Waiting
Login processing...

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

Behavior

评估学习困难成人元认知和自我调节的多式联运协议

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

Summary

目前的工作提出了一个多式联运评估协议，侧重于元认知、学习自我调节和情感过程，这些协议构成了成人有LD困难的基础。

Abstract

学习障碍 （LD） 包括那些在学习和使用学术技能方面有困难的人，在阅读、写作和/或数学方面的表现低于其年龄预期。每个疾病，使LD涉及不同的赤字;然而，在异质性中可以发现一些共同点，例如在学习自我调节和元认知方面。与早期和后期的教育水平不同，对于有LD的成年人几乎没有任何循证的评价协议。为此，目前的工作提出了一个多式联运评估协议，侧重于元认知、学习自我调节和情感过程，这些协议构成了成人有LD困难的基础。评估是通过使用各种方法、技术和传感器（例如，眼动追踪、面部情绪表达、生理反应、并发语言化、日志文件、人机交互的屏幕记录）和线外方法（例如问卷、访谈和自我报告措施）对在线学习过程进行分析进行的。这项理论驱动和经验为基础的准则旨在对成年后的LD进行准确的评估，以便设计有效的预防和干预建议。

Introduction

特定的学习障碍 （SLD） 包括那些难以学习和使用学术技能的人， 在阅读、写作和/或数学1、2等领域表现出低于预期的时间年龄。根据所分析的年龄、语言和文化，对患病率有不同的估计，但介于5%至,15%之间。《精神障碍诊断和统计手册》中神经发育障碍的全球类别（第5 1.5页）1、也有必要关注注意力缺陷/多动障碍（以下简称ADHD）的发病率，因为这种疾病是一种常见的疾病，近年来引起了关于如何处理它的各种争议。基于 DSM-51，它可以定义为注意力不集中和/或多动冲动的持久行为模式。同样，自闭症谱系障碍（以下简称ASD）是同一手册中的一个类别，它包括因中枢神经系统多因素功能障碍而出现神经发育障碍的学生，在人的发展三个基本领域导致质量功能障碍：社会互动、沟通和兴趣和行为1,1、2。

在这些方面，一个新的概念已经出现，从赤字感和提供一个更积极的方法，这些疾病，以符合目前的神经发育困难的想法，高度共存和重叠4。从这些新模型中，人们理解，高级认知过程所涉及的技能，允许管理和调节一个人的行为，以实现一个期望的目标，是至关重要的自我调节，因此，日常生活的活动，包括学术活动5。在成年期的背景下，神经多样性已经演变为包括各种类型的困难，包括多动症和自闭症，以及诵读困难，诵读困难，诵读困难和/或计算障碍。因此，我们正在从学习困难（LDs）的广泛概念中接近这种神经多样性。具有这种多样性的中学后教育入学学生的增加是有据可查的，部分是由于残疾学生高中毕业率的上升，但与此同时，关于这些学生学习过程的研究比必要的7少。

孤立对待的每一种疾病都涉及不同的缺陷和表现;然而，在LD方面，如元认知、自我,调节和情感障碍,,8、9、10、11等异质性，可以发现一些共性。一般学习文献的三个基础，特别是法律，是成功学习的基础，在学术水平12的这些众所周知的困难中起着至关重要的作用。此外，其他方法还明白，执行功能缺陷（如自动处理或工作记忆问题）之间可能存在某种共性，这些缺陷发生在不同的疾病中，如多动症和阅读障碍 13或 ADHD 和 ASD5。然而，这一领域仍有工作要做，因为并非所有研究都就这些与执行职能有关的共同点得出相同的结论。这可能是由于研究所依据的样本和调查5、14中使用的执行职能的评估程序所呈现的变化。

在教育方面，这种多元化的组合不仅影响学习质量，因为受影响的功能的基本性质，而且影响诸如辍学、学位变化等现象，对政府和大学有经济影响。有LD的学生的辍学率高于一般16岁学生，但亦高于除有情绪障碍的学生外，其他类别心理残疾的辍学率。相比之下，接受义务教育后（职业培训、大学等）的LD学生人数正在增加15人，特别是高等教育19、20、21、22。,20,21,22此外，人们很可能认为，有LD的学生比那些正式通过学生服务的学生多很多，通常占流行率统计23。

这些困难在儿童时期并不总是被发现，特别是在在正常学术系统考虑这些疾病之前出生的成年人中，这些疾病的症状在人们生活中持续存在，在工作、教育和个人生活中造成困难。研究表明，虽然人们可能会克服一些困难，但大多数人在成年后继续表现出学习的挣扎，在那些25岁的高等教育中，他们的坚持仍然是有问题的。

自相矛盾的是，与以往的教育水平和更早年龄不同，几乎没有任何基于证据的文书或评估协议，为成人与LD。尽管儿童时期评估LDs的诊断工具激增，但为成人人口提供有效、可靠的仪器和方法的供应量却大大有限。最近一项有关高等教育中学习障碍的文献综述发现，在这方面收集的信息大部分是通过访谈完成的，只是偶尔使用26份自我报告问卷。自我报告方法和访谈虽然有价值，但不足以准确评估元认知、自我调节和情感技能过程，事实上，由于过程性质等。衡量这些过程的尺度和面试方法的重要性是不可否认的27，28，,28但有效性29和与其他创新评估方法30不一致的问题也是不可否认的。检测LD的另外一个问题，是由于缺乏全面的评估方案，在诊断紊乱时存在偏差。事实上，专业人士没有基于客观变量的参考协议，经常造成许多误报和误报的LS31病例。

为了应对成人仪器的稀缺性以及改进现有方法性需求，本研究提出了一种多式联运评估协议，侧重于元认知、自我调节和情感过程，这些程序构成了成人使用LD的困难的基础。根据目前的文献，我们建议向综合和多渠道测量32，33。,33评估通过使用多种方法、技术和传感器（例如超媒体学习环境、虚拟现实、眼动追踪、情绪面部表情、生理反应、日志文件、人机交互的屏幕记录）和线下方法（例如问卷、访谈和自我报告措施）对在线学习过程进行分析进行。这种混合方法提供了在学习之前、期间和之后部署目标流程的证据，这些流程可以三角化，以增进对学生如何学习以及问题所在位置（如果有34） 的理解。

评估协议在两届会议中执行。会话可以一次完成，或者可能需要部分应用程序，具体取决于人员。第一个侧重于LD的检测或确认，以及我们面临的特定疾病类型，第二个则侧重于深入地进入每个案例的元认知、自我调节和情感过程。

第 1 单元旨在对学员的学习障碍进行诊断或确认评估：SLD、多动症和/或 ASD（高功能），以确定学员存在哪些类型的特定问题。这种评估至关重要，原因有二。1） 有学习障碍的成年人很少有关于其功能失调行为的准确信息。他们中的一些人怀疑他们有LD，但从未被评估过。其他人在儿童时可能已被评估，但没有任何报告或进一步的信息。2） 可能与以前的诊断有差异（例如，以前的诵读困难诊断，而不是当前对注意力缺陷和缓慢处理速度的诊断;以前的 ASD 诊断与当前有限的智力能力等相反）。参与者接受访谈，并应用问卷和标准化测试。本课程由在西班牙心理学学院不同办公室的研究和临床环境中诊断发育和学习困难的治疗师进行。会议以结构化访谈开始，收集履历信息，以及 DSM-5 1 中提及的与 SD相关的症状。之后，参考智力能力测试WAIS-IV35用于排除标准实施的情况下，因为它提供了非常有价值的信息，学习困难的尺度"工作记忆"和"处理速度"36。此外，PROLEC SE修订测试37被广泛用于评估阅读障碍（词汇、语义和/或阅读的句法过程），这是当前学术环境中学习最普遍和最致残的困难之一，与其他障碍（如多动症38）重叠。此评估收集阅读准确性、速度和流畅性以及阅读障碍，更重要的是，在阅读过程中失败37（此测试已由大学预科学生评估）。目前，西班牙没有适合一般成年人的测试，因此选择此测试是因为它是最接近目标人群的）。然后，我们筛选多动症的症状，通过世界卫生组织成人多动症自我报告量表（ASRS）39，并完善了这种紊乱的评估，引入多联式与尖端虚拟现实连续性能测试，评估成人的注意力过程和工作记忆，Nesplora水族馆31，40。31,40此测试是一个非常有用的工具，当诊断多动症在成人和青少年超过16岁的生态情景，提供客观，可靠的数据。它评估选择性和持续的关注，冲动，反应时间，听觉和视觉关注，毅力，注意力集中的质量，运动活动，工作记忆和任务变化的成本。此外，除了WAIS-IV35作为一个整体收集有关参与者的智力能力的信息外，我们特别注意"工作记忆"和"处理速度"，因为它们与学习困难有关，这些量表的结果用于最终决定。最后，我们包括自闭症频谱报价（AQ-短）41在协议中，从男爵科恩，惠赖特，斯金纳，马丁和俱乐部42的可靠AQ成人的简短版本。

第 2 节侧重于对学员学习过程的多式联运评估。理解复杂学习的关键在于理解学生认知、元认知、激励和情感过程的部署。为此，参与者与 MetaTutor 合作，在学习时观察所部署的元认知和认知策略的使用。MetaTutor 是一个超媒体学习环境，旨在检测、建模、跟踪和培养学生在学习不同科学主题44的同时进行自我调节学习。MetaTutor的设计是基于Azevedo和同事43，45，46，47,45,的广泛研究46，47属于SRL测量的新趋势，即所谓的第三波，其特点是综合使用测量和先进的学习技术33。MetaTutor 的使用还提供多式联运跟踪数据，包括诸如眼动追踪、情绪生理反应（电皮肤反应 （GSR） 和面部表情）48、日志数据和问卷等措施。所有这些措施都结合在一起，以加深对参与者SRL和元认知的理解。

眼动追踪可以了解什么能吸引立即的注意力，哪些目标元素被忽略，哪些元素被注意的顺序，或者元素与其他元素的比较;电极活动让我们知道情感唤醒如何改变环境;面部情感识别允许面部表情的自动识别和分析;数据记录收集和存储学生与学习环境的交互，以作进一步分析。关于调查表，迷你国际人格项目池49 报告了人们在日常生活中经历的一系列活动和想法，评估了五个主要人格特征（外向性、同意性、认真性、神经质和开放性）。认识论信仰的注释方面50 提供了 有关参与者对知识的信仰的信息。罗森博格自尊量表显示了参与者对自己整体51的感觉。情绪调节问卷52提供有关 参与者情绪调节的信息。成就情绪问卷 （AEQ）53 告知大学中通常经历的情绪。

简言之，在成年后评估LD尤其困难。教育和经验使许多成年人能够弥补他们的不足，后来表现出无差别或蒙面的症状，而科学知识仍然缺乏这些症状。考虑到出现的关键研究差距，目前的工作旨在确保理论驱动的、基于经验的关于成年后对受教育进行准确评估的准则，以便设计有效的预防和干预行动。

为了帮助读者确定所述方法是否合适，有必要指定该协议不适合智障人士，因为他们的诊断使学习困难的诊断无效。此外，由于使用的设备奇点和显示学习内容的格式，仍然无法评估运动障碍（上肢、颈部和/或面部）、听力或视力障碍的人。它也不适合患有严重精神疾病的参与者。这将需要使用药物，可以改变信息处理或情绪的生理表达。

Subscription Required. Please recommend JoVE to your librarian.

Protocol

阿斯图里亚斯和奥维耶多大学的研究伦理委员会批准了这一议定书。

1. 第1届会议：诊断评估

注意：在协议的此会话中，使用来自不同发布者的评估测试，这些测试具有它们自己的特定应用程序和解释手册。由于这些测试或其他类似的测试在心理学和教育领域为科学界所广泛了解，因此应用这些测试的程序并不一步一步地详细（例如，鉴于本文的目的，详细说明WAIS-IV35 应用的每一步是没有意义的）。

  1. 知情同意
    1. 向学员解释研究的道德和保密方面，并要求他们承认并签署个人知情同意书。
  2. 结构化面试
    1. 向学员解释以下说明："现在，我要采访您，以便获取有关您生活和学术问题的重要信息。有开放和封闭的问题，但你可以打断我，只要你想。如果你需要我澄清任何观点， 请告诉我。在最初的面试之后，我可以要求你做一些评估测试和问卷。我会告诉你每个的具体说明。你准备好了吗？
    2. 收集履历信息，以及面试脚本后 DSM-51中提及的与 SLD 和排除条件相关的症状（参见补充文件 A）。
  3. 与结构化面试相关的第一个决策点（排除标准）
    1. 如果参与者符合最初的排除标准，即他们解释他们患有运动障碍（上部）、感觉残疾（视觉或听觉）、智力残疾或严重精神障碍的诊断，则完成评估。
    2. 如果参与者似乎有或认为他/她有 SLD 且不符合排除条件，请继续评估。
  4. 智力能力
    1. 应用 WAIS-IV35 测试，按照手册中的说明收集有关学员智力的信息。
  5. 与智力有关的第二个决定点（排除标准）
    1. 如果学员不理解测试说明，如果无法评估，或者他们的智商低于 70，则完成评估。
    2. 如果此人的智力正常或有限，请继续评估。
      注：本研究中接受的智商限制被设定为超过70分。
  6. Adhd
    1. 请学员填写成人 v1.1 自报筛查问卷的六项。（ASRS39）世界卫生组织（WHO）国际组合诊断访谈。
      注：本问卷提供有关DSM-IV 54中提及的与多动症相关症状的存在信息。
    2. 如果参与者在以前的 ASRS36问卷中得分为 12 分或更多，请应用 Nesplora 水族馆测试40。
  7. 阅读困难
    1. 按照手册中的说明，应用 PROLEC SE-R检查读数困难 37。
  8. 自闭症谱系障碍（1级）
    1. 要求学员填写 Hoekstra 等人的 28 份自闭症频谱报价 （AQ-Short）问卷
      注：本问卷提供有关与社交行为、社交技能、例行公事、转换、想象和数字/模式相关的症状存在的信息。
  9. 分析结果。
    1. 分析每个参与者的访谈、问卷和测试结果，并决定他们是否存在严重的学习困难或有患这些困难的风险。
      注：专家委员会的两名成员（评估员和研究团队的另一名成员）分析每个参与者的学习档案，并决定他们是否患有SLD、多动症和/或自闭症学生，或者是否拥有这些学生。任何测试都无法替代专家的判断。
  10. 最终决策点
    1. 如果学员显然不是有学习困难的学生，就完成评估。
    2. 如果参与者是有 LD（或有风险）的人，请继续评估，然后转到第 2 课。

2. 第2届会议：多式联运评估

注：会话 2 必须在会话 1 后 1 到 7 天之间完成。

  1. 准备参与者。
    1. 提醒学员会话持续约 2 小时，并且他们将完成 MetaTutor 学习环境中的一些调查表和任务，而某些设备正在记录其在整个会话中的性能。
    2. 请学员将头发绑起来，清除颈部，摘下眼镜，并取出口香糖（如果适用）。
      注：如果参与者戴着眼镜，有长发或砰的一声，覆盖他们的脸的一部分，眼动仪将无法读取他们的眼睛运动。
    3. 向学员介绍 MetaTutor。说明会议的目的是使用该工具自主地了解循环系统。
    4. 确保扬声器已连接且工作正常。
      注：如果愿意，参与者也可以使用耳机。
  2. 电镀皮肤反应准备和校准
    注意：请记住，由不同公司制造的 GSR 类型有很多种。根据供应商的规格使用。
    1. 用酒精清洁 GSR 和参与者的手指。
    2. 将手指/腕带 GSR 传感器放在食指和无名指上，将接头放在指尖侧或根据制造商的说明。
    3. 请学员安静地把手放在桌子上，试着放松5分钟。
    4. 打开计算机中的软件。
    5. 确保注册图工作正常。检查注册图是否注册。
    6. 单击 运行实验 > 速率 10/秒 > 持续时间 > 10 > 分钟。记录信息十分钟以建立基线。
      注：速率 10/秒表示采取措施的频率。
    7. 最小化屏幕。
    8. 继续校准其他设备，10 分钟后将信息保存在 .csv 文件中。
  3. 眼动追踪和网络摄像头准备和校准
    注意：请记住，有许多类型的眼动追踪和网络摄像头由不同的公司制造。根据供应商的规格使用。
    1. 在侧笔记本电脑和计算机中打开软件。
      注：眼睛运动在参与者正在操作的 PC 上捕获，但数据记录在侧笔记本电脑上。此外，在侧笔记本电脑中，实验者可以看到参与者正在进行的动作，并必要时纠正参与者的位置。
    2. 指示将记录哪个会话（本例中为 Metatutor）和参与者的注册数据： 文件 > 最近 实验 > Metatutor > 包括参与者的注册 数据 > OK。
    3. 检查两台计算机是否相互连接，以及眼动追踪红外灯是否亮起，是否准备好捕捉眼睛的运动。
    4. 将计算机上的网络摄像头调整到参与者的位置。
    5. 请学员朝前坐着，尽可能保持中立，尽管预计在学习过程中他们的面部表情会有所不同。
      注意：在学习过程中，使用网络摄像头录制参与者脸部的视频，摄像头稍后使用桌面应用程序55 进行分析。
    6. 要求学员保持静止，用鼻子与桌子边缘（90°）保持一定/稍微一定一边，盯着屏幕的不同点。
    7. 单击 " 记录 >";写入参与者的注册数据 > 确定 以开始校准过程。
    8. 请学员按空格键，然后用眼睛跟踪屏幕上的点。
    9. 在继续下一步之前，请确保学员的眼睛在查看屏幕时居中，然后使用侧笔记本电脑检查此信息。
      注：当参与者的眼睛移动在侧笔记本电脑屏幕上注册两个白色圆圈时，他们的目光会居中。当目光离开注册区域时，软件会用黄色箭头（如果稍有偏离）、红色箭头（如果偏离很多）或没有白色圆圈（如果未注册）进行警告。眼睛运动的路径用黄灯（注意焦点）反射，轨道通过屏幕用绿线反射。
    10. 请学员尽量避免触摸脸部或把头放在手上。
    11. 最小化屏幕。
  4. 学习会话的多式联运跟踪
    1. 最大化 GSR 屏幕，单击"运行实验>速率 10/20/2000"> 持续时间> hours 5 >记录并再次最小化屏幕。
    2. 最大化眼动追踪和网络摄像头屏幕，确保软件工作正常，单击 计算机 和侧笔记本电脑上的"记录"以注册和录制会话，并再次最小化屏幕。
      注：校准设备后，不要忘记开始在每个设备中记录评估会话。从这一点，整个参与者与学习工具的交互将被记录到会话结束。
  5. MetaTutor 中的问卷和学习会话
    1. 在 PC 中打开软件并完成参与者的注册数据。完整的 ID > 实验者 > 日 > 问卷是 > 继续。
      注：所有日志将在会话期间在文件数据日志中注册。
    2. 向学员解释，他们必须遵循工具中的说明，并且只能在学习会话期间与计算机进行交互。说明研究人员将在隔壁房间，以防发生任何事。
      1. 向学员询问社会人口和学术信息。完整名称>性别>年龄>族裔群体>教育程度>大学> Degree学位 > GPA > 有关生物课程的信息（如果适用>继续）。在单击"继续"之前，向学员说明他们必须遵循该工具将给他们的所有说明。此外，它们只会在学习会话期间与计算机进行交互。
      2. 请学员填写一些调查问卷。
        注：学员必须完成五份元认知和自我调节的学习问卷：a） 迷你国际个性项目池49;b） 认识论信仰的关联方面50;c） 罗森博格自尊尺度51;d） 情绪调节问卷52;e） 成就情绪问卷（AEQ）53 和一份关于循环系统一般知识的调查表。
      3. 向学员展示 MetaTutor 的界面及其不同部分。
        1. 向学员解释内容区域是学习内容以文本形式在整个会话中显示的地方。
        2. 向参与者显示他们可以浏览屏幕一侧的目录以转到不同的页面。
        3. 在会话期间，向学员显示整体学习目标显示在屏幕顶部。
        4. 向学员显示学员设置的子目标显示在屏幕中间的顶部，他们可以管理子目标或在此确定其优先级。
        5. 向学员显示屏幕左上角有一个计时器，显示会话中剩余时间的数量。
        6. 向学员显示自我调节流程列表，这些流程显示在屏幕右侧的调色板中，学员可以在会话中单击这些流程以部署规划、监视和学习策略。
        7. 向学员显示与内容页面相关的静态图像显示在文本旁边，以帮助学员协调来自不同来源的信息。
        8. 向学员显示键盘上输入的文本，以及如何在界面的这一部分显示和记录学生与代理的交互。
        9. 向学员展示四个人工代理，他们在整个课程中帮助学生学习。
          注：这些代理人是加文指南，帕姆规划师，玛丽监视器，山姆战略家。
      4. 请学员单击" 开始 "，在准备好时开始学习会话。
        注：参与者与该工具交互。
      5. 课程结束后，请学员再次完成知识调查表。

3. 注销

  1. 在会话结束时保存来自 GSR、眼动追踪/网络摄像头和 Metatutor 的记录数据以及参与者的注册数据。提取 .csv 文件中的数据以便于使用。
  2. 从参与者手中取下 GSR 传感器，然后再次用酒精清洁电传感器。
  3. 感谢与会者的合作，并说再见。

4. 分析学习困难

  1. 根据生成的不同报告（请参阅结果部分）分析每个参与者的学习成绩，以获取多式联运配置文件。
    注：专家委员会至少有两名成员分析每个参与者的学习过程。虽然评价可以使用新的工具和工具进行详尽的，但没有任何报告能够取代专家的判断。

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

本节介绍从协议中获得的代表性结果，包括第 1 节联合结果的示例以及第 2 节中每个信息来源的示例。

有关疾病的结果通过诊断测试在第 1 节收集，并考虑到为评估参与者的学习困难（SLD、ADHD 和 ASD）指定的程序和截止点。专家委员会决定参与者是否有学习障碍或是否有学习障碍的风险（参见图 1中的决策示例 ）。如果学员表现出学习障碍并参加第 2 期，则收集来自其他来源的数据。

在第 2 课期间，协议从五个不同的来源收集结果：参与者的 GSR、面部情绪、眼动、问卷和日志数据。

首先，我们得到GSR的测量，作为在学习会话（平静/兴奋）56期间情绪觉醒的表示。学习障碍与成年人的焦虑有关，多项研究发现，从一年级到大学都有学习障碍的学生报告较高的焦虑症状，是导致成绩下降的因素57、58、59。,58,59但是，理解与补救之间没有一对一的关系;每个案例都需要由专家委员会单独分析，并考虑到每个参与者的具体基线。图 2显示了两个典型案例，可以告诉我们焦虑调节是否是干预的关键点。

其次，我们在整个课程中记录了参与者的脸，向我们展示他们在学习过程中所感受到的不同情绪，以考虑与元认知和自我调节的理论关系。有各种面部情感识别软件来收集这些信息。在当前协议中，我们使用工具55，其中包括情感识别，在视频中对每张脸（厌恶、恐惧、愤怒、幸福、轻蔑、中性、悲伤和惊讶）的一组情绪中恢复信心。这些情绪被理解为跨文化和普遍沟通与特定的面部表情60。参与者倾向于在会议期间体验所有检测到的情绪，但我们可以获得每个给出有关总体趋势的信息的一般指数。积极激活情绪，如幸福，惊喜和享受，被认为促进内在和外在的动机，促进使用灵活的学习策略，并促进自我调节。相反，消极的停用情绪，如无聊和悲伤，被假定为统一减少动机和努力处理信息，对学习结果产生负面影响。对于中性停用和消极激活情绪，如愤怒，恐惧，蔑视和厌恶，关系被认为是更复杂的。具体来说，愤怒和恐惧会破坏内在动机，但会诱发强烈的外在动机，以投入努力，以避免失败，这意味着对学生学习的影响不需要是负面的53（见图3）。结果表明，与其中一种情绪的巧合程度，为每个情绪分配0和1之间的值。

第三，我们使用眼动追踪的数据。眼动器捕捉凝视信息，以固定，和囊（图4）。在当前协议中，我们感兴趣的是分析固定，特别是固定时间和固定模式的比例。为此，我们在 MetaTutor 界面中定义了七个感兴趣的领域 （AOI），用于自我调节评估（ 如图 5 中标有矩形）：AOI1 计时器、AOI2 目标和子目标、脚手架的 AOI3 代理/阿凡达、AOI4 目录、AOI5 文本内容、AOI6 图像内容、AOI7 学习策略调色板。

在简要干预指导的评估方面，我们可以推断出以下几点。

AOI1 中的固定表示时间管理和/或资源管理策略。AOI1 中的缩减或大量固定表示时间管理技能不正确。应及时检查。

AOI2 中的固定表示规划、设置和确定目标和子目标的优先级。先前的研究表明，这种特殊的AOI和AOI7对于评估元图61的学习尤为重要。由于此信息简洁、简短且直观，因此固定的比例不应很高（图 6）。

AOI3 代理中的固定显示，参与者正在利用代理在交互过程中提供的提示和反馈，以响应参与者的目标、行为、自我评估和进度。值得注意的是，对代理AOI缺乏固定，必须仔细考虑，因为学习者可能并不总是需要看代理来处理其音频提示和反馈61。应偶尔检查此 AOI。阿凡达不经常说话，所以与其他区域相比，应该有一小部分固定，但它会反映他们已经建立了与代理的交互（图6）。

AOI4 中的固定和/或文本和图像/图形（AOI5 和 AOI6）之间的转换指向参与者用于协调信息源 （COIS） 的战略用途，与概念收益45 相关。对文本和图像的固定长度表明整合过程有助于准确的心理表现的信息呈现62。COIS 作为文本和图像/图形区域（例如文本/图形/文本）的眼部固定之间的两个转换序列进行操作。AOI4 应以一定频率进行检查。由于信息清晰、简短、直观，固定的比例不应很高。固定比例最高的应该是 AOI5 和 AOI6。主题应花费大量时间审查内容（即书面文本），并花费大量时间在图像和图形上协调和整合两种知识来源（图 6）。

对AOI7的修正表明认知策略（做笔记、写摘要、做推论）和元认知策略（激活先前的知识、评估内容相关性、评估理解和知识）的使用）63。学员可以合理地以某种频率查看可用资源或学习策略（图6）。

对于后续分析，有必要关注与学生与 MetaTutor 交互相关的数据，不包括参与者观看系统教程的交互部分。收集的数据可能很嘈杂，需要专家验证。噪音的主要来源是由于参与者远离屏幕，眼睛追踪器将其解释为无效数据;在这种情况下，建议从注视数据中删除相应的段。 图 6 显示了具有元识别故障的参与者和具有此级别的策略自适应使用的参与者。

第四，问卷与其余信息一起分析，并按照作者的指示进行评分。它们提供参与者自尊和情感调节层面的数据。良好的自尊或正确的情绪调节策略有助于学习过程64。查看解释示例（图7）。

最后，学员与内容、代理和学习环境的所有交互都记录在日志中，以按照图 8 中的方案进行进一步的详细分析。MetaTutor 日志数据为我们提供了确定、 除其他事项外，学员部署自我调节学习策略（例如，记笔记、总结、监控目标进度、内容评估、学习判断、了解感受、计划、事先知识激活等）次数，这些策略是外部脚手架自产生还是外部生成，以及每个参与者在 MetaTutor 中观看与当前活动子目标65、66相关的66材料的时间。模式挖掘、过程挖掘、关联规则和其他潜在方法67、68将在整个学习过程中提供学生对认知和元认知监控和调节的度量。67,

Figure 1
图1。第 1 个会议的决策点示例。 这个案例显示了一个参与者，他们从小就有学习问题，主要是在阅读过程中。专家认为，这些阅读障碍在词汇和句法过程中更为显著（b）。此外，观察到参与者没有任何运动、感官或精神残疾。据观察，参与者具有正常的智力能力，在孤独症谱系障碍或多动症（a） 方面没有风险，在视觉和听觉通道中，佣金和反应时间小于 60，因此在正常范围内）。在这种情况下，检测到阅读问题，并且未遵守排除条件，因此认为参与者由于阅读障碍而具有 SLD。 请单击此处查看此图的较大版本。

Figure 2
图2.学习会话期间稳定激活级别和不稳定激活级别的结果。 此图像表示两个参与者的结果。参与者 A 具有稳定的激活级别，参与者 B 在学习会话期间具有不稳定的激活级别，因为参与者 B 行更不规则且具有许多峰值。 请单击此处查看此图的较大版本。

Figure 3
图3.情感识别的形象。a）中性情绪的例子; b）悲伤情绪的例子;和 c） 幸福情绪趋势的例子。在黄色圆圈中，可以看到情绪趋势。 请单击此处查看此图的较大版本。

Figure 4
图4.在 MetaTutor 学习会话期间显示文本和图形 （AOI5 和 AOI6） 之间的过渡数据的示例。 圆圈和线表示区域之间的固定区域和过渡区域。 请单击此处查看此图的较大版本。

Figure 5
图5.用于自我调节评估的 MetaTutor 接口的兴趣领域 （AOI：AOI1 到 AOI7）。 AOI1 定时器、AOI2 目标和子目标、AOI3 代理、AOI4 目录、AOI5 文本内容、AOI 6 图像内容、AOI7 学习策略调色板。 请单击此处查看此图的较大版本。

Figure 6
图6.MetaTutor 接口 AOIs 中的固定比例以百分比表示。a）参与者部署自我调节故障的示例; b）参与者部署自我调节行为的示例。每个区域中的固定比例（值介于 0 和 1 之间）。 a）来自参与者的真实数据，该参与者花费超过 80% 的时间阅读书面文本 （AOI5），他未使用旨在帮助他理解该内容的资源 （AOI6）;他几乎没有审查内容方案， 以检查他已经学到了什么， 还剩下什么要学 （Aoi4）;忽略了学习目标和子目标 （AOI2）， 他很少审查学习策略 （AOI7） 的调色板。此外，他不监视分配给任务的时间 （AOI1），而忽略试图帮助他的头像 （AOI3）; b）来自参与者的真实数据，该参与者花费一半时间（大约 50%）阅读书面文本 （AOI5），并经常查看旨在帮助他理解内容 （AOI6） 的图表。尽管他大部分时间都花在内容上，但他经常查看内容方案，以检查他学到了什么以及还剩下什么要学（AOI4）;他注重学习目标和子目标 （AOI2），以确保他达到这些目标，并根据需要转到学习策略调色板 （AOI7）。此外，他监控时间，而不必担心时间 （AOI1），并建立与代理 （AOI3） 的一些互动。 请单击此处查看此图的较大版本。

Figure 7
图7.调查表结果的解释示例。在图左）罗森博格自尊量表51，较高的分数表示较高的自尊（最小= 10;最大 = 40）。在图右中，情绪调节问卷52，认知再评价（最小=7;最大值=42）;表达抑制（最小 = 4;最大值 = 28）。较高的分数表示对重新评估或抑制策略的使用较高。认知再评价是认知层面的一种变化形式，它帮助一个人用另一种方式解释引发情绪的情况，从而改变其情绪影响（使用重新评估策略可以帮助人们思考消极的情况，并解释一些替代解释来解决它们）。表达抑制是一种响应调制形式，涉及抑制持续的情绪表达行为（抑制策略的反复用户应该较少了解他们的情绪，不太看好他们，管理他们不太成功）。请单击此处查看此图的较大版本。

Figure 8
图8.记录数据处理。 此映像表示日志数据的管理。系统收集学生和 MetaTutor 之间的原始交互数据，然后执行数据预处理，然后应用学习分析和/或数据挖掘技术来发现、分析或可视化完整的学习过程。 请单击此处查看此图的较大版本。

Subscription Required. Please recommend JoVE to your librarian.

Discussion

目前的协议提出了一个多式联运评估，重点是元认知、自我调节和情感过程，这些评价构成了成人有LD困难的基础。

第 1 课至关重要，因为它旨在对学员的学习障碍进行诊断评估。请注意，本课程由具有诊断研究和临床背景中发育和学习困难的治疗师进行。我们在西班牙使用这些工具，所以来自其他国家的研究人员应该选择适合其人口的测试。该方法对现有方法的意义是，多动症、SD和自闭症的许多量表都设计用于儿童，神经心理学测试和神经成像是更好的，但不太现实，替代这种缺乏仪器24。此外，上述所有残疾通常通过隔离的特定症状进行评估，而未考虑在 LD 中发现的众所周知的共性，如元认知、自我调节和情绪故障。无论如何，关于元认知、自我调节和情绪的知识大部分基于早期或成年年龄的自我报告数据。然而，任何类型的自我报告都容易受到各种类型的偏见69和几次没有相关性之间的生理和自我报告的数据已经发现在LD样本70。

因此，协议的会话 2 至关重要。它侧重于学习的核心过程（元认知、自我调节和情感行为），与替代方法相比，该方法的意义是，它是对参与者的学习过程进行多式模式评估，提供多渠道跟踪数据。使所有这些信息来源的整合成为可能的工具是 MetaTutor43，一种基于先进学习技术的元认知工具，也是所谓的第三波自我调节测量33的最佳代表和最广为人知的研究路线之一。

关于电性皮肤反应，LD受试者的大部分心理生理学研究都集中在三个相关主题之一：觉醒、定向和注意力。在这个协议中，觉醒提供了一个独特的框架，理解情感和认知，不能提供静态措施，如自我报告71。在面部表情方面，以往的研究表明，学术情感与学生的动机、学习策略、认知资源、自我调节和学业成绩有显著关系。当谈到眼动时，我们知道凝视数据在与 MetaTutor61 互动期间预测学生学习的价值，多个研究人员建议固定时间表示学习73期间的认知处理更深。问卷提供有关学员在 MetaTutor 学习过程中的表现、他们对自己作为学习者的看法以及学习时的行为的补充信息。最后，日志数据是有关参与者自我监管流程的其他信息来源。在收集原始数据和数据预处理后，新兴的学习分析和教育数据挖掘技术让我们发现、分析和可视化，或者换句话说，深入到学习过程74，75，76。74,75,76

这种混合方法提供了在学习之前、期间和之后部署目标流程的证据，这些流程可以三角化，以增进我们对患有 LD 的成年人如何学习以及问题所在位置的理解。

这项建议是一项议定书，它意味着一种程序和文书制度，因此，最好记住，拟议的措施与构成整体部分时不具有同样的单独价值，因此，该提案的利益就在于此建议。目标是融合这些数据流，了解有 LD 的成年人在学习过程中如何监控和控制他们的认知、元认知和情感过程。

虽然该协议是一个有效的工具箱，由执业心理学家筛选和诊断，它不是没有限制。成人LDs的诊断尤其困难。教育和经验允许许多成年人弥补他们的不足，这些成年人随后在24日测试时表现出个人特征。结果表明，作为目标总体的一般规则，很难提供来自某些数据源（如 GSR、日志数据等）的准确截止点。

另一个挑战，而不是限制，是处理由此产生的复杂、嘈杂、混乱的数据的复杂性，这需要来自不同领域的专家的参与，如心理学家、生理学家、计算机和教育科学家等。正如Azevedo和Gaéevié77最近指出的，我们需要整合心理、教育、教学和计算科学中复杂的理论模型和框架。除此之外，仪器仪表错误、内部和外部有效性、生态有效性与实验严谨性、数据通道的融合以及过程数据的推论只是收集多模式多通道数据导致的一些方法问题，研究人员必须解决77，78。77,

尽管如此，这种方法的未来方向超过了评估的目标，目前有可能使用实时多模式多通道数据设计基于自适应超媒体学习环境79的 预防性干预，或为学习者提供实时、智能、自适应的脚手架（建模认知策略，通过人工代理调节元认知，提示情绪调节，引入可视化工具发现隐藏过程等）。77，80.

最后，应跟踪其生命周期内的研发对象;SD、ADHD和ADS的纵向历程及其长期后遗症21日才刚刚开始探索。我们希望，广泛使用这一理论驱动的、基于经验的准则将有助于确定具有LD的成年人群体，并促使人们更深入地了解这些疾病，以便设计有效的预防和干预行动。

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

作者没有什么可透露的。

Acknowledgments

这份手稿得到了国家科学基金会（DRL#1660878，DRL#1661202）的资助， DUE#1761178， DRL#1916417）， 加拿大社会科学和人文研究理事会 （SSHRC 895-2011） 科学和创新部（PID2019-107201GB-100），以及欧洲联盟通过欧洲区域发展基金（ERDF）和阿斯图里亚斯公国（FC-GRUPIN-IDI/2018/000199）。本材料中表达的任何意见、结论、结论或建议都是作者的意见、结论或建议，不一定反映加拿大国家科学基金会或社会科学和人文研究理事会的观点。作者还要感谢UCFS SMART实验室的成员们的帮助和贡献。

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

行为， 问题 163， 学习障碍， 元认知， 自我调节， 多式联运评估， 成年， 元图
评估学习困难成人元认知和自我调节的多式联运协议
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