Het beoordelen van de verschillende dimensies van Engagement te karakteriseren Learning: A Neurofysiologische Perspective
July 1st, 2015
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.
Het algemene doel van deze procedure is om gegevens te verzamelen en synchroniseren over gedragsmatig, emotioneel en cognitief engagement tijdens leertaken. Dit wordt bereikt door eerst alle gegevensverzamelsystemen aan te sluiten via een synchronisatieapparaat dat een tijdmarkering in de verzamelde gegevens zal verzenden. De tweede stap is het verzamelen van eye tracking en software-interactiegegevens voor gedragsmatig engagement.
Vervolgens worden EEG-gegevens verzameld voor karakterisering van cognitief engagement. De laatste stap is het verzamelen van emotionele engagementgegevens afkomstig van ELECTRODERMAL-activiteit of een ED voor opwindingsmeting en automatische gezichtsemotionherkenning of A FER om valencegegevens te genereren. Uiteindelijk zullen deze indexen die de drie dimensies van engagement karakteriseren, worden gesynchroniseerd in een synchronisatiesoftware volgens de tijdmarkeringen die aanvankelijk door het synchronisatieapparaat zijn verzonden.
Het belangrijkste voordeel van deze techniek is dat het drie dimensies van leerlingenengagement tijdens een leertaak kwantificeert, in tegenstelling tot klassieke onderzoeksmethoden die zich uitsluitend richten op zelfbeoordelingsinstrumenten voor engagement na de taken. Deze methode kan helpen bij het beantwoorden van belangrijke vragen op het gebied van indicatie, zoals wat zijn de dynamieken van het beïnvloeden van cognitie in verschillende complexe leeromgevingen en wat is de impact van verschillende pedagogische omgevingen op effect en cognitie? Er zijn implicaties voor deze techniek in andere vakgebieden.
Bijvoorbeeld, in informatietechnologie, gebruiken we deze techniek om de betrokkenheid van een gebruiker te meten tijdens het bladeren door een website of het gebruik van een softwaretoepassing. Deze techniek is geïnspireerd door recent werk in neuro-omics waarbij waakzaamheidsgegevens van langeafstandschauffeurs werden verzameld met behulp van EEG-apparaten. Deze procedure zal worden gedemonstreerd door Gabrielle Zu met een onderzoeksassistent bij Tech three Lab van HEC Montreal, maar ook Igo en Yig, die onderzoeksassistenten zijn van Neuro Lab van Begin door de eyetracker, EEG-versterker voor opnamecomputers en luidsprekers aan te zetten.
Bereid de EEG-oplossing voor met het vereiste materiaal volgens de aanbevolen procedures van de fabrikant. Bereid vervolgens de EEG- en eyetrackingsoftware voor voor de volgende deelnemer. Start vervolgens de video-opnamesoftware en de camera's, start de synchronisatiesoftware met de specifieke sub-routine die voor het project is gemaakt, waardoor de synchronisatiemarkeringen elke 60 seconden worden verzonden.
Start vervolgens de fysiologische meetsoftware en open de specifieke lay-out die voor het project is gemaakt. Breng vervolgens de deelnemer naar de gegevensverzamelruimte en zoek de locatie van de cz-elektrode op het hoofd van de deelnemer volgens het 10 20-referentiesysteem. Plaats het EEG-net op het hoofd van de deelnemer en zorg ervoor dat elke elektrode loodrecht op het oppervlak van het hoofd is gepositioneerd.
Sluit de netconnector aan en voer een impedanskeuring uit met een drempel van 40 kilo ohm. Plaats ten slotte twee fysiologische sensoren op de bovenkant van de linkerhand van de deelnemer. Begin met gegevensverzameling.
Zodra alle opnamesoftware klaar is om in Synchrony te worden gestart, voer een negenpuntskalibratieprocedure uit en observeer de deelnemer terwijl ze de rode stippen op het scherm volgen. Herhaal deze procedure totdat voldoende nauwkeurigheid is bereikt volgens de normen van de fabrikant, instrueer de deelnemer om 10 Newtoniaanse fysicaproblemen op de computer op te lossen. Stop de gegevensverzameling op alle computers.
Zodra de taak is voltooid, verwijder alle sensoren van de deelnemer. Importeer eerst de EEG-gegevens in de EEG-gegevensanalysesoftware. Klik vervolgens op bestand, dan nieuw project en kies de locatie van de ruwe gegevens door op bladeren te klikken.
Selecteer de nieuw gemaakte map met ruwe gegevens. Kies op dezelfde manier de locatie van twee andere mappen met de naam geschiedenis en export. Klik vervolgens op OK.
Klik vervolgens op transformaties en IIR-filters om het hersensignaalverwerking door een filter en een notch in het softwarevenster toe te passen. Stel de afsnijlimieten in op 1,5 en 50 hertz met een helling van 12 decibel voor elk en schakel een notch in op een frequentie van 60 hertz. Vervolgens DC D trend het signaal door op transformaties en DC dre te klikken.
Selecteer de optie op basis van tijd op 100 milliseconden vóór markering en 100 milliseconden voor DC-verbinding. Voer een inspectie van de ruwe gegevens uit door op transformaties en inspectie van ruwe gegevens te klikken. Selecteer semi-automatische inspectie en kies de parameters voor spanning, maximum, minimum en amplitude zoals hier gezien.
Voer een automatische onafhankelijke componentenanalyse of ICA uit met klassieke sfeer voor I-blinkverwijdering door op transformaties en ICA te klikken zodra voltooid. Verwerk de inverse ICA door op transformaties ICA te klikken. Vervolgens inverse ICA.
Exporteer ten slotte het signaal en de markeringen door op export en generieke gegevensexport te klikken. Selecteer de vakken gelabeld rechts headerbestand en rechter markeringsbestand. Selecteer bovendien tekstformaat voor een eventuele MATLAB-constructie van de engagementindex.
Importeer vervolgens het EEG-signaal in Matlab. Start hiervoor het E-E-G-L-A-B-script. Zo verschijnt de EEG lab GUI in Matlab.
Importeer de gegevens voor één deelnemer tegelijk door bestand te selecteren, gegevens importeren met behulp van EEG lab-functies en plug-ins en van brain vis rec VDR-bestand een script in het opdrachtvenster plakken dat een engagementindex zal genereren. Dit script geeft een tekstbestand weer. Open het tekstbestand van de engagementindex in Microsoft Excel.
Pas een Z-score-normalisatie toe op de EEG-gegevens om intersubjectieve vergelijking mogelijk te maken. Zodra de EEG-voorverwerking is voltooid. Verwerk de fysiologiegegevens door de ELECTRODERMAL-activiteit of EDA-gegevens te importeren in de fysiologische gegevensanalysesoftware.
Bereken vervolgens een Z-score-normalisatie op de EDA-gegevens door op transformatie en golfvormwiskunde te klikken om intersubjectieve vergelijking mogelijk te maken. Dit gebeurt in twee stappen. Selecteer eerst het EDA-kanaal voor bron één, het min
View the full transcript and gain access to thousands of scientific videos
Overzicht
Dit document beschrijft technieken voor het verzamelen en synchroniseren van gegevens over gedrag, emotie en cognitieve betrokkenheid tijdens leertaken. De studie richt zich op het integreren van meerdere dimensies van leerlingenbetrokkenheid om het begrip van het leerproces te verbeteren.
Belangrijke onderdelen van het onderzoek
Wetenschapsgebied
- Neurowetenschap
- Psychologie
- Educatief Technologie
Achtergrond
- Betrokkenheid is een multidimensionaal construct dat gedrag, emotie en cognitie omvat.
- Het begrijpen van betrokkenheid kan educatieve resultaten verbeteren.
- Synchronisatie van gegevens uit verschillende bronnen is cruciaal voor nauwkeurige analyse.
- Technologische vooruitgang maakt uitgebreide gegevensverzameling mogelijk.
Doel van het onderzoek
- Gegevens verzamelen over verschillende dimensies van leerlingenbetrokkenheid.
- Deze gegevens synchroniseren voor betere analyse en begrip.
- Gebruikmaken van geavanceerde technieken voor het meten van betrokkenheid.
Gebruikte methoden
- Verbinding maken van gegevensverzamelingsystemen via een synchronisatieapparaat.
- Verzamelen van eye tracking en software-interactiegegevens voor gedragsbetrokkenheid.
- Verzamelen van EEG-gegevens voor karakterisering van cognitieve betrokkenheid.
- Meten van emotionele betrokkenheid door middel van electrodermale activiteit en gezichtsemotionsherkenning.
Belangrijkste resultaten
- Succesvolle synchronisatie van gedrags-, emotionele en cognitieve gegevens.
- Identificatie van belangrijke indicatoren van leerlingenbetrokkenheid.
- Demonstratie van effectieve gegevensverzamelingtechnieken.
- Inzichten in de wisselwerking tussen verschillende dimensies van betrokkenheid.
Conclusies
- Multidimensionele betrokkenheid kan effectief worden gemeten en geanalyseerd.
- Synchronisatie van gegevens verbetert het begrip van leerlingengedrag.
- Toekomstig onderzoek kan op deze methoden voortbouwen om betrokkenheid verder te onderzoeken.
Veelgestelde vragen
Executive Industry Relevance
This methodology enables synchronized, multi-dimensional measurement of behavioral, emotional, and cognitive engagement during learning tasks, offering a neurophysiological framework for assessing user interaction with digital systems. In biopharma R&D, such approaches can inform the design of adaptive training platforms for clinical trial staff, enhance engagement metrics in patient-reported outcome tools, and support mechanistic de-risking in neurocognitive therapeutic development by providing quantifiable, real-time indices of attentional and affective states. The integration of EEG, electrodermal activity, eye tracking, and facial recognition delivers a systems-level view of engagement dynamics, aligning with target validation efforts that require objective, multi-parametric biomarkers of cognitive and emotional response.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Enables interrogation of therapeutic hypotheses by correlating neurophysiological engagement markers with cognitive load and emotional valence during task performance.
- Operational Value: Supports functional target validation through objective, real-time measurement of arousal and attention via synchronized EEG and electrodermal signals.
- Predictive Confidence: Provides quantitative, multi-dimensional data to de-risk mechanisms involving attention, emotion, and cognition in neuropsychiatric disease models.
Screening & Assay Development
- Assay Readiness: Produces standardized, z-scored engagement indices from EEG, electrodermal, and facial valence data suitable for high-throughput screening of cognitive modulators.
- Reproducibility: Employs time-stamped synchronization markers every 60 seconds to ensure temporal alignment across multimodal data streams, enhancing assay reliability.
- Quantitative Output: Generates normalized engagement indices that allow intersubject comparison and statistical analysis of compound effects on behavioral, emotional, and cognitive domains.
Translational & Preclinical Research
- Disease Relevance: Offers a translational biomarker framework for neuropsychiatric conditions where engagement dimensions are disrupted, such as attention deficit or depressive disorders.
- Preclinical Continuity: Supports risk-adjusted advancement by linking target modulation to measurable changes in synchronized engagement metrics across species or model systems.
- Mechanistic De-risking: Clarifies whether cognitive improvements are accompanied by appropriate emotional and behavioral engagement, reducing false-positive leads in CNS drug discovery.
Pipeline & Workflow Integration
This method fits within the discovery continuum from target validation through lead identification to preclinical efficacy, particularly for compounds targeting cognitive and emotional processing pathways where multi-dimensional engagement serves as a functional readout.
- Discovery Biology: Facilitates hypothesis testing by revealing how perturbations in neural systems affect the dynamic interplay between attention, arousal, and valence during cognitive tasks.
- Screening: Delivers assay-ready, synchronized engagement metrics that enable reliable comparison of test compounds across behavioral, emotional, and cognitive dimensions.
- Analytics: Provides z-scored EEG, electrodermal, and valence outputs that support statistical comparison and effect size calculation in screening campaigns.
- Translational Research: Connects target engagement to preclinical validation through alignment with established neuropsychological constructs of engagement, supporting biomarker qualification.
- Enterprise Reuse: Establishes a reusable neurophysiological platform for assessing user or patient engagement across training, assessment, and therapeutic response monitoring workflows.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence by reducing mechanistic ambiguity through concurrent measurement of behavioral, emotional, and cognitive engagement.
- Operational Value: Enhances standardization and reproducibility via synchronized data acquisition and z-score normalization across multimodal physiological streams.
- Strategic Value: Improves go/no-go decisions by offering multi-parametric engagement profiles that capture holistic neurobehavioral responses to interventions.
- Portfolio Impact: Enables risk-adjusted prioritization by identifying compounds that modulate target engagement without inducing dissociated emotional or attentional effects.
Implementation Considerations
- Requires expertise in neurophysiology, signal processing, and multimodal data integration to manage EEG, electrodermal, eye tracking, and facial recognition systems.
- Dependent on specialized hardware and software for synchronization, including trigger devices and alignment tools to correct inter-device latency.
- Necessitates cross-team standardization of data preprocessing pipelines, including filtering, artifact removal (e.g., ICA for blink correction), and z-score transformation for intersubject comparability.
- Involves adaptation challenges when applying the protocol across different model systems or environmental contexts due to sensor placement and baseline variability.
- Limited by the need for controlled settings to minimize motion artifacts and ensure data quality, particularly during prolonged cognitive tasks.
Biopharma FAQs
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
