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
2015年7月1日
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。
この手順の全体的な目標は、学習タスク中の行動的、感情的、認知的関与に関するデータを収集し、同期させることです。これは、最初に、収集されたデータ内にタイムマーカーを送信する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することによって実現されます。2つ目のステップは、行動エンゲージメントのためのアイトラッキングとソフトウェアインタラクションのデータを収集することです。
次に、認知エンゲージメントの特性評価のために EEG データが収集されます。最後のステップは、覚醒測定と自動顔面感情認識のためのELECTRODERMAL活動またはEDからの感情エンゲージメントデータを収集するか、またはFERを使用して価数データを生成することです。最終的に、エンゲージメントの3つの次元を特徴付けるこれらのインデックスは、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れます。
この手法の主な利点は、学習課題中の学習者の関与の3次元を定量化できることであり、課題後の自己評価の関与手段のみに焦点を当てた古典的な研究方法とは対照的に、学習課題中の有効性は明らかです。この方法は、さまざまな複雑な学習環境で認知に影響を与えるダイナミクスは何か、さまざまな教育設定が効果と認知にどのような影響を与えるかなど、適応症の分野における重要な質問に答えるのに役立ちます。この手法には、他の分野でも意味があります。
たとえば、情報技術では、この手法を使用して、Webサイトを閲覧しているときやソフトウェアアプリケーションを使用しているときのユーザーのエンゲージメントを測定しています。この手法は、EEGデバイスを使用して長距離ドライバーの警戒データを収集したニューロオミクスの最近の研究に触発されています。この手順を実演するのは、HECモントリオールのテックスリーラボの研究助手を持つガブリエル・ズーだけでなく、アイトラッカー、録音コンピューターとスピーカー用のEEGアンプをオンにすることで、Beginのニューロラボの研究助手であるIgoとYigです。
製造元が推奨する手順に従って、必要な材料でEEG溶液を準備します。次に、次の参加者のためにEEGおよびアイトラッキングソフトウェアを準備します。次に、ビデオ録画ソフトウェアを起動すると、カメラはプロジェクト用に作成された特定のサブルーチンを使用して同期ソフトウェアを起動し、同期マーカーを60秒ごとに送信できるようにします。
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された特定のレイアウトを開きます。次に、参加者をデータ収集室に連れて行き、10 20参照システムに従って参加者の頭のcz電極の位置を見つけます。EEGネットを参加者の頭に置き、各電極が頭の表面に対して垂直に配置されていることを確認します。
ネットコネクタを差し込み、40キロオームのしきい値でインピーダンスチェックを実行します。最後に、参加者の左手の上部に2つの生理学的センサーを配置します。データ収集を開始します。
すべての録音ソフトウェアを Synchrony で起動する準備ができたら、9 ポイントのキャリブレーション手順を実行し、参加者が画面上の赤い点をたどっている間、参加者を観察します。製造元の基準に従って十分な精度が得られるまでこの手順を繰り返し、参加者にコンピューター上の10のニュートン物理学の問題を解決するように指示します。すべてのコンピュータでデータ取得を停止します。
タスクが完了したら、参加者からすべてのセンサーを取り外します。まず、脳波データを脳波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]、[新しいプロジェクト] の順にクリックし、[参照] をクリックして生データの場所を選択します。
新しく作成した生データフォルダを選択します。historyという名前のさらに2つのフォルダの場所を選択し、同じ方法でエクスポートします。次に、[OK]をクリックします。
次に、トランスフォーメーションとIIRフィルターをクリックして、ソフトウェアウィンドウにフィルターとノッチを適用して脳信号を前処理します。カットオフ制限を 1.5 ヘルツと 50 ヘルツに設定し、それぞれに 12 デシベルの傾きを設定し、60 ヘルツの周波数でノッチを有効にします。次に、DC D は、変換と DC dre をクリックして信号をトレンド化します。
マーカーの 100 ミリ秒前と DC 接続の 100 ミリ秒前の時間に基づいてオプションを選択します。ロー・データ検査を実行するには、「変換」と「ロー・データ検査」をクリックします。半自動検査を選択し、ここに表示される電圧、最大最小、および振幅のパラメータを選択します。
自動独立成分分析または古典的な球体を使用してICAを実行します 変換をクリックしてまばたき除去 完了したらICA完了。逆 ICA を処理するには、[変換] [ICA] をクリックします。次に、逆 ICA です。
最後に、エクスポートと汎用データのエクスポートをクリックして、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」というラベルの付いたボックスを選択します。さらに、エンゲージメント インデックスの最終的な MATLAB 構築のためのテキスト形式を選択します。
次に、EEG信号をmatlabにインポートします。これを行うには、E-E-G-L-A-B スクリプトを開始します。そのため、EEGラボのGUIがmatlabに表示されます。
ファイルを選択して一度に1人の参加者のデータをインポートし、EEGラボ機能とプラグインを使用してデータをインポートし、脳内視鏡VDRファイルからエンゲージメントインデックスを生成するスクリプトをコマンドウィンドウに貼り付けます。このスクリプトはテキストファイルを出力します。エンゲージメントインデックスのテキストファイルを Microsoft Excel で開きます。
脳波データにZスコアの正規化を適用して、被験者間の比較を可能にします。EEGの前処理が完了したら。ELECTRODERMALアクティビティまたはEDAデータを生理学的データ分析ソフトウェアにインポートすることにより、生理学データを前処理します。
次に、変換と波形演算をクリックしてEDAデータのzスコア正規化を計算し、サブジェクト間の比較を可能にします。これは 2 つの手順で行われます。まず、ソース 1 に EDA チャネル、数学演算ウィンドウでマイナス記号、ソース 2 に K を選択します。
次に、宛先メニューで [新規] を選択します。EDA チャネルの平均値を入力し、波形全体の変換を選択します。2番目のステップで「OK」をクリックし、トランスフォーム波形演算を再度開き、ソース1にEDAKチャンネル、数学演算ウィンドウの除算記号、ソース2にKを選択します。
次に、宛先メニューで[新規]を選択します。EDA チャネルの標準偏差値を入力し、[波形全体を変換] を選択します。最後に、最後の前処理ステップの[OK]をクリックします。
メディアレコーダーから自動顔感情認識ソフトウェアにビデオデータをインポートするには、ファイルをクリックしてから[新規]をクリックしてから[参加者]をクリックします。プロジェクトメニューで新しい参加者を選択します。次に、ファイル、新しい分析、およびビデオをクリックします。
分析の横にある虫眼鏡をクリックして、目的のビデオファイルを選択します。SPSSの価数データのzcoを計算することにより、記述統計の分析と記述をクリックして終了します。[標準化された値を変数に保存]を選択すると、Zスコアの列が表示されます。
まず、新しい観測で[ファイル]、[インポート]、および[ビデオ]をクリックして、Iトラッキングビデオをインポートします。新しい観測データに名前を付け、インポートするビデオ ファイルを選択します。[ファイル]、[インポート]、および[外部データ]をクリックして、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、および価数データのZスコアを含めます。必要に応じて、さらに分析するためにイベントマーカーを追加します。コンピューター間でタイミングを同期するには、Control Shift キーを押し、等号で数値オフセットを選択してオフセット メニューを開き、データ ソースの各ペア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、分析、選択データ、および新しいデータプロファイルをクリックして、レポートに生成する興味深い変数を選択します。分析するイベントを選択し、[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。クリックしてレポートを生成し、数値分析と新しいクリック統計を分析し、外部データメニューの下の平均の横にあるチェックボックスをオンにします。次に、[OK]をクリックします。
[レイアウト] をクリックし、外部データが列にあり、結果コンテナが行に表示されていることを確認します。クリックして終了します。大丈夫です。最後に、計算ボタンをクリックして、生成中のレポートに関連する計算をソフトウェアが更新します。
この実験では、複数のコンピューターを使用して行動、認知、感情など、エンゲージメントデータの多くの側面が同期されます。被験者のベースラインを確立するには、タスク内の一時停止の終了時に一時停止があるポイントからのデータを使用すると便利です。脳波の認知的関与は、次の課題を見越してわずかに上昇しており、覚醒はまだ低下しています。
問題解決タスク中に参加者の目が閉じているため、価数データが欠落しています。被験者が3行目を読むと、彼らの覚醒がピークに達したことがわかります。感情価は中立であり、EEGの認知的関与は、一度習得すると最大になります。
この手法には、実験が始まる前に約30分間の被験者の準備が含まれます その開発後。この手法は、研究者や情報技術の実践者だけでなく、ビデオゲーム業界でも、ユーザーの行動、感情、認知の側面をリアルタイムで監視する道を開くでしょう。レギュレーションアプローチの重要なステップは同期であり、この手順の精度は、すべてのデバイス間の正確なタイミングを確保するために、すべての実験の前後にテストする必要があります。
このビデオを見た後、学習タスク中のエンゲージメントの行動的、感情的、認知的側面の相互作用のダイナミクスをよりよく理解するために、同期された心理生理学的データを収集する方法を十分に理解しているはずです。
完全なトランスクリプトを表示し、数千本の科学動画にアクセス
概要
本論文では、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の収集と同期の手法について述べる。本研究では、学習プロセスの理解を深めるため、学習者エンゲージメントの多面的な統合に焦点を当てている。
研究の主要構成要素
科学分野
- 神経科学
- 心理学
- 教育テクノロジー
背景
- エンゲージメントは、行動、感情、および認知を伴う多次元的な構成概念である。
- エンゲージメントを理解することは、教育成果の向上につながる。
- 正確な分析には、さまざまなソースからのデータの同期が不可欠である。
- 技術の進歩により、包括的なデータ収集が可能になっている。
研究目的
- 学習者のエンゲージメントのさまざまな次元に関するデータを収集すること。
- より適切な分析と理解のために、これらのデータを同期させること。
- エンゲージメントを測定するための高度な手法を活用すること。
使用した方法
- 同期装置を用いてデータ収集システムを接続する。
- 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およびソフトウェア操作データを収集する。
- 認知的エンゲージメントを特徴づけるため、EEGデータを収集する。
- 皮膚電気活動および表情感情認識を通じて、感情的エンゲージメントを測定する。
主な結果
- 行動、感情、および認知データの同期の成功。
- 学習者のエンゲージメントにおける主要な指標の特定。
- 効果的なデータ収集手法の実証。
- エンゲージメントの異なる次元間の相互作用に関する知見。
結論
- 多次元的なエンゲージメントを効果的に測定し、分析することが可能です。
- データの同期により、学習者の行動への理解が深まります。
- 今後の研究では、これらの手法を基にエンゲージメントをさらに深く探求することができます。
よくある質問
業界における重要性
本手法により、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の同期的な多次元測定が可能となり、デジタルシステムに対するユーザーインタラクションを評価するための神経生理学的フレームワークが提供されます。バイオファーマの研究開発において、このようなアプローチは、治験スタッフ向けの適応型トレーニングプラットフォームの設計に役立て、患者報告アウトカムツールのエンゲージメント指標を向上させ、さらに注意状態や情動状態の定量的なリアルタイム指標を提供することで、神経認知治療薬開発におけるメカニズム的なリスク低減を支援することができます。EEG、皮膚電気活動、アイトラッキング、および顔認識の統合は、エンゲージメントダイナミクスのシステムレベルでの視点を提供し、認知および感情反応の客観的かつ多パラメータなバイオマーカーを必要とするターゲットバリデーションの取り組みと整合します。
バイオ医薬品研究開発における戦略的応用
初期探索およびターゲットバリデーション
- 科学的価値：タスク実行中の神経生理学的エンゲージメントマーカーを、認知負荷および感情価と相関させることで、治療仮説の検証を可能にする。
- 運用の価値：同期させたEEGおよび皮膚電気活動信号を介して、覚醒度と注意力を客観的にリアルタイムで測定し、機能的ターゲットの検証を支援する。
- 予測の信頼性：神経精神疾患モデルにおける注意力、感情、および認知に関わるメカニズムのリスクを低減させるための、定量的かつ多次元的なデータを提供する。
スクリーニングおよびアッセイ開発
- アッセイの準備完了状態：EEG、皮膚電気活動、および顔面バレンスデータから、認知変調物質の高スループットスクリーニングに適した、標準化されたzスコア付きエンゲージメント指標を算出します。
- 再現性：60秒ごとにタイムスタンプ付きの同期マーカーを用いることで、マルチモーダルデータストリーム間の時間的整合性を確保し、アッセイの信頼性を向上させています。
- 定量的出力：正規化されたエンゲージメント指標を生成し、被験者間の比較、および化合物が行動的、感情的、認知的な領域に及ぼす影響の統計的分析を可能にします。
トランスレーショナル・前臨床研究
- 疾患への関連性： 注意欠陥やうつ病などの、エンゲージメント次元が崩壊している神経精神疾患に対するトランスレーショナルなバイオマーカーの枠組みを提供します。
- 前臨床における継続性： 標的変調を、種間またはモデルシステム間での同期したエンゲージメント指標の測定可能な変化に結びつけることで、リスク調整された開発の推進をサポートします。
- メカニズムによるリスク低減： 認知機能の改善に適切な感情的および行動的エンゲージメントが伴っているかを明確にし、中枢神経系（CNS）創薬における偽陽性のリードを減少させます。
パイプラインおよびワークフローの統合
本手法は、ターゲットバリデーションからリード化合物の特定、さらには前臨床有効性試験に至る創薬の探索的プロセスに適合するものであり、特に多次元的な関与が機能的なアウトプットとなる、認知および情動処理経路を標的とする化合物に適しています。
- 探索生物学： 認知タスク中の注意、覚醒、およびバレンス（感情価）の間の動的な相互作用に、神経系の摂動がどのように影響するかを明らかにすることで、仮説検証を促進します。
- スクリーニング： アッセイに即した同期済みのエンゲージメント指標を提供し、行動、感情、および認知の各次元におけるテスト化合物の信頼性の高い比較を可能にします。
- 分析： zスコア化されたEEG、皮膚電気活動、およびバレンスの出力を提供し、スクリーニングキャンペーンにおける統計的比較および効果量の算出をサポートします。
- トランスレーショナルリサーチ： 確立されたエンゲージメントの神経心理学的構成概念と整合させることで、ターゲットエンゲージメントを前臨床検証へと結びつけ、バイオマーカーの適格性評価を支援します。
- 企業での再利用： トレーニング、評価、および治療反応モニタリングのワークフロー全体にわたって、ユーザーまたは患者のエンゲージメントを評価するための、再利用可能な神経生理学プラットフォームを確立します。
運用および企業への影響
- 科学的価値：行動的、感情的、および認知的エンゲージメントを同時に測定することで、メカニズム的な曖昧さを排除し、予測の信頼性を向上させる。
- 運用的価値：同期したデータ収集と、マルチモーダルな生理学的ストリーム全体のzスコア正規化により、標準化と再現性を高める。
- 戦略的価値：介入に対する包括的な神経行動学的反応を捉えるマルチパラメータ・エンゲージメントプロファイルを提供することで、go/no-go決定の精度を向上させる。
- ポートフォリオへの影響：感情的または注意的な乖離（dissociated effects）を誘発することなく標的エンゲージメントを調節する化合物を特定することで、リスク調整後の優先順位付けを可能にする。
実施上の検討事項
- EEG、電気皮膚反応、アイトラッキング、および顔認識システムの運用には、神経生理学、信号処理、およびマルチモーダルデータ統合の専門知識が必要です。
- 同期のための専用ハードウェアおよびソフトウェアに依存しており、デバイス間のレイテンシを補正するためのトリガーデバイスやアライメントツールが含まれます。
- フィルタリング、アーチファクト除去（例：瞬き補正のためのICA）、および被験者間の比較可能性を高めるためのzスコア変換を含む、データ前処理パイプラインのチーム間での標準化が必要です。
- センサーの配置やベースラインの変動により、異なるモデルシステムや環境コンテキストに本プロトコルを適用する際に適応上の課題が生じます。
- 特に長時間の認知タスクにおいて、体動アーチファクトを最小限に抑えデータ品質を確保するために、制御された環境が必要であるという制限があります。
バイオ医薬品に関するよくある質問
Chapters in this video
0:05
Title
2:20
Equipment and Participant Setup
3:51
Data Collection
4:36
Pre-processing of EEG, Physiology, and Facial Emotion Data
9:51
Data Integration and Synchronization
11:54
Results: Multiple Dimensions of Engagement Assess Learning During a Problem-solving Task
12:50
Conclusion
