Waiting
Login processing...

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

Behavior

学習困難を有する成人におけるメタ認知と自己調節を評価するためのマルチモーダルプロトコル

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

Summary

現在の研究では、NDを持つ成人の困難の基礎となるメタ認知、学習の自己調節、感情的なプロセスに焦点を当てたマルチモーダル評価プロトコルを提案している。

Abstract

学習障害(LD)は、学習や学問的スキルを使用するのが困難な人の障害を含み、読み取り、執筆、数学の分野で時系列の年齢に対する期待を下回るパフォーマンスを示します。各々のLDを構成する疾患は、異なる赤字を伴う。しかし、自己調節やメタ認知を学ぶという点など、その異質性の中には共通点があります。初期の時代や後の教育レベルとは異なり、LDを持つ成人のためのエビデンスに基づく評価プロトコルはほとんどありません。これに対し、現在の研究では、メタデータ認知、学習の自己調節、および感情的プロセスに焦点を当てたマルチモーダル評価プロトコルを提案し、これは、NDを有する成人の困難の基礎を構成する。評価は、さまざまな方法、技術、センサー(例えば、アイトラッキング、感情の表情、生理学的応答、同時言語化、ログファイル、人間と機械の相互作用のスクリーン記録)およびオフライン法(アンケート、インタビュー、自己報告措置など)を用いて、インライン学習プロセスの分析を通じて行われます。この理論的に主導的で経験的に基づくガイドラインは、効果的な予防と介入の提案を設計するために、成人期のLDの正確な評価を提供することを目的としています。

Introduction

特定の学習障害(SL)は、学問的スキルを学び、使用するのが困難な人の障害を包含し、読み書き、および/または数学11、22の分野で時系列年齢に対する期待を下回るパフォーマンスを示す。年齢、言語、文化分析によって有病率の推定値は異なりますが、5%から15%の間にあります,。精神障害の診断と統計マニュアルにおける神経発達障害の世界的なカテゴリー内 (5番目の図)1、近年どのようにアプローチするかについて様々な論争を引き起こしている一般的な障害であるため、注意欠陥/多動性障害(以下ADHD)の発生率に焦点を当てる必要がある。DSM-51に基づいて、不注意および/または多動性衝動性の持続的な行動のパターンとして定義することができる。同様に、自閉症スペクトラム障害(以下ASD)は、中枢神経系の多因子機能不全の結果として神経発達障害を呈する学生を含む同じマニュアルのカテゴリであり、その人の発達の3つの基本的な領域において質的機能不全をもたらす:社会的相互作用、コミュニケーションおよび興味および行動11、2。2

これらの路線では、赤字感から脱却し、これらの障害に対してよりポジティブなアプローチを提供し、高度に共存し、重複する4として神経発達困難の現在の考え方と一致するように新しい概念が出現した。これらの新しいモデルから、高レベルの認知プロセスに関与するスキルは、所望の目標を達成するために行動を管理および規制することを可能にする、自己規制のために重要であり、したがって、学術のものを含む日常生活の活動のために重要であると理解される5。成人期の文脈では、神経多様性は、ADHDおよびASD、失読症、失読症および/または嚥下障害を含む様々な種類の困難を含むように進化しました。したがって、学習困難(LD)の幅広い概念から、この神経多様性に近づいています。この多様性を持つ学生の中等教育に加入している学生の増加は十分に文書化されており、一部は、障害を持つ学生の高校卒業率の増加に起因する6が、同時に、これらの学生の学習プロセスに関する研究は必要以上に少ない7。

孤立して接近した各障害は、異なる欠損と症状を伴う。しかし、メタ認知、自己調節、感情的,な機能不全,,88、9、10、11など、LDの観点からその異質性の中に共通点が見つかる。91011一般的に学習の文献における3つの基本的基盤、特に、学習の成功の基礎を表し、学術レベル12でこれらのよく知られた困難に不可欠な役割を果たす。これと同様に、他のアプローチは、ADHDや読書障害13またはADHDおよびASD5のような異なる障害で起こる自動処理またはワーキングメモリの問題などの執行機能の赤字との間に一定の共通点がある可能性があることを理解している。しかし、すべての研究が執行機能に関連して共通してこれらの点について同じ結論に達するわけではないので、この分野ではまだやらまだ作業があります。これは、研究の基礎となるサンプルによって提示されるバリエーションと、調査5,1414で使用される執行機能の評価手順が原因である可能性があります5。

教育面では、この多様な組み合わせは、影響を受ける機能の基本的性質による学習の質だけでなく、学校中退、学位の変更などの現象にも影響を及ぼし、政府や大学に経済的な影響を及ぼす15。LDを持つ学生の中退率は、一般人口16の学生よりも高いが、感情的な障害を持つ学生を除く心理的障害の他のカテゴリーの中退率よりも高い。一方、高等教育(職業訓練、大学など)にアクセスする、LDを持つ学生の数は15人増加しており、特に高等教育では19、20、21、2220,21,22である。19さらに、LDを持つ学生は、正式に学生サービスを通過し、通常は有病率統計23を構成する学生よりも多いと考えるかもしれません。

これらの困難は、小児期、特にこれらの障害が通常の学術システムで考慮される前に生まれた成人において常に検出されるとは限らず、これらの障害の症状は人々の生活を通じて持続し、仕事、教育および私生活の困難を引き起こす24。研究は、人々が彼らの困難のいくつかを克服するかもしれないが、ほとんどの人が成人期に学習との闘いを示し続け、その持続性は、それらの高等教育レベル25でまだ問題であることを示しています。

逆説的に、以前の教育レベルや以前の年齢とは異なり、DNAを持つ成人のためのエビデンスに基づく機器や評価プロトコルはほとんどありません。小児期にLDを評価するための診断ツールの急増にもかかわらず、成人人口に対する有効で信頼性の高い機器と方法論の入手可能性は24に著しく制限されている。高等教育における学習障害に関する最近の文献レビューでは、この点で収集された情報のほとんどはインタビューを通じて行われ、時折自己申告アンケートが26を使用していることがわかりました。自己申告の方法論とインタビューは、貴重ですが、実際にはプロセスの性質のために、メタ認知、自己調節、感情的なスキルプロセスを正確に評価するのに十分ではありません。これらのプロセスを測定するためのスケールとインタビュー方法論の重要性は否定できない27、28ですが、28妥当性29の関連する問題と他の革新的な評価方法との矛盾も30です。LDsの検出におけるさらなる問題は、包括的な評価プロトコルの欠如による障害の診断における偏りである。専門家が客観的な変数に基づく参照プロトコルを持っていないという事実は、多くの場合、多くの場合、LDs31の偽陽性および偽陰性のケースを引き起こしている。

成人のための器械の不足と既存の方法論を改善する必要性の両方に応じて、現在の研究は、LDを有する成人の困難の基礎を構成するメタ認知、自己調節、および感情的プロセスに焦点を当てたマルチモーダル評価プロトコルを提案している。現在の文献に沿って、我々は統合的な多チャンネル測定32、33,33への移行を提案する。評価は、いくつかの方法、技術、およびセンサー(例えば、ハイパーメディア学習環境、バーチャルリアリティ、アイトラッキング、感情の表情、生理学的応答、ログファイル、人間と機械の相互作用のスクリーン記録)およびオフライン法(アンケート、インタビュー、自己報告措置)を用いた、インライン学習プロセスの分析を通じて行われます。この混合方法論は、学習前、中、学習後に、受講者がどのように学習し、問題がある場所(34がある場合) の理解を深めるために三角測量できる、ターゲット プロセスの展開の証拠を提供します。

評価プロトコルは、2つのセッションで実行されます。セッションは、一度に行うことができますか、人に応じて部分的なアプリケーションが必要な場合があります。1つ目は、LDの検出または確認と、私たちが直面している特定の種類の障害に焦点を当てており、第2は個々のケースのメタ認知、自己調節、感情的なプロセスに深く入るように設計されています。

セッション 1 は、参加者の学習障害の診断または確認の評価を目的としています: SLD、ADHD および ASD (高機能) 参加者が持っている特定の問題の種類を決定します。この評価は、2つの理由から不可欠です。1)学習障害を持つ成人は、機能不全の行動に関する正確な情報を持つことはめったにありません。彼らの中には、彼らがLDを持っているが、評価されたことがないと疑う人もいます。他の人は、彼らが子供の頃に評価されたかもしれませんが、報告や詳細な情報を持っていません。2)以前の診断との不一致があるかもしれません(例えば、注意欠陥と遅い処理速度の現在の診断とは対照的に、以前の失読症診断;現在の限られた知的能力とは対照的に以前のASD診断など)。参加者にインタビューを行い、アンケートや標準化されたテストを適用します。このセッションは、スペイン心理学の教員の異なるオフィスでの研究と臨床の文脈における発達と学習の困難を診断する経験を持つセラピストによって行われます。セッションは、DSM-51で参照される SL に関連する症状の存在と共に、伝記情報を収集する構造化されたインタビューから始まります。それに続いて、基準知的能力試験WAIS-IV35は、排除基準実施の場合に用いられ、スケール「ワークメモリ」および「処理速度」36から学習困難に対して非常に貴重な情報を提供するためである。さらに、PROLEC SE改訂テスト37は、読み取り障害(字句、意味および/または読み取りの構文プロセス)を評価するために広く使用され、ADHD38のような他の障害と重複する現在の学術文脈における学習の最も一般的で無効な困難の1つである。この評価は、読解の正確さ、速度、流暢さ、読み取りプロセスの失敗が37(このテストは、大学の前の学生と評価されている)現在、スペインには一般成人集団に適応したテストはないので、この検定は目標集団に最も近いために選択されました)。次に、世界保健機関(WHO)成人ADHD自己報告尺度(ASRS)39を通じてADHD39の症状をスクリーニングし、この障害の評価を洗練し、成人における注意過程とワーキングメモリの評価のための最先端のバーチャルリアリティ連続性能試験によるマルチモダリティを導入し、ネスプラ水族館31,40.,40このテストは、生態学的シナリオで16歳以上の成人および青年のADHDを診断する際に非常に有用なツールであり、客観的で信頼性の高いデータを提供します。選択的かつ持続的な注意、衝動性、反応時間、聴覚および視覚的注意、忍耐、注意力の質、運動活動、作業記憶およびタスクの変更のコストを評価する。また、参加者の知的能力に関する情報35を収集するWAIS-IV35全体と共に、学習困難に関連し、最終的な決定にこれらのスケールの結果が使用されるため、スケールの「作業記憶」と「処理速度」に特に注意を払っています。最後に、我々はプロトコルに自閉症スペクトラム商(AQ-Short)41、バロンコーエン、ホイールライト、スキナー、マーティンとクラブリー42から信頼性の高いAQアダルトの短いバージョンが含まれています。41

セッション 2 では、参加者の学習プロセスのマルチモーダル評価に焦点を当てます。複雑な学習を理解する鍵は、学生の認知、メタ認知、動機付け、および情動的プロセスの展開を理解することです。そのために、参加者はMetaTutorと協力し、学習中に展開されたメタ認知および認知戦略の使用が観察されます。MetaTutorは、異なる科学のトピック44を学びながら、学生の自己規制学習を検出、モデル化、追跡、育成するように設計されたハイパーメディア学習環境です。MetaTutorの設計は、Azevedoと同僚43、45、46、4745,46,による広範な研究に基づいており、SRL、いわゆる第三波の測定における新しい傾向に属し、測定と高度な学習技術の組み合わせ使用によって特徴付けられる434733。MetaTutorの使用はまた、このような視線追跡、感情生理学的応答(ガルバニック皮膚応答(GSR)および感情の表情)48、ログデータおよびアンケートなどの尺度を組み込んだマルチモーダルトレースデータを提供する。これらすべての措置は、参加者SRLとメタ認知のより深い理解に達するために組み合わされています。

アイトラッキングは、何が即座に注目を集めるのか、どのターゲット要素が無視されるか、どの順序要素が気付かれ、要素が他の要素とどのように比較されるかを理解します。電極活動は、環境に応答して感情的な覚醒がどのように変化するかを知ることができます。顔の感情認識は、表情の自動認識と分析を可能にします。データロギングは、学習環境との対話を収集して保存し、さらに分析します。アンケートに関して、ミニインターナショナルパーソナリティアイテムプール49は、人々が5つの主要な性格特性(外向性、好ましさ、良心性、神経症と開放性)のそれぞれを評価する日常生活の中で経験する活動や考えの範囲について知らせます。認識論的信念50の連想的側面は、知識に関する参加者の信念に関する情報を提供する。ローゼンバーグ自尊心スケールは、参加者が自分自身について全体的に感じている方法を示しています51.感情調節アンケート52は、参加者の感情調節に関する情報を提供する。達成感情アンケート(AEQ)53は、一般的に大学で経験した感情について知らせます。53

要するに、成人期のLDを評価することは特に困難である。教育と経験は、多くの大人が彼らの赤字を補うことを可能にし、後で科学的知識がまだ不足している未分化または覆面症状を示す。この研究は、重要な研究ギャップを考慮して、効果的な予防と介入行動を設計するために、成人期のLDを正確に評価するための理論的に主導的で経験的に基づくガイドラインを確保することを目的としています。

説明した方法が適切かどうかを読者が判断できるように、知的障害を持つ人々に対してプロトコルが適していないことを指定する必要があります。また、使用する機器の特異点や学習内容を示す形式により、運動障害(上肢、首、顔)、聴覚障害、視覚障害を持つ人々を評価することはまだ不可能です。また、重度の精神疾患を持つ参加者にも適していません。それは、情報処理や感情の生理学的表現を変えることができる薬物の使用を必要とします。

Subscription Required. Please recommend JoVE to your librarian.

Protocol

アストゥリアス公国の研究倫理委員会とオビエド大学は、このプロトコルを承認しました.

1. セッション1:診断評価

注: プロトコルのこのセッションでは、独自のアプリケーションと解釈マニュアルを持つ、異なる発行者からの評価テストが使用されます。これらの試験、または他の類似の試験は、心理学と教育の分野で科学界によって広く知られているので、それらを適用する手順は段階的に詳細ではありません(例えば、この論文の目的を考えると、WAIS-IV35 アプリケーションの各ステップを詳述することは意味がありません)。

  1. インフォームド
    1. 参加者に、研究の倫理的および機密性の側面を説明し、個々のインフォームド・コンセントを認め、署名するよう依頼する。
  2. 構造化されたインタビュー
    1. 参加者に次の指示を説明します: "今、私はあなたの人生や学問の問題に関する重要な情報を得るためにあなたにインタビューするつもりです。オープンとクローズの質問がありますが、いつでも私を邪魔することができます。あなたが私に任意のポイントを明確にする必要がある場合は、私に知らせてください。この最初のインタビューの後、私はあなたにいくつかの評価テストとアンケートを行うことを求めることができます。私はあなたにそれぞれのための具体的な指示を教えてくれます。準備はできていますか?
    2. インタビュースクリプトに続くDSM-51 で参照されるSLDと除外基準に関連する症状の存在と共に、伝記情報を収集します( 補足ファイルAを参照)。
  3. 構造化面接に関する最初の決定点(除外基準)
    1. 参加者が最初の除外基準を満たしている場合、つまり、運動障害(上部セグメント)、感覚障害(視覚または聴覚)、知的障害の診断または重度の精神障害があることを説明する場合、評価を終了します。
    2. 参加者が SLD を持っていると思われる場合、除外基準を満たしていない場合は、評価を続行します。
  4. 知的能力
    1. WAIS-IV35 テストを適用して、マニュアルの指示に従って参加者の知的能力に関する情報を収集します。
  5. 知的能力に関する第2の決定点(除外基準)
    1. 参加者がテストの指示を理解できない場合、評価できない場合、または IQ が 70 未満の場合は、評価を終了します。
    2. その人が正常なまたは限られた知的能力を持っている場合は、評価を継続します。
      注:本研究で受け入れられるIQの限界は70以上のスコアとして設定されています。
  6. Adhd
    1. 成人v1.1の自己申告スクリーニングアンケートの6項目を記入するよう参加者に依頼します。(ASRS39)世界保健機関 (WHO) 国際構成診断インタビュー.
      注: このアンケートでは、DSM-IV54で参照される ADHD に関連する症状の存在に関する情報を提供します。
    2. 参加者が前回のASRS36アンケートで12以上を得点した場合は、ネスプラ水族館のテスト40を適用します。
  7. 読みづびの困難
    1. 読みづさのPROLEC SE-Rスクリーニングテストを適用37 マニュアルの指示に従ってください。
  8. 自閉症スペクトラム障害(レベル1)
    1. 参加者に、Hoekstraらの自閉症スペクトラム商(AQ-Short)アンケートの28項目を記入してもらいます。
      注:このアンケートは、社会的行動、社会的スキル、ルーチン、切り替え、想像力、数字/パターンに関連する症状の存在に関する情報を提供します。
  9. 結果を分析します。
    1. 各参加者の面接、アンケート、テスト結果を分析し、学習に重大な問題があるかどうかを判断します。
      注:専門家委員会の2人のメンバー(評価者と研究チームの別のメンバー)は、各参加者の学習プロファイルを分析し、SLD、ADHDおよび/またはASDを持つ学生であるかどうか、またはそれらを持つ危険性があるかどうかを決定します。専門家の判断に代わるテストはありません。
  10. 最終決定点
    1. 参加者が明らかに学習困難を持つ学生でない場合は、評価を終了します。
    2. 参加者が、LD (または危険にさらされている) を持つ人物である場合は、評価を続行し、セッション 2 に進みます。

2. セッション2:マルチモーダル評価

注: セッション 2 は、セッション 1 の 1 日後から 7 日間の間に行う必要があります。

  1. 参加者を準備します。
    1. セッションは約 2 時間続き、一部のデバイスがセッション全体でパフォーマンスを記録している間、MetaTutor の学習環境でいくつかのアンケートとタスクを完了することを参加者に思い出させます。
    2. 参加者に髪を結び、首をすっきりさせ、眼鏡を取り除き、必要に応じてチューインガムを取り除いてもらいます。
      注:参加者が眼鏡をかけている場合、顔の一部を覆う長い髪や前髪がある場合、アイトラッカーは目の動きを読み取れません。
    3. 参加者にMetaTutorを紹介します。このセッションの目的は、このツールを使用して循環システムについて自律的に学習することであることを説明します。
    4. スピーカーが接続され、動作していることを確認します。
      注:参加者は、必要に応じてヘッドフォンを使用することもできます。
  2. ガルバニック皮膚応答の準備および口径測定
    注: さまざまな企業が製造する GSR には多くの種類があることに注意してください。サプライヤーの仕様に従って使用してください。
    1. GSRと参加者の指をアルコールで洗浄します。
    2. 指/リストバンド GSR センサーを指先側のコネクタに置くか、製造元の指示に従って、指/リストバンド GSR センサーを指および薬指に置きます。
    3. 参加者に静かにテーブルの上に手を置き、5分間リラックスするように頼みます。
    4. コンピュータでソフトウェアを開きます。
    5. 登録グラフが機能していることを確認します。登録グラフが登録されていることを確認します。
    6. [ 実験の実行 ] > [ 毎秒 10 回のレート ] > [期間 ] > [10] > [分]をクリックします。ベースラインを確立するために 10 分間の情報を記録します。
      注: 10/秒のレートは、測定が行われる頻度を意味します。
    7. 画面を最小化します。
    8. 他のデバイスのキャリブレーションを続行し、10 分後に情報を .csv ファイルに保存します。
  3. アイトラッキングとウェブカメラの準備とキャリブレーション
    注:さまざまな企業によって製造されたアイトラッキングとウェブカメラの多くの種類があることを覚えておいてください。サプライヤーの仕様に従って使用してください。
    1. サイドラップトップとコンピュータでソフトウェアを開きます。
      注:目の動きは、参加者が作業しているPC上でキャプチャされますが、データはサイドラップトップに記録されます。さらに、サイドラップトップでは、実験者は参加者が行っている動きを見て、必要に応じて参加者の位置を修正することができます。
    2. 記録するセッション (この場合は Metatutor) と参加者の登録データを指定します: ファイル > 最近の実験 > Metatutor > 参加者の登録データを含める > OK.
    3. 2台のコンピュータが互いに接続されていること、および目の追跡赤外線ライトが点灯し、目の動きをキャプチャする準備ができていることを確認します。
    4. コンピュータのウェブカメラを参加者の位置に合わせて調整します。
    5. 学習セッション中に表情が変化すると予想されますが、参加者に向き前を向いてできるだけ中立にするように頼みます。
      注:学習セッション中に参加者の顔のビデオは、後でデスクトップアプリ55を使用して分析されるウェブカメラで記録されます。
    6. 参加者にじっとしていて、鼻を机の端(90°)の上に並べて置いて画面の異なるポイントを見つめてください。
    7. [記録] > [参加者の登録データを書き込む] > [OK]をクリックして、調整プロセスを開始します。
    8. 参加者にスペースバーを押してもらい、画面のポイントを目で追い続けます。
    9. 画面を見るとき、サイドラップトップを使用してこの情報を確認し、次のステップに進む前に、参加者の目が中央に配置されていることを確認してください。
      注:参加者の視線は、目の動きが2つの白い円でサイドラップトップ画面に登録されているときに中心に配置されます。視線が登録領域を離れると、ソフトウェアは黄色の矢印(わずかに逸脱した場合)、赤い矢印(多く逸脱した場合)または白い円なしで警告します(登録していない場合)。目の動きの経路は黄色の光(注意の焦点)と緑色の線で画面を通してトラックで反射されます。
    10. できるだけ顔に触れたり、頭を手に置いたりしないように参加者に言います。
    11. 画面を最小化します。
  4. 学習セッションのマルチモーダル追跡
    1. GSR 画面を最大化し、[ 実験の実行 ] > [1 秒あたりのレート 10] > [期間 ] > [5 時間] > [記録 ] > 画面をもう一度最小化します。
    2. 目の追跡とウェブカメラの画面を最大化し、ソフトウェアが正常に動作していることを確認し、コンピュータとサイドラップトップで [記録 ]をクリックしてセッションを登録して記録し、画面を再び最小化します。
      メモ:デバイスのキャリブレーションが完了したら、それぞれの評価セッションの記録を開始することを忘れないでください。この時点から、学習ツールとの参加者全体の対話がセッションの終了まで記録されます。
  5. メタチューターでのアンケートと学習セッション
    1. PCでソフトウェアを開き、参加者の登録データを記入します。 ID を入力する > 実験者 > 日 > アンケート はい > 続行します。
      注: すべてのログは、ファイル データ ログにセッション中に登録されます。
    2. 受講者に対して、ツールの指示に従う必要があり、学習セッション中にのみコンピュータと対話することを説明します。何かあった場合に備えて、研究者が次の部屋にいることを説明します。
      1. 社会人口統計学や学術情報を参加者に尋ねる。完全な 名前 > 性別 > 年齢 > 民族グループ > 教育レベル > 大学 > 学位 > GPA > 該当する場合は生物学コースに関する情報 > 続行. [ 続行] をクリックする前に、ツールが提供するすべての指示に従う必要があることを参加者に説明します。また、学習セッション中にコンピュータと対話するだけということ。
      2. 参加者にアンケートの記入を依頼します。
        注:参加者は、5つのメタ認知および自己調節学習アンケートを完了する必要があります:a)ミニ国際パーソナリティアイテムプール49;b) 認識論的信条の関連の側面50;c) ローゼンバーグ自尊心尺度51;d) 感情調節アンケート52;e) 達成感情アンケート(AEQ)53および循環系に関する一般的な知識に関する1つのアンケート。53
      3. 参加者に MetaTutor のインターフェイスとその異なる部分を表示します。
        1. セッション全体を通して学習コンテンツがテキスト形式で表示されるコンテンツ領域であることを参加者に説明します。
        2. 画面の横にある目次を移動して別のページに移動できることを参加者に示します。
        3. セッション中に、全体的な学習目標が画面の上部に表示されることを参加者に示します。
        4. サブ目標学習者セットが画面中央の上部に表示され、サブゴールを管理したり、優先順位を設定したりできることを参加者に示します。
        5. 画面の左上隅にタイマーがあることを参加者に表示すると、セッションの残り時間が表示されます。
        6. 画面右側のパレットに表示される自己規制プロセスのリストを参加者に表示し、参加者はセッション中にそれらをクリックして計画、監視、学習の戦略を展開できます。
        7. 参加者に、コンテンツページに関連する静的な画像がテキストの横に表示され、学習者がさまざまなソースからの情報を調整するのに役立ちます。
        8. キーボードに入力されたテキストを参加者に表示し、学生とエージェントとのやり取りがインターフェイスのこの部分でどのように表示および記録されているかを示します。
        9. 参加者に、セッションを通して学習を支援する4人の人工エージェントを見せます。
          注:これらのエージェントは、ギャビン・ザ・ガイド、パム・ザ・プランナー、メアリー・ザ・モニター、サム・ザ・ストラテジザーです。
      4. 参加者に[ 開始 ]をクリックして、準備ができたら学習セッションを開始するように依頼します。
        注: 参加者はツールを操作します。
      5. セッションが終了したら、参加者に再び知識アンケートを記入してもらいます。

3. ログオフ

  1. セッションの終了時に、GSR、アイトラッキング/ウェブカメラ、Metatutorから記録されたデータを参加者の登録データと共に保存します。より簡単に使用するために、.csv ファイルにデータを抽出します。
  2. 参加者の手からGSRセンサーを取り外し、再びアルコールでガルバニックセンサーを清掃します。
  3. 参加者の協力に感謝し、さようならを言います。

4. 学習困難の分析

  1. 生成されたさまざまなレポート(結果セクションを参照)に基づいて各参加者の学習パフォーマンスを分析し、マルチモーダルプロファイルを取得します。
    注:専門家委員会の少なくとも2人のメンバーが各参加者の学習プロセスを分析します。評価は新しい器械および用具を使用して徹底的に行うことができるが、どの報告者の判断を置き換えることができる。

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

このセクションは、セッション 1 のコンジョイント結果の例とセッション 2 からの各情報源の例を含む、プロトコルから得られた代表的な結果を示します。

障害に関する結果は、セッション1で、参加者の学習困難(SLD、ADHD、およびASD)の診断評価に指定された手順とカットオフポイントを考慮した診断テストを通じて収集されます。専門家委員会は、参加者が学習障害を持っているか、学習障害を持つリスクがあるかどうかを決定します( 図1の意思決定の例を参照してください)。参加者が学習障害を示し、セッション2に参加する場合は、代替ソースからのデータが収集されます。

セッション2では、このプロトコルは、参加者のGSR、顔の感情、目の動き、アンケート、ログデータの5つの異なるソースから結果を収集します。

まず、学習セッション中の感情的な覚醒の指標としてGSRの尺度を取得します(穏やかな/興奮)56.学習障害は成人の不安に関連しており、いくつかの研究では、1年生から大学までの学習障害を持つ学生は、より高い不安症状を報告し、パフォーマンスが低下する要因として機能することを発見しました57,,58,,59.ただし、理解と修復の間に一対一の関係はありません。各参加者の具体的なベースラインを考慮して、専門家委員会によって各ケースを個別に分析する必要があります。図2は、不安調節が介入の重要なポイントであるかどうかを示すことができる2つのパラダイムケースを示しています。

第二に、学習過程で感じていたさまざまな感情を示すセッションを通して参加者の顔の記録を取得し、メタ認知と自己調節との理論的関係を考察します。その情報を収集するための顔感情認識ソフトウェアはさまざまです。現在のプロトコルでは、感情認識を含むツール55を使用し、ビデオ内の各顔(嫌悪感、恐怖、怒り、幸福、軽蔑、中立、悲しみ、驚き)の感情のセットに自信を返します。これらの感情は、特定の表情60と異文化・普遍的に伝わされていると理解されている。参加者はセッション中に検出されたすべての感情を経験する傾向がありましたが、一般的な傾向に関する情報を与える各一般的な指標を取得することができます。幸福、驚き、楽しみなどの感情を積極的に活性化することは、本質的および外因性のモチベーションの両方を促進し、柔軟な学習戦略の使用を促進し、自己規制を促進すると考えられています。逆に、退屈や悲しみなどの否定的な不活性化感情は、モチベーションと情報の処理を一様に減らし、学習成果に悪影響を及ぼすと考えられます。怒り、恐怖、軽蔑、嫌悪感などの中立的な非活性化と否定的な活性化感情のために、関係はより複雑であると推測されます。具体的には、怒りと恐怖は本質的な動機を損なう可能性がありますが、失敗を避けるために努力を投資する強い外因性の動機を誘発する可能性があり、学生の学習への影響は負の53 である必要はありません( 図3を参照)。結果は、分析された感情の 1 つとの一致の度合いを示し、それぞれに 0 ~ 1 の値を割り当てます。

第三に、アイトラッキングのデータを使用します。アイトラッカーは、固定の観点から視線情報をキャプチャし、サッカド(図4)をキャプチャします。現在のプロトコルでは、固定、特に固定時間と固定パターンの割合の分析に興味があります。そのために、MetaTutorインターフェイスに7つの対象領域(AOI)を定義し、自己規制評価( 図5の長方形でラベル付け)、AOI1タイマー、AOI2目標とサブ目標、足場用のAOI3エージェント/アバター、AOI4コンテンツテーブル、AOI5テキストコンテンツ、AOI6画像、AOI7学習戦略パレットを定義しました。

簡潔な介入指導の評価に関しては、以下を推測することができる。

AOI1 の固定は、時間管理やリソース管理戦略を示します。AOI1 の削減または大規模な固定は、不正確な時間管理スキルを示します。速やかにチェックする必要があります。

AOI2 の固定は、目標とサブ目標の計画、設定、優先順位付けを示します。これまでの研究では、この特定のAOIは、AOI7と共に、MetaTutor61で学習を評価するために特に重要であることを示しています。この情報は簡潔で、短く、視覚的であるため、固定の割合はそれほど高くなるべきではありません(図6)。

AOI3 Agent の固定は、参加者が参加者の目標、行動、自己評価、および進捗状況に応じて、エージェントが対話中に提供するプロンプトとフィードバックを利用していることを示しています。学習者は常にそのオーディオプロンプトとフィードバック61を処理するためにエージェントを見る必要がないかもしれないので、エージェントAOIの固定の欠如は慎重に考慮しなければならないことは注目に値します。この AOI は、時折チェックする必要があります。アバターは頻繁に話さないので、他の領域と比較して固定の割合は小さいはずですが、エージェントとの相互作用を確立したことを反映しています(図6)。

AOI4 の固定化および/またはテキストと画像/グラフ (AOI5 および AOI6) の間の遷移は、概念的利益45に関連する情報ソース (COIS) を調整するための参加者の戦略使用を指します。テキストと画像の固定の長さは、提示された情報の正確な精神的表現に寄与する統合プロセスを示しています62.COISは、テキスト領域と画像/グラフ領域(テキスト/グラフ/テキストなど)上の目の固定の間の2つの遷移のシーケンスとして運用されています。AOI4は、ある周波数でチェックする必要があります。情報は明確で、短く、視覚的であるため、固定の割合はあまり高くすべきではありません。固定の割合が最も高いのは、AOI5 と AOI6 です。主題は、ほとんどの時間をコンテンツ(つまり、書かれたテキスト)のレビューに費やし、画像とグラフに顕著な時間を費やして、両方の知識ソースを調整し、統合する必要があります(図6)。

AOI7の固定は、認知戦略(メモを取る、要約を書く、推論をする)とメタ認知戦略(事前知識の活性化、コンテンツの関連性の評価、理解と知識の評価)の使用を示す63。参加者は、利用可能なリソースまたは学習戦略をある程度の頻度で確認するのが妥当です(図6)。

以降の分析では、MetaTutor と対話する学生に関連するデータに焦点を当てる必要があります。収集されたデータは騒がしい場合があり、専門家による検証が必要です。ノイズの主な原因は、アイトラッカーが無効なデータとして解釈する画面から離れて見ている参加者によるものです。この場合、対応するセグメントを視線データから削除することをお勧めします。 図6 は、メタ認知機能不全の参加者と、このレベルでの戦略の適応的使用を有する参加者を示す。

第四に、アンケートは残りの情報と一緒に分析され、著者の指示に従って採点されます。彼らは自尊心と感情的な規制の参加者レベルでデータを提供します。自尊心または正しい感情的な規制戦略の良好なレベルは、学習プロセスを容易にする 64.解釈の例を見る (図 7)。

最後に、学習者とコンテンツ、エージェント、および学習環境との相互作用はすべてログに記録され、図8のスキームに従ってさらに詳細な分析が行われます。MetaTutorログデータは、私たちに、決定するための幅広い可能性を提供します。 とりわけ、学習者が自主規制学習戦略(例えば、メモを取る、要約する、目標に向けた進捗状況の監視、コンテンツ評価、学習の判断、知っている感情、計画、事前知識の活性化など)、これらの戦略が外部足場によって自己または外部的に生成されたかどうか、および各参加者がMetaTutorで材料を見るために費やした時間は,65です。65パターンマイニング、プロセスマイニング、アソシエーションルール、およびその他の潜在的なアプローチ67,68は、68学習セッションを通じて学生が認知およびメタ認知の監視および規制を使用する尺度を提供するであろう。

Figure 1
図 1.セッション 1 の意思決定ポイントの作成例このケースは、主に読書プロセスで、子供の頃から学習の問題を抱えていた参加者を示しています。専門家は、これらの読み取り障害が字句および構文プロセスにおいてより重要であることを確認することができます (b)。また、参加者には運動障害、感覚障害、精神障害がないのも観察される。参加者は正常な知的能力を有し、自閉症スペクトラム障害またはADHD()省略、手数料および反応時間、視覚aおよび聴覚チャネルにおいて、60未満であり、正常範囲にあるので、危険にさらされないことが観察される。この場合、読み取り問題が検出され、除外基準が見られないため、参加者は読み取り障害のためにSLDを持っていると考えられます。この図の大きなバージョンを表示するには、ここをクリックしてください。

Figure 2
図 2.学習セッション中の安定した活性化レベルと不安定な活性化レベルの結果。 この画像は、2 人の参加者の結果を表します。参加者B線がより不規則でピークが多いため、学習セッション中に安定した活性化レベルと、不整合な活性化レベルを有する参加者B。 この図の大きなバージョンを表示するには、ここをクリックしてください。

Figure 3
図 3.感情認識のイメージ。a) 中立感情の例 b)悲しみの感情の例; c)幸福感情の傾向の例.黄色い円で感情の傾向を見ることができます。 この図の大きなバージョンを表示するには、ここをクリックしてください。

Figure 4
図 4.MetaTutor 学習セッション中にテキストとグラフ (AOI5 および AOI6) の間の遷移データを示す例。 円と線は、固定領域とエリア間の遷移の領域を表します。 この図の大きなバージョンを表示するには、ここをクリックしてください。

Figure 5
図 5.自己規制評価のための MetaTutor インターフェイスの関心領域(AOI) : AOI1 から AOI7。 AOI1タイマー、AOI2目標とサブ目標、AOI3エージェント、AOI4目次、AOI5テキストコンテンツ、AOI 6画像コンテンツ、AOI7学習戦略パレット。 この図の大きなバージョンを表示するには、ここをクリックしてください。

Figure 6
図 6.メタチューター インターフェイス AOI の固定の割合をパーセントで表します。a) 自己規制の誤動作を展開する参加者の例; b) 自主規制行動を展開する参加者の例。各領域の固定の比率 (0 ~ 1 の値)。 a)書かれたテキストを読むのに80%以上の時間を費やしている参加者からの実際のデータ (AOI5) 彼は、そのコンテンツを理解するのを助けるために設計されたリソースを使用しています (AOI6);彼はコンテンツスキームをほとんどレビューして、彼がすでに学んだことと、何を学ぶために残されているかを確認します(AOI4)。学習目標とサブ目標(AOI2)を無視し、彼はめったに学習戦略のパレットを見直しません (AOI7).さらに、彼はタスクに割り当てられた時間(AOI1)を監視せず、彼を助けようとするアバター(AOI3)を無視します。 b)書かれたテキスト (AOI5) を読み取るのに半分の時間 (約 50%)彼はコンテンツにほとんどの時間を費やしていますが、コンテンツスキームを頻繁に見直して、彼が学んだことと、彼が学ぶために残っているもの(AOI4)をチェックします。学習目標とサブ目標(AOI2)に注意を払い、彼がそれらに到達していることを確認し、必要に応じて学習戦略パレット(AOI7)に行きます。さらに、彼は、それ(AOI1)をあまり気にせずに時間を監視し、エージェント(AOI3)との相互作用を確立します。 この図の大きなバージョンを表示するには、ここをクリックしてください。

Figure 7
図 7.アンケート結果の解釈例グラフィック左)ローゼンバーグ自尊心スケール51では、より高いスコアは、より高い自尊心(最小= 10;最大= 40)を示します。グラフィック右)、感情調節アンケート52、認知再評価(最小= 7;最大= 42);表現力のある抑制(最小 = 4; 最大 = 28)。スコアが高いほど、再評価または抑制戦略の使用が高いことを示します。認知再評価は、感情を引き起こす状況を別の方法で解釈し、それによって感情的な影響を変えるのに役立つ認知レベルでの変化の一形態である(再評価戦略を使用すると、否定的な状況について考えるのに役立ち、それらを解決するための代替的な解釈について)。表現力のある抑制は、継続的な感情表現行動を阻害する応答変調の一形態です(抑制戦略の繰り返しのユーザーは、気分の理解が少なく、あまり好ましくないと見て、うまく管理する必要があります)。この図の大きなバージョンを表示するには、ここをクリックしてください。

Figure 8
図 8.ログ データ処理。 このイメージは、ログ データの管理を表します。システムは、学生とMetaTutorの間の生の相互作用データを収集し、その後、学習分析やデータマイニングの技術を適用して、完全な学習プロセスを発見、分析、または視覚化するためのデータ前処理を実行します。 この図の大きなバージョンを表示するには、ここをクリックしてください。

Subscription Required. Please recommend JoVE to your librarian.

Discussion

現在のプロトコルは、メタデータ認知、自己調節、および感情的プロセスに焦点を当てたマルチモーダル評価を提案し、これは、NDを有する成人の困難の基礎を構成する。

セッション 1 は、参加者の学習障害の診断評価を目的としているため、必須です。このセッションは、研究と臨床の文脈における発達および学習困難の診断の経験を持つセラピストによって行われることに注意してください。私たちはスペインでこれらのツールを使用しているので、他の国の研究者は、彼らの人口に適応したテストを選択する必要があります。既存の方法に関する方法の意義は、ADHD、SLDおよびASDのスケールの多くが小児で使用するために設計されており、神経心理学的検査および神経イメージングはより良いが、現実的ではないが、この器械の貧弱さに代わるものである24である。さらに、前述のすべての障害は、通常、メタ認知、自主規制、感情的な機能不全などのLDに見られるよく知られた共通点を考慮せずに、単独で特定の症状を通じて評価されます。いずれにせよ、メタ認知、自己調節、感情に関する知識のほとんどは、早期または成人期の自己申告データに基づいています。しかし、あらゆる種類の自己報告は、種々の種類のバイアス69 に対して脆弱であり、数倍の生理学的および自己報告データ間の相関関係はLDサンプル70に見つかっていない。

このため、プロトコルのセッション 2 が重要です。学習のコアプロセス(メタ認知、自己調節、感情行動)に焦点を当て、代替方法と比較した方法の重要性は、マルチチャネルトレースデータを提供する参加者の学習プロセスのマルチモーダル評価であるということです。これらの情報源の統合を可能にするツールは、MetaTutor43、高度な学習技術に基づくメタコグニティブツールであり、自己調節測定33のいわゆる第3の波の研究の最高の代表者と最もよく知られているラインの一つです。

亜鉛メッキ皮膚応答に関しては、LD被験者の精神生理学的研究の大半は、覚醒、東洋、注意の3つの関連項目のいずれかに焦点を当てています。このプロトコルでは、arousal は自己報告71のような静的な手段では提供できない感情と認知を理解するためのユニークなフレームワークを提供します。表情では、以前の研究では、学問的感情が学生の動機、学習戦略、認知リソース、自己規制、学業成績72に大きく関連していることを示しています。眼球運動に関しては、MetaTutor61との相互作用の間に学生の学習を予測する際の視線データの価値を知っており、複数の研究者は、固定の持続時間が学習中のより深い認知処理を示すことを示唆している73。アンケートは、MetaTutorでの学習セッション中の参加者のパフォーマンス、学習者としての自分の認識、学習時の行動に関する補完的な情報を提供します。最後に、ログ データは、参加者の自主規制プロセスに関する追加の情報源です。生データとデータの前処理の収集後、新しいラーニング分析と教育データマイニング技術は、私たちは発見、分析、視覚化、または別の方法で、学習プロセス74、75、7675,76に飛び込みましょう。74

この混合方法論は、学習前、学習中、学習後にターゲットプロセスを展開した証拠を提供し、その三角測量を行い、LDを持つ成人がどのように学習し、どこに問題があるかについての理解を深めることができます。

この提案は、装置の手順とシステムを意味するプロトコルであり、提案された措置は、全体の一部を形成するときと同じ価値を単独で持っていないということを覚えておくとお勧めします。目的は、これらのデータストリームを収束し、LDを持つ成人が学習中に認知、メタ認知、および感情プロセスを監視および制御する方法を理解することです。

このプロトコルは、実践心理学者によるスクリーニングと診断のための効果的なツールボックスですが、制限はありません。成人のLDの診断は特に困難です。教育と経験は、多くの大人が彼らの赤字を補うことを可能にし、これらの大人は、その後、テストに個々の特性を示す24.結果が示すように、ターゲット集団の一般的なルールとして、一部のデータソース(GSR、ログデータなど)から正確なカットオフポイントを提供することは困難です。

もう一つの課題は、心理学者、生理学者、コンピュータおよび教育科学者などの異なる領域からの専門家の関与を必要とする、結果として生じる複雑で騒々しい、乱雑なデータに対処する複雑さについてです。最近アゼベドとガシェヴィッチ77によって指摘されるように、我々は心理学、教育、教育、および計算科学から理論モデルとフレームワークの複雑なモザイクを統合する必要があります。これに加えて、インストルメンテーションエラー、内部および外部の妥当性、生態学的妥当性と実験的な厳格さ、収束データチャネル、およびプロセスデータに関する推論は、研究者が77,78,78に対処しなければならないマルチモーダルマルチチャネルデータの収集から生じる方法論的な問題のほんの一部に過ぎません。

それにもかかわらず、この方法論の将来の方向性は評価の目標を上回り、現在では、リアルタイムのマルチモーダルマルチチャネルデータを使用して適応ハイパーメディア学習環境79に基づいて予防的介入を設計したり、学習者にリアルタイムでインテリジェントで適応的な足場を提供したりする可能性があります(認知戦略のモデリング、人工エージェントによるメタ認知の調節、感情調節の促し、隠されたプロセスを発見するための視覚化ツールの導入など)。7777、80。,

最後に、その存続期間にわたって、LD を追跡する必要があります。SLD、ADHD、ASDの縦方向のコースとその長期的な後遺は21に探求され始めています。我々は、この理論的に主導的で経験的に基づくガイドラインを広く使用することが、LDを有する成人の集団を特定し、効果的な予防および介入行動を設計するために、これらの障害のより深い理解に拍車をかけるのに役立つことを望む。

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

著者らは開示するものは何もない。

Acknowledgments

この原稿は、国立科学財団(DRL#1660878、DRL#1661202)からの資金提供によって支えられました。 DUE#1761178, DRL#1916417), カナダ社会科学・人文科学研究評議会 (SSHRC 895-2011-) 1006)、科学・イノベーション省I+D+i(PID2019-107201GB-100)、欧州連合(EU)、欧州地域開発基金(ERDF)およびアストゥリアス公国(FC-GRUPIN-IDI/2018/000199)。この資料に記載されている意見、調査結果、結論、または勧告は著者のものであり、必ずしもカナダ国立科学財団またはカナダ社会科学人文科学研究評議会の見解を反映しているわけではありません。また、UCFのSMARTラボのメンバーの皆様の支援と貢献に感謝したいと思います。

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

行動 問題 163 学習障害 メタ認知 自己調節 マルチモーダル評価 成人 MetaTutor
学習困難を有する成人におけるメタ認知と自己調節を評価するためのマルチモーダルプロトコル
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