Name: Avaliando as múltiplas dimensões do noivado a Caracterizar Aprendizagem: uma perspectiva neurofisiológica (Vídeo) | JoVE Journal
Uploaded: 2015-07-01T15:00:00.000+00:00
Duration: 13 min 57 s
Description: Aprenda a coletar e sincronizar dados comportamentais, emocionais e cognitivos durante tarefas de aprendizagem usando rastreamento ocular, EEG e atividade eletrodérmica. Este método neurofisiológico permite caracterizar múltiplas dimensões do engajamento do aprendiz.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Os autores agradecem o apoio financeiro do Conselho de Pesquisa em Ciências Sociais e Humanas do Canadá (SSHERC), Conselho de Pesquisa em Ciências Naturais e Engenharia do Canadá (NSERC), Fonds de Recherche Nature et Technologies du Québec (FQRNT) e Fonds de Recherche sur la Société et Culture du Québec (FQRSC).

Este protocolo recebeu um certificado de ética do Comité de la recherche institutionnel avec des êtres humains (CIER) de l&#39;Université du Québec à Montréal (UQAM), que foi aprovado pelo HEC-Montreal para o centro de pesquisa Tech3Lab. O protocolo descreve cada um dos passos específicos que são realizados em nosso meio ambiente e equipamentos de laboratório. Embora caminhos de software precisos são fornecidos para esclarecer a metodologia, esta técnica é transferível e pode ser replicado com outros eye-tracking proprietário, automático reconhecimento de emoções faciais, atividade electrodermal e equipamentos eletroencefalografia e software. 1. Configuração do Laboratório de Meio Ambiente <ol><li> Ligue o olho-tracker, o amplificador de EEG, os quatro computadores de gravação e alto-falantes. </li><li> Prepare a instalação do aparelho de controlo: <ol><li> Prepare a configuração do EEG com material necessário de acordo com recome do fabricanteprocedimentos NDED. Prepare o software EEG para o próximo participante. Inicie o software de rastreamento ocular e criar um novo perfil de participante do software. Inicie o software de gravação de vídeo e as câmeras. </li><li> Inicie o software de sincronização com o sub-rotina específica criada para o projeto com marcadores em 60 seg. Inicie o software de medição fisiológica (para gravar a atividade electrodermal) e abra o layout específico criado para o projeto. Ajuste cadeira do participante ao mais alto nível. </li></ol></li></ol> 2. Participante Preparação <ol><li> Peça ao participante para ler e assinar o formulário de consentimento ético. </li><li> Realizar medições do crânio para EEG: <ol><li> Encontre o local Cz na cabeça do participante (de acordo com 10-20 sistemas de referência). Mergulhe o líquido EEG na solução salina (cloreto de potássio) (veja o passo 1.2.1) e iniciar um temporizador (10 min), em conformidade com as normas do fabricante. &lt;/ Li&gt; </ol></li><li> Leia o objetivo do estudo e as etapas do experimento para o participante, &quot;O objetivo deste estudo é observar sua atividade cerebral enquanto você responder a problemas de física. Primeiro vamos instalar os sensores, em seguida, você será solicitado a resolver 10 problemas de física newtoniana no computador. Vamos pedir-lhe para tomar uma 45-sec pausa depois de cada problema com seus olhos fechados. Depois de cada problema, você será solicitado para avaliar a sua avaliação do problema &quot;. </li><li> Diga o assunto que a duração total do experimento será de 90 min. </li><li> Instalar os sensores fisiológicos, de acordo com as recomendações do fabricante: dois sensores gelificados no topo do lado esquerdo. </li><li> Instale a tampa do EEG, de acordo com as recomendações do fabricante e executar uma verificação de impedância com um limiar de 40 kW (de acordo com as especificações do fabricante). </li></ol> 3. Coleta de Dados <ol><li> Certifique-se de que todos os softwares de gravação está pronto para ser iniciado em sincronia: <ol><li> Fisiologia (dados EDA): Clique no botão &quot;Iniciar&quot;. </li><li> A gravação de vídeo: Clique no botão &quot;Abrir&quot;. </li><li> Eye-tracking: Clique no botão &quot;em espera&quot;. </li><li> EEG: Clique no botão &quot;record&quot;. </li><li> O software de sincronização: Clique no botão &quot;círculo verde&quot;. </li></ol></li><li> Olho calibração olhar: <ol><li> Realize uma calibração de cinco pontos na tela e observe o participante enquanto ele / ela segue os pontos vermelhos (clique em &quot;Ferramentas / Configurações / Calibração ...&quot;). Repita este procedimento até que uma precisão suficiente é alcançada, de acordo com as normas do fabricante. </li></ol></li><li> Instruções de tarefas do projeto na tela do participante: perguntar se ele / ela tem alguma dúvida após lê-los, e se ele / ela está pronto para iniciar a experiência. </li><li> Peça ao participante para resolver 10 newtoniana physics problemas. </li><li> Se necessário, execute uma verificação de impedância durante um dos intervalos 45 s (não antes de problema 5). </li><li> Certifique-se de que o participante assume a completa 45 s pausa antes de cada problema (para determinar a linha de base). </li></ol> 4. Fim de Coleta de Dados <ol><li> Pare de aquisição de dados em todos os computadores e remover os sensores do participante. </li></ol> 5. Depois de o Participante Has Left <ol><li> Limpe a tampa EEG com germicida e arrumar o equipamento, de acordo com as recomendações do fabricante. Salve todos os arquivos de dados coletados e criar um backup no servidor de FTP. </li><li> Preencha a planilha participante: observe qualquer evento particular ou problema durante a coleta de dados. Apagar todos os cookies do navegador da web. </li></ol> 6. Dados Pré-processamento e exportação para o Software de Integração <ol start="1"><li> EEG <ol><li> Importar dados de EEG em EEG software de análise de dados: <ol><li> Crie três pastas vazias no computador chamado &quot;dados brutos&quot;, &quot;História&quot; e &quot;Exportar&quot; para colar os dados de EEG matérias no arquivo de dados Raw recém-criado. </li><li> No EEG software de análise de dados, clique em &quot;File / New Project ...&quot; e escolha o local de dados brutos, clicando em Procurar e selecionando o arquivo de dados brutos recém-criado. Escolha o local do &quot;Histórico&quot; e as pastas &quot;exportação&quot; da mesma forma. </li><li> Clique em &quot;OK&quot;. (A janela deve conter todos os dados de EEG do participante). </li></ol></li><li> Pré-processo o sinal do cérebro: <ol><li> Aplicar um filtro e um entalhe (clique em &quot;Transformações / filtros IIR ...&quot;). Na janela, permitir que o corte de baixa de 1,5 Hz com um declive de 12 dB eo alto ponto de corte em 50 Hz com um declive de 12 dB. Também permitem que um entalhe a 60 Hz de frequência. </li><li> Porque um amplificador DC é usado, DC retirada da tendência de sinal (Clique em &quot;Transformations / DC Eliminar tendência ... &quot;e permitir&quot; baseadas em tempo &quot;em 100 milissegundos antes do marcador e 100 ms antes de conexão DC). </li><li> Faça uma inspeção de dados brutos (Clique em &quot;Transformação / Raw inspeção de dados ...&quot; e selecione a remoção artefato semi-automático). Selecione as seguintes: tensão máxima de 60 mV / ms; Max-min: 200 mV em 200 intervalo ms; amplitude: -400 a +400 mV). </li><li> Executar uma ICA automática com esferificação clássico para remoção piscar de olhos (artefatos miográfica não precisa ser removido porque a sua gama está fora das frequências de interesse). (Clique em &quot;Transformações / ICA ...&quot;. No final do ICA, o processo inverso ICA). </li><li> Re-referência (&quot;Transformações / Re-referência ...&quot;) o sinal e selecione &quot;média comum&quot;. </li><li> Export (clique em &quot;Export / Genéricos Data Export ...&quot;) o sinal e marcadores em formato de texto (Selecione a opção &quot;.vhdr&quot;; caixa) para um eventual construção Matlab do índice de noivado. Além disso, selecione o arquivo &quot;cabeçalho Write&quot; e &quot;caixas de arquivo marcador Write&quot;. </li></ol></li><li> Importar o sinal em Matlab. <ol><li> Comece Matlab e digite &quot;eeglab&quot; para que o GUI de EEGLab aparece e importar os dados para um participante de cada vez. Na GUI, selecione item de menu &quot;Arquivo / Importar Dados / Usando funções EEGLab e plugins / Do Cérebro Vis Rec .vhdr arquivo&quot;. </li><li> Na janela de comando, cole um script 16 que gera um índice de noivado. NOTA: O script envolvimento cognitivo é calculado pela média de cada / rácio Beta (Alpha Theta +) dentro de um tempo T. janela deslizante 20 seg anterior Este procedimento é repetido a cada segundo e uma nova janela deslizante é usado para atualizar o índice. </li></ol></li><li> No MS Excel, abra o ficheiro de texto do índice de acoplamento que é gerado no final da escrita por Matlab e aplicar um z-SCORe normalização em dados de EEG para permitir a comparação intersubject. (Para cada valor, calcular esta fórmula no Excel: Z = (valor - média geral) / desvio padrão global.) </li><li> Salve o sinal indicador de engajamento z-score em um arquivo CSV em MS Excel. (Clique em Arquivo / Salvar como ... e selecione CSV no tipo de formato.) </li><li> Repetir o procedimento (a partir do passo 6.1.2.2.) Para cada participante. </li></ol></li><li> Fisiologia: <ol><li> Importar dados EDA em software de análise de dados fisiológicos. </li><li> Aplicar estes parâmetros pré-processar o sinal fisiológico: <ol><li> Aplicar uma transformação logarítmica a normalizar a distribuição da condutância como por Venables e Christie 23 método. </li><li> Plano do sinal numa janela de 10 seg 24 deslizante. </li></ol></li><li> Dentro do software fisiológico, calcular uma normalização z-score com os dados de EDA para permitir a comparação intersubject. (Z = (valor - média geral) / desvio padrão global). <ol><li> Realce todos os dados com o cursor do canal EDA. </li><li> No menu superior, selecione o canal EDA, e selecione &quot;significa&quot; para obter o valor médio do canal global. Também seleccionar o canal de EDA e &quot;o desvio-padrão&quot; para obter o valor do desvio padrão do canal global. </li><li> Para calcular a equação z-score, clique em &quot;Transformação / forma de onda matemática ...&quot; e selecione o canal EDA na Fonte 1. Selecione &quot;-&quot; (menos) na janela de operação matemática e escolha K na fonte 2. Selecione &quot;Novo destino&quot; no menu de destino e insira o valor médio do canal EDA (veja o passo 6.2.3.2). Selecione &quot;Transform onda inteira&quot;, clique em OK e clique em &quot;Transformação / forma de onda matemática ...&quot;. Selecione o canal EDA-K na fonte 1, selecione &quot;/&quot; (dividir) na janela de operação matemática, selecione K na fonte 2, selecione &quot;Novo destino&quot; em destino e enter do valor do desvio padrão do canal de EDA (passo 6.2.3.2). Selecione &quot;Transformar onda inteira&quot; e clique em OK. </li></ol></li><li> Exportar o sinal (excitação) em um arquivo CSV. (Clique em Arquivo / Salvar como ... e selecione CSV no tipo de formato.) </li></ol></li><li> Automatic facial emoção reconhecimento: <ol><li> Importar dados de vídeo do gravador de mídia no software de reconhecimento facial automático emoção. (Clique em &quot;Arquivo / Novo ... / participantes ...&quot;. Depois de selecionar um novo participante no menu projeto, clicando sobre ela, clique em &quot;Arquivo / Novo / Análise / Video ...&quot;. Clique na lupa ao lado de Análise 1 e escolher o desejado arquivo de vídeo. <ol><li> Selecione uma análise offline para &quot;cada terceira frame&quot; e ative &quot;calibração contínua&quot;. </li><li> Exportar dados de valência em um arquivo CSV. (Clique em &quot;Opções / Configurações / Logging ...&quot;, marque a opção &quot;Escrever valor de valência para o arquivo de log&quot; caixa. Clique em &quot;Arquivo /Export ... &quot;, escolha o local onde os arquivos de log serão exportados, e marque a opção&quot; Salvar registro detalhado caixa &quot;.) </li><li> Abra o arquivo CSV em MS Excel. Copie a coluna de dados de valência em uma única coluna de software SPSS. Clique em &quot;Analyse / Descriptives Estatísticas / Descriptives&quot; e selecione o nome da variável recém-colado. Marque a caixa &quot;Salvar valores padronizados em variáveis&quot;. Uma coluna com um z-score irá aparecer. Copie e cole esses escores z ao longo dos velhos dados no arquivo Excel. </li></ol></li><li> Salve o arquivo do Excel com os escores z do sinal (valência) em formato CSV. </li></ol></li></ol> 7. Data Integration e sincronização <ol start="1"><li> Em software de análise comportamental: <ol><li> Importação eye-tracking vídeos (de noivado comportamental). (Clique em &quot;Arquivo / Importar / Video em uma nova observação ...&quot;. O nome do novo observação e escolha o arquivo de vídeo desejado.) </li><li> Código cada vídeo com ser pertinentehaviors e eventos contextuais (marcadores de tempo, respostas certo / errado). </li><li> Importar todos os dados externos com o cabeçalho apropriado: z-score do sinal EEG (envolvimento cognitivo), z-score de sinal EDA (envolvimento emocional), z-score de dados de valência (envolvimento emocional). (Clique em &quot;Arquivo / Importar / dados externos ...&quot;. Selecione o tipo de arquivo apropriado e selecione o arquivo CSV correta.) </li></ol></li><li> Sincronizar o tempo entre os computadores de acordo com estas fórmulas: <ol><li> Tempo no olho olhar de vez em EEG = Tempo no olhar olho + segundo marcador no EEG - primeiro marcador no olhar olho. </li><li> Tempo no olhar olho de vez em emoção facial reconhecimento = Tempo no olhar olho + primeiro marcador na emoção facial - primeiro marcador no olhar olho. </li><li> Tempo no olho olhar de vez em atividade electrodermal = Tempo no olhar olho + primeiro marcador na atividade electrodermal - primeiro marcador no olhar olho. </li></ol></li><li> Digite os dados de correção pressionando &quot;Ctrl + Shift + =221 ;, para abrir o menu de deslocamento. Selecione &quot;deslocamento numérica&quot; ​​para entrar no tempo em segundos entre cada par de fontes de dados [OK?]), De acordo com os cálculos acima referidos. </li><li> Gerar um relatório de acordo com as variáveis ​​de interesse no estudo. <ol><li> Selecione variáveis ​​interessantes que serão gerados no relatório (clique em &quot;Analisar / Select Data / Novo Perfil de Dados ...&quot;). A partir da esquerda, deslize as variáveis ​​desejadas entre a caixa &quot;Iniciar&quot; e &quot;Resultados&quot; caixa, no lado direito. </li><li> Gerar o relatório. (Clique em &quot;Analisar / Análise Numérica / New ...&quot;, clique em &quot;Estatísticas&quot; e marque a caixa média no menu de dados externa. Concluir, clicando em &quot;Calcular&quot;.) </li></ol></li><li> Exportar os dados para software de análise estatística e realizar a análise de acordo com os objetivos do estudo. </li></ol>

<ol><li>Fredricks, J. A., Blumenfeld, P. C., Paris, A. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((School+engagement%3A+Potential+of+the+concept%2C+state+of+the+evidence%5BTitle%5D)+AND+%22Rev.+Educ.+Res%22%5BJournal%5D)">School engagement: Potential of the concept, state of the evidence.</a> Rev. Educ. Res. 74 (1), 59-109 (2004).</li>
<li>Clark, R. C., Mayer, R. E. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aClark%2C+RC+%22E-learning+and+the+Science+of+Instruction%22">E-learning and the Science of Instruction</a>. , Pfeiffer. San Francisco. (2011).</li>
<li>Zhang, D., Zhou, L., Briggs, R. O., Nunamaker, J. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Instructional+video+in+e-learning%3A+Assessing+the+impact+of+interactive+video+on+learning+effectiveness%5BTitle%5D)+AND+%22Inform.+Manage%22%5BJournal%5D)">Instructional video in e-learning: Assessing the impact of interactive video on learning effectiveness.</a> Inform. Manage. 43 (1), 15-27 (2006).</li>
<li>Freeman, F. G., Mikulka, P. J., Prinzel, L. J., Scerbo, M. W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Evaluation+of+an+adaptive+automation+system+using+three+EEG+indices+with+a+visual+tracking+task%5BTitle%5D)+AND+%22Biol.+Psychol%22%5BJournal%5D)">Evaluation of an adaptive automation system using three EEG indices with a visual tracking task.</a> Biol. Psychol. 50, 61-76 (1999).</li>
<li>Glimcher, P., Rustichini, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Neuroeconomics%3A+The+consilience+of+brain+and+decision%5BTitle%5D)+AND+%22Science%22%5BJournal%5D)">Neuroeconomics: The consilience of brain and decision.</a> Science. 306 (5695), 447-452 (2004).</li>
<li>Lieberman, M. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Social+Cognitive+neuroscience%3A+A+review+of+core+processes%5BTitle%5D)+AND+%22Annu.+Rev.+Physiol%22%5BJournal%5D)">Social Cognitive neuroscience: A review of core processes.</a> Annu. Rev. Physiol. 58, 259-289 (2007).</li>
<li>Pope, A. T., Bogart, E. H., Bartolome, D. S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Biocybernetic+system+evaluates+indices+of+operator+engagement+in+automated+task%5BTitle%5D)+AND+%22Biol.+Psychol%22%5BJournal%5D)">Biocybernetic system evaluates indices of operator engagement in automated task.</a> Biol. Psychol. 40 (1-2), 187-195 (1995).</li>
<li>Physiological indicators for the evaluation of co-located collaborative play. Mandryk, R., Inkpen, K. CSCW '04 Proceedings of the 2004 ACM conference on Computer supported cooperative work, 2004 Nov 6-10, Chicago, IL, USA, , (2004).</li>
<li>Allaire-Duquette, G., Charland, P., Riopel, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((At+the+very+root+of+the+development+of+interest%3A+Using+human+body+contexts+to+improve+women%E2%80%99s+emotional+engagement+in+introductory+physics%5BTitle%5D)+AND+%22Eur.+J.+Phy.+Ed%22%5BJournal%5D)">At the very root of the development of interest: Using human body contexts to improve women’s emotional engagement in introductory physics.</a> Eur. J. Phy. Ed. 5 (2), 31-48 (2014).</li>
<li>Bradley, M. M., Lang, P. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Measuring+emotion%3A+The+self-assessment+manikin+and+the+semantic+differential%5BTitle%5D)+AND+%22J.+Behav.+Ther.+Exp.+Psy%22%5BJournal%5D)">Measuring emotion: The self-assessment manikin and the semantic differential.</a> J. Behav. Ther. Exp. Psy. 25 (1), 49-59 (1994).</li>
<li>Lang, P. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+emotion+probe%3A+Studies+of+motivation+and+attention%5BTitle%5D)+AND+%22Am.+Psychol%22%5BJournal%5D)">The emotion probe: Studies of motivation and attention.</a> Am. Psychol. 50 (5), 372-385 (1995).</li>
<li>Ekman, P., Felt Friesen, W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((false%2C+and+miserable+smiles%5BTitle%5D)+AND+%22J.+Nonverbal+Behav%22%5BJournal%5D)">false, and miserable smiles.</a> J. Nonverbal Behav. 6 (4), 238-252 (1982).</li>
<li>Advances in face and gesture analysis. Van Kuilenburg, H., Den Uyl, M. J., Israël, M. L., Ivan, P. Proceedings of Measuring Behavior 2008, 2008 Aug 26-29, Maastricht, The Netherlands, , 371-372 (2008).</li>
<li>Cacioppo, J., Tassinary, L. G., Berntson, G. G. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aCacioppo%2C+J+%22Handbook+of+Psychophysiology%22">Handbook of Psychophysiology</a>. , Cambridge University Press. Cambridge, UK. (2007).</li>
<li>Lubar, J. F., Swartwood, M. O., Swartwood, J. N., O’Donnell, P. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Evaluation+of+the+effectiveness+of+EEG+neurofeedback+training+for+ADHD+in+a+clinical+setting+as+measured+by+changes+in+T.O.V.A.+scores%2C+behavioral+ratings%2C+and+WISC+R+performance%5BTitle%5D)+AND+%22Biofeedback+Self-reg%22%5BJournal%5D)">Evaluation of the effectiveness of EEG neurofeedback training for ADHD in a clinical setting as measured by changes in T.O.V.A. scores, behavioral ratings, and WISC R performance.</a> Biofeedback Self-reg. 20 (1), (1995).</li>
<li>Mikulka, P. J., Freeman, F. G., Scerbo, M. W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Effects+of+a+biocybernetic+system+on+the+vigilance+decrement%5BTitle%5D)+AND+%22Hum.+factors%22%5BJournal%5D)">Effects of a biocybernetic system on the vigilance decrement.</a> Hum. factors. 44 (4), 654-664 (2002).</li>
<li>Freeman, F. G., Mikulka, P. J., Scerbo, M. W., Scott, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((An+evaluation+of+an+adaptive+automation+system+using+a+cognitive+vigilance+task%5BTitle%5D)+AND+%22Biol.+Psychol%22%5BJournal%5D)">An evaluation of an adaptive automation system using a cognitive vigilance task.</a> Biol. Psychol. 67 (3), 283-297 (2004).</li>
<li>Chaouachi, M., Chalfoun, P., Jraidi, I., Frasson, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Affect+and+mental+engagement%3A+Toward+adaptability+for+intelligent+systems%5BTitle%5D)+AND+%22Proceedings+of+the+Twenty-Third+International+Florida+Artificial+Intelligence+Research+Society+Conference+%28FLAIRS+2010%29%2C+Association+for+the+Advancement+of+Artificial+Intelligence%22%5BJournal%5D)">Affect and mental engagement: Toward adaptability for intelligent systems.</a> Proceedings of the Twenty-Third International Florida Artificial Intelligence Research Society Conference (FLAIRS 2010), Association for the Advancement of Artificial Intelligence. , 355-360 (2010).</li>
<li>Courtemanche, F., Ortiz de Guinea, A., Titah, R., Fredette, M., Labonté-LeMoyne, É <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Precision+is+in+the+eye+of+the+beholder%3A+Application+of+eye+fixation-related+potentials+to+information+systems+research%5BTitle%5D)+AND+%22J.+Assoc.+Inf.+Syst%22%5BJournal%5D)">Precision is in the eye of the beholder: Application of eye fixation-related potentials to information systems research.</a> J. Assoc. Inf. Syst. 15 (10), 651-678 (2014).</li>
<li>Courtemanche, F., Ortiz de Guinea, A., Titah, R., Fredette, M., Labonté-Lemoyne, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Applying+eye+fixation-related+potentials+to+information+systems+research%3A+Demonstration+of+the+method+during+natural+IS+use+and+guidelines+for+research%5BTitle%5D)+AND+%22J.+Assoc.+Inf.+Syst%22%5BJournal%5D)">Applying eye fixation-related potentials to information systems research: Demonstration of the method during natural IS use and guidelines for research.</a> J. Assoc. Inf. Syst. 15 (10), (2014).</li>
<li>Courtemanche, F. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=%22Un+outil+d%E2%80%99%C3%A9valuation+neurocognitive+des+interactions+humain-machine+Doctoral%22">Un outil d’évaluation neurocognitive des interactions humain-machine Doctoral thesis</a>. , Université de Montréal. Montreal, QC. (2014).</li>
<li>Assessing multiple dimensions of learner engagement during science problem solving using psychophysiological and behavioral measures. Charland, P., Léger, P. M., Mercier, J., Skelling-Desmeules, Y. Fourth Scientific International Symposium of the Association for Research in Neuroeducation, Caen, France, , (2014).</li>
<li>Venables, P. H., Christie, M. J. Electrodermal activity. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aVenables%2C+PH+%22Techniques+in+Psychophysiology%22">Techniques in Psychophysiology</a>. Martin, I., Venables, P. , Wiley. Chichester, UK. 3-67 (1980).</li>
<li><a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=%22Electrodermal+Activity%22">Electrodermal Activity</a>. Boucsein, W. , 2nd ed, Springer. New York. (2012).</li>
<li>Sarlo, M., Palomba, D., Buodo, G. M., Minghetti, R., Stegagno, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Blood+pressure+changes+highlight+gender+differences+in+emotional+reactivity+to+arousing+pictures%5BTitle%5D)+AND+%22Biol.+Psychol%22%5BJournal%5D)">Blood pressure changes highlight gender differences in emotional reactivity to arousing pictures.</a> Biol. Psychol. 70 (3), 188-196 (2005).</li>
<li>Martens, R. L., Gulikers, J., Bastiaens, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+impact+of+intrinsic+motivation+on+e-learning+in+authentic+computer+tasks%5BTitle%5D)+AND+%22J.+Comput.+Assist.+Lear%22%5BJournal%5D)">The impact of intrinsic motivation on e-learning in authentic computer tasks.</a> J. Comput. Assist. Lear. 20 (5), 368-376 (2004).</li>
</ol>

Os autores não têm nada a divulgar.

Em termos de etapas críticas no âmbito do protocolo, ele deve primeiro ser salientado que a qualidade dos dados é sempre o foco principal para técnicas de coleta de neurofisiológicos. Nesta metodologia, assistentes de investigação devem prestar especial atenção à instrução dos assuntos para minimizar movimentos da cabeça que irão interferir com a monitorização de valência (perdendo ângulo de face correta para a câmera) ou geram artefatos miográfica no EEG. Por outro lado, um equilíbrio deve ser mantida entre a autentici...

Engagement desempenha um papel crucial na aprendizagem. Para Clark e Mayer 2, &quot;toda a aprendizagem requer engajamento&quot;, independentemente dos meios de comunicação de entrega. Zhang et al. 3 também sugeriram que o aumento do envolvimento do aluno pode melhorar os resultados de aprendizagem, tais como resolução de problemas e habilidades de pensamento crítico. Definindo engajamento continua a ser um desafio. Em sua revisão da literatura, Fredricks, Blumenfeld e Paris 1 definido engajamento por sua natureza multifacetada: &quot;engajamento comportamental baseia-se na idéia de participação; que inclui o envolvimento em atividades acadêmicas e sociais ou extracurriculares. (...) O envolvimento emocional engloba reações positivas e negativas para os professores, colegas, acadêmicos e escola e é presumida para criar laços com um objeto e influência vontade de fazer o trabalho. Finalmente, envolvimento cognitivo baseia-se na idéia de investimento mental; ele incorpora consideração e vontade de exercer o esforço neccessário para compreender idéias complexas e dominar as habilidades difíceis &quot;. Fredricks, Blumenfeld e Paris 1 também alegou que um foco em comportamento, emoção e cognição, dentro do conceito de engajamento, pode fornecer uma caracterização mais rica de aprendizado. Estes autores apontam que um corpo robusto de pesquisa aborda cada componente de envolvimento separadamente, mas esses componentes não foram estudadas em conjunto. Eles também observaram que há pouca informação disponível sobre as interações entre as dimensões e que mais estudos poderão contribuir para o planejamento de intervenções de ensino afinado. Como um passo nesse sentido, este trabalho descreve uma metodologia de pesquisa que foi desenvolvido para coletar e analisar dados quantitativos e qualitativos, de forma síncrona, no engajamento comportamental, emocional e cognitiva durante tarefas de aprendizagem. Trazendo as Neurociências em Educação Behavior e, consequentemente, o engajamento comportamental, tem sido o foco central de estudos em educação: projetos de pesquisa focados principalmente em mudanças no conhecimento e comportamento que ocorrem ao longo de grandes períodos de tempo, entre pré e pós-testes, e ao longo de intervalos de horas, semanas , meses ou anos. Discriminando entre engajamento comportamental, emocional, cognitivo e continua a ser um desafio, porque as duas últimas dimensões não são sistematicamente observável externamente. Cognição e as emoções ou deve ser inferida a partir de observações ou avaliados com medidas de auto-relato. De um ponto de vista externo, continua a ser difícil determinar se os alunos estão a tentar fazer o seu trabalho o mais rapidamente possível ou utilizando estratégias de aprendizagem de nível profundo de dominar um conteúdo específico. Na verdade, Fredricks, Blumenfeld e Paris 1 foram incapazes de encontrar qualquer estudos publicados utilizando medidas diretas, objetivas de envolvimento cognitivo. Os desenvolvimentos tecnológicos recentes emo domínio das neurociências criaram novas possibilidades de pesquisa em educação. Novos métodos de coleta de dados e algoritmos de análise desenvolvidos no campo da ergonomia neuro parece muito promissor para estudos qualitativos e quantitativos durante as tarefas de aprendizagem. Outras disciplinas, tais como economia, psicologia, marketing e ergonomia, têm vindo a utilizar medições neurofisiológicas para avaliar o envolvimento cognitivo por algum tempo 4-8. Medidas neurofisiológicas, juntamente com algoritmos de análise eficientes, permitem estudar um fenômeno sem perturbá-la. Pela sua natureza, os questionários de auto-relato desengatar alunos de aprendizagem. Medidas neurofisiológicas permitir que projetos de pesquisa a ser realizada em ambientes de aprendizagem mais autênticas. Essas ferramentas incluem equipamento para monitorar a frequência cardíaca, frequência respiratória, pressão arterial, temperatura corporal, diâmetro da pupila, a atividade electrodermal, eletroencefalografia (EEG), etc. <strong&gt; Gathering Sincronizado Dados sobre comportamental, emocional, cognitivo e Engajamento Como resultados representativos na sequência da utilização deste protocolo, este documento irá apresentar os resultados parciais de um estudo no qual os alunos tinham de resolver, em uma tela de computador, dez problemas em física mecânica. Estes problemas foram desenvolvidos em trabalhos anteriores 9. Dados neurofisiológicos foram coletadas enquanto os alunos foram resolvendo os problemas e relaxante durante uma pausa de 45 s, com os olhos fechados, depois de cada problema. Como mencionado acima, os dados de noivado comportamentais consistem de interações de software (movimentos e cliques do mouse), o olhar dos olhos, desempenho e respostas a perguntas produzidos por um aluno interagir com o sistema ao realizar a tarefa 1. Um sistema de rastreamento ocular foi utilizado para coletar interações de software e dados do olhar olho. Os dados de desempenho (tempo para resolver um problema, correção de respostas) foram coletados em umsite pesquisa que foi utilizado para apresentar a tarefa. Este site também foi usado para reunir dados de auto-relato recolhidos com um questionário adaptado de Bradley e Lang 10. Envolvimento emocional envolve a caracterização das emoções. De acordo com Lang 11, as emoções são caracterizados em termos de valência (agradável / desagradável) e excitação (calma / despertado). Dados envolvimento emocional foram devidamente recolhidos, usando software de reconhecimento facial automático emoção que quantifica valência emocional e uma atividade codificador / sensor electrodermal para despertar 12,13. Actividade Eletrodermal (EDA) refere-se à resistência eléctrica entre os dois eléctrodos gravada quando uma corrente eléctrica é muito fraco continuamente passados ​​entre eles. Cacioppo, Tassinary Berntson e 14 mostraram que a resistência gravado varia de acordo com a excitação do sujeito. Assim, os dados psicofisiológicas, como valência ou excitação, são considerados como correlatos de envolvimento emocional. <pclass = &quot;jove_content&quot;&gt; Finalmente, os dados de noivado cognitivas são coletados por meio de eletroencefalografia (EEG). Medidas de EEG, no couro cabeludo, a atividade elétrica dos grupos de neurônios no cérebro sincronizado. Sinais elétricos gravados a partir do couro cabeludo são muitas vezes oscilatório e composta por componentes de frequência. Por convenção, essas freqüências são agrupadas em seqüências, conhecido como bandas. Por exemplo, alfa, beta e teta bandas são o foco deste estudo. De acordo com estudos neurocientíficos 14, essas bandas refletem diferentes habilidades de processamento cognitivo em áreas específicas do cérebro. Assim, a análise da densidade de potência espectral (PSD) de frequências específicas, combinados com numerosos estudos sobre o estado de alerta e 7,15 atenção, permite aos investigadores quantificar envolvimento cognitivo durante uma tarefa. Como Millar et al. 16 observou, a pesquisa mostrou uma relação direta entre a atividade beta e agilidade cognitiva e uma relação indireta entre um alfad atividade theta e agilidade. Assim, o Papa, Bogart e Bartoleme 7 desenvolveram um índice de noivado que calcula o PSD de três bandas: beta / (alfa + teta). Esse índice foi validado em outros estudos sobre o envolvimento 16,17,18. Para caracterizar o envolvimento cognitivo ao longo do tempo, uma transformada de Fourier rápida (FFT) converte o sinal de EEG de cada local activo (F3, F4, O1, O2) num espectro de potência. O índice de acoplamento de EEG no tempo T é calculado pela média de cada razão de acoplamento dentro de uma janela deslizante de 20 seg precedente tempo T. Este procedimento é repetido a cada segundo e uma nova janela de correr é utilizado para actualizar o índice. Uma vez que o objectivo desta metodologia é fornecer uma rica análise das múltiplas dimensões de engajamento, a sincronização de dados é crucial. Como Leger et al. 19 lembrar aos leitores, fabricantes de equipamentos altamente recomendável utilizar apenas um computador por ferramenta de medição para garantir a sua precisão especificada level. Assim, quando vários computadores estão empregados, a sincronização entre computadores de gravação torna-se um passo crítico. As gravações não podem ser iniciadas ao mesmo tempo exato, e cada fluxo de dados tem o seu período de tempo específico (por exemplo, sec 0 de olho rastreamento ≠ sec 0 de EEG ou dados fisiológicos). Isso é extremamente importante: dessincronização entre fluxos de dados significa erros na quantificação de cada dimensão de engajamento. Existem diferentes formas de sincronizar gravações fisiológicas e comportamentais simultâneas. Estes métodos podem ser divididos em duas abordagens principais; direta e indireta 20. O protocolo apresentado na próxima seção é baseada em uma abordagem indireta, onde um dispositivo externo, um syncbox, é usado para enviar sinais de lógica transistor-transistor (TTL) para todos os equipamentos de gravação (como mostrado na Figura 1). À medida que cada peça de equipamento tem uma hora de início diferente, os marcadores TTL são registrados nos arquivos de log com um parente<html> atraso. Os marcadores são então usadas para realinhar os sinais e, assim, assegurar uma sincronização apropriada depois de cada gravação. Um programa de software de análise comportamental que permite a integração de arquivo externo é usado para re-sincronizar o cronograma de cada fluxo de dados e para realizar a análise quantitativa e qualitativa de cada dimensão de engajamento. <img alt="Figura 1" src="/files/ftp_upload/52627/52627fig1.jpg" /> Figura 1. Arquitetura do Sistema de Coleta de Dados. O ambiente de laboratório no qual comportamental (eye-tracking), emocional (EDA e emoção facial) e dados cognitivos (EEG) de noivado são recolhidos contém muitos computadores. Isto levanta um desafio para a sincronização de dados que são referenciados em seus respectivos relógios dos computadores. Para ser capaz de analisar todos os dados no mesmo tempo de referência, a configuração do laboratório envolve um syncbox que envia sinais TTL para todos os fluxos de dados.nk &quot;&gt; Clique aqui para ver uma versão maior desta figura. Para avaliar a precisão da metodologia em termos de sincronização, 45 seg pausas foram introduzidas antes de cada um dos problemas de física mecânica. Durante essas pausas, os sujeitos tiveram para relaxar e fechar os olhos. Como visto em outros estudos 4,9,16,17,18, essas pausas devem induzir variações significativas no sinal coletado: os dois pontos pupila do olho em olho-tracking imediatamente desaparecer (engajamento comportamental) e uma queda imediata no envolvimento cognitivo (EEG sinal) é observada. Estes componentes específicos do sinal são usadas para avaliar a eficácia geral da sincronização. A recente publicação de documentos que total ou parcialmente dependem desse procedimento de sincronização, nas áreas de sistemas de informação 19, interações homem-máquina 21 e educação 9, 22, fornece provas da sua eficácia.

<table><tbody><tr><td>EGI GSN-32&nbsp;</td><td>EGI</td><td></td><td>Dense array EEG</td></tr><tr><td>Netstation v.5.0</td> Software de coleta de dados <td>EGI</td><td></td><td>EEG: O EEG é coletado com uma rede de sensores geodésicos de eletroencefalografia de matriz densa (dEEG) de 32 eletrodos usando o software de aquisição Netstation e amplificadores EGI (Electrical Geodesics, Inc). O vértice (local de gravação Cz) é o eletrodo de referência para gravação. A impedância é mantida abaixo de 50 k&Omega; com uma taxa de amostragem de 250 Hz.&nbsp;</td></tr><tr><td>Facereader v.4</td><td>Noldus</td><td></td><td>Software de reconhecimento de emoções faciais</td></tr><tr><td>Syncbox</td><td>O Noldus</td><td></td><td>Syncbox inicia o co-registro de dados de EEG e olhar enviando um sinal Transistor-Transistor Logic (TTL) para o amplificador EGI e um sinal de pressionamento de tecla para o Tobii Studio v 3.2.</td></tr><tr><td>Logitech C600&nbsp; Webcam</td><td></td><td>960-000396</td><td>Webcam usada para coletar dados de vídeo enviados ao mediarecorder e que serão analisados no Facereader</td></tr><tr><td>The Observer XT</td> Software de integração e sincronização <td>Noldus</td><td></td><td>: O Noldus Observer XT (Noldus Information Technology) é usado para sincronizar todos os dados de engajamento comportamental, emocional e cognitivo.&nbsp;</td></tr><tr><td>Iluminação LED na tela</td><td>Noldus</td><td></td><td>Neon posicionado na tela do computador para iluminar corretamente o rosto dos sujeitos</td></tr><tr><td>MediaRecorder</td> Software <td>de coleta de dados de vídeo</td><td>Noldus</td><td></td></tr><tr><td>Tobii 60X</td><td>Tobii</td><td></td><td>Colete padrões de movimento ocular :&nbsp; usado para gravar padrões de movimento ocular dos sujeitos a 60Hz durante o experimento.&nbsp;</td></tr><tr><td>Tobii Studio v.3.2</td><td>Tobii</td><td></td><td>Software de coleta e análise de dados de rastreamento ocular</td></tr><tr><td>Analisador 2</td><td>Software de processamento de sinal Brainvision</td><td></td><td></td> EEG</tr><tr><td>Acqknowledge v.4.0</td><td>Biopac</td><td>ACK100M</td><td>Software de aquisição e processamento de sinais fisiológicos</td></tr><tr><td>Solução de germicida Control III</td><td>Maril Products.</td><td>10002REVA-20002-1</td><td>Solução desinfetante usada com capacetes de EEG: recomendado pela EGI</td></tr><tr><td>Unipark</td><td>QuestBack AG</td><td></td><td>Ambiente de pesquisa on-line</td></tr></tbody></table>

avaliando as múltiplas dimensões do noivado a caracterizar aprendizagem: uma perspectiva neurofisiológica

Assessing the Multiple Dimensions of Engagement to Characterize Learning: A Neurophysiological Perspective

Em uma recente síntese teórica sobre o conceito de engajamento, Fredricks, Blumenfeld e Paris1 definiram o engajamento por suas múltiplas dimensões: comportamental, emocional e cognitiva. Eles observaram que os tipos individuais de engajamento não foram estudados em conjunto, e poucas informações estavam disponíveis sobre interações ou sinergia entre as dimensões; Consequentemente, mais estudos contribuiriam para a criação de intervenções de ensino bem ajustadas. Beneficiando-se dos recentes avanços tecnológicos em neurociências, este artigo apresenta uma metodologia recentemente desenvolvida para coletar e sincronizar dados sobre engajamento multidimensional durante tarefas de aprendizagem. A técnica envolve a coleta de (a) eletroencefalografia, (b) eletrodérmica, (c) rastreamento ocular e (d) dados de reconhecimento de emoções faciais em quatro computadores diferentes. Isso levou a problemas de sincronização para dados coletados de várias fontes. A pós-sincronização em software de integração especializado oferece aos pesquisadores uma melhor compreensão da dinâmica entre as múltiplas dimensões do engajamento. Para os desenvolvedores de currículo, esses dados podem fornecer diretrizes informadas para alcançar uma melhor eficiência de instrução/aprendizagem. Essa técnica também abre possibilidades no campo das interações cérebro-computador, onde ambientes de aprendizagem ou avaliação adaptativos podem ser desenvolvidos.

<html> Figuras 2 e 3 mostram screenshots dos resultados da integração e sincronização dos dados de noivado comportamentais, emocionais e cognitivas em uma aplicação de software de análise comportamental. Em ambas as figuras, a seção da mão esquerda organiza os sujeitos da pesquisa e do esquema de codificação. Na seção do meio, um vídeo (com pontos vermelhos) mostra olhar olho do sujeito durante a tarefa. Engajamento comportamental do indivíduo pode ser inferida com base no que ele / ela está olhando dura...

Este artigo tem como objetivo descrever as técnicas envolvidas na coleta e sincronização das múltiplas dimensões (comportamental, afetiva e cognitiva) do engajamento dos alunos durante uma tarefa.

Avaliando as múltiplas dimensões do noivado a Caracterizar Aprendizagem: uma perspectiva neurofisiológica

In a recent theoretical synthesis on the concept of engagement, Fredricks, Blumenfeld and Paris1 defined engagement by its multiple dimensions: ...

O objetivo geral deste procedimento é reunir e sincronizar dados sobre o engajamento comportamental, emocional e cognitivo durante tarefas de aprendizagem. Isso é realizado primeiramente conectando todos os sistemas de coleta de dados por meio de um dispositivo de sincronização que enviará uma marca temporal nos dados coletados. O segundo passo é coletar dados de rastreamento ocular e de interações com o software para o engajamento comportamental.Em seguida, os dados de EEG serão coletados para a caracterização do engajamento cognitivo. O passo final é coletar dados de engajamento emocional provenientes da atividade eletrodérmica ou ED para medição de arousal e reconhecimento automático de emoções faciais ou A FER para gerar dados de valência. Em última instância, esses índices que caracterizam as três dimensões do engajamento serão re-sincronizados em um software de sincronização de acordo com os marcadores de tempo inicialmente enviados pelo dispositivo de sincronização.A principal vantagem desta técnica é que ela quantifica três dimensões do engajamento de aprendizes durante uma tarefa de aprendizagem, diferentemente dos métodos de pesquisa clássicos que se concentram exclusivamente em instrumentos de autoavaliação do engajamento após as tarefas. Este método pode ajudar a responder perguntas fundamentais na área de indicação, como quais são as dinâmicas da cognição afetiva em diversos ambientes de aprendizagem complexos e qual é o impacto de diferentes configurações pedagógicas sobre o afeto e a cognição? Existem implicações para esta técnica em outras áreas.Por exemplo, na tecnologia da informação, estamos utilizando esta técnica para medir o engajamento de um usuário ao navegar em um site ou usar um aplicativo de software. Esta técnica é inspirada em trabalhos recentes em neuro-ômica, nos quais dados de vigilância de motoristas de longa distância foram coletados usando dispositivos de EEG. Demonstrando este procedimento estará Gabrielle Zu, com uma assistente de pesquisa no Laboratório Tech três da HEC Montreal, bem como Igo e Yig, que são assistentes de pesquisa do Laboratório Neuro. Comece ligando o rastreador ocular, o amplificador de EEG, os computadores para gravação e as caixas de som.Prepare a solução de EEG com os materiais necessários de acordo com os procedimentos recomendados pelo fabricante. Em seguida, prepare o software de EEG e de rastreamento ocular para o participante seguinte. Em seguida, inicie o software de gravação de vídeo e as câmeras, e inicie o software de sincronização com a subrotina específica criada para o projeto, o que permite que os marcadores de sincronização sejam enviados a cada 60 segundos.Em seguida, inicie o software de medição fisiológica e abra o layout específico criado para o projeto. A seguir, leve o participante até a sala de coleta de dados e localize o eletrodo Cz na cabeça do participante de acordo com o sistema de referência 10-20. Coloque a rede de EEG na cabeça do participante e assegure-se de que cada eletrodo esteja posicionado perpendicularmente à superfície da cabeça.Ligue o conector da rede e realize uma verificação de impedância com um limiar de 40 kilo ohms. Por fim, posicione dois sensores fisiológicos na parte superior da mão esquerda do participante. Inicie a coleta de dados.Uma vez que todo o software de gravação esteja pronto para ser iniciado no Synchrony, realize um procedimento de calibração de nove pontos e observe o participante enquanto ele segue os pontos vermelhos na tela. Repita este procedimento até que a precisão suficiente seja alcançada de acordo com os padrões do fabricante, instrua o participante a resolver 10 problemas de física newtoniana no computador. Pare as aquisições de dados em todos os computadores.Após a conclusão da tarefa, remova todos os sensores do participante. Primeiro, importe os dados de EEG para o software de análise de dados de EEG. Em seguida, clique em arquivo, depois em novo projeto, e escolha o local dos dados brutos clicando em procurar.Selecione a pasta de dados brutos recém-criada. Escolha a localização de mais duas pastas denominadas history e export da mesma maneira. Em seguida, clique em OK.Em seguida, clique em transformações e filtros IIR para pré-processar o sinal cerebral aplicando um filtro e um rejeito de frequência na janela do software. Defina os limites de corte em 1,5 e 50 hertz com uma inclinação de 12 decibéis para cada um e ative um rejeito de frequência em 60 hertz. Em seguida, remova a componente contínua e a deriva do sinal clicando em transformações e DC dre.Selecione a opção com base no tempo em 100 milissegundos antes do marcador e 100 milissegundos antes da conexão DC. Realize uma inspeção de dados brutos clicando em transformações e inspeção de dados brutos. Selecione a inspeção semiautomática e escolha os parâmetros para tensão, mínimo máximo e amplitude mostrados aqui.Realize uma análise automática de componentes independentes ou ACI com esfera clássica para remoção de piscadas ao clicar em transformações e ACI assim que concluído. Processe a ACI inversa clicando em transformações ACI. Em seguida, ACI inversa.Finalmente, exporte o sinal e os marcadores clicando em exportar e exportação de dados genéricos. Selecione as caixas marcadas como arquivo de cabeçalho direito e arquivo de marcador direito. Além disso, selecione o formato de texto para uma eventual construção no MATLAB do índice de engajamento.Em seguida, importe o sinal de EEG para o matlab. Para fazer isso, inicie o script E-E-G-L-A-B. Assim, a interface gráfica do usuário do EEG lab aparecerá no matlab.Importe os dados de um participante por vez, selecionando a função de importação de arquivo usando as funções e plug-ins do EEG Lab e, a partir do arquivo brain vis rec VDR, cole um script na janela de comandos que gerará um índice de engajamento. Esse script produzirá um arquivo de texto. Abra o arquivo de texto do índice de engajamento no Microsoft Excel.Aplicar uma normalização por escore Z aos dados de EEG para permitir a comparação entre sujeitos. Após a conclusão do pré-processamento de EEG. Pré-processar os dados fisiológicos importando os dados de atividade eletrodérmica ou EDA para o software de análise de dados fisiológicos.Em seguida, calcule uma normalização por escore z nos dados de EDA clicando em transformação e matemática de forma de onda para permitir a comparação entre sujeitos. Isso é feito em duas etapas. Primeiro, selecione o canal de EDA como fonte um, o sinal de menos na janela de operação matemática e K como fonte dois.Em seguida, selecione novo no menu de destino. Insira o valor médio do canal EDA e selecione transformar toda a onda. Clique em OK para o segundo passo, abra novamente a função matemática de forma de onda de transformação e selecione o canal EDAK como fonte um, o sinal de divisão na janela de operação matemática e K como fonte dois.Em seguida, selecione novo no menu de destino. Insira o valor do desvio padrão do canal EDA e selecione transformar onda inteira. Por fim, clique em OK para a etapa final de pré-processamento.Importe os dados de vídeo do gravador de mídia para o software de reconhecimento automático de emoções faciais clicando em arquivo novo e, em seguida, em participante. Selecione um novo participante no menu do projeto. Em seguida, clique em arquivo nova análise e vídeo.Clique no ícone de lupa ao lado da análise um e escolha o arquivo de vídeo desejado. Conclua calculando o zco dos dados de valência no SPSS clicando em analisar estatísticas descritivas e descritivos. Selecione salvar valor padronizado em variáveis e uma coluna com o escore Z aparecerá.Inicie importando os vídeos de rastreamento de I clicando em arquivo, importar e vídeo em uma nova observação. Nomeie a nova observação e escolha o arquivo de vídeo desejado para importar. Importe todos os dados externos clicando em arquivo, importar e dados externos.Inclua o escore Z do sinal de EEG zco do sinal de EDA e o escore Z dos dados de valência. Se desejar, adicione marcadores de eventos para análise adicional. Para sincronizar o tempo entre os computadores, abra o menu de compensação pressionando control shift e o sinal de igual, selecione compensação numérica para inserir o tempo em segundos entre cada par de fontes de dados.Clique em OK. Em seguida, selecione as variáveis de interesse a serem geradas no relatório clicando em analisar, selecionar dados e novo perfil de dados. Selecione o evento desejado para análise e clique em OK.Em seguida, adicione uma linha de conexão entre a tabela inicial e a tabela aninhada, bem como entre a tabela aninhada e a tabela de resultados. Gere o relatório clicando em analisar análise numérica e em novo clique em estatísticas e marque a caixa ao lado de média no menu de dados externos. Em seguida, clique em OK.Clique em layout e certifique-se de que os dados externos estejam nas colunas e de que os contêineres de resultados apareçam nas linhas. Conclua clicando em OK. Por fim, clique no botão calcular para que o software atualize os cálculos envolvidos no relatório que está sendo gerado.Muitas dimensões dos dados de engajamento são sincronizadas neste experimento, incluindo comportamentais, cognitivas e emocionais, por meio do uso de múltiplos computadores. Para estabelecer a linha de base do sujeito, é útil utilizar dados de um ponto da tarefa em que há uma pausa, aqui no final da pausa. O engajamento cognitivo de EEG está aumentando ligeiramente em antecipação à próxima tarefa, e a excitação ainda está diminuindo.Dados de valência estão ausentes porque os olhos do participante estão fechados durante a tarefa de resolução de problemas. À medida que o sujeito lê a terceira linha, é possível observar que sua excitação atingiu o pico. A valência emocional é neutra e o engajamento cognitivo no EEG está no máximo após dominado.Essa técnica envolve cerca de 30 minutos de preparação do sujeito antes de o experimento começar após seu desenvolvimento. Essa técnica abrirá caminho para pesquisadores e profissionais não apenas na área de tecnologia da informação, mas também na indústria de videogames, para monitorar em tempo real os aspectos comportamentais, emocionais e cognitivos dos usuários. Um passo fundamental em qualquer abordagem de regulação é a sincronização, e a precisão desse procedimento deve ser testada antes e após cada experimento, a fim de garantir um tempo preciso entre todos os dispositivos.Após assistir a este vídeo, você agora deverá ter uma boa compreensão de como coletar dados psicofisiológicos sincronizados para entender melhor a dinâmica da interação entre as dimensões comportamentais, emocionais e cognitivas do engajamento durante uma tarefa de aprendizagem.

assessing-multiple-dimensions-engagement-to-characterize-learning

Research

JoVE Journal

Behavior

Comportamento

Este manuscrito descreve uma abordagem para medir a atividade neural dos seres humanos ao mesmo tempo resolver problemas de engenharia espacialmente focalizados. A metodologia eletroencefalograma ajuda a interpretar as medições de ondas cerebrais beta em termos de eficiência neural, com o objectivo de permitir, em última instância comparações de desempenho da tarefa, tanto entre os tipos de problemas e entre os participantes.

Utilizando Medidas Eletroencefalografia para Comparação de Eficiência Neurais Task-específicos: Tarefas Spatial Intelligence

Este trabalho apresenta um novo protocolo para a avaliação do déficit de atenção e hiperatividade transtorno (TDAH), fornecendo um procedimento diagnóstico mais objetivo para este transtorno do desenvolvimento baseado na utilização de ferramentas inovadoras. Também analisa a relação entre as medidas de ativação e função executiva.

Usando a ativação cerebral (nir-HEG/Q-EEG) e medidas de execução (TTC) em um protocolo de avaliação do TDAH

Apresentamos a detecção, aquisição e análise das taxas de eyeblink enquanto assiste o conteúdo de mídia.

Usando medições de Eletroencefalografia e gravação de vídeo de alta qualidade para analisar a percepção Visual de conteúdo de mídia

Um delineamento experimental foi desenvolvido para investigar as influências em tempo real de uma experiência de exame para avaliar as realidades emocionais que os alunos vivenciam nas configurações e tarefas do ensino superior. Este projeto é o resultado de uma abordagem Cross-disciplinar (por exemplo, psicologia educacional, biologia, fisiologia, engenharia) e multimodal (por exemplo, marcadores salivares, pesquisas, sensor eletrodérmico).

Um projeto experimental multidisciplinar e multimodal para estudar experiências de exame autêntico em tempo real

Propomos uma metodologia que permita medir o engajamento dos espectadores em um jogo digital social que combine dados fisiológicos e autorrenotados. Como este jogo digital envolve um grupo de pessoas em movimento livre, a experiência é filmada usando uma técnica de sincronização que conecta dados fisiológicos com eventos no jogo.

Medindo engajamento dos espectadores dos jogos digitais sociais

O protocolo de realização de experimentos de hiperscanagem fNIRS sobre disads de aprendizagem colaborativa em um ambiente de aprendizagem naturalista é delineado. Além disso, é apresentado um pipeline para analisar os sinais inter-cerebrais de síncronia oxigenada (Oxy-Hb).

Sincronia inter-cerebral em aprendizagem colaborativa aberta: um estudo fNIRS-Hyperscanning

Este artigo propõe um sistema baseado em inteligência artificial para detectar automaticamente se os alunos estão prestando atenção na aula ou se estão distraídos. Este sistema foi projetado para ajudar os professores a manter a atenção dos alunos, otimizar suas aulas e introduzir modificações dinamicamente para que sejam mais envolventes.

Sistema baseado em inteligência artificial para detectar níveis de atenção em alunos

Apresentamos aqui um pipeline de análise de vídeo que supera os desafios do monitoramento comportamental em ambientes de ressonância magnética, permitindo a detecção de respostas comportamentais não instruídas a pistas externas. Esta análise facilitará uma compreensão mais abrangente das mudanças evocadas do estado interno e da atividade em todo o cérebro.

Traçando o perfil das respostas do comportamento materno durante imagens de todo o cérebro

O enriquecimento ambiental fornece um potencial efeito protetor contra distúrbios neurodegenerativos. Atualmente, no entanto, não há uma maneira fácil de determinar a eficácia dos procedimentos de enriquecimento.  Este protocolo descreve um método simples de "Puzzle Box" para avaliar a função cognitiva de um animal, a fim de revelar a eficácia do enriquecimento ambiental.

O uso do Puzzle Box como uma forma de avaliar a eficácia de Enriquecimento Ambiental

O protocolo Mindfulness in Motion (MIM) oferece uma Intervenção Baseada em Mindfulness (MBI) pragmática no local, para pessoas que trabalham em ambientes de trabalho de alto estresse crônico que aumenta significativamente a resiliência e o engajamento no trabalho. O protocolo provou ser viável, benéfico e é facilmente adaptável a outros locais de trabalho de alto estresse.

Mindfulness in Motion (MIM): Uma Intervenção no local Mindfulness Based (MBI) para ambientes de trabalho cronicamente alto estresse para aumentar a resiliência e Trabalho Engagement

Aprenda a coletar e sincronizar dados comportamentais, emocionais e cognitivos durante tarefas de aprendizagem usando rastreamento ocular, EEG e atividade eletrodérmica. Este método neurofisiológico permite caracterizar múltiplas dimensões do engajamento do aprendiz.

Avaliando as múltiplas dimensões do noivado a Caracterizar Aprendizagem: uma perspectiva neurofisiológica

Explorar mais vídeos