Summary
学習プロセスに従事する成人(18歳から70歳)の行動分析のためのプロトコルを提示し、自主学習(SRL)のために設計されたタスクを行います。参加者、大学の教師、学生、経験大学の成人をアイトラッキングデバイスで監視し、データマイニング技術でデータを分析しました。
Abstract
学習課題に従事する成人の行動分析は成人教育の分野における大きな課題である。今日では、技術の変化と科学的進歩が続く世界では、正式な教育環境と非正式な教育環境の両方で生涯にわたる学習と教育が必要です。この課題に対して、アイトラッキング技術とデータマイニング技術をそれぞれ使用して、教師付き(主に予測)および教師なし(特にクラスター分析)学習を行い、ユーザー間の学習形態の検出および学習スタイルの分類を行う方法を提供します。本研究では、異なる年齢(18歳から69歳)および学習プロセス(開始と終了)を通じて異なる点で、以前の知識を持たない成人の学習スタイルの研究のためのプロトコルが提案されている。分散の統計的分析手法は、学習者のタイプとタスクの以前の知識によって参加者間の差異が検出されることを意味します。同様に、教師なし学習クラスタリング技術を使用すると、異なるグループ間の参加者間で同様の学習形態に光が当たります。これらのデータはすべて、情報処理の連鎖の異なる点で各タスクのプレゼンテーションのための教師からのパーソナライズされた提案を容易にします。同様に、教師は、同様の特性を持つ各生徒または学生のグループの学習ニーズに教材を適応させることが容易になります。
Introduction
学習における行動解析に適用されるアイトラッキング手法
アイトラッキング方法論は、他の機能的用途の中でも、特にタスク解決中に人間の行動の研究に適用される。この手法は、学習タスク1の完了時に監視と分析を容易にします。具体的には、学習過程の異なるポイント(始動、開発、終了)における学習過程(歴史、数学、科学など)における学生の注意レベルを、アイトラッキング技術を用いて研究することができる。また、学習プロセスを導く音声を伴うビデオの使用がタスクに含まれている場合は、自己規制学習(SRL)が容易になります。したがって、学習がどのように開発されているかを理解するための重要なリソースとしてSRL(ビデオの使用を含む)が提案されているタスクの分析におけるアイトラッキング技術の実装2,3,4.この組み合わせにより、(SRL等の有無にかかわらず)教育方法の違いが、異なるタイプの学生(事前の知識の有無など)でチェックされる可能性があることを意味します。5.対照的に、マルチチャネル情報の提示(音声、書き込み、または絵画的かどうか、聴覚情報と視覚情報の両方の同時提示)は、上記の変数6からの関連する情報と非関連情報の記録および分析の両方を容易にすることができる。マルチメディア学習チャネルに事前知識を持っている学生は、知識がほとんどまたはまったくない学生よりも効果的に学んでいるように見えます。教科の知識が高い学生は、テキストとグラフィックの情報をより効果的に統合する7.この機能は、画像9を含むテキスト8の学習で観察されています。アイトラッキング技術は、注意が集中している場所と期間に関する情報を提供します。これらのデータは、タスクの完了時に解決プロセスを簡単に観察するよりも、より正確な方法で学習プロセスの開発に関する洞察を与えます。また,これらの指標の分析は,生徒が深層学習を開発するか表面的な学習を進めるかの研究を容易にする。さらに、これらのデータと学習結果との関係は、アイトラッキング技術4,10で得られる情報の検証を容易にする。実際、SRLと一緒にこの技術は、規制と規制されていないコースの両方で、高等教育と成人教育11学習環境でますます使用されています12.
アイトラッキング技術は、距離、速度、加速度、密度、分散、角速度、関心領域間の遷移(AOI)、AOIの順次、固定の訪問、サッカデ、スキャンパス、ヒートマップの各パラメータなど、さまざまなメトリックを提供します。しかし、これらのデータの解釈は複雑であり、教師あり(回帰、デシジョンツリーなど)と教師なし(k-Meansクラスタ技術など)の使用が必要です。13,14のデータマイニング技術。これらの指標は、同じ主題の行動を時間の経過とともに監視したり、複数の被験者とそれらのパフォーマンスを同じタスク15と比較するために、以前の知識を持たない参加者と以前の知識がない参加者との間の差異を分析することによって適用することができる16。最近の研究11、17は、初心者の弟子が刺激に長く固定することを明らかにしました(すなわち、同様のスキャン経路パターンが記録されている間、より大きな固定周波数があります)。固定の平均期間は、初心者よりも専門家のために長かった。専門家は、情報の中間点(近位および中央)、ヒートマップ上のAOI内の視覚化ポイントにも見られる可能性のある違いに注目を集めました。
アイトラッキングにおける指標の解釈
最近の研究18は、情報取得が刺激の眼の固定の数に関連していることを示している。もう 1 つの重要なメトリックは、間隔が [10 ミリ秒、 100 ミリ秒] の固定の急速かつ突然の移動として定義されるサッカデです。シャラフィら (2015)18は、学生の情報符号化段階に応じて、サッカドの数に違いを発見した。もう一つの関連パラメータは、スキャンパス、研究者18によって定義されたAOI内の学習タスクの解決のために参加者が実行するステップの時系列順をキャプチャする指標である。同様に、アイトラッキング技術を使用して、固定の数に関連しているように見える参加者の理解レベルを予測することができます。最近の研究では、視線行動の変動は、画像の特性(位置、強度、色、および向き)、タスクを実行するための指示、および参加者の情報処理の種類(学習スタイル)によって決定されることを示している。これらの違いは、異なるAOI19との学生の相互作用を分析することによって検出されます。定量20(周波数分析)および/または定性的または動的21(スキャンパス)技術を使用して、異なるメトリックから収集されたデータを分析することができます。前者の手法は従来の統計手法(周波数分析、平均差、分散差など)で分析され、後者は機械学習技術(文字列編集法21、22、およびクラスタリング法によるユークリッド距離)で分析される。これらの技術の適用は、被験者の異なる特性を考慮することによって、クラスタリングを容易にする。ある研究17は、学生の専門家が多ければ多いほど、実装される空間的および時間的情報処理戦略がより効果的であることを発見した。この研究で使用された測定パラメータの説明表は、下記の表1で参照することができます。
表1:視線追跡技術で得られるほとんどの代表的なパラメータは、カイス、ザパライン、マルティコレナ、ベラスコ(2019)から適応した。20 このテーブルをダウンロードするには、ここをクリックしてください。
学習過程の研究にアイトラッキング手法を適用
技術の進歩と上記のデータ分析技術を用いると、情報処理のさまざまな段階(タスク開始、情報処理、タスク解決)における問題解決中の学習者の行動分析に対して、より精度が高くなります。それはすべて、個々の行動分析を容易にし、同様の特性を持つ学生のグループ化を可能にします24.同様に、予測手法(ディシジョン・ツリー、回帰手法など)25は、固定の数と各学生のタスク解決結果の両方に関連する学習に適用することができます。この機能は、各学生がどのように学習するか、および異なるグループ(学習困難の有無にかかわらず)内のパーソナライズされた学習プログラムの提案に関する知識において非常に重要な進歩です。したがって、この技術の使用は、学習27のパーソナライゼーションと最適化の達成に貢献します。社会の知識は絶えず進歩し、進歩しているので、生涯学習は継続的な改善のサイクルとして理解されなければなりません。進化心理学は、情報処理における解像度のスキルと有効性が年齢とともに低下することを示しています。具体的には、成人のサッカデ頻度、振幅、および眼球運動の速度が年齢とともに減少することが分かってきた。また、高齢では、視覚シーンの下部領域に注目が集まって、ワーキングメモリ14の赤字に関連しています。それにもかかわらず、活性化は、タスク解決におけるこれらの赤字を補うように見える、高齢で前頭前および前頭前領域で増加します。この側面には、以前の知識のレベルと、被験者が適用できる認知補正戦略が含まれます。経験豊富な参加者は、自動化された監督プロセスの適用により、より効果的に注意を管理するので、より効率的に学びます28.また、学習する情報がSRL技術を介して付与される場合、前述の欠陥は17を軽減する。このような手法を使用すると、視覚的な追跡パターンは、事前知識のない被験体と予備知識7の被験者の両方で、非常に類似していることを意味します。
要約すると、高度な学習(アイトラッキング)技術を用いて得られたSRL上のマルチモーダルマルチチャネルデータの分析は、認知、メタ認知、動機付けプロセス間の相互作用、および学習29への影響を理解する上で重要である。学習の結果と違いの研究は、学習教材と知的家庭教師システムの設計に影響を及ぼし、どちらも学生30にとってより効果的で満足のいくパーソナライズされた学習を可能にする。
この研究では、(1)学習結果と美術史の専門家と非専門家の教師との間の眼の固定パラメータに大きな違いがあり、公式の学位を持つ学生と非公式の学位を持つ学生(経験の大学 - 成人教育)の2つの質問がありましたか?(2)学習結果と眼の固定パラメータを持つ各参加者のクラスターは、参加者の種類(公式の学位を持つ学生、非公式の学位を持つ学生(経験の大学 - 成人教育)と教師と一致しますか?
Subscription Required. Please recommend JoVE to your librarian.
Protocol
このプロトコルは、ブルゴス大学(スペイン)nº Nº IR27/2019のバイオ倫理委員会の手続き規則に従って実行されました。参加前は、研究目的を十分に認識し、全員がインフォームド・コンセントを提供していました。彼らは彼らの参加に対する金銭的な補償を受け取っていない。
1. 参加者募集
- 高等教育環境(正式および非正式な教育)の年齢ランクが18歳から69歳の2つの環境(学生と教師)内の成人のグループの中から参加者を募集する。
- 正常または正常に修正された視力と聴覚を持つ参加者を含める。
- 神経学的、精神障害、睡眠障害、教育上の特別なニーズに関連する障害、知覚障害(視力障害と聴覚障害)、および認知障害を持つ参加者を除外します。
注:この研究では、40人の参加者、経験大学の6人の学生(視覚障害のために経験の大学の学生のカテゴリーに除外された)、健康科学、工学、歴史と遺産の分野の25人の大学教授、健康科学、工学、歴史と遺産のコースに従う9人の学部生と修士課程の学生のサンプルを研究しました。参加者は認知、聴覚、視覚の問題もなく、全員が正常または正常に修正された視力を持っていた(表2)。そのため、眼球虫が検出されたため、参加者の1人が実験を開始する前に排除されたため、39人の参加者のサンプルにタスクが適用されました。参加者は金銭的な報酬も専門的な報酬も受け取っていません。だからこそ、文化遺産、特にヨーロッパの修道院の起源に関連する学習プロセス中に、このアイトラッキング法がどのように機能するかを知ることは、参加者の関心に基づいてのみ高かったのです。
表 2.サンプルの特性。このテーブルをダウンロードするには、ここをクリックしてください。
2. 実験手順
- セッション1:インフォームドコンセント、個人データ、背景知識の収集
- インフォームド・コンセントを取得します。テストの前に、各参加者に研究の目的と、そのデータの収集、処理、および保存を通知します。各参加者の同意は、インフォームド・コンセント・フォームに署名することによって行います。
注:この研究への参加は自発的であり、金銭的な報酬はありませんでした。この側面は、タスクの完了が経済的動機を持たないようにしました。この作業を開始する前に、現場の専門家であるインタビュアーは、年齢、性別、職業、および主題に関する事前知識(この場合はヨーロッパにおける修道院の起源と歴史的発展)に関する質問をアンケートに記入します( 表3参照)。この研究は、生涯を通じて人類の文化遺産について学ぶ大人に関するヨーロッパプロジェクト(2019-1-ES01-KA204-KA204-095615コーディネーター6)の一環です。このタイプのタスクが選ばれたのはそのためです。各調査員は、自分の作業分野に応じてトピックを選択します。
- インフォームド・コンセントを取得します。テストの前に、各参加者に研究の目的と、そのデータの収集、処理、および保存を通知します。各参加者の同意は、インフォームド・コンセント・フォームに署名することによって行います。
表 3.面接アンケート。このテーブルをダウンロードするには、ここをクリックしてください。
- セッション 2: キャリブレーション
- アイトラッキング技術の仕組みや情報の収集と記録、校正方法について参加者に知らせます:「アイトラッキング技術を使用して、ヨーロッパの修道院の起源と発展に関する学習タスクの完了を観察します。アイトラッキングは、あなたが活動を行っている間、あなたの視線に従うことを可能にする技術であり、副作用はなく、また侵襲的で、この研究ではアイトラッキングだけが記録されているためです。
- 有効なテストには適切な位置決めが必要であることを参加者に説明します。参加者は、モニターから一定の距離[45〜60 cm]に座らなければなりません。距離は参加者の高さに依存し、高さが低いほど距離が短くなります。
- 一連のポイントが画面の基点に表示され、各ポイントが表示されたら、参加者は目でそれを観察しなければならないことを参加者に知らせます。参加者は「入力」カーソルを使用して、あるポイントから別のポイントに移動できます。キャリブレーションフェーズの持続時間は10〜15分です。
注:アイトラッキングiViewer XTM、SMI実験センター3.0、SMI Be Gazeと1680×1050の解像度のモニターがタスク解決演習に使用されました。この装置は、眼の動き、その座標、および各眼の瞳孔径を登録します。この研究では、60 Hzを適用し、スキャンパスメトリックと動的スキャンパスメトリックを使用し、AOI統計を決定しました。 - キャリブレーション設定を確認します。テストを監督する専門家は、制御画面のキャリブレーション設定を分析します。
- アイトラッキング iViewer XTM に含まれているキャリブレーションシステムを通じてキャリブレーションを実行します。このタスクを開始する前に、各参加者は、4 つのコーナー (上向き、左上、右下、左下) に対して、画面上の 4 つのポイントの視覚的なフォローアップを実現します。その後、ソフトウェアは、これらの刺激の正しい位置の実行検証プロセスを有し、度数のパラメータ調整に関する情報を提供する。この調整が右目と左目の0.6º ±1の間にある場合、キャリブレーションが正しいと見なされ、タスクの実行が開始されます。このプロセスの例は 、図 1で確認できます。
注: 右目と左目の度合いが標準偏差1の標準偏差を0.6ºに設定±、正しいタスク完了が考慮されます。本研究では、0.6º±1の調整基準を超えた大学教授のグループの間で2つのキャリブレーションが検出され、2人の参加者が削除されました。したがって、最初のサンプルの25人の参加者は23人の参加者に減少した。
- アイトラッキング iViewer XTM に含まれているキャリブレーションシステムを通じてキャリブレーションを実行します。このタスクを開始する前に、各参加者は、4 つのコーナー (上向き、左上、右下、左下) に対して、画面上の 4 つのポイントの視覚的なフォローアップを実現します。その後、ソフトウェアは、これらの刺激の正しい位置の実行検証プロセスを有し、度数のパラメータ調整に関する情報を提供する。この調整が右目と左目の0.6º ±1の間にある場合、キャリブレーションが正しいと見なされ、タスクの実行が開始されます。このプロセスの例は 、図 1で確認できます。
図 1.アイトラッキングキャリブレーションのプロセス 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。
- セッション 3: 学習タスクの実行
- タスクの内容を参加者に説明する。教育心理学の専門家は、タスクが何で構成され、それを実行する方法を参加者に説明します:「ビデオは1:14秒の長さで、5つのボイスオーバー画像で構成されています。最後に、参加者はビデオで提示された情報が理解されていることを確認するために小さなクロスワードパズルを完了するように招待されます。
- ビデオクリップを見る。タスクで使用されるビデオは、次のリンクで表示https://youtu.be/HlGGgrYDTFs できます。
注:タスクは、ヨーロッパの修道院の起源に関する情報を提供するビデオを見ることから成り立っています。情報は、専門家、美術史の教師によって詳述されています。SRLの専門教師が口頭で強調して最も重要な内容を主張しているので、情報は2つのチャンネル、1つのビジュアル(アウトラインとして提示された画像と書かれた情報を含む)と別のオーディオの2つのチャンネルで構成されています。 - Moodleベースの仮想プラットフォームでクロスワードパズルを実行する。クロスワードアイコンをクリックすると、参加者はクロスワードが完成する仮想プラットフォームに進み、知識が取得されたかどうかを確認します。クロスワードパズルは 図2に示されています。
図 2.取得した知識をチェックするクロスワードパズル。 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。
- セッション 4: データ分析
- 対象地域 (AOI) を選択します。AOI はビデオで定義され、関連情報と関連しない情報を含む AOI を含む AOI に分割されます。
注: AOI の割り当ては、提示された情報に関連して、関連性のある AOI または無関係な AOI を決定する実験者によって実現されます。 - AOI 固定のパラメーターに関連するデータベースを抽出する (「イベント開始試行時間」、「イベント終了試行時間」、および「イベント期間」;「固定位置X」、「固定位置Y」、「固定平均瞳孔サイズ」、「固定平均瞳孔サイズYpx」、「固定平均瞳径」、「固定分散X」および「固定分散Y」。
- 統計処理ソフトウェア・パッケージにデータベースをインポートし、 オプション分析 と 分類を選択し、その後にオプション k-means クラスターを続けます。次に、統計ソフトウェアパッケージのクロステーブルを選択し、SPSS、続いて「ANOVA」オプションを選択して、参加者間の差異(成人グループのタイプおよび事前知識の程度)をAOI固定パラメータ31に関して分析する。
注: クラスタリングまたはクラスター分析は「教師なし」の機械学習手法であり 、k-means 内では、n 個 の観測値のセットを k グループに分割することを目的とするグループ化手法であり、各観測値は最も近い平均値を持つグループに属します。この実験では 、k-means クラスタリングを使用して、学習タスクの参加者のクラスターをチェックしました。この対応は、診断を超えたユーザーの均質な機能開発に関する教師またはセラピスト情報を提供し、機能開発の一部の分野で同様の介入プログラムを提案するための情報を提供するため、重要である。このオプションは、教育または治療サービスとその個人的および物質的なリソースのフル利用を促進することが期待されます。 - Orange32などの視覚化ソフトウェアを使用して、処理されるデータの視覚化分析 (説明およびクラスター分析) を実行します。
- 詳細な統計のパラメータに関するデータを抽出します:ドウェル時間、視線期間、転用期間、一目数、固定数、平均固定、期間、統計ソフトウェアパッケージにそのデータベースをインポートします。統計パッケージでオプション「ANOVA」を選択し、処理されたデータの可視化分析を実行します(平均)。スプレッドシートを使用して、スパイダー チャートと、参加者のグループに対する特定の棒グラフを生成します。
- 対象地域 (AOI) を選択します。AOI はビデオで定義され、関連情報と関連しない情報を含む AOI を含む AOI に分割されます。
- セッション 5: パーソナライズされた学習提案
- クラスター分析で検出された参加者の学習結果を改善するための介入プログラムを実行します。
注: 実験手順の後に続くフェーズの概要を図 3に示します。
- クラスター分析で検出された参加者の学習結果を改善するための介入プログラムを実行します。
図 3.実験手順の段階。 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.
Representative Results
本研究に参加した36名は、成人の3つのグループ(経験者の学生、大学教授、学部・修士課程の学生)から、年齢が[18~69]の範囲で(表2)であった。プロトコルはブルゴス大学で20ヶ月以上テストされました。開発の概要は 表 4に示されています。
表 4.学習行動解析プロトコルの開発の概要このテーブルをダウンロードするには、ここをクリックしてください。
まず、固定の視線位置パラメータを解析した(表5)。この研究では、ビデオを使用して、開始時間と終了時間はすべての参加者で同じでした:開始0 msと終了1:14 s、期間1:14 s。
表 5.固定パラメーターの結果。このテーブルをダウンロードするには、ここをクリックしてください。
図4は、固定パラメータに関して3つのグループによって開発されたタスクのグラフを示しています。各参加グループ(経験者の大学、大学教員、大学院・修士課程の学生)の男女のグループは、それぞれ異なる方法でタスクを完了しました。
図 4.固定パラメータに関連する3つのグループとタスクの開発のグラフ。 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。
その後、2因子固定効果ANOVA(参加者の種類と以前の知識)を適用し、3つのグループ(経験大学の学生、大学教授、大学生)の間に固定位置のパラメータに有意な違いがあるかどうかを確認しました。いずれの固定パラメータにも有意な差は見られなかったが、固定平均瞳孔サイズY、固定平均瞳孔径、固定分散Xの差に対する傾向は、低い効果値を有するが、注目された( 表6参照)。
表 6.2因子固定効果ANOVA(参加者のタイプと事前知識)と効果値このテーブルをダウンロードするには、ここをクリックしてください。
その後、k-meansクラスターを適用して、固定位置のパラメータの結果、以前の知識とクロスワードパズルの結果に関して、最初の研究グループ(経験大学の学生、大学教授、大学生)に異なるグループがあるかどうかを研究するために適用されました。3つのクラスタが見つかりました(表7)。クラスタの視覚化は 図 5に示されています。
表 7.最終的なクラスタ センター。このテーブルをダウンロードするには、ここをクリックしてください。
次に、参加者のカテゴリタイプ(経験者の大学、大学教授、大学生)に関して各参加者に割り当てられたグループメンバーシップのクラスタの値の間にクロステーブルを用意した(表8)。図 5は、固定位置パラメーターの 3 つのグループに関するクラスター内の参加者の位置を示しています。
表 8.参加者 * ケースクロス集計のクラスター番号。このテーブルをダウンロードするには、ここをクリックしてください。
2因子固定効果ANOVA「参加者群」および「背景」は、タスク開始フェーズ(スライド1)およびタスク終了フェーズ(スライド1)で得られた、ドウェル時間、視線期間、転用期間、視線数、固定数、平均、および期間の2因子固定効果ANOVAを実行した(表6)。転用所要時間1のバックグラウンド知識変数(各AOIに挿入された各刺激の入力、ドウェル、出力時間の分析)に応じて有意な差が見られた。したがって、情報アクセスの初期段階(F2、32 = 4.07、p = 0.03、η 2 = 0.23)の変数「参加者群」によって、異なるAOIに入る、残る、および出る方法が異なっていたと結論付けることができます。平均固定期間パラメータにも違いが見つかりました(長い固定は、参加者が異なるAOI内の情報コンテンツを分析して解釈するのに多くの時間を費やすことを指します(F2、32 = 3.53、p = 0.04、η 2 =0.21)。ボンフェローニの平均差検定は、グループ(経験大学の学生)と大学教授グループの間にあったことが確立されたグループメンバーシップを確立するために適用されました[平均差= 0.04、p = 0.04 CI 95%(0.03-2.75)]。この手段は、グループ1(経験の大学生)の方が高く、参加者はデータ入力フェーズ中にAOIの分析と解釈に多くの時間を費やしました(表9および図6を参照)。
表 9.2因子固定効果ANOVA(参加者のタイプおよび以前の知識)と目追跡測定パラメータの効果値:ドウェル時間、視線持続時間、転用期間、視線数、固定数、平均固定および持続時間。このテーブルをダウンロードするには、ここをクリックしてください。
図 6.タスク処理の開始時および終了時の事前知識変数に関する固定パラメータを含む3つのグループとそれらのタスクの開発のグラフ。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。
本研究で得られた結果をもとに、タスク解決学習成果を向上させるために、パーソナライズされた学習プログラムの開発が提案された。このプログラムは、参加者の全人数の85.43%を占める学習結果を確認するために、5点中3点のスコアを得て、クラスタ3にグループ化された参加者との作業に焦点を当てました。3つの研究グループ(経験生の大学;このクラスターでは、大学の教師と大学院・修士課程の学生が見つかりました。プログラムは、拡張とコンセプトの仕様が行われるビデオで取り組んだ概念の強化に焦点を当てます。
図 5.3つのグループ(経験大学生、大学教授、大学生)における固定パラメータのクラスター分析。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。
補助ファイル
学習困難児の機能能力の観察を参照するために画像が使用されている映像を記録するための権限が添付されています。
Subscription Required. Please recommend JoVE to your librarian.
Discussion
研究結果は、関連する刺激の平均固定期間が以前の知識を持つ参加者の間で長くなっていることを示した。同様に、このグループの注目の焦点は、情報の中間点(近位および遠位)7である。この研究の結果は、参加者が情報を処理する方法の違いを明らかにしました。また、その処理は、必ずしも初期グループ(経験生、大学教員、大学院・修士課程の学生)と結びついていません。これらの違いは、学習ビデオで提示された画像上の固定におけるX軸上の参加者の視覚的位置の分析に関して発見された。クラスタ2では、位置X固定、位置Y固定、平均瞳孔の固定、X軸およびY軸固定分散の最高周波数が見つかりました。この事実は、クラスター2のメンバーが大学教師グループのメンバーであり、被験者に関する以前の知識を持ち、結果検証テストで最高得点を得たという事実と一致する。同様に、研究の参加者のほとんどは(85.43%)、彼らの起源のグループに関係なく、彼らは検証テストで最も低い結果を得たクラスター3にあったことを指摘することが関連しています。
このプロトコルのもう一つの関連する側面は、SRLを使用したビデオでの情報の表示です。一方で、この形式のプレゼンテーションは、ガイドし、注意を集中し、一方で、それは情報にアクセスする方法を統一すると言う、各参加者の個々の行動を最小限に抑えます。必要に応じて、処理における赤字や困難を補償できる側面です。この声明の証拠は、3つのグループ間の学習結果に有意な差が見られず、平均パフォーマンス間隔[3.60,4.86]が5に設定されたということです。処理の迂回期間(各AOIに挿入された各刺激の入力、永続性、出力時間を分析するために使用されるパラメータ)と平均固定期間(このパラメータは、参加者が異なるAOI内の情報の内容を分析し解釈するのに多くの時間を費やすことを示す)のパラメータにのみ有意な違いが見つかりました。これらのパラメータの中で最も長い時間は、この研究で大学院と修士の学生と経験生の大学のグループの間で検出されました.これらの結果は、他の研究4、12、15の結論によって支持される。最後に、このプロトコルは、学生のコーディング段階に応じて、情報処理中の違いを研究するために適用することができます。
上記に基づき、第1の結論は、情報処理1,2の研究に有用なデータを提供したタスクの完了時にアイトラッキング方法論を用いるという点である。同様に、アイトラッキング技術から抽出されたデータを教師なし学習技術(クラスタリング)で分析し、事前決定されたパラメータ11,15に従ってクラスターの知識を促進した。この側面は、各参加者における情報処理の研究と、より効果的な学習23につながると予想されるパーソナライズされた教育応答3、4、5、6、22、23に関する提案に非常に関連しています。
また、実験結果は、初心者エキスパート変数や参加者年齢による処理の違い、およびこれらの変数の影響を最小限に抑え、参加者7、8、9、10の期待される性能を向上させるSRL材料の使用に関する他の研究の結果を再確認したことを指摘することも重要である。
しかし、コンビニエンスサンプリングが施され、美術史に関する特定の内容に焦点を当てたため、これらの結果の一般化を慎重に扱う必要があります。したがって、サンプルは将来の研究で拡張され、調査結果は他の分野でチェックされます。
導入で示されているように、SRL手法を用いた様々な情報チャネル(聴覚、視覚、またはその両方)を通じたマルチモーダルな方法での情報の提示は、アイトラッキング技術と機械学習技術の使用とともに、各ユーザーの教育ニーズに応じてパーソナライズされた学習設計を提供し、結果的に、すべての学生の間で学習と開発を促進するために、参加者が情報を処理する方法を理解する鍵です。
要するに、アイトラッキング技術の使用は、材料から個人的なリソースへのコスト要因に根本的に起因する教育フレームワークにおける通常の適用の方法論ではありません。しかし、その使用は少しずつ増加し始めており、自動規制学習におけるタスクの観察において通常の使用を見ることが重要です。このアイトラッキング技術の利点は、学習プロセスの単純な観察に信頼性と有効性の利点を有するタスクとの学習者の相互作用の記録を可能にすることです。さらに、アイトラッキング手法は、登録情報の可視化の異なる技術を提供し、データベース内のこの情報は、コンピュータプログラムまたはより強力なツールで分析することができます。そのため、自然の文脈での調査のための幅広い可能性を開きます。
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
著者らは、競合する財政的利益はないと宣言している。
Acknowledgments
この研究は、欧州委員会が出資するプロジェクト「SmartArtエラスムス+成人教育における自主規制学習」2019-1-ES01-KA204-095615-コーディネーター6の中で開発されました。タスク完了段階のビデオには、ルト・ベラスコ・ワイズの事前インフォームド・コンセントがありました。私たちは、タスクの実施段階で教師と学生の参加に感謝します。
Materials
| Name | Company | Catalog Number | Comments |
| iViewer XTM | iViewer | ||
| SMI Experimenter Center 3.0 | SMI | ||
| SMI Be Gaze | SMI |
References
- van Marlen, T., van Wermeskerken, M., Jarodzka, H., van Gog, T. Effectiveness of eye movement modeling examples in problem solving: The role of verbal ambiguity and prior knowledge. Learning and Instruction. 58, 274-283 (2018).
- Taub, M., Azevedo, R., Bradbury, A. E., Millar, G. C., Lester, J. Using sequence mining to reveal the efficiency in scientific reasoning during STEM learning with a game-based learning environment. Learning and Instruction. 54, 93-103 (2018).
- Cloude, E. B., Taub, M., Lester, J., Azevedo, R. The Role of Achievement Goal Orientation on Metacognitive Process Use in Game-Based Learning. Artificial Intelligence in Education. Isotani, S., Millan, E., Ogan, A., Hastings, P., McLaren, B., Luckin, R. , Springer International Publishing. Switzerland. 36-40 (2019).
- Azevedo, R., Gašević, D. Analyzing Multimodal Multichannel Data about Self-Regulated Learning with Advanced Learning Technologies: Issues and Challenges. Computers in Human Behavior. 96, 207-210 (2019).
- Sáiz-Manzanares, M. C., Rodríguez-Diez, J. J., Marticorena-Sánchez, R., Zaparín-Yáñez, M. J., Cerezo-Menéndez, R. Lifelong learning from sustainable education: An analysis with eye tracking and data mining techniques. Sustainability. 12 (5), 2-18 (2020).
- Alemdag, E., Cagiltay, K. A systematic review of eye tracking research on multimedia learning. Computers & Education. 125, 413-428 (2018).
- Ho, H. N. J., Tsai, M. -J., Wang, C. -Y., Tsai, C. -C. Prior knowledge and online inquiry-based science reading: evidence from eye tracking. International Journal of Science and Mathematics Education. 12, 525-554 (2014).
- Catrysse, L., Gijbels, D., Donche, V. It is not only about the depth of processing: What if eye am not interested in the text. Learning and Instruction. 58, 284-294 (2018).
- Mayer, R. E. Using multimedia for e-learning. Journal of Computer Assisted Learning. 33 (5), 403-423 (2017).
- Prokop, M., Pilař, L., Tichá, I. Impact of think-aloud on eye-tracking: A comparison of concurrent and retrospective think-aloud for research on decision-making in the game environment. Sensors. 20 (10), (2020).
- DuMouchel, W. Data Squashing: Constructing Summary Data Sets. Handbook of Massive Data Sets. Abello, J., Pardalos, P. M., Resende, M. G. C. , Springer. Boston, MA, US. 579-591 (2002).
- Stull, A. T., Fiorella, L., Mayer, R. E. An eye-tracking analysis of instructor presence in video lectures. Computers in Human Behavior. 88, 263-272 (2018).
- König, S. D., Buffalo, E. A. A nonparametric method for detecting fixations and saccades using cluster analysis: Removing the need for arbitrary thresholds. Journal of Neuroscience Methods. 30 (227), 121-131 (2014).
- Maltz, M., Shinar, D. Eye Movements of Younger and Older Drivers. Human Factors. 41 (1), 15-25 (1999).
- Burch, M., Kull, A., Weiskopf, D. AOI rivers for visualizing dynamic eye gaze frequencies. Computer Graphics Forum. 32 (3), 281-290 (2013).
- Dzeng, R. -J., Lin, C. -T., Fang, Y. -C. Using eye-tracker to compare search patterns between experienced and novice workers for site hazard identification. Safety Science. 82, 56-67 (2016).
- Kurzhals, K., Weiskopf, D. Space-time visual analytics of eye-tracking data for dynamic stimuli. IEEE Transactions on Visualization and Computer Graphics. 19 (12), 2129-2138 (2013).
- Sharafi, Z., Soh, Z., Guéhéneuc, Y. -G. A systematic literature review on the usage of eye-tracking in software engineering. Information and Software Technology. 67, 79-107 (2015).
- Dalrymple, K. A., Jiang, M., Zhao, Q., Elison, J. T. Machine learning accurately classifies age of toddlers based on eye tracking. Scientific Reports. 9 (1), 6255 (2019).
- Seifert, L., Cordier, R., Orth, D., Courtine, Y., Croft, J. L. Role of route previewing strategies on climbing fluency and exploratory movements. PLoS One. 12 (4), 1-22 (2017).
- Takeuchi, H., Habuchi, Y. A quantitative method for analyzing scan path data obtained by eye tracker. IEEE Symposium on Computational Intelligence and Data Mining, CIDM 2007. , Honolulu, HI, USA. 283-286 (2007).
- Takeuchi, H., Matsuda, N. Scan-path analysis by the string-edit method considering fixation duration. 6th International Conference on Soft Computing and Intelligent Systems, and 13th International Symposium on Advanced Intelligence Systems, SCIS/ISIS 2012. , Kobe, Japan. 1724-1728 (2012).
- Sáiz, M. C., Marticorena, R., Anaiz, Á, Zaparaín, M. J. Task analysis with eye tracking technology. srl at Smartart. II Congress of the International Scientific Association of Psychopedagogy Proceedings. Peralbo, M., Risso, A., Barca, A., Duarte, B., Almeda, L., Brenlla, J. C. , Asociacion Cientifica Internacional de Psicopedagogia. Coruña, Spain. 4093-4104 (2019).
- Khedher, A. B., Jraidi, I., Frasson, C. Tracking Students' Analytical Reasoning Using Visual Scan Paths. IEEE 17th International Conference on Advanced Learning Technologies (ICALT). , IEEE. Timisoara, Romania. 53-54 (2017).
- Xia, C., Han, J., Qi, F., Shi, G. Predicting Human Saccadic Scanpaths Based on Iterative Representation Learning. IEEE Trans Image Process. 8 (7), 3502-3515 (2019).
- 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. Journal of Visualized Experiments. , e60331 (2020).
- Scherer, R., Siddiq, F., Tondeur, J. The technology acceptance model (TAM): A meta-analytic structural equation modeling approach to explaining teachers' adoption of digital technology in education. Computers & Education. 128 (0317), 13-35 (2019).
- Bruder, C., Eißfeldt, H., Maschke, P., Hasse, C. Differences in monitoring between experts and novices. Proceedings of the Human Factors and Ergonomics Society Annual Meeting. 57 (1), 295-298 (2013).
- Azevedo, R., Gašević, D. Analyzing Multimodal Multichannel Data about Self-Regulated Learning with Advanced Learning Technologies: Issues and Challenges. Computers in Human Behavior. 96, 207-210 (2019).
- 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).
- IBM Corp. SPSS Statistical Package for the Social Sciences (SPSS) (Version 24). , Madrid, Spain. (2016).
- Orange Software Package. , Available from: https://orange.biolab.si/docs/ (2020).
