Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Behavior
Click here for the English version

Behavior

학습 장애가 있는 성인의 메타코그니션 및 자율 규제를 평가하기 위한 멀티모달 프로토콜

Published: September 27, 2020 doi: 10.3791/60331
Automatic Translation
1, 1, 1, 1, 2, 2
1University of Oviedo, 2University of Central Florida

Summary

현재 의결은 DD를 가진 성인의 어려움의 기초를 구성하는 메타인지, 학습의 자기 규제 및 정서적 과정에 초점을 맞춘 다중 모달 평가 프로토콜을 제안합니다.

Abstract

학습 장애(LD)는 학습과 학업 기술을 사용하는 데 어려움을 가진 사람들의 장애를 포함하며, 읽기, 쓰기 및/또는 수학 분야에서 연대순 연령에 대한 기대 이하의 성과를 나타내고 있습니다. LD를 구성하는 무질서의 각각은 다른 적자를 관련시킵니다; 그러나, 몇몇 공통점은 자기 규제 및 metacognition를 배우는 관점에서 그 이기질성, 그 안에서 찾아낸다. 초기 연령과 이후의 교육 수준과 는 달리, LD를 가진 성인을 위한 증거 기반 평가 프로토콜은 학업 성과에 영향을 미치지만 전문, 사회 및 가족 적 맥락에서 심각한 결과를 초래합니다. 이에 대한 대응으로, 현재의 작업은 DD를 가진 성인의 어려움의 기초를 구성하는 메타인지, 학습의 자기 규제 및 정서적 과정에 초점을 맞춘 다중 모달 평가 프로토콜을 제안합니다. 평가는 다양한 방법, 기술 및 센서(예: 아이트래킹, 감정의 얼굴 표정, 생리적 반응, 동시 언어화, 로그 파일, 인간-기계 상호 작용의 화면 기록) 및 오프라인 방법(예: 설문지, 인터뷰 및 자체 보고서 측정)을 사용하여 온라인 학습 프로세스의 분석을 통해 수행됩니다. 이론적으로 주도적이고 경험적으로 기반한 이 지침은 효과적인 예방 및 개입 제안을 설계하기 위해 성인기에 있는 LD에 대한 정확한 평가를 제공하는 것을 목표로 합니다.

Introduction

특정 학습 장애(SD)는 학습및 학업 능력을 사용하는 데 어려움을 가진 사람들의 장애를 포함하며, 읽기, 쓰기 및/또는 수학분야에서연대순 연령에 대한 기대 이하의 성과를 나타낸다1,2. 분석된 연령, 언어 및 문화에 따라 보급률의 상이한 추정이 있지만 5%에서 15%1,,3사이이다. 정신 장애의 진단 및 통계 매뉴얼에서 신경 발달 장애의 글로벌 범주 내에서 (5th Ed.) 도 1,최근 몇 년 동안 접근하는 방법에 대한 다양한 논쟁을 초래한 일반적인 장애이기 때문에 주의-결핍/과잉 행동 장애(이하 ADHD)의 발생률에 집중할 필요가 있다. DSM-51에기초하여, 부주의 및/또는 과잉 행동-충동성의 지속적인 행동의 패턴으로 정의될 수 있다. 마찬가지로, 자폐 스펙트럼 장애(이하 ASD)는 중추신경계의 다인자 적 기능 장애의 결과로 신경발달 장애를 일으킨 학생을 포함하는 동일한 매뉴얼의 범주로, 사회적 상호 작용, 의사소통 및 관심사 및 행동1,,2의3가지 근본적인 영역에서 질적 장애를 초래한다.

이러한 라인에서, 새로운 개념은 적자의 감각에서 벗어나 고도로 공존하고 겹치는4로신경 발달 어려움의 현재 아이디어와 일치하기 위해 이러한 장애에 대한 보다 긍정적 인 접근 방식을 제공하는 등장했다. 이러한 새로운 모델에서, 원하는 목표를 달성하기 위해 자신의 행동을 관리하고 규제 할 수있는 높은 수준의 인지 과정에 관련된 기술이 자율 규제에 매우 중요하며, 따라서 학술 을 포함한 일상 생활의 활동에 대한 것으로 이해된다5. 성인기의 맥락에서, 신경 다양성은 ADHD와 ASD를 포함하여 어려움의 각종 모형을 포함하기 위하여 발전했습니다, 난독증, 난독증 및/또는 난독증. 따라서, 우리는 학습 어려움 (LDs)의 광범위한 개념에서이 신경 다양성에 접근하고있다. 중등 교육에 등록 된 이러한 다양성을 가진 학생들의 증가는 잘 문서화되어 있으며, 부분적으로, 장애가있는 학생들을위한 고등학교 졸업률의증가에기인6, 그러나 동시에, 이 학생들의 학습 과정에 대한 연구가 덜 있다7.

고립되어 접근한 각 장애는 다른 적자와 증상을 수반합니다. 그러나, 일부 공통점은 대사인지, 자율 규제, 정서적 오작동,8,9,910,,11과같은 LD의 관점에서 이질성 내에서 발견될 수 있다. 일반적으로 학습문학의 세 가지 기본 토대, 특히 LD는 성공적인 학습의 기초를 나타내며, 학문적 수준12에서이러한 잘 알려진 어려움에서 필수적인 역할을 한다. 이뿐만 아니라, 다른 접근법은 ADHD 및 독서장애(13 또는 ADHD 및 ASD5)와같은 다른 장애에서 발생하는 자동 처리 또는 작업 메모리의 문제와 같은 집행 기능의 적자 사이에 일정한 공통점이 있을 수 있음을 이해합니다. 그러나 모든 연구가 집행 기능과 관련하여 공통적으로 이러한 점에 대해 동일한 결론에 도달하지 않기 때문에이 분야에서 수행해야 할 작업이 여전히 있습니다. 그것은 연구가 기초하는 견본에 의해 제시된 변이 및 조사에 사용된 집행 기능의 평가 절차5,,14때문일 수 있습니다.

교육용어로, 이러한 다양한 혼합은 영향을 받는 기능의 근본적인 특성으로 인해 학습의 질뿐만 아니라, 학교와대학의경제적 영향과 함께 학교 중퇴, 학위 변경 등과 같은 현상에도 영향을 미친다. 일반 인구16학년 학생보다 중퇴율은 16명보다 높지만, 정서적 장애가 있는 학생을 제외한 다른 심리적 장애 범주에 대한 중퇴율보다높다( 17). 반면, 사후 교육(직업훈련, 대학 등)에 접근하는 LD를 가진 학생수는15명,특히 고등교육,19명,20,21,22명이증가하고있다., 또한, 공식적으로 학생 서비스를 통과하고 일반적으로 보급 통계를 구성하는 사람들보다 LD를 가진 더 많은 학생이 있다고 가정 할 수 있습니다23.

이러한 어려움은 어린 시절, 특히 이러한 장애이전에 태어난 성인이 정규 학문 시스템에서 고려되고, 이러한 장애의 증상은 사람들의 삶 전반에 걸쳐 지속되고 직장, 교육 및 개인 생활에 어려움을야기한다(24). 연구는 사람들이 그들의 어려움의 일부를 극복 할 수 있지만, 대부분은 성인기 동안 학습과 투쟁을 전시하고 그들의 지속성은 여전히 그 높은 교육 수준에서 문제가 있음을 보여 주었다25.

역설적으로, 이전 교육 수준 및 이전 나이와는 달리, 거의 어떤 증거 기반 도구 또는 LDs를 가진 성인을 위한 평가 프로토콜이 있다. 어린 시절 LD를 평가하는 진단 도구가 확산되고 있음에도 불구하고 성인 인구에 대한 유효하고 신뢰할 수 있는 기기 및 방법론의 가용성은24로크게 제한됩니다. 고등 교육에서 학습 장애에 대한 최근 문학 검토는이 점에서 수집 된 정보의 대부분은 인터뷰를 통해 수행되는 것으로 나타났습니다, 단지 때때로26을 사용하는 자기 보고서 설문지입니다. 자기 보고 방법론과 인터뷰는 가치가 있지만, 메타인지, 자율 규제 및 정서적 능력 프로세스를 정확하게 평가하기에 충분하지 않습니다. 이러한 공정을 측정하기 위한 스케일 및 면접 방법론의 중요성은 부인할 수없지만,,28타당성(29)의 관련 문제와 다른 혁신적인 평가방법(30)과위화감도 있다. LD의 검출에 있는 추가 문제점은 포괄적인 평가 프로토콜의 부재 때문에 무질서의 진단에 있는 편견입니다. 전문가가 객관적인 변수에 따라 참조 프로토콜을 가지고 있지 않다는 사실은 종종 LDs31의많은 거짓 긍정 및 거짓 부정적인 경우를 일으키는 원인이됩니다.

성인을 위한 기기의 희소성과 기존 방법론을 개선할 필요성에 대한 응답으로, 현재 연구는 LD를 가진 성인의 어려움의 기초를 구성하는 메타인지, 자율 규제 및 정서적 과정에 초점을 맞춘 다중 모달 평가 프로토콜을 제안합니다. 현재 문헌에 따라 통합 및 멀티채널측정(32,,33)을향한 움직임을 제안한다. 평가는 여러 가지 방법, 기술 및 센서(예: 하이퍼미디어 학습 환경, 가상 현실, 아이트래킹, 감정표정, 생리적 반응, 로그 파일, 인간-기계 상호 작용의 화면 기록) 및 오프라인 방법(예: 설문지, 인터뷰 및 자체 보고서 측정)을 사용하여 온라인 학습 프로세스를 분석하여 수행됩니다. 이 혼합 방법론은 학생이 배우는 방법과 문제가 있는 곳,34가있는 경우, 학생의 학습 방식과 문제의 위치를 높이기 위해 삼각화 될 수있는 학습 전, 도중 및 학습 후 대상 프로세스의 배포의 증거를 제공합니다.

평가 프로토콜은 두 세션에 걸쳐 수행됩니다. 세션은 한 자리에서 수행하거나 사람에 따라 부분 응용 프로그램이 필요할 수 있습니다. 첫 번째는 LD의 검출 또는 확인과 우리가 직면하고있는 장애의 특정 종류에 초점을 맞추고, 두 번째는 깊이 각 개별 케이스의 메타 인지, 자기 조절 및 정서적 과정에 들어가도록 설계되었습니다.

세션 1은 참가자의 학습 장애의 진단 또는 확인 평가로 의도됩니다: SLD, ADHD 및/또는 ASD (고기능) 참가자가 가지고있는 특정 문제의 유형을 결정하기 위하여. 이 평가는 두 가지 이유로 필수적입니다. 1) 학습 장애가있는 성인은 거의 자신의 기능 장애 행동에 대한 정확한 정보를 가지고 하지 않습니다. 그들 중 일부는 그들이 LD를 가지고 있지만 평가 된 적이 없다고 의심한다. 다른 사람들은 어렸을 때 평가되었을 수 있지만 보고서 나 추가 정보가 없습니다. 2) 이전 진단과 불일치가있을 수 있습니다 (예를 들어, 주의력 결핍과 느린 처리 속도의 현재 진단과 반대로 이전 난독증 진단; 현재 제한된 지적 능력 등과는 대조적으로 이전 ASD 진단). 참가자는 면접을 통해 설문지와 표준화된 테스트가 적용됩니다. 이 세션은 스페인 심리학 학부의 다른 사무실에서 연구 및 임상 맥락에서 개발 및 학습 어려움을 진단한 경험이 있는 치료사에 의해 수행됩니다. 세션은 DSM-51에언급된 SL과 관련된 증상의 존재와 함께 전기 정보를 수집하는 구조화 된 인터뷰로 시작됩니다. 그 다음으로, 참조 지적 능력 테스트WAIS-IV(35)는 제외 기준 구현의 경우 사용되며 저울 "작업 메모리"와 "처리속도"(36)로부터학습 에 어려움을 학습하는 데 매우 귀중한 정보를 제공하기 때문이다. 또한, PROLEC SE-개정 시험37은 ADHD38과같은 다른 장애와 겹치는 현재 학업 맥락에서 학습에 가장 널리 퍼지고 비활성화하는 어려움 중 하나인 독서 장애(어휘, 의미 론 및/또는 구문 판독 과정)를 평가하는 데 광범위하게 사용된다. 이 평가는 독서 장애와 함께 읽기 정확도, 속도 및 유창성을 수집하고, 더 중요한 것은 읽기 과정이 실패가 발생하는37 (이 시험은 대학생과 함께 평가되었습니다. 현재, 일반 성인 인구에 적응 하는 스페인에서 아무 테스트, 그래서이 테스트 대상 인구에 가장 가까운 때문에 선택 되었습니다.) 그런 다음, 세계보건기구(WHO) 성인 ADHD 자기보고 척도(ASRS)(ASRS)를 통해 ADHD의 증상을 선별하고, 이 장애의 평가를 구체화하고, 성인의 주의 과정 및 작업 메모리 평가를 위한 최첨단 가상 현실 연속 성능 테스트를 통해 다단계성을도입하고,네스플로라 수족관39 31,40을소개한다. 이 테스트는 객관적이고 신뢰할 수 있는 데이터를 제공하는 생태 학적 시나리오에서 16 세 이상의 성인과 청소년에서 ADHD를 진단 할 때 매우 유용한 도구입니다. 선택적이고 지속적인 주의, 충동성, 반응 시간, 청각 및 시각적 관심, 인내, 주의 집중의 품질, 운동 활동, 작업 기억 및 작업 변경 비용을 평가합니다. 또한, 참가자의 지적 능력에 대한 정보를 수집하기 위한 WAIS-IV35와 함께 학습 장애와 관련이 있고 이러한 스케일의 결과가 최종 결정에 사용되기 때문에 "작업 메모리"와 "처리 속도"에 특별한주의를 기울입니다. 마지막으로, 우리는 프로토콜에 자폐증 스펙트럼 지수 (AQ-Short)41, 남작 코헨, 휠라이트, 스키너, 마틴과 Clubley42에서신뢰할 수있는 AQ 성인의 짧은 버전을 포함한다.

세션 2는 참가자의 학습 과정에 대한 다중 모달 평가에 중점을 둡니다. 복잡한 학습을 이해하는 열쇠는 학생들의 인지, 메타인지, 동기 부여 및 정서적 과정43의배포를 이해하는 것입니다. 이를 위해 참가자들은 MetaTutor와 협력하여 학습하는 동안 배치된 메타인지 및 인지 전략의 사용이 관찰됩니다. MetaTutor는 다른 과학 주제를 배우면서 학생들의 자기 규제 학습을 감지, 모델링, 추적 및 육성하도록 설계된 하이퍼미디어 학습 환경입니다44. 메타투터의 설계는 아제베도와 동료에 의해 광범위한 연구를 기반으로43,,45,,46,,47 SRL의 측정에 새로운 추세에 속한다, 소위 제 3 파,이는 측정 및 고급 학습 기술의 결합 사용 특징(33). 메타투터의 사용은 또한 다중 모달 추적 데이터를 제공, 같은 측정을 통합, 눈 추적, 정서적 생리 반응 (갈바닉 피부 반응 (GSR) 및 감정의 얼굴 표정)48,로그 데이터 및 설문지. 이러한 모든 조치는 참가자 SRL 및 메타코그니션에 대한 깊은 이해를 위해 결합됩니다.

아이 트래킹은 즉각적인 주의를 끄는 것, 대상 요소가 무시되는 요소, 순서 요소가 발견되는 요소 또는 요소가 다른 요소와 어떻게 비교되는지에 대한 이해를 제공합니다. 전기하수 활동은 환경에 대한 반응에서 정서적 각성 변화가 얼마나 되는지 알 수 있게 해줍니다. 얼굴 감정 인식은 얼굴 표정의 자동 인식 및 분석을 허용합니다; 데이터 로깅은 추가 분석을 위해 학생과 학습 환경의 상호 작용을 수집하고 저장합니다. 설문지에 대해 미니 인터내셔널 성격 항목 풀(49)은 사람들이 5 가지 주요 성격 특성 (외향성, 기분, 양심성, 신경증 및 개방성)을 평가하는 일상 생활에서 경험하는 다양한 활동과 생각을 알려줍니다. 에피소드 학적 신념의 음원 측면50 지식에 대한 참가자의 믿음에 대한 정보를 제공합니다. 로젠버그 자부심 척도는 참가자들이 전체51에대해 어떻게 느끼는지 보여줍니다. 감정 조절 설문지52는 참가자의 감정 조절에 대한 정보를 제공합니다. 성취감정설문지(AEQ)53은 일반적으로 대학에서 경험한 감정에 대해 알려줍니다.

요컨대, 성인기 동안 LD를 평가하는 것은 특히 어렵습니다. 교육과 경험은 많은 성인이 적자를 보상하고 나중에 과학적 지식이 여전히 부족한 미분화 또는 마스크 증상을 보여 줄 수 있습니다. 중요한 연구 격차를 고려하여, 이 현재의 연구는 효과적인 예방 및 개입 조치를 설계하기 위해 성인기 동안 LD의 정확한 평가를 위한 이론적으로 주도적이고 경험적으로 기반의 지침을 보장하는 것을 목표로 합니다.

독자가 설명한 방법이 적절한지 여부를 결정하는 데 도움이 되려면 진단이 학습 장애의 진단을 무효화하기 때문에 프로토콜이 지적 장애인 사람들에게 적합하지 않다고 지정할 필요가 있습니다. 또한 사용되는 장비의 특이점과 학습 콘텐츠를 보여주는 형식으로 인해 운동 장애(팔다리, 목 및/또는 얼굴), 청각 또는 시각 장애를 가진 사람을 평가하는 것은 여전히 불가능합니다. 또한 심각한 정신 질환을 가진 참가자에 대 한 적합 하지 않을 것 이다. 정보 처리 또는 감정의 생리적 표현을 변경할 수있는 약물의 사용을 필요로 할 것입니다.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

아스투리아스 공국과 오비에도 대학의 연구 윤리 위원회는이 프로토콜을 승인했다.

1. 세션 1: 진단 평가

참고: 프로토콜의 이 세션에서는 다른 게시자의 평가 테스트가 사용되며, 이 테스트에는 고유한 응용 프로그램 및 해석 매뉴얼이 있습니다. 이러한 시험, 또는 다른 유사한 것들은 심리학 및 교육 분야의 과학 계에 의해 널리 알려져 있기 때문에, 이를 적용하는 절차는 단계별로 상세한 단계가 아닙니다 (예를 들어,이 논문의 목적을 감안할 때, WAIS-IV35 응용 프로그램의 각 단계를 자세히 설명하는 것은 의미가 없습니다).

  1. 정보에 입각한 동의
    1. 참가자들에게 연구의 윤리적, 기밀성 측면을 설명하고 개별 정보에 입각한 동의를 인정하고 서명하도록 요청하십시오.
  2. 구조화 인터뷰
    1. 참가자에게 다음과 같은 지침을 설명하십시오: "이제 여러분의 삶과 학문적 문제에 대한 중요한 정보를 얻기 위해 여러분을 인터뷰할 것입니다. 개방적이고 닫힌 질문이 있지만 원할 때마다 나를 방해 할 수 있습니다. 제발, 당신이 어떤 점을 명확히 하기 위해 저를 필요로하는 경우 알려주세요. 이 초기 인터뷰 후, 나는 몇 가지 평가 테스트 및 설문 지를 할 당신을 요청할 수 있습니다. 나는 당신에게 각 하나에 대한 구체적인 지침을 말할 것이다. 준비가 되셨나요?"
    2. 인터뷰 스크립트 에 이어 DSM-51에 언급되는 SLD 및 제외 기준과 관련된 증상의 존재와 함께 전기 정보를 수집합니다(보충 파일 A 참조).
  3. 구조화 면접과 관련된 첫 번째 결정 지점(제외 기준)
    1. 참가자가 초기 배제 기준을 충족하는 경우 평가를 완료, 즉, 그들은 운동 장애 (상부 세그먼트), 감각 장애 (시각 또는 청각), 지적 장애의 진단 또는 심각한 정신 장애가 있다고 설명합니다.
    2. 참가자가 SLD를 가지고 있고 배제 기준을 충족하지 않는다고 생각하거나 생각한 것으로 보이는 경우 평가를 계속합니다.
  4. 지적 능력
    1. WAIS-IV35 테스트를 적용하여 매뉴얼의 지침에 따라 참가자의 지적 능력에 대한 정보를 수집합니다.
  5. 지적 능력과 관련된 두 번째 결정 지점(제외 기준)
    1. 참가자가 시험 지침을 이해하지 못하거나 평가할 수 없거나 IQ가 70 미만인 경우 평가를 완료합니다.
    2. 사람이 정상 또는 제한된 지적 능력이있는 경우 평가를 계속합니다.
      참고: 본 연구에서 허용되는 IQ의 한도는 70점 이상으로 설정되었습니다.
  6. Adhd
    1. 참가자에게 성인 v1.1의 자체 보고 심사 설문지 의 6 가지 항목을 완료하도록 요청하십시오. (ASRS39)세계보건기구(WHO) 국제구성 진단 인터뷰.
      참고: 이 설문지는 DSM-IV54에서언급되는 ADHD와 관련된 증상의 존재에 대한 정보를 제공합니다.
    2. 참가자가 이전 ASRS36 설문지에서 12 점 이상을 득점한 경우 네스플로라 수족관테스트(40)를 적용합니다.
  7. 읽기 어려움
    1. 읽기 어려움의 PROLEC SE-R 스크리닝 시험을 적용37 매뉴얼의 지침을 따르십시오.
  8. 자폐 스펙트럼 장애 (레벨 1)
    1. 참가자에게 Hoekstra 등41의 자폐 스펙트럼 지수 (AQ-Short) 설문지 28 항목을 완료하도록 요청하십시오.
      참고: 이 설문지는 사회적 행동, 사회적 기술, 루틴, 전환, 상상력 및 숫자/패턴과 관련된 증상의 존재에 대한 정보를 제공합니다.
  9. 결과를 분석합니다.
    1. 각 참가자의 인터뷰, 설문지 및 테스트 결과를 분석하고 학습에 상당한 어려움이 있는지 아닌지 여부를 결정합니다.
      참고: 전문가 위원회(평가자 및 연구팀의 다른 구성원)의 두 위원은 각 참가자의 학습 프로필을 분석하고 SLD, ADHD 및/또는 ASD를 가진 학생인지 여부를 결정합니다. 어떤 테스트도 전문가의 판단을 대체할 수 없습니다.
  10. 최종 결정 지점
    1. 참가자가 학습 장애가 있는 학생이 아닌 경우 평가를 완료합니다.
    2. 참가자가 D(또는 위험에 처한 사람)인 경우 평가를 계속하고 세션 2로 이동합니다.

2. 세션 2: 멀티 모달 평가

참고: 세션 2는 세션 1 이후 1~7일 이내에 수행해야 합니다.

  1. 참가자를 준비합니다.
    1. 세션이 약 2시간 동안 지속되며 일부 장치가 세션 전체에서 성능을 기록하는 동안 MetaTutor 학습 환경에서 일부 설문지와 작업을 완료할 것임을 상기시킵니다.
    2. 참가자들에게 머리를 묶고, 목을 맑게 하고, 안경을 벗고, 해당되는 경우 껌을 제거해 달라고 부탁한다.
      참고: 참가자가 안경을 쓰고 있거나 얼굴 의 일부를 덮는 긴 머리카락이나 앞머리가 있는 경우, 아이 트래커는 눈의 움직임을 읽을 수 없습니다.
    3. 참가자에게 메타투터를 소개합니다. 세션의 목적은 도구를 사용하여 순환 시스템에 대해 자율적으로 배우는 것이라고 설명한다.
    4. 스피커가 연결되어 있고 작동하는지 확인합니다.
      참고: 참가자는 원하는 경우 헤드폰을 사용할 수도 있습니다.
  2. 갈바닉 피부 반응 준비 및 교정
    참고: 다른 회사에서 제조한 많은 유형의 GSR이 있다는 것을 기억하십시오. 공급업체의 사양에 따라 사용하십시오.
    1. GSR과 참가자의 손가락을 알코올로 청소하십시오.
    2. 손가락/손목밴드 GSR 센서를 검지와 링 핑거팁 측 또는 제조업체의 지침에 따라 배치합니다.
    3. 참가자에게 조용히 테이블에 손을 얹고 5분 동안 휴식을 취하도록 요청하십시오.
    4. 컴퓨터에서 소프트웨어를 엽니다.
    5. 등록 그래프가 작동하는지 확인합니다. 등록 그래프가 등록되어 있는지 확인합니다.
    6. 클릭 실행 실험 > 초당 속도 10 > 지속 시간 > 10 > 분. 기준선을 설정하려면 10분 동안 정보를 기록합니다.
      참고: 초당 10의 속도는 측정이 수행되는 빈도를 의미합니다.
    7. 화면을 최소화합니다.
    8. 다른 장치의 교정을 계속하고 10 분 후에 .csv 파일에 정보를 저장합니다.
  3. 아이 트래킹 및 웹캠 준비 및 교정
    참고 : 다른 회사에서 제조 아이 트래킹 및 웹캠의 많은 유형이 있음을 기억하십시오. 공급업체의 사양에 따라 사용하십시오.
    1. 사이드 랩톱과 컴퓨터에서 소프트웨어를 엽니다.
      참고: 참가자가 작업 중인 PC에서 눈 의 움직임이 캡처되지만 데이터는 측면 랩톱에 기록됩니다. 또한 측면 랩톱에서는 참가자가 하는 움직임을 확인하고 필요한 경우 참가자의 위치를 수정할 수 있습니다.
    2. 기록될 세션(이 경우 메토투터)과 참가자의 등록 데이터: 파일 > 최근 실험 > 메타투터 > 참가자의 등록 데이터 포함 > OK.
    3. 두 컴퓨터가 서로 연결되어 있고 아이트래킹 적외선표시등이 켜져 있고 눈의 움직임을 포착할 준비가 되어 있는지 확인합니다.
    4. 컴퓨터의 웹캠을 참가자의 위치로 조정합니다.
    5. 참가자에게 앞으로 앉아서 가능한 한 중립적이도록 요청하지만 학습 세션 중에 얼굴 표정이 다를 것으로 예상됩니다.
      참고: 학습 세션 중에 참가자의 얼굴 비디오가 웹캠으로 기록되며 나중에 데스크톱 앱55를사용하여 분석됩니다.
    6. 참가자에게 가만히 있어야 하고 코가 책상 가장자리(90°)에 약간 일치하도록 화면의 다른 지점을 응시하도록 요청합니다.
    7. 기록 > 참가자의 등록 데이터를 작성 > 확인 보정 프로세스를 시작합니다.
    8. 참가자에게 스페이스 바를 누르고 눈으로 화면의 점을 따르도록 요청합니다.
    9. 화면을 볼 때 참가자의 눈이 다음 단계로 이동하기 전에 측면 노트북을 사용하여 이 정보를 확인하는 지 확인합니다.
      참고: 두 개의 흰색 원이 있는 측면 노트북 화면에 눈의 움직임이 등록될 때 참가자의 시선이 중심이 됩니다. 시선이 등록 영역을 떠날 때 소프트웨어는 노란색 화살표(약간 벗어난 경우), 빨간색 화살표(많이 이탈한 경우) 또는 흰색 원없이 경고합니다(등록하지 않은 경우). 눈의 움직임경로는 노란색 광(주의 집중)과 녹색 선으로 화면을 통과하는 트랙으로 반사됩니다.
    10. 참가자들에게 얼굴을 만지거나 머리를 가능한 한 많이 손에 안아 주지 말아 달라고 한다.
    11. 화면을 최소화합니다.
  4. 학습 세션의 멀티 모달 추적
    1. GSR 화면을 최대화하고 달리기 실험 > 초당 10속도 > 지속 시간 > 5 > 시간 > hours 기록을 클릭하고 화면을 다시 최소화하십시오.
    2. 아이 트래킹 및 웹캠 화면을 최대화하고, 소프트웨어가 제대로 작동하는지 확인하고, 컴퓨터와 사이드 랩톱에서 기록을 클릭하여 세션을 등록하고 기록하고 화면을 다시 최소화합니다.
      참고: 장치가 보정되면 각 장치에서 평가 세션을 기록하는 것을 잊지 마십시오. 이 시점부터 학습 도구와의 전체 참가자 상호 작용은 세션이 끝날 때까지 기록됩니다.
  5. 메타투토르의 설문지 및 학습 세션
    1. PC에서 소프트웨어를 열고 참가자의 등록 데이터를 완료합니다. 완전한 ID > 실험자 > 일 > 설문지 예 > 계속.
      참고: 모든 로그가 세션 중에 파일 데이터 로그에서 등록됩니다.
    2. 참가자에게 도구의 지침을 따라야 하며 학습 세션 중에 컴퓨터와만 상호 작용해야 한다고 설명합니다. 연구원은 어떤 일이 일어날 경우에 다음 방에있을 것이라고 설명한다.
      1. 참가자에게 사회인구 통계학적 정보 및 학술 정보를 요청하십시오. 전체 이름 > 성별 > 연령 > 민족 그룹 > 교육 수준 > 대학 > 학위 > GPA > 해당 되는 경우 촬영 생물학 과정에 대 한 정보 > 계속. 계속을클릭하기 전에 참가자들에게 도구가 제공하는 모든 지침을 따라야 한다고 설명합니다. 또한 학습 세션 중에 컴퓨터와만 상호 작용합니다.
      2. 참가자에게 몇 가지 설문지를 작성하도록 요청합니다.
        참고 : 참가자는 다섯 메타 인지 및 자기 규제 학습 설문지를 완료해야합니다 : a) 미니 국제 성격 항목 풀49; b) 에피소드학적 신념의 현관적 측면50; c) 로젠버그 자부심 규모51; d) 감정 조절 설문지52; e) 성취감정설문지(AEQ)53및 순환시스템에 대한 일반적인 지식에 대한 하나의 설문지.
      3. 참가자에게 MetaTutor의 인터페이스와 다른 부분을 표시합니다.
        1. 콘텐츠 영역이 세션 전체에 텍스트 형식으로 표시되는 위치에 있음을 참가자에 설명합니다.
        2. 참가자가 화면 측면의 콘텐츠 테이블을 탐색하여 다른 페이지로 이동할 수 있음을 표시합니다.
        3. 참가자에게 세션 중에 전체 학습 목표가 화면 상단에 표시됩니다.
        4. 하위 목표 학습자가 설정된 하위 목표 학습자가 화면 중앙상단에 표시되고 하위 목표를 관리하거나 여기에 우선 순위를 지정할 수 있음을 참가자에게 보여 주세요.
        5. 화면 왼쪽 상단 모서리에 타이머가 있는 참가자에게 세션에 남은 시간을 표시합니다.
        6. 참가자에게 화면 오른쪽에 있는 팔레트에 표시되는 자체 조절 프로세스 목록을 표시하고 참가자는 세션 전체에서 이를 클릭하여 계획, 모니터링 및 학습 전략을 배포할 수 있습니다.
        7. 학습자가 다른 소스의 정보를 조정하는 데 도움이 텍스트 옆에 콘텐츠 페이지와 관련된 정적 이미지를 참가자에게 보여 주세요.
        8. 참가자에게 키보드에 입력된 텍스트와 학생의 에이전트와의 상호 작용이 인터페이스의 이 부분에 표시되고 기록되는 방법을 보여 줍니다.
        9. 참가자에게 세션 내내 학습을 돕는 4명의 인공 에이전트를 보여 준다.
          참고 : 이 에이전트는 개빈 가이드, 팸 플래너, 메리 모니터, 샘 스트라테기저입니다.
      4. 참가자에게 시작을 클릭하여 준비가 되면 학습 세션을 시작하도록 요청합니다.
        참고: 참가자가 도구와 상호 작용합니다.
      5. 세션이 끝나면 참가자에게 지식 설문지를 다시 작성하도록 요청합니다.

3. 로그오프

  1. 세션이 끝나면 참가자의 등록 데이터와 함께 GSR, 아이트래킹/웹캠 및 메토투터에서 기록된 데이터를 저장합니다. 쉽게 사용할 수 있도록 .csv 파일에서 데이터를 추출합니다.
  2. 참가자의 손에서 GSR 센서를 제거하고 다시 알코올로 갈바닉 센서를 청소합니다.
  3. 참가자들의 콜라보레이션에 감사드리며 작별 인사를 합니다.

4. 학습 장애 분석

  1. 생성된 다양한 보고서(결과 섹션 참조)를 기반으로 각 참가자의 학습 성과를 분석하여 멀티모달 프로파일을 얻습니다.
    참고: 전문가 위원회의 위원 2명 이상이 각 참가자의 학습 과정을 분석합니다. 새로운 악기와 도구를 사용하여 평가를 철저히 수행할 수 있지만 전문가의 판단을 대체할 수 있는 보고서는 없습니다.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

이 섹션에서는 세션 1의 공동 결과 예와 세션 2의 각 정보 소스의 예를 포함하여 프로토콜에서 얻은 대표 결과를 보여 줍니다.

장애에 대한 결과는 참가자의 학습 어려움 (SLD, ADHD 및 ASD)의 진단 평가를 위해 지정된 절차 및 컷 오프 지점을 고려하여 진단 테스트를 통해 세션 1에서 수집됩니다. 전문가 위원회는 참가자가 학습 장애가 있는지 또는 학습 장애가 있는지 여부를 결정합니다(그림 1에서의사 결정의 예 참조). 참가자가 학습 장애를 나타내고 세션 2에 참여하는 경우 대체 소스의 데이터가 수집됩니다.

세션 2 동안 프로토콜은 참가자의 GSR, 얼굴 감정, 눈 움직임, 설문지 및 로그 데이터의 다섯 가지 소스에서 결과를 수집합니다.

첫째, 학습 세션(calm/흥분)56에서정서적 각성의 표시로서 GSR의 측정을 얻습니다. 학습 장애는 성인의 불안에 연결되어 있으며, 여러 연구는 1 학년에서 대학에 학습 장애를 가진 학생들이 더 높은 불안 증상을보고 발견, 성능 감소의 요인으로 작용하는57,,58,,59. 그러나 이해와 치료 사이에는 일대일 관계가 없습니다. 각 참가자의 특정 기준을 고려하여 전문가 위원회가 모든 사례를 개별적으로 분석해야 합니다. 그림 2는 불안 조절이 개입의 핵심 포인트인지 여부를 우리에게 보여줄 수 있는 두 가지 패러다임 사례를 보여줍니다.

둘째, 우리는 학습 과정에서 그들이 느끼는 다른 감정을 보여 세션 내내 참가자의 얼굴의 기록을 얻을 수 있습니다 metacognition 및 자율 규제와 이론적 관계를 고려. 그 정보를 수집하는 얼굴 감정 인식 소프트웨어의 다양한있다. 현재 의정서에서는 감정 인식을 포함하는 도구55를사용하여 비디오의 각 얼굴에 대한 감정 세트에 대한 자신감을 반환합니다 (혐오, 두려움, 분노, 행복, 경멸, 중립, 슬픔 및 놀라움). 이러한 감정은 문화적으로, 보편적으로 특정 표정으로 전달되는 것으로 이해된다60. 참가자는 세션 중에 감지된 모든 감정을 경험하는 경향이 있었지만 일반적인 추세에 대한 정보를 제공하는 각 감정에 대한 일반 인덱스를 얻을 수 있습니다. 행복, 놀라움, 즐거움 과 같은 긍정적인 활성화 감정은 본질적이고 외적인 동기 부여, 유연한 학습 전략의 사용을 용이하게하고 자율 규제를 촉진하는 것으로 생각됩니다. 반대로 지루함과 슬픔과 같은 부정적인 비활성화 감정은 동기 부여와 정보의 노력 처리를 균일하게 줄여 학습 결과에 부정적인 영향을 미칩니다. 분노, 두려움, 경멸, 혐오와 같은 중립적인 비활성화와 부정적인 활성화 감정을 위해 관계는 더 복잡할 것으로 추정됩니다. 특히 분노와 두려움은 본질적인 동기부여를 저해할 수 있지만 실패를 피하기 위한 노력을 투자하려는 강한 외설적 동기를 유발할 수 있으며, 이는 학생들의 학습에 미치는 영향이 부정적일 필요는없음을 의미합니다(그림 3참조). 결과는 분석된 감정 중 하나와의 우연의 정도를 나타내며, 각각에 0과 1 사이의 값을 할당합니다.

셋째, 아이트래킹의 데이터를 사용합니다. 아이 트래커는 고정, 및 saccades(그림 4)의관점에서 시선 정보를 캡처합니다. 현재 프로토콜에서는 고정, 특히 고정 시간 및 고정 패턴의 비율을 분석하는 데 관심이 있습니다. 이를 위해 메타투터 인터페이스에서 자율규제 평가(그림 5의직사각형으로 표시됨): AOI1 타이머, AOI2 목표 및 서브 목표, AOI3 에이전트/아바타, 비계용 AOI4 콘텐츠 테이블, AOI5 텍스트 콘텐츠, AOI6 이미지 이미지, AOI6 이미지 학습 을 위한 7가지 관심 영역(AOI) 을 정의했습니다.

간결한 개입 지침에 대한 평가 측면에서, 우리는 다음을 추론 할 수 있습니다.

AOI1의 고정은 시간 관리 및/또는 리소스 관리 전략을 나타냅니다. AOI1의 감소 또는 대규모 고정은 잘못된 시간 관리 기술을 나타냅니다. 즉시 확인해야 합니다.

AOI2의 고정은 목표 와 하위 목표를 계획, 설정 및 우선 순위를 지정하는 것을 나타냅니다. 이전 연구에 따르면 AOI7과 함께 이 특정 AOI는 MetaTutor61을통해 학습을 평가하는 데 특히 중요합니다. 이 정보는 간결하고 짧고 시각적이기 때문에 고정 비율이 매우 높지 않아야합니다(그림 6).

AOI3 에이전트의 고정은 참가자가 참가자의 목표, 행동, 자기 평가 및 진행 상황에 대한 응답으로 상호 작용 중에 에이전트가 제공하는 프롬프트와 피드백을 활용하고 있음을 보여줍니다. 학습자가 항상 오디오 프롬프트 및 피드백61을처리하기 위해 에이전트를 볼 필요가 없을 수 있기 때문에 에이전트 AOI에 대한 고정의 부족을 신중하게 고려해야한다는 점에 유의해야합니다. 이 AOI는 때때로 확인해야 합니다. 아바타는 자주 말하지 않으므로 다른 영역에 비해 고정의 작은 비율이 있어야하지만 에이전트(그림 6)와의상호 작용을 설정했다는 것을 반영합니다.

AOI4의 고정 및/또는 텍스트와 이미지/그래프(AOI5 및 AOI6) 간의 전환은 개념적이득(45)과관련된 정보 소스(COIS)를 조정하기 위한 참가자의 전략 사용을 가리킵니다. 텍스트 및 이미지에 고정의 길이는 제시 된 정보의 정확한 정신 표현에 기여하는 통합 프로세스를 나타냅니다62. COIS는 텍스트와 이미지/그래프 영역(예: 텍스트/그래프/텍스트)의 눈 고정 간의 두 번의 전환 시퀀스로 작동됩니다. AOI4는 일부 주파수로 확인해야 합니다. 정보가 명확하고 짧고 시각적이기 때문에 고정 비율이 매우 높지 않아야합니다. 고정의 가장 높은 비율은 AOI5 및 AOI6에 있어야합니다. 피사체는 대부분의 시간을 콘텐츠(즉, 서면 텍스트)를 검토하는 데 시간을 할애해야 하며, 이미지와 그래프에 주목할 만한 시간을 보내지식을 조정하고 통합해야합니다(그림 6).

AOI7에 대한 고정은 인지 전략(메모 작성, 요약 작성, 추론) 및 형이 지정 전략(사전 지식 활성화, 콘텐츠 관련성 평가, 이해 및 지식 평가)63을나타냅니다. 참가자가 사용 가능한 리소스 또는 학습 전략을 일부 빈도로 검토하는 것이 합리적입니다(그림6).

후속 분석을 위해 참가자가 시스템 자습서를 시청하는 상호 작용의 일부를 제외하고 MetaTutor와 상호 작용하는 학생과 관련된 데이터에 초점을 맞출 필요가 있습니다. 수집된 데이터는 시즈화될 수 있으며 전문가 검증이 필요합니다. 소음의 주요 소스는 아이 트래커가 잘못된 데이터로 해석하는 화면에서 멀리 바라보는 참가자들 때문입니다. 이 경우 시선 데이터에서 해당 세그먼트를 제거하는 것이 좋습니다. 그림 6은 메타인지 오작동을 가진 참가자와 이 수준에서 전략의 적응적 사용이 있는 참가자를 보여줍니다.

넷째, 설문지는 나머지 정보와 함께 분석되며 저자의 지시에 따라 점수를 매습니다. 그들은 자부심과 정서적 규제의 참가자 수준에서 데이터를 제공합니다. 자부심또는 올바른 정서적 규제 전략의 유리한 수준은 학습 과정을 용이하게64. 해석의 예를 보려면(그림 7).

마지막으로, 학습자의 콘텐츠, 에이전트 및 학습 환경과의 모든 상호 작용은 그림 8의계획에 따라 추가 세부 분석을 위해 로그에 기록됩니다. MetaTutor 로그 데이터는 무엇보다도 결정할 수 있는 다양한 가능성을 제공합니다. 학습자가 자기 규제 학습 전략(예: 메모 작성, 요약, 목표, 콘텐츠 평가, 학습 판단, 아는 감정, 계획, 사전 지식 활성화 등)을 모니터링하는 횟수, 이러한 전략이 외부 비계에 의해 자체 또는 외부적으로 생성되었는지 여부, 그리고 각 참가자가 MetTutor에서 자료를 보는 데 소요된 시간66,66현재 의 외투터에서 자료를 보는 데 소요된 시간66 패턴 마이닝, 프로세스 마이닝, 협회 규칙 및 기타 잠재적 접근 법67,,68은 학습 세션 내내 학생들의 인지 및 메타인지 모니터링 및 규제를 측정합니다.

Figure 1
그림 1. 세션 1의 의사 결정 지점을 만드는 예입니다. 이 사례는 어린 시절부터 학습 문제가 있는 참가자를 보여줍니다. 전문가는 이러한 독서 장애가 어휘 및 구문 프로세스(b)에서더 중요하다는 것을 알 수 있습니다. 또한, 참가자는 모터, 감각 또는 정신 장애가 없는 것으로 관찰된다. 참가자는 정상적인 지적 능력을 가지고 있으며 자폐증 스펙트럼 장애 또는 ADHD(a)누락, 커미션 및 반응 시간, 시각 및 청각 채널에서 60 미만이며 정상 범위에 있으므로 정상적인 범위로 되어 있습니다) 이 경우 읽기 문제가 감지되고 제외 기준이 관찰되지 않으므로 판독 장애로 인해 참가자가 SLD를 가지고 있는 것으로 간주됩니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

Figure 2
그림 2. 학습 세션 동안 안정적인 활성화 수준과 불안정한 활성화 레벨의 결과. 이 이미지는 두 참가자의 결과를 나타냅니다. 참가자 B 라인이 더 불규칙하고 많은 피크가 있기 때문에 학습 세션 동안 안정적인 활성화 수준과 참가자 B를 가진 참가자 A. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

Figure 3
그림 3. 감정 인식의 이미지. a)중립적 인 감정의 예; b)슬픔 감정의 예; 및 c)행복 감정 트렌드의 예. 노란색 원에서는 감정 추세를 볼 수 있습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

Figure 4
그림 4. 메타투터 학습 세션 중 텍스트와 그래프(AOI5 및 AOI6) 간의 전환 데이터를 보여주는 예제입니다. 원과 선은 영역 간의 고정 및 전환 영역을 나타냅니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

Figure 5
그림 5. 자율 규제 평가를 위한 메타투터 인터페이스의 관심 분야(AOI) : AOI1에서 AOI7까지. AOI1 타이머, AOI2 목표 및 하위 목표, AOI3 에이전트, AOI4 콘텐츠 테이블, AOI5 텍스트 콘텐츠, AOI 6 이미지 콘텐츠, AOI7 학습 전략 팔레트. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

Figure 6
그림 6. 메타투터 인터페이스 AOIs의 고정 비율은 백분율로 표현됩니다. a)자율 규제 오작동을 배포하는 참가자의 예; b)자가 규제 동작을 배포하는 참가자의 예입니다. 각 영역의 고정 비율(0에서 1 사이의 값). a)서면 텍스트(AOI5)를 읽는 데 소요되는 참가자의 실제 데이터는 해당 콘텐츠(AOI6)를 이해하는 데 도움이 되도록 설계된 리소스를 과소평가합니다. 그는 자신이 이미 배운 것과 무엇을 배우기 위해 남아 있는지 확인하기 위해 콘텐츠 계획을 거의 검토하지 않습니다 (AOI4); 학습 목표와 하위 목표(AOI2)를 무시하고 학습 전략(AOI7)의 팔레트를 거의 검토하지 않습니다. 또한 작업에 할당된 시간(AOI1)을 모니터링하지 않으며 그를 돕기 위해 노력하는 아바타(AOI3)를 무시합니다. b)서면 텍스트(AOI5)를 읽는 데 절반(약 50%)을 소비하고 콘텐츠를 이해하는 데 도움이 되도록 설계된 그래프를 자주 검토하는 참가자의 실제 데이터(AOI6). 그는 콘텐츠에 대부분의 시간을 보내고 있지만, 그는 그가 배운 것과 그가 무엇을 배우기 위해 남긴 지 확인하기 위해 자주 콘텐츠 계획을 검토합니다 (AOI4); 그는 학습 목표와 하위 목표 (AOI2)에주의를 기울여 도달하고 필요할 때 학습 전략 팔레트 (AOI7)로 이동합니다. 또한, 그는 그것에 대해 너무 많이 걱정하지 않고 시간을 모니터링하고 (AOI1) 에이전트와 몇 가지 상호 작용을 설정 (AOI3). 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

Figure 7
그림 7. 설문지 결과의 해석의 예. 그래픽 왼쪽에서) 로젠버그 자부심 규모51,높은 점수는 더 높은 자부심 (최소 = 10; 최대 = 40)을 나타냅니다. 그래픽 오른쪽), 감정 조절 설문지52,인지 재평가 (최소 = 7; 최대 = 42); 표현 억제(최소 = 4; 최대 = 28). 점수가 높을수록 재평가 또는 억제 전략을 더 많이 사용할 수 있음을 나타냅니다. 인지 재평가는 인지 수준에서 변화의 한 형태로 감정을 유발하는 상황을 해석하여 정서적 영향을 변경합니다 (재평가 전략을 사용하면 부정적인 상황에 대해 생각하고 이를 해결하기 위한 몇 가지 대체 적인 결말에 대해 생각할 수 있습니다). 표현 억제는 지속적인 감정 표현 행동을 억제하는 응답 변조의 한 형태입니다 (억제 전략의 재발 사용자는 기분을 덜 이해하고, 덜 호의적으로 보고, 덜 성공적으로 관리해야합니다). 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

Figure 8
그림 8. 데이터 처리를 기록합니다. 이 이미지는 로그 데이터의 관리를 나타냅니다. 이 시스템은 학생과 MetaTutor 간의 원시 상호 작용 데이터를 수집한 다음 데이터 전처리를 수행하여 학습 분석 및/또는 데이터 마이닝 기술학을 적용하여 전체 학습 프로세스를 검색, 분석 또는 시각화합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

현재 의정서는 LD를 가진 성인의 어려움의 기초를 구성하는 메타인지, 자율 규제 및 정서적 과정에 초점을 맞춘 다중 모달 평가를 제안합니다.

세션 1은 참가자의 학습 장애에 대한 진단 평가이기 때문에 필수적입니다. 이 세션은 연구 및 임상 맥락에서 발달 및 학습 장애를 진단한 경험이 있는 치료사에 의해 수행됩니다. 우리는 스페인에서 이러한 도구를 사용, 그래서 다른 나라에서 연구원은 그들의 인구에 적응 테스트를 선택 해야 합니다. 기존 방법에 대하여 방법의 중요성은 ADHD, SLD및 ASD를 위한 비늘의 많은 것이 아이들에서 사용하기 위하여 디자인되었다는 것입니다, 신경 심리학 시험 및 신경 화상 진찰은 더 나은 되고, 그러나 보다 적게 현실적인, 악기의 이 빈약성에 대한 대안24. 또한, 앞서 언급한 모든 장애는 일반적으로 메타인지, 자기 조절 및 정서적 오작동과 같은 LD에서 발견되는 잘 알려진 공통점을 고려하지 않고 고립된 특정 증상을 통해 평가됩니다. 어쨌든, 메타코그니션, 자율 규제 및 감정에 대한 지식의 대부분은 초기 또는 성인 연령의 자체 보고 데이터를 기반으로합니다. 그러나, 임의의 종류의 자기 보고는 다양한 유형의바이어스(69)에 취약하고 여러 번 LD샘플(70)에서생리학적 및 자가보고된 데이터 간의 상관관계가 발견되지 않았다.

이러한 이유로 프로토콜의 세션 2가 중요합니다. 그것은 학습의 핵심 과정에 초점을 맞추고 (메타 인지, 자기 규제, 및 정서적 행동), 다른 방법에 비해 방법의 중요성은 멀티 채널 추적 데이터를 제공하는 참가자의 학습 과정의 멀티 모드 평가입니다. 이러한 모든 정보 소스의 통합을 가능하게 하는 도구는 첨단 학습 기술을 기반으로 한메타투터(43)이며,가장 잘 알려진 대표자 중 한 명이자 이른바 자율 규제 측정측정(33)의가장 잘 알려진 연구 라인중 하나이다.

아연 도금 피부 반응에 관하여, LD 과목의 정신 생리학 연구의 대다수는 세 가지 관련 주제 중 하나에 초점을 맞추고있다: 각성, 오리엔테이션, 주의. 이 프로토콜에서 각성은 자체 보고서71과같은 정적 측정값에서 제공할 수 없는 감정과 인식을 이해하기 위한 고유한 프레임워크를 제공합니다. 얼굴 표정으로, 이전 연구는 학문적 감정이 학생들의 동기 부여, 학습 전략, 인지 자원, 자율 규제 및 학업성취도 72와크게 관련이 있음을 지적했다. 눈의 움직임에 관해서, 우리는 MetaTutor(61)와의 상호 작용 중에 학생 학습을 예측하는 시선 데이터의 가치를 알고 있으며, 복수의 연구자들은 고정 기간이 학습 중 더 깊은 인지 처리를 나타낸다고제안했습니다 73. 설문지는 MetaTutor에서 학습 세션 동안 참가자의 성과에 대한 상호 보완적인 정보, 학습자로 자신의 인식과 배울 때자신의 행동에 대한 상호 보완적인 정보를 제공합니다. 마지막으로 로그 데이터는 참가자의 자체 규제 프로세스에 대한 추가 정보 소스입니다. 원시 데이터 및 데이터 전처리의 수집 후, 새로운 학습 분석 및 교육 데이터 마이닝 기술을 통해 발견, 분석 및 시각화하거나 다른 방식으로 전환하여 학습 프로세스74,,75,76을발견할수 있습니다.

이 혼합 방법론은 LD를 가진 성인이 배우는 방법과 문제가 거짓말 어디에 우리의 이해를 향상시키기 위해 삼각화 될 수있는 학습 전, 도중, 학습 후 대상 프로세스의 배포의 증거를 제공합니다.

이 제안은 계측기의 절차와 시스템을 의미하는 프로토콜이므로 제안 된 조치가 전체의 일부를 형성 할 때와 동일한 가치가 없다는 것을 기억하는 것이 좋습니다. 목표는 이러한 데이터 스트림을 수렴하여 LD를 가진 성인이 학습 중에 인지, 메타인지 및 정서적 프로세스를 모니터링하고 제어하는 방법을 이해하는 것입니다.

이 프로토콜은 심리학자의 선별 및 진단을위한 효과적인 도구 상자이지만 제한없이는 아닙니다. 성인 LD의 진단은 특히 어렵습니다. 교육과 경험을 통해 많은 성인이 적자를 보상할 수 있으며, 이 성인들은 이후24번시험에서 개인의 특성을 보여줄 수 있다. 결과가 나타내는 바와 같이, 대상 모집단의 일반적인 규칙으로 일부 데이터 원본(예: GSR, 로그 데이터 등)에서 정확한 차단 지점을 제공하기는 어렵습니다.

또 다른 과제는 제한보다는 심리학자, 생리학자, 컴퓨터 및 교육 과학자 등과 같은 다른 분야의 전문가의 참여를 필요로하는 결과 복잡하고 시즈며 지저분한 데이터를 다루는 복잡성에 관한 것입니다. 최근 Azevedo와 Gašević77에 의해 언급 된 바와 같이 우리는 심리적, 교육, 교육 및 컴퓨팅 과학에서 이론적 모델과 프레임 워크의 복잡한 모자이크를 통합해야합니다. 이 외에도, 계측 오류, 내부 및 외부 타당성, 생태학적 타당성 대 실험 적 엄격함, 데이터 채널 수렴, 프로세스 데이터에 대한 추론은 연구원이77,,78을해결해야 하는 멀티모달 멀티채널 데이터를 수집함으로써 발생하는 방법론적 문제 중 일부에 불과하다.

그럼에도 불구하고, 이 방법론의 미래 방향은 평가의 목표를 능가하며, 현재 는 적응형 하이퍼미디어 학습 환경79에 기반한 예방 적 개입을 설계하거나 학습자에게 인공 에이전트를 통한 실시간, 지능형, 적응형 비계(모델링 인지 전략, 인공 에이전트를 통한 메타그니션 조절, 감정 전달, 감정 화 도구 도입)를 제공하는 실시간 멀티모달 멀티채널 데이터를 사용할 가능성이 열려 있습니다. 77,80.

마지막으로, LD는 그들의 일생동안 추적되어야 합니다. SLD의 세로 과정, ADHD와 ASD와 그들의 장기 후속편은 단지 탐구하기 시작했다21. 우리는 이 이론적으로 주도적인, 경험상 기지를 둔 지침의 광범위한 사용이 효과적인 예방 및 내정간섭 조치를 디자인하기 위하여 LD를 가진 성인의 인구를 확인하고 이 무질서의 더 깊은 이해를 박차를 가하는 것을 도울 것이라는 점을 희망합니다.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

저자는 공개 할 것이 없습니다.

Acknowledgments

이 원고는 국립 과학 재단 (DRL #1660878, DRL #1661202, DUE #1761178)의 자금 지원을 받았습니다. DRL #1916417), 캐나다 사회 과학 및 인문 연구 위원회 (SSHRC 895-2011-1006), 과학 혁신 I + D + i (PID2019-1) 유럽 지역 개발 기금(ERDF)과 아스투리아스 공국(FC-GRUPIN-IDI/2018/000199)을 통해 유럽 연합(EU)을 통해 이 자료에 표현 된 의견, 사실 인정, 결론 또는 권장 사항은 저자의 의견이며 반드시 캐나다국립 과학 재단 또는 사회 과학 및 인문 연구 위원회의 견해를 반영하지 않습니다. 저자는 또한 그들의 도움과 기여에 대한 UCF에서 SMART 연구소의 구성원에게 감사드립니다.

Materials

Name Company Catalog Number Comments
AQUARIUM Nesplora
Eye-tracker RED500 Systems SensoMotoric Instruments GmbH
Face API Microsoft
GSR NUL-217 NeuLog

DOWNLOAD MATERIALS LIST

References

  1. American Psychiatric Association. Diagnostic and statistical manual of mental disorders (5th ed.). , Washington,DC. (2013).
  2. World Health Organization. International statistical classification of diseases and related health problems (11th Revision). , Retrieved from https://icd.who.int/browse11/l-m/en (2018).
  3. Education's Individuals with Disabilities Education Act. 2018 Annual Report to Congress on the Individuals with Disabilities Education Act. , Available from: https://sites.ed.gov/idea/data (2018).
  4. Armstrong, T. The myth of the normal brain: Embracing neurodiversity. AMA Journal of Ethics. 17 (4), 348-352 (2015).
  5. Berenger, C., Roselló, B., Miranda, A., Baixauli, I., Palomero, B. Executive functions and motivation in children with autism spectrum disorder and attention deficit hyperactivity disorder. International Journal of Developmental and Educational Psychology. 1 (1), 103-112 (2016).
  6. Brinkerhoff, L. C., McGuire, J. M., Shaw, S. F. Postsecondary education and transition for students with learning disabilities (2nd ed.). , Pro-ed. Austin, TX. (2002).
  7. Allsopp, D. H., Minskoff, E. H., Bolt, L. Individualized course-specific strategy instruction for college students with learning disabilities and ADHD: Lessons learned from a model demonstration project. Learning Disabilities Research & Practice. 20 (2), 103-118 (2005).
  8. Crane, N., Zusho, A., Ding, Y., Cancelli, A. Domain-specific metacognitive calibration in children with learning disabilities. Contemporary Educational Psychology. 50, 72-79 (2017).
  9. Harris, K. R., Reid, R. R., Graham, S. Self-regulation among students with LD and ADHD. Learning about Learning Disabilities. Wong, B. , Academic Press. Orlando, FL. 167-195 (2004).
  10. National Joint Committee on Learning Disabilities. Collective Perspectives on Issues Affecting Learning Disabilities. , PRO-ED. Austin, Texas. (1994).
  11. Sawyer, A. C., Williamson, P., Young, R. Metacognitive processes in emotion recognition: Are they different in adults with Asperger's disorder. Journal of Autism and Developmental Disorders. 44 (6), 1373-1382 (2014).
  12. Meltzer, L. Executive function in education: From theory to practice. , Guilford Publications. New York. (2018).
  13. Martino, G., Capri, T., Castriciano, C., Fabio, R. A. Automatic Deficits can lead to executive déficits. Mediterranean Journal of Clinical Psychology. 5 (3), 1-31 (2017).
  14. Fabio, R. A., et al. Frequency bands in seeing and remembering: comparing ADHD and typically developing children. Neuropsychological Trends. 24, 97-116 (2018).
  15. Bernardo, A. B., Esteban, M., Cerezo, R., Muñiz, L. J. Principales variables influyentes en el abandono de titulación en la Universidad de Oviedo. Informe PRIOR: PRoyecto Integral de ORientación Académico-Profesional. , Universidad de Oviedo. Oviedo. (2013).
  16. Cortiella, C. Diplomas at risk: A critical look at the graduation rate of students with learning disabilities. , National Center for Learning Disabilities. New York, NY. (2013).
  17. Plasman, J. S., Gottfried, M. A. Applied STEM coursework, high school dropout rates, and students with learning disabilities. Educational Policy. 32 (5), 664-696 (2018).
  18. Cortiella, C., Horowitz, S. H. The state of learning disabilities: Facts, trends and emerging issues (3rd Ed). , National Center for Learning Disabilities. New York. (2014).
  19. Chevalier, T. M., Parrila, R., Ritchie, K. C., Deacon, S. H. The role of metacognitive reading strategies, metacognitive study and learning strategies, and behavioral study and learning strategies in predicting academic success in students with and without a history of reading difficulties. Journal of Learning Disabilities. 50 (1), 34-48 (2017).
  20. Goroshit, M., Hen, M. Academic procrastination and academic performance: Do learning disabilities matter. Current Psychology. , 1-9 (2019).
  21. Grinblat, N., Rosenblum, S. Why are they late? Timing abilities and executive control among students with learning disabilities. Research in Developmental Disabilities. 59, 105-114 (2016).
  22. Heiman, T., Fichten, C. S., Olenik-Shemesh, D., Keshet, N. S., Jorgensen, M. Access and perceived ICT usability among students with disabilities attending higher education institutions. Education and Information Technologies. 22 (6), 2727-2740 (2017).
  23. Couzens, D., et al. Support for students with hidden disabilities in universities: A case study. International Journal of Disability. Development and Education. 62 (1), 24-41 (2015).
  24. Schelke, M. W., et al. Diagnosis of developmental learning and attention disorders in adults: A review of clinical modalities. Neurology, Psychiatry and Brain Research. 23, 27-35 (2017).
  25. Madaus, J. W., Shaw, S. F. The impact of the IDEA 2004 on transition to college for students with learning disabilities. Learning Disabilities Research & Practice. 21 (4), 273-281 (2006).
  26. Santos, C. G., Fernández, E., Cerezo, R., Núñez, J. C. Dificultades de aprendizaje en Educación Superior: un reto para la comunidad universitaria. Publicaciones. 48 (1), 63-75 (2018).
  27. Jiménez, L., García, A. J., López-Cepero, J., Saavedra, F. J. The brief-ACRA scale on learning strategies for university students. Revista de Psicodidáctica. 23 (1), 63-69 (2018).
  28. Zimmerman, B. J. Motivational sources and outcomes of self-regulated learning and performance. Handbook of Self-Regulation of Learning and Performance. Zimmerman, B. J., Schunk, D. H. , Routledge. NY. 49-65 (2011).
  29. Pike, G. R., Kuh, G. D. A tipology of student engagement for Amer-ican colleges and universities. Research in Higher Education. 46, 185-209 (2005).
  30. Winne, P. H., Perry, N. E. Measuring self-regulated learning. Handbook of Self-Regulation. Boekaerts, M., Pintrich, P. R., Zeidner, M. , Elsevier Academic Press. San Diego, CA. 531-566 (2000).
  31. Areces, D., Cueli, M., García, T., González-Castro, P., Rodríguez, C. Using brain activation (nir-HEG/Q-EEG) and execution measures (CPTs) in an ADHD assessment protocol. Journal of Visualized Experiments. (134), e56796 (2018).
  32. Azevedo, R., Taub, M., Mudrick, N. V. Understanding and reasoning about real-time cognitive, affective, and metacognitive processes to foster self-regulation with advanced learning technologies. Handbook of Self-Regulation of Learning and Performance. Alexander, P. A., Schunk, D. H., Greene, J. A. , Routledge. New York. (2017).
  33. Panadero, E., Klug, J., Järvelä, S. Third wave of measurement in the self-regulated learning field: when measurement and intervention come hand in hand. Scandinavian Journal of Educational Research. 60 (6), 723-735 (2016).
  34. Greene, J. A., Azevedo, R. The measurement of learners' self-regulated cognitive and metacognitive processes while using computer-based learning environments. Educational Psychologist. 45 (4), 203-209 (2010).
  35. Wechsler, D. A. Wechsler Adult Intelligence Scale (4th ed.). , Psychological Corporation. San Antonio, TX. (2008).
  36. Theiling, J., Petermann, F. Neuropsychological profiles on the WAIS-IV of adults with ADHD. Journal of Attention Disorders. 20 (11), 913-924 (2016).
  37. Cuetos, F., Arribas, D., Ramos, J. L. Prolec-SE-R, Batería para la evaluación de los procesos lectores en Secundaria y Bachillerato - Revisada. , TEA. Madrid. (2016).
  38. Mayes, S. D., Calhoun, S. L., Crowell, E. W. Learning disabilities and ADHD: Overlapping spectrum disorders. Journal of Learning Disabilities. 33 (5), 417-424 (2000).
  39. Kessler, R. C., et al. The World Health Organization Adult ADHD Self-Report Scale (ASRS): a short screening scale for use in the general population. Psychological Medicine. 35 (2), 245-256 (2005).
  40. Climent, G., Banterla, F., Iriarte, Y. AULA: Theoretical manual. , Nesplora. San Sebastián, Spain. (2011).
  41. Hoekstra, R. A., et al. The construction and validation of an abridged version of the autism-spectrum quotient (AQ-Short). Journal of Autism and Developmental Disorders. 41, 589-596 (2010).
  42. Baron-Cohen, S., Wheelwright, S., Skinner, R., Martin, J., Clubley, E. The autism-spectrum quotient (AQ): evidence from Asperger syndrome/high-functioning autism, males and females, scientists and mathematicians. Journal of Autism and Developmental Disorders. 31, 5-17 (2001).
  43. Azevedo, R., Johnson, A., Chauncey, A., Burkett, C. Self-regulated learning with MetaTutor: Advancing the science of learning with MetaCognitive tools. New Science of Learning. Khine, M., Saleh, I. , Springer. New York, NY. 225-247 (2010).
  44. Azevedo, R., Witherspoon, A., Chauncey, A., Burkett, C., Fike, A. MetaTutor: A MetaCognitive tool for enhancing self-regulated learning. 2009 AAAI Fall Symposium Series. , (2009).
  45. Azevedo, R. Theoretical, methodological, and analytical challenges in the research on metacognition and self-regulation: A commentary. Metacognition & Learning. 4 (1), 87-95 (2009).
  46. Feyzi-Behnagh, R., Trevors, G., Bouchet, F., Azevedo, R. Aligning multiple sources of SRL data in MetaTutor: Towards interactive scaffolding in multi-agent systems. 18th biennial meeting of the European Association for Research on Learning and Instruction (EARLI). , Munich, Germany. Paper presented (2013).
  47. Harley, J. M., et al. Assessing learning with MetaTutor: A Multi-Agent Hypermedia Learning Environment. Annual meeting of the American Educational Research Association. , Philadelphia, PA. Paper presented (2014).
  48. Azevedo, R., Feyzi-Behnagh, R., Harley, J., Bouchet, F. Analyzing temporally unfolding self-regulatory process during learning with multi-agent technologies. EARLI Biannual Conference 2013. , Munich. Paper presented (2013).
  49. Donnellan, M. B., Oswald, F. L., Baird, B. M., Lucas, R. E. The mini-IPIP scales: tiny-yet-effective measures of the Big Five factors of personality. Psychological Assessment. 18 (2), 192 (2006).
  50. Stahl, E., Bromme, R. The CAEB: An instrument for measuring connotative aspects of epistemological beliefs. Learning and Instruction. 17 (6), 773-785 (2007).
  51. Gray-Little, B., Williams, V. S. L., Hancock, T. D. An item response theory analysis of the Rosenberg Self-Esteem Scale. Personality and Social Psychology Bulletin. 23, 443-451 (1997).
  52. Gross, J. J., John, O. P. Individual differences in two emotion regulation processes: implications for affect, relationships, and well-being. Journal of Personality and Social Psychology. 85 (2), 348 (2003).
  53. Pekrun, R., Goetz, T., Frenzel, A. C., Barchfeld, P., Perry, R. P. Measuring emotions in students' learning and performance: The Achievement Emotions Questionnaire (AEQ). Contemporary Educational Psychology. 36 (1), 36-48 (2011).
  54. American Psychiatric Association. Diagnostic and statistical manual of mental disorders - reviewed (DSM-IV-TR). , Washington, DC. (2000).
  55. Face API [Computer software]. , Available from: https://azure.microsoft.com/es-es/services/cognitive-services/face/ (2019).
  56. Picard, R. W. Affective computing. , MIT press. (2000).
  57. Grills-Taquechel, A. E., Fletcher, J. M., Vaughn, S. R., Stuebing, K. K. Anxiety and reading difficulties in early elementary school: Evidence for unidirectional-or bi-directional relations. Child Psychiatry & Human Development. 43 (1), 35-47 (2012).
  58. Mammarella, I. C., et al. Anxiety and depression in children with nonverbal learning disabilities, reading disabilities, or typical development. Journal of Learning Disabilities. 49, 130-139 (2014).
  59. Nelson, J. M., Harwood, H. Learning disabilities and anxiety: A meta-analysis. Journal of Learning Disabilities. 44 (1), 3-17 (2011).
  60. Arora, M. R., Sharma, J., Mali, U., Sharma, A., Raina, P. Microsoft Cognitive Services. International Journal of Engineering Science. 8 (4), 17323-17326 (2018).
  61. Bondareva, D., et al. Inferring learning from gaze data during interaction with an environment to support self-regulated learning. International Conference on Artificial Intelligence in Education. , Springer. Berlin, Heidelberg. 229-238 (2013).
  62. Mason, L., Tornatora, M. C., Pluchino, P. Do fourth graders integrate text and picture in processing and learning from an illustrated science text? Evidence from eye-movement patterns. Computers & Education. 60 (1), 95-109 (2013).
  63. Duffy, M. C., Azevedo, R. Motivation matters: Interactions between achievement goals and agent scaffolding for self-regulated learning within an intelligent tutoring system. Computers in Human Behavior. 52, 338-348 (2015).
  64. Cerezo, R., et al. Mediating Role of Self-efficacy and Usefulness Between Self-regulated Learning Strategy Knowledge and its Use. Revista de Psicodidáctica. 24 (1), 1-8 (2019).
  65. Mudrick, N. V., Azevedo, R., Taub, M. Integrating metacognitive judgments and eye movements using sequential pattern mining to understand processes underlying multimedia learning. Computers in Human Behavior. 96, 223-234 (2019).
  66. Taub, M., Azevedo, R. How Does Prior Knowledge Influence Eye Fixations and Sequences of Cognitive and Metacognitive SRL Processes during Learning with an Intelligent Tutoring System. International Journal of Artificial Intelligence in Education. 29 (1), 1-28 (2019).
  67. Bogarín, A., Cerezo, R., Romero, C. A survey on educational process mining. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery. 8 (1), 1230 (2018).
  68. Cerezo, R., Bogarín, A., Esteban, M., Romero, C. Process mining for self-regulated learning assessment in e-learning. Journal of Computing in Higher Education. , (2019).
  69. Levenson, R. W. Blood, sweat, and fears. Annals of the New York Academy of Sciences. 1000 (1), 348-366 (2003).
  70. Meer, Y., Breznitz, Z., Katzir, T. Calibration of Self-Reports of Anxiety and Physiological Measures of Anxiety While Reading in Adults With and Without Reading Disability. Dyslexia. 22 (3), 267-284 (2016).
  71. Daley, S. G., Willett, J. B., Fischer, K. W. Emotional responses during reading: Physiological responses predict real-time reading comprehension. Journal of Educational Psychology. 106 (1), 132-143 (2014).
  72. Pekrun, R., Goetz, T., Titz, W., Perry, R. P. Academic emotions in students' self-regulated learning and achievement: A program of qualitative and quantitative research. Educational Psychologist. 37 (2), 91-105 (2002).
  73. Antonietti, A., Colombo, B., Di Nuzzo, C. Metacognition in self-regulated multimedia learning: Integrating behavioural, psychophysiological and introspective measures. Learning, Media and Technology. 40 (2), 187-209 (2015).
  74. Bogarin, A., Cerezo, R., Romero, C. Discovering learning processes using inductive miner: a case study with Learning Management Systems (LMSs). Psicothema. 30 (3), 322-329 (2018).
  75. Lang, C., Siemens, G., Wise, A., Gašević, D. Handbook of learning analytics. , Society for Learning Analytics and Research. Beaumont, AB, Canada. (2017).
  76. Romero, C., Ventura, S., Pechenizkiy, M., Baker, R. S. J. Handbook of educational data mining. , CRC Press. Boca Raton, FL. (2010).
  77. Azevedo, R., Gašević, Analyzing Multimodal Multichannel Data about Self-Regulated Learning with Advanced Learning Technologies: Issues and Challenges. Computers in Human Behavior. 96, 207-210 (2019).
  78. Veenman, M. V. J., Van Hout-Wolters, B., Afflerbach, P. Metacognition and Learning: Conceptual and Methodological Considerations. Metacognition Learning. 1, 3-14 (2006).
  79. Brusilovsky, P., Millán, E. User models for adaptive hypermedia and adaptive educational systems. The adaptive web. Brusilovsky, P., Kobsa, A., Nejdl, W. , Springer. Berlin, Heidelberg. 3-53 (2007).
  80. Taub, M., et al. using multi-channel data with multi-level modeling to assess in-game performance during gameplay with CRYSTAL ISLAND. Computers in Human Behavior. 76, 641-655 (2017).

Tags

행동 문제 163 학습 장애 메타그니션 자율 규제 다중 모달 평가 성인 MetaTutor
학습 장애가 있는 성인의 메타코그니션 및 자율 규제를 평가하기 위한 멀티모달 프로토콜
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Cerezo, R., Fernández, E.,… More

Cerezo, R., Fernández, E., Gómez, C., Sánchez-Santillán, M., Taub, M., Azevedo, R. Multimodal Protocol for Assessing Metacognition and Self-Regulation in Adults with Learning Difficulties. J. Vis. Exp. (163), e60331, doi:10.3791/60331 (2020).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter