Behavior

Het beoordelen van de verschillende dimensies van Engagement te karakteriseren Learning: A Neurofysiologische Perspective

Published: July 1, 2015 doi: 10.3791/52627

Patrick Charland¹, Pierre-Majorique Léger², Sylvain Sénécal³, François Courtemanche², Julien Mercier⁴, Yannick Skelling¹, Elise Labonté-Lemoyne²

¹Department of Didactics, Université du Québec à Montréal, ²Department of IT and Tech3Lab, HEC Montreal, ³Department of Marketing and Tech3Lab, HEC Montreal, ⁴Department of Specialized Education, Université du Québec à Montréal

Introduction

Engagement speelt een cruciale rol in het leren. Voor Clark en Mayer ^2, "al het leren vereist betrokkenheid," ongeacht de levering media. Zhang et al. ³ ook gesuggereerd dat de toegenomen betrokkenheid van de student leerresultaten, zoals het oplossen van problemen en kritisch denken vaardigheden kunnen verbeteren. Het definiëren van betrokkenheid blijft een uitdaging. In hun literatuuronderzoek, Fredricks, Blumenfeld en Parijs ¹ gedefinieerd betrokkenheid door zijn veelzijdige karakter: "Behavioural betrokkenheid is gebaseerd op het idee van participatie; het omvat betrokkenheid bij de academische en sociale of buitenschoolse activiteiten. (...) Emotionele betrokkenheid omvat positieve en negatieve reacties op leraren, klasgenoten, academici, en de school en wordt verondersteld om de banden op een object en invloed bereidheid om het werk te doen maken. Tot slot, cognitieve betrokkenheid is gebaseerd op het idee van mentale investeringen; het bevat bedachtzaamheid en de bereidheid om de inspanning nec oefenendig om complexe ideeën en meester moeilijke vaardigheden te begrijpen. "

Fredricks, Blumenfeld en Parijs ¹ beweerde ook dat een focus op het gedrag, emotie en cognitie, binnen het concept van betrokkenheid, kan een rijkere karakterisering van leren te bieden. Deze auteurs erop gewezen dat een robuust lichaam van het onderzoek richt zich op elk onderdeel van de opdracht afzonderlijk, maar deze onderdelen waren niet onderzocht in combinatie. Zij hebben ook geconstateerd dat er weinig informatie beschikbaar is over de interacties tussen de dimensies en dat er meer studies zouden kunnen bijdragen tot de planning fijn afgestemd onderwijs interventies. Als een stap in die richting, dit artikel beschrijft een onderzoeksmethode die werd ontwikkeld voor het verzamelen en tijdens het leren taken kwantitatieve en kwalitatieve gegevens, synchroon, op gedrags-, emotionele en cognitieve betrokkenheid te analyseren.

Brengen de Neurowetenschappen in Education

BehavIOR, en bijgevolg gedragsmatige betrokkenheid, is al lange tijd de centrale focus van de studies in het onderwijs: onderzoek ontwerpen vooral gericht op veranderingen in de kennis en het gedrag dat over lange periodes, tussen pre- en post-testen, en dan met intervallen van uren, weken , maanden of jaren. Onderscheid te maken tussen gedrags-, emotionele en cognitieve betrokkenheid blijft een uitdaging, omdat de laatste twee dimensies zijn niet systematisch waarneembaar extern. Cognitie en emoties moet ofwel worden afgeleid uit waarnemingen of getoetst met zelf-verslag maatregelen. Uit een extern oogpunt blijft het moeilijk om te bepalen of de studenten proberen te krijgen hun werk zo snel mogelijk of met behulp van deep-level learning strategieën om een specifieke inhoud knie gedaan. In feite, Fredricks, Blumenfeld en Parijs ¹ waren niet in staat om gepubliceerde studies met behulp van directe, objectieve metingen van cognitieve betrokkenheid te vinden.

Recente technologische ontwikkelingen inhet gebied van neurowetenschappen hebben nieuwe mogelijkheden voor onderzoek in het onderwijs gemaakt. Nieuwe methoden van dataverzameling en analyse algoritmes ontwikkeld op het gebied van neuro ergonomie lijken veelbelovend voor de kwalitatieve en kwantitatieve studies tijdens leertaken. Andere disciplines, zoals economie, psychologie, marketing, en ergonomie, zijn met behulp van neurofysiologische metingen om cognitieve betrokkenheid beoordelen voor bepaalde tijd ^4-8. Neurofysiologische maatregelen, in combinatie met een efficiënte analyse algoritmes, mogelijk maken om een fenomeen te bestuderen, zonder te verstoren. Door hun aard, zelfrapportage vragenlijsten los studenten van leren. Neurofysiologische maatregelen toestaan onderzoek ontwerpen om in meer authentieke leeromgevingen worden uitgevoerd. Deze tools omvatten apparatuur om de hartslag te controleren, ademhaling, bloeddruk, lichaamstemperatuur, pupil diameter, elektrodermale activiteit, elektro-encefalogram (EEG), enz.

Als vertegenwoordiger resultaten na het gebruik van dit protocol, zal deze paper gedeeltelijke resultaten van een studie waarin leerlingen moesten lossen, op een computerscherm, tien problemen in mechanische natuurkunde presenteren. Deze problemen werden ontwikkeld in eerdere werk ^9. Neurofysiologische gegevens werden verzameld, terwijl de leerlingen waren het oplossen van de problemen en ontspannen tijdens een 45 s pauze, met hun ogen dicht, na elk probleem.

Zoals hierboven vermeld, behavioral aangrijping data bestaan uit software interacties (muisbewegingen en klikken), ogen blik, prestaties en antwoorden op vragen die door een lerende interactie met het systeem tijdens het volbrengen van de taak ^1. An eye-tracking-systeem werd gebruikt om software interacties en ogen blik verzamelen. Prestatiegegevens (tijd om een probleem op te lossen, juistheid van de antwoorden) werden verzameld op eenenquête website die werd gebruikt om de belasting afgestemd. Deze website werd ook gebruikt om zelfrapportage data verzameld met een vragenlijst aangepast van Bradley en Lang ¹⁰ te verzamelen. Emotionele betrokkenheid impliceert karakterisering van emoties. Volgens Lang ^11, zijn emoties gekarakteriseerd in termen van Valence (aangenaam / onaangenaam) en arousal (rust / gewekt). Emotionele betrokkenheid gegevens werden dienovereenkomstig verzameld, met behulp van automatische gezicht emotie herkenning software die emotionele valentie en een elektrodermale activiteit encoder / sensor voor opwinding ^12,13 kwantificeert. Elektrodermale activiteit (EDA) verwijst naar de opgenomen elektrische weerstand tussen twee elektroden bij een zwakke elektrische stroom gestaag gevoerd daartussen. Cacioppo, Tassinary en Berntson ¹⁴ toonde aan dat de weerstand opgenomen is afhankelijk van de opwinding van het onderwerp. Zo psychofysiologische gegevens, zoals valentie of opwinding, worden beschouwd als correlaten van emotionele betrokkenheid.

14, deze banden weerspiegelen verschillende cognitieve verwerking vaardigheden in specifieke gebieden van de hersenen. De analyse van de spectrale vermogensdichtheid (PSD) van specifieke frequenties in combinatie met tal van studies ^7,15 alertheid en aandacht, stelt onderzoekers cognitieve aangrijping kwantificeren tijdens een taak. Zoals Mikulka et al. ¹⁶ is opgemerkt, heeft onderzoek aangetoond een directe relatie tussen bèta-activiteit en cognitieve alertheid en een indirecte relatie tussen alfa eend theta-activiteit en alertheid. Zo Pope, Bogart en Bartolemé ⁷ ontwikkelde een engagement index die de PSD van de drie bands berekent: beta / (alfa + theta). Deze verhouding werd gevalideerd in andere studies op betrokkenheid ^16,17,18. Om cognitieve aangrijping te karakteriseren tijd, een snelle Fourier transformatie (FFT) converteert het EEG signaal van elke actieve plaats (F3, F4, O1, O2) in een vermogensspectrum. Het EEG aangrijping index op tijdstip T wordt berekend door het gemiddelde van elke opdracht verhouding binnen 20 seconden schuifraam voorgaande tijd T. Deze procedure wordt herhaald om de tweede en nieuw schuifraam wordt gebruikt om de index te werken.

Aangezien het doel van deze methode is een rijke analyse van de verschillende dimensies van aangrijping, gegevenssynchronisatie cruciaal. Zoals Leger et al. ¹⁹ herinneren lezers, fabrikanten van apparatuur raden het gebruik van slechts één computer per meetinstrument om hun gespecificeerde precisie le garanderenvel. Dus, als er meerdere computers worden gebruikt, synchronisatie tussen opname computers wordt een cruciale stap. De opnames kunnen niet allemaal worden gestart op exact hetzelfde moment, en elke datastroom heeft zijn bepaalde termijn (bijvoorbeeld sec 0 van eye-tracking ≠ sec 0 van EEG of fysiologische data). Dit is uiterst belangrijk: desynchronisatie tussen gegevensstromen verstaan fouten in de kwantificering van elke dimensie engagement. Er zijn verschillende manieren van het synchroniseren van gelijktijdige fysiologische en gedrags-opnames. Deze methoden kunnen worden verdeeld in twee belangrijke benaderingen; directe en indirecte ^20. De in onderstaande paragraaf protocol is gebaseerd op een indirecte benadering waarbij een extern apparaat, een syncbox, wordt gebruikt om de transistor-transistor logic (TTL) signalen naar alle controleapparaat (zie figuur 1). Zoals elk apparaat heeft een andere starttijd, worden de TTL markers opgenomen in de logbestanden met een relatieve vertraging. Markeringen worden vervolgens gebruikt om de signalen te herschikken en dus zorgen voor een juiste synchronisatie na elke opname. Een gedragsanalyse softwareprogramma dat extern bestand integratie kan wordt gebruikt om opnieuw te synchroniseren de tijdlijn van elke datastroom en kwantitatieve en kwalitatieve analyse van elke dimensie van betrokkenheid uit te voeren.

Figuur 1. Architectuur van het Data Collection System. Het lab omgeving waarin gedragstherapie (eye tracking), emotionele (EDA en gezicht emotie) en cognitieve (EEG) betrokkenheid gegevens worden verzameld bevat een groot aantal computers. Dit roept een synchronisatie uitdaging voor gegevens die zijn verwezen op hun computer klokken. Om te kunnen alle gegevens op dezelfde referentietijd analyseren, het lab setup gaat om een syncbox dat TTL signalen stuurt naar alle datastromen.nk "> Klik hier om een grotere versie van deze figuur te bekijken.

Om de precisie van de methode in termen van synchronisatie te evalueren, werden 45 sec pauze voor elk van de mechanische fysische problemen geïntroduceerd. Tijdens deze pauzes, onderwerpen hadden om te ontspannen en om hun ogen te sluiten. De twee pupil oog stippen in eye-tracking onmiddellijk verdwijnen (gedrags engagement) en een onmiddellijke daling van de cognitieve engagement (EEG: Zoals gezien in andere studies ^{4,9,16,17,18,} moeten deze pauzes aanzienlijke verschillen in de verzamelde signaal opwekken signaal) wordt waargenomen. Deze specifieke componenten van het signaal worden gebruikt om de algemene geldigheid van het synchronisatieproces te evalueren. De recente publicatie van artikelen die geheel of gedeeltelijk afhankelijk zijn van deze synchronisatie procedure, op het gebied van informatie-systemen ^19, mens-machine interactie ²¹ en onderwijs ^{9, 22,} levert het bewijs van de doeltreffendheid ervan.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Dit protocol kreeg een ethische certificaat van het Comité institutionnel de la recherche avec des eter humains (CIER) de l'Université du Québec à Montréal (UQAM) dat werd onderschreven door HEC-Montreal voor de Tech3Lab onderzoeksfaciliteit. Het protocol beschrijft elk van de specifieke stappen die worden uitgevoerd in ons laboratorium omgeving en de toestellen. Hoewel de precieze software paden worden verstrekt aan de methodiek te verduidelijken, deze techniek is overdraagbaar en kan worden gerepliceerd met andere merkgebonden eye-tracking, automatische gezicht emotie herkenning, elektrodermale activiteit en elektro-apparatuur en software.

1. Instellen van de lab-omgeving

Schakel de eye-tracker, de EEG versterker, de vier opnemen computers en de luidsprekers.
Bereid de setup van de opname-apparatuur:
1. Bereid de EEG opstelling met benodigde materialen volgens recomme de fabrikantnded procedures. Bereid de EEG-software voor de komende deelnemer. Start de eye-tracking-software en maak een nieuwe deelnemer profiel in de software. Start de video-opname software en de camera.
2. Start de synchronisatie-software met de specifieke subroutine gemaakt voor het project met stiften op 60 sec. Start de fysiologische meetsoftware (tot elektrodermale activiteiten vast te leggen) en de specifieke indeling gemaakt voor het project te openen. Stel de stoel van de deelnemer op het hoogste niveau.

2. Deelnemer Voorbereiding

Vraag de deelnemer om te lezen en te ondertekenen de ethische toestemmingsformulier.
Voeren schedel metingen voor EEG:
1. Vind de Cz locatie op het hoofd van de deelnemer (volgens 10-20 referentiesystemen). Dompel de EEG net in de zoutoplossing (kaliumchloride) (zie stap 1.2.1) en start een timer (10 min) volgens de normen van de fabrikant. </ Li>
Lees het doel van de studie en de stappen in het experiment aan de deelnemer, "Het doel van deze studie is om je hersenactiviteit te observeren terwijl je natuurkunde problemen te beantwoorden. Eerst zullen we de sensoren te installeren, dan wordt u gevraagd om 10 Newtoniaanse fysica problemen op de computer op te lossen. Wij zullen u vragen om een 45-seconden pauze te nemen na ieder probleem met je ogen dicht. Na elk probleem is, wordt u gevraagd om uw beoordeling van het probleem te geven. "
Vraag het onderwerp dat de totale duur van het experiment 90 min zal zijn.
Installeer de fysiologische sensors, volgens de aanbevelingen van de fabrikant: twee gelvormig sensoren op de bovenkant van de linkerhand.
Installeer de EEG cap, volgens de aanbevelingen van de fabrikant en het uitvoeren van een impedantie controle met een drempel van 40 kOhm (volgens de specificaties van de fabrikant).

3. Data Collection

Zorg ervoor dat alle de opname software is klaar synchroon worden gestart:
1. Fysiologie (EDA gegevens): Klik op de "start" knop.
2. Video-opname: Klik op de knop "open".
3. Eye tracking: Klik op de "on hold" knop.
4. EEG: Klik op de "record" knop.
5. Synchronisatiesoftware: Klik op de "groene cirkel" knop.
Ogen blik kalibratie:
1. Voer een vijf-punt op het scherm kalibratie en observeren van de deelnemer, terwijl hij / zij volgt de rode stippen (klik op "Tools / Instellingen / Calibration ..."). Herhaal deze procedure tot voldoende nauwkeurigheid wordt bereikt, volgens de normen van de fabrikant.
Project taak instructies op het scherm van de deelnemer: vragen of hij / zij vragen heeft na het lezen van hen, en als hij / zij klaar is om het experiment te starten.
Vraag de deelnemer op te lossen 10 Newtoniaanse physics problemen.
Indien nodig, het uitvoeren van een impedantie controle tijdens een van de 45 s pauzes (niet eerder probleem 5).
Zorg ervoor dat de deelnemer neemt de volledige 45 s pauze voor elk probleem (om de basislijn te bepalen).

4. Einde van Data Collection

Stop data acquisitie op alle computers en verwijder de sensoren van de deelnemer.

5. Nadat de deelnemer heeft verlaten

Reinig de EEG cap met antiseptisch en ruimen van de apparatuur, volgens de aanbevelingen van de fabrikant. Sla alle databestanden verzameld en maak een back-up op de FTP-server.
Vul de deelnemer spreadsheet: mee een bepaalde gebeurtenis of probleem tijdens het verzamelen van gegevens. Wis alle cookies van de web browser.

6. Gegevens Pre-verwerking en export naar het Integration Software

EEG
1. Import EEG data in EEG-data analyse software:
  1. Maak drie lege mappen op de computer met de naam "Raw data", "Geschiedenis" en "Exporteren" om de ruwe EEG-data in de nieuw gecreëerde Ruwe data bestand te plakken.
  2. In de EEG data analyse software, klikt u op "File / New Project ..." en kies de ruwe locatiegegevens door te klikken op Bladeren, dan is de keuze van de nieuw gecreëerde ruwe data bestand. Kies de locatie van de "Geschiedenis" en "Export" mappen op dezelfde manier.
  3. Klik op "OK". (Het venster moeten alle van de deelnemer EEG data bevatten).
2. Pre-proces van de hersenen het signaal:
  1. Breng een filter en een inkeping (klik op 'Transformaties / IIR filters ... "). In het venster, kan de lage cutoff op 1,5 Hz met een helling van 12 dB en de hoge cutoff bij 50 Hz met een helling van 12 dB. Mogelijk ook een inkeping bij 60 Hz.
  2. Omdat een DC-versterker wordt gebruikt, DC Detrend het signaal (Klik op "Transformations / DC Detrend ... "en staat" op basis van tijd "bij 100 msec voor de markeerdraad en 100 msec voor de DC-aansluiting).
  3. Voer een ruwe data inspectie (Klik op "Transformatie / Ruwe data inspectie ..." en selecteer semi-automatische artefact verwijdering). Selecteer de volgende: maximale spanning 60 mV / ms; Max-min: 200 mV in 200 ms interval; amplitude: -400 tot +400 mV).
  4. Voer een automatische ICA met klassieke Sphering voor ogen knipperen verwijdering (myographic artefacten hoeven niet te worden verwijderd, omdat hun bereik is buiten de frequenties van belang). (Instructies "Transformations / ICA ...". Aan het einde van de ICA, werkwijze de inverse ICA).
  5. Het signaal en selecteer Re-referentie ("Transformaties / Re-reference ...") "gemeenschappelijke gemiddelde".
  6. Export (klik op "Exporteren / Generic Data Export ...") het signaal en markers in tekstformaat (Selecteer de ".vhdr"; doos) voor een eventuele Matlab constructie van de opdracht index. Selecteer ook de "Write header file" en "Write marker bestand" dozen.
3. Importeer het signaal in Matlab.
  1. Start Matlab en typ "eeglab", zodat de GUI van EEGLab verschijnt en Importeer de gegevens voor één deelnemer per keer. In de GUI, select item menu "Bestand / Gegevens importeren / behulp EEGLab functies en plugins / Van Brain Vis Rec .vhdr bestand".
  2. In het commando venster, plak een script ¹⁶ dat een verloving index genereert.
    OPMERKING: De cognitieve aangrijping script wordt berekend door het gemiddelde van elke Beta / (Alpha + Theta) -verhouding binnen 20 seconden schuifraam voorgaande tijd T. Deze procedure wordt herhaald om de tweede en nieuw schuifraam wordt gebruikt om de index te werken.
4. In MS Excel Open het tekstbestand van de opdracht index die wordt gegenereerd aan het einde van het script van Matlab en een z-scor toepassinge normalisering op de EEG data om interindividuele vergelijking mogelijk te maken. (Voor elke waarde, berekenen deze formule in Excel: Z = (waarde - totale gemiddelde) / totale standaarddeviatie.)
5. Sla de z-score betrokkenheid index signaal in een CSV-bestand in MS Excel. (Klik op Bestand / Opslaan als ... en selecteer CSV in het type-formaat.)
6. Herhaal de procedure (vanaf stap 6.1.2.2.) Voor elke deelnemer.
Fysiologie:
1. Import EDA data in fysiologische data-analyse software.
2. Breng deze parameters voor een pre-proces de fysiologische signaal:
  1. Breng een logaritmische transformatie naar de verdeling van de geleiding normaliseren volgens Venables en Christie's ²³ methode.
  2. Flat het signaal op een 10 sec schuifraam ^24.
3. Binnen de fysiologische software, berekenen een z-score normalisatie op het EDA data om interindividuele vergelijking mogelijk te maken. (Z = (waarde - totale gemiddelde) / algemene standaard deviatie).
  1. Markeer alle gegevens met de cursor van de EDA-kanaal.
  2. In het bovenste menu, selecteer het EDA kanaal, en selecteer "betekent" om de gemiddelde waarde van de totale kanaal te verkrijgen. Selecteer ook de EDA kanaal en "StdDev" om de standaarddeviatie waarde van de totale kanaal te verkrijgen.
  3. Om de z-score vergelijking berekenen, klikt u op "Transformatie / Waveform Math ..." en selecteer het EDA kanaal in Source 1. Kies "-" (min) in de wiskundige bewerking en selecteer K in source 2. Selecteer "Nieuwe bestemming" in het menu bestemming en voer de gemiddelde waarde van de EDA-kanaal (zie stap 6.2.3.2). Selecteer "Transform hele wave", klik op OK en klik op "Transformatie / Waveform Math ...". Selecteer de EDA-K-kanaal in de bron 1, selecteer "/" (delen) in de wiskundige bewerking venster, selecteer K in bron 2 Selecteer "Nieuwe bestemming" in de bestemming en enter de standaarddeviatie waarde van de EDA-kanaal (stap 6.2.3.2). Selecteer "Transform hele wave" en klik op OK.
4. Het signaal (arousal) in een CSV-bestand exporteren. (Klik op Bestand / Opslaan als ... en selecteer CSV in het type-formaat.)
Automatische gezicht herkenning van emoties:
1. Video importeren van gegevens van de media recorder in automatische gezicht emotie herkenning software. (Klik op "Bestand / Nieuw ... / Deelnemer ...". Na een nieuwe deelnemer in het menu project selecteren door erop te klikken, klikt u op "File / New / Analyse / Video ...". Klik op het vergrootglas naast Analyse 1 en kies de gewenste videobestand.
  1. Selecteer een offline analyse voor "elke derde frame" en activeer "continue kalibratie".
  2. Export Valence gegevens in een CSV-bestand. (Klik op "Opties / Instellingen / Logging ...", check de "Schrijf valentie waarde toe aan het logbestand" box. Klik op "File /Export ... ", kies de locatie waar de log-bestanden worden geëxporteerd, en controleer of de" Save gedetailleerd logboek "doos.)
  3. Open het CSV-bestand in MS Excel. Kopieer de kolom Valence data in een enkele kolom van SPSS software. Klik op "Analyse / Descriptives Statistics / Descriptives" en selecteer de net geplakte variabele naam. Vink het vakje "Save gestandaardiseerde waarden in variabelen". Een kolom met een z-score zal verschijnen. Copy-paste deze z-scores over de oude gegevens in het Excel-bestand.
2. Sla het Excel-bestand met de z-scores van het signaal (valentie) in CSV-formaat.

7. Data Integration en synchronisatie

In gedragsanalyse software:
1. Import-eye-tracking video's (gedrags engagement). (Klik op "File / Import / Video in een New Observation ...". Noem de nieuwe observatie en kies de gewenste videobestand.)
2. Code elke video met relevante behaviors en contextuele evenementen (tijd markers, goed / fout antwoorden).
3. Importeer alle externe data met de juiste header: z-score van het EEG-signaal (cognitieve engagement), z-score van EDA signaal (emotionele betrokkenheid), z-score van Valence data (emotionele betrokkenheid). (Klik op "File / Import / External Data ...". Selecteer het juiste bestandstype en selecteer het juiste CSV-bestand.)
Synchroniseer de tijd tussen computers volgens deze formules:
1. De tijd in het oog blik van tijd in het EEG = Tijd in ogen blik + tweede marker in het EEG - eerste marker in het oog blik.
2. Tijd in ogen blik van tijd in het gezicht herkenning van emoties = Tijd in ogen blik + eerste marker in het gezicht emotie - de eerste marker in het oog blik.
3. De tijd in het oog blik van tijd in elektrodermale activiteit = Tijd in ogen blik + eerste marker in elektrodermale activiteiten - de eerste marker in het oog blik.
Voer de offset data door op "Ctrl + Shift + =221 ;, naar het Offset menu te openen. Selecteer "Numerical offset" Voer de tijd in seconden tussen elke twee bronnen [OK?]) Volgens bovenstaande berekeningen.
Een rapport genereren op basis van de variabelen van belang in het onderzoek.
1. Selecteer interessante variabelen die zullen worden gegenereerd in het rapport (klik "Analyseren / Select Data / Nieuw profiel gegevens ..."). Van links naar rechts, schuif de gewenste variabelen tussen de box "Start" en de "resultaten" venster aan de rechterkant.
2. Genereer het rapport. (Klik op "Analyseren / Numerical Analysis / Nieuw ...", klik op "Statistieken" en vink het vakje gemiddelde in de externe menu data. Finish door te klikken op "Bereken".)
De gegevens te exporteren naar statistische analyse software en het uitvoeren van analyses volgens de studie doelstellingen.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Figuren 2 en 3 tonen schermafbeeldingen van het resultaat van de integratie en synchronisatie van gedrags-, emotionele en cognitieve betrokkenheid data in een gedragsanalyse softwaretoepassing. In beide figuren, de linkerhand sectie organiseert het onderzoek onderwerpen en het codeerschema. In het middendeel, een video (met rode stippen) geeft het subject ogen blik tijdens de taak. Gedragsmatige betrokkenheid van het onderwerp kan worden afgeleid op basis van wat hij / zij is op zoek naar tijdens de taak en welke acties worden genomen. In het onderste gedeelte, wordt een tijd marker synchroon scrollen in drie sporen van gegevens: de EDA (arousal) en gezicht emotie Valence voor de emotionele betrokkenheid en de EEG betrokkenheid index voor cognitieve engagement. Bij verkrijging van alle vakken, de software en de eenvoudige beschrijvende statistieken die eventueel kunnen worden gebruikt om interindividuele analyse op andere statistische analysesoftware.

ent "fo: keep-together.within-page =" always ">

Figuur 2. Multidimensional Engagement bij het begin van een probleemoplossende taak. Een screenshot van een onderwerp aan het begin van een probleemoplossende fase. De leerling leest de inleiding van het probleem: het oog blik is op de derde regel. Op dit moment (de rode lijn vertegenwoordigt een tijd cursor), heeft de opwinding van het onderwerp net voorbij een piek van anticipatie van het probleem dat moet worden opgelost, maar is nog steeds hoog in vergelijking met de uitgangswaarde, emotionele valentie lijkt neutraal, en EEG cognitieve betrokkenheid lijkt op zijn maximum . Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 3. Multidimensional Engagement gegevens During een pauze in de Task. Gegevens van een pauze voor een probleemoplossende taak. Deze pauze is nuttig om de basislijn van de patiënt vast net voor de taak. Hier, omdat de ogen van het onderwerp zijn gesloten, de valentie gegevens niet beschikbaar zijn. Cognitieve engagement (EEG signaal) is licht gestegen van zijn minimum. Het onderwerp wordt langzaam opnieuw bezig met de taak om, vooruitlopend op het einde van de pauze. Arousal (EDA signaal) is voortdurend afneemt. Klik hier om een grotere versie van deze figuur te bekijken.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

In termen van de kritische stappen in het protocol, moet het eerst worden opgemerkt dat de kwaliteit van de gegevens is altijd de belangrijkste focus voor neurofysiologische verzameling technieken. In deze methodologie, moet onderzoek assistenten bijzondere aandacht besteden aan het instrueren van de onderwerpen hoofdbewegingen die zal interfereren met Valence controle (verliezen juiste gezicht hoek voor de camera) of het genereren myographic artefacten in het EEG te minimaliseren. Anderzijds dient een evenwicht te houden tussen de authenticiteit van probleem oplossen en interventies voor ergonomische gegevensverzameling. Het is ook belangrijk op te merken dat EEG verzamelen gegevens kunnen elektromagnetische fluctuaties in de omgeving. Traditionele EEG faciliteiten proberen om hun apparaat te isoleren van elektromagnetische schommelingen met Faraday kooien. Echter, omdat sommige van de in deze methodiek apparatuur elektromagnetische fluctuaties (vooral de eye-tracking device) in de kooi van Faraday zou genereren, this benadering zou niet effectief zijn. We overwinnen van de elektromagnetische problemen met bijzondere aandacht voor aarding en afscherming alle elektrische apparaten.

Zoals voor wijzigingen en het oplossen van problemen met de techniek, de eerste synchronisatie strategie zich op de capaciteit van de synchronisatiesoftware om precies "start" het verzamelen van gegevens op meerdere computers en programma's samen. Omdat kritische en inconsistente vertragingen tussen computers en programma's werden waargenomen, post-collectie opnieuw synchroniseren werd noodzakelijk. Bijgevolg werd een syncbox apparaat toegevoegd aan de architectuur. De syncbox een TTL marker om alle computers en programma data wordt verzameld. Synchronisatie wordt een kwestie van het berekenen van de vertraging tussen de eerste syncbox markers.

Een beperking van de techniek dat moet worden genoemd is de precisie van signaalanalyse, dat wordt begrensd door de cognitieve aangrijping index. Door deuitgangspunten van de FFT, wordt deze index gegenereerd op een 1 seconde tijdperk basis: de cognitieve betrokkenheid script genereert een waarde per seconde verwerkt. In dit paradigma, dat zich richt op het oplossen van problemen authentieke, deze termijn is aanvaardbaar, maar preciezere studies van betrokkenheid kunnen sommige beperkingen tegenkomen met dit tijdschema voor de analyse.

Wat bestaande / alternatieve methoden, moet worden opgemerkt dat emotionele valentie ook worden afgeleid met volume bloeddruk ^{18, 25} sensors. Deze techniek kan ook worden geïntegreerd in toekomstig onderzoek om de nauwkeurigheid te evalueren in vergelijking met de valentie signaal van gezicht emoties herkenningssoftware. Er dient op gewezen dat de cognitieve betrokkenheid index gebruikt in deze studie is een bekend die is gebruikt in eerdere gepubliceerde onderzoeken. Sommige fabrikanten van lichtgewicht EEG inrichtingen krijgen een soortgelijke maatregel te verschaffen, maar het is moeilijk om de kwaliteit van de onbewerkte en bewerkte data evalueren sindshun algoritmen niet gepubliceerd.

Tenslotte, deze techniek biedt veel toepassingsmogelijkheden op verschillende gebieden. Natuurlijk zal het van waarde zijn in het gebied van onderwijs. Onder andere mogelijkheden, zou deze betrokkenheid assessment techniek een krachtig instrument om de koers ontwerpers te informeren. Bijvoorbeeld, als Martens, Gulikers en Bastiaens ²⁶ waargenomen, "heel vaak, ontwikkelaars hebben de neiging om toe te voegen multimedia add-ons, simulaties, en zo verder, vooral omdat technologie maakt het mogelijk, ook al zijn ze niet gebaseerd zijn op een zorgvuldige educatieve analyse en ontwerp ". Dus, neurofysiologische gegevens kunnen ontwerpers in wanneer zich specifieke add-on is waardevol, indien het gehalte te complex, indien de voorgestelde leerstrategieën efficiënt, etc. Daarnaast real-time evaluatie van leerder aangrijping opent mogelijkheden voor adaptieve e-learning of e-assessment omgevingen. We kunnen een leerling voorzien, het dragen van een lichtgewicht EEG helm, gewaarschuwd door het systeem when zijn / haar verloving niveau daalt en bijvoorbeeld gevraagd om te pauzeren of dienovereenkomstig reageren. Het zou ook mogelijk zijn om adaptieve assessmenttaken ontwikkelen vanuit aangrijping indexen. Een eerlijk bedrag van onderzoek en ontwikkeling worden momenteel uitgevoerd in het innovatieve gebied van brain-computer interfaces (BCI).

Subscription Required. Please recommend JoVE to your librarian.

Materials

Name	Company	Catalog Number	Comments
EGI GSN-32	EGI		Dense array EEG
Netstation v.5.0	EGI		EEG data collection software: EEG is collected with 32-electrode dense array electroencephalography (dEEG) geodesic sensor net using Netstation acquisition software and EGI amplifiers (Electrical Geodesics, Inc). The vertex (recording site Cz) is the reference electrode for recording. Impedance is kept below 50 kΩ with a sampling rate of 250 Hz.
Facereader v.4	Noldus		Facial emotion recognition software
Syncbox	Noldus		Syncbox start the co-registration of EEG and gaze data by sending a Transistor-Transistor Logic (TTL) signal to the EGI amplifier and a keystroke signal to the Tobii Studio v 3.2.
Logitech C600 Webcam		960-000396	Webcam used to gather video data sent to mediarecorder and that will be analyzed in Facereader
The Observer XT	Noldus		Integration and synchronization software: The Noldus Observer XT (Noldus Information Technology) is used to synchronize all behavioral, emotional and cognitive engagement data.
On-Screen LED illumination	Noldus		Neon positioned on computer screen in order to correctly light the face of subjects
MediaRecorder	Noldus		Video data collection software
Tobii 60X	Tobii		Collect eye-movement patterns : used to record subjects’ eye movement patterns at 60Hz during the experiment.
Tobii Studio v.3.2	Tobii		Eye-tracking data collection and analysis software
Analyzer 2	Brainvision		EEG signal processing software
Acqknowledge v.4.0	Biopac	ACK100M	Physiological signal acquisition and processing software
Control III germicide solution	Maril Products.	10002REVA-20002-1	Disinfectant solution used with EEG helmets : recommended by EGI
Unipark	QuestBack AG		Online survey environment

DOWNLOAD MATERIALS LIST

References

Fredricks, J. A., Blumenfeld, P. C., Paris, A. H. School engagement: Potential of the concept, state of the evidence. Rev. Educ. Res. 74 (1), 59-109 (2004).
Clark, R. C., Mayer, R. E. E-learning and the Science of Instruction. , Pfeiffer. San Francisco. (2011).
Zhang, D., Zhou, L., Briggs, R. O., Nunamaker, J. F. Instructional video in e-learning: Assessing the impact of interactive video on learning effectiveness. Inform. Manage. 43 (1), 15-27 (2006).
Freeman, F. G., Mikulka, P. J., Prinzel, L. J., Scerbo, M. W. Evaluation of an adaptive automation system using three EEG indices with a visual tracking task. Biol. Psychol. 50, 61-76 (1999).
Glimcher, P., Rustichini, A. Neuroeconomics: The consilience of brain and decision. Science. 306 (5695), 447-452 (2004).
Lieberman, M. D. Social Cognitive neuroscience: A review of core processes. Annu. Rev. Physiol. 58, 259-289 (2007).
Pope, A. T., Bogart, E. H., Bartolome, D. S. Biocybernetic system evaluates indices of operator engagement in automated task. Biol. Psychol. 40 (1-2), 187-195 (1995).
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).
Allaire-Duquette, G., Charland, P., Riopel, M. At the very root of the development of interest: Using human body contexts to improve women’s emotional engagement in introductory physics. Eur. J. Phy. Ed. 5 (2), 31-48 (2014).
Bradley, M. M., Lang, P. J. Measuring emotion: The self-assessment manikin and the semantic differential. J. Behav. Ther. Exp. Psy. 25 (1), 49-59 (1994).
Lang, P. J. The emotion probe: Studies of motivation and attention. Am. Psychol. 50 (5), 372-385 (1995).
Ekman, P., Felt Friesen, W. false, and miserable smiles. J. Nonverbal Behav. 6 (4), 238-252 (1982).
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).
Cacioppo, J., Tassinary, L. G., Berntson, G. G. Handbook of Psychophysiology. , Cambridge University Press. Cambridge, UK. (2007).
Lubar, J. F., Swartwood, M. O., Swartwood, J. N., O’Donnell, P. H. 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. Biofeedback Self-reg. 20 (1), (1995).
Mikulka, P. J., Freeman, F. G., Scerbo, M. W. Effects of a biocybernetic system on the vigilance decrement. Hum. factors. 44 (4), 654-664 (2002).
Freeman, F. G., Mikulka, P. J., Scerbo, M. W., Scott, L. An evaluation of an adaptive automation system using a cognitive vigilance task. Biol. Psychol. 67 (3), 283-297 (2004).
Chaouachi, M., Chalfoun, P., Jraidi, I., Frasson, C. Affect and mental engagement: Toward adaptability for intelligent systems. Proceedings of the Twenty-Third International Florida Artificial Intelligence Research Society Conference (FLAIRS 2010), Association for the Advancement of Artificial Intelligence. , 355-360 (2010).
Courtemanche, F., Ortiz de Guinea, A., Titah, R., Fredette, M., Labonté-LeMoyne, É Precision is in the eye of the beholder: Application of eye fixation-related potentials to information systems research. J. Assoc. Inf. Syst. 15 (10), 651-678 (2014).
Courtemanche, F., Ortiz de Guinea, A., Titah, R., Fredette, M., Labonté-Lemoyne, E. Applying eye fixation-related potentials to information systems research: Demonstration of the method during natural IS use and guidelines for research. J. Assoc. Inf. Syst. 15 (10), (2014).
Courtemanche, F. Un outil d’évaluation neurocognitive des interactions humain-machine Doctoral thesis. , Université de Montréal. Montreal, QC. (2014).
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).
Venables, P. H., Christie, M. J. Electrodermal activity. Techniques in Psychophysiology. Martin, I., Venables, P. , Wiley. Chichester, UK. 3-67 (1980).
Electrodermal Activity. Boucsein, W. , 2nd ed, Springer. New York. (2012).
Sarlo, M., Palomba, D., Buodo, G. M., Minghetti, R., Stegagno, L. Blood pressure changes highlight gender differences in emotional reactivity to arousing pictures. Biol. Psychol. 70 (3), 188-196 (2005).
Martens, R. L., Gulikers, J., Bastiaens, T. The impact of intrinsic motivation on e-learning in authentic computer tasks. J. Comput. Assist. Lear. 20 (5), 368-376 (2004).