Behavior

Évaluer les multiples dimensions de l'engagement à caractériser l'apprentissage: une perspective neurophysiologique

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

Engagement joue un rôle crucial dans l'apprentissage. Pour Clark et Mayer ^2, "tout apprentissage nécessite l'engagement," indépendamment des médias de livraison. Zhang et al. ³ a également suggéré que l'augmentation de l'engagement des élèves peut améliorer les résultats d'apprentissage, comme la résolution de problèmes et la pensée critique. Définition de l'engagement reste un défi. Dans leur revue de la littérature, Fredricks, Blumenfeld et Paris ¹ définis engagement par sa nature multiforme: "l'engagement du comportement se fonde sur l'idée de la participation; il comprend la participation à des activités scolaires et sociales ou parascolaires. (...) L'engagement émotionnel englobe réactions positives et négatives aux enseignants, camarades de classe, des universitaires, et l'école et est présumé pour créer des liens avec un objet et l'influence volonté de faire le travail. Enfin, engagement cognitif se fonde sur l'idée de l'investissement mentale; il intègre la prévenance et la volonté d'exercer l'effort ncasaire de comprendre des idées complexes et des compétences difficiles maîtres ".

Fredricks, Blumenfeld et Paris ¹ ont également affirmé que l'accent mis sur le comportement, les émotions et la cognition, de la notion d'engagement, peut fournir une caractérisation plus riche de l'apprentissage. Ces auteurs ont souligné que un corps robuste de recherche aborde chaque composante de l'engagement séparément, mais ces composants avaient pas été étudiés conjointement. Ils ont également observé que peu d'information est disponible sur les interactions entre les dimensions et que d'autres études pourraient contribuer à la planification des interventions d'enseignement finement réglé. Comme une étape dans cette direction, le présent document décrit une méthode de recherche qui a été développé pour recueillir et analyser des données quantitatives et qualitatives, synchrone, sur l'engagement comportemental, affectif et cognitif pendant les tâches d'apprentissage.

Apporter les neurosciences dans l'éducation

BehavIOR, et un engagement conséquent de comportement, a longtemps été le point central des études dans l'enseignement: des modèles de recherche ont porté principalement sur l'évolution des connaissances et des comportements qui se produisent sur de longues périodes de temps, entre-tests pré et post, et sur des intervalles d'heures, semaines , des mois ou des années. Discrimination entre l'engagement comportemental, émotionnel et cognitif reste un défi parce que les deux dernières dimensions ne sont pas systématiquement observable de l'extérieur. Cognition et les émotions doivent soit être déduites des observations ou évalués par des mesures d'auto-évaluation. D'un point de vue extérieur, il reste difficile de déterminer si les élèves essaient de faire leur travail aussi rapidement que possible ou en utilisant des stratégies d'apprentissage à un niveau profond de maîtriser un contenu spécifique. En fait, Fredricks, Blumenfeld et Paris ¹ ont été incapables de trouver des études publiées à l'aide, des mesures objectives directs d'engagement cognitif.

Les récents développements technologiques dansle domaine des neurosciences ont créé de nouvelles possibilités pour la recherche en éducation. De nouvelles méthodes de collecte de données et des algorithmes d'analyse développés dans le domaine de l'ergonomie neuro semblent très prometteurs pour les études qualitatives et quantitatives au cours de tâches d'apprentissage. D'autres disciplines, telles que l'économie, la psychologie, le marketing et l'ergonomie, ont eu recours à des mesures neurophysiologiques pour évaluer engagement cognitif pendant un certain temps ^4-8. Mesures neurophysiologiques, couplés avec des algorithmes d'analyse efficaces, permettent d'étudier un phénomène sans le déranger. De par leur nature, les questionnaires d'autoévaluation se désengagent des étudiants de l'apprentissage. Mesures neurophysiologiques permettent modèles de recherche à effectuer dans des environnements d'apprentissage plus authentiques. Ces outils comprennent des équipements pour surveiller le rythme cardiaque, le rythme respiratoire, la tension artérielle, la température corporelle, diamètre de la pupille, l'activité électrodermale, l'électroencéphalographie (EEG), etc.

Comme résultats représentatifs après l'utilisation de ce protocole, le présent document présentera les résultats partiels d'une étude dans laquelle les apprenants ont à résoudre, sur un écran d'ordinateur, dix problèmes en physique mécanique. Ces problèmes ont été développées dans les travaux précédents ^9. Données neurophysiologiques ont été recueillies alors que les apprenants ont été résoudre les problèmes et relaxant pendant la pause de 45, les yeux fermés, après chaque problème.

Comme mentionné ci-dessus, les données de mise en prise consistent en des interactions de comportement de logiciels (mouvements de la souris et les clics), le regard de l'oeil, les performances et les réponses aux questions produites par un apprenant interagir avec le système tout en accomplissant ^une tâche. Un système d'eye-tracking a été utilisé pour recueillir des interactions de logiciels et les données du regard de l'oeil. Les données de performance (temps de résoudre un problème, de l'exactitude des réponses) ont été recueillies sur uneSite web de l'enquête qui a été utilisé pour présenter la tâche. Ce site a également été utilisé pour recueillir des données autodéclarées recueillies par un questionnaire adapté de Bradley et Lang ^10. L'engagement émotionnel implique la caractérisation des émotions. Selon Lang ^11, les émotions sont caractérisés en termes de valence (agréable / désagréable) et l'éveil (calme / suscité). Données d'engagement affectif ont donc été recueillies, en utilisant un logiciel de reconnaissance faciale automatique de l'émotion qui quantifie valence émotionnelle et une activité codeur / capteur électrodermale de l'excitation ^12,13. L'activité électrodermale (AED) se réfère à la résistance électrique enregistrée entre deux électrodes lorsqu'un courant électrique très faible est régulièrement passé entre eux. Cacioppo, Tassinary Berntson et ¹⁴ ont montré que la résistance enregistrée varie en fonction de l'excitation de l'objet. Ainsi, les données psychophysiologiques, comme valence ou l'excitation, sont considérés comme des corrélats de l'engagement émotionnel.

14, ces bandes reflètent différentes capacités de traitement cognitif dans les zones spécifiques du cerveau. Ainsi, l'analyse de la densité spectrale de puissance (PSD) de fréquences spécifiques, combinée avec de nombreuses études sur la vigilance ^7,15 et d'attention, permet aux chercheurs de quantifier engagement cognitif au cours d'une tâche. Comme l'a noté Mikulka et al. ^16, la recherche a montré une relation directe entre l'activité bêta et la vigilance cognitive et une relation indirecte entre un alphad activité thêta et la vigilance. Ainsi, le pape, Bogart et Bartoleme ⁷ développé un indice d'engagement qui calcule le PSD de trois bandes: beta / (alpha + thêta). Ce rapport a été validé dans d'autres études sur l'engagement ^16,17,18. Pour caractériser engagement cognitif au fil du temps, une transformée de Fourier rapide (FFT) convertit le signal EEG de chaque site actif (F3, F4, O1, O2) dans un spectre de puissance. L'index EEG de mise en prise à l'instant T est calculé par la moyenne de chaque rapport de mise en prise à l'intérieur d'une fenêtre glissante de 20 secondes précédant l'instant T. Cette procédure est répétée toutes les secondes et une nouvelle fenêtre glissante est utilisée pour mettre à jour l'index.

Comme l'objectif de cette méthodologie est de fournir une riche analyse des multiples dimensions de l'engagement, la synchronisation des données est cruciale. Comme Leger et al. ¹⁹ rappeler aux lecteurs, les fabricants d'équipements recommandent fortement d'utiliser un seul ordinateur par outil de mesure de garantir leur précision spécifiée level. Ainsi, lorsque plusieurs ordinateurs sont utilisés, la synchronisation entre les ordinateurs d'enregistrement devient une étape critique. Les enregistrements ne peuvent pas tous être commencé à la même heure, et chaque flux de données dispose de son délai précis (par exemple, 0 sec de l'œil sec suivi ≠ 0 de l'EEG ou des données physiologiques). Cela est extrêmement important: la désynchronisation entre les flux de données des erreurs dans le moyen de quantification de chaque dimension de l'engagement. Il ya différentes façons de synchroniser les enregistrements physiologiques et comportementaux concomitants. Ces procédés peuvent être divisés en deux approches principales; directe et indirecte ^20. Le protocole présenté dans la section suivante est basée sur une approche indirecte où un dispositif externe, une syncbox, est utilisé pour envoyer transistor-transistor logique (TTL) des signaux à tous les équipements d'enregistrement (comme représenté sur la figure 1). Comme chaque pièce d'équipement a une heure de début différente, les marqueurs de TTL sont enregistrées dans les fichiers journaux avec un parent retard. Les marqueurs sont ensuite utilisés pour réaligner les signaux et ainsi assurer une bonne synchronisation après chaque enregistrement. Un logiciel d'analyse comportementale qui permet l'intégration de fichier externe est utilisé pour re-synchroniser le calendrier de chaque flux de données et d'effectuer une analyse quantitative et qualitative de chaque dimension de l'engagement.

Figure 1. architecture du système de collecte de données. L'environnement de laboratoire dans lequel comportementale (eye-tracking), émotionnel (EDA et l'émotion du visage) et les données cognitives (EEG) de fiançailles sont collectées contient de nombreux ordinateurs. Cela pose un défi de synchronisation pour les données qui sont référencés sur leurs horloges des ordinateurs respectifs. Pour être en mesure d'analyser toutes les données dans le même temps de référence, la configuration de laboratoire implique un syncbox qui envoie des signaux TTL à tous les flux de données.nk "> S'il vous plaît cliquez ici pour voir une version plus grande de cette figure.

Pour évaluer la précision de la méthodologie en termes de synchronisation, 45 pauses sec ont été introduits avant chacun des problèmes de physique mécanique. Pendant ces pauses, les sujets devaient se détendre et à fermer les yeux. Comme on le voit dans d'autres études ^{4,9,16,17,18,} ces pauses devraient induire des variations significatives dans le signal collecté: les deux points de pupille de l'oeil dans (l'engagement comportemental) eye-tracking immédiatement disparaître et une chute immédiate engagement cognitif (EEG le signal) est observée. Ces composants spécifiques du signal sont utilisés pour évaluer la validité générale de la synchronisation. La récente publication de documents qui dépendent totalement ou partiellement sur cette procédure de synchronisation, dans les domaines des systèmes d'information ^19, les interactions homme-machine et de l'éducation ^{21 9, 22,} fournit la preuve de son efficacité.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Ce protocole a reçu un certificat d'éthique du Comité institutionnel de la recherche Avec des Êtres Humains (CIER) de l'Université du Québec à Montréal (UQAM) qui a été approuvé par HEC-Montréal pour le centre de recherche de Tech3Lab. Le protocole décrit chacune des étapes spécifiques qui sont effectuées dans notre environnement de laboratoire et des équipements. Bien que les chemins de logiciels précises sont fournies pour clarifier la méthodologie, cette technique est transférable et peut être reproduit avec d'autres eye-tracking propriétaire, la reconnaissance automatique de visage émotion, l'activité électrodermale et l'équipement de l'électroencéphalographie et de logiciels.

1. Configuration de l'Environnement Lab

Allumez le oculomètre, l'amplificateur d'EEG, les quatre ordinateurs d'enregistrement et les haut-parleurs.
Préparer l'installation de l'équipement d'enregistrement:
1. Préparer la configuration EEG avec matériel requis selon la recomme du fabricantDEMVSO procédures. Préparer le logiciel EEG pour le participant à venir. Démarrez le logiciel eye-tracking et de créer un nouveau profil de participant dans le logiciel. Démarrez le logiciel d'enregistrement vidéo et les caméras.
2. Démarrez le logiciel de synchronisation avec le sous-programme spécifique créé pour le projet avec des marqueurs à 60 sec. Démarrez le logiciel de mesure physiologique (pour enregistrer l'activité électrodermale) et ouvrir la disposition spécifique créé pour le projet. Ajustez la chaise du participant au plus haut niveau.

2. Préparation Participant

Demandez au participant de lire et de signer le formulaire de consentement éthique.
Effectuer des mesures du crâne pour EEG:
1. Trouver l'emplacement Cz sur la tête du participant (selon 10 - 20 systèmes de référence). Immerger le filet de l'EEG dans la solution saline (chlorure de potassium) (voir l'étape 1.2.1) et commencer une minuterie (10 min) en conformité avec les normes du fabricant. </ Li>
Lire l'objectif de l'étude et les étapes de l'expérience pour le participant ", est l'objectif de cette étude pour observer l'activité de votre cerveau pendant que vous répondez à des problèmes de physique. Nous allons d'abord installer les capteurs, alors vous serez invité à résoudre 10 problèmes de la physique newtonienne sur l'ordinateur. Nous allons vous demander de prendre une pause de 45 secondes après chaque problème avec vos yeux fermés. Après chaque problème, vous serez invité à voter pour votre évaluation du problème ".
Informer le sujet que la durée totale de l'essai sera 90 min.
Installez les capteurs physiologiques, selon les recommandations du fabricant: deux capteurs gélifiées sur le dessus de la main gauche.
Installez le bouchon EEG, selon les recommandations du fabricant et effectuer un contrôle d'impédance avec un seuil à 40 kQ (selon les spécifications du fabricant).

3. Collecte de données

Assurez-vous que tous les logiciels d'enregistrement est prêt à être lancé en synchronie:
1. Physiologie (données EDA): Cliquez sur le bouton "start".
2. Enregistrement vidéo: Cliquez sur le bouton "ouvert".
3. Eye-tracking: Cliquez sur le bouton «en attente».
4. EEG: Cliquez sur le bouton "enregistrement".
5. Le logiciel de synchronisation: Cliquez sur le bouton "cercle vert".
Regard des yeux étalonnage:
1. Effectuez un étalonnage à l'écran cinq points et d'observer le participant pendant qu'il / elle suit les points rouges (cliquez sur «Outils / Paramètres / Calibration ..."). Répétez cette procédure jusqu'à ce que suffisamment de précision est atteint, selon les normes du fabricant.
instructions de la tâche de projeter sur l'écran du participant: demander si il / elle a des questions après leur lecture, et si il / elle est prêt à commencer l'expérience.
Demandez au participant de résoudre 10 p newtoniennehysics problèmes.
Si nécessaire, effectuer un contrôle d'impédance pendant une des pauses de 45 s (pas avant problème 5).
Assurez-vous que le participant prend une pause de la pleine 45 avant chaque problème (pour déterminer la ligne de base).

4. Fin de la collecte des données

Arrêtez l'acquisition de données sur tous les ordinateurs et retirer les capteurs du participant.

5. Après le participant a quitté

Nettoyez le bouchon avec un germicide EEG et ranger l'équipement, selon les recommandations du fabricant. Enregistrez tous les fichiers de données collectées et créer une sauvegarde sur le serveur FTP.
Remplir la feuille de participant: noter tout événement ou problème particulier lors de la collecte des données. Effacer tous les cookies du navigateur.

6. Les données de pré-traitement et d'exportation à l'intégration logicielle

EEG
1. Importer des données EEG EEG dans les logiciels d'analyse de données:
  1. Créez trois dossiers vides sur l'ordinateur nommé "données brutes", "Histoire" et "Exporter" pour coller les données EEG brutes dans le fichier de données brutes nouvellement créé.
  2. Dans le logiciel d'analyse des données de l'EEG, cliquez sur "Fichier / Nouveau projet ..." et choisissez l'emplacement de données brutes en cliquant sur Parcourir, puis en sélectionnant le fichier de données brutes nouvellement créé. Choisissez l'emplacement de l '"Histoire" et les dossiers «exportation» de la même manière.
  3. Cliquez sur "OK". (La fenêtre doit contenir toutes les données EEG du participant).
2. Pré-processus le signal du cerveau:
  1. Appliquer un filtre et une encoche (cliquez sur "Transformations / filtres RII ..."). Dans la fenêtre, activez le seuil de faible à 1,5 Hz avec une pente de 12 dB et la grande coupure à 50 Hz avec une pente de 12 dB. Activez également une encoche à une fréquence de 60 Hz.
  2. Parce que un amplificateur DC est utilisé, DC detrend le signal (Cliquez sur "Transformations / DC Detrend ... »et permettre« basé sur le temps "à 100 ms avant le marqueur et 100 msec avant connexion DC).
  3. Effectuer une inspection de données brutes (Cliquez sur "/ Raw inspection des données de transformation ..." et sélectionnez le retrait semi-automatique artefact). Sélectionnez les suivantes: tension maximale de 60 mV / ms; Max-min: 200 mV à 200 ms d'intervalle; amplitude: de -400 à 400 mV).
  4. Effectuer une ICA automatique avec sphérisation classique pour l'enlèvement de clignement des yeux (artefacts myographiques ne doivent pas être supprimée car leur gamme est en dehors des fréquences d'intérêt). (Cliquez sur "Transformations / ICA ...". A la fin de l'ICA, le processus de l'ICA inverse.)
  5. Re-référence ("Transformations / Re-référence ...") le signal et sélectionnez "moyenne commune".
  6. Export (cliquez sur "Exporter / Generic Data Export ...") le signal et les marqueurs au format texte (Sélectionnez le ".vhdr"; encadré) pour une construction Matlab éventuelle de l'indice d'engagement. Sélectionnez également le «fichier d'entête Write" et des boîtes "de fichiers marqueur Write".
3. Importez le signal dans Matlab.
  1. Lancer Matlab et tapez "EEGLAB" si l'interface graphique de EEGLAB apparaît et l'importation des données pour un participant à la fois. Dans l'interface graphique, sélectionnez le menu item "Fichier / Importer des données / Utilisation des fonctions de EEGLAB et plugins / De Cerveau Vis Rec .vhdr fichier".
  2. Dans la fenêtre de commande, coller un script ¹⁶ qui génère un indice d'engagement.
    NOTE: Le script engagement cognitif est calculé par la moyenne de chaque / (Alpha + Theta) ratio de Beta dans un temps T. fenêtre coulissante 20 secondes précédant Cette procédure est répétée à chaque seconde et une nouvelle fenêtre coulissante est utilisée pour mettre à jour l'index.
4. Dans MS Excel, ouvrez le fichier texte de l'indice d'engagement qui est généré à la fin du script par Matlab et appliquer un z-score normalisation sur les données EEG à permettre une comparaison interindividuelle. (Pour chaque valeur, calculer cette formule dans Excel: Z = (valeur - moyenne globale) / écart-type global.)
5. Enregistrez le signal d'indice d'engagement z-score dans un fichier CSV dans MS Excel. (Cliquez sur Fichier / Enregistrer sous ... et sélectionnez CSV dans le type de format.)
6. Répétez la procédure (de l'étape 6.1.2.2.) Pour chaque participant.
Physiologie:
1. Importer des données de CAO en physiologique logiciel d'analyse de données.
2. Appliquer ces paramètres de pré-traiter le signal physiologique:
  1. Appliquer une transformation logarithmique pour normaliser la distribution de la conductance comme par ²³ la méthode de Venables et Christie.
  2. Plat du signal sur une fenêtre de ²⁴ sec 10 coulissant.
3. Dans le logiciel physiologique, calculer une normalisation z-score sur les données de CAO pour permettre la comparaison interindividuelle. (Z = (valeur - moyenne globale) / écart-type global).
  1. Mettez en surbrillance toutes les données avec le curseur du canal EDA.
  2. Dans le menu principal, sélectionnez le canal EDA, et sélectionnez "moyenne" pour obtenir la valeur moyenne de la chaîne globale. Également sélectionner le canal EDA et "stddev" pour obtenir la valeur de l'écart type de la chaîne globale.
  3. Pour calculer l'équation z-score, cliquez sur "Transformation / Waveform Math ..." et sélectionnez le canal EDA dans la source 1. Sélectionnez "-" (moins) dans la fenêtre d'opération mathématique et sélectionnez K dans la source 2. Sélectionnez "Nouvelle destination" dans le menu de destination et entrez la valeur moyenne du canal EDA (voir l'étape 6.2.3.2). Sélectionnez "Transform vague entière", cliquez sur OK et cliquez sur "Transformation / Waveform Math ...". Sélectionnez le canal EDA-K dans la source 1, sélectionner "/" (fracture) dans la fenêtre d'opération mathématique, sélectionnez K dans la source 2, sélectionnez "Nouvelle destination" à destination et enter la valeur de l'écart type du canal EDA (étape 6.2.3.2). Sélectionnez "Transform vague entière" et cliquez sur OK.
4. Exporter le signal (l'éveil) dans un fichier CSV. (Cliquez sur Fichier / Enregistrer sous ... et sélectionnez CSV dans le type de format.)
Automatique de reconnaissance faciale de l'émotion:
1. Importation de données vidéo de l'enregistreur multimédia dans le logiciel de reconnaissance faciale automatique de l'émotion. (Cliquez sur "Fichier / Nouveau ... / participants ...". Après la sélection d'un nouveau participant dans le menu de projet en cliquant dessus, cliquez sur "Fichier / Nouveau / Analyse / Vidéo ...". Cliquez sur la loupe à côté d'Analyse 1 et choisir le désiré fichier vidéo.
  1. Sélectionnez une analyse hors-ligne pour "chaque troisième cadre" et activer "étalonnage continu".
  2. Exporter des données de valence dans un fichier CSV. (Cliquez sur "Options / Paramètres / Logging ...", cochez la case "Ecrire la valeur de valence dans le fichier de log" boîte. Cliquez sur "Fichier /Exporter ... ", choisissez l'emplacement où les fichiers journaux seront exportés, et cochez la case" Enregistrer détaillée "boîte de journal.)
  3. Ouvrez le fichier CSV dans MS Excel. Copiez la colonne de données de valence dans une seule colonne de logiciel SPSS. Cliquez sur "Analyse / Statistiques / Descriptives Descriptives" et sélectionnez le nom de la variable juste collé. Cochez la case "Enregistrer les valeurs standardisées dans des variables". Une colonne avec un z-score apparaîtra. Copiez-collez ces z-scores sur les anciennes données dans le fichier Excel.
2. Enregistrez le fichier Excel avec les z-scores du signal (valence) au format CSV.

7. Intégration et synchronisation des données

Dans le logiciel d'analyse comportementale:
1. Vidéos de eye-tracking importation (engagement comportemental). (Cliquez sur "Fichier / Importer / Vidéo dans une nouvelle observation ...". Nommez la nouvelle observation et choisir le fichier vidéo désiré.)
2. Code de chaque vidéo avec pertinentportements et événements contextuels (marqueurs de temps, des réponses vrai / faux).
3. Importer toutes les données externes avec l'en-tête approprié: z-score de signal EEG (de l'engagement cognitif), z-score de signaux EDA (de l'engagement émotionnel), z-score de données de valence (de l'engagement émotionnel). (Cliquez sur "Fichier / Importer / données externes ...". Sélectionnez le type de fichier approprié et sélectionnez le bon fichier CSV.)
Synchroniser l'heure entre les ordinateurs selon ces formules:
1. Temps oeil regard de temps en EEG = Temps du regard + deuxième marqueur en EEG - premier marqueur dans le regard des yeux.
2. Temps dans le regard des yeux de temps en reconnaissance de l'émotion faciale = Temps du regard + premier marqueur dans l'émotion faciale - premier marqueur dans le regard des yeux.
3. Temps oeil regard de temps dans l'activité électrodermale = Temps du regard + premier marqueur de l'activité électrodermale - premier marqueur dans le regard des yeux.
Entrez les données de correction en appuyant sur "Ctrl + Maj + =221 ;, pour ouvrir le menu Offset. Sélectionnez "numérique compensé" pour entrer dans le temps en secondes entre chaque paire de sources de données [OK?]), Selon les calculs ci-dessus.
Générer un rapport selon les variables d'intérêt dans l'étude.
1. Sélectionnez les variables intéressantes qui seront générés dans le rapport (cliquez sur "Analyser / Select Data / Données New Profile ..."). De gauche à droite, faites glisser les variables souhaitées entre la boîte "Démarrer" et la boîte «Résultats», sur la droite.
2. Générer le rapport. (Cliquez sur "Analyser / Analyse numérique / Nouveau ...", cliquez sur "Statistiques" et cochez la case de moyenne dans le menu de données externe. Terminer en cliquant sur "Calculer".)
Exporter les données dans un logiciel d'analyse statistique et effectuer une analyse selon les objectifs de l'étude.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Les figures 2 et 3 montrent les captures d'écran des résultats de l'intégration et la synchronisation des données d'engagement comportementaux, émotionnels et cognitifs dans un logiciel d'analyse comportementale. Dans les deux figures, la section de gauche organise les sujets de recherche et le système de codage. Dans la partie centrale, une vidéo (avec des points rouges) montre le regard de l'oeil du sujet au cours de la tâche. Engagement comportementale du sujet peut être déduite sur la base de ce qu'il / elle est à la recherche au cours de la tâche et quelles mesures sont prises. Dans la partie inférieure, un marqueur de temps est synchrone défile en trois pistes de données: l'AED (éveil) et facial valence émotion pour l'engagement émotionnel et l'indice d'engagement pour EEG engagement cognitif. Lorsque les données sont collectées auprès de tous les sujets, le logiciel fournit également des statistiques descriptives de base qui peuvent éventuellement être utilisés pour effectuer des analyses interindividuelle dans d'autres logiciels d'analyse statistique.

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

Figure 2. Données multidimensionnelles engagement au début d'un travail de résolution de problèmes. Une capture d'écran d'un sujet au début d'une phase de résolution de problème. L'apprenant est en train de lire l'introduction au problème: le regard de l'oeil est sur la troisième ligne. A cette époque (la ligne rouge représente un curseur de temps), l'excitation de l'objet vient de passer un pic d'anticipation du problème à résoudre, mais est encore élevé par rapport au niveau de référence, valence émotionnelle semble neutre, et l'engagement cognitif EEG semble à son maximum . S'il vous plaît, cliquez ici pour voir une version plus grande de cette figure.

Figure 3. Engagement de données multidimensionnelle Durtion d'une pause dans le Groupe. Les données d'une pause avant une tâche de résolution de problèmes. Cette pause est utile d'établir les base du sujet juste avant la tâche. Voici, parce que les yeux du sujet sont fermés, les données de valence ne sont pas disponibles. Engagement cognitif (signal EEG) est en légère hausse de son minimum. Le sujet est lentement ré-enclenchement de la tâche, anticipant la fin de la pause. Excitation (le signal EDA) est en baisse constante. S'il vous plaît cliquez ici pour voir une version plus grande de cette figure.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

En termes d'étapes critiques dans le protocole, il convient d'abord de souligner que la qualité des données est toujours l'objectif principal pour les techniques de collecte neurophysiologiques. Dans cette méthodologie, les assistants de recherche doivent porter une attention particulière à instruire les sujets afin de minimiser les mouvements de tête qui va interférer avec la surveillance de valence (perdre angle de la face correcte pour la caméra) ou générer des artefacts myographiques de l'EEG. D'autre part, un équilibre doit être maintenu entre l'authenticité de réelle résolution de problèmes et des interventions faites pour la collecte de données plus ergonomique. Il est également important de noter que la collecte de données EEG est sujet à des fluctuations électromagnétiques dans l'environnement. Installations traditionnelles EEG essaient d'isoler leur appareil des fluctuations électromagnétiques avec des cages de Faraday. Toutefois, parce que certains des équipements utilisés dans cette méthodologie générerait fluctuations électromagnétiques (principalement le dispositif eye-tracking) à l'intérieur de la cage de Faraday, eest l'approche serait inefficace. Nous surmontons les questions électromagnétiques en accordant une attention particulière à la terre et un blindage tous les appareils électriques.

Quant aux modifications et dépannage avec la technique, la stratégie de synchronisation initiale invoqué la capacité du logiciel de synchronisation de précision "start" collecte de données sur plusieurs ordinateurs et des programmes ensemble. Parce que les retards critiques et incohérentes entre les ordinateurs et les programmes ont été observés, après la collecte resynchronisation est devenu nécessaire. Par conséquent, un dispositif de syncbox a été ajouté à l'architecture. Le syncbox envoie un marqueur TTL à tous les ordinateurs et les programmes qui collectent des données. La synchronisation devient une question de calcul du retard entre les premier marqueurs de syncbox.

Une limitation de la technique qui a besoin d'être mentionné est la précision de l'analyse des signaux, qui est limitée par l'indice d'engagement cognitif. À cause de lales hypothèses de base de la FFT, cet indice est généré sur une base de 1 sec époque: le script d'engagement cognitif génère une valeur à chaque seconde. Dans ce paradigme, qui se concentre sur la résolution de problèmes authentiques, ce délai est acceptable, mais des études plus précises d'engagement pourrait rencontrer certaines limitations de ce calendrier pour l'analyse.

En ce qui concerne les méthodes existantes / alternatif, il faut noter que valence émotionnelle peut également être calculée avec la pression du volume sanguin ^{18, 25} capteurs. Cette technique peut également être intégré dans la recherche future pour évaluer sa précision par rapport au signal de valence de logiciel de reconnaissance d'émotion du visage. Mentionnons également que l'indice de l'engagement cognitif utilisé dans cette étude est un bien connu qui a été utilisé dans une recherche publiée précédente. Certains fabricants d'appareils d'EEG légers prétendent fournir une mesure similaire, mais il est difficile d'évaluer la qualité des données brutes et traitées depuisleurs algorithmes sont inédits.

Enfin, cette technique présente de nombreuses applications possibles dans différents domaines. Bien sûr, il sera de la valeur dans le domaine de l'éducation. Parmi les autres possibilités, cette technique d'évaluation de l'engagement pourrait être un outil puissant pour informer les concepteurs de cours. Par exemple, comme Martens, Gulikers et Bastiaens ²⁶ observées, "très souvent, les développeurs ont tendance à ajouter multimedia add-ons, des simulations, et ainsi de suite, principalement parce que la technologie rend possible, même si elles ne sont pas fondées sur une analyse minutieuse de l'éducation et de la conception ». Ainsi, les données neurophysiologiques pourraient informer les concepteurs si un add-on spécifique est précieux, si le contenu est trop complexe, si les stratégies d'apprentissage proposées sont efficaces, etc. En outre, l'évaluation en temps réel de l'engagement de l'apprenant ouvre des possibilités pour adaptative e-learning ou e-évaluation environnements. Nous pouvons prévoir un apprenant, portant un casque EEG léger, avoir été averti par le système when sa / son niveau d'engagement est à la baisse et, par exemple, invité à faire une pause ou de réagir en conséquence. Il serait également possible de développer des tâches d'évaluation adaptative, basée sur les indices d'engagement. Une bonne quantité de recherche et de développement sont actuellement en cours dans le domaine innovant des interfaces cerveau-ordinateur (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).