Behavior

Nişan Çoklu Boyutları değerlendirilmesi Öğrenme karakterize etmek: Bir Nörofizyolojik Perspektif

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

Nişan öğrenmede önemli bir rol oynar. Clark ve Mayer ² için, ne olursa olsun teslim medya "Tüm öğrenme, nişan gerektirir". Zhang ve ark. ³ de artmış öğrenci nişan gibi problem çözme ve eleştirel düşünme becerileri gibi öğrenme çıktılarını, artırabilir önerdi. Nişan tanımlama bir sorun olmaya devam etmektedir. Onların edebiyat derlemede, Fredericks, Blumenfeld'in ve Paris ¹ onun çok yönlü doğası gereği nişan tanımlamıştır: "Davranışsal nişan katılımı fikrine çizer; akademik ve sosyal ya da ders dışı etkinliklere katılımı içerir. (...) Duygusal nişan öğretmenler, sınıf arkadaşları, akademisyenler ve okula olumlu ve olumsuz tepkiler kapsar ve işi yapmak için bir nesne ve etkisi istekli bağları oluşturmak olduğu tahmin edilmektedir. Son olarak, bilişsel nişan zihinsel yatırım fikri üzerine çekiyor; Bu düşünce ve çaba yerde sınıflandırılmamış uygulamak için istekli içeriyoraçıklı karmaşık fikirleri ve master zor becerileri kavrayabilme. "

Fredericks, Blumenfeld'in ve Paris ¹ de davranış, duygu ve biliş odaklanma, nişan kavramı içinde, öğrenme zengin bir karakterizasyonu sağlayabilir iddia etti. Bu yazarlar araştırma sağlam bir vücut ayrı angajman her bileşeni adresleri işaret, ancak bu bileşenler birlikte okudu olmasaydı. Onlar da az bilgi boyutları arasında ve daha fazla çalışma ince ayarlı öğretim müdahaleleri planlama katkıda ki etkileşimleri hakkında mevcut olduğu görülmektedir. Bu yönde bir adım olarak, bu kağıt toplamak ve öğrenme görevleri sırasında, davranışsal, duygusal ve bilişsel nişan üzerinde eşzamanlı nicel ve nitel veriler, analiz için geliştirilmiş bir araştırma yöntem anlatılmaktadır.

Eğitim içine Nörobilim getirmek

Behavözellikle öncesi ve sonrası testler arasındaki uzun süre üzerinde meydana gelen bilgi ve davranış değişiklikleri üzerinde duruldu araştırma tasarımları ve saat arayla, hafta boyunca: ior ve dolayısıyla davranış nişan, uzun eğitimde çalışmalarının odak noktası olmuştur , ay veya yıl. Son iki boyut dışarıdan sistematik gözlemlenebilir olmadığı için, davranışsal, duygusal ve bilişsel nişan ayırt bir sorun olmaya devam etmektedir. Biliş ve duyguların ya gözlemlerden anlaşılmaktadır ya da öz-rapor önlemleri ile değerlendirilmelidir. Bakış harici açıdan bakıldığında, öğrencilerin işlerini mümkün olduğunca çabuk veya belirli bir içeriği master derin düzey öğrenme stratejileri kullanarak olarak halletmek için çalışıyoruz olmadığını belirlemek güçtür. Aslına bakılırsa, Fredericks, Blumenfeld'in ve Paris ¹ bilişsel nişan doğrudan, nesnel önlemler kullanarak herhangi yayınlanmış çalışmaları bulamadık.

Son teknolojik gelişmelersinirbilimlerden alan eğitiminde araştırma için yeni imkanlar yaratmıştır. Yeni veri toplama yöntemleri ve nöro ergonomi alanında geliştirilen analiz algoritmaları öğrenme görevleri sırasında nitel ve nicel araştırmalar için çok umut verici görünüyor. Ekonomi, psikoloji, pazarlama ve ergonomi gibi diğer disiplinler, bir süre ^4-8 bilişsel nişan değerlendirmek için nörofizyolojik ölçümler kullanılarak yapılmıştır. Verimli analiz algoritmaları ile birleştiğinde nörofizyolojik tedbirler, bir o bozmadan bir fenomen incelemek için izin verir. Doğaları gereği, öz-bildirim anketleri öğrenme öğrencileri ayırın. Nörofizyolojik önlemler araştırma tasarımları daha otantik öğrenme ortamlarında yürütülecek izin verir. Bu araçlar vb kalp atışlarının izlenmesi için ekipman, solunum hızı, kan basıncı, vücut ısısı, öğrenci çapı, elektrodermal aktivite, elektroensefalografi (EEG), sayılabilir.

Temsili sonuçlar bu protokolün kullanımını takiben, bu kağıt öğrenenler, bir bilgisayar ekranında, mekanik fizik on sorunları çözmek zorunda olduğu bir çalışmanın kısmi sonuçlarını sunacak. Bu sorunlar, önceki çalışmalarda ⁹ geliştirildi. Gözleri her sorunun ardından, kapalı öğrenenler, problemleri çözmek ve bir 45 s mola sırasında rahatlatıcı iken nörofizyolojik veriler toplanmıştır.

Yukarıda belirtildiği gibi, davranışsal nişan veri görevi ¹ gerçekleştirirken sistemi ile etkileşen bir öğrenci tarafından üretilen sorulara yazılım etkileşimleri (fare hareketleri ve tıklamaları), göz bakışları, performans ve cevapları oluşmaktadır. Bir göz-takip sistemi yazılımı etkileşimleri ve göz bakışları veri toplamak için kullanıldı. Performans verileri (bir sorunu çözmek için zaman, cevapların doğruluğu) bir toplandıgörevi sunmak için kullanılan anket sitesi. Bu web sitesi aynı zamanda Bradley ve Lang ¹⁰ uyarlanmış bir anket ile toplanan öz-bildirim verileri toplamak için kullanıldı. Duygusal nişan duyguların karakterizasyonu içerir. Lang ¹¹ göre, duyguların değerlik açısından karakterize edilir (hoş / nahoş) ve uyarılma (sakin / uyandırdı). Duygusal nişan verileri buna göre duygusal değerlik ve uyarılma ^12,13 için bir elektrodermal aktivite kodlayıcı / sensörü rakamlarla otomatik yüz duygu tanıma yazılımı kullanarak, toplandı. (EDA) çok zayıf bir elektrik akımı sürekli, aralarında geçirilir iki elektrot arasında kaydedilen elektrik direnci belirtir. Cacioppo'nun, Tassinary ve Berntson ¹⁴ kaydedilen direnç deneğin uyarılma göre değişir gösterdi. Bu durumda, bu valans veya uyarılma olarak psiko-fizyolojik veriler, duygusal angajman bağıntılı olarak görülmektedir.

14 göre, bu bantlar beynin belirli bölgelerinde farklı bilişsel işleme yeteneklerini yansıtır. Böylece, uyanıklık ve dikkat konusunda çok sayıda çalışmalar ^7,15 ile birlikte belirli frekanslarda güç spektral yoğunluğu (PSD) analizi, araştırmacılar bir görev sırasında bilişsel nişan ölçmek için izin verir. Mikulka ve ark., ¹⁶ belirtildiği gibi, araştırma, beta aktivitesi ve bilişsel uyanıklık ve alfa An arasındaki dolaylı ilişki arasında doğrudan bir ilişki göstermiştird teta aktivitesi ve uyanıklığı. Beta / (alfa + teta): Böylece, Papa, Bogart ve Bartoleme ⁷ üç bant PSD hesaplar bir nişan endeksi geliştirdi. Bu oran nişan ^16,17,18 diğer çalışmalarda doğrulanmıştır. Zamanla bilişsel nişan karakterize etmek için, bir Hızlı Fourier dönüşümü (FFT) bir güç spektrumu içine her aktif sitesinde (F3, F4, O1, O2) EEG sinyali dönüştürür. T zamanında EEG nişan endeksi Bu prosedür, her saniye yeni bir kayan pencere dizini güncelleştirmek için kullanılır tekrarlanır zaman T. önceki 20 saniye kayan pencere içinde her nişan oranı ortalama hesaplanır.

Bu metodolojinin amacı angajman birden boyutları zengin bir analizini sağlamak olduğu için, veri senkronizasyonu çok önemlidir. Leger ve ark., ¹⁹ okuyucuların hatırlatır gibi, ekipman üreticileri güçlü le onların belirtilen hassasiyet garanti ölçüm aracı başına yalnızca bir bilgisayar kullanmanızı öneririzvel. Böylece, birden fazla bilgisayarda kullanıldığı zaman, kayıt bilgisayarlar arasında senkronizasyon kritik bir adımdır olur. kayıtları tüm aynı anda başlamış olamaz ve her veri akışı (örneğin, gözün sn 0 EEG ya da fizyolojik verilerin sn 0 ≠ izleme) kendine özgü bir zaman çerçevesi vardır. Bu son derece önemlidir: veri akışları arasındaki dengeden çıkmanın angajman her boyut miktarının hataları demektir. Eşzamanlı fizyolojik ve davranışsal kayıtları senkronize farklı yolları vardır. Bu yöntemler, bu iki yaklaşımın ayrılabilir; doğrudan ve dolaylı ^20. Bir sonraki bölümde sunulan protokol (Şekil 1'de gösterildiği gibi) harici bir aygıt, bir syncbox, tüm kayıt ekipmanları için transistör-transistör mantığı (TTL) sinyalleri göndermek için kullanılan dolaylı bir yaklaşıma dayanmaktadır. Ekipmanın her parçası farklı bir başlangıç süresine sahip olarak, TTL belirteçleri bir akrabası ile günlük dosyalarında kaydedilir gecikme. İşaretleyiciler sonra sinyalleri realign ve böylece her kayıttan sonra doğru senkronizasyon sağlamak için kullanılır. Dış dosya entegrasyonunu sağlayan bir davranış analizi yazılım programı her veri akımının zaman çizelgesi yeniden eşitlemek için ve angajman her boyutun nicel ve nitel analizler gerçekleştirmek için kullanılır.

Veri Toplama Sistemi Şekil 1. Mimarlık. Laboratuar ortamı olan davranışsal (eye-tracking), tahsil duygusal (EDA ve yüz duygu) ve bilişsel (EEG) nişan verileri pek çok bilgisayar içeriyor. Bu kendi bilgisayar saatler başvurulan veri senkronizasyon sorununu da ortaya çıkarmaktadır. Aynı referans süre içinde tüm verileri analiz edebilmek için, laboratuar kurulumu tüm veri akışları TTL sinyalleri gönderen bir syncbox içerir."nk> bu rakamın daha büyük bir versiyonunu görmek için lütfen buraya tıklayınız.

Senkronizasyon açısından metodoloji hassasiyetini değerlendirmek için, 45 saniye duraklar mekanik fizik problemleri her önce tanıtıldı. Bu duraklamalar sırasında, denekler dinlenmek ve gözlerini kapatmak zorunda kaldı. Diğer çalışmalarda ^4,9,16,17,18 görüldüğü gibi, bu duraklar toplanan sinyal önemli farklılıklar neden gerekir: İki göz öğrenci nokta eye-tracking yok hemen (davranışsal angajman) ve bilişsel nişan ani bir damla (EEG sinyali) görülmektedir. Sinyalin Bu özel bileşenler senkronizasyon genel geçerliliğini değerlendirmek için kullanılır. kısmen veya tamamen bilgi sistemleri ^19, insan-makine etkileşimleri ²¹ ve eğitim ^{9, 22} alanlarında, bu senkronizasyon prosedürü güveniyor gazetelerin son yayın, etkinliğinin kanıt sağlar.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Bu protokol Tech3Lab araştırma tesisi için HEC-Montreal tarafından kabul edildi Comite institutionnel de la recherche avec des êtres humains (CIER) de l'Université du Québec Montréal à (uqam) bir etik sertifika aldı. protokolü laboratuar ortamında ve ekipman yapılmaktadır belirli adımların her biri açıklanmaktadır. Kesin yazılım yolları metodolojisini netleştirmek için sağlanan olmasına rağmen, bu tekniğin devredilemez ve diğer mülkiyet göz izleme, otomatik yüz tanıma duygu, elektrodermal aktivite ve elektroensefalografi teçhizat ve yazılım ile çoğaltılmış olabilir.

Lab Çevre 1. Kur

Göz izci, EEG amplifikatör, dört kayıt bilgisayar ve hoparlörler açın.
Kayıt ekipmanlarının kurulumunu hazırlayın:
1. Üreticinin konaklama tavsiye göre gerekli malzeme ile EEG kurulumu hazırlayınNDED prosedürler. Yaklaşan katılımcı için EEG yazılımını hazırlayın. Eye-tracking yazılımını başlatın ve yazılımı yeni bir katılımcı profili oluşturmak. Video kayıt yazılımı ve kameralar başlatın.
2. 60 sn işaretleri ile proje için oluşturulan özel bir alt yordam ile senkronizasyon yazılımını başlatın. Fizyolojik ölçüm yazılımı başlatın (Elektrodermal aktivite kayıt) ve proje için oluşturulan özel bir düzen açın. En üst seviyeye katılımcının sandalyeyi ayarlayın.

2. Katılımcı Hazırlık

Okumak ve etik onay formunu imzalamak için katılımcı değildir.
EEG için kafatası ölçümleri yapınız:
1. (- 20 referans sistemleri 10 göre) katılımcının kafasına Cz konumu bulun. Tuz çözeltisi (potasyum klorür) EEG net daldırın (adım 1.2.1) ve üreticinin standartlarına uygun olarak bir zamanlayıcı (10 dakika) başlatın. </ Li>
Çalışmanın amacını ve katılımcıya deneyde adımları Oku, "Bu çalışmanın amacı size fizik problemlerini cevap ise beyin aktivitesini gözlemlemektir. Önce sensörleri kuracak, sonra bilgisayarda 10 Newton fiziği sorunları çözmek için istenecektir. Biz gözlerin her sorunun kapandıktan sonra 45 saniye mola isteyecektir. Her sorunun ardından, sorunun değerlendirmenizi oranı istenecektir. "
Deneyin toplam süresi 90 dakika olacaktır konuyu söyle.
Üreticinin tavsiyelerine göre, fizyolojik sensörler yükleyin: İki jelleşmiş sensörler sol elin üstünde.
Üreticinin tavsiyelerine göre, EEG kapağını takın ve (üreticinin talimatlarına göre) 40 kohm bir eşik olan bir empedans kontrolü yapın.

3. Veri Toplama

Tüm kayıt yazılımı eşzamanlı başlatılan hazır olduğundan emin olun:
1. Fizyoloji (EDA verileri): "start" düğmesine tıklayın.
2. Video kayıt: "açık" butonuna tıklayın.
3. Eye-tracking: "beklemeye" düğmesini tıklayın.
4. EEG: "kayıt" düğmesini tıklayın.
5. Senkronizasyon yazılımı: "yeşil daire" düğmesini tıklayın.
Göz bakışları kalibrasyonu:
1. Beş noktalı ekran kalibrasyonunu gerçekleştirin ve o / o kırmızı noktalar takip ederken katılımcıyı gözlemlemek ("Araçlar / Ayarlar / Kalibrasyon ..." tıklayın). Yeterli doğruluk elde edilene kadar üreticinin standartlarına göre, bu işlemi tekrarlayın.
Katılımcının ekrana proje görev talimatları: o / o bunları okuduktan sonra herhangi bir soru olup olmadığını sormak ve o / o denemeyi başlatmak için hazır olup olmadığını.
10 Newton p çözmek için katılımcıdanhysics sorunları.
Gerekirse, 45 s sonları biri sırasında bir empedans denetimi gerçekleştirmek (değil sorunun 5 önce).
Emin katılımcı her sorunun önce tam 45 s mola alır emin olun (taban çizgisi belirlemek için).

Veri Toplama 4. Sonu

Tüm bilgisayarlarda veri toplama durdurun ve katılımcı sensörleri kaldırın.

5. Katılımcı Sol Has sonra

Üreticinin tavsiyelerine göre, antiseptik ile EEG kapağı temizleyin ve ekipmanı çeki düzen. Toplanan tüm veri dosyaları kaydedin ve FTP sunucusunda bir yedeğini oluşturun.
Katılımcı elektronik tabloda doldurun: Veri toplama sırasında herhangi bir olay ya da sorunu not edin. Web tarayıcısı tüm çerezleri silin.

Entegrasyon Yazılımı 6. Veri Ön işleme ve İhracat

EEG
1. EEG veri analiz yazılımı içine alma EEG veriler:
  1. Yeni oluşturulan Ham veri dosyasına ham EEG veri yapıştırmaya "Ham veri", "Geçmiş" ve "İhracat" adlı bilgisayarda üç boş klasörler oluşturun.
  2. EEG veri analizi yazılımı olarak, "Dosya / New Project ..." linkine tıklayın ve sonra yeni oluşturulan ham veri dosyası seçerek, Gözat'ı tıklatarak ham veriler konumu seçin. "Tarih" ve aynı şekilde "Export" klasörlerin yerini seçin.
  3. "Tamam" a tıklayın. (Pencere tüm katılımcının EEG verilerini içermelidir).
2. Ön işlem beyin sinyali:
  1. ("Dönüşümler / IIR filtreler ..." tıklayın) bir filtre ve bir çentik uygulayın. Penceresinde, 12 dB eğim ve 12 dB eğimle 50 Hz'de yüksek kesme ile 1.5 Hz düşük sınır değeri etkinleştirin. Ayrıca 60 Hz frekansında bir çentik etkinleştirin.
  2. DC amplifikatör kullanıldığı için, DC sinyali detrend ("Tra tıklayınişaretleyici önce 100 milisaniye ve DC bağlantı yapmadan önce 100 ms) de nsformations zamana dayalı / DC Detrend ... "ve etkinleştirin." "
  3. Bir ham veri incelemesi yapın ("Dönüşüm / Ham veri inceleme ..." tıklayın yarı otomatik artefakt kaldırılmasını seçin). Maksimum voltajda 60 uV / ms; aşağıdaki Seçiniz En-min: 200 ms aralığında 200 mV; genlik: -400 +400 mV).
  4. Göz kırpma kaldırılması için klasik sphering ile otomatik ICA gerçekleştir (kendi aralık ilgi frekansların dışında olduğundan myographic eserler kaldırılacak gerekmez). (ICA, süreç ters ICA sonunda. "... Dönüşümler / ICA" tıklayın.)
  5. Yeniden referans ("Dönüşümler / Yeniden referans ...") sinyali ve "ortak ortalama" seçeneğini seçin.
  6. İhracat ("İhracat / Jenerik Data Export ..." tıklayın) metin biçiminde sinyal ve belirteçler (Seç ".vhdr"; Nişan endeksi nihai Matlab inşaatı için kutu). Ayrıca "Yaz başlık dosyasını" ve "Yazma işaretleyici dosyası" kutularını seçin.
3. Matlab sinyal alma.
  1. Matlab başlatın ve EEGLab GUI bir seferde bir katılımcı için verileri görünür ve İthalat böylece "eeglab" yazın. GUI olarak seçin öğesi, menü "EEGLab fonksiyonları ve eklentileri kullanarak Dosya / İthalat Verileri / / Beyin Vis Rec itibaren .vhdr dosyası".
  2. Komut penceresinde, bir nişan indeksi oluşturan bir komut dosyası ¹⁶ yapıştırın.
    NOT: Bilişsel nişan komut Bu işlem 20 saniye sürgülü pencere önceki zaman T. içinde her Beta / (Alpha + Teta) oranının ortalama hesaplanır her saniye yeni bir kayan pencere dizini güncelleştirmek için kullanılır tekrarlanır.
4. MS Excel, Matlab ile komut sonunda oluşturulan nişan endeksi metin dosyasını açmak ve bir z-skorlaması uygulamakEEG verileri e normalleşme intersubject karşılaştırma izin vermek. (Her değer, Excel'de bu formülü hesaplamak: Z = (değer - genel ortalama) / genel standart sapma.)
5. MS Excel CSV dosyası olarak z-skor nişan endeksi sinyalini kaydedin. (... Olarak kaydet ve format türü seçin CSV / Dosya 'yı tıklatın.)
6. (Aşama 6.1.2.2 den.) Prosedürü tekrarlayın Her katılımcı için.
Fizyoloji:
1. Fizyolojik veri analizi yazılımı İthalat EDA verileri.
2. Fizyolojik sinyal-sürecini önceden bu parametreleri uygula:
  1. Venables ve Christie'nin ²³ yöntemine göre iletkenlik dağılımı normalleştirmek için bir logaritmik dönüşüm uygulayın.
  2. Pencereyi ²⁴ kayan bir 10 saniye Düz sinyali.
3. Fizyolojik yazılım içinde, intersubject karşılaştırma yapmak için EDA verileri z-skoru normalleştirme hesaplamak. (Z = (değer - genel ortalama) / genel standart sapma).
  1. EDA kanaldan imleci ile tüm verileri vurgulayın.
  2. Üst menüde, EDA kanalı seçmek ve genel kanalın ortalama değerini elde etmek için "demek" seçeneğini seçin. Ayrıca genel kanalın standart sapma değeri elde etmek için EDA kanal ve "STDDEV" seçeneğini seçin.
  3. Z-skoru denklemini hesaplamak için, "Dönüşüm / Dalga Matematik ..." linkine tıklayın ve Kaynak 1 EDA kanalı seçin. "-" I seçin matematiksel işlem penceresinde (eksi) ve hedef menüsünden "Yeni hedef" kaynak 2. yılında K seçin ve EDA kanalının ortalama değeri girin (adım 6.2.3.2 bakınız). "Tüm dalga Transform" seçin, Tamam'ı tıklatın ve "Dönüşüm / Dalga Matematik ..." butonuna tıklayınız. Seçin kaynak 1 EDA-K kanalı seçin "/" matematiksel işlem penceresinde (bölme), kaynak 2 seçeneğini K, hedef ve Ente "Yeni hedef" i seçinEDA kanalı (adım 6.2.3.2) standart sapma değeri r. Seçin "Tüm dalga Transform" ve Tamam'a tıklayın.
4. CSV dosyası sinyali (uyarılma) ihracat. (... Olarak kaydet ve format türü seçin CSV / Dosya 'yı tıklatın.)
Otomatik yüz duygu tanıma:
1. Otomatik yüz duygu tanıma yazılımı içine medya kaydedici İthalat video veri. (Yanındaki Analiz 1 büyüteç tıklayın. "... Dosya / Yeni / Analiz / Video". Bunun üzerine tıklayarak proje menüsünde yeni bir katılımcı seçtikten sonra, tıklayın "... Dosya / Yeni ... / Katılımcı" tıklayın ve istediğiniz seçin video dosyası.
  1. "Her Üçüncü kare" için bir çevrimdışı analiz seçin ve "sürekli kalibrasyon" etkinleştirin.
  2. CSV dosyası İhracat değerlik verileri. (/. Box "günlük dosyasına değerlik değerini yazın" Click "Dosya kontrol" ... Seçenekler / Ayarlar / Günlüğü "tıklayınİhracat ... detaylı log "kutucuğunu Kaydet", günlük dosyaları ihraç edilecek konumu seçin ve onay ".)
  3. MS Excel, CSV dosyasını açın. SPSS yazılımının tek bir sütunda değerlik veri sütunu kopyalayın. "Analiz / Veriler tanımlayıcı istatistikler / niteleyiciler" tıklayın ve sadece yapıştırılan değişken adını seçin. "Değişkenleri standart değerlerini kaydet" kutusunu işaretleyin. Z-skoru ile bir sütun belirecektir. Excel dosyasındaki eski verilerin üzerine bu z-puanları Kopya yapıştırın.
2. CSV formatında sinyali (değerlik) z-puanları Excel dosyasını kaydedin.

7. Veri Entegrasyonu ve Senkronizasyon

Davranışsal analiz yazılımında:
1. İthalat eye-tracking videoları (davranışsal nişan). (. "... Yeni Gözlem Dosya / İthalat / Video" tıklayın, yeni gözlem Adı ve istediğiniz video dosyasını seçin.)
2. Kod ilgili BE ile her videohaviors ve bağlamsal olaylar (zaman belirteçleri, doğru / yanlış cevap).
3. Uygun başlığı ile tüm harici veri alma: EEG sinyali (bilişsel nişan) z-skoru, EDA sinyali (duygusal nişan), değerlik verilerinin z-skoru (duygusal nişan) z-skoru. (. "... Dosya / İthalat / Harici Veri" tıklayın uygun dosya türünü seçin ve doğru CSV dosyasını seçin.)
Bu formüllere göre zaman bilgisayarlar arasında senkronize:
1. Göz bakışları ilk işaretleyici - göz Saat göz bakışları + ikinci işaretleyici EEG EEG = Time zaman bakışları.
2. Göz bakışları ilk işaretleyici - Göz bakışları + ilk işaretleyici yüz duygu yüz duygu tanıma = Zaman zaman göz bakışları Zaman.
3. Göz bakışları ilk işaretleyici - gözündeki Zaman elektrodermal aktivite göz bakışları + ilk marker = Zaman Elektrodermal aktivitede zaman bakışları.
"Tuşuna basarak ofset verileri girin Ctrl + Shift + =221 ;, Offset menüsünü açın. Seç "Sayısal offset" veri kaynaklarının her çifti arasındaki süreyi saniye cinsinden girmek için [OK?]), Yukarıdaki hesaplamalara göre.
Çalışmanın ilgi değişkenlere göre bir rapor oluşturun.
1. Raporda oluşacaktır ilginç değişkenleri seçin ("/ Seç Veri / Yeni Profil Verileri analiz ..." tıklayın). Soldan, sağ tarafta, "Başlat" kutusu ve "Sonuçlar" kutusuna arasında istenilen değişkenleri kaydırın.
2. Rapor oluşturun. ("İstatistik" tıklayın "... / Sayısal Analiz / Yeni Analiz" tıklayın "Hesapla" linkine tıklayarak dış veri menüsündeki. Son'u ortalama kutusunu işaretleyin.)
Istatistiksel analiz yazılımı veri İhracat ve çalışma hedefleri doğrultusunda analizi gerçekleştirmek.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Davranışsal analiz yazılım uygulamasında entegrasyon ve davranışsal, duygusal ve bilişsel nişan verilerinin senkronizasyonu sonuçlarının 2 ve 3 ekran rakamlar. Her iki şekillerde, sol bölümünde araştırma konularını ve kodlama şemasını düzenlemektedir. Orta kısmında, (kırmızı nokta) ile video görevi sırasında öznenin gözü bakışları gösterir. Kişinin davranış nişan almış ne o / o görev sırasında bakıyor ve hangi eylemlerin dayalı varılabilir. EDA (uyarılma) ve duygusal angajman ve bilişsel nişan için EEG nişan endeksi için yüz duygu değerliliği: alt bölümünde, bir zaman işaretleyici eşzamanlı üç veri pistlerde kaydırma. Veriler tüm konularda toplanan olduğunda, yazılım da sonunda diğer istatistiksel analiz yazılımı intersubject analizini gerçekleştirmek için kullanılabilecek temel tanımlayıcı istatistikleri sağlar.

hep ">:" keep-together.within-page = fo "ent Şekil 2,

Sorun çözme Görev Başında Şekil 2. Boyutlu Nişan Verileri. Bir problem çözme aşamasının başlangıcında bir konunun bir ekran görüntüsü. Öğrenci sorununa giriş okuyor: Göz bakışları üçüncü satırda olduğunu. Bu süre (kırmızı çizgi zaman imleç gösterir) At, öznenin uyarılma çözülecek problemin beklentisiyle bir zirveye geçti sadece ancak hala yüksek başlangıca kıyasla, duygusal değerlik nötr görünüyor ve EEG bilişsel nişan onun maksimum görünüyor . Bu rakamın büyük halini görmek için lütfen buraya tıklayınız.

Şekil 3,
ŞEKİL 3. boyutlu nişan Veri DurBir problem çözme görevi önce bir duraklama Görev. Veri Duraklama ing. Bu duraklama hemen görev önce deneğin düzeninizle yararlıdır. Öznenin gözleri kapalı, çünkü burada, değerlik veriler mevcut değildir. (EEG sinyali) Bilişsel nişan kendi minimum hafifçe yükseliyor. konu yavaş yavaş duraklama sonunu tahmin görevle yeniden çekici. Uyarılma (EDA sinyali) sürekli azalmaktadır. Bu rakamın büyük halini görmek için lütfen buraya tıklayınız.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Protokolü kapsamında kritik adımlar açısından, ilk veri kalitesi nörofizyolojik toplama teknikleri ana odak noktası her zaman olduğu işaret edilmelidir. Bu yöntemde, araştırma görevlileri (kamera için doğru yüz açısı kaybetme) değerlik izleme müdahale veya EEG myographic eserler üretecek kafa hareketleri en aza indirmek için konuların talimat özel dikkat gerekmektedir. Öte yandan, bir denge daha ergonomik veri toplama için yapılan gerçek problem çözme ve müdahalelerin orijinalliğini arasında muhafaza edilmelidir. Bu EEG veri toplama ortamında elektromanyetik dalgalanmalara maruz olduğuna dikkat etmek de önemlidir. Geleneksel EEG imkanları Faraday kafesi ile elektromanyetik dalgalanmalardan kendi aparatı izole çalışın. Ancak, bu yöntem kullanılan bazı ekipman Faraday kafesi içinde elektromanyetik dalgalanmalar (özellikle göz izleme cihazı) üretecek, çünkü inciyaklaşım etkisiz olacaktır olduğunu. Biz topraklama özellikle dikkat ve tüm elektrikli cihazları koruyucu elektromanyetik sorunları aşmak.

Değişiklikler ve tekniği ile sorun giderme gibi, ilk senkronizasyon stratejisi hassas bir şekilde birlikte birden çok bilgisayar ve programlar üzerinde veri toplama "start" senkronizasyon yazılımın kapasitesinin dayanıyordu. Bilgisayarlar ve programlar arasındaki kritik ve tutarsız gecikmeler gözlendi Çünkü post-tahsilat yeniden eşitleme gerekli oldu. Sonuç olarak, bir syncbox cihaz mimarisine ilave edildi. syncbox tüm bilgisayarların ve veri toplamak programlara TTL işaretleyici gönderir. Senkronizasyon ilk syncbox belirteçleri arasındaki gecikme hesaplama meselesi haline gelir.

Söz gereken tekniğin bir sınırlama bilişsel nişan endeksi ile sınırlıdır sinyal analizi, hassas olduğunu. NedeniyleFFT temel varsayımları, bu endeks 1 sn dönem bazında oluşturulur: bilişsel nişan komut bir değer her saniye oluşturur. Otantik problem çözme üzerinde duruluyor Bu paradigmada, bu zaman aralığı kabul edilebilir, ama angajman daha hassas çalışmalar analiz için bu süre bazı sınırlamalar karşılaşabilirsiniz.

Alternatif / mevcut yöntemleri ile ilgili olarak, duygusal valans aynı zamanda kan hacmi basıncı ^{18, 25} sensörleri ile elde edilebilir olduğu not edilmelidir. Bu teknik aynı zamanda yüz duygu tanıma yazılımı değerlik sinyaline göre doğruluğunu değerlendirmek için gelecekteki araştırmalar entegre edilebilir. Biz de bu çalışmada kullanılan bilişsel nişan endeksi bir önceki yayınlanan araştırmalarda kullanılan bir tanınmış biri olduğunu belirtmeliyim. Hafif EEG cihazları Bazı üreticiler de benzer bir tedbir sağlamak iddia, ancak o zamandan beri ham ve işlenmiş verilerin kalitesini değerlendirmek güçtüralgoritmaları yayımlanmamış bulunmaktadır.

Son olarak, bu teknik farklı alanlarda birçok olası uygulamalar sunuyor. Tabii ki, bu eğitim alanında değerli olacaktır. Diğer olasılıklar arasında, bu nişan değerlendirme tekniği ders tasarımcıları bilgilendirmek için güçlü bir araç olabilir. Martens, Gulikers ve Bastiaens ²⁶ gözlenen Örneğin, "oldukça sık, geliştiriciler dikkatli eğitim analiz ve tasarım onlar dayanmayan olsa bile, teknolojinin mümkün kılar başlıca nedeni, böylece eklentileri, simülasyonlar ve multimedya eklemek eğilimindedir Belirli bir eklenti değerli olup olmadığına içeriği çok karmaşık olması durumunda. "Böylece, nörofizyolojik veriler önerilen öğrenme stratejileri vb Ayrıca, verimli olursa, öğrenci katılımı gerçek zamanlı değerlendirme uyarlamalı için olanaklar açılır, tasarımcılar bilgilendirmek e-öğrenme ve e-değerlendirme ortamları. Biz sisteme whe tarafından uyardı ediliyor, hafif EEG kask, bir öğrenen öngörebilirizn onun / onu nişan seviyesi azalan ve, örneğin, duraklatmak veya buna tepki istenir. Aynı zamanda nişan endekslerine dayalı, adaptif değerlendirme görevleri geliştirmek mümkün olacaktır. Araştırma ve geliştirme adil bir miktar şu anda beyin-bilgisayar arayüzleri yenilikçi alanında (BCI) yürütülmektedir.

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).