destination. Saisissez la valeur moyenne du canal EDA et sélectionnez « transformer toute l'onde ». Cliquez sur « OK » pour la deuxième étape, rouvrez l'outil de calcul de forme d'onde, puis sélectionnez le canal EDAK comme source un, le signe de division dans la fenêtre d'opération mathématique et K comme source deux.Ensuite, sélectionnez Nouveau dans le menu Destination. Saisissez la valeur de l'écart type du canal EDA et sélectionnez Transformer toute l'onde. Enfin, cliquez sur OK pour l'étape finale de prétraitement.Importez les données vidéo du magnétoscope vers le logiciel de reconnaissance automatique des émotions faciales en cliquant sur Fichier, Nouveau, puis Participant. Sélectionnez un nouveau participant dans le menu du projet. Ensuite, cliquez sur Fichier, Nouvelle analyse et Vidéo.Cliquez sur la loupe à côté de l'analyse un et choisissez le fichier vidéo souhaité. Terminez en calculant le zco des données de valence dans SPSS en cliquant sur analyser les statistiques descriptives puis sur descriptives. Sélectionnez enregistrer les valeurs standardisées en tant que variables et une colonne avec le score Z apparaîtra.Commencez par importer les vidéos de suivi I en cliquant sur fichier, importer et vidéo dans une nouvelle observation. Nommez la nouvelle observation et sélectionnez le fichier vidéo souhaité à importer. Importez toutes les données externes en cliquant sur fichier, importer et données externes.Inclure le Z-score du signal EEG zco du signal EDA et le Z-score des données de valence. Si désiré, ajouter des marqueurs d'événement pour une analyse ultérieure. Pour synchroniser le chronométrage entre les ordinateurs, ouvrez le menu de décalage en appuyant sur les touches contrôle, majuscule et le signe égal, puis sélectionnez le décalage numérique afin d'entrer le temps en secondes entre chaque paire de sources de données.Cliquez sur OK. Ensuite, sélectionnez les variables intéressantes à générer dans le rapport en cliquant sur analyser les données sélectionnées et sur un nouveau profil de données. Sélectionnez l'événement souhaité à analyser puis cliquez sur OK.Ensuite, ajoutez une ligne de connexion entre le tableau de départ et le tableau des nids, ainsi qu'entre le tableau des nids et le tableau des résultats. Générez le rapport en cliquant sur « analyser l'analyse numérique » puis sur « nouvelles statistiques » et cochez la case située à côté de « moyenne » dans le menu des données externes. Cliquez ensuite sur « OK ».Cliquez sur la disposition et assurez-vous que les données externes se trouvent dans les colonnes et que les conteneurs de résultats apparaissent sur les lignes. Terminez en cliquant sur OK. Enfin, cliquez sur le bouton de calcul pour que le logiciel mette à jour les calculs associés au rapport en cours de génération.De nombreuses dimensions des données d'engagement sont synchronisées au cours de cette expérience, notamment comportementales, cognitives et émotionnelles, grâce à l'utilisation de plusieurs ordinateurs. Afin d'établir la ligne de base du sujet, il est utile d'utiliser les données provenant d'un moment de la tâche où une pause intervient, précisément à la fin de cette pause. L'engagement cognitif mesuré par l'EEG augmente légèrement en prévision de la tâche suivante, tandis que l'activation émotionnelle continue de diminuer.Les données de valence sont manquantes car les yeux du participant sont fermés pendant la tâche de résolution de problème. Alors que le sujet lit la troisième ligne, on observe que son arousal a atteint un maximum. La valence émotionnelle est neutre et l'engagement cognitif mesuré par l'EEG est maximal une fois la tâche maîtrisée.Cette technique implique environ 30 minutes de préparation du sujet avant le début de l'expérimentation, après son développement. Cette méthode ouvrira la voie aux chercheurs et aux praticiens, non seulement dans le domaine des technologies de l'information, mais aussi dans l'industrie du jeu vidéo, pour surveiller en temps réel les aspects comportementaux, émotionnels et cognitifs des utilisateurs. Une étape clé dans toute approche de régulation est la synchronisation, et la précision de cette procédure doit être vérifiée avant et après chaque expérience afin d'assurer un minutage précis entre tous les appareils.Après avoir visionné cette vidéo, vous devriez maintenant avoir une bonne compréhension de la manière d'acquérir des données psychophysiologiques synchronisées afin de mieux comprendre la dynamique d'interaction entre les dimensions comportementale, émotionnelle et cognitive de l'engagement durant une tâche d'apprentissage.

assessing-multiple-dimensions-engagement-to-characterize-learning

Research

Recherche

JoVE Journal

Behavior

Comportement

Ce manuscrit décrit une approche pour mesurer l'activité neuronale de l'homme tout en résolvant les problèmes d'ingénierie spatialement ciblées. La méthodologie de l'électroencéphalogramme aide à interpréter les mesures bêta des ondes cérébrales en termes d'efficacité de neurones, dans le but de permettre des comparaisons en fin de compte de l'exécution des tâches à la fois entre les types de problèmes et entre les participants.

Utilisant Mesures Électroencéphalographie pour la comparaison des tâches spécifiques aux efficacités Neurones: Tâches Spatial Intelligence

Cet ouvrage présente un nouveau protocole pour l’évaluation du trouble d’hyperactivité avec déficit de l’Attention (THADA) en prévoyant une procédure de diagnostic plus objective de ce trouble du développement basé sur l’utilisation d’outils innovants. Il analyse également la relation entre les mesures d’activation et de fonction exécutive.

À l’aide de l’Activation cérébrale (nir-HEG/Q-EEG) et les mesures d’exécution (CPTs) dans un protocole d’évaluation TDAH

Nous présentons la détection, acquisition et analyse des taux d’eyeblink tout en regardant le contenu des médias.

À l’aide de mesures d’électroencéphalographie et l’enregistrement vidéo de haute qualité pour l’analyse de la Perception visuelle du contenu multimédia

Une conception expérimentale a été élaborée pour étudier les influences en temps réel d'une expérience d'examen afin d'évaluer les réalités émotionnelles que les élèves vivent dans les milieux et les tâches de l'enseignement supérieur. Cette conception est le résultat d'une approche interdisciplinaire (p. ex. psychologie de l'éducation, biologie, physiologie, ingénierie) et multimodale (p. ex. marqueurs salivaires, sondages, capteur électrodermique).

Une conception expérimentale interdisciplinaire et multimodale pour étudier les expériences d'examen authentiques en temps quasi réel

Nous proposons une méthodologie qui permet de mesurer l’engagement des spectateurs dans un jeu numérique social combinant des données physiologiques et autodéclarées. Comme ce jeu numérique implique un groupe de personnes en mouvement libre, l’expérience est filmée à l’aide d’une technique de synchronisation qui relie les données physiologiques aux événements du jeu.

Mesure de l’engagement des spectateurs des jeux numériques sociaux

Le protocole pour mener des expériences d’hyperscan fNIRS sur des dyades d’apprentissage collaboratif dans un environnement d’apprentissage naturaliste est décrit. En outre, un pipeline pour analyser la synchronisation inter-cerveau (IBS) des signaux d’hémoglobine oxygénée (Oxy-Hb) est présenté.

La synchronisation inter-cerveaux dans l’apprentissage collaboratif ouvert : une étude fNIRS-Hyperscanning

Cet article propose un système basé sur l’intelligence artificielle pour détecter automatiquement si les élèves sont attentifs à la classe ou s’ils sont distraits. Ce système est conçu pour aider les enseignants à maintenir l’attention des élèves, à optimiser leurs leçons et à introduire dynamiquement des modifications afin qu’ils soient plus engageants.

Système basé sur l’intelligence artificielle pour détecter les niveaux d’attention chez les élèves

Voici un pipeline d’analyse vidéo qui permet de surmonter les défis de la surveillance comportementale dans les environnements IRM, permettant de détecter des réponses comportementales non instruites à des signaux externes. Cette analyse facilitera une compréhension plus complète des changements d’état interne évoqués et de l’activité à l’échelle du cerveau.

Profilage des réponses comportementales maternelles lors de l’imagerie du cerveau entier

L’enrichissement environnemental offre un effet protecteur potentiel contre les troubles neurodégénératifs. À l’heure actuelle, cependant, il n’existe pas de moyen facile de déterminer l’efficacité des procédures d’enrichissement.  Ce protocole décrit une méthode simple de « boîte à puzzle » pour évaluer la fonction cognitive d’un animal, afin de révéler l’efficacité de l’enrichissement de l’environnement.

L&#39;utilisation de la boîte de Puzzle comme un moyen d&#39;évaluer l&#39;efficacité d&#39;enrichissement du milieu

Le protocole Mindfulness in Motion (MIM) propose une intervention pragmatique basée sur la pleine conscience (MBI) sur site, pour les personnes travaillant dans des environnements de travail chroniquement très stressants, qui augmente considérablement la résilience et l’engagement au travail. Le protocole s’est avéré réalisable, bénéfique et facilement adaptable à d’autres milieux de travail très stressants.

Mindfulness in Motion (MIM): Une place Intervention Mindfulness Basé (MBI) pour les environnements de travail chroniquement élevés de stress pour augmenter la résilience et le travail d&#39;engagement

Découvrez comment synchroniser les données comportementales, émotionnelles et cognitives pour caractériser l'engagement des apprenants. Cette méthode neurophysiologique intègre l'eye tracking, l'EEG et la mesure de l'activité électrodermique.

Évaluer les multiples dimensions de l'engagement à caractériser l'apprentissage: une perspective neurophysiologique

Explorer plus de vidéos