Waiting
Login processing...

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

Behavior

Multimodalt protokoll för bedömning av metakognition och självreglering hos vuxna med inlärningssvårigheter

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

Summary

Det nuvarande arbetet föreslår ett multimodalt utvärderingsprotokoll inriktat på metakognitiv, självreglering av lärande, och emotionella processer, som utgör grunden för svårigheterna hos vuxna med LDs.

Abstract

Inlärningssvårigheter (LDs) omfattar störningar hos dem som har svårt att lära sig och använda akademiska färdigheter, uppvisar resultat under förväntningarna för sin kronologiska ålder inom områdena läsning, skrivning och / eller matematik. Var och en av de störningar som utgör LDs innebär olika underskott; emellertid, vissa likheter kan hittas inom det heterogenitet, sådana när det gäller att lära självreglering och metakognition. Till skillnad från i tidig ålder och senare utbildningsnivåer, det finns knappast några evidensbaserade utvärderingsprotokoll för vuxna med LDs. LDs påverka akademiska resultat men också ha allvarliga konsekvenser i professionella, sociala och familjesammanhang. Som svar på detta föreslår det nuvarande arbetet ett multimodalt utvärderingsprotokoll inriktat på metakognitiv, självreglering av lärande, och emotionella processer, som utgör grunden för svårigheterna hos vuxna med LDs. Bedömningen utförs genom analys av on-line learning processen med hjälp av en sort metoder, tekniker, och sensorer (t.ex. eye tracking, ansiktsuttryck av känslor, fysiologiska svar, samtidiga verbaliseringar, loggfiler, skärminspelningar av människa-maskin interaktioner) och off-line metoder (t.ex. frågeformulär, intervjuer, och själv-rapport åtgärder). Denna teoretiskt drivna och empiriskt baserade riktlinje syftar till att ge en korrekt bedömning av LD:s i vuxen ålder för att utforma effektiva förslag till förebyggande och ingripande.

Introduction

Specifika inlärningsstörningar (SLDs) omfattar störningar hos dem som har svårt att lära sig och använda akademiska färdigheter, uppvisar resultat under förväntningarna för sin kronologiska ålder inom områdena läsning, skrivning och /eller matematik1,2. Det finns olika uppskattningar av prevalensen priser beroende på ålder, språk och kultur analyseras men de är mellan 5% och 15%1,3. Inom den globala kategorin neuroutvecklingsstörningar i Diagnostic and Statistical Manual ofth Mental Disorders (5th Ed.) 1, det är också nödvändigt att fokusera på förekomsten av Attention-Deficit/Hyperactivity Disorder (hädanefter ADHD) eftersom det är en vanlig sjukdom som har gett upphov till olika kontroverser om hur man ska närma sig det under de senaste åren. Baserat på DSM-51, det kan definieras som ett mönster av ihållande beteenden av ouppmärksamhet och / eller hyperaktivitet-impulsivitet. Likaså autismspektrumstörning (hädanefter ASD) är en kategori i samma handbok som inkluderar studenter som presenterar neuroutvecklingsstörningar till följd av multifaktoriella dysfunktioner i centrala nervsystemet, som resulterar i kvalitativa dysfunktioner i tre grundläggande områden av utvecklingen av personen: social interaktion, kommunikation och intressen och beteenden1,2.

På dessa linjer, ett nytt koncept har uppstått på väg bort från känslan av underskott och erbjuder en mer positiv inställning till dessa sjukdomar att vara förenligt med nuvarande idéer om neuroutveckling svårigheter som mycket samexistens och överlappande4. Från dessa nya modeller, det är underförstått att de färdigheter som deltar i hög nivå kognitiva processer, som gör det möjligt att hantera och reglera sitt beteende för att uppnå ett önskat mål, är avgörande för självreglering och, därför, för verksamhet i det dagliga livet, inklusive de akademiska5. I samband med vuxenlivet har neuromångfald utvecklats till att omfatta olika typer av svårigheter, inklusive ADHD och ASD, samt dyslexi, dyspraxi, och/eller dyskalkyli. Följaktligen närmar vi oss denna neuromångfald från en bred uppfattning om inlärningssvårigheter (LDs). Ökningen av studenter med denna mångfald inskrivna i eftergymnasial utbildning är väl dokumenterad och beror delvis på ökningen av gymnasiet gradering för studenter med funktionshinder6, men samtidigt, det finns mindre forskning om inlärningsprocessen av dessa elever än nödvändigt7.

Var och en av de störningar som närmade sig i isolering innebär olika underskott och manifestationer; emellertid, vissa commonality kan hittas inom det heterogenitet i termer av LD, såsom metakognitiv, självreglerande, och känslomässigakrånglande 8,9,10,11. Tre grundläggande grunder i litteraturen om lärande i allmänhet, och LDs i synnerhet, som representerar grunden för framgångsrikt lärande och spelar en väsentlig roll i dessa välkända svårigheter på den akademiskanivån 12. Förutom detta, andra metoder förstår att det kan finnas en viss gemensamhet mellan underskott i verkställande funktioner, såsom problem i automatisk bearbetning eller arbetsminne, som förekommer i olika sjukdomar såsom ADHD och lässtörningar13 eller ADHD och ASD5. Det finns dock fortfarande arbete att göra på detta område, eftersom inte alla studier når samma slutsatser om dessa punkter gemensamt i förhållande till verkställande funktioner. Det skulle kunna bero på de variationer som presenteras av de prover som studierna bygger på och utvärderingsförfarandena för de verkställande funktioner som används iundersökningarna 5,14.

I utbildningsmässigt påverkar denna mångsidiga blandning inte bara kvaliteten på lärandet, på grund av de berörda funktionernas grundläggande karaktär, utan även fenomen som skolavhopp, byte av examen osv., med ekonomiska konsekvenser för regeringar och universitet15. Andelen avhopp för studenter med LDs är högre än för studenter i den allmännabefolkningen 16 men också högre än andelen avhopp för någon annan kategori av psykologiska funktionshinder med undantag för de studenter med känslomässiga störningar17. Däremot ökar antalet studenter med LD som har tillgång till post-obligatorisk utbildning (yrkesutbildning, högskola, etc.)15, närmare bestämt inom högreutbildning 19,20,21,22. Dessutom kan man mycket väl anta att det finns många fler studenter med LD än de som officiellt passerar genom studenttjänster och vanligtvis utgör prevalensstatistiken23.

Dessa svårigheter upptäcks inte alltid under barndomen, särskilt hos vuxna födda innan dessa störningar ansågs i det ordinarie akademiska systemet, och symtomen på dessa störningar kvarstår under människors liv och orsakar svårigheter i arbetet, utbildning och privatliv24. Forskning har visat att även om människor kan övervinna några av sina svårigheter, de flesta fortsätter att uppvisa kamp med lärande under vuxen ålder och deras uthållighet är fortfarande problematiskt på de högre utbildningsnivåer25.

Paradoxalt nog, till skillnad från tidigare utbildningsnivåer och tidigare åldrar, finns det knappast några evidensbaserade instrument eller utvärderingsprotokoll för vuxna med LD. Trots spridningen av diagnostiska verktyg för att utvärdera LDs under barndomen, är tillgången på giltiga, tillförlitliga instrument och metoder för den vuxna befolkningen betydligt begränsad24. En nyligen genomförd litteraturstudie om inlärningssvårigheter inom högre utbildning fann att det mesta av den information som samlas in i detta avseende sker genom intervjuer, och endast ibland används självrapportfrågeformulär26. Själv-rapport metodik och intervjuer, även om värdefulla, är inte tillräckligt för att exakt bedöma metakognitiva, självreglering, och emotionella processer färdigheter, i själva verket, bland annat, på grund av processen karaktär. Betydelsen av skalor och intervjumetodik för att mäta dessa processer ärobestridlig 27,28, men så är också de tillhörande problemen med giltighet29 och inkongruens med andra innovativa metoder för bedömning30. Ett ytterligare problem i detektion av LDs är den bias i diagnos av oordning på grund av avsaknad av omfattande bedömning protokoll. Det faktum att yrkesverksamma inte har ett referensprotokoll baserat på objektiva variabler ofta orsakar många falska positiva och falska negativa fall av LDs31.

Som svar på både knapphet av instrument för vuxna och behovet av att förbättra befintliga metodik, den aktuella studien föreslår en multimodal utvärderingsprotokoll inriktad på metakognitiva, självreglering, och känslomässiga processer, som utgör grunden för svårigheterna hos vuxna med LDs. I linje med den aktuella litteraturen föreslår vi en utveckling mot integrativ och flerkanalsmätning32,33. Bedömningen utförs genom en analys av on-line learning-processen med hjälp av flera metoder, tekniker och sensorer (t.ex. hypermedia learning environment, virtual reality, eye tracking, ansiktsuttryck av emotion, fysiologiska svar, loggfiler, skärminspelningar av människa-maskin-interaktioner) och off-line-metoder (t.ex. frågeformulär, intervjuer och självrapporteringsåtgärder). Denna blandade metodik ger bevis för införandet av målprocesser före, under och efter lärande som kan trianguleras för att öka förståelsen för hur eleverna lär sig och var problemet ligger, om det finnsen 34.

Utvärderingsprotokollet genomförs under två sessioner. Sessionerna kan göras i ett sammanträde eller kan behöva partiella ansökningar beroende på personen. Den första är inriktad på upptäckt eller bekräftelse av LDs och vilken specifik typ av störning vi står inför, och den andra är utformad för att gå in i metakognitiva, självreglering, och känslomässiga processer i varje enskilt fall på djupet.

Session 1 är avsedd att vara en diagnostisk eller bekräftelse bedömning av deltagarens inlärningssvårigheter: SLD, ADHD och / eller ASD (hög fungerande) för att avgöra vilken typ av specifika problem deltagarna har. Denna bedömning är väsentlig av två skäl. 1) Vuxna med inlärningssvårigheter har sällan korrekt information om deras dysfunktionella beteende. Några av dem misstänker att de har en LD men har aldrig utvärderats. Andra kan ha bedömts när de var barn men inte har några rapporter eller ytterligare information. 2) Det kan finnas avvikelser med tidigare diagnoser (t.ex. en tidigare dyslexi diagnos i motsats till en aktuell diagnos av uppmärksamhet underskott och långsam bearbetning hastighet; tidigare ASD diagnos i motsats till nuvarande begränsad intellektuell förmåga, etc.). Deltagaren intervjuas, och enkäter och standardiserade tester tillämpas. Denna session här utförs av terapeuter med erfarenhet av att diagnostisera utvecklings- och inlärningssvårigheter i forskning och klinisk kontext i olika kontor för en spansk psykologi fakultet. Sessionen inleds med en strukturerad intervju som samlar in biografisk information tillsammans med förekomsten av symptom relaterade till SLDs som avses i DSM-51. Efter det används referens intellektuella förmåga test WAIS-IV35 vid uteslutning kriterium genomförande och eftersom det ger mycket värdefull information för inlärningssvårigheter från skalorna "arbete minne" och "bearbetning hastighet"36. Dessutom är PROLEC SE-Reviderad Test37 i stor utsträckning används för att utvärdera lässvårigheter (lexikala, semantiska och / eller syntaktiska processer för läsning), en av de vanligaste och handikappande svårigheter för lärande i nuvarande akademiska sammanhang, som överlappar med andra störningar såsom ADHD38. Denna utvärdering samlar in läsnoggrannhet, snabbhet och flyt tillsammans med lässvårigheter, och ännu viktigare, i vilken läsprocess misslyckandetinträffar 37 (detta test har utvärderats med pre-universitetsstudenter. För närvarande finns det inga tester i Spanien som är anpassade till den allmänna vuxna befolkningen, så detta test valdes eftersom det är närmast målpopulationen). Sedan, vi skärmen symtom på ADHD genom Världshälsoorganisationen Vuxen ADHD Självrapport Skala (ASRS)39 och förfina utvärderingen av denna sjukdom, införa multimodalitet med en banbrytande virtuell verklighet kontinuerlig prestanda test för utvärdering av attentional processer och arbetsminne hos vuxna, den Nesplora Aquarium31,40. Detta test är ett mycket användbart verktyg när diagnostisera ADHD hos vuxna och ungdomar över 16 år i ett ekologiskt scenario, vilket ger objektiva, tillförlitliga data. Den utvärderar selektiv och ihållande uppmärksamhet, impulsivitet, reaktionstid, auditiv och visuell uppmärksamhet, uthållighet, kvaliteten på uppmärksamhetsfokus, motorisk aktivitet, arbetsminne och kostnader för byte av uppgift. Dessutom, tillsammans med WAIS-IV35 som helhet för att samla in information om deltagarens intellektuella förmåga, vi ägna särskild uppmärksamhet åt skalorna "arbetsminne" och "bearbetningshastighet" eftersom de är relaterade till inlärningssvårigheter och resultaten av dessa skalor används i det slutliga beslutet. Slutligen inkluderar vi Autism Spectrum Quotient (AQ-Short)41 i protokollet, den korta versionen av den tillförlitliga AQ-Vuxen från Baron-Cohen, Wheelwright, Skinner, Martin och Clubley42.

Session 2 fokuserar på en multimodal bedömning av deltagarens inlärningsprocess. Nyckeln till förståelse av komplext lärande ligger i att förstå spridningen av elevernas kognitiva, metakognitiva, motiverande och affektiva processer43. För detta ändamål, deltagarna arbetar med MetaTutor, där användningen av metakognitiva och kognitiva strategier utplacerade observeras medan de lär sig. MetaTutor är en hypermedia inlärningsmiljö som är utformad för att upptäcka, modell, spåra, och främja elevernas självreglerade lärande samtidigt lära sig olika vetenskap ämne44. Utformningen av MetaTutor bygger på omfattande forskning av Azevedo och kollegor43,45,46,47 och tillhör en ny trend i mätningen av SRL, den så kallade tredje vågen, som kännetecknas av kombinerad användning av mätning och avancerad inlärningsteknik33. Användningen av MetaTutor ger också multimodala spårdata, införliva åtgärder såsom, eye tracking, emotionell fysiologiska reaktioner (galvanisk hud svar (GSR) och ansiktsuttryck av känslor)48, log-data och frågeformulär. Alla dessa åtgärder kombineras för att nå en djupare förståelse av deltagarna SRL och metakognition.

Eye tracking ger en förståelse för vad som väcker omedelbar uppmärksamhet, vilka målelement ignoreras, i vilken ordning element uppmärksammas, eller hur element jämföra med andra; elektrodermal aktivitet låter oss veta hur känslomässig upphetsning förändras som svar på miljön; ansikts-känsla-erkännande tillåter automatisk igenkänning och analys av ansiktsuttryck; och dataloggning samlar in och lagrar studentens interaktion med inlärningsmiljön för vidare analys. När det gäller frågeformulären informerar Mini International Personality Item Pool49 om en rad aktiviteter och tankar som människor upplever i vardagen bedöma var och en av de fem stora personlighetsdrag (extraversion, vänlighet, samvetsgrannhet, neuroticism och öppenhet). De konnotativa aspekterna av epistemologiska övertygelser50 ger information om deltagarnas föreställningar om kunskap. Rosenberg Självkänsla skala visar hur deltagarna känner för sig själva totalt51. Emotion Förordning Enkät52 ger information om deltagarnas känslor förordning. The Achievement Emotions Questionnaire (AEQ)53 informerar om känslor som vanligtvis upplevs vid universitetet.

Kort sagt, att bedöma LDs under vuxenlivet är särskilt svårt. Utbildning och erfarenhet gör det möjligt för många vuxna att kompensera för sina underskott och senare visa odifferentierade eller maskerade symtom, på vilka vetenskaplig kunskap fortfarande är knapp. Med hänsyn till den kritiska forskningslucka som uppstår syftar detta nuvarande arbete till att säkerställa teoretiskt drivna, empiriskt baserade riktlinjer för korrekt bedömning av LD:s under vuxenlivet för att utforma effektiva förebyggande åtgärder och interventionsåtgärder.

För att hjälpa läsarna att avgöra om den metod som beskrivs är lämplig eller inte, är det nödvändigt att ange att protokollet inte är lämpligt för personer med intellektuella funktionshinder eftersom deras diagnos ogiltigförklarar diagnos av inlärningssvårigheter. Dessutom, på grund av singulariteterna i den utrustning som används och formatet för att visa inlärningsinnehållet, är det fortfarande inte möjligt att utvärdera personer med motoriska funktionshinder (övre extremiteter, hals och /eller ansikte), hörsel eller synnedsättning. Det skulle inte heller vara lämpligt för deltagare med svåra psykiska störningar. Det skulle kräva användning av läkemedel som kan förändra informationsbehandling eller fysiologiska uttryck för känslor.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Den forskningsetiska kommittén i Furstendömet Asturien och universitetet i Oviedo godkände detta protokoll.

1. Session 1: diagnos bedömning

OBS: I denna session av protokollet används utvärderingstester från olika utgivare, som har sina egna specifika program- och tolkningsmanualer. Eftersom dessa tester, eller andra liknande, är allmänt kända av det vetenskapliga samfundet inom psykologi och utbildning, är förfarandet för att tillämpa dem inte detaljerad steg för steg (till exempel, med tanke på syftet med detta papper, är det inte meningsfullt att detalj varje steg i WAIS-IV35 ansökan).

  1. Informerat samtycke
    1. Förklara för deltagarna de etiska och konfidentialitetsaspekterna i forskningen och be dem att erkänna och underteckna det enskilda informerade samtycket.
  2. Strukturerad intervju
    1. Förklara följande instruktioner för deltagaren: "Nu ska jag intervjua dig för att få viktig information om ditt liv och dina akademiska frågor. Det finns öppna och stängda frågor men du kan avbryta mig när du vill. Snälla, låt mig veta om du behöver mig för att klargöra någon punkt. Efter denna inledande intervju, kan jag be er att göra några utvärderingstester och frågeformulär. Jag kommer att berätta de specifika instruktionerna för var och en. Är du redo?"
    2. Samla in den biografiska informationen tillsammans med förekomsten av symptom relaterade till SLD och kriterier för uteslutning som hänvisas i DSM-51 efter intervjun skript (se Kompletterande Fil A ).
  3. Första beslutspunkten i förhållande till den strukturerade intervjun (uteslutningskriterier)
    1. Avsluta bedömningen om deltagaren uppfyller de ursprungliga uteslutningskriterierna, det vill säga de förklarar att de har ett motoriskt funktionshinder (övre segment), sensorisk funktionsnedsättning (visuell eller auditiv), en diagnos av intellektuell funktionsnedsättning eller en allvarlig psykisk störning.
    2. Fortsätt bedömningen om det verkar som om deltagaren har eller tror att han/hon har en SLD och inte uppfyller uteslutningskriterier.
  4. Intellektuell förmåga
    1. Tillämpa WAIS-IV35-testet för att samla in information om deltagarens intellektuella förmåga efter instruktionerna i handboken.
  5. Andra beslutspunkten i förhållande till intellektuell förmåga (uteslutningskriterier)
    1. Avsluta bedömningen om deltagaren inte förstår instruktionerna för testet, om det inte går att utvärdera, eller så har de en IQ på mindre än 70.
    2. Fortsätt bedömningen om personen har normal eller begränsad intellektuell förmåga.
      OBS: Gränsen för den IQ som accepteras i den föreliggande studien har satts som en poäng på över 70.
  6. Adhd
    1. Be deltagaren att fylla i de sex objekten i den självrapporterade Screening Questionnaire av vuxen-v1.1. (ASRS39) av Världshälsoorganisationen (WHO) International Sammansatt Diagnostisk Intervju.
      OBS: Detta frågeformulär ger information om förekomsten av symtom relaterade till ADHD som avses i DSM-IV54.
    2. Tillämpa Nesplora Aquarium-testet40 om deltagaren får 12 eller fler poäng i föregående ASRS36-enkät.
  7. Lässvårigheter
    1. Applicera PROLEC SE-R Screening Test av lässvårigheter37 följ instruktionerna i manualen.
  8. Autismspektrumstörning (nivå 1)
    1. Be deltagaren att fylla i de 28 objekten i frågeformuläret Autism Spectrum Quotient (AQ-Short) från Hoekstra et al.41
      OBS: Detta frågeformulär ger information om förekomsten av symtom relaterade till socialt beteende, sociala färdigheter, rutin, växling, fantasi och siffror / mönster.
  9. Analysera resultaten.
    1. Analysera varje deltagares intervju, frågeformulär och testresultat och bestäm om de har betydande inlärningssvårigheter eller inte eller riskerar att få dem.
      OBS: Två medlemmar i expertkommittén (utvärderaren och en annan medlem i forskargruppen) analyserar varje deltagares inlärningsprofil och avgör om de är en student med SLD, ADHD och/eller ASD eller inte eller löper risk att få dem. Inget test kan ersätta expertens omdöme.
  10. Slutlig beslutspunkt
    1. Avsluta bedömningen om deltagaren uppenbarligen inte är en elev med inlärningssvårigheter.
    2. Fortsätt bedömningen om deltagaren är en person med LDs (eller i riskzonen) och gå till Session 2.

2. Session 2: multimodal bedömning

OBS: Session 2 måste göras mellan 1 och 7 dagar efter Session 1.

  1. Förbered deltagaren.
    1. Påminn deltagarna om att sessionen varar i ungefär 2 timmar, och att de ska fylla i några enkäter och uppgifter i MetaTutor-inlärningsmiljön medan vissa enheter registrerar sina prestanda under hela sessionen.
    2. Be deltagarna knyta tillbaka håret, rensa nacken, ta av sig glasögonen och ta bort tuggummi om det är tillämpligt.
      OBS: Om deltagaren bär glasögon, har långt hår eller lugg som täcker en del av ansiktet, kommer ögat tracker inte att kunna läsa sina ögon rörelser.
    3. Introducera MetaTutor till deltagarna. Förklara att målet med sessionen är att självständigt lära sig om cirkulationssystemet med hjälp av verktyget.
    4. Kontrollera att högtalarna är anslutna och fungerar.
      OBS: Deltagaren kan också använda hörlurar om så är så att det är så.
  2. Galvanisk hudresponspreparering och kalibrering
    OBS: Kom ihåg att det finns många typer av GSRs tillverkas av olika företag. Använd den enligt leverantörens specifikationer.
    1. Rengör GSR och deltagarens fingrar med alkohol.
    2. Sätt finger/armbandetS GSR-sensorer på pek- och ringfingrarna med kontakterna på fingertoppssidan eller enligt tillverkarens anvisningar.
    3. Be deltagaren att vila handen på bordet lugnt och försök att slappna av i 5 min.
    4. Öppna programvaran i datorn.
    5. Kontrollera att registreringsgrafen fungerar. Kontrollera registreringsgrafen är registrering.
    6. Klicka på Kör experiment > Betygsätt 10 per sekund > Varaktighet > 10 > Minut. Registrera informationen i tio minuter för att upprätta originalplanen.
      OBS: Med kurs 10 per sekund avses den frekvens med vilken åtgärder vidtas.
    7. Minimera skärmen.
    8. Fortsätt med kalibreringen av andra enheter, och efter 10 minuter spara informationen i en .csv-fil.
  3. Ögonspårning och webbkamera förberedelse och kalibrering
    OBS: Kom ihåg att det finns många typer av ögonspårning och webbkamera som tillverkas av olika företag. Använd dem enligt leverantörens specifikationer.
    1. Öppna programvaran i den bärbara datorn och i datorn.
      OBS: Ögonrörelserna fångas på PC:n som deltagaren arbetar med, men uppgifterna registreras på den bärbara datorns sida. I sidodassen kan experimentören dessutom se de rörelser som deltagaren gör och korrigera deltagarens position om det behövs.
    2. Ange vilken session som kommer att registreras (Metatutor i det här fallet) och deltagarens registreringsdata: Arkiv > Senaste experiment > Metatutor > Inkludera registreringsdata för deltagaren > OK.
    3. Kontrollera att de två datorerna är kopplade till varandra och att ögonspårningen infraröda lampor är på och redo att fånga ögonens rörelse.
    4. Justera webbkameran på datorn till deltagarens position.
    5. Be deltagaren att sitta vänd framåt och vara så neutral som möjligt, även om det förväntas att deras ansiktsuttryck kommer att variera under inlärningssessionen.
      OBS: Under inlärningssessionen en video av deltagarens ansikte spelas in med webbkameran som senare analyseras med hjälp av en skrivbordsapp55.
    6. Be deltagaren att vara stilla och att stirra på de olika punkterna på skärmen med näsan i linje med/något över kanten på skrivbordet (vid 90°).
    7. Klicka på Record > Skriv registreringsuppgifterna för deltagaren > Ok för att starta kalibreringsprocessen.
    8. Be deltagaren att trycka på mellanslagstangenten och följa punkterna på skärmen med ögonen.
    9. Se till att deltagarens ögon, när du tittar på skärmen, är centrerade innan du går vidare till nästa steg, med hjälp av den bärbara datorn på sidan för att kontrollera denna information.
      OBS: Deltagarens blick är centrerad när rörelserna i deras ögon registreras på sidan laptop skärmen med två vita cirklar. När blicken lämnar registreringsytan varnar programvaran med gula pilar (om något avvikit), med röda pilar (om avvikit en hel del) eller utan vita cirklar (om inte registrera). Vägen för ögonens rörelse reflekteras med ett gult ljus (uppmärksamhetsfokus) och spåret genom skärmen med en grön linje.
    10. Be deltagarna att undvika att röra ansiktet eller vila huvudet i händerna så mycket som möjligt.
    11. Minimera skärmen.
  4. Multimodal spårning av inlärningssessionen
    1. Maximera GSR-skärmen och klicka på Kör experiment > Betygsätt 10 per sekund > Varaktighet > 5 > timmar > Spela in och minimera skärmen igen.
    2. Maximera ögonspårning och webbkamera skärmen, se till att programvaran fungerar korrekt, klicka på Spela in på datorn och på sidan laptop för att registrera och spela in sessionen och minimera skärmen igen.
      OBS: När enheterna har kalibrerats, glöm inte att börja spela in utvärderingssessionen i var och en av dem. Från denna punkt kommer hela deltagarens interaktion med inlärningsverktyget att spelas in till slutet av sessionen.
  5. Frågeformulär och inlärningssession i MetaTutor
    1. Öppna programvaran i PC:n och fyll i deltagarens registreringsdata. Komplett ID > Experimenter > Dag > Enkäter ja > Fortsätt.
      OBS: Alla loggar kommer att registreras under sessionen i en fil-data logg.
    2. Förklara för deltagaren att de måste följa instruktionerna i verktyget och att de endast kommer att interagera med datorn under inlärningssessionen. Förklara att forskaren kommer att vara i rummet bredvid ifall något skulle hända.
      1. Fråga deltagaren om sociodemografiska och akademiska uppgifter. Complete Name > Kön > Ålder > Etnisk grupp > Utbildningsnivå > Universitet > Grad > GPA > Information om biologikurser som tas om tillämpligt > Fortsätt. Innan du klickar på Fortsätt, förklara för deltagarna att de måste följa alla instruktioner som verktyget kommer att ge dem. Också, att de bara kommer att interagera med datorn under inlärningssessionen.
      2. Be deltagaren fylla i några enkäter.
        OBS: Deltagaren har att fylla i fem metakognitiva och självreglerade frågeformulär lärande: a) Den Mini International Personality Item Pool49; b) De konnotativa aspekterna av epistemologiska övertygelser50; c) Den Rosenberg Självkänsla Skala51; d) Den Emotion Förordning Frågeformulär52; e) The Achievement Emotions Questionnaire (AEQ)53 och ett frågeformulär om allmän kunskap om cirkulationssystemet.
      3. Visa deltagaren gränssnittet för MetaTutor och dess olika delar.
        1. Förklara deltagaren att innehållsområdet är där inlärningsinnehållet visas under hela sessionen i textform.
        2. Visa deltagaren att han/hon kan navigera genom en innehållsförteckning vid sidan av skärmen för att gå till olika sidor.
        3. Visa deltagaren att det övergripande inlärningsmålet visas högst upp på skärmen under sessionen.
        4. Visa deltagaren att de inställda delmålslärarna visas högst upp i mitten av skärmen, så kan de hantera delmål eller prioritera dem här.
        5. Visa deltagaren att det finns en timer som finns längst upp i vänstra hörnet på skärmen visar hur lång tid som återstår i sessionen.
        6. Visa deltagaren listan över självreglerande processer, som visas i en palett på höger sida av skärmen, och deltagaren kan klicka på dem under hela sessionen för att distribuera planering, övervakning och inlärningsstrategier.
        7. Visa deltagaren de statiska bilder som är relevanta för innehållssidorna visas bredvid texten för att hjälpa inlärarna att samordna information från olika källor.
        8. Visa den text som deltagaren angav på tangentbordet och hur deltagarnas interaktioner med agenter visas och registreras i den här delen av gränssnittet.
        9. Visa deltagaren de fyra artificiella agenter som hjälper eleverna i deras lärande under hela sessionen.
          OBS: Dessa agenter är Gavin guiden, Pam planeraren, Mary monitorn, och Sam strategizer.
      4. Be deltagaren att klicka på Start för att påbörja utbildningssessionen när de än är redo.
        OBS: Deltagaren interagerar med verktyget.
      5. När sessionen är klar ber du deltagaren att fylla i kunskapsenkäten igen.

3. Utloggning

  1. I slutet av sessionen spara de inspelade data från GSR, eye tracking / webbkamera och Metatutor tillsammans med registreringsuppgifter av deltagaren. Extrahera data i en .csv-fil för enklare användning.
  2. Ta bort GSR-sensorerna från deltagarens hand och rengör de galvaniska sensorerna med alkohol igen.
  3. Tacka deltagarna för deras samarbete och säg adjö.

4. Analys av inlärningssvårigheter

  1. Analysera varje deltagares inlärningsresultat utifrån de olika rapporter som produceras (se avsnittet Resultat) för att få en multimodal profil.
    OBS: Minst två medlemmar i expertkommittén analyserar varje deltagares inlärningsprocess. Även om utvärderingen kan göras uttömmande med hjälp av nya instrument och verktyg kan ingen rapport ersätta expertens omdöme.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Det här avsnittet illustrerar de representativa resultat som erhållits från protokollet, inklusive ett exempel på samtidiga resultat av Session 1 och ett exempel på varje informationskälla från Session 2.

Resultaten om störningar samlas in i session 1 genom diagnostiska tester med hänsyn till de förfaranden och avskärningspunkter som anges för diagnostisk bedömning av deltagarnas inlärningssvårigheter (SLD, ADHD och ASD). Expertkommittén beslutar om deltagaren har inlärningssvårigheter eller riskerar att få dem eller inte (se ett exempel på beslutsfattande i figur 1). Om deltagaren uppvisar inlärningssvårigheter och deltar i Session 2 samlas data från alternativa källor in.

Under session 2 protokollet samlar resultat från fem olika källor: deltagarnas GSR, ansikte känslor, ögonrörelser, frågeformulär och log-data.

För det första får vi ett mått på GSR som en indikation på känslomässig upphetsning under lärande session (lugn / upphetsad)56. Inlärningssvårigheter är kopplade till ångest hos vuxna, och flera studier har visat att studenter med inlärningssvårigheter från första klass till universitet rapporterar högre ångestsymtom, fungerar som en faktor i minskad prestanda57,58,59. Det finns dock inget en-till-ett-samband mellan förståelse och sanering; varje fall behöver analyseras individuellt av expertkommittén med hänsyn till varje deltagares specifika baslinje. Figur 2 visar två paradigmatiska fall som kan visa oss om ångestreglering är en central punkt för intervention.

För det andra får vi en inspelning av deltagarens ansikte under hela sessionen som visar oss de olika känslor de kände under inlärningsprocessen att överväga den teoretiska relationen med metakognition och självreglering. Det finns en mängd ansikts-känslor-erkännande programvara för att samla in denna information. I det nuvarande protokollet använder vi ett verktyg55, som inkluderar känslor erkännande, återvänder förtroendet över en uppsättning känslor för varje ansikte i videon (avsky, rädsla, ilska, lycka, förakt, neutral, sorg och överraskning). Dessa känslor förstås vara tvärkulturellt och allmänt kommunicerade med specifika ansiktsuttryck60. Deltagarna tenderade att uppleva alla de upptäckta känslorna under sessionen, men vi kan få ett allmänt index för varje som ger information om den allmänna trenden. Positiva aktivera känslor som lycka, överraskning och njutning, är tänkt att främja både inneboende och intrinsikala motivation, underlätta användningen av flexibla inlärningsstrategier, och främja självreglering. Omvänt, negativa inaktivera känslor, såsom tristess och sorg, är posited att enhetligt minska motivation och effortful bearbetning av information, vilket ger negativa effekter på läranderesultat. För neutrala avaktiverande och negativa aktiverande känslor, såsom ilska, rädsla, förakt och avsky, är relationerna antas vara mer komplexa. Närmare bestämt kan ilska och rädsla undergräva inneboende motivation, men kan framkalla stark intrinsic motivation att investera ansträngning för att undvika misslyckande, vilket innebär att effekterna på elevernas lärande behöver inte vara negativ53 (se figur 3). Resultaten anger graden av slump med en av de analyserade känslor, tilldela värden mellan 0 och 1 till var och en av dem.

För det tredje använder vi data från eye-tracking. Eye-trackers fånga blick information i form av fixeringar, och saccades (Bild 4). I det aktuella protokollet är vi intresserade av att analysera fixeringar, särskilt andelen fixeringstid och mönster av fixeringar. För det ändamålet definierade vi sju intresseområden (AOIs) i MetaTutor-gränssnittet för bedömning av självreglering (märkt med rektanglar i figur 5): AOI1 Timer, AOI2 Goal and Sub goals, AOI3 Agent/avatar för byggnadsställningar, AOI4 Innehållsförteckning, AOI5 Textinnehåll, AOI6 Bildinnehåll, AOI7 Learning Strategies Palette.

När det gäller bedömning för kortfattad vägledning för intervention kan vi dra slutsatsen följande.

Fixeringar i AOI1 betecknar tidshantering och/eller resurshanteringsstrategier. Minskade eller massiva fixeringar i AOI1 betecknar felaktiga färdigheter time management. Det bör kontrolleras omgående.

Fixeringar i AOI2 betecknar planering, inställning och prioritering av mål och delmål. Tidigare studier visar att just denna AOI, tillsammans med AOI7, är särskilt viktigt för att bedöma lärande med MetaTutor61. Eftersom denna information är kortfattad, kort och visuell, bör andelen fixeringar inte vara särskilt hög (figur 6).

Fixeringar i AOI3 Agent visar att deltagaren drar nytta av de uppmaningar och feedback som agenterna ger under interaktionen som svar på deltagarnas mål, beteenden, självutvärderingar och framsteg. Det är värt att notera att en brist på fixeringar på agenten AOI måste övervägas noggrant, eftersom eleverna kanske inte alltid behöver titta på en agent för att bearbeta sina ljud uppmaningar och feedback61. Detta AOI bör kontrolleras ibland. Avatarer talar inte ofta, så det bör finnas en liten andel av fixeringar jämfört med andra områden, men det skulle återspegla att de har etablerat en interaktion med agenten (Figur 6).

Fixeringar i AOI4 och/eller övergångar mellan text och bild/graf (AOI5 och AOI6) pekar på deltagarnas strategi-användning för samordning av informationskällor (COIS), som är associerade med begreppsmässigavinster 45. Längden på fixeringar på texter och bilder indikerar integrationsprocesser som bidrar till korrekta mentala representationer av den information som presenteras62. COIS är operationalized som en följd av två övergångar mellan ögat fixeringar på text och bild / områden graf (t.ex. text/graf/text). AOI4 ska kontrolleras med viss frekvens. Eftersom informationen är tydlig, kort och visuell, bör andelen fixeringar inte vara särskilt hög. Den högsta andelen fixeringar bör vara i AOI5 och AOI6. Ämnet bör tillbringa större delen av sin tid med att granska innehållet (dvs. de skrivna texterna) och lägga ner en noterbar tid på bilderna och graferna för att samordna och integrera både kunskapskällor (figur 6).

Fixeringar på AOI7 indikerar användning av kognitiva strategier (göra anteckningar, skriva en sammanfattning, göra en inferens) och metakognitiva strategier (aktivera förkunskaper, utvärdera innehåll relevans, bedöma förståelse och kunskap)63. Det är rimligt att deltagaren granskar de tillgängliga resurserna eller inlärningsstrategierna med viss frekvens (figur 6).

För den efterföljande analysen är det nödvändigt att fokusera på data relaterade till studenter som interagerar med MetaTutor, exklusive de delar av interaktionen under vilka deltagarna tittar på systemtutorials. De insamlade uppgifterna kan vara bullriga och behöver expertvalidering. Den huvudsakliga källan av stojar är tack vare deltagare som tittar i väg från avskärma, som syna-spåraren tolkar som ogiltiga data; i detta fall är det lämpligt att ta bort motsvarande segment från blickdata. I figur 6 visas en deltagare med metakognitiv funktionsstörning och en deltagare med en adaptiv användning av strategier på denna nivå.

För det fjärde analyseras frågeformulär tillsammans med resten av informationen och poängsätts enligt författarnas anvisningar. De ger data på deltagarnivå av självkänsla och känslomässig reglering. En gynnsam nivå av självkänsla eller korrekt emotionell reglering strategier underlättar inlärningsprocesser64. För att se exempel på tolkning (figur 7).

Slutligen registreras alla inlärares samspel med innehåll, agenter och inlärningsmiljön i loggar för ytterligare detaljerad analys efter schemat i figur 8. MetaTutor-loggdata ger oss ett brett utbud av möjligheter att bestämma bland annat antalet gånger som elever utplacerade självreglerande inlärningsstrategier (t.ex. anteckningar, sammanfattningar, övervakning av framstegen mot mål, innehållsutvärdering, bedömningar av lärande, känslor av att känna till, planera, förkunskaper aktivering, etc.), om dessa strategier var själv eller externt genereras av den externa byggnadsställningar, och den tid varje deltagare tillbringade visningsmaterial i MetaTutor som var relevant / irrelevant för deras nuvarande aktiva undermål65,66. Mönster Mining, Process Mining, Association Regler, och andra potentiella metoder67,68 skulle ge ett mått på elevernas användning av kognitiva och metakognitiva övervakning och reglering under hela lärande session.

Figure 1
Bild 1. Exempel på att göra beslutspunkter i Session 1. Detta fall visar en deltagare som har haft inlärningsproblem sedan barndomen, mest i läsprocesser. Experten kan se att dessa lässvårigheter är mer betydande i lexikala och syntaktiska processer (b). Dessutom observeras att deltagaren inte har någon motorisk, sensorisk eller psykisk funktionsnedsättning. Det observeras att deltagaren har en normal intellektuell förmåga och inte är i riskzonen i förhållande till autismspektrumstörning eller ADHD (en) utelämnanden, provisioner och reaktionstid, i visuella och auditiva kanaler, är mindre än 60, så är i det normala intervallet). I detta fall upptäcks läsproblem och uteslutningskriterier observeras inte, så det anses att deltagaren har SLD på grund av läshandikapp. Vänligen klicka här för att visa en större version av denna figur.

Figure 2
Bild 2. Resultat av en stabil aktiveringsnivå och instabil aktiveringsnivå under inlärningssessionen. Den här bilden representerar resultaten av två deltagare. Deltagare A med stabila aktiveringsnivåer och deltagare B med instabila aktiveringsnivåer under inlärningssessionen eftersom deltagarlinjen B är mer oregelbunden och med många toppar. Vänligen klicka här för att visa en större version av denna figur.

Figure 3
Bild 3. Bild av känsloigenkänning. a) Exempel på neutrala känslor; b) Exempel på sorgsna känslor; och c) Exempel på lycka känslor trend. I den gula cirkeln är det möjligt att se känslotrenden. Vänligen klicka här för att visa en större version av denna figur.

Figure 4
Bild 4. Exempel som visar övergångsdata mellan text och graf (AOI5 och AOI6) under en MetaTutor-inlärningssession. Cirklar och linjer representerar områden med fixering och övergångar mellan områden. Vänligen klicka här för att visa en större version av denna figur.

Figure 5
Bild 5. Områden av intresserar (AOIs) av MetaTutoren har kontakt för själv-regleringbedömningen: AOI1 till AOI7. AOI1 Timer, AOI2 Mål och delmål, AOI3 Agent, AOI4 Innehållsförteckning, AOI5 Text innehåll, AOI 6 Bildinnehåll, AOI7 Learning Strategier Palette. Vänligen klicka här för att visa en större version av denna figur.

Figure 6
Bild 6. Andel fixeringar i MetaTutor-gränssnittet AOIs uttryckt i procent. a) Exempel på en deltagare som utplacerar felfunktion i självreglering, b) Exempel på en deltagare som distribuerar självreglerande beteenden. Andel fixeringar i varje område (värden mellan 0 och 1). a) Verkliga data från en deltagare som tillbringar mer än 80% av tiden med att läsa den skrivna texten (AOI5) underanvänder han de resurser som är avsedda att hjälpa honom att förstå det innehållet (AOI6); han granskar knappt innehållsschemat för att kontrollera vad han redan har lärt sig och vad som finns kvar att lära sig (AOI4); försummar inlärningsmål och delmål (AOI2) och han granskar sällan paletten av lärandestrategier (AOI7). Dessutom övervakar han inte den tid som tilldelats uppgiften (AOI1) och ignorerar avatarerna som försöker hjälpa honom (AOI3); b) Verkliga data från en deltagare som tillbringar halva tiden (50% ungefär) läsa den skrivna texten (AOI5) och ofta granskar grafen som syftar till att hjälpa honom att förstå innehållet (AOI6). Även om han tillbringar större delen av sin tid på innehåll, granskar han innehållsschemat ofta för att kontrollera vad han har lärt sig och vad han har kvar att lära sig (AOI4); han uppmärksammar inlärningsmål och delmål (AOI2) för att se till att han når dem och han går till lärstrategiernas palett (AOI7) när det behövs. Dessutom övervakar han tiden utan att oroa sig för mycket om det (AOI1) och etablerar viss interaktion med agenter (AOI3). Vänligen klicka här för att visa en större version av denna figur.

Figure 7
Bild 7. Exempel på tolkning av enkätresultaten. I grafisk vänster) Rosenberg självkänsla skala51, högre poäng indikerar högre självkänsla (minimum = 10; maximum = 40). I grafisk höger), Emotion Förordning Frågeformulär52, kognitiva Omvärdering (minimum = 7; maximum = 42); Expressiv dämpning (minimum = 4; maximum = 28). Högre poäng indikerar högre användning av omvärderings- eller undertryckandestrategier. Kognitiv omvärdering är en form av förändring på den kognitiva nivån som hjälper en att tolka en situation som framkallar känslor på ett annat sätt, och därmed ändra deras känslomässiga inverkan (med hjälp av omvärdering strategier hjälpa en att tänka på negativa situationer och om några alternativa construal att lösa dem). Expressiv suppression är en form av svarsmodulering som innebär att hämma pågående emotion-uttrycksfullt beteende (återkommande användare av undertryckande strategier bör ha mindre förståelse för deras humör, visa dem mindre gynnsamt, och hantera dem mindre framgångsrikt). Vänligen klicka här för att visa en större version av denna figur.

Figure 8
Bild 8. Logga databehandling. Den här bilden representerar hanteringen av loggdata. Systemet samlar in de råa interaktionsdata mellan studenten och MetaTutor, utför sedan dataförbehandling för att därefter tillämpa Learning Analytics och /eller Data Mining technics för att upptäcka, analysera eller visualisera den kompletta inlärningsprocessen. Vänligen klicka här för att visa en större version av denna figur.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Det nuvarande protokollet föreslår en multimodal utvärdering inriktad på metakognitiva, självreglering och emotionella processer, som utgör grunden för svårigheterna hos vuxna med LDs.

Session 1 är väsentlig eftersom den är avsedd att vara en diagnostisk bedömning av deltagarens inlärningssvårigheter. Observera att denna session här utförs av terapeuter med erfarenhet av att diagnostisera utvecklings- och inlärningssvårigheter i forskningen och kliniska sammanhang. Vi använder dessa verktyg i Spanien, så forskare från andra länder bör välja tester anpassade till deras befolkning. Betydelsen av metoden med avseende på befintliga metoder är att många av skalorna för ADHD, SLDs och ASD var utformade för användning hos barn, med neuropsykologisk testning och neuroimaging är bättre, men mindre realistiskt, alternativ till denna brist på instrument24. Dessutom utvärderas vanligtvis alla ovannämnda funktionshinder genom sina specifika symtom i isolering, utan att ta hänsyn till välkända likheter som finns i LDs, såsom metakognitiva, självreglerande och känslomässiga funktionsstörningar. I vilket fall som helst, de flesta av kunskaperna om metakognition, självreglering och känslor är baserad på självrapporterade data i början eller vuxna åldrar. Självrapporter av något slag är dock sårbara för olika typer av fördomar69 och flera gånger har inga samband mellan fysiologiska och självrapporterade data hittats i LD-prover70.

Av den anledningen är Session 2 i protokollet kritiskt. Den fokuserar på de centrala processerna för lärande (metakognitiva, självreglering, och emotionellt beteende), betydelsen av metoden jämfört med alternativa metoder är att det är en multimodal bedömning av deltagarens inlärningsprocess ger multikanal spårdata. Det verktyg som gör integrationen av alla dessa informationskällor möjliga är MetaTutor43, ett metakognitivt verktyg baserat på avancerad inlärningsteknik och en av de bästa representanterna och mest välkända forskningslinjerna av den så kallade tredje vågen av självregleringsmätning33.

När det gäller galvaniska hud svar, majoriteten av psykofysiologiska studier av LD ämnen har fokuserat på en av tre relaterade ämnen: upphetsning, orientering, och uppmärksamhet. I detta protokoll, upphetsning ger en unik ram för att förstå känslor och kognition som inte kan tillhandahållas av statiska åtgärder som självrapporter71. Med ansiktsuttryck, tidigare forskning har visat att akademiska känslor är betydligt relaterade till elevernas motivation, inlärningsstrategier, kognitiva resurser, självreglering, och akademisk prestation72. När det gäller ögonrörelser, vi vet värdet av blick data i förutsäga student lärande under interaktion med MetaTutor61 och flera forskare har föreslagit att varaktigheten av fixeringar indikerar djupare kognitiv bearbetning under lärande73. Frågeformulären ger kompletterande information om deltagarnas prestationer under inlärningssessionen i MetaTutor, deras uppfattningar om sig själva som elever och deras beteende när de lär sig. Slutligen är loggdata ytterligare en källa till information om deltagarnas självreglerande processer. Efter insamling av rådata och data förbearbetning, nya Learning Analytics och pedagogiska data Mining tekniker låt oss upptäcka, analysera och visualisera, eller för att uttrycka det på ett annat sätt, dyka in i inlärningsprocessen74,75,76.

Denna blandade metodik ger bevis för spridningen av målprocesser före, under och efter lärande som kan trianguleras för att öka vår förståelse för hur vuxna med LDs lär sig och var problem ligger.

Detta förslag är ett protokoll, som innebär ett förfarande och system med instrument, så det är tillrådligt att komma ihåg att de föreslagna åtgärderna inte har samma värde i isolering som de gör när de utgör en del av helheten, och däri ligger intresset för detta förslag. Målet är att konvergera dessa dataströmmar, för att förstå hur vuxna med LDs övervakar och kontrollerar sina kognitiva, metakognitiva och affektiva processer under inlärningen.

Även om detta protokoll är en effektiv verktygslåda för screening och diagnos av den praktiserande psykologen, är det inte utan begränsningar. Diagnos av vuxna LDs är särskilt svårt. Utbildning och erfarenhet gör det möjligt för många vuxna att kompensera för sina underskott och dessa vuxna visar därefter individuella egenskaper vid testning24. Som resultaten anger är det svårt att ange korrekta avskärningspunkter från vissa av datakällorna (t.ex. GSR, loggdata etc.) som en allmän regel i målpopulationen.

En annan utmaning, snarare än begränsning, handlar om komplexiteten i att hantera den resulterande komplexa, bullriga, röriga data, som behöver medverkan av experter från olika domäner såsom psykologer, fysiologer, dator-och pedagogiska forskare, etc. Som nyligen noterats av Azevedo och Gašević77 vi behöver för att integrera en komplex mosaik av teoretiska modeller och ramar från den psykologiska, pedagogiska, instruktions- och beräkningsvetenskap. Utöver detta är instrumentationsfel, intern och extern validitet, ekologisk validitet kontra experimentell stringens, konvergerande datakanaler och slutsatser om processdata bara några av de metodologiska frågor som är resultatet av att samla in multimodala flerkanalsdata som forskare måste ta itu med77,78.

Icke desto mindre, den framtida inriktningen av denna metodik överträffar målet för bedömning, för närvarande möjligheten är öppen för att använda realtid multimodala multichannel data för att utforma förebyggande insatser baserade på Adaptiv Hypermedia Learning Environments79 eller förse inlärarna med realtid, intelligent, adaptiva byggnadsställningar (modellering kognitiva strategier, reglera metakognition via en konstgjord agent, föranledde känslor reglering, införa visualiseringsverktyg för att upptäcka dolda processer, etc.) 77,80.

Slutligen bör LDs spåras under deras livstid; den longitudinella kursen av SLDs, ADHD och ASD och deras långsiktiga och sviter är bara börjar utforskas21. Vi hoppas att en utbredd användning av denna teoretiskt drivna, empiriskt baserade riktlinje kommer att bidra till att identifiera befolkningen av vuxna med LDs och sporra djupare förståelse av dessa sjukdomar för att utforma effektiva förebyggande och interventionsåtgärder.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Författarna har inget att avslöja.

Acknowledgments

Detta manuskript stöddes av finansiering från National Science Foundation (DRL#1660878, DRL#1661202, DUE#1761178, DRL#1916417), Det sociala vetenskaps- och humanioraforskningsrådet i Kanada (SSHRC 895-2011--1006), ministeriet för vetenskap och innovation I+D+i (PID2019-107201GB-100), och Europeiska unionen genom Europeiska regionala utvecklingsfonderna (ERUF) och Furstendömet Asturien (FC-GRUPIN-IDI/2018/000199). Eventuella åsikter, resultat, slutsatser, eller rekommendationer som uttrycks i detta material är de av författaren (er) och inte nödvändigtvis återspeglar åsikter National Science Foundation eller samhällsvetenskap och humaniora Research Council of Canada. Författarna vill också tacka medlemmar i SMART Lab på UCF för deras hjälp och bidrag.

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

Beteende Inlärningssvårigheter metakognition självreglering multimodal bedömning vuxenlivet MetaTutor
Multimodalt protokoll för bedömning av metakognition och självreglering hos vuxna med inlärningssvårigheter
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