Het beoordelen van de verschillende dimensies van Engagement te karakteriseren Learning: A Neurofysiologische Perspective

Samenvatting

Dit artikel heeft tot doel de technieken te beschrijven die betrokken zijn bij het verzamelen en synchroniseren van de meerdere dimensies (gedragsmatig, affectief en cognitief) van de betrokkenheid van leerlingen tijdens een taak.

Samenvatting

In een recente theoretische synthese over het concept van betrokkenheid, definieerden Fredricks, Blumenfeld en Paris¹ betrokkenheid door middel van haar meerdere dimensies: gedragsmatig, emotioneel en cognitief. Ze observeerden dat individuele typen van betrokkenheid niet in combinatie waren bestudeerd, en er was weinig informatie beschikbaar over interacties of synergie tussen de dimensies; bijgevolg zouden meer studies bijdragen aan het creëren van fijnafgesteld onderwijsinterventies. Geprofiteerd van de recente technologische vooruitgang in de neurowetenschappen, presenteert dit artikel een onlangs ontwikkelde methodologie om gegevens te verzamelen en te synchroniseren over multidimensionale betrokkenheid tijdens leertaken. De techniek omvat de verzameling van (a) elektro-encefalografie, (b) elektrodermale, (c) oogtracking en (d) gezichtsemotionherkenningsgegevens op vier verschillende computers. Dit leidde tot synchronisatieproblemen voor gegevens verzameld uit meerdere bronnen. Postsynchronisatie in gespecialiseerde integratiesoftware geeft onderzoekers een beter begrip van de dynamiek tussen de meerdere dimensies van betrokkenheid. Voor curriculumontwikkelaars zouden deze gegevens gefundeerde richtlijnen kunnen bieden voor het bereiken van betere instructie/leerefficiëntie. Deze techniek opent ook mogelijkheden op het gebied van hersen-computerinteracties, waar adaptieve leer- of beoordelingsomgevingen zouden kunnen worden ontwikkeld.

Inleiding

Engagement speelt een cruciale rol in het leren. Voor Clark en Mayer ^2, "al het leren vereist betrokkenheid," ongeacht de levering media. Zhang et al. ³ ook gesuggereerd dat de toegenomen betrokkenheid van de student leerresultaten, zoals het oplossen van problemen en kritisch denken vaardigheden kunnen verbeteren. Het definiëren van betrokkenheid blijft een uitdaging. In hun literatuuronderzoek, Fredricks, Blumenfeld en Parijs ¹ gedefinieerd betrokkenheid door zijn veelzijdige karakter: "Behavioural betrokkenheid is gebaseerd op het idee van participatie; het omvat betrokkenheid bij de academische en sociale of buitenschoolse activiteiten. (...) Emotionele betrokkenheid omvat positieve en negatieve reacties op leraren, klasgenoten, academici, en de school en wordt verondersteld om de banden op een object en invloed bereidheid om het werk te doen maken. Tot slot, cognitieve betrokkenheid is gebaseerd op het idee van mentale investeringen; het bevat bedachtzaamheid en de bereidheid om de inspanning nec oefenendig om complexe ideeën en meester moeilijke vaardigheden te begrijpen. "

Fredricks, Blumenfeld en Parijs ¹ beweerde ook dat een focus op het gedrag, emotie en cognitie, binnen het concept van betrokkenheid, kan een rijkere karakterisering van leren te bieden. Deze auteurs erop gewezen dat een robuust lichaam van het onderzoek richt zich op elk onderdeel van de opdracht afzonderlijk, maar deze onderdelen waren niet onderzocht in combinatie. Zij hebben ook geconstateerd dat er weinig informatie beschikbaar is over de interacties tussen de dimensies en dat er meer studies zouden kunnen bijdragen tot de planning fijn afgestemd onderwijs interventies. Als een stap in die richting, dit artikel beschrijft een onderzoeksmethode die werd ontwikkeld voor het verzamelen en tijdens het leren taken kwantitatieve en kwalitatieve gegevens, synchroon, op gedrags-, emotionele en cognitieve betrokkenheid te analyseren.

Brengen de Neurowetenschappen in Education

BehavIOR, en bijgevolg gedragsmatige betrokkenheid, is al lange tijd de centrale focus van de studies in het onderwijs: onderzoek ontwerpen vooral gericht op veranderingen in de kennis en het gedrag dat over lange periodes, tussen pre- en post-testen, en dan met intervallen van uren, weken , maanden of jaren. Onderscheid te maken tussen gedrags-, emotionele en cognitieve betrokkenheid blijft een uitdaging, omdat de laatste twee dimensies zijn niet systematisch waarneembaar extern. Cognitie en emoties moet ofwel worden afgeleid uit waarnemingen of getoetst met zelf-verslag maatregelen. Uit een extern oogpunt blijft het moeilijk om te bepalen of de studenten proberen te krijgen hun werk zo snel mogelijk of met behulp van deep-level learning strategieën om een ​​specifieke inhoud knie gedaan. In feite, Fredricks, Blumenfeld en Parijs ¹ waren niet in staat om gepubliceerde studies met behulp van directe, objectieve metingen van cognitieve betrokkenheid te vinden.

Recente technologische ontwikkelingen inhet gebied van neurowetenschappen hebben nieuwe mogelijkheden voor onderzoek in het onderwijs gemaakt. Nieuwe methoden van dataverzameling en analyse algoritmes ontwikkeld op het gebied van neuro ergonomie lijken veelbelovend voor de kwalitatieve en kwantitatieve studies tijdens leertaken. Andere disciplines, zoals economie, psychologie, marketing, en ergonomie, zijn met behulp van neurofysiologische metingen om cognitieve betrokkenheid beoordelen voor bepaalde tijd ^4-8. Neurofysiologische maatregelen, in combinatie met een efficiënte analyse algoritmes, mogelijk maken om een ​​fenomeen te bestuderen, zonder te verstoren. Door hun aard, zelfrapportage vragenlijsten los studenten van leren. Neurofysiologische maatregelen toestaan ​​onderzoek ontwerpen om in meer authentieke leeromgevingen worden uitgevoerd. Deze tools omvatten apparatuur om de hartslag te controleren, ademhaling, bloeddruk, lichaamstemperatuur, pupil diameter, elektrodermale activiteit, elektro-encefalogram (EEG), enz.

Gathering gesynchroniseerde gegevens op Behavioral, emotionele en cognitieve Engagement

Als vertegenwoordiger resultaten na het gebruik van dit protocol, zal deze paper gedeeltelijke resultaten van een studie waarin leerlingen moesten lossen, op een computerscherm, tien problemen in mechanische natuurkunde presenteren. Deze problemen werden ontwikkeld in eerdere werk ^9. Neurofysiologische gegevens werden verzameld, terwijl de leerlingen waren het oplossen van de problemen en ontspannen tijdens een 45 s pauze, met hun ogen dicht, na elk probleem.

Zoals hierboven vermeld, behavioral aangrijping data bestaan ​​uit software interacties (muisbewegingen en klikken), ogen blik, prestaties en antwoorden op vragen die door een lerende interactie met het systeem tijdens het volbrengen van de taak ^1. An eye-tracking-systeem werd gebruikt om software interacties en ogen blik verzamelen. Prestatiegegevens (tijd om een ​​probleem op te lossen, juistheid van de antwoorden) werden verzameld op eenenquête website die werd gebruikt om de belasting afgestemd. Deze website werd ook gebruikt om zelfrapportage data verzameld met een vragenlijst aangepast van Bradley en Lang ¹⁰ te verzamelen. Emotionele betrokkenheid impliceert karakterisering van emoties. Volgens Lang ^11, zijn emoties gekarakteriseerd in termen van Valence (aangenaam / onaangenaam) en arousal (rust / gewekt). Emotionele betrokkenheid gegevens werden dienovereenkomstig verzameld, met behulp van automatische gezicht emotie herkenning software die emotionele valentie en een elektrodermale activiteit encoder / sensor voor opwinding ^12,13 kwantificeert. Elektrodermale activiteit (EDA) verwijst naar de opgenomen elektrische weerstand tussen twee elektroden bij een zwakke elektrische stroom gestaag gevoerd daartussen. Cacioppo, Tassinary en Berntson ¹⁴ toonde aan dat de weerstand opgenomen is afhankelijk van de opwinding van het onderwerp. Zo psychofysiologische gegevens, zoals valentie of opwinding, worden beschouwd als correlaten van emotionele betrokkenheid.

Tot slot, cognitieve betrokkenheid gegevens worden verzameld door middel van elektro-encefalogram (EEG). EEG maatregelen, de hoofdhuid, de gesynchroniseerde elektrische activiteit van groepen van neuronen in de hersenen. Elektrische signalen die uit de hoofdhuid vaak oscillerende en samengesteld uit frequentiecomponenten. Volgens afspraak worden deze frequenties gegroepeerd in sequenties, zogenaamde bands. Bijvoorbeeld, alfa, beta en theta bands staan ​​centraal in het onderzoek. Volgens neurowetenschappelijke studies ^14, deze banden weerspiegelen verschillende cognitieve verwerking vaardigheden in specifieke gebieden van de hersenen. De analyse van de spectrale vermogensdichtheid (PSD) van specifieke frequenties in combinatie met tal van studies ^7,15 alertheid en aandacht, stelt onderzoekers cognitieve aangrijping kwantificeren tijdens een taak. Zoals Mikulka et al. ¹⁶ is opgemerkt, heeft onderzoek aangetoond een directe relatie tussen bèta-activiteit en cognitieve alertheid en een indirecte relatie tussen alfa eend theta-activiteit en alertheid. Zo Pope, Bogart en Bartolemé ⁷ ontwikkelde een engagement index die de PSD van de drie bands berekent: beta / (alfa + theta). Deze verhouding werd gevalideerd in andere studies op betrokkenheid ^16,17,18. Om cognitieve aangrijping te karakteriseren tijd, een snelle Fourier transformatie (FFT) converteert het EEG signaal van elke actieve plaats (F3, F4, O1, O2) in een vermogensspectrum. Het EEG aangrijping index op tijdstip T wordt berekend door het gemiddelde van elke opdracht verhouding binnen 20 seconden schuifraam voorgaande tijd T. Deze procedure wordt herhaald om de tweede en nieuw schuifraam wordt gebruikt om de index te werken.

Aangezien het doel van deze methode is een rijke analyse van de verschillende dimensies van aangrijping, gegevenssynchronisatie cruciaal. Zoals Leger et al. ¹⁹ herinneren lezers, fabrikanten van apparatuur raden het gebruik van slechts één computer per meetinstrument om hun gespecificeerde precisie le garanderenvel. Dus, als er meerdere computers worden gebruikt, synchronisatie tussen opname computers wordt een cruciale stap. De opnames kunnen niet allemaal worden gestart op exact hetzelfde moment, en elke datastroom heeft zijn bepaalde termijn (bijvoorbeeld sec 0 van eye-tracking ≠ sec 0 van EEG of fysiologische data). Dit is uiterst belangrijk: desynchronisatie tussen gegevensstromen verstaan ​​fouten in de kwantificering van elke dimensie engagement. Er zijn verschillende manieren van het synchroniseren van gelijktijdige fysiologische en gedrags-opnames. Deze methoden kunnen worden verdeeld in twee belangrijke benaderingen; directe en indirecte ^20. De in onderstaande paragraaf protocol is gebaseerd op een indirecte benadering waarbij een extern apparaat, een syncbox, wordt gebruikt om de transistor-transistor logic (TTL) signalen naar alle controleapparaat (zie figuur 1). Zoals elk apparaat heeft een andere starttijd, worden de TTL markers opgenomen in de logbestanden met een relatieve vertraging. Markeringen worden vervolgens gebruikt om de signalen te herschikken en dus zorgen voor een juiste synchronisatie na elke opname. Een gedragsanalyse softwareprogramma dat extern bestand integratie kan wordt gebruikt om opnieuw te synchroniseren de tijdlijn van elke datastroom en kwantitatieve en kwalitatieve analyse van elke dimensie van betrokkenheid uit te voeren.

Figuur 1. Architectuur van het Data Collection System. Het lab omgeving waarin gedragstherapie (eye tracking), emotionele (EDA en gezicht emotie) en cognitieve (EEG) betrokkenheid gegevens worden verzameld bevat een groot aantal computers. Dit roept een synchronisatie uitdaging voor gegevens die zijn verwezen op hun computer klokken. Om te kunnen alle gegevens op dezelfde referentietijd analyseren, het lab setup gaat om een ​​syncbox dat TTL signalen stuurt naar alle datastromen.nk "> Klik hier om een ​​grotere versie van deze figuur te bekijken.

Om de precisie van de methode in termen van synchronisatie te evalueren, werden 45 sec pauze voor elk van de mechanische fysische problemen geïntroduceerd. Tijdens deze pauzes, onderwerpen hadden om te ontspannen en om hun ogen te sluiten. De twee pupil oog stippen in eye-tracking onmiddellijk verdwijnen (gedrags engagement) en een onmiddellijke daling van de cognitieve engagement (EEG: Zoals gezien in andere studies ^{4,9,16,17,18,} moeten deze pauzes aanzienlijke verschillen in de verzamelde signaal opwekken signaal) wordt waargenomen. Deze specifieke componenten van het signaal worden gebruikt om de algemene geldigheid van het synchronisatieproces te evalueren. De recente publicatie van artikelen die geheel of gedeeltelijk afhankelijk zijn van deze synchronisatie procedure, op het gebied van informatie-systemen ^19, mens-machine interactie ²¹ en onderwijs ^{9, 22,} levert het bewijs van de doeltreffendheid ervan.

Protocol

Dit protocol kreeg een ethische certificaat van het Comité institutionnel de la recherche avec des eter humains (CIER) de l'Université du Québec à Montréal (UQAM) dat werd onderschreven door HEC-Montreal voor de Tech3Lab onderzoeksfaciliteit. Het protocol beschrijft elk van de specifieke stappen die worden uitgevoerd in ons laboratorium omgeving en de toestellen. Hoewel de precieze software paden worden verstrekt aan de methodiek te verduidelijken, deze techniek is overdraagbaar en kan worden gerepliceerd met andere merkgebonden eye-tracking, automatische gezicht emotie herkenning, elektrodermale activiteit en elektro-apparatuur en software.

1. Instellen van de lab-omgeving

1. Schakel de eye-tracker, de EEG versterker, de vier opnemen computers en de luidsprekers.
2. Bereid de setup van de opname-apparatuur:
   1. Bereid de EEG opstelling met benodigde materialen volgens recomme de fabrikantnded procedures. Bereid de EEG-software voor de komende deelnemer. Start de eye-tracking-software en maak een nieuwe deelnemer profiel in de software. Start de video-opname software en de camera.
   2. Start de synchronisatie-software met de specifieke subroutine gemaakt voor het project met stiften op 60 sec. Start de fysiologische meetsoftware (tot elektrodermale activiteiten vast te leggen) en de specifieke indeling gemaakt voor het project te openen. Stel de stoel van de deelnemer op het hoogste niveau.

2. Deelnemer Voorbereiding

1. Vraag de deelnemer om te lezen en te ondertekenen de ethische toestemmingsformulier.
2. Voeren schedel metingen voor EEG:
   1. Vind de Cz locatie op het hoofd van de deelnemer (volgens 10-20 referentiesystemen). Dompel de EEG net in de zoutoplossing (kaliumchloride) (zie stap 1.2.1) en start een timer (10 min) volgens de normen van de fabrikant.
3. Lees het doel van de studie en de stappen in het experiment aan de deelnemer, "Het doel van deze studie is om je hersenactiviteit te observeren terwijl je natuurkunde problemen te beantwoorden. Eerst zullen we de sensoren te installeren, dan wordt u gevraagd om 10 Newtoniaanse fysica problemen op de computer op te lossen. Wij zullen u vragen om een 45-seconden pauze te nemen na ieder probleem met je ogen dicht. Na elk probleem is, wordt u gevraagd om uw beoordeling van het probleem te geven. "
4. Vraag het onderwerp dat de totale duur van het experiment 90 min zal zijn.
5. Installeer de fysiologische sensors, volgens de aanbevelingen van de fabrikant: twee gelvormig sensoren op de bovenkant van de linkerhand.
6. Installeer de EEG cap, volgens de aanbevelingen van de fabrikant en het uitvoeren van een impedantie controle met een drempel van 40 kOhm (volgens de specificaties van de fabrikant).

3. Data Collection

1. Zorg ervoor dat alle de opname software is klaar synchroon worden gestart:
   1. Fysiologie (EDA gegevens): Klik op de "start" knop.
   2. Video-opname: Klik op de knop "open".
   3. Eye tracking: Klik op de "on hold" knop.
   4. EEG: Klik op de "record" knop.
   5. Synchronisatiesoftware: Klik op de "groene cirkel" knop.
2. Ogen blik kalibratie:
   1. Voer een vijf-punt op het scherm kalibratie en observeren van de deelnemer, terwijl hij / zij volgt de rode stippen (klik op "Tools / Instellingen / Calibration ..."). Herhaal deze procedure tot voldoende nauwkeurigheid wordt bereikt, volgens de normen van de fabrikant.
3. Project taak instructies op het scherm van de deelnemer: vragen of hij / zij vragen heeft na het lezen van hen, en als hij / zij klaar is om het experiment te starten.
4. Vraag de deelnemer op te lossen 10 Newtoniaanse physics problemen.
5. Indien nodig, het uitvoeren van een impedantie controle tijdens een van de 45 s pauzes (niet eerder probleem 5).
6. Zorg ervoor dat de deelnemer neemt de volledige 45 s pauze voor elk probleem (om de basislijn te bepalen).

4. Einde van Data Collection

1. Stop data acquisitie op alle computers en verwijder de sensoren van de deelnemer.

5. Nadat de deelnemer heeft verlaten

1. Reinig de EEG cap met antiseptisch en ruimen van de apparatuur, volgens de aanbevelingen van de fabrikant. Sla alle databestanden verzameld en maak een back-up op de FTP-server.
2. Vul de deelnemer spreadsheet: mee een bepaalde gebeurtenis of probleem tijdens het verzamelen van gegevens. Wis alle cookies van de web browser.

6. Gegevens Pre-verwerking en export naar het Integration Software

1. EEG
   1. Import EEG data in EEG-data analyse software:
      1. Maak drie lege mappen op de computer met de naam "Raw data", "Geschiedenis" en "Exporteren" om de ruwe EEG-data in de nieuw gecreëerde Ruwe data bestand te plakken.
      2. In de EEG data analyse software, klikt u op "File / New Project ..." en kies de ruwe locatiegegevens door te klikken op Bladeren, dan is de keuze van de nieuw gecreëerde ruwe data bestand. Kies de locatie van de "Geschiedenis" en "Export" mappen op dezelfde manier.
      3. Klik op "OK". (Het venster moeten alle van de deelnemer EEG data bevatten).
   2. Pre-proces van de hersenen het signaal:
      1. Breng een filter en een inkeping (klik op 'Transformaties / IIR filters ... "). In het venster, kan de lage cutoff op 1,5 Hz met een helling van 12 dB en de hoge cutoff bij 50 Hz met een helling van 12 dB. Mogelijk ook een inkeping bij 60 Hz.
      2. Omdat een DC-versterker wordt gebruikt, DC Detrend het signaal (Klik op "Transformations / DC Detrend ... "en staat" op basis van tijd "bij 100 msec voor de markeerdraad en 100 msec voor de DC-aansluiting).
      3. Voer een ruwe data inspectie (Klik op "Transformatie / Ruwe data inspectie ..." en selecteer semi-automatische artefact verwijdering). Selecteer de volgende: maximale spanning 60 mV / ms; Max-min: 200 mV in 200 ms interval; amplitude: -400 tot +400 mV).
      4. Voer een automatische ICA met klassieke Sphering voor ogen knipperen verwijdering (myographic artefacten hoeven niet te worden verwijderd, omdat hun bereik is buiten de frequenties van belang). (Instructies "Transformations / ICA ...". Aan het einde van de ICA, werkwijze de inverse ICA).
      5. Het signaal en selecteer Re-referentie ("Transformaties / Re-reference ...") "gemeenschappelijke gemiddelde".
      6. Export (klik op "Exporteren / Generic Data Export ...") het signaal en markers in tekstformaat (Selecteer de ".vhdr"; doos) voor een eventuele Matlab constructie van de opdracht index. Selecteer ook de "Write header file" en "Write marker bestand" dozen.
   3. Importeer het signaal in Matlab.
      1. Start Matlab en typ "eeglab", zodat de GUI van EEGLab verschijnt en Importeer de gegevens voor één deelnemer per keer. In de GUI, select item menu "Bestand / Gegevens importeren / behulp EEGLab functies en plugins / Van Brain Vis Rec .vhdr bestand".
      2. In het commando venster, plak een script ¹⁶ dat een verloving index genereert.
         OPMERKING: De cognitieve aangrijping script wordt berekend door het gemiddelde van elke Beta / (Alpha + Theta) -verhouding binnen 20 seconden schuifraam voorgaande tijd T. Deze procedure wordt herhaald om de tweede en nieuw schuifraam wordt gebruikt om de index te werken.
   4. In MS Excel Open het tekstbestand van de opdracht index die wordt gegenereerd aan het einde van het script van Matlab en een z-scor toepassinge normalisering op de EEG data om interindividuele vergelijking mogelijk te maken. (Voor elke waarde, berekenen deze formule in Excel: Z = (waarde - totale gemiddelde) / totale standaarddeviatie.)
   5. Sla de z-score betrokkenheid index signaal in een CSV-bestand in MS Excel. (Klik op Bestand / Opslaan als ... en selecteer CSV in het type-formaat.)
   6. Herhaal de procedure (vanaf stap 6.1.2.2.) Voor elke deelnemer.
2. Fysiologie:
   1. Import EDA data in fysiologische data-analyse software.
   2. Breng deze parameters voor een pre-proces de fysiologische signaal:
      1. Breng een logaritmische transformatie naar de verdeling van de geleiding normaliseren volgens Venables en Christie's ²³ methode.
      2. Flat het signaal op een 10 sec schuifraam ^24.
   3. Binnen de fysiologische software, berekenen een z-score normalisatie op het EDA data om interindividuele vergelijking mogelijk te maken. (Z = (waarde - totale gemiddelde) / algemene standaard deviatie).
      1. Markeer alle gegevens met de cursor van de EDA-kanaal.
      2. In het bovenste menu, selecteer het EDA kanaal, en selecteer "betekent" om de gemiddelde waarde van de totale kanaal te verkrijgen. Selecteer ook de EDA kanaal en "StdDev" om de standaarddeviatie waarde van de totale kanaal te verkrijgen.
      3. Om de z-score vergelijking berekenen, klikt u op "Transformatie / Waveform Math ..." en selecteer het EDA kanaal in Source 1. Kies "-" (min) in de wiskundige bewerking en selecteer K in source 2. Selecteer "Nieuwe bestemming" in het menu bestemming en voer de gemiddelde waarde van de EDA-kanaal (zie stap 6.2.3.2). Selecteer "Transform hele wave", klik op OK en klik op "Transformatie / Waveform Math ...". Selecteer de EDA-K-kanaal in de bron 1, selecteer "/" (delen) in de wiskundige bewerking venster, selecteer K in bron 2 Selecteer "Nieuwe bestemming" in de bestemming en enter de standaarddeviatie waarde van de EDA-kanaal (stap 6.2.3.2). Selecteer "Transform hele wave" en klik op OK.
   4. Het signaal (arousal) in een CSV-bestand exporteren. (Klik op Bestand / Opslaan als ... en selecteer CSV in het type-formaat.)
3. Automatische gezicht herkenning van emoties:
   1. Video importeren van gegevens van de media recorder in automatische gezicht emotie herkenning software. (Klik op "Bestand / Nieuw ... / Deelnemer ...". Na een nieuwe deelnemer in het menu project selecteren door erop te klikken, klikt u op "File / New / Analyse / Video ...". Klik op het vergrootglas naast Analyse 1 en kies de gewenste videobestand.
      1. Selecteer een offline analyse voor "elke derde frame" en activeer "continue kalibratie".
      2. Export Valence gegevens in een CSV-bestand. (Klik op "Opties / Instellingen / Logging ...", check de "Schrijf valentie waarde toe aan het logbestand" box. Klik op "File /Export ... ", kies de locatie waar de log-bestanden worden geëxporteerd, en controleer of de" Save gedetailleerd logboek "doos.)
      3. Open het CSV-bestand in MS Excel. Kopieer de kolom Valence data in een enkele kolom van SPSS software. Klik op "Analyse / Descriptives Statistics / Descriptives" en selecteer de net geplakte variabele naam. Vink het vakje "Save gestandaardiseerde waarden in variabelen". Een kolom met een z-score zal verschijnen. Copy-paste deze z-scores over de oude gegevens in het Excel-bestand.
   2. Sla het Excel-bestand met de z-scores van het signaal (valentie) in CSV-formaat.

7. Data Integration en synchronisatie

1. In gedragsanalyse software:
   1. Import-eye-tracking video's (gedrags engagement). (Klik op "File / Import / Video in een New Observation ...". Noem de nieuwe observatie en kies de gewenste videobestand.)
   2. Code elke video met relevante behaviors en contextuele evenementen (tijd markers, goed / fout antwoorden).
   3. Importeer alle externe data met de juiste header: z-score van het EEG-signaal (cognitieve engagement), z-score van EDA signaal (emotionele betrokkenheid), z-score van Valence data (emotionele betrokkenheid). (Klik op "File / Import / External Data ...". Selecteer het juiste bestandstype en selecteer het juiste CSV-bestand.)
2. Synchroniseer de tijd tussen computers volgens deze formules:
   1. De tijd in het oog blik van tijd in het EEG = Tijd in ogen blik + tweede marker in het EEG - eerste marker in het oog blik.
   2. Tijd in ogen blik van tijd in het gezicht herkenning van emoties = Tijd in ogen blik + eerste marker in het gezicht emotie - de eerste marker in het oog blik.
   3. De tijd in het oog blik van tijd in elektrodermale activiteit = Tijd in ogen blik + eerste marker in elektrodermale activiteiten - de eerste marker in het oog blik.
3. Voer de offset data door op "Ctrl + Shift + =221 ;, naar het Offset menu te openen. Selecteer "Numerical offset" Voer de tijd in seconden tussen elke twee bronnen [OK?]) Volgens bovenstaande berekeningen.
4. Een rapport genereren op basis van de variabelen van belang in het onderzoek.
   1. Selecteer interessante variabelen die zullen worden gegenereerd in het rapport (klik "Analyseren / Select Data / Nieuw profiel gegevens ..."). Van links naar rechts, schuif de gewenste variabelen tussen de box "Start" en de "resultaten" venster aan de rechterkant.
   2. Genereer het rapport. (Klik op "Analyseren / Numerical Analysis / Nieuw ...", klik op "Statistieken" en vink het vakje gemiddelde in de externe menu data. Finish door te klikken op "Bereken".)
5. De gegevens te exporteren naar statistische analyse software en het uitvoeren van analyses volgens de studie doelstellingen.

Resultaten

Figuren 2 en 3 tonen schermafbeeldingen van het resultaat van de integratie en synchronisatie van gedrags-, emotionele en cognitieve betrokkenheid data in een gedragsanalyse softwaretoepassing. In beide figuren, de linkerhand sectie organiseert het onderzoek onderwerpen en het codeerschema. In het middendeel, een video (met rode stippen) geeft het subject ogen blik tijdens de taak. Gedragsmatige betrokkenheid van het onderwerp kan worden afgeleid op basis van wat hij / zij is op zoek naar tijdens ...

Discussie

In termen van de kritische stappen in het protocol, moet het eerst worden opgemerkt dat de kwaliteit van de gegevens is altijd de belangrijkste focus voor neurofysiologische verzameling technieken. In deze methodologie, moet onderzoek assistenten bijzondere aandacht besteden aan het instrueren van de onderwerpen hoofdbewegingen die zal interfereren met Valence controle (verliezen juiste gezicht hoek voor de camera) of het genereren myographic artefacten in het EEG te minimaliseren. Anderzijds dient een evenwicht te houd...

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
EGI GSN-32	EGI		Dense array EEG
Netstation v.5.0	EGI		EEG data verzamelsoftware: EEG wordt verzameld met 32-elektrode dichte array elektro-encefalografie (dEEG) geodesic sensornet met behulp van Netstation acquisitiesoftware en EGI-versterkers (Electrical Geodesics, Inc). De vertex (opnameplaats Cz) is de referentie-elektrode voor opname. Impedantie wordt onder de 50 kΩ gehouden met een bemonsteringssnelheid van 250 Hz.
Facereader v.4	Noldus		Facial emotion herkenningssoftware
Syncbox	Noldus		Syncbox start de co-registratie van EEG- en blikgegevens door een Transistor-Transistor Logic (TTL) signaal naar de EGI-versterker te sturen en een toetsaanslagsignaal naar de Tobii Studio v 3.2.
Logitech C600  Webcam		960-000396	Webcam gebruikt om videogegevens te verzamelen die naar mediarecorder worden gestuurd en die in Facereader worden geanalyseerd
The Observer XT	Noldus		Integratie- en synchronisatiesoftware: De Noldus Observer XT (Noldus Information Technology) wordt gebruikt om alle gedrags-, emotionele en cognitieve betrokkenheidsgegevens te synchroniseren.
On-Screen LED verlichting	Noldus		Neon gepositioneerd op computerscherm om het gezicht van proefpersonen correct te verlichten
MediaRecorder	Noldus		Videogegevensverzamelsoftware
Tobii 60X	Tobii		Verzamel oogbewegingspatronen :  gebruikt om de oogbewegingspatronen van proefpersonen met een frequentie van 60Hz tijdens het experiment te registreren.
Tobii Studio v.3.2	Tobii		Eye-tracking dataverzamel- en analysesoftware
Analyzer 2	Brainvision		EEG signaal verwerkingssoftware
Acqknowledge v.4.0	Biopac	ACK100M	Fysiologische signaalverzameling en verwerkingssoftware
Control III ontsmettingsoplossing	Maril Products.	10002REVA-20002-1	Ontsmettingsoplossing gebruikt met EEG-helmen : aanbevolen door EGI
Unipark	QuestBack AG		Online enquête-omgeving