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

Przedstawiamy protokół analizy behawioralnej osób dorosłych w wieku od 15 do 70 lat zaangażowanych w różne procesy. Podejmowanie zadań przydzielonych do samoregulacji. Uczestnicy, nauczyciele i studenci akademiccy oraz inne osoby z University of Experience, byli monitorowani za pomocą urządzeń śledzących ruch gałek ocznych, a dane były analizowane za pomocą technik eksploracji danych.

Protokół ten został przeprowadzony zgodnie z przepisami proceduralnymi komisji bioetycznej Uniwersytetu w Burgos w Hiszpanii. W tym badaniu zadano dwa pytania badawcze. Pytanie badawcze pierwsze, czy będą istniały znaczące różnice w wynikach uczenia się i parametrach fiksacji oka między studentami a nauczycielami będącymi ekspertami i nauczycielami niebędącymi ekspertami w zakresie historii sztuki, różnicowanie studentów z oficjalnymi stopniami naukowymi i studentów z nieoficjalnymi stopniami naukowymi, University of Experience edukacja dorosłych?

I pytanie drugie pytania badawczego: Czy skupiska każdego uczestnika z wynikami uczenia się i parametrami fiksacji oka będą pokrywać się z typem uczestników, studentami z oficjalnymi stopniami, studentami z nieoficjalnymi stopniami, edukacją dorosłych University of Experience i nauczycielami? Rekrutacja uczestników. Rekrutacja uczestników spośród grupy dorosłych w dwóch środowiskach, studentów i nauczyciela, w wieku od 18 do 70 lat w środowisku szkolnictwa wyższego, edukacji formalnej i pozaformalnej.

Uwzględnij uczestnika z normalnym lub skorygowanym do normalnego wzrokiem i słuchem. Wyklucz uczestnika z zaburzeniami neurologicznymi, psychiatrycznymi i snu, niepełnosprawnością związaną ze specjalnymi potrzebami edukacyjnymi, trudnościami percepcyjnymi, upośledzeniem wzroku i słuchu oraz niepełnosprawnością poznawczą. W tym badaniu pracowaliśmy w ostatecznej próbie liczącej 39 uczestników, w tym sześciu studentów z University of Experience.

Jeden uczestnik został wykluczony w kategorii studenta z University of Experience z powodu trudności ze wzrokiem. 25 profesorów uniwersyteckich w dyscyplinie nauk o zdrowiu, inżynierii oraz historii i dziedzictwa, a także dziewięciu studentów studiów licencjackich i magisterskich na kierunkach nauk o zdrowiu, inżynierii oraz historii i dziedzictwa. Gromadzenie danych, uzyskanie świadomej zgody.

Przed badaniem poinformuj każdego uczestnika o celu badania oraz o gromadzeniu, przetwarzaniu i przechowywaniu jego danych. Zgoda każdego uczestnika wyrażana jest poprzez podpisanie formularza świadomej zgody. Następnie, przed przystąpieniem do zadania, ankieter, ekspert w tej dziedzinie, przekazuje kwestionariusz dotyczący pytania dotyczącego wieku, płci, zawodu i wcześniejszej wiedzy na dany temat.

W tym przypadku pochodzenie i historyczny rozwój klasztorów w Europie. Procedura eksperymentalna. Wzorcowanie. Poinformuj uczestnika o tym, jak działa technologia śledzenia ruchu gałek ocznych oraz w jaki sposób informacje będą gromadzone, rejestrowane i kalibrowane.

Uczestnikowi tłumaczy się, że prawidłowe biurko wymaga odpowiedniego ustawienia. Aby to zrobić, uczestnik musi siedzieć w określonej odległości, od 45 do 60 centymetrów od monitora. Odległość będzie zależała od wzrostu uczestnika, im niższy wzrost, tym krótszy dystans.

Uczestnik jest informowany, że w głównym punkcie ekranu pojawi się szereg punktów, a za każdym razem, gdy pojawi się punkt, uczestnik musi obserwować go oczami. Wprowadź ustawienie kalibracji. Wykonywanie zadania uczenia się.

Wyjaśnij uczestnikowi treść zadania. Zadanie edukacyjne polega na wyjaśnieniu pochodzenia klasztorów w Europie. Zadanie jest prezentowane w formie nagrania wideo z wykorzystaniem metodologii SRL.

Informacje są prezentowane za pomocą kanałów dźwiękowych i wizualnych, w tym tekstu pisanego i obrazów. Obejrzyj klip wideo. Rozwiązywanie krzyżówki na wirtualnej platformie opartej na Moodle.

analiza danych. Wybierz obszar zainteresowania, AOI. Obszary zainteresowania są zdefiniowane w filmie i dzielą się na obszary zainteresowania zawierające istotne informacje i obszary zainteresowania zawierające informacje nieistotne.

Wyodrębnij bazę danych odnoszącą się do parametrów fiksacji AOI. Zaimportuj bazę danych, w tym pakiet 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.

Wykonaj analizę wizualizacyjną danych. Wyodrębnij dane parametrów szczegółowych statystyk i dokonaj analizy statystycznej. Spersonalizowane propozycje nauczania.

Przeprowadzenie programu interwencyjnego w celu poprawy efektów uczenia się wśród uczestników wykrytych w analizie skupień ze względu na ich niższe wyniki. Reprezentatywne wyniki. 36 uczestników zrekrutowanych do niniejszego badania pochodziło z trzech grup dorosłych studentów z University of Experience, profesorów uniwersyteckich oraz studentów studiów licencjackich i magisterskich w wieku od 22 do 69 lat.

Protokół był testowany przez 20 miesięcy na Uniwersytecie w Burgos. Przeanalizowano parametry pozycji wzroku fiksacji. Grupa mężczyzn i kobiet w każdej z uczestniczących grup, student University of Experience, nauczyciel akademicki oraz studenci studiów magisterskich i magisterskich, każda z nich wykonała zadanie na różne sposoby.

Nie stwierdzono istotnych różnic w żadnym z parametrów fiksacji, ale zaobserwowano tendencję do różnic w zakresie średniej wielkości źrenicy fiksacji Y, fiksacji i średniej średnicy źrenicy oraz dyspersji fiksacji X, choć z niskimi wartościami efektu. Następnie zastosowano klastry kluczowych środków w celu zbadania, czy w początkowej grupie badawczej występowały różne grupy w odniesieniu do wyników w parametrach pozycji fiksacji, wcześniejszej wiedzy i wyników krzyżówek. Znaleziono trzy gromady.

Przygotowana została również tabela grupowa pomiędzy wartościami klastra przynależności do grupy przypisanej do każdego uczestnika w odniesieniu do typu kategorii uczestnika, studenta University of Experience, profesorów uczelni wyższych i studentów uczelni wyższych. Każdy z nich pokazuje pozycję uczestników w klastrze w odniesieniu do trzech grup dla parametrów pozycji fiksacji. Stwierdzono istotne różnice w zależności od podstawowej wiedzy, zmiennej w czasie trwania dywersji 1.

Analiza czasu wejścia, pojedynku i wyjścia dla każdego bodźca wprowadzonego do każdego AOI. Można zatem wnioskować, że sposób wchodzenia, przebywania i wychodzenia w różnych AOI był różny w zależności od zmiennej grupy uczestników w początkowej fazie dostępu do informacji. Różnice stwierdzono również w parametrach średniego czasu fiksacji.

Dłuższe fiksacje odnoszą się do tego, że uczestnicy spędzają więcej czasu na analizowaniu i interpretowaniu treści informacji w różnych obszarach zainteresowania. Bonferroni oznacza, że do ustalenia przynależności do grupy zastosowano inny test, za pomocą którego ustalono, że znajdują się one pomiędzy grupą studentów University of Experience a grupą profesorów uniwersyteckich. Średnie były wyższe w grupie pierwszej, studentów University of Experience, gdzie uczestnicy spędzają więcej czasu na analizowaniu i interpretowaniu AOI podczas fazy wprowadzania danych.

Na podstawie wyników uzyskanych w tym badaniu zaproponowano opracowanie spersonalizowanego programu nauczania w celu poprawy wyników uczenia się w zakresie rozwiązywania zadań. W tym badaniu program skupi się na wzmocnieniu koncepcji opracowanej w filmie, dla której zostanie wykonane rozszerzenie i specyfikacja koncepcji. Wyniki uzyskane w tej analizie danych dostarczają nauczycielowi informacji umożliwiających dostosowanie prezentacji zadania, a nawet charakterystyki każdego ucznia lub grupy uczniów. Wnioski.

Prezentacja informacji w sposób, za pośrednictwem którego wykorzystują kanał informacyjny, słuchowy, wzrokowy lub jedno i drugie. W przypadku działań SRL, metodologia wraz z wykorzystaniem technologii śledzenia i techniki uczenia maszynowego. Jest to klucz do zrozumienia, w jaki sposób uczenie się przetwarza informacje i do oferowania spersonalizowanego projektu uczenia się zgodnie z potrzebami edukacyjnymi dla każdego z nich.