Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.

Artykuł metodologiczny

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

4.6K wyświetleń

⸱

DOI:

10.3791/62103

⸱

10 czerwca 2021

 ,  ,  ,  ,  ,  ,  , 
1Department of Health Sciences, University of Burgos, 2Department of Geography, History and Communication, University of Burgos, 3Department of Computer Engineering, University of Burgos, 4tvUBU, University of Burgos, 5Departament of Philology, Universidad de Burgos

W tym artykule

Podsumowanie

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.

Streszczenie

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.

Wprowadzenie

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)?

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

Protokół ten został wykonany zgodnie z przepisami proceduralnymi Komitetu Bioetycznego Uniwersytetu w Burgos (Hiszpania) nr Nº IR27/2019. Przed przystąpieniem do badania uczestnicy zostali w pełni poinformowani o celach naukowych i wszyscy wyrazili świadomą zgodę. Za swój udział nie otrzymali żadnego wynagrodzenia finansowego.

1. Rekrutacja uczestników

  1. Zrekrutuj uczestników spośród grupy osób dorosłych w dwóch środowiskach (studentów i nauczycieli), w wieku od 18 do 69 lat, funkcjonujących w środowisku szkolnictwa wyższego (edukacji formalnej i nieformalnej).
  2. Włącz do badania uczestników z normalnym lub skorygowanym do normy wzrokiem i słuchem.
  3. Wyklucz uczestników z zaburzeniami neurologicznymi, psychiatrycznymi i zaburzeniami snu, niepełnosprawnościami związanymi ze specjalnymi potrzebami edukacyjnymi, trudnościami percepcyjnymi (upośledzenie wzroku i słuchu) oraz niepełnosprawnościami poznawczymi.
    UWAGA: W niniejszym badaniu pracowano z próbą 40 uczestników: 6 studentów Uniwersytetu Doświadczeń (jeden uczestnik z kategorii studentów Uniwersytetu Doświadczeń został wykluczony z powodu problemów ze wzrokiem), 25 profesorów uniwersyteckich z dyscyplin nauk o zdrowiu, inżynierii oraz historii i dziedzictwa, a także 9 studentów studiów licencjackich i magisterskich kierunków nauk o zdrowiu, inżynierii oraz historii i dziedzictwa. Uczestnicy nie mieli problemów poznawczych, słuchowych ani wzrokowych, a wszyscy posiadali normalny lub skorygowany do normy wzrok (Tabela 2). Z tego powodu jeden z uczestników został wyeliminowany przed rozpoczęciem eksperymentu, ponieważ stwierdzono u niego oczopląs, w związku z czym zadanie zrealizowano na próbie 39 uczestników. Uczestnicy nie otrzymali wynagrodzenia finansowego ani zawodowego; dlatego motywacja uczestników była wysoka, gdyż opierała się wyłącznie na ich zainteresowaniu działaniem metody eye-tracking w procesie uczenia się związanym z dziedzictwem kulturowym, a konkretnie z pochodzeniem europejskich klasztorów.

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

2. Procedura eksperymentalna

  1. Sesja 1: Pozyskanie świadomej zgody, danych osobowych oraz wiedzy wstępnej
    1. Uzyskanie świadomej zgody. Przed rozpoczęciem testu należy poinformować każdego uczestnika o celach badania oraz o sposobie gromadzenia, przetwarzania i przechowywania jego danych. Zgoda każdego uczestnika jest potwierdzana poprzez podpisanie formularza świadomej zgody.
      UWAGA: Udział w badaniu był dobrowolny i nie wiązał się z wynagrodzeniem finansowym. Aspekt ten zapewnił, że wykonanie zadań nie wynikało z motywacji ekonomicznej. Przed rozpoczęciem zadania ankieter, będący ekspertem w danej dziedzinie, wypełnia kwestionariusz z pytaniami dotyczącymi wieku, płci, zawodu oraz wiedzy wstępnej na temat badanego zagadnienia, w tym przypadku pochodzenia i rozwoju historycznego klasztorów w Europie (patrz Tabela 3). Badanie to jest częścią Projektu Europejskiego (2019-1-ES01-KA204-095615-Koordynator 6) dotyczącego uczenia się dorosłych o Dziedzictwie Kulturowym Ludzkości przez całe życie; stąd wybór tego rodzaju zadania. 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 zasadach działania technologii okulograficznej, sposobie gromadzenia i zapisywania danych oraz przeprowadź kalibrację: „Wykorzystamy technologię okulograficzną (eye-tracking), aby obserwować realizację zadania edukacyjnego dotyczącego pochodzenia i rozwoju europejskich klasztorów. Eye-tracking to technologia, która pozwala śledzić wzrok podczas wykonywania aktywności; nie wywołuje ona skutków ubocznych ani nie jest inwazyjna, ponieważ w badaniu tym rejestrowany jest wyłącznie ruch gałek ocznych”.
    2. Wyjaśnij uczestnikowi, że poprawny test wymaga odpowiedniego ustawienia. Uczestnik musi usiąść w określonej odległości [45 do 60 cm] od monitora. Odległość ta zależy od wzrostu uczestnika – im niższy wzrost, tym mniejsza odległość.
    3. Poinformuj uczestnika, że w głównych punktach ekranu będą pojawiać się kolejne punkty, które należy obserwować wzrokiem. Uczestnik może przechodzić z jednego punktu do drugiego za pomocą klawisza „enter”. Faza kalibracji trwa od 10 do 15 minut.
      UWAGA: Do wykonania zadania wykorzystano Eye-tracking iViewer XTM, SMI Experimenter Center 3.0 oraz SMI Be Gaze wraz z monitorem o rozdzielczości 1680×1050. Sprzęt ten rejestruje ruchy gałek ocznych, ich współrzędne oraz średnicę źrenic każdego oka. W badaniu zastosowano częstotliwość 60 Hz, wykorzystano metryki ścieżki skanowania (scan-path metrics) oraz dynamiczne metryki ścieżki skanowania, a także wyznaczono statystyki obszarów zainteresowania (AOI).
    4. Sprawdź ustawienia kalibracji. Specjalista nadzorujący test analizuje ustawienia kalibracji na ekranie kontrolnym.
      1. Przeprowadź kalibrację za pomocą systemu kalibrującego zawartego w Eye-tracking iViewer XTM. Przed rozpoczęciem tego zadania każdy uczestnik wykonuje śledzenie wzrokowe czterech punktów na ekranie w jego rogach (prawy górny, lewy górny, prawy dolny, lewy dolny). Następnie oprogramowanie przeprowadza proces weryfikacji prawidłowego położenia tych bodźców i podaje informacje o korekcie parametrów w stopniach. Jeśli korekta ta mieści się w przedziale 0.6º ± 1 dla prawego i lewego oka, kalibrację uznaje się za prawidłową i rozpoczyna wykonywanie zadania. Przykład tego procesu przedstawiono na Rysunku 1.
        ​UWAGA: Za prawidłowe wykonanie zadania uznaje się wynik, w którym wartości w stopniach dla prawego i lewego oka mieszczą się w przedziale 0.6º ± 1 odchylenia standardowego. W badaniu tym u dwóch osób z grupy profesorów uniwersyteckich stwierdzono kalibrację przekraczającą kryterium korekty 0.6º ± 1, w związku z czym dwóch uczestników zostało wykluczonych. W efekcie liczba uczestników w pierwszej próbie została zredukowana z 25 do 23 osób.

Układ analizy okulograficznej z monitorami komputerowymi wyświetlającymi interfejs oprogramowania do śledzenia oraz punkty spojrzenia.
Rysunek 1. Proces kalibracji okulograficznej Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

  1. Sesja 3: Wykonanie zadania edukacyjnego
    1. Wyjaśnienie treści zadania uczestnikowi. Ekspert w dziedzinie psychologii nauczania wyjaśnia uczestnikowi, na czym będzie polegało zadanie i jak je wykonać: „Film trwa 1:14 sekundy i składa się z 5 obrazów z lektorem. Na koniec uczestnik zostanie poproszony o rozwiązanie krótkiej krzyżówki, aby sprawdzić, czy informacje przedstawione w filmie zostały zrozumiane”.
    2. Obejrzenie klipu wideo. Film wykorzystany w zadaniu można obejrzeć pod następującym linkiem: https://youtu.be/HlGGgrYDTFs.
      UWAGA: Zadanie polega na obejrzeniu filmu dostarczającego informacji o początkach europejskich klasztorów. Informacje zostały opracowane przez specjalistę, nauczyciela historii sztuki. Informacje zorganizowano w dwóch kanałach: wizualnym, obejmującym obrazy i informacje pisemne przedstawione w formie konspektów, oraz audio, ponieważ przez cały film mówi nauczyciel specjalista SRL, kładąc nacisk na najważniejsze treści za pomocą akcentów werbalnych.
    3. Rozwiązanie krzyżówki na wirtualnej platformie opartej na systemie Moodle. Kliknięcie ikony krzyżówki przenosi uczestnika na wirtualną platformę, gdzie można rozwiązać krzyżówkę w celu sprawdzenia, czy wiedza została przyswojona. Krzyżówka została przedstawiona na Rysunku 2.

Schemat krzyżówki do celów edukacyjnych, zawierający układ siatki i wskazówki.
Rycina 2. Krzyżówka służąca do sprawdzenia zdobytej wiedzy. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

  1. Sesja 4: Analiza danych
    1. Wybierz obszary zainteresowania (AOI). AOI są zdefiniowane w wideo i podzielone na AOI zawierające istotne informacje oraz AOI zawierające informacje nieistotne.
      UWAGA: Przypisanie AOI jest realizowane przez eksperymentatora, który decyduje, które AOI są istotne lub nieistotne w relacji do prezentowanych informacji.
    2. Wyeksportuj bazę danych dotyczącą parametrów fiksacji w AOI („Event Start Trial Time”, „Event End Trial Time” oraz „Event Duration”; „Fixation Position X”, „Fixation Position Y”, „Fixation Average Pupil Size”, „Fixation Average Pupil Size Y px”, „Fixation Average Pupil Diameter”, „Fixation Dispersion X” oraz „Fixation Dispersion Y”).
    3. Zaimportuj bazę danych do statystycznego pakietu oprogramowania, wybierz opcję analyze, następnie classify, a potem opcję k-means cluster. Następnie wybierz tabelę krzyżową w pakiecie statystycznym, np. SPSS, a potem opcję „ANOVA”, aby przeanalizować różnice między uczestnikami (typ grup dorosłych i stopień wiedzy uprzedniej) w odniesieniu do parametrów fiksacji AOI31.
      UWAGA: Klasteryzacja lub analiza skupień jest „nienadzorowaną” techniką uczenia maszynowego, a w przypadku metody k-średnich jest to metoda grupowania, której celem jest podział zbioru n obserwacji na k grup, w których każda obserwacja należy do grupy o najbliższej wartości średniej. W tym eksperymencie klasteryzacja k-średnich została użyta do sprawdzenia skupień uczestników w zadaniu uczenia się. Ta odpowiedniość jest ważna, ponieważ dostarcza nauczycielowi lub terapeucie informacji o jednorodnym rozwoju funkcjonalnym użytkowników, co wykracza poza diagnozę, dostarczając informacji niezbędnych do zaproponowania podobnych programów interwencyjnych w niektórych obszarach rozwoju funkcjonalnego. Oczekuje się, że opcja ta ułatwi pełne wykorzystanie usług edukacyjnych lub terapeutycznych oraz ich zasobów osobowych i materialnych.
    4. Przeprowadź analizę wizualną przetworzonych danych (analizę opisową i analizę skupień), korzystając z oprogramowania do wizualizacji, takiego jak Orange32.
    5. Wyeksportuj dane dotyczące parametrów statystyk szczegółowych (Detailed Statistics): Dwell Time, Glance Duration, Diversion Duration, Glance Count, Fixation Count, Average Fixation oraz Duration, a następnie zaimportuj tę bazę danych do statystycznego pakietu oprogramowania. Wybierz opcję „ANOVA” w pakiecie statystycznym, a następnie przeprowadź analizę wizualną przetworzonych danych (średnie). Użyj arkusza kalkulacyjnego do wygenerowania wykresu radarowego oraz specyficznych wykresów słupkowych dla grup uczestników.
  2. Sesja 5: Spersonalizowane propozycje uczenia się
    1. Zrealizuj program interwencyjny w celu poprawy wyników uczenia się uczestników wykrytych w analizie skupień ze względu na ich niższe wyniki.
      UWAGA: Podsumowanie etapów zastosowanych w procedurze eksperymentalnej przedstawiono na Rysunku 3.

Schemat przetwarzania danych: zadania SRL, logi baz danych, ANOVA, klasteryzacja, oprogramowanie do wizualizacji.
Rycina 3. Fazy procedury eksperymentalnej. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

Do niniejszego badania zrekrutowano 36 uczestników z trzech grup dorosłych (studentów studiów doświadczalnych, profesorów uniwersyteckich oraz studentów studiów licencjackich i magisterskich) w wieku od [18 do 69] lat (Tabela 2). Protokół był testowany przez 20 miesięcy na Uniwersytecie w Burgos. Zarys przebiegu prac przedstawiono w Tabeli 4.

Tabela 4. Zarys opracowania protokołu analizy...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

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...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

Autorzy oświadczają, że nie mają konkurencyjnych interesów finansowych.

Podziękowania

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.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
iViewer XTMiViewer
SMI Centrum Eksperymentatorów 3.0SMI
SMI Be GazeSMI

Bibliografia

  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).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Tagi

edukacja dorosłychanaliza skupieńuczenie nadzorowaneuczenie nienadzorowaneanaliza statystycznapersonalizacja nauczania
Technologia śledzenia wzroku i techniki eksploracji danych stosowane w analizie behawioralnej osób dorosłych zaangażowanych w procesy uczenia się
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.