Behavior

참여의 여러 차원을 평가하는 것은 학습의 특성을 : 신경 생리학 관점

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

참여 학습에 중요한 역할을한다. 클라크와 메이어 ^2의 경우에 관계없이 전달 매체의 "모든 학습, 참여가 필요합니다." 장 등. ^3도 증가 학생의 참여는 문제 해결과 비판적 사고 능력 등의 학습 성과를 향상시킬 수 있습니다 제안했다. 참여를 정의하는 것은 과제로 남아. 그들의 문헌 고찰에서, Fredricks, Blumenfeld 파리 ^1은 다각적 인 성격 참여를 정의 : "행동 참여는 참여의 아이디어에 그립니다; 그것은 학문적, 사회적 또는 과외 활동에 참여를 포함한다. (...) 감정적 참여 교사, 급우, 학자, 학교에 긍정적이고 부정적인 반응을 포함하고 일을하는 목적과 영향력 의지에 관계를 만들 추정된다. 마지막으로,인지 적 참여 정신 투자의 아이디어에 그립니다; 그것은 사려 깊음과 노력 NEC를 발휘하는 의지를 통합essary 복잡한 아이디어와 마스터 어려운 기술을 이해합니다. "

Fredricks, Blumenfeld 파리 ^1은 행동, 감정 및인지에 초점이, 참여의 개념 내에서 학습의 풍부한 특성을 제공 할 수 있다고 주장했다. 이 저자는 연구의 강력한 몸이 따로 계약의 각 구성 요소를 해결할 수 있다고 지적하지만, 이러한 구성 요소는 함께 연구되지 않았다. 또한 정보가 거의 치수 사이에 더 많은 연구가 미세하게 조정 된 교육 개입 계획에 기여할 수있는 상호 작용에 대해 사용할 수 있음을 관찰했다. 그 방향으로 단계로,이 논문 수집하고 학습을 작업하는 동안, 행동, 정서적,인지 적 참여에 대한 동기 양적 및 질적 데이터를 분석하기 위해 개발 된 연구 방법을 설명합니다.

교육에 신경 과학을 현실로

Behav주로 사전 및 사후 검사 사이의 오랜 기간에 걸쳐 발생하는 지식과 행동의 변화에 초점을 맞춘 연구 설계, 그리고 시간의 간격, 주간 : IOR, 결과적으로 행동 참여는 긴 교육 연구의 핵심이되었습니다 , 달 또는 몇 년. 마지막 두 치수는 외부 체계적으로 관찰 할 수 없기 때문에, 행동 적, 정서적,인지 적 결합을 구별하는 것은 과제로 남아. 인지와 감정 중 하나를 관찰로부터 추론 또는 자기보고 대책을 평가해야합니다. 보기의 외부 점에서, 그것은 학생들이 작업을 가능한 한 빨리 또는 특정 콘텐츠를 마스터 깊은 수준의 학습 전략을 사용하는 등 완수하기 위해 노력하고 있는지 여부를 확인하기 어려운 남아있다. 사실 점에서, Fredricks, Blumenfeld 파리 ^1은인지 적 참여의 직접, 객관적 조치를 사용하여 발표 된 연구를 찾을 수 없습니다.

최근 기술 개발신경 과학 분야의 교육 연구에 대한 새로운 가능성을 만들었습니다. 새로운 데이터 수집 방법과 신경 인간 공학의 분야에서 개발 된 분석 알고리즘 학습 작업하는 동안 정성 및 정량 연구를위한 매우 유망한 보인다. 경제학, 심리학, 마케팅, 인체 공학 같은 다른 분야는 약간의 시간이 ^4-8에 대한인지 적 참여를 평가하기 위해 신경 생리 학적 측정을 사용하고있다. 효율적인 분석 알고리즘과 결합 된 신경 생리 학적 측정은, 하나를 교란시키지 않고 현상을 연구 할 수있다. 자신의 성격으로 자기보고 설문 학습에서 학생들을 분리. 신경 생리학 대책 연구 디자인은 더 확실한 학습 환경에서 수행되도록 허용한다. 이러한 도구 등 심박수를 모니터링 장비, 호흡 속도, 혈압, 체온, 동공 직경, 피부 전기 활동, 뇌파 (EEG)를 포함한다.

대표 결과이 프로토콜의 사용을 다음과 같이, 본 논문에서는 학습자가 컴퓨터 화면에, 기계 물리학 열 문제를 해결했다있는 연구의 일부 결과를 발표 할 예정이다. 이러한 문제는 이전의 연구 ⁽⁹⁾ 개발되었다. 그들의 눈은 각각의 문제 후, 폐쇄와 학습자, 문제를 해결하고 45 초 휴식 시간 동안 휴식을하는 동안 신경 생리 학적 데이터를 수집 하였다.

위에서 언급 한 바와 같이, 행동 약혼 데이터는 작업 ^일을 달성하는 동안 시스템과 상호 작용하는 학습자에 의해 생성 된 질문에 대한 소프트웨어의 상호 작용 (마우스 움직임과 클릭), 시선, 성능과 답변으로 구성되어 있습니다. 안구 추적 시스템은 소프트웨어 상호 작용과 시선 데이터를 수집하기 위해 사용되었다. 성능 데이터 (문제를 해결하기 위해 시간, 응답의 정확성)을 수집 하였다과제를 제시하는 데 사용 된 조사 사이트. 이 웹 사이트는 또한 브래들리와 랭 ^(10)에서 적응 설문 조사와 수집 된 자기보고 데이터를 수집하는 데 사용되었다. 감정적 참여 감정의 특성을 포함한다. 랭 ^(11)에 따르면, 감정 원자가의 관점에서 특징 (즐거운 / 불쾌한)과 각성 (진정 / 자극). 감정적 결합 데이터는 따라서 감정적 원자가와 각성 ^12,13 용 피부 전기 활동 인코더 / 센서를 정량화 자동 안면 감정 인식 소프트웨어를 사용하여 수집 하였다. 피부 전기 활동 (EDA)는 매우 약한 전류가 지속적으로 그들 사이에 전달되는 두 개의 전극 사이에 기록 된 전기 저항을 의미한다. Cacioppo, Tassinary 및 Berntson ^(14)는 기록 된 저항 주체의 각성에 따라 다릅니다 것으로 나타났다. 따라서, 이러한 원자가 또는 각성 등의 정신 생리 학적 데이터는, 감정적 인 참여의 상관 관계로 간주됩니다.

(14)에 따르면,이 대역은 뇌의 특정 영역에 서로 다른인지 적 처리 능력을 반영한다. 따라서, 주의력 및 관심에 많은 연구와 결합 ^7,15 특정 주파수의 전력 스펙트럼 밀도 (PSD)의 분석은, 연구자들은 작업 도중인지 결합을 정량화 할 수있다. Mikulka 등. ^(16)가 언급 한 바와 같이, 연구는 베타 활동과인지 경보 및 알파 사이의 간접적 인 관계 사이의 직접적인 관계를 보여 주었다D 세타 활동 및 경보. 베타 / (알파 + 세타) : 따라서, 교황, 보가트와 Bartoleme ⁷ 세 밴드의 PSD를 계산 약혼 지수를 개발했다. 이 비율은 참여 ^16,17,18 다른 연구에서 확인되었다. 시간이 지남에 따라인지 맞물림을 특성화하기 위해, 고속 푸리에 변환 (FFT)는 파워 스펙트럼으로 각 활성 부위 (F3, F4, O1, O2)의 EEG 신호를 변환한다. 시간 T에서 EEG 결합 지수는이 절차는 매 초마다 새로운 슬라이딩 윈도우가 인덱스를 업데이트하는 데 사용되는 반복 시간 T. 선행 20 초 슬라이딩 윈도우 내의 각각의 결합 비의 평균값으로 계산된다.

이 방법의 목적은 결합의 여러 치수 풍부한 분석을 제공하기 때문에, 데이터 동기화가 중요하다. 레제 등. ^(19)가 독자를 생각 나게으로, 장비 제조 업체는 강하게 제작 그들의 지정된 정밀도를 보장하기 위해 측정 도구 당 하나의 컴퓨터를 사용하는 것이 좋습니다VEL. 따라서, 여러 대의 컴퓨터를 사용하는 경우, 기록 시스템 간의 동기화는 중요한 단계가된다. 녹음은 모두 동일한 시점에 개시 될 수 없으며, 각각의 데이터 스트림 (예를 들면, 눈의 0 초 EEG 또는 생리 데이터의 초 0 ≠ 트래킹)는 특정 기간을 갖는다. 이것은 매우 중요하다 : 데이터 스트림들 사이의 맞물림은 동기 이탈의 각 차원의 정량의 오차를 의미한다. 동시 생리 및 행동 기록을 동기화하는 여러 가지 방법이 있습니다. 이러한 방법은 두 가지 방식으로 나눌 수있다; 직접 및 간접 ^(20). 다음 절에서 제시된 프로토콜은 (도 1에 도시 된 바와 같이) 외부 장치가 syncbox, 모든 기록 장치에 트랜지스터 - 트랜지스터 논리 (TTL) 신호를 전송하는 데 사용되는 간접적 인 접근법에 기초한다. 기기의 각 부분은 서로 다른 시작 시간을 같이, TTL 마커 상대적으로 로그 파일에 기록된다 지연. 마커는 그 다음 신호를 재정렬함으로써 각각의 기록 후에 적절한 동기화를 보장하기 위해 사용된다. 외부 파일의 통합을 허용 행동 분석 소프트웨어 프로그램은 각각의 데이터 스트림의 타임 라인을 재 동기화 및 맞물림의 각 차원의 정성 및 정량 분석을 위해 사용된다.

데이터 수집 시스템의 그림 1. 아키텍처. 테스트 환경은 행동 (눈 추적)에서, 수집 감정 (EDA와 얼굴 감정),인지 (EEG) 약혼 데이터는 많은 컴퓨터가 포함되어 있습니다. 이것은 각각의 컴퓨터 시계에 참조되는 데이터에 대한 동기화 문제를 발생시킵니다. 동일 기준 시간에 모든 데이터를 분석 할 수있게하기 위해서, 실험 셋업은 모든 데이터 스트림들에 TTL 신호를 송신 syncbox을 포함한다."NK>이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

동기화 환산 방법의 정밀도를 평가하기 위해 45 초의 일시 정지 기계적 물리 문제 각각 전에 도입되었다. 이러한 일시 정지하는 동안, 대상은 긴장을하고 자신의 눈을 감고 있었다. 다른 연구 ^{4,9,16,17,18에서} 볼 수 있듯이,이 일시 정지 수집 된 신호에 상당한 변화를 유도해야한다 : 두 눈의 동공 점 눈 추적 사라 즉시 (행동 참여)과인지 적 참여에 즉시 드롭 (뇌파 신호)이 관찰된다. 이러한 특정 신호의 구성 요소의 동기화 장군 유효성을 평가하는 데 사용된다. 완전히 또는 부분적으로 정보 시스템 ^(19), 인간 - 기계 상호 작용 ^(21), 교육 ^{(9), (22)의} 분야에서,이 동기화 절차에 의존 논문의 최근 간행물은, 그 효과의 증거를 제공한다.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

이 프로토콜은 Tech3Lab 연구 시설에 대한 HEC-몬트리올에 의해 승인 된위원회 (CCT) institutionnel 드 라 공들인 AVEC 데 êtres humains (CIER) 드 난 Université 뒤 퀘벡 몬트리올 (UQAM)에서 윤리적 인증서를 받았다. 이 프로토콜은 우리의 테스트 환경 및 장비에서 수행하는 특정 각 단계에 대해 설명합니다. 정확한 소프트웨어 경로는 방법을 명확하게하기 위해 제공되지만,이 기술은 양도 및 기타 소유권 안구 추적, 자동 안면 인식 감정, 피부 전기 활동 및 뇌파 장비 및 소프트웨어와 함께 복제 될 수있다.

실험실 환경 1. 설정

눈 추적, 뇌파 증폭기, 네 개의 기록 컴퓨터와 스피커의 전원을 켭니다.
기록 장치의 설치를 준비 :
1. 제조업체의 추천!에 따라 필요한 재료와 뇌파 설치 준비nded 절차. 곧 참가자의 뇌파 소프트웨어를 준비합니다. 눈 추적 소프트웨어를 시작하고 소프트웨어의 새로운 참여자 프로파일을 생성합니다. 비디오 레코딩 소프트웨어 및 카메라를 시작.
2. 60 초에 마커 프로젝트에 대해 생성 된 특정 서브 루틴과 동기화 소프트웨어를 시작합니다. 생리 학적 측정 소프트웨어를 시작합니다 (피부 전기 활동을 기록하는) 프로젝트에 대해 생성 된 특정 레이아웃을 엽니 다. 가장 높은 수준으로 참가자의 의자를 조정합니다.

2. 참가자 준비

읽고 윤리적 동의서에 서명하기 위해 참가자를 요청합니다.
뇌파에 대한 두개골 측정을 수행합니다 :
1. (- 20 참조 시스템 (10)에 따라) 참가자의 머리에 Cz에 위치를 찾을 수 있습니다. 식염수 (염화칼륨)의 EEG 그물 담가 (단계 1.2.1 참조), 제조자의 기준에 따라 타이머 (10 분)을 시작한다. </ 리>
연구의 목적 및 참가자에게 실험의 단계를 읽고, "이 연구의 목적은 물리학의 문제에 대답하는 동안 뇌의 활동을 관찰하는 것입니다. 먼저 우리는 센서를 설치합니다, 당신은 컴퓨터에 10 뉴턴의 물리학 문제를 해결하라는 메시지가 표시됩니다. 우리는 당신의 눈을 가진 각각의 문제가 닫힌 후 45 초 휴식을 취하도록 요청합니다. 각각의 문제 후, 당신은 문제의 당신의 평가를 평가하게됩니다. "
실험의 총 지속 시간이 90 분 될 것입니다 제목을 알려주십시오.
제조자의 권고에 따라, 생리 센서를 설치 두 gelified 센서 왼손 위에.
제조업체의 권장 사항에 따라, 뇌파 캡을 설치하고 (제조업체의 사양에 따라) 40 kΩ의에서 임계 값과 임피던스 검사를 수행합니다.

3. 데이터 수집

모든 기록 소프트웨어가 동시성에 시작 할 준비가되어 있는지 확인합니다 :
1. 생리학 (EDA 데이터) : "시작"버튼을 클릭합니다.
2. 비디오 녹화 : "열기"버튼을 클릭합니다.
3. 눈 추적 : "보류"버튼을 클릭하십시오.
4. EEG : "기록"버튼을 클릭하십시오.
5. 동기화 소프트웨어 : "녹색 원"버튼을 클릭하십시오.
아이의 시선 교정 :
1. 5 점에 화면 보정을 수행하고 그 / 그녀가 빨간 점을 다음과 동안 참가자를 관찰 ( "도구 / 설정 / 교정을 ..."클릭). 충분한 정확도가 달성 될 때까지 제조 업체의 기준에 따라,이 절차를 반복합니다.
참가자의 화면에 프로젝트 작업 지침 : 그 / 그녀가 그들을 읽은 후 질문이 있으면 물어, 그는 / 그녀는 실험을 시작할 준비가됩니다.
10 뉴턴 P를 해결하기 위해 참가자를 요청hysics 문제.
필요한 경우, 45 초 휴식의 일 동안 임피던스 검사를 수행 (5 전에없는 문제).
확인 참가자가 각각의 문제 이전에 전체 45 초 휴식을 취합니다 (베이스 라인을 결정하기 위해).

데이터 수집 4. 끝

모든 컴퓨터에 데이터 수집을 중지하고 참가자로부터 센서를 제거합니다.

5. 참가자가 떠난 후

제조업체의 권장 사항에 따라, 살균제와 뇌파 캡을 청소하고 장비를 정돈. 수집 된 모든 데이터 파일을 저장하고 FTP 서버에 백업을 만들 수 있습니다.
참가자 스프레드 시트를 입력 : 데이터 수집 중 특정 이벤트 나 문제가 있습니다. 웹 브라우저에서 모든 쿠키를 지 웁니다.

통합 소프트웨어 6. 데이터 전처리 및 내보내기

뇌파
1. EEG 데이터 분석 소프트웨어로 가져 EEG 데이터 :
  1. 새로 생성 된 원시 데이터 파일에 원시 뇌파 데이터를 붙여 "원시 데이터", "역사"와 "수출"라는 컴퓨터에 세 개의 빈 폴더를 만듭니다.
  2. 뇌파 데이터 분석 소프트웨어에서 "파일 / 새 프로젝트를 ..."버튼을 클릭 한 후 새로 생성 된 원시 데이터 파일을 선택, 찾아보기를 클릭하여 원시 데이터 위치를 선택합니다. "역사"와 같은 방법으로 "내보내기"폴더의 위치를 선택합니다.
  3. "확인"을 클릭합니다. (윈도우는 모든 참가자의 EEG 데이터를 포함한다).
2. 전처리 뇌 신호 :
  1. ( "변환 / IIR 필터를 ..."클릭) 필터 및 노치 (notch)를 적용합니다. 창에서 12 dB의 기울기와 12dB의 기울기 50 Hz에서 높은 컷오프 1.5 Hz에서 낮은 컷오프 수 있습니다. 또한 60 Hz의 주파수에서 노치 수 있습니다.
  2. DC 증폭기를 사용하기 때문에,이 DC 신호 detrend ( "트라을 클릭마커 전에 100 밀리 초와 DC 연결 전에 100 밀리 초)에서 nsformations 시간을 기준으로 / DC Detrend ... "및 사용" ".
  3. 원시 데이터 검사를 수행합니다 ( "변환 / 원시 데이터 검사를 ..."를 클릭하고 반자동 아티팩트 제거를 선택합니다). 최대 전압 60 μV / MS] 다음을 선택 최대 분 : 200 밀리 초 간격으로 200 μV; 진폭 : -400 400에 μV).
  4. 눈 깜박임 제거를위한 고전적인 구형과 자동 ICA를 수행합니다 (그 범위는 관심있는 주파수의 외부에 있기 때문에 myographic 유물을 제거 할 필요가 없습니다). (ICA, 프로세스 역 ICA의 끝에서. "... 변환 / ICA"를 클릭하십시오.)
  5. 다시 참조 ( "변환 / 다시 참조 ...") 신호는 "일반적인 평균"을 선택합니다.
  6. 수출 ( "수출 / 일반 데이터 내보내기를 ..."클릭) 텍스트 형식의 신호 및 마커 (선택 ".vhdr"; 결합 인덱스의 최종 matlab에 건설 상자). 또한 "쓰기 헤더 파일"및 "쓰기 마커 파일"상자를 선택합니다.
3. 매트랩 신호를 가져옵니다.
  1. matlab에를 시작하고 EEGLab의 GUI를 한 번에 하나의 참여자에 대한 데이터를 표시하고 가져 오기 때문에 "eeglab"를 입력합니다. GUI에서 선택 항목 메뉴 "EEGLab 기능과 플러그인을 사용하여 파일 / 데이터 가져 오기 / / 뇌 마주 녹화에서 .vhdr 파일".
  2. 명령 창에서, 결합 인덱스를 생성하는 스크립트 ^(16)를 붙여 넣습니다.
    주 :인지 결합 스크립트이 절차 20 초 슬라이딩 윈도우 선행 시간 T. 내의 각 베타 / (알파 + 쎄타) 비율의 평균으로 계산되고 초마다 새로운 슬라이딩 윈도우가 인덱스를 업데이트하는 데 사용되는 반복된다.
4. MS 엑셀에서 매트랩하여 스크립트의 끝에서 생성된다 결합 지수의 텍스트 파일을 열고, Z SCOR 적용뇌파 데이터에 전자 정상화 intersubject 비교를 허용합니다. (각 값에 대해, Excel에서이 수식을 계산 : Z = (값 - 전체 평균) / 전체 표준 편차를.)
5. MS 엑셀에서 CSV 파일의 Z 점수 약혼 인덱스 신호를 저장합니다. (...로 저장하고 형식 유형에 CSV를 선택 / 파일을 클릭합니다.)
6. (단계 6.1.2.2에서.) 과정을 반복 각 참가자에 대해.
생리학 :
1. 생리 학적 데이터 분석 소프트웨어 가져 오기 EDA 데이터.
2. 생체 신호를 사전 처리하려면이 매개 변수를 적용합니다 :
  1. 베너 블스와 크리스티 ⁽²³⁾ 방법에 따라 전기 전도도의 분포를 정상화 로그 변환을 적용합니다.
  2. 창 ^{24 슬라이딩} 10 초 플랫 신호.
3. 생리 소프트웨어 내 intersubject 비교를 허용하도록 EDA 데이터에 Z-점수 정규화를 계산. (Z = (값 - 전체 평균) / 전체 표준 편차).
  1. EDA 채널에서 커서 모든 데이터를 선택합니다.
  2. 톱 메뉴에서 EDA 채널을 선택하고 전체 채널의 평균값을 얻기 위해 "평균"를 선택한다. 또한 전체 채널의 표준 편차 값을 획득하기 위해 채널 및 EDA "STDDEV"를 선택한다.
  3. Z 점수 방정식을 계산하기 위해 "변환 / 파형 연산을 ..."버튼을 클릭 소스 1의 EDA 채널을 선택합니다. "-"를 선택 수학 연산 창에 (마이너스) 및 대상 메뉴에서 "새 대상"소스 2.에 K를 선택하고 EDA 채널의 평균 값을 입력한다 (단계 6.2.3.2 참조). "전체 파장 변환"을 선택, 확인을 클릭하고 "변환 / 파형 연산을 ..."을 클릭합니다. 선택 소스 1의 EDA-K 채널을 선택합니다 "/"수학 연산 창에서 (나누기), 소스 (2)에서 선택 K는 목적지와 강한 게 아니에 "새로운 대상"을 선택EDA 채널 (단계 6.2.3.2)의 표준 편차 값을 r에. 선택 "전체 파장 변환"하고 확인을 클릭합니다.
4. CSV 파일의 신호 (각성)를 내 보냅니다. (...로 저장하고 형식 유형에 CSV를 선택 / 파일을 클릭합니다.)
자동 안면 인식 감정 :
1. 자동 얼굴 감정 인식 소프트웨어로 미디어 레코더에서 비디오 가져 오기 데이터. (다음 분석 1에 돋보기를 클릭하십시오. "... 파일 / 새 / 분석 / 비디오". 그것을 클릭하여 프로젝트 메뉴에서 새 참가자를 선택한 후 클릭 "... 파일 / 새 ... / 참가자"를 클릭하고 원하는 선택 비디오 파일.
  1. "모든 세 번째 프레임"에 대한 오프라인 분석을 선택하고 "지속적인 교정"을 활성화합니다.
  2. CSV 파일 내보내기 원자가 데이터. (/. 상자 "로그 파일에 원자가 값을 쓰기"를 클릭 "파일을 확인,"... 옵션 / 설정 / 로깅 "을 클릭수출 ... 자세한 로그 "상자를 저장", 로그 파일을 내보낼 위치를 선택하고 ".)
  3. MS Excel에서 CSV 파일을 엽니 다. SPSS 소프트웨어의 단일 열에서 원자가 데이터 열을 복사합니다. "분석한다 / Descriptives 통계 / Descriptives"버튼을 클릭 방금 붙여 변수 이름을 선택합니다. "변수에 표준화 된 값을 저장"확인란을 선택합니다. Z 점수와 열이 나타납니다. Excel 파일에있는 오래된 데이터에 이러한 Z-점수를 복사 - 붙여 넣습니다.
2. CSV 형식의 신호 (원자가)의 z 점수 Excel 파일을 저장합니다.

7. 데이터 통합 및 동기화

행동 분석 소프트웨어에서 :
1. 가져 오기 눈 추적 비디오 (행동 참여). (. "... 새 관측에 파일 / 가져 오기 / 비디오"를 클릭하여 새 관찰의 이름을 지정하고 원하는 비디오 파일을 선택합니다.)
2. 코드 관련 BE와 각 비디오haviors과 상황에 맞는 이벤트 (시간 마커, 좌 / 오답).
3. 적절한 헤더로 모든 외부 데이터 가져 오기 : 뇌파 신호 (인지 참여)의 Z 점수, EDA 신호 (감정적 인 참여), 원자가 데이터의 Z 점수 (감정적 인 참여)의 Z 점수. (. "... 파일 / 가져 오기 / 외부 데이터"를 클릭하여 해당 파일 유형을 선택하고 올바른 CSV 파일을 선택합니다.)
이 공식에 따라 컴퓨터 간의 시간을 동기화 :
1. 시선의 첫 번째 마커 - 눈 시간 시선 + 두 번째 마커 뇌파에서의 뇌파 = 시간의 시간에서 시선.
2. 시선의 첫 번째 마커 - 눈의 시선 + 처음 마커 얼굴 감정에 얼굴 감정 인식 = 시간의 시간에서 시선 시간.
3. 시선의 첫 번째 마커 - 눈 시간 피부 전기 활동 시선 + 첫 번째 마커에 = 시간 피부 전기 활동 시간에서 시선.
"눌러 오프셋 데이터를 입력합니다 Ctrl 키를 + Shift + =221 ;,는 오프셋 메뉴를 엽니 다. 선택 "수치 오프셋"데이터 소스의 각 쌍 사이의 시간 (초)을 입력합니다 [OK?]) 위의 계산에 따르면.
연구에 대한 관심의 변수에 따라 보고서를 생성합니다.
1. 보고서에 생성됩니다 흥미로운 변수를 선택합니다 ( "/ 데이터 선택 / 새 프로파일 데이터 분석 ..."클릭). 왼쪽에서 오른쪽, "시작"상자와 "결과"상자 사이에 원하는 변수를 밀어 넣습니다.
2. 보고서를 생성합니다. ( "통계"를 클릭 "... / 수치 해석 / 새로운 분석"을 클릭하고 "계산"을 클릭하여 외부 데이터 메뉴. 마침의 평균 상자를 선택합니다.)
통계 분석 소프트웨어로 데이터를 내보내고 연구 목적에 따라 분석을 수행합니다.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

행동 분석 소프트웨어 어플리케이션에 통합하고, 감정적 인 행동인지 결합 데이터의 동기화의 결과를도 2 및도 3의 스크린 샷을 도시한다. 양 도면에서, 좌측 부분은 조사 대상 및 코딩 방식을 조직. 중간 부분에서 (붉은 점)가 비디오를 작업하는 동안 피사체의 눈에 시선을 보여줍니다. 피사체의 행동 참여는 촬영 그가 / 그녀가 작업하는 동안보고되고있는 작업을 기반으로 추론 될 수있다. EDA (각성), 정서적 참여와인지 적 참여를위한 뇌파 결합 인덱스의 얼굴 감정 원자가 : 하부에서 시간 마커는 동 기적으로 세 개의 데이터의 트랙에서 스크롤됩니다. 데이터가 모든 피험자로부터 수집되는 경우, 소프트웨어는 결국 다른 통계 분석 소프트웨어 intersubject 분석을 수행하는데 사용될 수있는 기본적인 기술 통계를 제공한다.

항상 "> :"유지 - together.within 페이지를 = FO "천만에

문제 해결 작업의 시작 부분에 그림 2. 다차원 참여 데이터. 문제 해결 단계의 시작 부분에 피사체의 스크린 샷. 학습자는 문제에 대한 소개를 읽고 : 눈의 시선이 세 번째 줄에 있습니다. 이 시간 (빨간색 선은 한 번 커서를 나타냄)에서, 주체의 각성이 해결해야 할 문제의 기대의 피크를 통과 단지했지만 여전히 높은 기준과 비교, 감정적 인 원자가 중성 것, 그리고 뇌파인지 참여는 최대 보인다 . 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

그림 3. 다차원 데이터 참여 지속문제 해결 작업하기 전에 일시 정지에서 작업. 데이터의 일시 정지를 보내고. 이 일시 정지는 작업 전에 대상의 기준을 설정하는 것이 유용하다. 피사체의 눈이 닫혀 있기 때문에 여기서, 원자가 데이터는 사용할 수 없습니다. (EEG 신호)인지 참여는 최소 약간 증가하고있다. 피사체가 서서히 정지의 끝을 예측하여 태스크를 다시 결합된다. 각성 (EDA 신호)이 지속적으로 감소하고있다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

프로토콜 내에서 중요한 단계의 관점에서, 첫번째 데이터 품질은 신경 생리 컬렉션 기법의 주된 초점은 항상 지적되어야한다. 이 방법에서는, 연구 조수 (카메라 올바른 얼굴 각도를 잃고) 원자가 모니터링을 방해하거나 뇌파에 myographic 아티팩트를 생성 머리의 움직임을 최소화하기 위해 주제를 지시에 특별한주의를 지불해야합니다. 한편, 균형은 더욱 인간 공학적 데이터 수집을 위해 만든 실제 문제 해결 및 중재 진위 사이에 유지되어야한다. 그것은 뇌파 데이터 수집 환경에서 전자 변동 될 수 있습니다하는 것이 중요하다. 기존의 뇌파 시설은 패러데이 케이지와 전자기 변동에서 자신의 장치를 분리하려고합니다. 그러나,이 방법에 사용되는 일부 장비는 패러데이 케이지 안에 전자기 변동 (주로 안구 추적 장치)을 생성 할 것이기 때문에, 제접근 방식은 효과가 될 것입니다. 우리는 접지에 특별한주의를 지불하고 모든 전기 장치를 차단하여 전자파 문제를 극복.

변형과 기술로 해결하는 바와 같이, 초기 동기화 전략은 정확하게 함께 다수의 컴퓨터와 프로그램에 관한 데이터 수집을 "시작"으로 동기화 소프트웨어의 용량에 의존했다. 컴퓨터와 프로그램 간의 중요하고 일관성 지연이 관찰 되었기 때문에, 이후 수집 재 동기화가 필요하게되었다. 따라서 syncbox 장치 아키텍처에 첨가 하였다. syncbox 모든 컴퓨터와 데이터를 수집하는 프로그램 TTL 마커를 보냅니다. 동기화는 제 syncbox 마커 사이의 지연 시간을 계산하는 문제가된다.

언급해야 할 기술의 한 가지 제한은인지 결합 지수에 의해 제한되는 신호 분석의 정밀도이다. 때문에의FFT의 기본적인 가정은,이 지수는 1 초 에포크에 기초하여 생성된다 :인지 결합 스크립트 값 초마다 발생한다. 본격적인 문제 해결에 초점을 맞추고이 패러다임에서,이 기간은 허용하지만, 참여의보다 정확한 연구 분석을 위해이 기간에 몇 가지 제한이 발생할 수 있습니다.

대안 / 기존의 방법과 관련하여, 그 감정적 인 원자가 또한 혈액량 압력 ^{(18), (25)} 센서로 유도 될 수 있음에 유의해야한다. 이 기술은 또한 얼굴 감정 인식 소프트웨어로부터 원자가 신호 비교의 정확성을 평가하기 위해 향후 연구에 통합 될 수있다. 또한 본 연구에서 사용인지 결합 지수가 발표 이전 연구에 사용 된 공지의 하나라는 것을 언급해야한다. 경량 EEG 장치 일부 제조업체 유사한 측정을 제공한다고 주장하지만 이후 원시 및 처리 된 데이터의 품질을 평가하는 것은 어렵다그들의 알고리즘은 게시되지 않은 있습니다.

마지막으로,이 기술은 다양한 분야에서 여러 응용 가능성을 제시한다. 물론, 교육의 분야에서 가치가있을 것이다. 다른 가능성 중,이 약혼 평가 기술은 물론 디자이너를 통보 할 수있는 강력한 도구가 될 수 있습니다. 마틴, Gulikers 및 Bastiaens ²⁶ 관찰 예를 들어, "자주 개발자 조심 교육 분석 및 설계에 이들이 기반으로하지 않더라도, 기술 것이 가능하게 때문에 주로, 등등 - 가산 기능, 시뮬레이션 및 멀티미디어를 추가하는 경향 특정 부가 가치이면 함량이 너무 복잡하다면. "따라서, 신경 생리 학적 데이터는 제안 된 학습 전략은 또한 등 효율적인 경우, 학습자의 맞물림의 실시간 평가에 적응을위한 가능성을 열어, 설계자 알려 수도 전자 학습 또는 전자 평가 환경. 우리는 시스템 갔지으로 경고하고, 경량 뇌파 헬멧을 착용, 학습자를 예견 할 수N 그 / 그녀의 약혼 수준은 감소하고, 예를 들어, 일시 중지하거나 따라 반응하라는 메시지가 표시됩니다. 또한 결합 된 인덱스에 기초하여, 적응 적 평가 과제를 개발하는 것이 가능하다. 연구 개발의 공정한 금액은 현재 뇌 - 컴퓨터 인터페이스의 혁신 분야 (BCI)에서 진행되고있다.

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).