学習過程に従事する成人の行動分析に使用されるアイトラッキング技術とデータマイニング技術
June 10th, 2021
学習プロセスに従事する成人(18歳から70歳)の行動分析のためのプロトコルを提示し、自主学習(SRL)のために設計されたタスクを行います。参加者、大学の教師、学生、経験大学の成人をアイトラッキングデバイスで監視し、データマイニング技術でデータを分析しました。
異なるプロセスに従事する15〜70歳の成人の行動分析のためのプロトコルを提示する。自己規制学習に割り当てられたタスクを引き受けています。参加者、大学の教師、学生、および経験大学の他の人は、アイトラッキングデバイスで監視され、データマイニング技術でデータを分析しました。
このプロトコルは、ブルゴス大学のバイオ倫理委員会の手続き規則に従って実行されました, スペイン.この研究では、2つの調査の質問がありました。研究課題1は、美術史における学生と専門家と非専門家の教師との間の学習結果と眼の固定パラメータに大きな違いがあり、公式の学位を持つ学生と非公式の学位を持つ学生、経験大学成人教育を区別するだろうか?
そして研究課題2:学習結果と眼の固定パラメータを持つ各参加者のクラスターは、参加者の種類、公式の学位を持つ学生、非公式の学位を持つ学生、経験大学成人教育、教師と一致しますか?参加者募集。高等教育、正式および非正式な教育の環境で18〜70歳の年齢ランクを持つ2つの環境、学生と教師の中で大人のグループの中から参加者を募集します。
正常な参加者、または正常な視力と聴覚に修正された参加者を含める。神経学的、精神科、睡眠障害、教育上の特別なニーズに関連する障害、知覚障害、視覚障害や聴覚障害、および認知障害を持つ参加者を除外します。本研究では、39名の参加者、経験大学の学生6名に相当する決定的なサンプルを研究しました。
1人の参加者は、視覚障害のために経験大学から学生のカテゴリに除外されました.健康科学、工学、歴史と遺産の分野で25の大学教授、および健康科学、工学、歴史と遺産のコースに続く9学部と修士の学生。データ収集、インフォームド・コンセントを取得します。
テストの前に、各参加者に研究の目的とデータの収集、処理、および保存を知らせます。各参加者の同意は、インフォームド・コンセント・フォームに署名することによって行います。次に、この分野の専門家である面接官は、タスクを開始する前に、年齢、性別、職業、および主題に関する事前知識に関する質問に関するアンケートを通過します。
この場合、ヨーロッパの修道院の起源と歴史的発展。実験手順。キャリブレーション。アイトラッキング技術の仕組みや、情報の収集と記録、および校正方法について参加者に知らせます。
有効な机には適切な位置が必要であることを参加者に説明する。これを行うには、参加者はモニターから45〜60センチメートルの一定の距離に座る必要があります。距離は参加者の高さに依存し、高さを下げ、距離が短くなります。
参加者は、一連のポイントが画面の基点に表示され、ポイントが表示されるたびに、参加者は目でそれを観察しなければならないことを知らされます。キャリブレーション設定を行います。学習タスクを実行する。
タスクの内容を参加者に説明する。学習タスクは、ヨーロッパの修道院の起源の説明で構成されています。割り当ては、SRL方法論を使用してビデオナレーションで提示されます。
情報は、書面によるテキストや画像を含む聴覚および視覚チャネルを通じて表示されます。ビデオクリップを見る。Moodleベースの仮想プラットフォームでクロスワードパズルを実行します。
データ分析。関心のある地域、AOIを選択します。AOI はビデオで定義され、関連情報と関連しない情報を含む AOI を含む AOI に分割されます。
AOI 固定のパラメーターに関連するデータベースを抽出します。統計処理ソフトウェア パッケージを含むデータベースをインポートし、オプションを選択して分析し、分類、オプション K-Means クラスターに従います。次に、統計ソフトウェア・パッケージのクロス・テーブル (例えば SPSS、 ANOVA オプションなど) を選択して、参加者間の差異を分析します。
データの視覚化分析を実行します。詳細な統計のパラメータのデータを抽出し、統計分析を行います。パーソナライズされた学習提案。
クラスター分析で検出された参加者の学習成果を改善するために、介入プログラムを実行します。代表結果。本研究に参加した36名の参加者は、経験大学の成人学生、大学教授、学部・修士課程の3つのグループから22歳から69歳までの年齢を持つ学生でした。
プロトコルはブルゴス大学で20ヶ月以上テストされました。固定の視線位置パラメータを解析した。各参加グループの男女グループ、経験大学の学生、大学の教師、大学院生と修士課程の学生は、それぞれ異なる方法でタスクを完了しました。
いずれの固定パラメータにも有意な差は見られなかったが、固定平均瞳孔サイズY、固定と平均瞳径、および固定分散Xの差に対する傾向は、低い効果値を有するが、注目された。その後、主要手段クラスターは、固定位置、以前の知識、およびクロスワードパズルの結果のパラメータの結果に関して、最初の研究グループに異なるグループがあるかどうかを研究するために適用されました。3つのクラスターが見つかりました。
また、各参加者に割り当てられたグループメンバーシップのクラスタ値と、各参加者のカテゴリタイプ、大学の学生、大学教授、大学生の間にグループテーブルを用意しました。それぞれは、固定位置パラメーターの 3 つのグループに対するクラスター内の参加者の位置を示します。背景知識によって有意な差が見られ、転用期間1の変数が示された。
各AOIに挿入された各刺激の入力、決闘、出力時間を分析する。したがって、異なるAOIに入る、残る、および出る方法は、情報アクセスの初期段階での可変参加者グループによって異なっていたと結論付けることができます。平均固定期間パラメータにも差異が見られた。
固定が長いと、参加者は、異なる AOI 内の情報コンテンツの分析と解釈に多くの時間を費やします。ボンフェローニは、グループメンバーシップを確立するために異なるテストが適用されたことを意味し、彼らはグループの経験大学の学生と大学教授のグループの間にあったことが確立されました。この手段は、経験豊富な大学の学生からより高く、参加者はデータ入力フェーズ中にAOIの分析と解釈に多くの時間を費やしました。
この研究で得られた結果に基づいて、タスク解決学習成果を向上させるためにパーソナライズされた学習プログラムの開発が提案された。本研究では、ビデオで取り上げたコンセプトの強化に焦点を当て、その拡張とコンセプトの仕様が行われます。このデータ分析で得られた結果は、教師に、タスクの提示、さらには学習者または学習者のグループの特性を調整するための情報を与える。結論。
情報チャネル、聴覚、視覚、またはその両方を使用して、情報を方法で表示します。SRLアクティビティでは、方法論と追跡技術と機械学習技術の使用。これは、学習が情報をどのように処理するかを理解し、各Soの教育ニーズに応じてパーソナライズされた学習デザインを提供することを可能にすることが重要です。
View the full transcript and gain access to thousands of scientific videos
概要
この研究は、自己調整学習タスクに従事する15歳から70歳の成人の行動を分析するためのプロトコルを提示します。参加者には、アイトラッキングデバイスを使用して監視された大学教師、学生、そしてExperience大学の成人が含まれていました。
主要な研究構成要素
科学の分野
- 行動分析
- 自己調整学習
- アイトラッキング技術
背景
- 成人の学習プロセスへの焦点。
- 様々な参加者グループの関与。
- 高度なモニタリング技術の使用。
- 生命倫理規制の遵守。
研究の目的
- 異なる成人グループ間の学習成果を調査すること。
- 専門性に関連する眼の固定パラメータを分析すること。
- 正式および非公式の学位を持つ学生を区別すること。
使用された方法
- 行動分析プロトコル。
- モニタリング用のアイトラッキングデバイス。
- 分析用のデータマイニング技術。
- 生命倫理基準の遵守。
主要な結果
- 観察された学習結果の違い。
- 眼の固定パラメータの変化に注目。
- 専門性と学習の影響に関する洞察。
- 正式および非公式の学位を持つ学生の比較。
結論
- 成人の学習プロセスに関する重要な発見。
- アイトラッキングは学習行動に有価な洞察を提供します。
- これらのダイナミクスを探求するためのさらなる研究が必要です。
よくある質問
Executive Industry Relevance
Quantitative behavioral analysis using eye-tracking and data-mining enables objective assessment of cognitive engagement and learning strategies in adult populations. These methods provide actionable insights for optimizing training protocols and personalizing educational interventions in biopharma workforce development. Integrating such analytics at the discovery and training interface supports evidence-based upskilling and knowledge retention across diverse R&D teams.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Supports objective measurement of attention and information processing during scientific training modules.
- Enables identification of knowledge gaps and learning styles among R&D personnel.
- Facilitates data-driven refinement of onboarding and technical education programs.
Screening & Assay Development
- Provides validated behavioral metrics for standardizing training in assay protocols.
- Enables reproducible assessment of user interaction with digital or instrument-based workflows.
- Supports scalable evaluation of training effectiveness across multiple user cohorts.
Translational & Preclinical Research
- Aligns training outcomes with translational research needs by identifying cognitive bottlenecks in protocol comprehension.
- Improves continuity from discovery to preclinical phases through targeted educational interventions.
- Reduces operational risk by ensuring consistent understanding of complex experimental procedures.
Pipeline & Workflow Integration
Eye-tracking and data-mining analytics can be positioned at the interface of workforce training, protocol adoption, and digital workflow optimization in biopharma R&D.
- Discovery Biology: Quantifies attention and learning during scientific content delivery, supporting hypothesis-driven training improvements.
- Screening: Standardizes user engagement metrics for digital assay platforms and protocol walkthroughs.
- Analytics: Delivers quantitative outputs such as fixation duration and cluster-based learning profiles for benchmarking training efficacy.
- Translational Research: Bridges knowledge transfer from discovery to preclinical teams by identifying and addressing learning disparities.
- Enterprise Reuse: Establishes a reusable framework for ongoing workforce development and protocol optimization.
Operational & Enterprise Impact
- Scientific Value: Enhances predictive confidence in workforce readiness and protocol adoption.
- Operational Value: Drives standardization and reproducibility in training and procedural compliance.
- Strategic Value: Informs targeted upskilling, reducing late-stage errors and improving capital efficiency.
- Portfolio Impact: Supports risk-adjusted advancement of teams and projects through data-driven training insights.
Implementation Considerations
- Requires expertise in behavioral analytics, eye-tracking instrumentation, and statistical data-mining.
- Needs integration with digital learning platforms and secure data infrastructure.
- Demands cross-team standardization of training content and assessment metrics.
- Adaptation may be needed for different scientific domains and user backgrounds.
- Practical limitations include participant eligibility and the need for controlled testing environments.
