Name: 神経生理学の視点：学習を特徴づけるために、エンゲージメントの複数の次元を評価します (動画) | JoVE Journal
Uploaded: 2015-07-01T15:00:00.000+00:00
Duration: 13 min 57 s
Description: 学ぶ 行動・情動・認知のエンゲージメントを同期収集する神経生理学的手法。眼動計測、EEG、皮膚電気活動、表情認識を統合し、学習タスク中の多面的なエンゲージメントを定量化・分析する技術を解説します。

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

著者は、カナダ社会科学・人文科学研究評議会(SSHERC)、カナダ自然科学・工学研究評議会(NSERC)、ケベック州自然科学・技術財団(FQRNT)、ケベック大学社会文化財団(FQRSC)の財政的支援に感謝しています。

このプロトコルは、Tech3Lab研究施設のためのHEC-モントリオールによって承認されたComitéinstitutionnel·デ·ラ·RECHERCHE AVEC DESêtreshumains（CIER）ドゥ大学ケベックモントリオールà（UQAM）から倫理的な証明書を受け取りました。プロトコルは、私たちのラボ環境や機器で実行される特定の各手順を説明しています。正確なソフトウェアパスが方法論を明確にするために設けられているが、この技術は譲渡であり、他の独自の視線追跡、自動顔感情認識、電気活動と脳波の機器やソフトウェアで複製することができます。 ラボ環境の1.セットアップ<ol><li>アイトラッカー、EEGアンプ、4つの記録コンピュータやスピーカーをオンにします。 </li><li>録音機器の設定を準備します。 <ol><li>メーカーのrecommeに従って、必要な材料とのEEGセットアップの準備nded手順。今後の参加者の脳波ソフトウェアを準備します。視線追跡ソフトウェアを起動して、ソフトウェアで新しい参加者のプロファイルを作成します。ビデオ録画ソフトウェアとカメラを起動します。 </li><li> 60秒でのマーカーとプロジェクトのために作成された特定のサブルーチンとの同期ソフトウェアを起動します。生理学的測定ソフトウェアを起動します（皮膚電気活動を記録するため）およびプロジェクト用に作成した特定のレイアウトを開きます。最高レベルの参加者の椅子を調整します。 </li></ol></li></ol> 2.参加者の準備<ol><li>倫理的な同意書を読み、署名する参加者を確認して下さい。 </li><li> EEGのための頭蓋骨の測定を行います。 <ol><li> （ - 20参照システム10によれば）参加者の頭部上のCzの場所を検索します。食塩水（塩化カリウム）でEEGネットを浸し（ステップ1.2.1を参照）、メーカーの基準に準拠してタイマー（10分）を起動します。&lt;/ LI&gt; </ol></li><li>参加者に研究の目的と実験の手順を読んで、「 この研究の目的は、あなたが物理学の問題に答えている間、あなたの脳の活動を観察することです。まず、センサーがインストールされます、あなたは、コンピュータ上で10ニュートン物理学の問題を解決することが求められます。私たちはあなたの目でそれぞれの問題を閉じた後、45秒の休憩を取るように求められます。それぞれの問題の後、あなたは、問題のあなたの評価を評価するように求められます。」 </li><li>実験の全持続時間は90分となり、被写体を教えてください。 </li><li>製造業者の推奨に従って、生理学的センサをインストールします。2ゲル化しセンサーを左手の上に。 </li><li>製造業者の推奨に従って、EEGキャップを取り付け、（製造業者の仕様書に従って）40kΩので閾値とインピーダンスチェックを行います。 </li></ol> 3.データ収集<ol><li>全ての記録ソフトウェアが同期して開始する準備ができていることを確認してください： <ol><li>生理学（EDAデータ）：「スタート」ボタンをクリックします。 </li><li>ビデオ録画：「開」ボタンをクリックします。 </li><li>アイトラッキング：「保留」ボタンをクリックします。 </li><li> EEG：「記録」ボタンをクリックします。 </li><li>同期ソフトウェア：「緑の円」ボタンをクリックします。 </li></ol></li><li>視線のキャリブレーション： <ol><li> （「ツール/設定/校正を...」をクリック）5点、画面上のキャリブレーションを実行し、彼/彼女は赤い点を次のながら参加者を観察します。十分な精度が達成されるまで、メーカーの基準に基づいて、この手順を繰り返します。 </li></ol></li><li>参加者の画面上にプロジェクトタスクの手順を：彼/彼女がそれらを読んだ後、任意の質問を持っている場合、彼/彼女は、実験を開始する準備ができているかどうか尋ねます。 </li><li> 10ニュートンPを解決するために、参加者を確認して下さいhysics問題。 </li><li>必要に応じて、45秒の休憩の間にインピーダンスチェックを実行（ない問題5の前に）。 </li><li>参加者が（ベースラインを決定するために）それぞれの問題の前にブレークフル45秒を要することを確認してください。 </li></ol>データ収集の4終了<ol><li>すべてのコンピュータ上のデータ収集を停止し、参加者からセンサーを取り外します。 </li></ol> 5.参加者が離れた後<ol><li>製造業者の推奨に従って、殺菌剤とのEEGキャップを清掃し、設備を整えます。収集したすべてのデータファイルを保存し、FTPサーバ上でバックアップを作成します。 </li><li>参加者のスプレッドシートに入力します。データ収集中の任意の特定のイベントや問題に注意してください。 WebブラウザからすべてのCookieを削除します。 </li></ol> 6.統合ソフトウェアへのデータの前処理およびエクスポート<ol start="1"><li> EEG <ol><li> EEGデータ分析ソフトウェアにインポートEEGデータ： <ol><li>新しく作成された生のデータファイルに生の脳波データを貼り付け、「生データ」、「歴史」と「エクスポート」という名前のコンピュータ上に3つの空のフォルダを作成します。 </li><li> EEGデータ解析ソフトウェアでは、「ファイル/新規プロジェクトを...」をクリックした後、新たに作成された生データファイルを選択し、[参照]をクリックして、生のデータの場所を選択します。 「歴史」と同じように「エクスポート」フォルダの場所を選択します。 </li><li> 「OK」をクリックします。 （ウィンドウは、すべての参加者の脳波データが含まれている必要があります）。 </li></ol></li><li>前処理脳信号： <ol><li>フィルタとノッチを適用します（「トランスフォーメーション/ IIRフィルタを...」をクリックします）。ウィンドウでは、12デシベルの傾斜と12デシベルの傾斜と50 Hzの高域遮断と1.5 Hzの低域遮断を有効にしてください。また、60Hzの周波数でノッチを有効にしてください。 </li><li> DC増幅器が使用されるため、DC信号をトレンド除去（「トラをクリックnsformations / DCトレンド除去...」とイネーブル &quot;DC接続する前に、マーカーの前に100ミリと100ミリ秒で、「時間に基づきます）。 </li><li>生データの検査を行う（「変換/生データ検査...」をクリックして、半自動アーティファクト除去を選択します）。次の項目を選択します。最大電圧60μV/ MS;最大 - 最小：200ミリ秒間隔で200μV。振幅：-400 400にμV）。 </li><li>まばたきの除去のための古典的な球形で自動ICAを実行します（その範囲は、目的の周波数の外にあるので、myographicアーチファクトが除去される必要はありません）。 （ICA、プロセス逆ICAの終わりに。「...変換/ ICA」をクリックしてください。） </li><li>再基準（「変換/再参照...」）信号とは、「共通の平均」を選択してください。 </li><li>エクスポート（「エクスポート/汎用データエクスポート...」をクリックします）テキスト形式で信号およびマーカーは、（「.vhdr」を選択します;係インデックスの最終的なMatlabの建設のためのボックス）。また、「ライト·ヘッダ·ファイル」と「ライトマーカーファイル」ボックスをオンにします。 </li></ol></li><li> MATLABで信号をインポートします。 <ol><li> MATLABを起動し、EEGLABのGUIは、一度に1つの参加者のデータを表示され、インポートように「EEGLAB」と入力します。 GUIで、[項目メニュー」/脳ヴィスレック.vhdrファイルからEEGLAB機能やプラグインを使用したファイル/データのインポート/ &quot;。 </li><li>コマンドウィンドウで、係のインデックスを生成するスクリプト16を貼り付けます。 注：認知的関与のスクリプトは、この手順は、毎秒繰り返され、新たなスライディングウィンドウがインデックスを更新するために使用される時間Tの前に20秒スライディングウィンドウ内の各ベータ版/（アルファ+シータ）比の平均値によって計算されます。 </li></ol></li><li> MS Excelで、MATLABが、スクリプトの終了時に生成された係合インデックスのテキストフ​​ァイルを開くとz SCORを適用EEGデータで電子の正規化は、被験者間の比較を可能にします。 （Excelでこの数式を計算し、それぞれの値の場合：Z =（値 - 全体平均）/全体の標準偏差） </li><li> MS ExcelでCSVファイルにZスコア係インデックス信号を保存します。 （...として保存/ファイルをクリックし、フォーマットタイプでCSVを選択します。） </li><li> （ステップ6.1.2.2から。）手順を繰り返し、各参加者のために。 </li></ol></li><li>生理学： <ol><li>生理的データ分析ソフトウェアでインポートEDAデータ。 </li><li>生理学的信号を事前処理するために、これらのパラメータを適用します。 <ol><li> Venablesとクリスティーズ23の方法に従ってコンダクタンスの分布を正規化する対数変換を適用します。 </li><li>フラット窓24をスライドさせる 10秒の信号。 </li></ol></li><li>生理ソフトウェア内では、被験者間の比較を可能にするために、EDAデータのZスコアの正規化を計算します。 （Z =（値 - 全体平均）/全体的な標準偏差）。 <ol><li> EDAチャネルからのカーソルですべてのデータを強調表示します。 </li><li>トップメニューでは、EDAチャネルを選択して、チャネル全体の平均値を得るために「平均」を選択します。また、チャネル全体の標準偏差値を得るために、EDAチャネルと「STDDEV」を選択します。 </li><li> Zスコアの方程式を計算するには、「変換/波形演算を...」をクリックし、ソース1にEDAのチャンネルを選択します。 「 - 」を選択し、数学的操作画面で（マイナス）と宛先メニューの「新規宛先」ソース2.選択にKを選択し、EDAチャネルの平均値を入力します（ステップ6.2.3.2を参照）。 「全体の波を変換」を選択し、[OK]をクリックすると、「変換/波形演算を...」をクリックします。ソース1にEDA-Kチャネルを選択し、数学的な操作画面で、「/」（除算）を選択し、ソース2にKを選択し、目的地に「新デスティネーション」を選択して、エンテEDAチャネル（ステップ6.2.3.2）の標準偏差値rを。 「全体の波を変換」して、[OK]をクリックし選択します。 </li></ol></li><li> CSVファイル内の信号（覚醒）をエクスポートします。 （...として保存/ファイルをクリックし、フォーマットタイプでCSVを選択します。） </li></ol></li><li>自動顔感情認識： <ol><li>自動顔感情認識ソフトウェアにメディアレコーダーからインポートされた映像データ。 （「...ファイル/新規作成/分析/ビデオ」を、それをクリックすることで、プロジェクトメニューに新しい参加者を選択したら、クリックします。 &quot;...ファイル/新規... /参加者」をクリックしてください。分析1の隣にある虫眼鏡をクリックして、目的を選択ビデオファイル。 <ol><li> 「3フレームごと」のオフライン分析を選択し、「連続キャリブレーション」を有効にします。 </li><li> CSVファイルでエクスポート価データ。 （「オプション/設定/ログ機能を... &quot;をクリックして、「ログ·ファイルに価値を書く&quot;チェックボックスをオンにします。/ &quot;ファイルをクリックしますエクスポート...詳細なログを保存する「ボックス」、ログファイルをエクスポートし、チェックする場所を選択します &quot;。） </li><li> MS ExcelでCSVファイルを開きます。 SPSSソフトウェアの1つの列に、価電子データ列をコピーします。 「Analyseを/記述統計統計/記述統計」をクリックして、ジャスト貼り付け変数名を選択します。 「変数に標準化された値を保存」ボックスにチェックを入れます。 Zスコアを持つ列が表示されます。 Excelファイル内の古いデータの上に、これらのzスコアをコピー＆ペーストします。 </li></ol></li><li> CSV形式の信号（価）のzスコアのExcelファイルを保存します。 </li></ol></li></ol> 7.データ統合と同期<ol start="1"><li>行動解析ソフトウェアで： <ol><li>インポートアイトラッキングの動画（行動係）。 （「新しい観測でファイル/読み込み/ビデオを...」をクリックします。新しい観測に名前を付け、目的のビデオファイルを選択します。） </li><li>コー​​ド関連BEと各ビデオhaviors、コンテキストイベント（時間マーカー、右/間違った答え）。 </li><li>適切なヘッダーを持つすべての外部データをインポートする：EEG信号（認知的関与）のZスコア、EDA信号（感情のかかわり）、価電子データのZスコア（感情的なエンゲージメント）のZスコア。 （「ファイル/インポート/外部データの...」をクリックします。適切なファイルの種類を選択し、適切なCSVファイルを選択します。） </li></ol></li><li>これらの式によれば、コンピュータ間で時刻を同期します。 <ol><li>視線の最初のマーカー - 視線+ EEGにおける第2のマーカーでEEG =時間の時間からの視線の時間。 </li><li>視線の最初のマーカー - 視線+顔面感情で最初のマーカーで顔感情認識=時間の時間からの視線の時間。 </li><li>視線の最初のマーカー - 視線+電気活動の最初のマーカーで電気活動=時間の時間からの視線の時間。 </li></ol></li><li> 」を押すと、オフセットデータを入力してはCtrl + Shift + =221 ;,オフセットメニューを開きます。選択して[OK？]データソースの各ペアの間の時間を秒単位で入力するには、「数値はオフセット」）、上記の計算によると。 </li><li>研究への関心の変数に応じてレポートを生成します。 <ol><li>レポートに生成されます興味深いの変数を選択します（ &quot;/ [データ/新しいプロファイルデータを分析...」をクリックします）。左から、「スタート」ボックスと右側の「結果」ボックスに、間に所望の変数をスライドさせます。 </li><li>レポートを生成します。 （「分析/数値解析/新規...」をクリックして、「統計」をクリックし、[外部データ]メニューの平均ボックスをオンにします。「計算」をクリックして終了します。） </li></ol></li><li>統計解析ソフトウェアにデータをエクスポートし、研究の目的に応じた分析を行います。 </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>

著者らは開示するものは何もない。

プロトコル内の重要なステップの観点では、最初のデータの品質が常に神経生理学的収集技術のための主要な焦点であることが指摘されるべきです。この方法では、研究支援者は、（カメラの正しいフェースアングルを失う）価のモニタリング妨害またはEEGでmyographic成果物が生成されます頭の動きを最小限に抑えるために被験者に指示に特別な注意を払う必要があります。一方、バランスはより人間工学的なデータ収集のために作られた現実の問題解決と介入の正当性との間に維持されなければなりません。これは、EEGデータ収集は、環境の電磁変動を受けることに留意することも重要です。伝統的なEEG施設は、ファラデーケージの電磁変動からその装置を特定してください。しかし、この方法で使用される装置のいくつかは、ファラデーケージ内部の電磁変動（主に視線追跡装置）を生成するため、第アプローチは効果がないです。私たちは、アースに特に注意を払って、すべての電気機器を保護することによって電磁問題を克服します。 技術に修正やトラブルシューティングについては、初期同期戦略を正確に一緒に複数のコンピュータやプログラムに関するデータ収集を...

エンゲージメントは、学習に重要な役割を果たしています。クラークとメイヤー2の場合は、関係なく、配信媒体の「すべての学習は、関与を必要とします」。 Zhang ら 3も増加し、学生の関与は、このような問題解決と批判的思考スキルなどの学習成果を向上させることができることを示唆しました。婚約を定義することは課題です。彼らの文献レビューでは、フレドリクス、Blumenfeld、パリ1は、その多面性によって係合を定義し、「行動係合は参加の考えに引きます。それは学問や社会や課外活動への関与を含んでいます。 （...）感情的な関与は、先生、クラスメート、学者、学校に正と負の反応を包含し、仕事をすることを目的と影響力意欲との結びつきを作成するためと推定されます。最後に、認知的関与は、精神的な投資の考えに描きます。それは思いやりと労力のNECを発揮する意欲を内蔵します要な複雑なアイデアやマスター難しいスキルを理解します。」 フレドリクス、Blumenfeld、パリ1も行動、感情、および認知の焦点は、エンゲージメントの概念の範囲内で、学習の豊かな特徴付けを提供することができることを主張しました。これらの著者は、研究の堅牢な本体は別途契約の各コンポーネントに対応していることを指摘したが、これらのコンポーネントは、連携して研究されていませんでした。彼らはまた、ほとんど情報が次元間、より研究は微調整の教育介入の計画に貢献できることを相互作用について利用可能であることを観察しました。その方向への一歩として、本稿では、学習作業中に、行動、感情的および認知的関与に、同期的、定量的および定性的なデータを収集し、分析するために開発された研究方法を説明します。 教育に神経科学の持ち込み Behav主に前後のテストの間の時間の長い期間にわたって発生する知識や行動の変化に焦点を当てた研究のデザイン、および時間の間隔、週間：IOR、その結果、行動の係合は、長い教育の研究の中心的な焦点となっています、月または年。最後の二つの次元が外部体系的に観察されないため、行動、感情的、および認知的関与とを識別することは課題です。認知と感情はどちらの観測から推測または自己報告尺度で評価されなければなりません。ビューの外部ポイントからは、学生が自分の仕事は、できるだけ迅速に行わ取得しようとしたり、特定のコンテンツをマスターする、深いレベルの学習戦略を使用しているかどうかを判断することは依然として困難です。実際、フレドリクス、Blumenfeld、パリ1は認知的関与を直接、客観的尺度を使用して任意の発表された研究を見つけることができませんでした。 における最近の技術開発神経科学の分野は​​、教育研究のための新たな可能性を作成しました。 ニューロ人間工学の分野で開発された新しいデータ収集方法と分析アルゴリズムは、タスクを学習中に定性的および定量的な研究のために非常に有望に見えます。このような経済学、心理学、マーケティング、人間工学などの他の分野には、いくつかの時間4-8のための認知的関与を評価するために、神経生理学的測定値を使用しています。効率的な解析アルゴリズムと結合された神経生理学的措置は、一つはそれを乱すことなく、現象を研究することができます。その性質上、自己報告アンケートは、学習の学生を外します。神経生理学的測定値は、研究のデザインは、より本格的な学習環境で行うことを可能にします。これらのツールは、心拍数等を監視するための装置、呼吸数、血圧、体温、瞳孔径、皮膚電気活動、脳波（EEG）を含みます。 <st行動、感情、および認知的関与に&gt;収集データを同期栄代表的な結果は、このプロトコルの使用を以下のように、本論文では、学習者が、コンピュータの画面上で、機械的な物理学の10の問題を解決しなければならなかったした研究の結果の一部を紹介します。これらの問題は、以前の研究9に開発されました。彼らの目は、それぞれの問題の後、クローズ学習者は、問題を解決し、45秒休憩中にリラックスしている間の神経生理学的データを収集しました。 前述したように、行動締結データは、タスク1を達成しながら、システムと対話学習者によって生成質問へのソフトウェアの相互作用（マウスの動きやクリック）、視線、パフォーマンスと回答で構成されています。視線追跡システムは、ソフトウェアの相互作用および視線データを収集するために使用されました。パフォーマンスデータ（問題を解決するための時間、回答の正確さ）を収集しましたタスクを提示するために使用された調査のウェブサイト。このウェブサイトはまた、ブラッドリーとラング10から適応アンケートで集め自己報告データを収集するために使用されました。感情的な関与は、感情の特徴付けを含みます。ラング11によると、感情が原子価の点で特徴づけられる（楽しい/不快）と覚醒（冷静/興奮）。感情的な締結データは、それに応じて感情価と覚醒12,13のための電気活動のエンコーダ/センサを定量化し、自動顔感情認識ソフトウェアを使用して、収集しました。電気活動（EDA）は、非常に弱い電流が定常的にそれらの間に渡された二つの電極の間に記録された電気抵抗を指します。 Cacioppo、TassinaryとBerntson 14は、記録された抵抗は、被験者の覚醒に応じて変化することを示しました。したがって、このような原子価や覚醒などの精神生理学的データは、感情的な関与の相関として考えられています。 <pクラス= &quot;jove_content&quot;&gt;最後に、認知的関与のデータは、脳波（EEG）を介して収集されます。 EEG対策は、頭皮上で、脳内のニューロン群の電気的活動を同期。頭皮からの記録された電気信号は、しばしば、発振周波数成分で構成されています。慣例では、これらの周波数はバンドとして知られ、配列中にグループ化されています。例えば、α、βおよびシータバンドが本研究の焦点です。神経科学の研究14によると、これらのバンドは、脳の特定の領域に異なる認知処理能力を反映しています。したがって、覚醒および注意に関する多くの研究7,15と組み合わせる特定の周波数のパワースペクトル密度（PSD）の分析は、研究者が作業中に、認知の係合を定量化することができます。ミクルカら 16は、上述のように、研究はベータ活性および認知覚醒とアルファANとの間の間接的な関係との間の直接的な関係を示していますDシータ活性および覚醒。 β/（α+θ）：このように、教皇、ボガートとBartoleme 7は、3つのバンドのPSDを計算係指標を開発しました。この比率は、婚約16,17,18の他の研究で確認されました。経時認知係合を特徴付けるために、高速フーリエ変換（FFT）は、パワースペクトルに各活性部位（F3、F4、O1、O2）からのEEG信号を変換します。時刻TにおけるEEG係合指数この手​​順は、毎秒、新しいスライディングウィンドウは、インデックスを更新するために使用される繰り返される時間Tの前の20秒のスライディングウィンドウ内の各係合比の平均値によって計算されます。 この方法の目的は、係合多次元の豊富な分析を提供することであるため、データの同期が重要です。レジェら 19は、読者を思い出させるように、機器メーカーが強くル彼らの指定された精度を保証するために、測定ツールごとに1つだけのコンピュータを使用することをお勧めしますVEL。したがって、複数のコンピュータが使用されるとき、記録のコンピュータとの同期が重要なステップとなります。記録はすべて正確に同じ時に開始することができず、各データストリームは、その特定の時間枠（≠EEGまたは生理学的データの0秒のアイトラッキングの例えば 、0秒）を有しています。これは非常に重要である：データストリーム間の非同期化は、関与の各次元の定量化のエラーを意味します。同時生理学的および行動の記録を同期させる別の方法があります。これらの方法は、2つの主なアプローチに分けることができます。直接的および間接的な20。次のセクションで説明プロトコル（ 図1に示されるように）外部装置、syncboxは、すべての記録装置に、トランジスタ-トランジスタ論理（TTL）信号を送信するために使用される間接的なアプローチに基づいています。各機器は、異なる開始時間を有するように、TTLマーカーは、相対して、ログファイルに記録されています<html>遅延。マーカーは、その後、信号を再編成し、従って、各記録後の適切な同期を確保するために使用されます。外部ファイルの統合を可能にする行動分析ソフトウェアプログラムは、各データストリームのタイムラインを再同期させるために係合の各次元の定量的および定性的な分析を実行するために使用されます。 <img alt="図1" src="/files/ftp_upload/52627/52627fig1.jpg" /> 係データが収集されている（EDAと顔面感情）感情や認知データ収集システムの図1.アーキテクチャ。行動（視線追跡）におけるラボ環境、（EEG）は、多くのコンピュータが含まれます。これは、それぞれのコンピュータのクロックに参照されるデータの同期の課題を提起します。同じ基準時間内のすべてのデータを分析できるようにするために、実験室の設定は、すべてのデータストリームをTTL信号を送るsyncboxを含みます。NK &quot;&gt;この図の拡大版を表示するには、こちらをクリックしてください。 同期の点で方法論の精度を評価するために、45秒の一時停止は、機械的な物理学の問題のそれぞれの前に導入しました。これらの一時停止中に、被験者はリラックスして、彼らの目を閉じなければなりませんでした。 4,9,16,17,18他の研究に見られるように、これらの一時停止は、収集された信号の大幅な変動を誘導する必要があります。アイトラッキング中の2つの瞳ドットはすぐに（行動係）を消失し、認知的関与が即座に低下（EEG信号）が観測されます。信号のこれらの特定の構成要素は、同期の一般的な有効性を評価するために使用されます。完全または部分的に情報システム19、人間-機械相互作用21と教育9、22の分野で、この同期手順に依存している論文の最近の刊行物は、その有効性の証拠を提供します。

<table><tbody><tr><td>EGI GSN-32&nbsp;</td><td>EGI</td><td></td><td>デンスアレイ脳波</td></tr><tr><td>Netstation v.5.0</td><td>EGI</td><td></td><td>EEGデータ収集ソフトウェア:脳波は、Netstation取得ソフトウェアとEGIアンプ(Electrical Geodesics, Inc.)を使用して、32電極高密度アレイ脳波計(dEEG)測地線センサーネットで収集されます。頂点(記録部位Cz)は記録用の参照電極です。インピーダンスは50k&Ω未満に保たれています。サンプリングレートは250 Hzです。&nbsp;</td></tr><tr><td>Facereader v.4</td><td>Noldus</td><td></td><td>顔面感情認識ソフトウェア</td></tr><tr><td>Syncbox</td><td>Noldus</td><td></td><td>Syncboxは、トランジスタ・トランジスタ・ロジック(TTL)信号をEGIアンプに送信し、キーストローク信号をTobii Studio v 3.2に送信することで、脳波と視線データの同時登録を開始します。</td></tr><tr><td>ロジクールC600&nbsp;ウェブカメラ</td><td></td><td>960-000396</td><td>ウェブカメラは、メディアレコーダーに送信され、Facereaderで分析されるビデオデータを収集するために使用されます</td></tr><tr><td>オブザーバーXT</td><td>Noldus</td><td></td><td>統合および同期ソフトウェア:Noldus Observer XT(Noldus Information Technology)は、すべての行動、感情、認知エンゲージメントデータを同期するために使用されます。&nbsp;</td></tr><tr><td>オンスクリーンLED照明</td><td>被験者の顔を正しく照らすために、コンピュータ画面上に配置された</td><td>ノルダス</td><td></td>・ネオン</tr><tr><td>MediaRecorder</td><td>ノルダス</td><td></td><td>・ビデオデータ収集ソフト</td></tr><tr><td>Tobii 60X</td><td>Tobii</td><td></td><td>眼球運動パターンの収集 :&nbsp; 実験中に被験者の眼球運動パターンを60Hzで記録するために使用しました。&nbsp;</td></tr><tr><td>Tobii Studio v.3.2</td><td>Tobii</td><td></td><td>Eye-tracking データ収集および分析ソフトウェア</td></tr><tr><td>Analyzer 2</td><td>Brainvision</td><td></td><td>EEG 信号処理ソフトウェア</td></tr><tr><td>Acqknowledge v.4.0</td><td>Biopac</td><td>ACK100M</td><td>生理学的信号取得および処理ソフトウェア</td></tr><tr><td>Control III 殺菌剤ソリューション</td><td>Maril Products.</td><td>10002REVA-20002-1</td><td>脳波ヘルメットに用いる消毒液:EGI</td></tr><tr><td>Unipark</td><td>QuestBack AG</td><td></td><td>が推奨 オンライン調査環境</td></tr></tbody></table>

神経生理学の視点：学習を特徴づけるために、エンゲージメントの複数の次元を評価します

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

エンゲージメントの概念に関する最近の理論的統合において、フレドリックス、ブルーメンフェルド、パリス1は、行動的、感情的、認知的という複数の次元によってエンゲージメントを定義しました。彼らは、個々のタイプのエンゲージメントが併せて研究されておらず、次元間の相互作用や相乗効果に関する情報がほとんどないことを観察しました。その結果、より多くの研究が、きめ細かく調整された教育介入の創出に貢献することになる。この論文では、神経科学における最近の技術的進歩の恩恵を受けて、学習タスク中の多次元エンゲージメントに関するデータを収集し、同期するための最近開発された方法論を紹介します。この手法には、(a)脳波記録、(b)皮膚電気、(c)視線追跡、および(d)顔の感情認識データを4つの異なるコンピューターに収集することが含まれます。これにより、複数のソースから収集されたデータの同期に問題が発生しました。専用の統合ソフトウェアでのポスト同期により、研究者はエンゲージメントの複数の次元間のダイナミクスをよりよく理解できます。カリキュラム開発者にとって、これらのデータは、より良い指導/学習効率を達成するための情報に基づいたガイドラインを提供する可能性があります。この手法は、適応学習または評価環境を開発できる脳とコンピューターの相互作用の分野での可能性も開きます。

<html>行動解析ソフトウェアアプリケーションの統合や、行動の感情や認知的関与のデータの同期の結果の2及び図3のスクリーンショットを図 。両方の図において、左側のセクションには、研究対象と符号化方式を開催しています。中間部では、（赤い点で）ビデオは、タスク中の被験者の視線を示しています。被験者の行動の婚約は、彼/彼女がタスクとどのようなアクションが取られている間に見ているものに基づいて推測することができます。 EDA（覚醒）、感情的な関与と認知的関与のためのEEGの婚約インデックスの顔の感情価：下のセクションでは、時間マーカーは、同期の3つのデータのトラックにスクロールしています。データは、全ての被験者から収集された場合、ソフトウェアは、最終的には他の統計分析ソフトウェアで被験者間分析を実行するために使用することができる基本的な記述統計を提供します。 常に &quot;&gt;：&quot; =キープtogether.withinページFO「ENT <img alt="図2" src="/files/ftp_upload/52627/52627fig2.jpg...

この論文は、タスク中の学習者の関与の複数の次元(行動的、感情的、認知的)の収集と同期に関与する技術を説明することを目的としています。

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

この手順の全体的な目的は、学習タスク中の行動的、感情的、および認知的エンゲージメントに関するデータを収集し、同期させることです。まず、同期デバイスを介してすべてのデータ収集システムを接続し、収集データ内にタイムマーカーを送信させることでこれを実現します。次に、行動的エンゲージメントを評価するため、アイトラッキングデータとソフトウェアのインタラクションデータを収集します。次に、認知的なエンゲージメントの特性評価のためにEEGデータを収集します。最終ステップとして、覚醒度を測定するための皮膚電気活動（ED）からの感情的エンゲージメントデータと、バレンスデータを生成するための自動顔感情認識（A FER）によるデータを収集します。最終的に、エンゲージメントの3つの次元を特性づけるこれらの指標を、同期デバイスによって最初に送信されたタイムマーカーに従って、同期ソフトウェアで再同期させます。この手法の主な利点は、タスク終了後のエンゲージメントに関する自己評価尺度のみに焦点を当てる従来の研究手法とは異なり、学習タスク中の学習者のエンゲージメントを3つの次元で定量化できる点にあります。この手法は、さまざまな複雑な学習環境において、情動が認知に影響を与えるダイナミクスはどのようなものであるか、また、さまざまな教育的設定が情動と認知にどのような影響を与えるかといった、教育分野における重要な問いに答えるのに役立ちます。この手法は、他の分野への応用も期待されます。例えば、情報技術の分野では、ウェブサイトの閲覧中やソフトウェアアプリケーションの使用中におけるユーザーのエンゲージメントを測定するために、この手法を用いています。この手法は、EEGデバイスを用いて長距離ドライバーの覚醒度データを収集した、ニューロオミクスの最近の研究に着想を得たものです。この手順の実演は、HEC MontrealのTech three LabのリサーチアシスタントであるGabrielle Zuに加え、Neuro LabのリサーチアシスタントであるIgoとYigが行います。まず、アイトラッカー、EEGアンプ、記録用コンピューター、およびスピーカーの電源を入れます。製造業者の推奨手順に従い、必要な材料を用いてEEG溶液を調製します。次に、次の参加者に合わせてEEGおよびアイトラッキングソフトウェアを準備します。その後、ビデオ録画ソフトウェアとカメラを起動し、本プロジェクト用に作成された特定のサブルーチンを用いて同期ソフトウェアを起動します。これにより、60秒ごとに同期マーカーが送信されるようになります。次に、生理学的測定ソフトウェアを起動し、プロジェクト用に作成した特定のレイアウトを開きます。続いて、被験者をデータ収集室に案内し、10-20法に基づいて被験者の頭部のCz電極位置を確認します。EEGネットを被験者の頭部に装着し、各電極が頭部表面に対して垂直に配置されていることを確認してください。ネットコネクタを接続し、閾値を40 kilo ohmsに設定してインピーダンスチェックを行います。最後に、被験者の左手の甲に2つの生理学的センサーを装着します。データ収集を開始してください。Synchronyですべての記録ソフトウェアの起動準備が整ったら、9点校正手順を実行し、参加者が画面上の赤い点に従っている様子を観察します。メーカーの基準に従い、十分な精度が得られるまでこの手順を繰り返した後、参加者にコンピューター上で10問のニュートン力学の問題を解くよう指示します。すべてのコンピューターでデータ収集を停止します。タスクが完了したら、被験者からすべてのセンサーを取り外します。まず、EEGデータをEEGデータ解析ソフトウェアにインポートします。次に、[ファイル]をクリックし、[新規プロジェクト]を選択して、[参照]をクリックしてローデータ（raw data）の保存場所を選択します。新しく作成したraw dataフォルダーを選択します。同様に、historyおよびexportという名前の2つのフォルダーの保存場所を選択してください。その後、OKをクリックします。次に、ソフトウェアウィンドウで「transformations」から「IIR filters」をクリックし、フィルターとノッチを適用して脳信号を前処理します。遮断周波数を1.5 Hzおよび50 Hzに設定し、それぞれ12 dBのスロープを適用し、60 Hzでノッチフィルターを有効にします。その後、「transformations」から「DC detrend」をクリックして、信号から直流成分（DC）を除去します。マーカーの100ミリ秒前およびDC接続の100ミリ秒前の時間を基準にオプションを選択します。「transformations（変換）」および「raw data inspection（生データ検査）」をクリックして、生データの検査を行います。「semi-automatic inspection（半自動検査）」を選択し、ここに表示されている電圧、最大値、最小値、および振幅のパラメータを選択します。「transformations」から「ICA」をクリックし、瞬き除去のための標準的な球状化を用いた独立成分分析（ICA）を自動的に実行します。完了後、「transformations」の「ICA」をクリックして、逆ICA処理を行います。次に「inverse ICA」をクリックします。最後に、[export]および[generic data export]をクリックして、信号とマーカーをエクスポートします。[right header file]および[right marker file]とラベル付けされたボックスを選択してください。さらに、後にMATLABでエンゲージメント指数を構築するために、[text format]を選択します。次に、EEG信号をMatlabにインポートします。そのために、EEGLABスクリプトを起動します。これにより、MatlabにEEGLABのGUIが表示されます。EEG labの関数とプラグインを用いて「file import data」を選択し、参加者1名ずつのデータをインポートします。次に、「brain vis rec VDR file」からコマンドウィンドウにスクリプトをペーストし、エンゲージメント指数（engagement index）を生成します。このスクリプトによってテキストファイルが出力されます。このエンゲージメント指数のテキストファイルをMicrosoft Excelで開いてください。被験者間の比較を可能にするため、EEGデータにZスコア正規化を適用します。EEGの前処理が完了したら、皮膚電気活動（ELECTRODERMAL activity）またはEDAデータを生理学的データ解析ソフトウェアにインポートし、生理学的データの前処理を行います。次に、「transformation and waveform math」をクリックしてEDAデータにzスコア正規化を行い、被験者間の比較を可能にします。これは2つのステップで実行します。まず、ソース1にEDAチャネルを、数学演算ウィンドウでマイナス記号を、ソース2にKを選択します。次に、出力先メニューで「new」を選択します。EDAチャネルの平均値を入力し、「transform entire wave」を選択します。「OK」をクリックして2番目のステップに進み、再度「transformation waveform math」を開き、ソース1にEDAKチャネルを、演算ウィンドウに除算記号（/）を、ソース2にKを選択します。次に、送信先メニューで「new」を選択します。EDAチャネルの標準偏差値を入力し、「transform entire wave」を選択してください。最後に、「okay」をクリックして、最終的な前処理ステップを完了します。「File」から「New」、次に「Participant」をクリックし、メディアレコーダーからビデオデータを自動顔情動認識ソフトウェアにインポートします。プロジェクトメニューで新しい参加者を選択してください。その後、「File」から「New Analysis」、そして「Video」をクリックします。解析1の隣にある虫眼鏡アイコンをクリックし、目的のビデオファイルを選択します。最後に、SPSSで「分析」→「記述統計」→「記述統計」の順にクリックし、原子価データのzcoを算出します。「変数の保存」で「標準化値」を選択すると、Zスコアの列が表示されます。まず、「File」、「Import」、そして「Video」の順にクリックし、新しいオブザベーション（Observation）にIトラッキングビデオをインポートします。新しいオブザベーションに名前を付け、インポートするビデオファイルを選択します。次に、「File」、「Import」、そして「External Data」の順にクリックし、すべての外部データをインポートします。EEG信号のZスコア、EDA信号のzco、およびバレンスデータのZスコアを含めます。必要に応じて、さらなる解析のためにイベントマーカーを追加してください。コンピュータ間のタイミングを同期させるには、Control+Shift+「=」キーを押してオフセットメニューを開き、「numerical offset」を選択して、各データソース間の時間を秒単位で入力します。「OK」をクリックします。次に、「analyze select data」および「new data profile」をクリックし、レポートに生成する関心のある変数を選択します。分析したいイベントを選択し、「OK」をクリックします。次に、開始テーブルとネストテーブルの間、およびネストテーブルと結果テーブルの間に接続線を追加します。「分析（Analyze）」から「数値分析（Numerical Analysis）」をクリックし、さらに「統計（Statistics）」をクリックして、外部データメニューの「平均（Mean）」の隣にあるチェックボックスをオンにします。最後に、「OK」をクリックしてレポートを生成します。「レイアウト」をクリックし、外部データが列に、結果コンテナが行に配置されていることを確認してください。その後、「OK」をクリックして完了します。最後に、「計算」ボタンをクリックして、生成されるレポート内の関連計算をソフトウェアに更新させます。この実験では、複数のコンピュータを使用して、行動的、認知的、および感情的な側面を含む、エンゲージメントデータの多くの次元が同期されています。被験者のベースラインを確立するためには、タスク中の休止期間の終点におけるデータを使用することが有用です。ここでは、次のタスクへの期待によりEEGによる認知的エンゲージメントがわずかに上昇し始めており、覚醒度は依然として低下し続けています。問題解決タスク中に被験者が目を閉じていたため、バレンス（感情価）のデータが欠落しています。被験者が3行目を読んでいるときに、覚醒度がピークに達していることが分かります。感情バレンスは中立であり、習得後はEEGによる認知的エンゲージメントが最大になります。この手法では、実験開始前に約30分間の被験者の準備が必要です。本手法の開発により、情報技術の分野だけでなく、ビデオゲーム業界の研究者や実務者が、ユーザーの行動的、感情的、および認知的側面をリアルタイムでモニタリングすることが可能になります。あらゆる調整アプローチにおいて同期は重要なステップであり、すべてのデバイス間で正確なタイミングを確保するために、各実験の前後にこの手順の精度を検証する必要があります。このビデオを視聴することで、学習タスクにおけるエンゲージメントの行動的、感情的、および認知的次元の相互作用のダイナミクスをより深く理解するために、同期した精神生理学的データをどのように収集するかについて、十分な理解を得られたはずです。

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

Research

JoVE Journal

Behavior

行動

本稿では、空間的に集束されたエンジニアリングの問題を解決しながら、人間の神経活動を測定するためのアプローチについて説明します。脳波の方法論は、最終的には、問題のタイプ間と参加者間の両方のタスクのパフォーマンスの比較を可能にする目的で、神経効率の点でベータ脳波測定値を解釈するのに役立ちます。...

空間知能タスク：タスク固有ニューラル効率の比較のための脳波測定を活用

この作業は、革新的なツールの使用に基づいてこの「発達障害」より客観的診断手順を提供することにより評価注意欠陥多動性障害 (ADHD)...

ADHD 評価プロトコルで脳の活性化 (nir HEG/Q-脳波) と実行対策 (CPTs) の使用

脳波測定と高品質のビデオ録画を使用して、メディア コンテンツの視覚認識を分析するため

実験的な設計は、高等教育の設定やタスクで学生が経験する感情的な現実を評価するために、試験経験のリアルタイムの影響を調査するために開発されました。この設計は、学際的な(例えば、教育心理学、生物学、生理学、工学)およびマルチモーダル(例えば、唾液マーカー、調査、電気真皮センサー)アプローチの結果である。...

ほぼリアルタイムの本格的な試験体験を研究するための学際的かつ多モーダル実験設計

生理的データと自己報告データを組み合わせたソーシャルデジタルゲームにおける観客のエンゲージメントを測定できる方法論を提案する。このデジタルゲームは自由に動く人々のグループを含むので、経験はゲーム内のイベントと生理データをリンクする同期技術を使用して撮影されます。...

ソーシャルデジタルゲームの観客のエンゲージメントを測定する

自然主義的な学習環境における協調学習ダイアドに関するfNIRSハイパースキャン実験を行うためのプロトコルについて概説する。また、酸素化ヘモグロビン(Oxy-Hb)シグナルの脳間同期(IBS)を解析するパイプラインが提示される。...

オープンエンド共同学習における脳間同期:fNIRS-ハイパースキャン研究

この論文では、学生がクラスに注意を払っているか、気を散らしているかを自動的に検出する人工知能ベースのシステムを提案しています。このシステムは、教師が生徒の注意を引き付け、授業を最適化し、生徒がより魅力的になるように動的に変更を導入できるように設計されています。...

人工知能を用いた学生の注意力検出システム

ここでは、MRI環境内の行動モニタリングの課題を克服し、外部の手がかりに対する指示されていない行動反応の検出を可能にするビデオ分析パイプラインを紹介します。この分析により、誘発された内部状態の変化と脳全体の活動について、より包括的な理解が促進されます。...

全脳イメージングにおける母体行動応答のプロファイリング

環境エンリッチメントは、神経変性疾患に対する潜在的な保護効果を提供します。しかし、現在のところ、濃縮手順の有効性を判断する簡単な方法はありません。...

環境エンリッチメントの有効性を評価する手段として秘密箱の使用

Mindfulness in Motion(MIM)プロトコルは、慢性的に高ストレスの職場環境で働く人々のために、現場で実用的なMindfulness Based...

モーション （MIM） でマインドフルネス ：耐障害性と作業エンゲージメントを高めるために慢性的に高応力の作業環境のためのオンサイトマインドフルネスベースの介入（MBI）

学ぶ 行動・情動・認知のエンゲージメントを同期収集する神経生理学的手法。眼動計測、EEG、皮膚電気活動、表情認識を統合し、学習タスク中の多面的なエンゲージメントを定量化・分析する技術を解説します。

神経生理学の視点：学習を特徴づけるために、エンゲージメントの複数の次元を評価します

さらに動画を探す