Behavior

Valutare le molteplici dimensioni di ingaggio per caratterizzare Learning: una prospettiva neurofisiologica

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 gioca un ruolo cruciale nell'apprendimento. Per Clark e Mayer ^2, "tutto l'apprendimento richiede impegno," indipendentemente dal supporto consegna. Zhang et al. ³ anche suggerito che un maggiore coinvolgimento degli studenti in grado di migliorare i risultati di apprendimento, come problem solving e capacità di pensiero critico. Definizione di impegno rimane una sfida. Nella loro revisione della letteratura, Fredricks, Blumenfeld e Parigi ¹ definiti impegno per sua natura multiforme: "impegno comportamentale attinge l'idea della partecipazione; comprende la partecipazione alle attività accademiche e sociali o extrascolastiche. (...) L'impegno emotivo comprende reazioni positive e negative per gli insegnanti, i compagni di classe, accademici, e la scuola e si presume di creare legami con un oggetto e influenza la volontà di fare il lavoro. Infine, l'impegno cognitivo attinge l'idea di investimento mentale; incorpora pensosità e la volontà di esercitare il nec sforzone- di comprendere idee complesse e maestri competenze difficili ".

Fredricks, Blumenfeld e Parigi ¹ anche sostenuto che un focus sul comportamento, emozione e cognizione, all'interno del concetto di impegno, può fornire una caratterizzazione più ricca di apprendimento. Questi autori hanno sottolineato che un corpo solido di ricerca affronta ogni componente di impegno separatamente, ma questi componenti non erano stati studiati in combinazione. Essi hanno inoltre osservato che poche informazioni sono disponibili riguardo le interazioni tra le dimensioni e che ulteriori studi potrebbero contribuire a programmare interventi didattici finemente sintonizzato. Come un passo in questa direzione, questo documento descrive una metodologia di ricerca che è stato sviluppato per raccogliere e analizzare i dati quantitativi e qualitativi, in modo sincrono, in impegno comportamentale, emotivo e cognitivo durante compiti di apprendimento.

Portare le Neuroscienze in Education

Behavior, e di conseguenza l'impegno comportamentale, è stata a lungo il tema centrale di studi in materia di istruzione: progetti di ricerca incentrati principalmente sui cambiamenti delle conoscenze e comportamenti che si verificano per lunghi periodi di tempo, tra il pre e post-test, e su intervalli di ore, settimane , mesi o anni. Discriminare tra impegno comportamentale, emotivo, cognitivo e rimane una sfida, perché le ultime due dimensioni non sono sistematicamente osservabili esternamente. Cognizione e le emozioni devono o essere dedotta dalle osservazioni o valutati con misure self-report. Da un punto di vista esterno, rimane difficile stabilire se gli studenti stanno cercando di ottenere il loro lavoro fatto nel più breve tempo possibile o utilizzando strategie di apprendimento a livello profondo di padroneggiare un contenuto specifico. In punto di fatto, Fredricks, Blumenfeld e Parigi ¹ sono stati in grado di trovare tutti gli studi pubblicati che utilizzano, misure oggettive diretti di impegno cognitivo.

I recenti sviluppi tecnologici inil campo delle neuroscienze hanno creato nuove possibilità per la ricerca in materia di istruzione. Nuovi metodi di raccolta dei dati e algoritmi di analisi sviluppate nel campo dell'ergonomia neuro sembrano molto promettenti per gli studi qualitativi e quantitativi durante le attività di apprendimento. Altre discipline, come l'economia, la psicologia, marketing, e l'ergonomia, hanno utilizzato le misurazioni neurofisiologiche per valutare l'impegno cognitivo per qualche tempo ^4-8. Misure neurofisiologici, insieme con algoritmi di analisi efficienti, permettono di studiare un fenomeno senza disturbarlo. Per loro natura, i questionari self-report disimpegnarsi studenti di apprendimento. Misure neurofisiologici permettono disegni di ricerca da svolgere in ambienti di apprendimento più autentica. Questi strumenti comprendono attrezzature per il monitoraggio della frequenza cardiaca, frequenza respiratoria, pressione arteriosa, temperatura corporea, diametro della pupilla, l'attività elettrodermica, elettroencefalografia (EEG), ecc.

Come risultati rappresentativi in seguito all'uso di questo protocollo, questo articolo presenta i risultati parziali di uno studio in cui gli studenti hanno dovuto risolvere, sullo schermo del computer, dieci problemi di fisica meccanica. Questi problemi sono stati sviluppati in lavori precedenti ^9. Dati neurofisiologici sono stati raccolti, mentre i discenti sono stati risolvere i problemi e di relax durante un 45 s pausa, con gli occhi chiusi, dopo ogni problema.

Come accennato in precedenza, i dati comportamentali impegno sono costituiti da interazioni software (movimenti del mouse e click), lo sguardo degli occhi, le prestazioni e le risposte alle domande prodotte da uno studente interagisce con il sistema, mentre realizzazione del compito ^1. Un sistema di eye-tracking è stato utilizzato per raccogliere le interazioni del software e dei dati sguardo degli occhi. Prestazioni (tempo per risolvere un problema, correttezza delle risposte) sono stati raccolti su unsito web sondaggio che è stato utilizzato per presentare l'attività. Questo sito è stato utilizzato anche per raccogliere dati self-report raccolti con un questionario adattato da Bradley e Lang ^10. Coinvolgimento emotivo comporta caratterizzazione di emozioni. Secondo Lang ^11, le emozioni sono caratterizzati in termini di valenza (piacevole / spiacevole) e l'eccitazione (calma / suscitato). Dati coinvolgimento emotivo sono stati quindi raccolti, utilizzando il software di riconoscimento facciale automatico emozione che quantifica valenza emotiva e un'attività encoder / sensore elettrodermica per l'eccitazione ^12,13. Dell'attività elettrodermica (EDA) si riferisce alla resistenza elettrica registrato tra due elettrodi quando una corrente elettrica molto debole è in costante passati tra loro. Cacioppo, Tassinary e Berntson ¹⁴ hanno dimostrato che la resistenza registrata varia secondo l'eccitazione del soggetto. Pertanto, i dati psicofisiologici, come la valenza o l'eccitazione, sono considerati correlati di coinvolgimento emotivo.

14, queste bande riflettono differenti capacità di elaborazione cognitiva in aree specifiche del cervello. Pertanto, l'analisi della densità spettrale di potenza (PSD) di frequenze specifiche, combinato con numerosi studi ^7,15 su vigilanza e l'attenzione, permette ai ricercatori di quantificare l'impegno cognitivo durante un compito. Come ha osservato Mikulka et al. ^16, la ricerca ha dimostrato una relazione diretta tra l'attività di beta e la vigilanza cognitiva e una relazione indiretta tra alpha und attività theta e la vigilanza. Quindi, il Papa, Bogart e Bartoleme ⁷ sviluppato un indice di impegno che calcola il PSD di tre bande: beta / (alpha + theta). Questo parametro è stato convalidato in altri studi sul coinvolgimento ^16,17,18. Per caratterizzare l'impegno cognitivo nel tempo, una trasformata rapida di Fourier (FFT) converte il segnale EEG da ciascun sito attivo (F3, F4, O1, O2) in uno spettro di potenza. L'indice di impegno EEG al tempo T viene calcolata la media di ciascun rapporto di impegno entro una finestra scorrevole 20 sec il precedente tempo T. Questa procedura viene ripetuta ogni secondo e una nuova finestra scorrevole è utilizzato per aggiornare l'indice.

Poiché l'obiettivo di questa metodologia è quello di fornire una ricca analisi delle molteplici dimensioni di ingaggio, sincronizzazione dei dati è cruciale. Come Leger et al. ¹⁹ ricordare ai lettori, i produttori di apparecchiature consiglia vivamente di utilizzare un solo computer per ogni strumento di misurazione per garantirne la precisione specificata level. Così, quando più computer sono impiegati, la sincronizzazione tra i computer di registrazione diventa un passaggio fondamentale. Le registrazioni non possono tutti essere iniziato al tempo stesso esatto, e ogni flusso di dati ha il suo determinato periodo di tempo (ad esempio, sec 0 di eye-tracking ≠ sec 0 di EEG o dati fisiologici). Ciò è estremamente importante: desincronizzazione tra i flussi di dati significa errori nella quantificazione di ogni dimensione di impegno. Ci sono diversi modi di sincronizzazione registrazioni fisiologiche e comportamentali concomitanti. Questi metodi possono essere suddivisi in due approcci principali; diretta e indiretta ^20. Il protocollo presentato nella sezione successiva è basato su un approccio indiretta quando un dispositivo esterno, un syncbox, viene utilizzato per inviare logica transistor-transistor (TTL) segnali a tutto l'apparecchio di controllo (come mostrato in Figura 1). Come ogni pezzo di equipaggiamento ha un orario di inizio diverso, i marcatori TTL sono registrati nei file di registro con un parente ritardo. Marcatori vengono poi utilizzati per riallineare i segnali e garantire la corretta sincronizzazione dopo ogni registrazione così. Un programma software di analisi comportamentale che consente l'integrazione file esterno viene utilizzato per ri-sincronizzare la cronologia di ogni flusso di dati e di eseguire analisi quantitativa e qualitativa di ogni dimensione di impegno.

Figura 1. Architettura del sistema di raccolta dei dati. L'ambiente di laboratorio in cui comportamentale (eye-tracking), emotivo (EDA ed emozione facciale) e dati (EEG) di fidanzamento cognitivi sono raccolte contiene molti computer. Questo solleva una sfida di sincronizzazione per i dati a cui fa riferimento sui rispettivi orologi dei computer. Per essere in grado di analizzare tutti i dati nello stesso tempo di riferimento, l'impostazione del laboratorio comporta un syncbox che invia segnali TTL a tutti i flussi di dati.nk "> Clicca qui per vedere una versione più grande di questa figura.

Per valutare la precisione del metodo in termini di sincronizzazione, sono stati introdotti 45 sec pause prima ciascuno dei problemi fisica meccanica. Durante queste pause, i soggetti dovevano rilassarsi e chiudere gli occhi. Come si è visto in altri studi ^{4,9,16,17,18,} queste pause dovrebbero indurre variazioni significative del segnale raccolto: i due punti pupilla dell'occhio di eye-tracking subito scompaiono (impegno comportamentale) e un calo immediato impegno cognitivo (EEG segnale) si osserva. Questi componenti specifici del segnale sono utilizzati per valutare la validità generale della sincronizzazione. La recente pubblicazione di articoli che completamente o parzialmente basano su questa procedura di sincronizzazione, nel campo dei sistemi informativi ^19, interazioni uomo-macchina ²¹ e di formazione ^{9, 22,} fornisce la prova della sua efficacia.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Questo protocollo ha ricevuto un certificato di etica dal Comitato institutionnel de la recherche avec des êtres humains (CIER) de l'Université du Québec à Montréal (UQAM), che è stato approvato dal HEC-Montreal per la struttura di ricerca Tech3Lab. Il protocollo descritti i passaggi specifici che vengono eseguite nel nostro ambiente di laboratorio e delle attrezzature. Anche se i percorsi di software precise vengono forniti per chiarire la metodologia, questa tecnica è trasferibile e può essere replicato con altri proprietari di eye-tracking, il riconoscimento automatico emozione facciale, l'attività elettrodermica e attrezzature elettroencefalografia e software.

1. Impostazione del Laboratorio Ambiente

Accendere l'eye-tracker, l'amplificatore EEG, i quattro computer di registrazione e gli altoparlanti.
Preparare l'installazione dell'apparecchio di controllo:
1. Preparare la configurazione EEG con il materiale necessario secondo racc del produttoreProcedure nded. Preparare il software EEG per il partecipante imminente. Avviare il software eye-tracking e creare un nuovo profilo partecipante nel software. Avviare il software di registrazione video e le telecamere.
2. Avviare il software di sincronizzazione con la subroutine specifica creata per il progetto con i pennarelli a 60 sec. Avviare il software di misura fisiologico (per registrare l'attività elettrodermica) e aprire il layout specifico creato per il progetto. Regolare la sedia del partecipante al più alto livello.

2. partecipante Preparazione

Chiedere al partecipante di leggere e firmare il modulo di consenso etico.
Effettuare misurazioni del cranio per EEG:
1. Trovare la posizione Cz sulla testa del partecipante (secondo 10-20 sistemi di riferimento). Immergere la rete EEG nella soluzione salina (cloruro di potassio) (vedi punto 1.2.1) e avviare un timer (10 min) in conformità con gli standard del produttore. </ Li>
Leggi l'obiettivo dello studio e i passaggi della sperimentazione al partecipante, "L'obiettivo di questo studio è quello di osservare l'attività cerebrale mentre si risponde problemi di fisica. Prima di tutto installare i sensori, poi vi verrà chiesto di risolvere 10 problemi di fisica newtoniana sul computer. Ti verrà richiesto di fare una pausa di 45 secondi dopo ogni problema con gli occhi chiusi. Dopo ogni problema, vi verrà chiesto di votare la vostra valutazione del problema. "
Dì il soggetto che la durata totale dell'esperimento sarà 90 min.
Installare i sensori fisiologici, secondo le raccomandazioni del fabbricante: due sensori gelificato sulla parte superiore della mano sinistra.
Installare il tappo EEG, secondo le raccomandazioni del costruttore e eseguire un controllo di impedenza con una soglia a 40 kΩ (secondo le specifiche del produttore).

3. Raccolta dati

Assicurarsi che tutto il software di registrazione è pronto per essere avviato in sincronia:
1. Fisiologia (dati EDA): Fare clic sul pulsante "Start".
2. Registrazione video: Fare clic sul pulsante "Apri".
3. Eye-tracking: Fare clic sul pulsante "in attesa".
4. EEG: Fai clic sul pulsante "record".
5. Il software di sincronizzazione: Fai clic sul pulsante "cerchio verde".
Occhio calibrazione sguardo:
1. Eseguire un cinque punti di calibrazione sullo schermo e osservare il partecipante, mentre lui / lei segue i punti rossi (cliccare su "Strumenti / Impostazioni / Calibration ..."). Ripetere questa procedura fino ad ottenere sufficiente precisione, secondo gli standard del produttore.
Istruzioni compito proiettare sul schermo del partecipante: chiedere se lui / lei ha delle domande dopo la lettura, e se lui / lei è pronto per iniziare l'esperimento.
Chiedere al partecipante di risolvere 10 Newton physics problemi.
Se necessario, eseguire un controllo dell'impedenza durante una delle pause 45 s (non prima problema 5).
Assicurarsi che il partecipante assume la piena 45 s pausa prima di ogni problema (per determinare la linea di base).

4. Fine della raccolta dei dati

Smettere di acquisizione dei dati in tutti i computer e rimuovere i sensori dal partecipante.

5. Dopo che il partecipante ha lasciato

Pulire il tappo EEG con germicida e riordinare il materiale, secondo le raccomandazioni del costruttore. Salvare tutti i file di dati raccolti e creare un backup sul server FTP.
Compilare il foglio partecipante: notare un particolare evento o un problema durante la raccolta dei dati. Cancella tutti i cookie dal browser web.

6. I dati di pre-processing ed esporta per il Software Integration

EEG
1. Importa dati EEG in software di analisi dati EEG:
  1. Creare tre cartelle vuote sul computer denominato "dati grezzi", "Storia" e "Export" per incollare i dati EEG grezzi in file di dati grezzi appena creato.
  2. Nel software di analisi dei dati di EEG, fare clic su "File / Nuovo progetto ..." e scegliere la posizione dati grezzi facendo clic su Sfoglia, quindi selezionare il file di dati grezzi appena creato. Scegliere la posizione della "Storia" e cartelle "esportazione" nello stesso modo.
  3. Fare clic su "OK". (La finestra dovrebbe contenere tutti i dati EEG del partecipante).
2. Pre-processo il segnale del cervello:
  1. Applicare un filtro e un notch (cliccare su "Trasformazioni / filtri IIR ..."). Nella finestra, abilitare la bassa frequenza di taglio di 1.5 Hz con una pendenza di 12 dB e l'alta frequenza di taglio di 50 Hz con una pendenza di 12 dB. Consentire anche una tacca alla frequenza di 60 Hz.
  2. Poiché viene utilizzato un amplificatore DC detrend il segnale (Fare clic su "Transformations / DC Detrend ... "e attivare" in base al tempo "a 100 msec prima del segno e 100 msec prima connessione CC).
  3. Eseguire un controllo di dati grezzi (Fare clic su "/ ispezione dati grezzi Trasformazione ..." e selezionare rimozione semiautomatica artefatto). Selezionare le seguenti: tensione massima di 60 mV / ms; Max-min: 200 mV a 200 intervallo ms; ampiezza: -400 a +400 mV).
  4. Eseguire una ICA automatico con Sphering classico per la rimozione batter d'occhio (artefatti myographic non devono essere rimossi perché la loro portata è al di fuori delle frequenze di interesse). (Fare clic su "Trasformazioni / ICA ...". Alla fine della ICA, processo ICA inversa.)
  5. Re-di riferimento ("Trasformazioni / Re-reference ...") il segnale e selezionare "medio comune".
  6. Export (fare clic su "Esporta / Generic Data Export ...") il segnale e gli indicatori in formato testo (Selezionare il ".vhdr"; box) per un eventuale realizzazione Matlab dell'indice impegno. Selezionare anche il "file di intestazione Write" e scatole "di file marcatore Write".
3. Importare il segnale in Matlab.
  1. Inizia Matlab e digitare "eeglab", così l'interfaccia grafica di EEGLab appare e importare i dati di un partecipante alla volta. Nella GUI, selezionare la voce di menu "File / Importa dati / Utilizzo delle funzioni EEGLab e plugins / Da Cervello Vis Rec .vhdr file".
  2. Nella finestra di comando, incollare uno script ¹⁶ che genera un indice di impegno.
    NOTA: Lo script impegno cognitivo viene calcolato la media di ogni / (Alpha + Theta) Rapporto Beta entro un tempo T. finestra scorrevole di 20 secondi che precede Questa procedura viene ripetuta ogni secondo e una nuova finestra scorrevole viene utilizzato per aggiornare l'indice.
4. In Microsoft Excel, aprire il file di testo dell'indice di impegno che viene generato alla fine dello script per Matlab e applicare un z-score la normalizzazione dei dati EEG per consentire il confronto interindividuale. (Per ogni valore, calcola la formula in Excel: Z = (valore - media generale) / deviazione standard generale.)
5. Salvare il segnale di indice di impegno z-score in un file CSV in MS Excel. (Fare clic su File / Salva con nome ... e selezionare CSV nel tipo di formato.)
6. Ripetere la procedura (dal punto 6.1.2.2.) Per ogni partecipante.
Fisiologia:
1. Importa dati EDA in fisiologico software di analisi dei dati.
2. Applicare questi parametri pre-processo del segnale fisiologico:
  1. Applicare una trasformazione logaritmica per normalizzare la distribuzione della conduttanza secondo Venables e Christie ²³ metodo.
  2. Piatto il segnale su una finestra 10 sec ²⁴ scorrevole.
3. All'interno del software fisiologico, calcolare una normalizzazione z-score sui dati EDA per permettere il confronto interindividuale. (Z = (valore - media generale) / deviazione standard globale).
  1. Evidenziare tutti i dati con il cursore dal canale EDA.
  2. Nel menu in alto, selezionare il canale EDA, e selezionare "significa" per ottenere il valore medio del canale generale. Selezionare anche il canale EDA e "stddev" per ottenere il valore della deviazione standard del canale complessiva.
  3. Per calcolare l'equazione z-score, fai clic su "Trasformazione / Waveform Math ..." e selezionare il canale EDA in Source 1. Selezionare "-" (meno) nella finestra operazione matematica e selezionare K in origine 2. Selezionare "Nuova destinazione" nel menu di destinazione e immettere il valore medio del canale EDA (vedi punto 6.2.3.2). Selezionare "Trasforma intero onda", fare clic su OK e fare clic su "Trasformazione / Waveform Math ...". Selezionare il canale EDA-K in origine 1, selezionare "/" (divisione) nella finestra operazione matematica, selezionare K in origine 2, selezionare "Nuova destinazione" a destinazione ed enter il valore della deviazione standard del canale EDA (passo 6.2.3.2). Selezionare "Trasforma intero onda" e fare clic su OK.
4. Esportare il segnale (arousal) in un file CSV. (Fare clic su File / Salva con nome ... e selezionare CSV nel tipo di formato.)
Riconoscimento automatico emozione facciale:
1. Importa i dati video dal registratore video in automatico il software di riconoscimento facciale emozione. (Fare clic su "File / Nuovo ... / Partecipante ...". Dopo aver selezionato un nuovo partecipante nel menu progetto cliccando su di esso, fare clic su "File / Nuovo / Analisi / Video ...". Fare clic sulla lente di ingrandimento accanto a Analisi 1 e scegliere la desiderata file video.
  1. Selezionare l'analisi offline per "ogni terzo frame" e "Calibrazione continua" attivazione.
  2. Esportazione dati di valenza in un file CSV. (Fare clic su "Opzioni / Impostazioni / registrazione ...", selezionare la casella "Scrivere valore di valenza per il file di log" di dialogo. Fare clic su "File /Esporta ... ", scegliere la posizione in cui verranno esportati i file di log, e selezionare la casella" Salva scatola dettagliato log ".)
  3. Aprire il file CSV in MS Excel. Copiare la colonna di dati valenza in una singola colonna di software SPSS. Fare clic su "Analizza / Descrittive Statistiche / Descrittive" e selezionare il nome della variabile appena incollato. Seleziona la casella "Salva valori standardizzati nelle variabili". Apparirà una colonna con un punteggio z. Copia-incolla questi z-score sopra i vecchi dati nel file Excel.
2. Salvare il file Excel con le z-score del segnale (valenza) in formato CSV.

7. Data Integration e sincronizzazione

Nel software di analisi comportamentale:
1. Importa video eye-tracking (aggancio del comportamento). (Fare clic su "File / Importa / video in una nuova osservazione ...". Assegnare un nome alla nuova osservazione e scegliere il file video desiderato.)
2. Codice ogni video con essere pertinentecomporta- ed eventi contestuali (marcatori di tempo, risposte giusto / sbagliato).
3. Importare tutti i dati esterni con l'intestazione appropriata: z-score di segnale EEG (impegno cognitivo), z-score del segnale di EDA (coinvolgimento emotivo), z-score dei dati di valenza (coinvolgimento emotivo). (Fare clic su "File / Importa / dati esterni ...". Selezionare il tipo di file appropriato e selezionare il file CSV corretto.)
Sincronizzare ora tra i computer in base a queste formule:
1. Time occhio lo sguardo di tanto in EEG = tempo nell'occhio sguardo + secondo marcatore in EEG - primo marcatore nello sguardo degli occhi.
2. Time occhio sguardo di tanto in riconoscimento delle emozioni facciali = Time occhio sguardo + primo marcatore in emozione facciale - primo marcatore nello sguardo degli occhi.
3. Time occhio lo sguardo di tanto in attività elettrodermica = Time occhio sguardo + primo marcatore in attività elettrodermica - primo marcatore nello sguardo degli occhi.
Inserisci i dati di correzione premendo il tasto "Ctrl + Shift + =221 ;, per aprire il menu Offset. Selezionare "Offset numerico" per inserire il tempo in secondi tra ogni coppia di fonti di dati [OK?]), Secondo i calcoli di cui sopra.
Generare un report in base alle variabili di interesse per lo studio.
1. Selezionare le variabili interessanti che saranno generati nel report (cliccare su "Analizza / Select Dati / Nuovo profilo dati ..."). Da sinistra, far scorrere le variabili desiderate tra la casella "Start" e la casella "Risultati", sulla destra.
2. Generare il rapporto. (Fare clic su "Analizza / Analisi Numerica / Nuovo ...", cliccare su "Statistiche" e selezionare la casella medio nel menu Dati esterni. Chiudi facendo clic su "Calcola".)
Esportare i dati in un software di analisi statistica e di eseguire analisi in funzione degli obiettivi di studio.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Le figure 2 e 3 mostrano schermate dei risultati dell'integrazione e sincronizzazione dei dati comportamentali, emotivi e cognitivi impegno in un'applicazione software di analisi comportamentale. In entrambe le figure, la parte sinistra organizza i soggetti di ricerca e lo schema di codifica. Nella sezione centrale, un video (con punti rossi) mostra l'occhio lo sguardo del soggetto durante il compito. Impegno comportamentale del soggetto può essere dedotta sulla base di quello che lui / lei sta guardando durante l'attività e quali azioni vengono prese. Nella parte inferiore, un marker tempo scorre in modo sincrono tre tracce di dati: l'EDA (eccitazione) e facciale valenza emozione per l'impegno emotivo e l'indice di impegno EEG per l'impegno cognitivo. Quando i dati sono raccolti da tutti i soggetti, il software fornisce anche statistiche descrittive di base che possono eventualmente essere utilizzati per eseguire analisi intersoggettiva in altri software di analisi statistica.

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

Figura 2. multidimensionali Engagement dati all'inizio di una Task-Problem solving. Uno screenshot di un soggetto, all'inizio di una fase di problem-solving. Lo studente sta leggendo l'introduzione al problema: lo sguardo occhio è sulla terza riga. In questo momento (la linea rossa rappresenta un cursore volta), l'eccitazione del soggetto ha appena superato un picco di anticipazione del problema da risolvere, ma è ancora elevato rispetto al basale, valenza emotiva sembra folle, e EEG impegno cognitivo sembra al suo massimo . Clicca qui per vedere una versione più grande di questa figura.

Figura 3. multidimensionali Engagement dati Durzione di una pausa nel. Dati attività da una pausa prima di un compito di problem-solving. Questa pausa è utile stabilire basale del soggetto poco prima del compito. Qui, perché gli occhi del soggetto sono chiusi, i dati di valenza non sono disponibili. Impegno cognitivo (segnale EEG) è in aumento un po 'dal suo minimo. Il soggetto è lentamente nuovamente impegnata con il compito, anticipando la fine della pausa. Eccitazione (segnale EDA) è in costante diminuzione. Clicca qui per vedere una versione più grande di questa figura.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

In termini di fasi critiche all'interno del protocollo, si deve in primo luogo rilevare che la qualità dei dati è sempre l'obiettivo principale per tecniche di raccolta neurofisiologiche. In questa metodologia, assistenti di ricerca devono prestare particolare attenzione a istruire i temi per ridurre al minimo i movimenti della testa che interferiscono con il monitoraggio di valenza (perdendo corretto angolo di fronte per la fotocamera) o generare artefatti myographic nel EEG. D'altra parte, un equilibrio deve essere mantenuto tra l'autenticità del vero problema solving e interventi fatta per la raccolta di dati più ergonomico. E 'anche importante notare che la raccolta dati EEG è soggetto a fluttuazioni elettromagnetici nell'ambiente. Strutture EEG tradizionali cercano di isolare il loro apparato dalle fluttuazioni elettromagnetiche con gabbie di Faraday. Tuttavia, poiché alcune delle attrezzature utilizzate in questa metodologia potrebbe generare oscillazioni elettromagnetiche (principalmente il dispositivo di eye-tracking) all'interno della gabbia di Faraday, thè l'approccio sarebbe inefficace. Superiamo i problemi elettromagnetici prestando particolare attenzione alla messa a terra e schermatura tutti i dispositivi elettrici.

Per quanto riguarda le modifiche e la risoluzione dei problemi con la tecnica, la strategia di sincronizzazione iniziale si basava sulla capacità del software di sincronizzazione per l'appunto "start" raccolta di dati su più computer e programmi insieme. Poiché sono stati osservati ritardi critici e incoerenti tra computer e programmi, di post-raccolta risincronizzazione si è resa necessaria. Di conseguenza, un dispositivo syncbox stato aggiunto all'architettura. Il syncbox invia un marcatore TTL a tutti i computer ei programmi che raccolgono i dati. Sincronizzazione diventa una questione di calcolo del ritardo tra il primo marker syncbox.

Una limitazione della tecnica che deve essere menzionato è la precisione di analisi del segnale, che è limitata dall'indice impegno cognitivo. A causa dellaassunti di base della FFT, questo indice è generato su base un'epoca 1 sec: lo script impegno conoscitivo genera un valore ogni secondo. In questo paradigma, che si concentra sulla autentica soluzione dei problemi, questo lasso di tempo è accettabile, ma gli studi più precisi di ingaggio potrebbe incontrare alcune limitazioni con questo lasso di tempo per l'analisi.

Rispetto ai metodi esistenti / alternative, si deve rilevare che valenza emotiva può anche essere determinata con pressione volume del sangue ^{18, 25} sensori. Questa tecnica può anche essere integrato in future ricerche per valutare la sua precisione rispetto al segnale valenza da software di riconoscimento facciale emozione. Dobbiamo anche ricordare che l'indice di impegno cognitivo utilizzato in questo studio è una nota che è stata usata in precedenti ricerche pubblicate. Alcuni produttori di dispositivi EEG leggeri sostengono di fornire una misura simile, ma è difficile valutare la qualità dei dati grezzi ed elaborati dali loro algoritmi sono inediti.

Infine, questa tecnica presenta molte possibili applicazioni in diversi campi. Naturalmente, sarà del valore nel campo dell'istruzione. Tra le altre possibilità, questa tecnica di valutazione impegno potrebbe essere un potente strumento per informare progettisti di corsi. Ad esempio, come osservato Martens, Gulikers e Bastiaens ^26, "molto spesso, gli sviluppatori tendono ad aggiungere multimedia componenti aggiuntivi, simulazioni, e così via, soprattutto perché la tecnologia rende possibile, anche se non si basano su un'attenta analisi educativo e design ". Così, i dati neurofisiologici potrebbe informare progettisti se uno specifico add-on è prezioso, se il contenuto è troppo complesso, se le strategie di apprendimento proposti sono efficienti, ecc Inoltre, la valutazione in tempo reale di studente impegno apre nuove possibilità per adattativo ambienti di e-learning o e-valutazione. Siamo in grado di prevedere uno studente, che indossa un casco leggero EEG, essere stato avvertito dal sistema when la sua / il suo livello di impegno è in calo e, per esempio, viene richiesto di mettere in pausa o reagire di conseguenza. Sarebbe anche possibile sviluppare compiti di valutazione adattativi, basato su indici di impegno. Una buona dose di ricerca e sviluppo sono attualmente in corso nel settore innovativo delle interfacce cervello-computer (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).