Summary

Bedöma Flera dimensioner of Engagement att karaktärisera Learning: neurofysiologisk perspektiv

Published: July 01, 2015
doi:

Summary

This paper aims to describe the techniques involved in the collection and synchronization of the multiple dimensions (behavioral, affective and cognitive) of learners’ engagement during a task.

Abstract

In a recent theoretical synthesis on the concept of engagement, Fredricks, Blumenfeld and Paris1 defined engagement by its multiple dimensions: behavioral, emotional and cognitive. They observed that individual types of engagement had not been studied in conjunction, and little information was available about interactions or synergy between the dimensions; consequently, more studies would contribute to creating finely tuned teaching interventions. Benefiting from the recent technological advances in neurosciences, this paper presents a recently developed methodology to gather and synchronize data on multidimensional engagement during learning tasks. The technique involves the collection of (a) electroencephalography, (b) electrodermal, (c) eye-tracking, and (d) facial emotion recognition data on four different computers. This led to synchronization issues for data collected from multiple sources. Post synchronization in specialized integration software gives researchers a better understanding of the dynamics between the multiple dimensions of engagement. For curriculum developers, these data could provide informed guidelines for achieving better instruction/learning efficiency. This technique also opens up possibilities in the field of brain-computer interactions, where adaptive learning or assessment environments could be developed.

Introduction

Engagemang spelar en avgörande roll i lärandet. För Clark och Mayer 2, "allt lärande kräver engagemang," oavsett leveransmedia. Zhang et al. 3 föreslog också att en ökad elevernas engagemang kan förbättra lärandemål, såsom problemlösning och kritiskt tänkande. Definiera engagemang är fortfarande en utmaning. I sin litteraturgenomgång, Fredricks, Blumenfeld och Paris 1 definierade ingrepp med sin mångfacetterade natur: "Beteende engagemang bygger på idén om deltagande; det inkluderar deltagande i akademiska och sociala eller fritidsaktiviteter. (…) Emotionell engagemang omfattar positiva och negativa reaktioner på lärare, klasskamrater, akademiker och skola och förmodas skapa band till ett objekt och påverka viljan att göra jobbet. Slutligen drar kognitiv engagemang på idén om psykisk investeringar; Det omfattar eftertänksamhet och vilja att utöva ansträngningen NECdigt att förstå komplexa idéer och master svåra kompetens. "

Fredricks, Blumenfeld och Paris 1 hävdade också att fokus på beteende, känslor och kognition, inom begreppet engagemang, kan ge en rikare karakterisering av lärande. Dessa författare påpekade att en robust kropp forskning behandlar varje komponent i ingrepp separat, men dessa komponenter hade inte studerats i samband. De konstaterade också att lite information finns tillgänglig om samspelet mellan dimensionerna och att fler studier skulle kunna bidra till att planera finstämda undervisningsinsatser. Som ett steg i den riktningen, beskriver detta dokument en forskningsmetodik som utvecklats för att samla in och analysera kvantitativa och kvalitativa data, synkront på beteendemässiga, känslomässiga och kognitiva engagemang under inlärningsuppgifter.

Att de neurovetenskap till utbildning

BehavIOR, och därmed beteende engagemang, har länge varit en central del av studier i utbildning: forskningsdesign fokuserade främst på förändringar i kunskap och beteende förekommer under långa tidsperioder, mellan för- och eftertester, och över intervaller timmar, veckor , månader eller år. Diskriminerande mellan beteendemässiga, känslomässiga och kognitiva engagemang förblir en utmaning, eftersom de senaste två dimensioner är inte systematiskt observeras externt. Kognition och känslor måste antingen härledas från observationer eller bedöms med självrapportåtgärder. Från en extern synvinkel, är det fortfarande svårt att avgöra om eleverna försöker att få jobbet gjort så snabbt som möjligt eller med hjälp av inlärningsstrategier djup nivå att behärska ett specifikt innehåll. I själva verket, Fredricks, Blumenfeld och Paris 1 kunde inte hitta några publicerade studier med direkta, objektiva mått på kognitiv engagemang.

Senaste tekniska utvecklingen iinom neurovetenskap har skapat nya möjligheter för forskning inom utbildning. Nya metoder för datainsamling och analys algoritmer utvecklats inom neuro ergonomi verkar mycket lovande för kvalitativa och kvantitativa studier under inlärningsuppgifter. Andra discipliner, såsom ekonomi, psykologi, marknadsföring och ergonomi, har använt neurofysiologiska mätningar för att utvärdera kognitiva engagemang för en tid 4-8. Neurofysiologiska åtgärder, i kombination med effektiva analysalgoritmer, tillåter en att studera ett fenomen utan att störa den. Av sin natur, självrapportenkäter lossa studenter från lärande. Neurofysiologiska åtgärder tillåter forskningsdesign som ska genomföras i mer autentiska inlärningsmiljöer. Dessa verktyg inkluderar utrustning för att övervaka hjärtfrekvens, andningsfrekvens, blodtryck, kroppstemperatur, pupilldiameter, elektrodermal aktivitet, elektroencefalografi (EEG), osv.

<stRong> Gathe Synchronized Uppgifter om Behavioral, emotionell och kognitiv Engagement

Som representativa resultat efter användning av detta protokoll, kommer detta papper att presentera delresultat från en studie där eleverna hade att lösa, på en datorskärm, tio problem inom mekanisk fysik. Dessa problem har utvecklats i tidigare arbete 9. Neurofysiologiska uppgifterna samlades in under eleverna var att lösa problemen och att koppla av under en 45 s paus, med slutna ögon, efter varje problem.

Som nämnts ovan, beteendemässiga data engagemang består av mjukvaru interaktioner (musrörelser och klick), öga blick, prestanda och svar på frågor som producerats av en elev att interagera med systemet samtidigt utföra uppgiften 1. En eye-tracking system används för att samla programvara interaktioner och ögon blick uppgifter. Prestandadata (tid för att lösa ett problem, korrekthet svar) samlades på enundersökning webbplats som användes för att presentera uppgiften. Denna webbplats har också använts för att samla självrapportdata som samlas in med ett frågeformulär anpassat från Bradley och Lang 10. Emotionell engagemang innebär karakterisering av känslor. Enligt Lang 11, är känslor kännetecknas i termer av valens (trevlig / obehagliga) och upphetsning (lugn / väckte). Uppgifter emotionellt engagemang sågs därför samlas in, med hjälp av automatisk ansiktsigenkänning känslor erkännanden mjukvaran som kvantifierar emotionella valens och en elektrodermal aktivitet kodare / sensor för upphetsning 12,13. Elektrodermal aktivitet (EDA) avser den inspelade elektriska motståndet mellan två elektroder när en mycket svag elektrisk ström kontinuerligt skickas mellan dem. Cacioppo, Tassinary och Berntson 14 visade att motståndet registreras varierar beroende på patientens upphetsning. Således, psykofysiologiska data, såsom valens eller upphetsning, betraktas som korrelat av emotionellt engagemang.

<pclass = "jove_content"> Slutligen kognitiva uppgifter engagemang samlas in via elektroencefalografi (EEG). EEG åtgärder, i hårbotten, den synkroniserade elektriska aktiviteten hos grupper av neuroner i hjärnan. Elektriska signaler som spelats in från hårbotten är ofta oscillerande och som består av frekvenskomponenter. Av konvention förekommer dessa frekvenser grupperas i sekvenser, som kallas band. Till exempel, alfa, beta och teta band står i fokus för denna studie. Enligt neurovetenskapliga studier 14, dessa band speglar olika kognitiva bearbetningsförmåga i vissa områden av hjärnan. Analysen av effektspektrum (PSD) i vissa frekvenser, i kombination med ett stort antal studier 7,15 på vakenhet och uppmärksamhet, kan forskarna att kvantifiera kognitiv engagemang under en uppgift. Som al. Mikulka et 16 noterade, har forskning visat ett direkt samband mellan beta-aktivitet och kognitiv vakenhet och en indirekt relation mellan alfa end theta aktivitet och vakenhet. Således påven, Bogart och Bartoleme 7 utvecklat ett engagemang index som beräknar PSD av tre band: beta / (alfa + theta). Detta förhållande har validerats i andra studier på engagemang 16,17,18. För att karakterisera kognitiv engagemang över tiden, en snabb Fouriertransform (FFT) omvandlar EEG-signalen från varje aktiv plats (F3, F4, O1, O2) i ett effektspektrum. EEG engagemang index vid tidpunkten T beräknas med genomsnittet av varje ingreppsförhållande inom 20 sekunder skjutfönster som föregår tidpunkten T. Denna procedur upprepas vartannat och en ny skjutfönster används för att uppdatera indexet.

Eftersom syftet med denna metod är att ge en rik analys av de olika dimensionerna av engagemang, är datasynkronisering avgörande. Som al. Leger et 19 påminna läsarna, tillverkare av utrustning rekommenderar starkt att använda endast en dator per mätverktyg för att garantera deras angivna precision level. Så när flera datorer används, synkronisering mellan inspelnings datorer blir ett kritiskt steg. Inspelningarna kan inte alla vara igång vid exakt samma tid, och varje dataströmmen har sin specifika tidsram (t.ex. sek 0 av eye tracking ≠ sekund 0 av EEG eller fysiologiska data). Detta är oerhört viktigt: desynkronisering mellan dataströmmar betyder fel i kvantifieringen av varje dimension av engagemang. Det finns olika sätt att synkronisera samtidiga fysiologiska och beteende inspelningar. Dessa metoder kan indelas i två huvudinriktningar; direkt och indirekt 20. Protokollet presenteras i nästa avsnitt är baserad på en indirekt metod där en extern enhet, en syncbox, används för att skicka transistortransistorlogik (TTL) signaler till alla färdskrivaren (såsom visas i fig 1). Eftersom varje del av utrustningen har en annan starttid, är TTL markörer registreras i loggfilerna med en relativ fördröjning. Markörer används sedan för att justera signalerna och därmed säkerställa korrekt synkronisering efter varje inspelning. En beteendeanalys program som tillåter extern fil integration används för att åter synkronisera tidslinjen för varje dataström och utföra kvantitativ och kvalitativ analys av varje dimension av engagemang.

Figur 1
Figur 1. Arkitektur för datainsamling System. Labbet miljö där beteende (eye-tracking), emotionell (EDA och ansikts känslor) och kognitiva (EEG) ingrepps uppgifter samlas in innehåller många datorer. Detta väcker en synkroniserings utmaning för data som refereras på deras respektive datorklockor. För att kunna analysera alla data i samma referenstiden innebär labbet setup en syncbox som skickar TTL-signaler till alla dataströmmar.nk "> Klicka här för att se en större version av denna siffra.

För att utvärdera precisionen av metoden i form av synkronisering, var 45 sekunder pauser införas innan var och en av de mekaniska fysik problem. Under dessa pauser, försökspersonerna hade att slappna av och blunda. Som framgår av andra studier 4,9,16,17,18 bör dessa pauser inducerar betydande variationer i den uppsamlade signalen: de två ögats pupill prickar i eye-tracking omedelbart försvinna (beteende engagemang) och en omedelbar nedgång i kognitiv engagemang (EEG signal) observeras. Dessa särskilda komponenter av signalen används för att utvärdera den allmänna giltigheten av synkroniseringen. Den nyare publikation över papper som helt eller delvis är beroende av denna synkroniseringsförfarande inom informationssystem 19, människa och maskin interaktion 21 och utbildning 9, 22, ger belägg för dess effektivitet.

Protocol

Detta protokoll fått en etisk intyg från Comité institutionnel de la recherche avec des êtres humains (CIER) de l'Université du Québec à Montréal (UQAM) som godkändes av HEC-Montreal för Tech3Lab forskningsanläggning. Protokollet beskriver vart och ett av de särskilda åtgärder som utförs i vår labbmiljö och utrustning. Även om exakta mjukvaru vägar finns för att klargöra den metod, är denna teknik överlåtas och kan replikeras med andra proprietära eye-tracking, automatisk ansikts känslor er…

Representative Results

Figurerna 2 och 3 visar skärmdumpar av resultaten av integration och synkronisering av beteende, emotionella och kognitiva uppgifter engagemang i en beteendeanalys program. I båda figurerna, sektionen vänstra organiserar försökspersoner och kodningsschema. I den mellersta delen, en video (med röda prickar) visar subjektets öga blick under uppgiften. Ämnet beteende engagemang kan härledas baserat på vad han / hon tittar på under uppdraget och vilka åtgärder som vidtas. I den nedre dele…

Discussion

När det gäller kritiska steg inom protokoll, bör det först påpekas att datakvaliteten är alltid i fokus för neurofysiologiska insamlingsmetoder. I denna metod, måste forskarassistenter ägna särskild uppmärksamhet åt att instruera de ämnen för att minimera huvudrörelser som stör valens övervakning (förlora rätt ansikte vinkel för kameran) eller genererar myographic artefakter i EEG. Å andra sidan, måste bibehållas en balans mellan äkthet verkliga problemlösning och insatser görs för mer insamli…

Disclosures

The authors have nothing to disclose.

Acknowledgements

The authors acknowledge the financial support of the Social Sciences and Humanities Research Council of Canada (SSHERC), Natural Sciences and Engineering Research Council of Canada (NSERC), Fonds de Recherche Nature et Technologies du Québec (FQRNT) and Fonds de Recherche sur la Société et Culture du Québec (FQRSC).

Materials

EGI GSN-32  EGI n/a Dense array EEG
Netstation v.5.0 EGI n/a 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 n/a Facial emotion recognition software
Syncbox Noldus n/a 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 n/a 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 n/a Neon positioned on computer screen in order to correctly light the face of subjects
MediaRecorder Noldus n/a Video data collection software
Tobii X60 Tobii n/a Collect eye-movement patterns :  used to record subjects’ eye movement patterns at 60Hz during the experiment. 
Tobii Studio v.3.2 Tobii n/a Eye-tracking data collection and analysis software
Analyzer 2 Brainvision n/a 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 n/a Online survey environment

References

  1. 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).
  2. Clark, R. C., Mayer, R. E. . E-learning and the Science of Instruction. , (2011).
  3. 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).
  4. 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).
  5. Glimcher, P., Rustichini, A. Neuroeconomics: The consilience of brain and decision. Science. 306 (5695), 447-452 (2004).
  6. Lieberman, M. D. Social Cognitive neuroscience: A review of core processes. Annu. Rev. Physiol. 58, 259-289 (2007).
  7. 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).
  8. Mandryk, R., Inkpen, K. Physiological indicators for the evaluation of co-located collaborative play. , (2004).
  9. 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).
  10. 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).
  11. Lang, P. J. The emotion probe: Studies of motivation and attention. Am. Psychol. 50 (5), 372-385 (1995).
  12. Ekman, P., Felt Friesen, W. false, and miserable smiles. J. Nonverbal Behav. 6 (4), 238-252 (1982).
  13. Van Kuilenburg, H., Den Uyl, M. J., Israël, M. L., Ivan, P. Advances in face and gesture analysis. , 371-372 (2008).
  14. Cacioppo, J., Tassinary, L. G., Berntson, G. G. . Handbook of Psychophysiology. , (2007).
  15. 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).
  16. 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).
  17. 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).
  18. 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).
  19. Courtemanche, F., Ortiz de Guinea, A., Titah, R., Fredette, M., Labonté-LeMoyne, &. #. 2. 0. 1. ;. 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).
  20. 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).
  21. Courtemanche, F. . Un outil d’évaluation neurocognitive des interactions humain-machine Doctoral thesis. , (2014).
  22. Charland, P., Léger, P. M., Mercier, J., Skelling-Desmeules, Y. Assessing multiple dimensions of learner engagement during science problem solving using psychophysiological and behavioral measures. , (2014).
  23. Venables, P. H., Christie, M. J., Martin, I., Venables, P. Electrodermal activity. Techniques in Psychophysiology. , 3-67 (1980).
  24. Boucsein, W. . Electrodermal Activity. , (2012).
  25. 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).
  26. 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).

Play Video

Cite This Article
Charland, P., Léger, P., Sénécal, S., Courtemanche, F., Mercier, J., Skelling, Y., Labonté-Lemoyne, E. Assessing the Multiple Dimensions of Engagement to Characterize Learning: A Neurophysiological Perspective. J. Vis. Exp. (101), e52627, doi:10.3791/52627 (2015).

View Video