Waiting
Login processing...

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

Behavior

Технологии слежения за глазами и методы обработки данных, используемые для поведенческого анализа взрослых, участвующих в учебных процессах

Published: June 10, 2021 doi: 10.3791/62103
Automatic Translation
1, 2, 2, 2, 3, 4, 5, 3
1Department of Health Sciences, University of Burgos, 2Department of Geography, History and Communication, University of Burgos, 3Department of Computer Engineering, University of Burgos, 4tvUBU, University of Burgos, 5Departament of Philology, Universidad de Burgos

Summary

Представляем протокол поведенческого анализа взрослых (в возрасте от 18 до 70 лет), занятых в учебных процессах, выполнения задач, предназначенных для саморегулируемого обучения (SRL). Участники, преподаватели университетов и студенты, а также взрослые из Университета опыта, были проверены с помощью устройств слежения за глазами, и данные были проанализированы с помощью методов сбора данных.

Abstract

Поведенческий анализ взрослых, занимающихся учебными задачами, является серьезной проблемой в области образования взрослых. В настоящее время в мире непрерывных технологических изменений и научных достижений существует потребность в непрерывном обучении и образовании на протяжении всей жизни как в формальной, так и в неосуществимой образовательной среде. В ответ на эту проблему использование технологии отслеживания глаз и методов сбора данных, соответственно, для контролируемого (главным образом прогнозирования) и неконтролируемого (в частности, кластерного анализа) обучения, обеспечивает методы обнаружения форм обучения среди пользователей и/или классификации их стилей обучения. В этом исследовании предлагается протокол для изучения стилей обучения среди взрослых с и без предыдущих знаний в разном возрасте (от 18 до 69 лет) и в разных точках на протяжении всего учебного процесса (начало и конец). Методы статистического анализа различий означают, что между участниками могут быть обнаружены различия по типу учащегося и предыдущим знаниям задачи. Аналогичным образом, использование неконтролируемых методов кластеризации обучения прожигает свет на аналогичные формы обучения среди участников в различных группах. Все эти данные будут способствовать персонализированные предложения от учителя для представления каждой задачи в различных точках в цепочке обработки информации. Кроме того, учителю будет легче адаптировать учебные материалы к потребностям обучения каждого студента или группы студентов с аналогичными характеристиками.

Introduction

Методология слежения за глазами, применяемая к поведенческому анализу в обучении
Методология слежения за глазами, среди других функциональных применений, применяется к изучению поведения человека, особенно во время решения задачи. Этот метод облегчает мониторинг и анализ во время выполнения учебных задач1. В частности, уровни внимания студентов в разных точках учебного процесса (начало, развитие и конец) по различным предметам (история, математика, наука и т.д.) могут быть изучены с использованием технологии слежения за глазами. Кроме того, если задача включает в себя использование видео с голосом, который направляет процесс обучения, саморегулируемое обучение (SRL) облегчается. Таким образом, внедрение технологии слежения за глазами в анализе задач, к которым SRL (которые включают использование видео) предлагается в качестве важного ресурса, чтобы понять,как обучение развивается 2,3,4. Эта комбинация также будет означать, что различия между учебными методами (с или без SRL и т.д.) могут быть проверены с различными типами студентов (с или без предварительного знания и т.д.) 5.В отличие от этого, представление многоканальной информации (одновременное представление как слуховой, так и визуальной информации, будь то устной, письменной или живописной) может облегчить как запись, так и анализ соответствующей и не соответствующей информации из вышеупомянутыхпеременных 6. Студенты с предварительными знаниями, подверженными мультимедийным каналам обучения, как представляется, учатся более эффективно, чем те, у кого практически нет предварительных знаний. Студенты с высоким уровнем предварительного знания предмета будут интегрировать текстовую и графическую информацию более эффективно7. Эта функциональность была замечена в изучении текстов8, которые включают изображения9. Технология слежения за глазами предлагает информацию о том, где сосредоточено внимание и как долго. Эти данные дают представление о развитии учебного процесса более точным способом, чем простое наблюдение за процессом разрешения во время выполнения задачи. Кроме того, анализ этих показателей облегчает изучение того, развивается ли у студента глубокое или поверхностное обучение. Кроме того, взаимосвязь между этими данными и результатами обучения облегчает проверку информации, полученной с помощьютехнологии слежения за глазами 4,10. В самом деле, этот метод вместе с SRL все чаще используются в высшемобразовании и в взрослых образования 11 учебных сред, как на регулируемых и на нерегулируемыхкурсов 12.

Технология слежения за глазами предлагает различные метрики: расстояние, скорость, ускорение, плотность, дисперсия, угловая скорость, переходы между областями интереса (AOI), последовательный порядок AOI, посещения в фиксациях, саккады, путь сканирования и параметры тепловой карты. Однако интерпретация этих данных является сложной и требует использования контролируемых (регрессия, деревья решений и т.д.) и неконтролируемых (методы кластерного кластера k-means и т.д.) 13,14 методов обработки данных. Эти метрики могут быть применены для мониторинга поведения одного и того же субъекта с течением времени или для сравнения между несколькими предметами и их производительность с той жезадачей 15, путем анализа разницы между участниками с предыдущими знаниями по сравнению с не предыдущиезнания 16. Недавниеисследования 11,17 показал, что начинающие ученики зациклиться дольше на стимулы (т.е., есть большая частота фиксации в то время как аналогичные модели сканирования пути регистрируются). Средняя продолжительность фиксации была больше для экспертов, чем для новичков. Эксперты представили свое внимание на средних точках информации (проксимальной и центральной), различия, которые также можно увидеть в точках визуализации в AOI на тепловых картах.

Интерпретация метрик в отслеживании глаз
Недавниеисследования 18 показали, что получение информации связано с числом глазных фиксаций на стимулах. Другим важным показателем является саккада, которая определяется как быстрое и внезапное движение фиксации с интервалом в 10 мс, 100 мс. Шарафи и др. (2015)18 обнаружили различия в количестве саккад, в зависимости от фазы кодирования информации студента. Другим актуальным параметром является сканирование-путь, метрика, которая отражает хронологический порядок шагов, которые участник выполняет для решения задачи обучения в AOI, определенной исследователем18. Аналогичным образом, технология слежения за глазами может быть использована для прогнозирования уровня понимания участника, который, как представляется, связан с числом фиксаций. Недавние исследования показали, что изменчивость поведения взгляда определяется свойствами изображения (позиция, интенсивность, цвет и ориентация), инструкциями по выполнению задачи и типом обработки информации (стиль обучения) участника. Эти различия обнаруживаются путем анализа взаимодействия студента с различными AOI19. Количественные20 (частотный анализ) и/или качественныеили динамические 21 (путь сканирования) методы могут быть использованы для анализа данных, собранных из различных метрик. Первые методы анализируются с помощью традиционных статистических методов (частотный анализ, средняя разница, разница в дисперсии и т.д.), а последние анализируются с помощью методов машинного обучения (евклидовые расстоянияс методами редактирования строк 21,22икластеризация 17). Применение этих методов облегчает кластеризацию, рассматривая различные характеристики предметов. Одно исследование17 показало, что чем больше эксперт студент, тем более эффективна пространственная и временная стратегия обработки информации, которая реализуется. С описательной таблицей параметров измерений, которые использовались в данном исследовании, можно ознакомиться ниже в таблице 1.

Таблица 1: Большинство репрезентативных параметров, которые могут быть получены с помощью метода слежения за глазами, адаптированного из Саиса, Сапараин, Мартикорена и Веласко (2019). 20 Лет   Пожалуйста, нажмите здесь, чтобы загрузить эту таблицу.

Применение методологии слежения за глазами к изучению учебного процесса
Использование технологических достижений и методов анализа данных, описанныхвыше 5, добавит большей точности поведенческому анализу учащихся на различных этапах обработки информации (инициирование задач, обработка информации и решение задач). Все это облегчит индивидуальный поведенческий анализ, который, в свою очередь, позволит группировке студентов с аналогичными характеристиками24. Аналогичным образом, прогностический методы (деревья решений, регрессионные методы и т.д.) 25 могут быть применены к обучению, связанные как с количеством фиксаций, так и с результатами решения задач каждого студента. Эта функциональность является очень важным шагом вперед в знании о том, как каждый студент учится и для предложения персонализированных учебных программ в различных группах (люди с или без трудностейобучения 26). Таким образом, использование этой техники будет способствовать достижению персонализации и оптимизации обучения27. Обучение на всю жизнь должно пониматься как цикл непрерывного совершенствования, поскольку знания общества постоянно развиваются и развиваются. Эволюционная психология показывает, что навыки разрешения и эффективность обработки информации уменьшаются с возрастом. В частности, частота саккады, амплитуда и скорость движений глаз среди взрослых, как было установлено, уменьшаются с возрастом. Кроме того, в пожилом возрасте внимание сосредоточено на нижних областях визуальных сцен, что связано с дефицитом рабочей памяти14. Тем не менее, активация увеличивается в лобных и префронтальных областях в более старшем возрасте, что, как представляется, компенсирует эти дефициты в разрешении задач. Этот аспект включает в себя уровень предыдущих знаний и когнитивных стратегий компенсации, что субъект может применяться. Опытные участники учатся более эффективно, так как они управляют вниманием более эффективно, благодаря применению автоматизированных процессов надзора28. Кроме того, если информация, которая будет изучена, передается с помощью методов SRL, вышеупомянутые недостаткисмягчаются 17. Использование таких методов означает, что визуальные модели отслеживания очень похожи, как в предметах без предварительных знаний, так и в предметах с предварительнымизнаниями 7.

Таким образом, анализ мультимодно-многоканальных данных о SRL, полученных с использованием передовых технологий обучения (отслеживания глаз), является ключом к пониманию взаимодействия между когнитивными, метакогнитивными и мотивационными процессами, а также их влияние наобучение 29. Результаты и изучение различий в обучении имеют последствия для разработки учебных материалов и интеллектуальных систем обучения, оба из которых позволят персонализированное обучение, которое, вероятно, будет более эффективным и удовлетворительным длястудента 30.

В этом исследовании, было два исследования вопросы: (1) Будут ли значительные различия в результатах обучения и в глазной фиксации параметров между студентами и экспертами по сравнению с неэкспертными учителями в истории искусства дифференциации студентов с официальными степенями по сравнению со студентами с неопернитными степенями (Университет опыта - Образование для взрослых)? и (2) Будут ли кластеры каждого участника с результатами обучения и параметрами глазной фиксации совпадать с типом участников (студенты с официальными степенями, студенты с нео должностной степенью (Университет опыта - Образование для взрослых) и преподаватели)?

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Этот протокол был составлен в соответствии с процессуальными нормами Биоэтического комитета Университета Бургоса (Испания) No No No IR27/2019. До своего участия участники были полностью осведомлены о целях исследования и представили свое информированное согласие. Они не получили никакой финансовой компенсации за свое участие.

1. Набор участников

  1. Набирать участников из группы взрослых в двух средах (студенты и преподаватели), с возрастом от 18 до 69 лет в среде высшего образования (формальное и нео формальное образование).
  2. Включите участников с нормальным или исправленным к нормальному зрению и слухом.
  3. Исключите участников с неврологическими, психиатрическими расстройствами и расстройствами сна, инвалидностью, связанной с образовательными особыми потребностями, проблемами восприятия (нарушение зрения и слуха) и когнитивными нарушениями.
    ПРИМЕЧАНИЕ: В этом исследовании мы работали с выборкой из 40 участников, 6 студентов из Университета опыта (один участник был исключен в категорию студентов из университета опыта из-за визуальных трудностей), 25 университетских профессоров в области медицинских наук, инженерии, истории и наследия, и 9 студентов и магистра после курсов в области медицинских наук, инженерии, истории и наследия. У участников не было ни когнитивных, ни слуховых проблем, ни проблем со зрением, и все они имели нормальное или исправленное к нормальному зрению(таблица 2). Поэтому один из участников был ликвидирован перед началом эксперимента, так как на нем был обнаружен нистагмус, в связи с чем задание было применено к выборке из 39 участников. Участники не получили ни финансовой, ни профессиональной компенсации; Именно поэтому мотивация участников была высокой, поскольку только на их интересе было знать, как этот метод слежения за глазами работает во время учебного процесса, связанного с культурным наследием, в частности происхождением европейских монастырей.

Таблица 2. Характеристики образца.  Пожалуйста, нажмите здесь, чтобы загрузить эту таблицу.

2. Экспериментальная процедура

  1. Сессия 1: Сбор информированного согласия, персональных данных и справочных знаний
    1. Получить информированное согласие. Перед тестом сообщите каждому участнику о целях исследования и сборе, обработке и хранении их данных. Согласие каждого участника дается путем подписания формы информированного согласия.
      ПРИМЕЧАНИЕ: Участие в этом исследовании было добровольным и не было никакого финансового вознаграждения. Этот аспект обеспечил отсутствие экономической мотивации для выполнения поставленных задач. Перед началом задания интервьюер, эксперт в этой области, заполняет анкету с вопросами о возрасте, поле, профессии и предварительного знания предмета, в данном случае, происхождения и исторического развития монастырей в Европе (см. таблицу 3). Это исследование является частью Европейского проекта (2019-1-ES01-KA204-095615-Координатор 6) по изучению взрослыми культурного наследия человечества на протяжении всей жизни; именно поэтому был выбран этот тип задачи. Каждый следователь будет выбирать тему в зависимости от его или ее рабочей области.

Таблица 3. Анкета для интервью.  Пожалуйста, нажмите здесь, чтобы загрузить эту таблицу.

  1. Сессия 2: Калибровка
    1. Сообщите участнику о том, как работает технология слежения за глазами и как будет собираться, записываются и калиброваются данные: «Мы будем использовать технологию слежения за глазами для наблюдения за выполнением учебной задачи по происхождению и развитию европейских монастырей. Отслеживание глаз является технология, которая позволяет следить за вашим взглядом во время выполнения деятельности, и она не имеет побочных эффектов, ни это инвазивные, так как в этом исследовании только отслеживание глаз записывается ".
    2. Объясните участнику, что действительный тест требует правильного позиционирования. Иметь участника должны сидеть на определенном расстоянии от 45 до 60 см от монитора. Расстояние будет зависеть от высоты участника, чем ниже высота, тем короче расстояние.
    3. Сообщите участнику, что на кардинальных точках экрана появится ряд точек и что при каждой точке появляется участник должен наблюдать за ним глазами. Участник может перемещаться из одной точки в другую с помощью "введите" курсор. Фаза калибровки имеет продолжительность 10-15 минут.
      ПРИМЕЧАНИЕ: Для выполнения задач были использованы iViewer XTM, SMI Experimenter Center 3.0 и SMI Be Gaze и монитор с разрешением 1680×1050. Это оборудование регистрирует глазные движения, их координаты и диаметры зрачка каждого глаза. В этом исследовании было применено 60 Гц, были использованы метрики пути сканирования и динамические метрики пути сканирования, и была определена статистика AOI.
    4. Проверьте настройки калибровки. Специалист, контролирующий тест, анализирует настройки калибровки на экране управления.
      1. Выполните калибровку через калибровочную систему, которая включена в отслеживание глаз iViewer XTM. Перед началом этой задачи каждый участник реализует визуальное продолжение четырех точек на экране в четырех углах (вверх-справа, вверх-слева, вниз-вправо, вниз-влево). После этого программное обеспечение имеет процесс проверки исполнения правильного положения этих стимулов и дает информацию о регулировке параметра в градусах. Если эта регулировка расположена между 0.6o ± 1 в правом и левом глазу, считается, что калибровка верна, и начинается выполнение задачи. Пример процесса можно проверить на рисунке 1.
        ПРИМЕЧАНИЕ: Правильное завершение задачи считается, когда градусы в правом и левом глазу установлены на уровне 0,6o ± 1 стандартное отклонение. В этом исследовании были обнаружены две калибровки среди группы университетских профессоров, которые превысили критерий корректировки 0,6o ± и два участника были удалены. Таким образом, 25 участников первой выборки были сокращены до 23 участников.

Figure 1
Рисунок 1. Процесс калибровки слежения за глазами Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой фигуры.

  1. Сессия 3: Выполнение учебной задачи
    1. Объясните участнику содержание задачи. Эксперт в области учебной психологии объясняет участнику, из чего будет состоять задача и как ее выполнить: «Видео длиной 1:14 секунды и состоит из 5 закадровые изображения. В конце участнику предлагается заполнить небольшой кроссворд, чтобы проверить, была ли понята информация, представленная в видео».
    2. Смотреть видеоклип. Видео, используемое в задаче, можно посмотреть по следующей ссылке: https://youtu.be/HlGGgrYDTFs.
      ПРИМЕЧАНИЕ: Задача состоит в просмотре видео, которое предлагает информацию о происхождении европейских монастырей. Информация была разработана специалистом, преподавателем истории искусства. Информация организована в двух каналах, один визуальный, который включает в себя изображения и письменную информацию, представленную в качестве очертания, а другой аудио один, потому что SRL специалист учитель говорит на протяжении всего видео настаивает на наиболее значительное содержание с использованием словесного акцента.
    3. Выполнение кроссворда на виртуальной платформе moodle. Нажав на значок кроссворда, участник может быть завершен на виртуальную платформу, где кроссворд может быть завершен, чтобы проверить, были ли получены знания. Кроссворд представлен на рисунке 2.

Figure 2
Рисунок 2. Кроссворд, чтобы проверить приобретенные знания. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

  1. Сессия 4: Анализ данных
    1. Выберите области интересов (AOI). AOIs определяются в видео и делятся на AOIs, которые содержат соответствующую информацию по сравнению с AOIs, которые включают не соответствующую информацию.
      ПРИМЕЧАНИЕ: Назначение AOI реализуется экспериментатором, который решает, какие из них являются соответствующими или неактуальными AOIs в отношении представленной информации.
    2. Извлекайте базу данных, относящуюся к параметрам AOI Fixations ("Время пробного начала события", "Время окончания события" и "Продолжительность события"; "Фиксация позиции X", "Фиксация позиции Y", "Фиксация средний размер ученика", "Фиксация средний размер ученика Y px", "Фиксация Средний диаметр ученика", "Фиксация дисперсии X" и "Фиксация дисперсии Y").
    3. Импортируйте базу данных в пакет программного обеспечения статистической обработки и выберите вариант анализа, азатем классифицировать, а затем вариант K-средства кластера. Затем выберите кросс-стол в пакете статистического программного обеспечения, например SPSS, а затем опцию «ANOVA», чтобы проанализировать различия между участниками (тип групп взрослых и степень предварительного знания) в отношении их параметров AOI Fixation31.
      ПРИМЕЧАНИЕ: Кластерный или кластерный анализ является «неконтролируемым» методом машинного обучения, и в пределахk-означает, что это метод группировки, целью которого является разделение набора n наблюдений на k группы, в которых каждое наблюдение принадлежит группе с ближайшим средним значением. В этом эксперименте кластеризация k-meansиспользовалась для проверки кластеров участников учебной задачи. Эта корреспонденция важна, потому что она предлагает учителю или терапевту информацию о однородном функциональном развитии пользователей, которое выходит за рамки диагноза, предоставляя информацию, чтобы предложить аналогичные программы вмешательства в некоторых областях функционального развития. Ожидается, что этот вариант будет способствовать полному использованию образовательных или терапевтических услуг и их личных и материальных ресурсов.
    4. Выполните визуальный анализ данных (описательный и кластерный анализ), которые обрабатываются, используя программное обеспечение визуализации, такое как Orange32.
    5. Извлекайте данные по параметрам подробной статистики: время обитаемого времени, продолжительность взгляда, продолжительность утечки, количество взглядов, количество фиксаций, средняя фиксация и длительность затем импортируют эту базу данных в пакет статистического программного обеспечения. Выберите опцию «ANOVA» в статистическом пакете, а затем проведем визуализацию данных, которые были обработаны (средства). Используйте электронную таблицу для создания диаграммы паука и конкретных графиков баров для групп участников.
  2. Сессия 5: Персонализированные предложения по обучению
    1. Выполните программу вмешательства для улучшения результатов обучения среди участников, обнаруженных в кластере анализа, из-за их более низких оценок.
      ПРИМЕЧАНИЕ: Резюме этапов, следуют в экспериментальной процедуре показано на рисунке 3.

Figure 3
Рисунок 3. Фазы экспериментальной процедуры. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

36 участников, набранных для настоящего исследования, были из трех групп взрослых (студенты из университета опыта, университетские профессора, а также студенты и магистра студенты) со возрастом от 18 до 69 лет(таблица 2). Протокол тестировался в течение 20 месяцев в Университете Бургоса. Наброски развития можно увидеть в таблице 4.

Таблица 4. Наброски разработки протокола анализа поведения обучения.  Пожалуйста, нажмите здесь, чтобы загрузить эту таблицу.

Во-первых, были проанализированы параметры положения взгляда фиксаций(таблица 5). В этом исследовании, используя видео, время начала и окончания было одинаковым для всех участников: старт 0 мс и конец 1:14 с, продолжительность 1:14 с.

Таблица 5. Результаты параметра фиксации.  Пожалуйста, нажмите здесь, чтобы загрузить эту таблицу.

На рисунке 4 показан график задач, разработанных тремя группами в отношении параметров фиксации. Группа мужчин и женщин в каждой из участвующих групп (Университет опыт студентов, преподавателей университетов и аспирантов) каждый завершил задачи по-разному.

Figure 4
Рисунок 4. График трех групп и их разработка задачи связаны с параметрами фиксации. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

Затем был применен двухфакторный фиксированный эффект ANOVA (тип участника и предыдущие знания), чтобы проверить, существуют ли значительные различия в параметрах фиксации позиций между тремя группами (Студенты Университета Опыта, преподаватели университетов и студенты университетов). Существенных различий ни в одном из параметров фиксации обнаружено не было, но была отмечена тенденция к различиям для фиксации среднего размера зрачка Y, среднего диаметра зрачка фиксации и дисперсии фиксации X, хотя и с низкими значениями эффекта (см. таблицу 6).

Таблица 6. Двухфакторные фиксированные эффекты ANOVA (тип участника и предварительные знания) и значение эффекта.  Пожалуйста, нажмите здесь, чтобы загрузить эту таблицу.

Впоследствии кластер k-средств был применен для изучения того, существуют ли различные группы в первоначальной исследовательской группе (студенты Университета Опыта, преподаватели университетов и студенты университетов) в отношении результатов в параметрах фиксации позиций, предыдущих знаний и кроссвордов результатов. Были найдены три кластера(таблица 7). Визуализацию кластеров можно увидеть на рисунке 5.

Таблица 7. Заключительные кластерные центры.  Пожалуйста, нажмите здесь, чтобы загрузить эту таблицу.

Затем был подготовлен перекрестный стол между значениями кластера членства в группе, присвоенных каждому участнику в отношении типа категории участника (Университет Опыт студентов, преподавателей университетов и студентов университетов)(таблица 8). На рисунке 5 показана позиция участников в кластерах по отношению к трем группам по параметрам положения фиксации.

Таблица 8. Участник - Кластерное число перекрестного случая.  Пожалуйста, нажмите здесь, чтобы загрузить эту таблицу.

Двухфакторный фиксированный эффект ANOVA, "группа участников" и "фон", был выполнен для следующих параметров измерения слежения за глазами: Dwell Time, Glance Duration, Diversion Duration, Glance Count, Fixation Count, Average и Duration, полученные на этапе запуска задачи (Slide 1) и в конце задачи (Slide 5)(Таблица 6). Значительные различия были обнаружены в зависимости от переменной фоновых знаний в диверсионной продолжительности 1 (анализ времени ввода, обита и вывода для каждого стимула, вставленного в каждый AOI). Таким образом, можно сделать вывод, что способ входа, оставшегося и выхода в различных AOIs был разным, в зависимости от переменной "группы участников" на начальном этапе доступа к информации(F2,32 и 4.07, p 0.03, η2 и 0.23). Различия были также обнаружены в параметре Средней фиксации (более длительные фиксации относятся к участнику, тратя больше времени на анализ и интерпретацию информационного содержания вразличных AOIs (F2,32 и 3.53, p 0.04, η2 и 0.21). Средний тест бонферрони на разницу был применен для установления членства в группе, с которой было установлено, что они были между группой (Студенты Университета Опыта) и группой университетских профессоров «средняя разница » 0,04, стр. 0,04 CI 95% (0,03-2,75)». Средства были выше для группы 1 (Студенты Университета Опыта), где участники проводили больше времени, анализируя и интерпретируя AOIs на этапе ввода данных (см. таблицу 9 и рисунок 6).

Таблица 9. Двухфакторные фиксированные эффекты ANOVA (тип участника и предыдущие знания) и значение эффекта для параметров измерения слежения за глазами: Dwell Time, Glance Duration, Diversion Duration, Glances Count, Fixation Count, Average Fixation и Duration.  Пожалуйста, нажмите здесь, чтобы загрузить эту таблицу.

Figure 6
Рисунок 6. График трех групп и их разработка задачи, включающей параметры фиксации в отношении предыдущих переменных знаний в начале и в конце обработки задач. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

На основе результатов, найденных в данном исследовании, была предложена разработка персонализированной программы обучения для улучшения результатов обучения с разрешением задач. Эта программа была ориентирована на работу с участниками, сгруппированными в кластер 3, так как они получили баллы 3 балла из 5 в тесте, чтобы проверить результаты обучения, которые составили 85,43% от общего числа участников. Участники из трех учебных групп (Университет студентов-опытников; Преподаватели университетов и аспиранты и магистра студенты) были найдены в этом кластере. Программа будет сосредоточена на укреплении концепций, над которыми мы работали в видео, для которых будет сделано расширение и спецификация концепций.

Figure 5
Рисунок 5. Кластерный анализ параметров фиксации в трех группах (студенты университетов, преподаватели университетов и студенты университетов). Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

ДОПОЛНИТЕЛЬНЫЕ ФАЙЛЫ

Прилагаются разрешения на запись видео, с которого были использованы изображения для ссылки на наблюдение за функциональными способностями у детей с трудностями в обучении.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Результаты исследования показали, что средняя продолжительность фиксации на соответствующих стимулах была больше среди участников с предыдущими знаниями. Аналогичным образом, основное внимание в этой группе уделяется средним точкам информации (проксимальной и дистальной)7. Результаты этого исследования выявили различия в способах обработки информации участниками. Кроме того, их обработка не всегда была связана с первоначальной группировкой (Студенты Университета Опыта, Преподаватели университетов и Аспиранты). Эти различия были обнаружены в отношении анализа визуального положения участников на X-оси в фиксациях на изображениях, представленных в видео обучения. В кластере 2 были обнаружены самые высокие частоты фиксации позиции X, фиксации позиции Y, фиксации среднего диаметра зрачка, дисперсии фиксации X- и Y-оси. Этот факт совпадает с тем фактом, что члены кластера 2 сами были членами группы преподавателей университета, имели предыдущие знания по этому предмету и получили наивысший балл в тесте по проверке результатов. Кроме того, уместно отметить, что большинство участников исследования (85,43%), независимо от их группы происхождения, находились в группе 3, где они получили самые низкие результаты в тесте проверки.

Другим актуальным аспектом этого протокола является представление информации в видео с SRL. Эта форма представления, с одной стороны, направляет и фокусирует внимание, а с другой стороны, сводит к минимуму индивидуальные действия каждого участника, то есть объединяет способ доступа к информации. В случае необходимости, это аспект, который может компенсировать возможные дефициты или трудности в обработке. Свидетельством этого заявления является то, что не было обнаружено существенных различий в результатах обучения между тремя группами, при этом средний интервал производительности (3,60, 4,86) установлен на уровне 5. Значительные различия были обнаружены только в параметрах продолжительности утечки обработки (параметр, используемый для анализа входных данных, перманентности и времени вывода для каждого стимула, вставленного в каждый AOI) и средней продолжительности фиксации (этот параметр относится к более длительным фиксациям, что указывает на то, что участник тратит больше времени на анализ и интерпретацию содержания информации в различных AOIs) в начальный момент обработки, но не в конце. Самые длинные времена в этих параметрах были обнаружены среди группы аспирантов и студентов Университета опыта в этом исследовании. Эти результаты подтверждаются выводами других исследований4,12,15. Наконец, этот протокол может быть применен для изучения различий при обработке информации, в зависимости от этапа кодирования студента.

Исходя из вышесказанного, первый вывод заключается в том, что использование методики слежения за глазами при выполнения поставленных задач предоставило полезные данныедля изучения обработки информации 1,2. Аналогичным образом, данные, извлеченные из технологии слежения за глазами и проанализированные с помощью неконтролируемых методов обучения (кластеризации), способствовали знанию кластеров в соответствии сзаранее определенными параметрами 11,15. Этот аспект очень актуален для изучения обработки информации в каждом участнике и для предложения, касающегосяперсонализированных образовательных ответов 3,4,5,6,22,23, что,как ожидается, приведет к более эффективномуобучению 23.

Важно также отметить, что результаты экспериментального подтвердили результаты других исследований в отношении: различия в обработке в соответствии с начинающим экспертом переменных и возраст участников, а также использование материалов SRL, которые сводят к минимуму последствия этих переменных и увеличиваетожидаемую производительность участников 7,8,9,10.

Однако необходимо относиться к любому обобщению этих результатов с осторожностью, поскольку была применена удобная выборка, а работа была сосредоточена на конкретном содержании, относящемся к истории искусства. Таким образом, выборка будет расширена в будущих исследованиях и выводы будут проверены в других дисциплинах.

Как указано во введении, представление информации в мультимодальных образом через различные информационные каналы (слуховые, визуальные или оба) с методологией SRL, наряду с использованием глаз отслеживания технологии и машинного обучения методы, является ключом к пониманию того, как участники обработки информации, с тем чтобы предложить персонализированный дизайн обучения в соответствии с образовательными потребностями каждого пользователя и, как следствие, способствоватьуспешному обучению и его развитию среди всех студентов 29,30.

В целом, использование метода слежения за глазами не является методологией обычного применения в образовательных рамках, обусловленной в основном факторами затрат, от материальных до личных ресурсов. Тем не менее, его использование начинает расти мало-по мало, и важно, чтобы его обычное использование в наблюдении задач в автоматическом обучении. Преимущество этой технологии слежения за глазами заключается в том, что она позволяет записывать взаимодействие учащегося с задачей, которая получила преимущества надежности и достоверности, в данном случае, при простом наблюдении за учебным процессом. Кроме того, методология слежения за глазами предлагает различные методы регистрации визуализации информации, и эта информация в базах данных также может быть проанализирована с помощью компьютерных программ или более мощных инструментов. Таким образом, он открывает широкий спектр возможностей для исследования в естественных контекстах.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Авторы заявляют, что у них нет конкурирующих финансовых интересов.

Acknowledgments

Работа была разработана в рамках проекта "Саморегулируемое обучение в SmartArt Erasmus" Образование для взрослых" 2019-1-ES01-KA204-095615-Координатор 6, финансируемый Европейской комиссией. Видеозапись этапа завершения задачи имела предварительное информированное согласие Рут Веласко Саиса. Мы высоко ценим участие преподавателей и студентов в этапе реализации задач.

Materials

Name Company Catalog Number Comments
iViewer XTM iViewer
SMI Experimenter Center 3.0 SMI
SMI Be Gaze SMI

DOWNLOAD MATERIALS LIST

References

  1. 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).
  2. 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).
  3. 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).
  4. 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).
  5. 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).
  6. Alemdag, E., Cagiltay, K. A systematic review of eye tracking research on multimedia learning. Computers & Education. 125, 413-428 (2018).
  7. 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).
  8. 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).
  9. Mayer, R. E. Using multimedia for e-learning. Journal of Computer Assisted Learning. 33 (5), 403-423 (2017).
  10. 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).
  11. 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).
  12. 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).
  13. 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).
  14. Maltz, M., Shinar, D. Eye Movements of Younger and Older Drivers. Human Factors. 41 (1), 15-25 (1999).
  15. Burch, M., Kull, A., Weiskopf, D. AOI rivers for visualizing dynamic eye gaze frequencies. Computer Graphics Forum. 32 (3), 281-290 (2013).
  16. 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).
  17. 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).
  18. 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).
  19. 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).
  20. 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).
  21. 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).
  22. 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).
  23. 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).
  24. 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).
  25. 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).
  26. 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).
  27. 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).
  28. 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).
  29. 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).
  30. 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).
  31. IBM Corp. SPSS Statistical Package for the Social Sciences (SPSS) (Version 24). , Madrid, Spain. (2016).
  32. Orange Software Package. , Available from: https://orange.biolab.si/docs/ (2020).

Tags

Поведение выпуск 172 отслеживание глаз саморегулируемое обучение анализ задач анализ поведения анализ данных
Технологии слежения за глазами и методы обработки данных, используемые для поведенческого анализа взрослых, участвующих в учебных процессах
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Sáiz Manzanares, M. C., Payo… More

Sáiz Manzanares, M. C., Payo Hernanz, R. J., Zaparaín Yáñez, M. J., Andrés López, G., Marticorena Sánchez, R., Calvo Rodríguez, A., Martín, C., Rodríguez Arribas, S. Eye-tracking Technology and Data-mining Techniques used for a Behavioral Analysis of Adults engaged in Learning Processes. J. Vis. Exp. (172), e62103, doi:10.3791/62103 (2021).

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