Behavior

La evaluación de las múltiples dimensiones de compromiso para caracterizar aprendizaje: una perspectiva neurofisiológica

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

Compromiso juega un papel crucial en el aprendizaje. Para Clark y Mayer ^2, "todo aprendizaje requiere compromiso," independientemente de los medios de entrega. Zhang et al. ³ también sugiere que una mayor participación de los estudiantes puede mejorar los resultados de aprendizaje, tales como la resolución de problemas y habilidades de pensamiento crítico. Definir el compromiso sigue siendo un desafío. En su revisión de la literatura, Fredricks, Blumenfeld y París ¹ definen su participación por su naturaleza multifacética: "compromiso conductual se basa en la idea de la participación; que incluye la participación en las actividades académicas y sociales o extracurriculares. (...) El compromiso emocional abarca reacciones positivas y negativas a los maestros, compañeros de clase, académicos y de la escuela y se presume para crear vínculos con un objeto y la influencia voluntad de hacer el trabajo. Por último, el compromiso cognitivo se basa en la idea de la inversión mental; incorpora seriedad y voluntad de ejercer el nec esfuerzonece- comprender ideas complejas y maestros habilidades difíciles ".

Fredricks, Blumenfeld y París ¹ también afirmaron que un enfoque en el comportamiento, la emoción y la cognición, dentro del concepto de compromiso, puede proporcionar una caracterización más rica de aprendizaje. Estos autores señalaron que un cuerpo robusto de la investigación se dirige a cada componente de la participación por separado, pero estos componentes no se habían estudiado en conjunto. También observaron que hay poca información disponible acerca de las interacciones entre las dimensiones y que más estudios podrían contribuir a la planificación de las intervenciones de enseñanza finamente sintonizados. Como un paso en esa dirección, este trabajo describe una metodología de investigación que se ha desarrollado para recopilar y analizar datos cuantitativos y cualitativos, sincrónicamente, sobre el compromiso conductual, emocional y cognitivo durante las tareas de aprendizaje.

Llevar las Neurociencias en Educación

Behavior, y el compromiso en consecuencia del comportamiento, ha sido durante mucho tiempo el foco central de los estudios en la educación: diseños de investigación se centraron principalmente en los cambios en el conocimiento y el comportamiento que ocurren durante largos períodos de tiempo, entre pre y post-test, y en intervalos de horas, semanas , meses o años. Discriminar entre el compromiso conductual, emocional y cognitiva sigue siendo un desafío, porque las últimas dos dimensiones no son sistemáticamente observable externamente. La cognición y las emociones o bien deben ser inferidas a partir de observaciones o evaluados con medidas de auto-informe. Desde un punto de vista externo, sigue siendo difícil determinar si los estudiantes están tratando de hacer su trabajo lo más rápido posible o el uso de estrategias de aprendizaje a nivel profundo para dominar un contenido específico. En realidad, Fredricks, Blumenfeld y París ¹ no pudieron encontrar ningún estudio publicado que utilizan medidas directas y objetivas de compromiso cognitivo.

Recientes desarrollos tecnológicos enel campo de las neurociencias han creado nuevas posibilidades para la investigación en la educación. Nuevos métodos de recopilación de datos y algoritmos de análisis desarrollados en el campo de la ergonomía neuro parecen muy prometedores para los estudios cualitativos y cuantitativos durante las tareas de aprendizaje. Otras disciplinas, como la economía, la psicología, el marketing y la ergonomía, la han estado utilizando mediciones neurofisiológicas para evaluar el compromiso cognitivo durante algún tiempo ^4-8. Medidas neurofisiológicas, junto con algoritmos de análisis eficientes, permiten estudiar un fenómeno sin perturbarla. Por su naturaleza, los cuestionarios de auto-reporte desenganchan estudiantes de aprendizaje. Medidas neurofisiológicas permiten diseños de investigación que se lleven a cabo en entornos de aprendizaje más auténtico. Estas herramientas incluyen equipos para monitorear la frecuencia cardíaca, la frecuencia respiratoria, la presión arterial, la temperatura corporal, diámetro de la pupila, la actividad electrodérmica, electroencefalografía (EEG), etc.

Como resultados representativos tras el uso de este protocolo, este trabajo presenta resultados parciales de un estudio en el que los alumnos tuvieron que resolver, en una pantalla de ordenador, diez problemas de la física mecánica. Estos problemas se han desarrollado en trabajos anteriores ^9. Datos neurofisiológicos se recogieron mientras que los alumnos estaban resolviendo los problemas y relajarse durante las vacaciones a 45 s, con los ojos cerrados, después de cada problema.

Como se mencionó anteriormente, los datos de compromiso de comportamiento consisten en interacciones de software (los movimientos del ratón y los clics), la mirada, el rendimiento y las respuestas a las preguntas producidos por un aprendiz de interactuar con el sistema, mientras que el cumplimiento de la tarea ^1. Se utilizó un sistema de seguimiento ocular para recoger las interacciones de software y los datos de la mirada de los ojos. Los datos de rendimiento (tiempo para resolver un problema, la corrección de las respuestas) se recogieron en unpágina web encuesta que se utilizó para presentar la tarea. Este sitio web también se utilizó para recopilar datos de autoinforme recolectados con un cuestionario adaptado de Bradley y Lang ^10. Compromiso emocional implica la caracterización de las emociones. Según Lang ^11, las emociones se caracterizan en términos de valencia (agradable / desagradable) y la excitación (calma / despertaron). Datos de compromiso emocional fueron consecuencia recogidos, utilizando software de reconocimiento de emociones faciales automático que cuantifica valencia emocional y una actividad codificador / sensor electrodérmica para la excitación ^12,13. La actividad electrodérmica (EDA) se refiere a la resistencia eléctrica entre dos electrodos grabado cuando una corriente eléctrica muy débil se hace pasar de manera constante entre ellos. Cacioppo, Tassinary y Berntson ¹⁴ mostraron que la resistencia grabado varía de acuerdo a la excitación del sujeto. Así, los datos psicofisiológicos, como valencia o la excitación, se consideran como correlatos de compromiso emocional.

14, estas bandas reflejan diferentes habilidades de procesamiento cognitivo en áreas específicas del cerebro. Por lo tanto, el análisis de la densidad espectral de potencia (PSD) de frecuencias específicas, en combinación con numerosos estudios ^7,15 en el estado de alerta y la atención, permite a los investigadores para cuantificar compromiso cognitivo durante una tarea. Como señaló Mikulka et al. ^16, la investigación ha demostrado una relación directa entre la actividad beta y el estado de alerta cognitiva y una relación indirecta entre un alfad actividad theta y el estado de alerta. De este modo, el Papa, Bogart y Bartolemé ⁷ desarrollaron un índice de compromiso que calcula el PSD de tres bandas: beta / (alfa + theta). Esta relación fue validado en otros estudios sobre la participación ^16,17,18. Para caracterizar compromiso cognitivo en el tiempo, una transformada rápida de Fourier (FFT) convierte la señal de EEG de cada sitio activo (F3, F4, O1, O2) en un espectro de potencia. El índice EEG compromiso en el tiempo T se calcula la media de cada relación de compromiso dentro de una ventana deslizante 20 sec precedente tiempo T. Este procedimiento se repite cada segundo y una nueva ventana deslizante se utiliza para actualizar el índice.

Dado que el objetivo de esta metodología es proporcionar un rico análisis de las múltiples dimensiones del compromiso, la sincronización de datos es crucial. Como Leger et al. ¹⁹ recuerdan los lectores, los fabricantes de equipos recomiendan encarecidamente el uso de una sola computadora por herramienta de medición para garantizar su precisión especificada level. Por lo tanto, cuando se emplean varios equipos, la sincronización entre ordenadores de grabación se convierte en un paso crítico. Las grabaciones no pueden todos ser iniciado en el mismo momento, y cada flujo de datos tiene su marco de tiempo específico (por ejemplo, sec 0 de seguimiento de los ojos ≠ seg 0 de EEG o los datos fisiológicos). Esto es extremadamente importante: desincronización entre los flujos de datos significa errores en la cuantificación de cada dimensión de compromiso. Hay diferentes maneras de sincronizar las grabaciones fisiológicas y conductuales concurrentes. Estos métodos pueden dividirse en dos enfoques principales; directa e indirecta ^20. El protocolo presentado en la siguiente sección se basa en un enfoque indirecto donde un dispositivo externo, un SyncBox, se utiliza para enviar lógica transistor-transistor (TTL) señales a todo el equipo de grabación (como se muestra en la Figura 1). Como cada equipo tiene una hora de inicio diferente, los marcadores TTL están registrados en los archivos de registro con un familiar demora. Los marcadores se utilizan entonces para realinear las señales y por lo tanto garantizar una correcta sincronización después de cada grabación. Un programa de software de análisis de comportamiento que permite la integración archivo externo se utiliza para volver a sincronizar la línea de tiempo de cada flujo de datos y realizar el análisis cuantitativo y cualitativo de cada dimensión de compromiso.

Figura 1. Arquitectura del Sistema de Recolección de Datos. El entorno de laboratorio en los que la conducta (eye-tracking), emocional (EDA y la emoción facial) y datos (EEG) de compromiso cognitivo se recogen contiene muchas computadoras. Esto plantea un reto para la sincronización de datos que se hace referencia en sus respectivos relojes de los ordenadores. Para ser capaz de analizar todos los datos en el mismo tiempo de referencia, la configuración de laboratorio implica un SyncBox que envía señales TTL a todos los flujos de datos.nk "> Haga clic aquí para ver una versión más grande de esta figura.

Para evaluar la precisión de la metodología en términos de sincronización, 45 seg pausas se introdujeron antes de cada uno de los problemas de la física mecánica. Durante estas pausas, los sujetos tenían que relajarse y para cerrar sus ojos. Como se ha visto en otros estudios ^{4,9,16,17,18,} estas pausas deben inducir variaciones significativas en la señal recogida: los dos puntos pupila del ojo en (el compromiso de comportamiento) de seguimiento ocular inmediatamente desaparece y una caída inmediata en el compromiso cognitivo (EEG señal) se observa. Estos componentes específicos de la señal se utilizan para evaluar la validez general de la sincronización. La reciente publicación de documentos que total o parcialmente dependen de este procedimiento de sincronización, en los campos de los sistemas de información ^19, interacciones hombre-máquina ²¹ y educación ^{9, 22,} proporciona evidencia de su eficacia.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Este protocolo ha recibido un certificado de ética del Comité institutionnel de la recherche avec des êtres humains (CIER) de l'Université du Québec à Montréal (UQAM), que fue aprobado por HEC-Montreal para la instalación de investigación Tech3Lab. El protocolo describe cada uno de los pasos específicos que se realizan en nuestro entorno de laboratorio y equipo. Aunque caminos de software precisas se proporcionan para aclarar la metodología, esta técnica es transferible y puede ser replicado con otro eye-tracking propietario, reconocimiento automático emoción facial, la actividad electrodérmica y equipo de electroencefalografía y software.

1. Configuración del entorno de laboratorio

Encienda el eye-tracker, el amplificador de EEG, los cuatro equipos de grabación y los altavoces.
Preparar la instalación del aparato de control:
1. Preparar la instalación EEG con material requerido según RECOME del fabricanteprocedimientos nded. Preparar el software EEG para el próximo participante. Inicie el software de seguimiento ocular y crear un nuevo perfil de los participantes en el software. Inicie el software de grabación de vídeo y las cámaras.
2. Inicie el software de sincronización con el subprograma específico creado para el proyecto con marcadores en 60 seg. Inicie el software de medición fisiológica (para registrar la actividad electrodérmica) y abra el diseño específico creado para el proyecto. Ajuste la silla del participante al nivel más alto.

2. Preparación del Participante

Pida al participante a leer y firmar el formulario de consentimiento ético.
Realizar mediciones del cráneo para EEG:
1. Encuentra la ubicación Cz en la cabeza del participante (según 10-20 sistemas de referencia). Sumergir la red EEG en la solución salina (cloruro de potasio) (véase el paso 1.2.1) e iniciar un temporizador (10 min) de conformidad con las normas del fabricante. </ Li>
Lea el objetivo del estudio y de los pasos en el experimento para el participante: "El objetivo de este estudio es observar su actividad cerebral mientras contesta problemas de física. En primer lugar vamos a instalar los sensores, a continuación, se le pedirá para resolver 10 problemas de la física newtoniana en el equipo. Le pediremos que tomar un descanso de 45 segundos después de cada problema con los ojos cerrados. Después de cada problema, se le pedirá que califique su evaluación del problema ".
Dígale al objeto de que la duración total del experimento será de 90 minutos.
Instale los sensores fisiológicos, de acuerdo con las recomendaciones del fabricante: dos sensores gelificadas en la parte superior de la mano izquierda.
Instalar la tapa de EEG, de acuerdo con las recomendaciones del fabricante y realizar una comprobación de impedancia con un umbral a 40 kW (de acuerdo con las especificaciones del fabricante).

3. Recolección de Datos

Asegúrese de que todo el software de grabación está listo para ser iniciado en sincronía:
1. Fisiología (datos EDA): Haga clic en el botón "Inicio".
2. La grabación de vídeo: Haga clic en el botón "Abrir".
3. Eye-tracking: Haga clic en el botón "en espera".
4. EEG: Haga clic en el botón "Grabar".
5. Software de sincronización: Haga clic en el botón "círculo verde".
Ojo de calibración mirada:
1. Realice una de cinco puntos de calibración en pantalla y observar el participante mientras él / ella sigue los puntos rojos (haga clic en "Herramientas / Configuración / Calibración ..."). Repita este procedimiento hasta que se logre la suficiente precisión, de acuerdo a las normas del fabricante.
Instrucciones de la tarea proyectar sobre la pantalla del participante: pregunta si él / ella tiene alguna pregunta después de leerlos, y si él / ella está listo para iniciar el experimento.
Pida al participante para resolver 10 p newtonianahysics problemas.
Si es necesario, realice una comprobación de la impedancia durante uno de los 45 s se rompe (no antes de que el problema 5).
Asegúrese de que el participante toma descanso el pleno 45 s antes de cada problema (para determinar la línea de base).

4. Fin de Recolección de Datos

Deje de adquisición de datos en todos los equipos y retire los sensores de la participante.

5. Después de que el Participante ha dejado

Limpie la tapa de EEG con germicida y poner en orden el equipo, de acuerdo con las recomendaciones del fabricante. Guarde todos los archivos de datos recogidos y crear una copia de seguridad en el servidor FTP.
Rellene la hoja de cálculo participante: tomar nota de cualquier evento o problema particular durante la recolección de datos. Borrar todas las cookies del navegador web.

6. Los datos pre-procesamiento y exportación con el Software de Integración

EEG
1. Importar datos de EEG EEG en el software de análisis de datos:
  1. Crear tres carpetas vacías en el equipo denominado "Historia" "datos brutos" y "Exportar" para pegar los datos de EEG en bruto en el archivo de datos sin procesar de nueva creación.
  2. En el EEG software de análisis de datos, haga clic en "Archivo / Nuevo proyecto ..." y elegir la ubicación de los datos en bruto, haga clic en Examinar y seleccione el archivo de datos en bruto de nueva creación. Elija la ubicación de la "Historia" y las carpetas "exportación" de la misma manera.
  3. Haga clic en "Aceptar". (La ventana debe contener todos los datos de EEG de los participantes).
2. Pre-proceso de la señal del cerebro:
  1. Aplicar un filtro y una muesca (haga clic en "Transformaciones / filtros IIR ..."). En la ventana, active la corte bajo en el 1,5 Hz con una pendiente de 12 dB y el alto de corte a 50 Hz con una pendiente de 12 dB. También permitirá una muesca a 60 Hz de frecuencia.
  2. Debido a que se utiliza un amplificador DC, DC Detrend la señal (Haga clic en "Transformations / DC Detrend ... "y permitir", basada en el tiempo "en 100 ms antes del MP y 100 milisegundos antes de conexión de CC).
  3. Realice una inspección de datos en bruto (Haga clic en "Transformación / inspección de los datos sin procesar ..." y seleccione la eliminación de artefactos semiautomático). Seleccione las siguientes: Tensión máxima 60 mV / ms; Max-min: 200 mV en 200 ms intervalo; amplitud: -400 a 400 mV).
  4. Realizar una ICA automática con sphering clásico para la eliminación de un abrir y cerrar de ojos (artefactos miográficas no necesitan ser removidos, ya que su rango se encuentra fuera de las frecuencias de interés). (Haga clic en "Transformaciones / ACI ...". Al final de la ACI, el proceso de ICA inversa.)
  5. Re-referencia ("Transformaciones / Re-referencia ...") la señal y seleccione "promedio común".
  6. Exportación (haga clic en "Exportar / Genérico Exportar datos ...") la señal y marcadores en formato de texto (Seleccione el ".vhdr"; caja) para una construcción Matlab eventual del índice de participación. Seleccione también el "archivo de cabecera de escritura" y cajas "de archivos de marcador de escritura".
3. Importe la señal en Matlab.
  1. Iniciar Matlab y escriba "eeglab" por lo que la interfaz gráfica de usuario de EEGLab aparece e Importación de los datos de un participante a la vez. En la GUI, seleccione el punto de menú "Archivo / Importar datos / Uso de las funciones EEGLab y plugins / De Cerebro Vis Rec .vhdr archivo".
  2. En la ventana de comandos, pegue un guión ¹⁶ que genera un índice de compromiso.
    NOTA: La secuencia de comandos de compromiso cognitivo se calcula el promedio de cada / relación Beta (Alpha Theta +) dentro de un tiempo T. 20 seg ventana deslizante anterior Este procedimiento se repite cada segundo y una nueva ventana deslizante se utiliza para actualizar el índice.
4. En Microsoft Excel, abra el archivo de texto del índice de participación que se genera al final de la secuencia de comandos de Matlab y aplicar un z-SCORe normalización en los datos de EEG para permitir la comparación interindividual. (Para cada valor, calcular esta fórmula en Excel: Z = (valor - media general) / desviación estándar global.)
5. Guarde la señal de índice de compromiso z-score en un archivo CSV en MS Excel. (Haga clic en Archivo / Guardar como ... y seleccione CSV en el tipo de formato.)
6. Repita el procedimiento (desde el paso 6.1.2.2.) Para cada participante.
Fisiología:
1. Importar datos de EDA en fisiológica software de análisis de datos.
2. Aplicar estos parámetros pre-proceso de la señal fisiológica:
  1. Aplicar una transformación logarítmica para normalizar la distribución de la conductancia como por Venables y de Christie ²³ método.
  2. Plano de la señal en un segundo 10 ventana deslizante ^24.
3. Dentro del software fisiológica, calcular una normalización z-score en los datos de EDA para permitir la comparación entre sujetos. (Z = (valor - media general) / desviación estándar global).
  1. Resalte todos los datos con el cursor del canal de EDA.
  2. En el menú superior, seleccione el canal EDA, y seleccione "significa" para obtener el valor medio del canal general. También seleccione el canal de EDA y "STDDEV" para obtener el valor de la desviación estándar del canal general.
  3. Para calcular la ecuación z-score, haga clic en "Transformación / forma de onda matemática ..." y seleccione el canal EDA en Fuente 1. Seleccione "-" (menos) en la ventana de operación matemática y seleccione K en la fuente 2. Seleccione "Nuevo destino" en el menú de destino e introduzca el valor medio del canal de EDA (consulte el paso 6.2.3.2). Seleccione "Transformar ola entero", haga clic en Aceptar y haga clic en "Transformación / forma de onda matemática ...". Seleccione el canal de EDA-K en la fuente 1, seleccione "/" (división) en la ventana de operación matemática, seleccione K en la fuente 2, seleccione "Nuevo destino" en el destino y enter el valor de la desviación estándar del canal de EDA (etapa 6.2.3.2). Seleccione "Transformar toda la onda" y haga clic en Aceptar.
4. Exportación de la señal (excitación) en un archivo CSV. (Haga clic en Archivo / Guardar como ... y seleccione CSV en el tipo de formato.)
Facial automático reconocimiento de emociones:
1. Importar datos de vídeo de la grabadora multimedia en el software de reconocimiento automático de emociones faciales. (Haga clic en "Archivo / Nuevo ... / participante ...". Después de seleccionar un nuevo participante en el menú proyecto, haga clic sobre él, haga clic en "Archivo / Nuevo / Análisis / Video ...". Haga clic en la lupa junto al Análisis 1 y elegir el deseado archivo de vídeo.
  1. Seleccionar un análisis fuera de línea para "cada tercer fotograma" y activar "la calibración continua".
  2. Datos de valencia exportación en un archivo CSV. (Haga clic en "Opciones / Configuración / registro ...", marque la casilla "Escribir valor de valencia al archivo de registro" caja. Haga clic en "Archivo /Exportar ... ", elija la ubicación donde se exportarán los archivos de registro, y comprobar la" caja detallado registro "Guardar.)
  3. Abra el archivo CSV en MS Excel. Copie la columna de datos de valencia en una sola columna de software SPSS. Haga clic en "Analizar / Estadísticas Descriptivos / Descriptivos" y seleccione el nombre de la variable acaba de pegar. Marque la casilla "Guardar valores tipificados en las variables". Aparecerá una columna con un z-score. Copiar y pegar estas puntuaciones z más de los datos antiguos en el archivo de Excel.
2. Guarde el archivo de Excel con las puntuaciones z de la señal (valencia) en formato CSV.

7. Integración de Datos y Sincronización

En el software de análisis de comportamiento:
1. Vídeos eye-tracking de importación (de compromiso de comportamiento). (Haga clic en "Archivo / Importar / video en una nueva observación ...". Nombre de la nueva observación y seleccione el archivo de vídeo deseado.)
2. Código cada vídeo con ser pertinenteconductas y eventos contextuales (marcadores de tiempo, respuestas correctas / incorrectas).
3. Importar todos los datos externos con el encabezado apropiado: z-score de la señal EEG (compromiso cognitivo), z-score de señal de EDA (compromiso emocional), z-score de datos de valencia (compromiso emocional). (Haga clic en "Archivo / Importar / datos externos ...". Seleccione el tipo de archivo adecuado y seleccione el archivo CSV correcto.)
Sincronizar la hora entre los equipos de acuerdo a estas fórmulas:
1. Tiempo en el ojo mirada de vez en EEG = Tiempo en la mirada + segundo marcador en EEG - primer marcador en la mirada.
2. Tiempo en la mirada de vez en reconocimiento de emociones faciales = Tiempo en la mirada + primer marcador en la emoción facial - primer marcador en la mirada.
3. Tiempo en el ojo mirada de vez en la actividad electrodérmica = Tiempo en la mirada + primer marcador de la actividad electrodérmica - primer marcador en la mirada.
Introduzca los datos de corrección con la tecla "Ctrl + Shift + =221 ;, para abrir el menú Desplazamiento. Seleccione "numérico compensado" para entrar en el tiempo en segundos entre cada par de fuentes de datos [OK?]), De acuerdo con los cálculos anteriores.
Generar un informe de acuerdo con las variables de interés en el estudio.
1. Seleccione las variables interesantes que se generarán en el informe (haga clic en "Analizar / Seleccionar datos / Nuevo perfil de datos ..."). Desde la izquierda, deslice las variables deseadas entre la caja de "Inicio" y los "resultados" caja, a la derecha.
2. Generar el informe. (Haga clic en "Analizar / Numérica Análisis / Nuevo ...", haga clic en "Estadísticas" y marque la casilla media en el menú de datos externo. Finalizar haciendo clic en "Calcular".)
Exportar los datos en el software de análisis estadístico y realizar análisis de acuerdo con los objetivos del estudio.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Las figuras 2 y 3 muestran capturas de pantalla de los resultados de la integración y la sincronización de los datos de compromiso de comportamiento, emocionales y cognitivas en una aplicación de software de análisis de comportamiento. En ambas figuras, la sección izquierda organiza los sujetos de la investigación y el esquema de codificación. En la sección central, un video (con puntos rojos) muestra la mirada del sujeto durante la tarea. Compromiso de comportamiento del sujeto puede inferir sobre la base de lo que él / ella está mirando durante la tarea y qué medidas se toman. En la sección inferior, un marcador de tiempo se desplaza de forma sincrónica en tres pistas de datos: la EDA (excitación) y valencia emociones faciales para el compromiso emocional y el índice de participación de EEG para el compromiso cognitivo. Cuando los datos se recogen de todos los temas, el software también proporciona estadísticas descriptivas básicas que con el tiempo se pueden utilizar para realizar análisis interindividual en otro software de análisis estadístico.

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

Figura 2. Multidimensional Compromiso de datos en el comienzo de una tarea de resolución de problemas. Una captura de pantalla de un sujeto en el comienzo de una fase de resolución de problemas. El alumno está leyendo la introducción al problema: la mirada ojo está en la tercera línea. En este momento (la línea roja representa un cursor de tiempo), la excitación del sujeto acaba de aprobar un máximo de anticipación del problema a resolver, pero todavía es alto en comparación con la línea base, valencia emocional parece neutral, y el compromiso cognitivo EEG parece en su máximo . Haga clic aquí para ver una versión más grande de esta figura.

Figura 3. Compromiso de datos multidimensionales During una Pausa en la tarea. Los datos de una pausa antes de una tarea de resolución de problemas. Esta pausa es útil para establecer la línea de base del sujeto justo antes de la tarea. En este caso, porque los ojos del sujeto están cerrados, los datos de valencia no están disponibles. Compromiso cognitivo (señal EEG) está aumentando ligeramente de su mínimo. El sujeto está poco a poco volver a enganchando con la tarea, anticipando el final de la pausa. La excitación (señal EDA) está en constante declive. Por favor, haga clic aquí para ver una versión más grande de esta figura.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

En cuanto a los pasos críticos en el protocolo, primero hay que señalar que la calidad de los datos es siempre el foco principal de las técnicas de recolección neurofisiológicos. En esta metodología, asistentes de investigación deben prestar especial atención a las instrucciones a los sujetos para minimizar los movimientos de cabeza que interferirán con el monitoreo de valencia (perdiendo ángulo de la cara correcta para la cámara) o generar artefactos miográficas en el EEG. Por otro lado, un equilibrio debe mantenerse entre la autenticidad de la resolución de problemas reales y las intervenciones hecho para la recogida de datos más ergonómico. También es importante observar que la recogida de datos EEG está sujeto a fluctuaciones electromagnéticos en el entorno. Instalaciones de EEG tradicionales tratan de aislar su aparato de las fluctuaciones electromagnéticas con jaulas de Faraday. Sin embargo, debido a que algunos de los equipos utilizados en esta metodología sería generar fluctuaciones electromagnéticas (principalmente el dispositivo de seguimiento ocular) dentro de la jaula de Faraday, THes el enfoque sería ineficaz. Superamos los problemas electromagnéticos, prestando especial atención a la puesta a tierra y protección de todos los dispositivos eléctricos.

En cuanto a las modificaciones y resolución de problemas con la técnica, la estrategia de sincronización inicial se basó en la capacidad del software de sincronización de precisión "iniciar" la recopilación de datos en varios equipos y programas juntos. Debido a que se observaron retrasos críticos e inconsistentes entre ordenadores y programas, después de la recolección de resincronización se hizo necesaria. En consecuencia, se añadió un dispositivo SyncBox a la arquitectura. El SyncBox envía un marcador TTL a todos los equipos y programas que recopilan datos. La sincronización se convierte en una cuestión de cálculo del retardo entre los primeros marcadores SyncBox.

Una limitación de la técnica que debe ser mencionado es la precisión de análisis de la señal, que está limitado por el índice de compromiso cognitivo. Debido a lasupuestos básicos de la FFT, se genera este índice en una base época 1 seg: el guión de compromiso cognitivo genera un valor cada segundo. En este paradigma, que se centra en la resolución de problemas auténticos, este plazo es aceptable, pero los estudios más precisos de compromiso podría encontrar algunas limitaciones con este marco de tiempo para el análisis.

Con respecto a los métodos existentes / alternativa, debe tenerse en cuenta que la valencia emocional también se puede derivar con la presión del volumen de sangre ^{18, 25} sensores. Esta técnica también podría integrarse en futuras investigaciones para evaluar su exactitud en comparación con la señal de valencia de software de reconocimiento de emoción facial. También hay que mencionar que el índice de participación cognitiva utilizada en este estudio es un bien conocido que se ha utilizado en la investigación anterior publicada. Algunos fabricantes de dispositivos EEG ligeros pretenden proporcionar una medida similar, pero es difícil evaluar la calidad de los datos en bruto y procesados desdesus algoritmos son inéditos.

Finalmente, esta técnica presenta muchas posibles aplicaciones en diferentes campos. Por supuesto, será de valor en el campo de la educación. Entre otras posibilidades, esta técnica de evaluación de compromiso podría ser una herramienta poderosa para informar a los diseñadores del curso. Por ejemplo, como observaron Martens, Gulikers y Bastiaens ²⁶ ", muy a menudo, los desarrolladores tienden a agregar multimedia complementos, simulaciones, etc., sobre todo porque la tecnología hace que sea posible, a pesar de que no se basan en el análisis de la educación cuidadosa y diseño . "Por lo tanto, los datos neurofisiológicos podrían informar diseñadores si un complemento específico es valioso, si el contenido es demasiado compleja, si las estrategias de aprendizaje propuestos son eficientes, etc. Además, la evaluación en tiempo real de compromiso alumno abre posibilidades para la adaptación e-learning o e-evaluación de entornos. Podemos prever un aprendiz, que llevaba un casco ligero EEG, siendo advertido por el sistema cuando planeesn su / su nivel de compromiso está disminuyendo y, por ejemplo, llevó a hacer una pausa o reaccionar en consecuencia. También sería posible desarrollar las tareas de evaluación de adaptación, basado en los índices de participación. Una buena cantidad de investigación y desarrollo actualmente se están realizando en el campo innovador de interfaces cerebro-ordenador (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).