Behavior

Vurdering av flere dimensjoner av engasjement for å karakter Learning: en nevrofysiologisk perspektiv

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

Engasjement spiller en avgjørende rolle i læring. For Clark og Mayer ^2, "all læring krever engasjement," uavhengig av levering medier. Zhang et al. ³ også antydet at økt studentengasjement kan forbedre læringsutbytte, for eksempel problemløsning og kritisk tenkning ferdigheter. Definere engasjement er fortsatt en utfordring. I sin litteraturgjennomgang, Fredricks, Blumenfeld og Paris ^en definert engasjement av sin mangefasetterte natur: "Atferds engasjement trekker på ideen om deltakelse; det inkluderer deltakelse i faglige og sosiale eller fritidsaktiviteter. (...) Emosjonelt engasjement omfatter positive og negative reaksjoner på lærere, klassekamerater, akademikere, og skole og antas å skape bånd til et objekt og innflytelse vilje til å gjøre jobben. Til slutt trekker kognitiv engasjement på ideen om mental investering; den inneholder omtanke og vilje til å utøve innsats necvendig å forstå komplekse ideer og mestre vanskelige ferdigheter. "

Fredricks, Blumenfeld og Paris ¹ hevdet også at et fokus på atferd, følelser og kognisjon, innenfor begrepet engasjement, kan gi et rikere karakterisering av læring. Disse forfatterne påpekte at en robust kropp av forskning adresser hver komponent av engasjement separat, men disse komponentene hadde ikke blitt studert i sammenheng. De observerte også at lite informasjon er tilgjengelig om interaksjoner mellom dimensjonene og at flere studier kan bidra til planlegging finstemt undervisnings intervensjoner. Som et skritt i riktig retning, beskriver dette papiret en forskningsmetodikk som ble utviklet for å samle og analysere kvantitative og kvalitative data, synkront, på atferdsmessige, emosjonelle og kognitive engasjement i læringsoppgaver.

Bringe Neurosciences inn Education

Behavior, og dermed atferds engasjement, har lenge vært det sentrale fokus for studier i utdanning: forskningsdesign fokusert hovedsakelig på endringer i kunnskap og atferd som forekommer over lange tidsperioder, mellom pre- og post-tester, og over intervaller på timer, uker , måneder eller år. Skille mellom atferdsmessige, emosjonelle og kognitive engasjement er fortsatt en utfordring fordi de to siste dimensjonene er ikke systematisk observer eksternt. Kognisjon og følelser må enten utledes fra observasjoner eller vurderes med selvrapporterings tiltak. Fra en ekstern synspunkt, er det fortsatt vanskelig å avgjøre om elevene prøver å få arbeidet gjort så raskt som mulig, eller ved hjelp av dype nivå læringsstrategier for å mestre et bestemt innhold. I punkt faktisk, Fredricks, Blumenfeld og Paris ¹ klarte ikke å finne noen publiserte studier med direkte, objektive mål på kognitiv engasjement.

Siste teknologiske utviklingen iinnen nevrovitenskap har skapt nye muligheter for forskning i utdanning. Nye metoder for datainnsamling og analyse algoritmer utviklet innen nevro ergonomi virker veldig lovende for kvalitative og kvantitative studier i løpet læringsoppgaver. Andre disipliner, som for eksempel økonomi, psykologi, markedsføring og ergonomi, har brukt nevrofysiologiske målinger for å vurdere kognitiv engasjement for en stund ^4-8. Nevrofysiologiske tiltak, kombinert med effektive algoritmer, tillater en å studere et fenomen uten å forstyrre den. Av natur, selvrapporteringsspørre frigjøre studenter fra læring. Nevrofysiologiske tiltak tillate forskningsdesign som skal utføres i mer autentiske læringsmiljøer. Disse verktøyene inkluderer utstyr for å overvåke puls, pust, blodtrykk, kroppstemperatur, elev diameter, elektrodermal aktivitet, elektroencefalografi (EEG), osv.

Som representative utfall etter bruk av denne protokollen, vil denne artikkelen presenterer delvise resultater fra en studie der elevene måtte løse, på en dataskjerm, ti problemer i mekanisk fysikk. Disse problemene ble utviklet i tidligere arbeid ^9. Nevrofysiologiske data ble samlet inn mens elevene var å løse problemene og avslappende under en 45 s pause, med øynene lukket, etter hvert problem.

Som nevnt ovenfor, atferds engasjement data består av programvare interaksjoner (musebevegelser og klikk), øye blikket, ytelse og svar på spørsmål som er produsert av en elev i samspill med systemet mens de utfører sin oppgave ^1. Et øye-sporing systemet ble brukt til å samle programvare interaksjoner og øye blikk data. Ytelsesdata (tid til å løse et problem, er korrekte svar) ble samlet på enUndersøkelsen nettside som ble brukt til å presentere oppgaven. Dette nettstedet ble også brukt til å samle selvrapporteringsdata innhentet med spørreskjema tilpasset fra Bradley og Lang ^10. Emosjonelle engasjement innebærer karakterisering av følelser. Ifølge Lang ^11, er følelser preget i form av valens (hyggelig / ubehagelig) og opphisselse (rolig / opphisset). Emosjonelle engasjement data ble derfor samlet, ved hjelp av automatisk ansikts følelser gjenkjennelse programvare som kvantifiserer emosjonell valens og en elektrodermal aktivitet koder / sensor for opphisselse ^12,13. Elektrodermal aktivitet (EDA) refererer til den registrerte elektriske motstand mellom to elektroder ved en meget svak elektrisk strøm sendes mellom dem jevnt. Cacioppo, Tassinary og Berntson ¹⁴ viste at motstanden registrert varierer i henhold til motivets opphisselse. Dermed psykofysiologiske data, for eksempel valens eller opphisselse, regnes som korrelerer med emosjonelle engasjement.

14, disse bandene reflekterer ulike kognitive prosessering evner i bestemte områder av hjernen. Således analysen av spektrale effekttetthet (PSD) av spesifikke frekvenser, kombinert med en rekke studier ^7,15 på våkenhet og oppmerksomhet, tillater forskere å kvantifisere kognitive inngrep i løpet av en oppgave. Som Mikulka et al. ¹⁶ bemerket, har forskning vist en direkte sammenheng mellom beta aktivitet og kognitiv årvåkenhet og en indirekte sammenheng mellom alpha end theta aktivitet og årvåkenhet. Dermed Pope, Bogart og Bartoleme ⁷ utviklet et engasjement indeks som beregner PSD av tre band: beta / (alfa + theta). Dette forholdet ble validert i andre studier på engasjement ^16,17,18. For å karakterisere kognitiv inngrep over tid, en hurtig Fourier-transformasjon (FFT) omformer EEG-signalet fra hver aktive området (F3, F4, O1, O2) til et effektspektrum. EEG-indeksen inngrep ved tiden T beregnes av gjennomsnitt av hver inngrepsforhold i en 20 sek skyvevindu forut for tidspunktet T. Denne prosedyren gjentas hvert sekund, og en ny skyvevindu blir brukt til å oppdatere indeksen.

Siden målet med denne metoden er å gi en rik analyse av flere dimensjoner i inngrep, er datasynkronisering avgjørende. Som Leger et al. ¹⁹ minne leserne, utstyrsprodusenter sterkeste å bruke bare én datamaskin per måleverktøy for å garantere deres spesifisert presisjon leVEL. Så når flere datamaskiner er ansatt, blir synkronisering mellom opptaks datamaskiner et kritisk punkt. Opptakene kan ikke alle bli startet på nøyaktig samme tid, og hver datastrøm har sin bestemt tidsramme (f.eks sek 0 av eye tracking ≠ sek 0 av EEG eller fysiologiske data). Dette er ekstremt viktig: desynkronisering mellom datastrømmer betyr feil i kvantifisering av hver dimensjon av engasjement. Det er forskjellige måter å synkronisere samtidige fysiologiske og atferdsmessige opptak. Disse metoder kan deles i to hovedmetoder; direkte og indirekte ^20. Protokollen presentert i neste avsnitt er basert på en indirekte løsning hvor en ekstern enhet, et syncbox, blir brukt til å sende transistor-transistorlogikk (TTL) signaler til alle registreringsutstyret (som vist i figur 1). Når hver del av utstyret har en annen starttid blir TTL markører registrert i loggfilene med en relativ forsinkelse. Markører blir så brukt til å justere signalene og dermed sikre riktig synkronisering etter hvert opptak. En atferdsanalyse program som lar ekstern fil integrasjon brukes for å synkronisere tidslinjen for hver datastrømmen og å utføre kvantitativ og kvalitativ analyse av hver dimensjon av engasjement.

Figur 1
Figur 1. Arkitektur av datainnsamlingssystemet. Laboratoriet miljø der atferds (eye-tracking), inneholder emosjonelle (EDA og ansikts følelser) og kognitive (EEG) forlovelses data samles mange datamaskiner. Dette reiser et synkroniserings utfordring for data som er referert på sine respektive datamaskinklokker. For å være i stand til å analysere alle data i samme referanse tid, innebærer lab oppsett en syncbox som sender TTL signaler til alle datastrømmer.nk "> Klikk her for å se en større versjon av dette tallet.

For å bedømme nøyaktigheten av metodikken i form av synkroniseringen, ble 45 sek pauser innført før hver av de mekaniske fysikk problemer. I løpet av disse pausene, fagene måtte slappe av og til å lukke øynene. Som sett i andre studier ^{4,9,16,17,18,} bør disse pausene indusere betydelige variasjoner i samlet signal: de to pupillene prikker i eye-tracking forsvinner umiddelbart (atferds engasjement) og en umiddelbar nedgang i kognitiv engasjement (EEG signal) blir observert. Disse bestemte komponenter av signalet blir brukt til å evaluere den generelle gyldighet av synkroniseringen. Den nylige publisering av papirer som helt eller delvis er avhengige av denne synkroniseringsprosedyren, innen informasjonssystemer ^19, menneske-maskin-interaksjon ²¹ og utdanning ^{9, 22,} gir bevis for sin effektivitet.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Denne protokollen fikk en etisk sertifikat fra Comité institutionnel de la recherche avec des Etres humains (CIER) de l'Université du Québec à Montréal (UQAM) som ble godkjent av HEC-Montreal for Tech3Lab forskning anlegget. Protokollen beskriver hver av de konkrete tiltak som utføres i vår lab miljø og utstyr. Selv presise programvare stier er forutsatt å avklare metodikk, er denne teknikken overførbar og kan replikeres med andre eiendoms eye-tracking, automatisk ansikts følelser anerkjennelse, elektrodermal aktivitet og elektroencefalografi utstyr og programvare.

1. Oppsett av Lab Miljø

Slå på eye-tracker, EEG forsterker, de fire opptak datamaskiner og høyttalerne.
Forberede oppsett av opptaksutstyr:
1. Forbered EEG-oppsett med nødvendig materiale i henhold til produsentens recommended prosedyrer. Forbered EEG programvare for den kommende deltaker. Start eye-tracking programvare og opprette en ny deltaker profil i programvaren. Start video-opptak programvare og kameraene.
2. Start synkroniseringsprogramvaren med den spesifikke subrutine opprettet for prosjektet med markører på 60 sek. Start fysiologiske måling programvare (for å spille inn elektrodermal aktivitet) og åpne den spesifikke layout opprettet for prosjektet. Juster deltakerens stolen til det høyeste nivået.

2. Deltaker Forberedelse

Spør deltakeren til å lese og signere etisk samtykkeskjema.
Gjennomføre skull målinger for EEG:
1. Finn den Cz beliggenhet på deltakerens hode (i henhold til 10 - 20 referansesystemer). Senk EEG netto i saltvann (kaliumklorid) (se trinn 1.2.1) og starte en timer (10 min) i samsvar med produsentens standarder. </ Li>
Les formålet med studien og trinnene i forsøket til deltakeren "Målet med denne studien er å observere hjerneaktiviteten mens du svarer fysikkproblemer. Først vil vi installere sensorene, vil du bli bedt om å løse 10 newtonsk fysikk problemer på datamaskinen. Vi vil be deg om å ta en 45 sekunders pause etter hver problem med øynene lukket. Etter hvert problem, vil du bli bedt om å rangere din vurdering av problemet. "
Fortell emnet som den totale varigheten av forsøket vil være 90 min.
Installer de fysiologiske sensorer, i henhold til produsentens anbefalinger: to gelified sensorer på toppen av venstre hånd.
Installer EEG cap, i henhold til produsentens anbefalinger og utføre en impedans sjekk med en terskel på 40 kohm (i henhold til produsentens spesifikasjoner).

3. Datainnsamling

Sørg for at alle innspillingen programvare er klar til å startes synkront:
1. Fysiologi (EDA data): Klikk på "Start" -knappen.
2. Videoopptak: Klikk på "open" -knappen.
3. Eye-tracking: Klikk på "på vent" -knappen.
4. EEG: Klikk på "record" -knappen.
5. Synkroniseringsprogramvaren: Klikk på "grønne sirkelen" -knappen.
Eye blikket kalibrering:
1. Utfør en fem-punkts kalibrering på skjermen og observerer deltakeren mens han / hun følger de røde prikkene (klikk "Verktøy / Innstillinger / Kalibrering ..."). Gjenta denne prosedyren til tilstrekkelig nøyaktighet oppnås, i henhold til produsentens standarder.
Prosjekt oppgave instruksjonene på deltakerens skjerm: spørre om han / hun har noen spørsmål etter å ha lest dem, og hvis han / hun er klar til å starte eksperimentet.
Spør deltakeren til å løse 10 newtonsk physics problemer.
Hvis nødvendig, utføre en impedans sjekk under en av de 45 s pauser (ikke før problemet 5).
Sørg for at deltakeren tar hele 45 s pause før hvert problem (for å fastslå baseline).

4. Slutt på datainnsamling

Stopp datainnsamling på alle datamaskiner og fjerne sensorene fra deltakeren.

5. Etter at deltakeren har Venstre

Rengjør EEG cap med bakteriedreper og rydde opp utstyret, i henhold til produsentens anbefalinger. Lagre alle datafilene samles og lage en sikkerhetskopi på FTP-serveren.
Fyll deltakeren regneark: merk en bestemt hendelse eller problem under datainnsamling. Slette alle informasjonskapsler fra nettleseren.

6. data Pre-prosessering og eksport til integrert programvare

EEG
1. Import EEG data til EEG dataanalyse programvare:
  1. Lag tre tomme mapper på datamaskinen heter "Raw data", "historie" og "Export" for å lime den rå EEG data på den nyopprettede Raw datafil.
  2. I EEG data analyse programvare, kan du klikke på "File / Nytt prosjekt ..." og velg rådata plassering ved å klikke Bla gjennom, deretter velge den nyopprettede rå datafil. Velg plasseringen av "History" og "eksport" mapper på samme måte.
  3. Klikk på "OK". (Vinduet skal inneholde all deltakerens EEG data).
2. Pre-prosess hjernen signal:
  1. Påfør et filter og et hakk (klikk "Endringer / IIR filtre ..."). I vinduet, aktiverer den lave cutoff ved 1,5 Hz med en helling på 12 dB og den høye cutoff på 50 Hz med en helling på 12 dB. Også aktivere et hakk ved 60 Hz frekvens.
  2. Fordi en DC-forsterker anvendes, DC detrend signalet (klikk "Transformations / DC Detrend ... "og aktiver" basert på tid "på 100 ms før merket og 100 msek før DC-tilkobling).
  3. Utfør en rå data inspeksjon (Klikk "Transformation / Raw data inspeksjon ..." og velg halvautomatisk artefakt fjerning). Velg følgende: maksimal spenning 60 uV / ms; Max-min: 200 uV i 200 ms intervall; amplitude: -400 til 400 uV).
  4. Utføre en automatisk ICA med klassisk sphering for øye blink fjerning (vet myographic gjenstander ikke må fjernes fordi deres utvalg er utenfor frekvensene av interesse). (Klikk "Transformations / ICA ...". På slutten av ICA, prosessen den inverse ICA.)
  5. Re-referanse ("Transformasjoner / Re-referanse ...") signalet og velg "vanlig gjennomsnittlig".
  6. Export (klikk "Export / Generic Data Export ...") signalet og markører i tekstformat (Velg ".vhdr"; boks) for en eventuell Matlab bygging av oppdraget indeksen. Velg også "Write header fil" og "Write markør fil" bokser.
3. Importere signalet i Matlab.
  1. Starter Matlab og skriv "eeglab" så GUI av EEGLab vises og Import dataene for en deltaker om gangen. I GUI, velger elementet menyen "Fil / Importer data / Bruke EEGLab funksjoner og plugins / Fra Brain Vis Rec .vhdr fil".
  2. I kommandovinduet, limer et skript ¹⁶ som genererer et engasjement indeks.
    MERK: kognitive inngrep skriptet beregnes av gjennomsnitt av hver Beta / (alfa + theta) forholdet i en 20 sek skyvevindu forut for tidspunktet T. Denne prosedyren gjentas hvert sekund, og en ny skyvevindu blir brukt til å oppdatere indeksen.
4. I MS Excel, åpne tekstfilen av oppdraget indeks som er generert ved slutten av skriptet av Matlab og bruke en z-score normalisering på EEG-data til å tillate inter sammenligning. (For hver verdi, beregne denne formelen i Excel: Z = (verdi - samlet gjennomsnittlig) / generelle standardavvik.)
5. Redd z-poeng engasjement indeksen signal i en CSV-fil i MS Excel. (Klikk Fil / Lagre som ... og velg CSV i formatet type.)
6. Gjenta prosedyren (fra trinn 6.1.2.2.) For hver deltaker.
Fysiologi:
1. Import EDA data i fysiologiske dataanalyse programvare.
2. Bruk disse parametrene til pre-prosessen fysiologiske signal:
  1. Påfør en logaritmisk transformasjon å normalfordelingen ledningsevne som per Venables og Christies ²³ metoden.
  2. Flat signalet på en 10 sek skyvevindu ^24.
3. Innenfor den fysiologiske programvare, beregne en z-poengsum normalisering på EDA data for å tillate inter sammenligning. (Z = (verdi - samlet gjennomsnittlig) / generelle standardavvik).
  1. Markere alle data med markøren fra EDA kanal.
  2. I toppmenyen, velg EDA kanal, og velg "betyr" å få gjennomsnittsverdien av den samlede kanal. Også velge EDA kanalen og «stdDev" for å oppnå standardavviket verdien av den samlede kanalen.
  3. For å beregne z-poeng ligningen, klikk på "Transformation / Waveform Math ..." og velg EDA kanal i Kilde 1. Velg "-" (minus) i matematisk operasjon vinduet og velg K i kilde 2. Velg "New omgivelse" i destinasjonsmenyen og angi middelverdien av EDA-kanal (se trinn 6.2.3.2). Velg "Transform hele bølgen", klikk OK og klikk "Transformation / Waveform Math ...". Velg EDA-K kanal i kilde 1, velg "/" (splitt) i matematisk operasjon vinduet velger K i kilde 2, velg "New omgivelse" i destinasjon og enter standardavviket verdien av EDA kanal (trinn 6.2.3.2). Velg "Transform hele bølgen" og klikk OK.
4. Eksportere signal (arousal) i en CSV-fil. (Klikk Fil / Lagre som ... og velg CSV i formatet type.)
Automatisk ansikts følelser gjenkjennelse:
1. Import videodata fra mediespilleren til automatisk ansikts følelser gjenkjennelse programvare. (Klikk på "File / New ... / Deltaker ...". Etter å ha valgt en ny deltaker i prosjektet menyen ved å klikke på den, klikk på "File / New / Analyse / Video ...". Klikk på forstørrelsesglasset ved siden Analyse 1 og velg ønsket videofil.
  1. Velg en offline analyse for "hver tredje frame" og aktiver "kontinuerlig kalibrering".
  2. Eksport valens data i en CSV-fil. (Klikk "Options / Settings / Logging ...", sjekk "Skriv valens verdi til loggfilen" boksen. Klikk på "File /Export ... ", velg det stedet der loggfilene vil bli eksportert, og sjekke" Save detaljert logg "boksen.)
  3. Åpne CSV-filen i MS Excel. Kopier valensdatakolonne i en enkelt kolonne av SPSS programvare. Klikk på "Analyse / descriptives Statistikk / descriptives" og velg bare limt variabelnavn. Kryss av i boksen "Lagre standardiserte verdier i variablene". En kolonne med en z-score vil vises. Copy-paste disse z-score over de gamle dataene i Excel-filen.
2. Lagre Excel-fil med z-score til signalet (valens) i CSV-format.

7. Data Integration og synkronisering

I atferdsanalyse programvare:
1. Import eye-tracking videoer (atferds engasjement). (Klikk på "File / Import / video i en ny observasjon ...". Navn til ny observasjon og velg ønsket videofil.)
2. Koden hver video med relevant behaviors og kontekstuelle hendelser (tids markører, høyre / gale svar).
3. Importere alle eksterne data med passende overskrift: z-score på EEG-signalet (kognitiv engasjement), z-score på EDA signal (følelsesmessig engasjement), z-score på valens data (følelsesmessig engasjement). (Klikk på "File / Import / eksterne data ...". Velg riktig filtype og velg riktig CSV-fil.)
Synkroniser tiden mellom datamaskiner i henhold til følgende formler:
1. Tid i øye blikket fra tid i EEG = Tid i øyet blikket + andre merke i EEG - første merket i øyet blikket.
2. Tid i øyet blikket fra tid i ansikts følelser anerkjennelse = Tid i øyet blikket + første merket i ansikts følelser - første merket i øyet blikket.
3. Tid i øye blikket fra tid i elektrodermal aktivitet = Tid i øyet blikket + første merket i elektrodermal aktivitet - første merket i øyet blikket.
Angi offset data ved å trykke "Ctrl + Shift + =221 ;, for å åpne Offset menyen. Velg "Numerisk offset" til å angi tid i sekunder mellom hvert par av datakilder [OK?]), Ifølge beregningene ovenfor.
Generere en rapport i henhold til de variabler av interesse for studiet.
1. Velg interessante variabler som vil bli generert i rapporten (klikk "Analyze / Velg Data / New Profile data ..."). Fra venstre, skyver de ønskede variablene mellom "Start" boksen og "resultater" boksen, på høyre side.
2. Generere rapporten. (Klikk "Analyze / Numerical Analysis / Ny ...", klikk "Statistikk" og sjekke gjennomsnitts boksen i det eksterne data menyen. Avslutt med å klikke på "Beregn".)
Eksportere data til statistisk analyse programvare og utføre analyse ifølge studien mål.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Figurene 2 og 3 viser skjermbilder av resultatene av integrering og synkronisering av atferds, emosjonelle og kognitive engasjement data i en adferdsanalyse program. I begge figurene, venstre delen organiserer forsøkspersoner og kodeverk. I den midtre delen, en video (med røde prikker) viser emnet øye blikk i løpet av oppgaven. Motivets atferds engasjement kan utledes basert på hva han / hun er ute på i løpet av oppgaven og hvilke tiltak er iverksatt. I den nedre delen, er en tid da synkront rulle i tre spor av data: EDA (opphisselse) og ansikts følelser valens for følelsesmessig engasjement og EEG engasjement indeks for kognitiv engasjement. Når data er samlet inn fra alle fag, programvaren gir også grunnleggende deskriptiv statistikk som kan til slutt bli brukt til å utføre inter analyse i annen statistisk analyse programvare.

ent "fo: keep-together.within-side =" always "> Figur 2

Figur 2. flerdimensjonale Engagement data i begynnelsen av en problemløsende Task. En skjermdump av et emne i begynnelsen av en problemløsende fase. Eleven leser innledningen til problem: øyet blikket er på den tredje linjen. På denne tiden (den røde linjen representerer en tid markør), har motivets opphisselse nettopp passert en topp på påvente av problemet som skal løses, men er fortsatt høy sammenlignet med baseline, synes emosjonell valens nøytral, og EEG kognitiv engasjement virker på sitt høyeste . Klikk her for å se en større versjon av dette tallet.

Figur 3
Figur 3. flerdimensjonale Engagement data During en pause i Task. data fra en pause før en problemløsende oppgave. Denne pausen er nyttig å etablere fagets grunnlinjen like før oppgaven. Her, fordi motivets øyne er lukket, valens data er ikke tilgjengelig. Kognitiv engasjement (EEG signal) stiger noe fra sitt minimum. Faget er langsomt gjen engasjerende med oppgaven, i påvente slutten av pausen. Opphisselse (EDA signal) er stadig synkende. Klikk her for å se en større versjon av dette tallet.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

I form av kritiske trinnene i protokollen, må det først påpekes at datakvaliteten er alltid hovedfokus for nevrofysiologiske samling teknikker. I denne metoden, må forskningsassistenter være spesielt oppmerksom på å instruere de fagene for å minimere hodebevegelser som vil forstyrre valens overvåking (miste riktig ansikt vinkel for kameraet) eller genererer myographic artefakter i EEG. På den annen side må en balanse opprettholdes mellom ektheten av fast problemløsning og tiltak gjøres for mer ergonomisk datainnsamling. Det er også viktig å merke seg at EEG datainnsamling er utsatt for elektromagnetiske svingninger i miljøet. Tradisjonelle EEG fasiliteter prøve å isolere sitt apparat fra elektromagnetiske svingninger med Faraday bur. Men fordi noe av utstyret som brukes i denne metodikken ville generere elektromagnetiske svingninger (hovedsakelig eye-tracking device) inne Faraday bur, ther tilnærming ville være ineffektiv. Vi overvinne de elektromagnetiske problemer ved å betale spesiell oppmerksomhet til jording og skjerming alle elektriske apparater.

Som for modifikasjoner og feilsøking med teknikken, den første synkroniseringen strategi avhengig av synkroniseringsprogramvaren evne til nettopp "start" datainnsamling på flere datamaskiner og programmer sammen. Fordi kritiske og inkonsistente forsinkelser mellom datamaskiner og programmer ble observert, ble post-samling resynkronisering nødvendig. Derfor ble en syncbox enheten lagt til arkitekturen. Den syncbox sender en TTL markør til alle datamaskiner og programmer som samler data. Synkronisering blir et spørsmål om å beregne forsinkelsen mellom første syncbox markører.

En begrensning av den teknikk som må nevnes er presisjonen av signalanalyse, som er begrenset av den kognitive inngrep indeksen. På grunn avgrunnleggende forutsetninger i FFT, er denne indeksen generert på 1 sek epoke grunnlag: den kognitive engasjement script genererer en verdi hvert sekund. I dette paradigmet, som fokuserer på ekte problemløsning, er denne tidsrammen akseptabelt, men mer presise studier av engasjement kan støte noen begrensninger med denne tidsrammen for analyse.

Med hensyn til eksisterende / alternative fremgangsmåter, må det bemerkes at valens-følelsesmessig kan også avledes med blodvolum trykket ^{18, 25} sensorer. Denne teknikken kan også bli integrert i videre forskning for å evaluere nøyaktigheten i forhold til valensen signal fra ansikts følelser gjenkjenning. Vi bør også nevne at den kognitive engasjement indeksen brukt i denne studien er en velkjent en som har vært brukt i tidligere publisert forskning. Noen produsenter av lette EEG enheter hevder å gi en tilsvarende tiltak, men det er vanskelig å vurdere kvaliteten på de rå og bearbeidet data sidensine algoritmer er upublisert.

Til slutt presenterer denne teknikken mange anvendelsesmuligheter i ulike felt. Selvfølgelig vil det være av verdi i feltet av utdanning. Blant andre muligheter, kan dette engasjementet vurderingen teknikken være et kraftig verktøy for å informere selvfølgelig designere. For eksempel, som Martens, Gulikers og Bastiaens ²⁶ observerte, "ganske ofte, utviklere pleier å legge multimedia add-ons, simuleringer, og så videre, hovedsakelig fordi teknologien gjør det mulig, selv om de ikke er basert på grundig pedagogisk analyse og design . "Dermed nevrofysiologiske data kunne informere designere om et bestemt add-on er verdifull, hvis innholdet er for komplisert, hvis de foreslåtte læringsstrategier er effektiv, etc. I tillegg åpner sanntid vurdering av elevens engasjement for muligheter på adaptive e-læring eller e-vurderings miljøer. Vi kan forutse en elev, iført en lett EEG hjelm, varslet av systemet when hans / hennes engasjement nivå er synkende og, for eksempel, blir bedt om å ta pause eller reagere deretter. Det vil også være mulig å utvikle adaptive vurdering oppgaver, basert på inngreps indekser. En god del forskning og utvikling blir nå gjennomført i innovative innen hjerne-datamaskin-grensesnitt (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).