Method Article

Technologia śledzenia wzroku i techniki eksploracji danych stosowane w analizie behawioralnej osób dorosłych zaangażowanych w procesy uczenia się

DOI:

10.3791/62103

June 10th, 2021

In This Article

Summary

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Przedstawiamy protokół analizy behawioralnej dorosłych (w wieku od 18 do 70 lat) zaangażowanych w procesy uczenia się, podejmujących zadania przeznaczone do samoregulacji uczenia się (SRL). Uczestnicy, nauczyciele i studenci akademiccy oraz dorośli z University of Experience, byli monitorowani za pomocą urządzeń śledzących ruch gałek ocznych, a dane były analizowane za pomocą technik eksploracji danych.

Abstract

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Analiza behawioralna dorosłych zaangażowanych w zadania edukacyjne jest głównym wyzwaniem w dziedzinie edukacji dorosłych. W dzisiejszych czasach, w świecie ciągłych zmian technologicznych i postępu naukowego, istnieje potrzeba uczenia się i kształcenia przez całe życie zarówno w ramach formalnych, jak i pozaformalnych środowisk edukacyjnych. W odpowiedzi na to wyzwanie, wykorzystanie technologii śledzenia ruchu gałek ocznych i technik eksploracji danych, odpowiednio, do uczenia się nadzorowanego (głównie predykcji) i nienadzorowanego (w szczególności analizy skupień), zapewnia metody wykrywania form uczenia się wśród użytkowników i/lub klasyfikacji ich stylów uczenia się. W tym badaniu zaproponowano protokół do badania stylów uczenia się wśród osób dorosłych z wcześniejszą wiedzą i bez niej, w różnym wieku (od 18 do 69 lat) i w różnych momentach procesu uczenia się (początek i koniec). Techniki statystycznej analizy wariancji oznaczają, że można wykryć różnice między uczestnikami w zależności od typu ucznia i wcześniejszej wiedzy na temat zadania. Podobnie, zastosowanie technik grupowania uczenia się bez nadzoru rzuca światło na podobne formy uczenia się wśród uczestników w różnych grupach. Wszystkie te dane ułatwią spersonalizowane propozycje ze strony nauczyciela dotyczące prezentacji każdego zadania w różnych punktach łańcucha przetwarzania informacji. Nauczycielowi łatwiej będzie również dostosować materiały dydaktyczne do potrzeb edukacyjnych każdego ucznia lub grupy uczniów o podobnych cechach.

Introduction

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Metodologia śledzenia ruchu gałek ocznych zastosowana do analizy behawioralnej w procesie uczenia się
Metodologia śledzenia ruchu gałek ocznych, oprócz innych zastosowań funkcjonalnych, jest stosowana do badania ludzkiego zachowania, w szczególności podczas rozwiązywania zadań. Technika ta ułatwia monitorowanie i analizę podczas wykonywania zadań edukacyjnych1. W szczególności poziom uwagi uczniów na różnych etapach procesu uczenia się (początek, rozwój i koniec) z różnych przedmiotów (historia, matematyka, nauki ścisłe itp.) może być badany za pomocą technologii śledzenia wzroku. Ponadto, jeśli zadanie obejmuje wykorzystanie filmów z głosem, który kieruje procesem uczenia się, ułatwione jest samodzielne uczenie się (SRL). W związku z tym zaproponowano wdrożenie technologii śledzenia ruchu gałek ocznych w analizie zadań, do których SRL (w tym wykorzystanie filmów) jest istotnym zasobem pozwalającym zrozumieć, w jaki sposób rozwija się uczenie się2,3,4. Ta kombinacja będzie również oznaczać, że różnice między metodami nauczania (z lub bez SRL itp.) mogą być sprawdzane na różnych typach uczniów (z wcześniejszą wiedzą lub bez niej, itp.)5. W przeciwieństwie do tego, prezentacja informacji wielokanałowej (jednoczesna prezentacja zarówno informacji słuchowych, jak i wizualnych, zarówno słownych, pisemnych, jak i obrazkowych) może ułatwić zarówno rejestrację, jak i analizę istotnych i nieistotnych informacji z wyżej wymienionych zmiennych6. Uczniowie, którzy mają wcześniejszą wiedzę na temat multimedialnych kanałów uczenia się, wydają się uczyć skuteczniej niż ci, którzy mają niewielką wiedzę lub nie mają jej wcale. Studenci z wysokim poziomem wcześniejszej wiedzy na ten temat będą skuteczniej integrować informacje tekstowe i graficzne7. Ta funkcjonalność została zaobserwowana w uczeniu się tekstów8, które zawierają obrazy9. Technologia śledzenia ruchu gałek ocznych dostarcza informacji o tym, na czym skupia się uwaga i jak długo. Dane te dają wgląd w rozwój procesu uczenia się w bardziej precyzyjny sposób niż poprzez zwykłą obserwację procesu rozwiązywania problemów podczas wykonywania zadania. Ponadto analiza tych wskaźników ułatwia zbadanie, czy uczeń rozwija uczenie się głębokie, czy powierzchowne. Co więcej, związek między tymi danymi a wynikami uczenia się ułatwia walidację informacji uzyskanych za pomocą technologii śledzenia ruchu gałek ocznych4,10. W rzeczywistości technika ta wraz z SRL są coraz częściej stosowane w szkolnictwie wyższym i edukacji dorosłych11 środowiskach edukacyjnych, zarówno na kursach regulowanych, jak i nieregulowanych12.

Technologia śledzenia wzroku oferuje różne wskaźniki: odległość, prędkość, przyspieszenie, gęstość, dyspersję, prędkość kątową, przejścia między obszarami zainteresowania (AOI), sekwencyjną kolejność AOI, wizyty w fiksacjach, sakkady, ścieżkę skanowania i parametry mapy cieplnej. Interpretacja tych danych jest jednak złożona i wymaga użycia metod nadzorowanych (regresja, drzewa decyzyjne itp.) i nienadzorowanych (techniki klastrowe k-średnich itp.).13,14 technik eksploracji danych. Wskaźniki te można zastosować do monitorowania zachowania tego samego podmiotu w czasie lub do porównania kilku osób i ich wyników w tym samym zadaniu15, analizując różnicę między uczestnikami z wcześniejszą wiedzą a żadną wcześniejszą wiedzą16. Ostatnie badania11,17 wykazały, że początkujący adepci dłużej skupiają się na bodźcach (tzn. występuje większa częstotliwość fiksacji, podczas gdy rejestrowane są podobne wzorce ścieżek skanowania). Średni czas fiksacji był dłuższy dla ekspertów niż dla nowicjuszy. Eksperci skupili swoją uwagę na środkowych punktach informacji (bliższym i centralnym), różnicach, które można również zaobserwować w punktach wizualizacji w obrębie AOI na mapach cieplnych.

Interpretacja wskaźników w śledzeniu ruchu gałek ocznych
Ostatnie badania18 wykazały, że przyswajanie informacji jest związane z liczbą fiksacji wzroku na bodźcach. Innym ważnym wskaźnikiem jest sakkada, która jest definiowana jako szybki i nagły ruch fiksacji w odstępie [10 ms, 100 ms]. Sharafi i in. (2015)18 stwierdzili różnice w liczbie sakkad, w zależności od fazy kodowania informacji przez ucznia. Innym istotnym parametrem jest ścieżka skanowania, metryka, która rejestruje chronologiczną kolejność kroków, które uczestnik wykonuje w celu rozwiązania zadania uczenia się w ramach AOI zdefiniowanego przez researcher18. Podobnie, technologia śledzenia wzroku może być wykorzystana do przewidywania poziomu zrozumienia przez uczestnika, co wydaje się być związane z liczbą fiksacji. Ostatnie badania wykazały, że zmienność w zachowaniu wzroku zależy od właściwości obrazu (pozycja, intensywność, kolor i orientacja), instrukcji wykonania zadania oraz rodzaju przetwarzania informacji (stylu uczenia się) uczestnika. Różnice te są wykrywane poprzez analizę interakcji ucznia z różnymi AOI19. Techniki ilościowe20 (analiza częstotliwości) i/lub jakościowe lub dynamiczne21 (ścieżka skanowania) mogą być używane do analizy danych zebranych z różnych metryk. Pierwsze techniki są analizowane za pomocą tradycyjnych technik statystycznych (analiza częstotliwości, średnia różnica, różnica wariancji itp.), a drugie są analizowane za pomocą technik uczenia maszynowego (odległości euklidesowe z metodami edycji ciągów21,22, oraz clustering17). Zastosowanie tych technik ułatwia grupowanie, biorąc pod uwagę różne cechy badanych. Jedno z badań17 wykazało, że im bardziej doświadczony jest uczeń, tym skuteczniejsza jest wdrażana strategia przetwarzania informacji przestrzennych i czasowych. Tabela opisowa parametrów pomiarowych, które zostały wykorzystane w tym badaniu, znajduje się poniżej w tabeli 1.

Tabela 1: Najbardziej reprezentatywne parametry, które można uzyskać za pomocą techniki śledzenia wzroku, zaczerpnięte z Sáiz, Zaparaín, Marticorena i Velasco (2019).20 Kliknij tutaj, aby pobrać tę tabelę.

Zastosowanie metodologii śledzenia ruchu gałek ocznych do badania procesu uczenia się
Wykorzystanie postępu technologicznego i technik analizy danych opisanych powyżej5 zwiększy precyzję analizy behawioralnej uczniów podczas rozwiązywania problemów w różnych fazach przetwarzania informacji (inicjowanie zadań, przetwarzanie informacji i rozwiązywanie zadań). To wszystko ułatwi indywidualną analizę behawioralną, co z kolei pozwoli na grupowanie uczniów o podobnych cechach24. Podobnie techniki predykcyjne (drzewa decyzyjne, techniki regresji itp.)25 można zastosować do nauki, zarówno w odniesieniu do liczby fiksacji, jak i wyników rozwiązywania zadań każdego ucznia. Ta funkcjonalność jest bardzo ważnym postępem w wiedzy o tym, jak każdy uczeń się uczy i propozycją spersonalizowanych programów nauczania w różnych grupach (osoby z trudnościami w nauce lub bez nich26). Dlatego zastosowanie tej techniki przyczyni się do osiągnięcia personalizacji i optymalizacji uczenia się27. Uczenie się przez całe życie należy rozumieć jako cykl ciągłego doskonalenia, ponieważ wiedza społeczeństwa stale się rozwija i rozwija. Psychologia ewolucyjna wskazuje, że wraz z wiekiem spadają umiejętności rozwiązywania problemów i skuteczność w przetwarzaniu informacji. W szczególności stwierdzono, że częstotliwość, amplituda i szybkość ruchów gałek ocznych u dorosłych zmniejsza się wraz z wiekiem. Ponadto w starszym wieku uwaga skupia się na dolnych obszarach scen wizualnych, co jest związane z deficytami pamięci roboczej14. Niemniej jednak aktywacja wzrasta w obszarach czołowych i przedczołowych w starszym wieku, co wydaje się kompensować te deficyty w rozwiązywaniu zadań. Aspekt ten obejmuje poziom wcześniejszej wiedzy i poznawcze strategie kompensacyjne, które podmiot może zastosować. Doświadczeni uczestnicy uczą się bardziej efektywnie, ponieważ skuteczniej zarządzają uwagą, dzięki zastosowaniu zautomatyzowanych procesów nadzoru28. Ponadto, jeśli informacje, które mają być przyswojone, są przekazywane za pomocą technik SRL, wyżej wymienione braki są łagodzone17. Zastosowanie takich technik oznacza, że wzorce śledzenia wizualnego są bardzo podobne, zarówno u osób bez wcześniejszej wiedzy, jak i u osób z wcześniejszą wiedzą7.

Podsumowując, analiza danych multimodalno-wielokanałowych na temat SRL uzyskanych za pomocą zaawansowanych technologii uczenia się (śledzenia wzroku) jest kluczem do zrozumienia interakcji między procesami poznawczymi, metapoznawczymi i motywacyjnymi oraz ich wpływu na uczenie się29. Wyniki i badanie różnic w uczeniu się mają implikacje dla projektowania materiałów edukacyjnych i inteligentnych systemów korepetycji, które umożliwią spersonalizowane uczenie się, które prawdopodobnie będzie bardziej efektywne i satysfakcjonujące dla ucznia30.

W tym badaniu zadano dwa pytania: (1) Czy będą znaczące różnice w wynikach uczenia się i parametrach fiksacji oka między studentami a nauczycielami będącymi ekspertami i nauczycielami niebędącymi ekspertami w historii sztuki, różnicujące studentów z oficjalnymi stopniami naukowymi i studentów z nieoficjalnymi stopniami (Uniwersytet Doświadczeń - Edukacja dorosłych)? oraz (2) Czy grupy każdego uczestnika z wynikami uczenia się i parametrami fiksacji oka będą się pokrywać? z typem uczestników (studenci z oficjalnymi stopniami naukowymi, studenci z nieoficjalnymi stopniami naukowymi (University of Experience - Edukacja dorosłych) i nauczyciele)?

Access restricted. Please log in or start a trial to view this content.

Protocol

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Ten protokół został przeprowadzony zgodnie z przepisami proceduralnymi Komisji Bioetycznej Uniwersytetu w Burgos (Hiszpania) nr IR27/2019. Przed przystąpieniem do badania uczestnicy zostali w pełni poinformowani o celach badania i wyrazili na to świadomą zgodę. Nie otrzymali oni żadnej rekompensaty finansowej za swój udział.

1. Rekrutacja uczestników

  1. Rekrutacja uczestników spośród grupy dorosłych w dwóch środowiskach (studenci i nauczyciele), o randze wiekowej od 18 do 69 lat w środowisku szkolnictwa wyższego (edukacja formalna i pozaformalna).
  2. Uwzględnij uczestników z normalnym lub skorygowanym do normalnego wzrokiem i słuchem.
  3. Wyklucz uczestników z zaburzeniami neurologicznymi, psychiatrycznymi i snu, niepełnosprawnościami związanymi ze specjalnymi potrzebami edukacyjnymi, trudnościami percepcyjnymi (upośledzenie wzroku i słuchu) oraz niepełnosprawnością poznawczą.
    UWAGA: W tym badaniu pracowaliśmy na próbie 40 uczestników, 6 studentów z University of Experience (jeden uczestnik został wykluczony z kategorii studentów z university of experience z powodu trudności wzrokowych), 25 profesorów uniwersyteckich w dyscyplinach nauk o zdrowiu, inżynierii oraz historii i dziedzictwa kulturowego oraz 9 studentów studiów licencjackich i magisterskich z zakresu nauk o zdrowiu, inżynierii, historii i dziedzictwa. Uczestnicy nie mieli problemów poznawczych, słuchowych ani wzrokowych i wszyscy mieli normalne lub skorygowane do normalnego widzenia (Tabela 2). Dlatego jeden z uczestników został wyeliminowany przed rozpoczęciem eksperymentu, ponieważ wykryto u niego oczopląs i dlatego zadanie zostało zastosowane na próbie 39 uczestników. Uczestnicy nie otrzymali żadnego wynagrodzenia finansowego ani zawodowego; Dlatego motywacja uczestników była wysoka, ponieważ tylko na ich zainteresowaniu poznaniem, jak ta metoda śledzenia wzroku działa podczas procesu uczenia się związanego z dziedzictwem kulturowym, w szczególności pochodzeniem europejskich klasztorów.

Tabela 2. Charakterystyka próbki. Kliknij tutaj, aby pobrać tę tabelę.

2. Procedura eksperymentalna

  1. Sesja 1: Gromadzenie świadomej zgody, danych osobowych i wiedzy podstawowej
    1. Uzyskaj świadomą zgodę. Przed badaniem poinformuj każdego uczestnika o celach badania oraz o gromadzeniu, przetwarzaniu i przechowywaniu jego danych. Zgoda każdego uczestnika wyrażana jest poprzez podpisanie formularza świadomej zgody.
      UWAGA: Udział w tym badaniu był dobrowolny i nie przewidywał żadnej nagrody finansowej. Ten aspekt sprawił, że realizacja zadań nie miała motywacji ekonomicznej. Przed przystąpieniem do zadania osoba przeprowadzająca wywiad, będąca ekspertem w danej dziedzinie, wypełnia kwestionariusz z pytaniami dotyczącymi wieku, płci, zawodu i wcześniejszej wiedzy na ten temat, w tym przypadku na temat pochodzenia i historycznego rozwoju klasztorów w Europie (zob. tabela 3). Badanie to jest częścią europejskiego projektu (2019-1-ES01-KA204-095615-Koordynator 6) dotyczącego uczenia się dorosłych na temat dziedzictwa kulturowego ludzkości przez całe życie; Dlatego zdecydowano się na tego typu zadanie. Każdy badacz wybierze temat w zależności od swojej dziedziny pracy.

Tabela 3. Kwestionariusz wywiadu. Kliknij tutaj, aby pobrać tę tabelę.

  1. Sesja 2: Kalibracja
    1. Poinformuj uczestnika o tym, jak działa technologia śledzenia ruchu gałek ocznych oraz w jaki sposób informacje będą gromadzone, rejestrowane i kalibrowane: "Użyjemy technologii śledzenia wzroku, aby obserwować zakończenie zadania edukacyjnego dotyczącego pochodzenia i rozwoju europejskich klasztorów. Śledzenie ruchu gałek ocznych to technologia, która pozwala podążać za wzrokiem podczas wykonywania czynności i nie ma skutków ubocznych, ani nie jest inwazyjna, ponieważ w tym badaniu rejestrowane jest tylko śledzenie ruchu gałek ocznych".
    2. Wyjaśnij uczestnikowi, że prawidłowy test wymaga odpowiedniego ułożenia. Uczestnik musi siedzieć w określonej odległości [od 45 do 60 cm] od monitora. Odległość będzie zależała od wzrostu uczestnika, im niższa wysokość, tym krótszy dystans.
    3. Poinformuj uczestnika, że na głównych punktach ekranu pojawi się seria punktów i że gdy każdy punkt się pojawi, uczestnik musi obserwować go oczami. Uczestnik może przemieszczać się z jednego punktu do drugiego za pomocą kursora "enter". Faza kalibracji trwa 10-15 minut.
      UWAGA: Do ćwiczenia rozdzielczości zadania użyto iViewer XTM ze śledzeniem ruchu gałek ocznych, SMI Experimenter Center 3.0 i SMI Be Gaze oraz monitora o rozdzielczości 1680×1050. Sprzęt ten rejestruje ruchy gałek ocznych, ich współrzędne i średnice źrenic każdego oka. W tym badaniu zastosowano 60 Hz, wykorzystano metryki ścieżki skanowania i dynamiczne metryki ścieżki skanowania, a także określono statystyki AOI.
    4. Sprawdź ustawienie kalibracji. Profesjonalista nadzorujący test analizuje ustawienie kalibracji na ekranie kontrolnym.
      1. Kalibrację należy przeprowadzić za pomocą systemu kalibracji dołączonego do urządzenia Eye-tracking iViewer XTM. Przed przystąpieniem do tego zadania każdy uczestnik realizuje wizualną kontynuację czterech punktów na ekranie do czterech rogów (góra-prawo, góra-lewo, dół-prawo, dół-lewo). Następnie oprogramowanie przeprowadza proces weryfikacji wykonania prawidłowego położenia tych bodźców i podaje informacje o regulacji parametrów w stopniach. Jeśli ta regulacja znajduje się między 0,6º ± 1 w prawym i lewym oku, uważa się, że kalibracja jest prawidłowa i rozpoczyna się wykonywanie zadania. Przykład procesu można zweryfikować w Rysunek 1.
        UWAGA: Prawidłowe wykonanie zadania jest brane pod uwagę, gdy stopnie w prawym i lewym oku są ustawione na 0,6º ± 1 odchylenie standardowe. W tym badaniu wykryto dwie kalibracje w grupie profesorów uniwersyteckich, które przekroczyły kryterium korekty 0,6º ± 1, w związku z czym dwóch uczestników zostało usuniętych. 25 uczestników w pierwszej próbie zostało zatem zredukowanych do 23 uczestników.

figure-protocol-1
Rysunek 1. Proces kalibracji eye-trackingu Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

  1. Sesja 3: Wykonywanie zadania uczenia się
    1. Wyjaśnij uczestnikowi treść zadania. Ekspert w dziedzinie psychologii instruktażowej wyjaśnia uczestnikowi, na czym będzie polegało zadanie i jak je wykonać: "Film trwa 1:14 sekundy i składa się z 5 obrazów lektorskich. Na koniec uczestnik jest proszony o rozwiązanie małej krzyżówki, aby sprawdzić, czy informacje przedstawione w filmie zostały zrozumiane".
    2. Obejrzyj klip wideo. Film wykorzystany w zadaniu można obejrzeć pod następującym linkiem: https://youtu.be/HlGGgrYDTFs.
      UWAGA: Zadanie polega na obejrzeniu filmu, który zawiera informacje na temat początków europejskich klasztorów. Informacje zostały opracowane przez specjalistę, nauczyciela historii sztuki. Informacje są zorganizowane w dwóch kanałach, jednym wizualnym, który zawiera obrazy i informacje pisemne przedstawione w postaci konspektów, a drugim dźwiękowym, ponieważ nauczyciel specjalizujący się w SRL mówi przez cały film, kładąc nacisk na najważniejsze treści, używając nacisku werbalnego.
    3. Rozwiązywanie krzyżówki na wirtualnej platformie opartej na Moodle. Kliknięcie w ikonę krzyżówki przenosi uczestnika na wirtualną platformę, na której można rozwiązać krzyżówkę, aby sprawdzić, czy wiedza została przyswojona. Krzyżówka jest przedstawiona w Rysunek 2.

figure-protocol-2
Rysunek 2. Krzyżówka w celu sprawdzenia zdobytej wiedzy. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

  1. Sesja 4: Analiza danych
    1. Wybierz obszary zainteresowania (AOI). Obszary zainteresowania są zdefiniowane w filmie i są podzielone na obszary zainteresowania zawierające istotne informacje i obszary zainteresowania zawierające informacje nieistotne.
      UWAGA: Przypisanie AOI jest realizowane przez eksperymentatora, który decyduje, które AOI są istotne lub nieistotne w odniesieniu do prezentowanych informacji.
    2. Wyodrębnij bazę danych odnoszącą się do parametrów fiksacji AOI ("Czas próby rozpoczęcia zawodów", "Czas próby zakończenia wydarzenia" i "Czas trwania zdarzenia"; "Pozycja fiksacji X", "Pozycja fiksacji Y", "Średni rozmiar źrenicy fiksacji", "Średni rozmiar źrenicy fiksacji Y px", "Średnia średnica źrenicy fiksacji", "Dyspersja fiksacji X" i "Dyspersja fiksacji Y").
    3. Zaimportuj bazę danych do pakietu oprogramowania do przetwarzania statystycznego i wybierz opcję analizuj, a następnie klasyfikuj, a następnie opcję klaster k-średnich. Następnie wybierz tabelę krzyżową w pakiecie oprogramowania statystycznego, na przykład SPSS, a następnie opcję "ANOVA", aby przeanalizować różnice między uczestnikami (rodzaj grup dorosłych i stopień wcześniejszej wiedzy) w odniesieniu do ich parametrów fiksacji AOI31.
      UWAGA: Grupowanie lub analiza skupień jest "nienadzorowaną" techniką uczenia maszynowego, a w ramach k-średnich jest to metoda grupowania, której celem jest podzielenie zbioru n obserwacji na k grup, w których każda obserwacja należy do grupy o najbliższej wartości średniej. W tym eksperymencie wykorzystano grupowanie metodą k-średnich do sprawdzenia klastrów uczestników w zadaniu uczenia się. Ta korespondencja jest ważna, ponieważ oferuje nauczycielowi lub terapeucie informacje na temat jednorodnego rozwoju funkcjonalnego użytkowników, które wykraczają poza diagnozę, dostarczając informacji do zaproponowania podobnych programów interwencyjnych w niektórych obszarach rozwoju funkcjonalnego. Wariant ten ma ułatwić pełne korzystanie z usługi edukacyjnej lub terapeutycznej oraz jej zasobów osobistych i materialnych.
    4. Wykonaj analizę wizualizacyjną przetwarzanych danych (analizę opisową i analizę skupień), korzystając z oprogramowania do wizualizacji, takiego jak Orange32.
    5. Wyodrębnij dane dotyczące parametrów statystyk szczegółowych: czas przebywania, czas trwania podglądu, czas trwania przekierowania, liczba spojrzeń, liczba fiksacji, średnia fiksacja i czas trwania, a następnie zaimportuj tę bazę danych do pakietu oprogramowania statystycznego. W pakiecie statystycznym należy wybrać opcję "ANOVA", a następnie przeprowadzić analizę wizualizacyjną danych, które zostały przetworzone (średnie). Użyj arkusza kalkulacyjnego, aby wygenerować wykres pająka i określone wykresy słupkowe dla grup uczestników.
  2. Sesja 5: Spersonalizowane propozycje nauczania
    1. Przeprowadzenie programu interwencyjnego w celu poprawy wyników uczenia się wśród uczestników wykrytych w analizie skupień ze względu na ich niższe wyniki.
      UWAGA: Podsumowanie faz przeprowadzonych w procedurze eksperymentalnej jest pokazane w Rysunek 3.

figure-protocol-3
Rysunek 3. Fazy procedury doświadczalnej. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Access restricted. Please log in or start a trial to view this content.

Results

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

36 uczestników zrekrutowanych do niniejszego badania pochodziło z trzech grup dorosłych (studenci z uniwersytetu doświadczalnego, profesorowie uniwersyteccy oraz studenci studiów licencjackich i magisterskich) w wieku od [18 do 69] lat (Tabela 2). Protokół był testowany przez 20 miesięcy na Uniwersytecie w Burgos. Zarys rozwoju sytuacji przedstawiono w tabeli 4.

Tabela 4. Zarys rozwoju p...

Access restricted. Please log in or start a trial to view this content.

Discussion

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Wyniki badań wskazały, że średni czas fiksacji na odpowiednich bodźcach był dłuższy wśród uczestników z wcześniejszą wiedzą. Podobnie, uwaga skupia się na tej grupie na środkowych punktach informacji (bliższych i dystalnych)7. Wyniki tego badania ujawniły różnice w sposobie, w jaki uczestnicy przetwarzali informacje. Co więcej, ich przetwarzanie nie zawsze było związane z początkową grupą (studenci Uniwersytetu Doświadczalnego, Nauczyciele Akademiccy oraz Studenci Studiów Magisterskich i Magisters...

Access restricted. Please log in or start a trial to view this content.

Disclosures

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Autorzy oświadczają, że nie mają konkurencyjnych interesów finansowych.

Acknowledgements

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Praca została opracowana w ramach projektu "Self-Regulated Learning in SmartArt Erasmus+ Adult Education" 2019-1-ES01-KA204-095615-Coordinator 6, finansowanego przez Komisję Europejską. Film z fazy realizacji zadania uzyskał uprzednią świadomą zgodę Rut Velasco Sáiz. Doceniamy udział nauczycieli i uczniów w fazie realizacji zadania.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
iViewer XTMiViewer
SMI Centrum Eksperymentatorów 3.0SMI
SMI Be GazeSMI

References

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. van Marlen, T., van Wermeskerken, M., Jarodzka, H., van Gog, T. Effectiveness of eye movement modeling examples in problem solving: The role of verbal ambiguity and prior knowledge. Learning and Instruction. 58, 274-283 (2018).
  2. Taub, M., Azevedo, R., Bradbury, A. E., Millar, G. C., Lester, J. Using sequence mining to reveal the efficiency in scientific reasoning during STEM learning with a game-based learning environment. Learning and Instruction. 54, 93-103 (2018).
  3. Cloude, E. B., Taub, M., Lester, J., Azevedo, R. The Role of Achievement Goal Orientation on Metacognitive Process Use in Game-Based Learning. Artificial Intelligence in Education. Isotani, S., Millan, E., Ogan, A., Hastings, P., McLaren, B., Luckin, R. , Springer International Publishing. Switzerland. 36-40 (2019).
  4. Azevedo, R., Gašević, D. Analyzing Multimodal Multichannel Data about Self-Regulated Learning with Advanced Learning Technologies: Issues and Challenges. Computers in Human Behavior. 96, 207-210 (2019).
  5. Sáiz-Manzanares, M. C., Rodríguez-Diez, J. J., Marticorena-Sánchez, R., Zaparín-Yáñez, M. J., Cerezo-Menéndez, R. Lifelong learning from sustainable education: An analysis with eye tracking and data mining techniques. Sustainability. 12 (5), 2-18 (2020).
  6. Alemdag, E., Cagiltay, K. A systematic review of eye tracking research on multimedia learning. Computers & Education. 125, 413-428 (2018).
  7. Ho, H. N. J., Tsai, M. -J., Wang, C. -Y., Tsai, C. -C. Prior knowledge and online inquiry-based science reading: evidence from eye tracking. International Journal of Science and Mathematics Education. 12, 525-554 (2014).
  8. Catrysse, L., Gijbels, D., Donche, V. It is not only about the depth of processing: What if eye am not interested in the text. Learning and Instruction. 58, 284-294 (2018).
  9. Mayer, R. E. Using multimedia for e-learning. Journal of Computer Assisted Learning. 33 (5), 403-423 (2017).
  10. Prokop, M., Pilař, L., Tichá, I. Impact of think-aloud on eye-tracking: A comparison of concurrent and retrospective think-aloud for research on decision-making in the game environment. Sensors. 20 (10), (2020).
  11. DuMouchel, W. Data Squashing: Constructing Summary Data Sets. Handbook of Massive Data Sets. Abello, J., Pardalos, P. M., Resende, M. G. C. , Springer. Boston, MA, US. 579-591 (2002).
  12. Stull, A. T., Fiorella, L., Mayer, R. E. An eye-tracking analysis of instructor presence in video lectures. Computers in Human Behavior. 88, 263-272 (2018).
  13. König, S. D., Buffalo, E. A. A nonparametric method for detecting fixations and saccades using cluster analysis: Removing the need for arbitrary thresholds. Journal of Neuroscience Methods. 30 (227), 121-131 (2014).
  14. Maltz, M., Shinar, D. Eye Movements of Younger and Older Drivers. Human Factors. 41 (1), 15-25 (1999).
  15. Burch, M., Kull, A., Weiskopf, D. AOI rivers for visualizing dynamic eye gaze frequencies. Computer Graphics Forum. 32 (3), 281-290 (2013).
  16. Dzeng, R. -J., Lin, C. -T., Fang, Y. -C. Using eye-tracker to compare search patterns between experienced and novice workers for site hazard identification. Safety Science. 82, 56-67 (2016).
  17. Kurzhals, K., Weiskopf, D. Space-time visual analytics of eye-tracking data for dynamic stimuli. IEEE Transactions on Visualization and Computer Graphics. 19 (12), 2129-2138 (2013).
  18. Sharafi, Z., Soh, Z., Guéhéneuc, Y. -G. A systematic literature review on the usage of eye-tracking in software engineering. Information and Software Technology. 67, 79-107 (2015).
  19. Dalrymple, K. A., Jiang, M., Zhao, Q., Elison, J. T. Machine learning accurately classifies age of toddlers based on eye tracking. Scientific Reports. 9 (1), 6255(2019).
  20. Seifert, L., Cordier, R., Orth, D., Courtine, Y., Croft, J. L. Role of route previewing strategies on climbing fluency and exploratory movements. PLoS One. 12 (4), 1-22 (2017).
  21. Takeuchi, H., Habuchi, Y. A quantitative method for analyzing scan path data obtained by eye tracker. IEEE Symposium on Computational Intelligence and Data Mining, CIDM 2007. , Honolulu, HI, USA. 283-286 (2007).
  22. Takeuchi, H., Matsuda, N. Scan-path analysis by the string-edit method considering fixation duration. 6th International Conference on Soft Computing and Intelligent Systems, and 13th International Symposium on Advanced Intelligence Systems, SCIS/ISIS 2012. , Kobe, Japan. 1724-1728 (2012).
  23. Sáiz, M. C., Marticorena, R., Anaiz, Á, Zaparaín, M. J. Task analysis with eye tracking technology. srl at Smartart. II Congress of the International Scientific Association of Psychopedagogy Proceedings. Peralbo, M., Risso, A., Barca, A., Duarte, B., Almeda, L., Brenlla, J. C. , Asociacion Cientifica Internacional de Psicopedagogia. Coruña, Spain. 4093-4104 (2019).
  24. Khedher, A. B., Jraidi, I., Frasson, C. Tracking Students' Analytical Reasoning Using Visual Scan Paths. IEEE 17th International Conference on Advanced Learning Technologies (ICALT). , IEEE. Timisoara, Romania. 53-54 (2017).
  25. Xia, C., Han, J., Qi, F., Shi, G. Predicting Human Saccadic Scanpaths Based on Iterative Representation Learning. IEEE Trans Image Process. 8 (7), 3502-3515 (2019).
  26. Cerezo, R., Fernández, E., Gómez, C., Sánchez-Santillán, M., Taub, M., Azevedo, R. Multimodal Protocol for Assessing Metacognition and Self-Regulation in Adults with Learning Difficulties. Journal of Visualized Experiments. , e60331(2020).
  27. Scherer, R., Siddiq, F., Tondeur, J. The technology acceptance model (TAM): A meta-analytic structural equation modeling approach to explaining teachers' adoption of digital technology in education. Computers & Education. 128 (0317), 13-35 (2019).
  28. Bruder, C., Eißfeldt, H., Maschke, P., Hasse, C. Differences in monitoring between experts and novices. Proceedings of the Human Factors and Ergonomics Society Annual Meeting. 57 (1), 295-298 (2013).
  29. Azevedo, R., Gašević, D. Analyzing Multimodal Multichannel Data about Self-Regulated Learning with Advanced Learning Technologies: Issues and Challenges. Computers in Human Behavior. 96, 207-210 (2019).
  30. Taub, M., Azevedo, R. How Does Prior Knowledge Influence Eye Fixations and Sequences of Cognitive and Metacognitive SRL Processes during Learning with an Intelligent Tutoring System. International Journal of Artificial Intelligence in Education. 29 (1), 1-28 (2019).
  31. IBM Corp. SPSS Statistical Package for the Social Sciences (SPSS) (Version 24). , Madrid, Spain. (2016).
  32. Orange Software Package. , Available from: https://orange.biolab.si/docs/ (2020).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Eye Tracking TechnologyData Mining TechniquesBehavioral AnalysisLearning ProcessesAdult EducationCluster AnalysisSupervised LearningUnsupervised LearningStatistical AnalysisPersonalized Learning

Related Articles