Waiting
Login processing...

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

Behavior

Ögonspårningsteknik och datautvinningstekniker som används för en beteendeanalys av vuxna som deltar i inlärningsprocesser

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

Vi presenterar ett protokoll för en beteendeanalys av vuxna (i åldrarna 18 till 70 år) som är engagerade i inlärningsprocesser och utför uppgifter utformade för självreglerat lärande (SRL). Deltagarna, universitetslärarna och studenterna samt vuxna från University of Experience övervakades med ögonspårningsenheter och data analyserades med datautvinningstekniker.

Abstract

Beteendeanalys av vuxna som ägnar sig åt inlärningsuppgifter är en stor utmaning inom vuxenutbildningen. I en värld av ständiga tekniska förändringar och vetenskapliga framsteg finns det idag ett behov av livslångt lärande och utbildning inom både formella och icke-formella utbildningsmiljöer. Som svar på denna utmaning ger användningen av ögonspårningsteknik respektive datautvinningsteknik för övervakad (främst förutsägelse) och oövervakad (särskilt klusteranalys) inlärning metoder för att upptäcka former av lärande bland användare och/eller klassificering av deras inlärningsstilar. I denna studie föreslås ett protokoll för studier av inlärningsstilar bland vuxna med och utan förkunskaper i olika åldrar (18 till 69 år) och vid olika tidpunkter under hela inlärningsprocessen (start och slut). Statistisk variansanalys innebär att skillnader kan upptäckas mellan deltagarna efter typ av elev och tidigare kunskaper om uppgiften. På samma sätt kastar användningen av oövervakade inlärningsklustertekniker ljus på liknande former av lärande bland deltagarna i olika grupper. Alla dessa uppgifter kommer att underlätta personliga förslag från läraren för presentation av varje uppgift på olika punkter i informationskedjan. Det blir också lättare för läraren att anpassa undervisningsmaterialet till inlärningsbehoven hos varje elev eller grupp av studenter med liknande egenskaper.

Introduction

Ögonspårningsmetodik tillämpad på beteendeanalys i lärande
Ögonspårningsmetodik, bland andra funktionella användningsområden, tillämpas på studier av mänskligt beteende, särskilt under uppgiftsupplösning. Denna teknik underlättar övervakning och analys under slutförandet av inlärningsuppgifter1. Specifikt kan uppmärksamhetsnivåerna hos studenter vid olika punkter i inlärningsprocessen (start, utveckling och slut) i olika ämnen (historia, matematik, vetenskap etc.) studeras med hjälp av ögonspårningsteknik. Dessutom, om uppgiften inkluderar användning av videor med en röst som vägleder inlärningsprocessen, underlättas självreglerad inlärning (SRL). Därför föreslås implementering av eyetracking-teknik i analysen av uppgifter som SRL (som inkluderar användning av videor) som en betydande resurs för att förstå hur lärande utvecklas2,3,4. Denna kombination kommer också att innebära att skillnaderna mellan undervisningsmetoder (med eller utan SRL etc.) kan kontrolleras med olika typer av studenter (med eller utan förkunskaper etc.) 5.Presentationen av flerkanalsinformation (samtidig presentation av både auditiv och visuell information, oavsett om den är muntlig, skriftlig eller bildmässig) kan däremot underlätta både registrering och analys av relevant kontra icke-relevant information från ovannämnda variabler6. Studenter med förkunskaper som exponeras för multimediainlärningskanaler verkar lära sig mer effektivt än de med liten eller ingen förkunskaper. Studenter med hög grad av förkunskaper i ämnet kommer att integrera text- och grafisk information mer effektivt7. Denna funktion har observerats i inlärningen av texter8 som innehåller bilder9. Eyetracking-teknik ger information om var uppmärksamheten är fokuserad och hur länge. Dessa data ger insikt i utvecklingen av en inlärningsprocess på ett mer exakt sätt än genom enkel observation av resolutionsprocessen under slutförandet av en uppgift. Analysen av dessa indikatorer underlättar också studien av om studenten utvecklar djupt eller ytligt lärande. Dessutom underlättar förhållandet mellan dessa data och inlärningsresultaten valideringen av den information som erhållits med ögonspårningsteknik4,10. Faktum är att denna teknik tillsammans med SRL i allt högre grad används i högre utbildning och i vuxenutbildning11 lärmiljöer, både på reglerade och på icke-reglerade kurser12.

Ögonspårningsteknik erbjuder olika mätvärden: avstånd, hastighet, acceleration, densitet, spridning, vinkelhastighet, övergångar mellan AOI (Areas of Interest), sekventiell ordning av AOI, besök i fixeringarna, saccades, skanningsbanan och värmekartaparametrarna. Tolkningen av dessa uppgifter är dock komplex och kräver användning av övervakade (regression, beslutsträd osv.) och oövervakade (k-medel klustertekniker osv.) 13,14 datautvinningstekniker. Dessa mått kan tillämpas för att övervaka beteendet hos samma ämne över tid eller för en jämförelse mellan flera ämnen och deras prestanda med sammauppgift 15, genom att analysera skillnaden mellan deltagare med förkunskaper kontra ingen tidigare kunskap16. Ny forskning11,17 har visat att nybörjare lärlingar fixera längre på stimuli (dvs. det finns en större fixeringsfrekvens medan liknande scan-path mönster registreras). Den genomsnittliga varaktigheten av fixering var längre för experter än för nybörjare. Experterna presenterade sitt fokus på informationens mittpunkter (proximala och centrala), skillnader som också kan ses i visualiseringspunkterna inom AOI på värmekartorna.

Tolkning av mätvärden i ögonspårning
Nyligengenomförda studier 18 har visat att informationsförvärv är relaterat till antalet okulär fixeringar på stimuli. Ett annat viktigt mått är saccade, som definieras som den snabba och plötsliga rörelsen för en fixering med ett intervall på [10 ms, 100 ms]. (2015)18 fann skillnader i antalet saccades, beroende på studentens informationskodningsfas. En annan relevant parameter är skanningssökvägen, ett mått som fångar den kronologiska ordningen för de steg som deltagaren utför för att lösa inlärningsuppgiften inom AOI som definieras avforskaren 18. På samma sätt kan ögonspårningsteknik användas för att förutsäga deltagarens förståelsenivå, som verkar vara relaterad till antalet fixeringar. Nyligen genomförda studier har visat att variation i blickbeteende bestäms av bildens egenskaper (position, intensitet, färg och orientering), instruktionerna för att utföra uppgiften och typen av informationsbehandling (inlärningsstil) för deltagaren. Dessa skillnader upptäcks genom att analysera studentens interaktion med de olika AOI19. Kvantitativa20-tekniker (frekvensanalys) och/eller kvalitativaeller dynamiska 21-tekniker (genomsökningssökväg) kan användas för att analysera data som samlats in från de olika mätvärdena. De tidigare teknikerna analyseras med traditionella statistiska tekniker (frekvensanalys, genomsnittlig skillnad, variansskillnad etc.) och de senare analyseras med maskininlärningstekniker (euklidiska avstånd med strängredigeringsmetoder21,22och klustring17). Tillämpningen av dessa tekniker underlättar klustring genom att överväga olika egenskaper hos försökspersonerna. En studie17 fann att desto mer expert studenten, desto effektivare är den rumsliga och tidsmässiga informationsbehandlingsstrategi som genomförs. En beskrivande tabell över de mätparametrar som användes i denna studie finns nedan i tabell 1.

Tabell 1: De flesta representativa parametrar som kan erhållas med ögonspårningstekniken, anpassad från Sáiz, Zaparaín, Marticorena och Velasco (2019). 20 (på 20)   Klicka här för att ladda ner den här tabellen.

Tillämpning av ögonspårningsmetoden på studien av inlärningsprocessen
Användningen av de tekniska framstegen och de dataanalystekniker som beskrivsovan 5 kommer att öka precisionen i beteendeanalysen av elever under problemlösning i de olika faserna av informationsbehandling (uppgiftsinitiering, informationsbehandling och uppgiftslösning). Det kommer alla att underlätta individuell beteendeanalys, vilket i sin tur kommer att tillåta gruppering av studenter med liknande egenskaper24. På samma sätt, prediktiva tekniker (beslutsträd, regressionstekniker etc.) 25 kan tillämpas på lärande, både relaterat till antalet korrigeringar och till varje elevs uppgiftsupplösningsresultat. Denna funktionalitet är ett mycket viktigt framsteg i kunskapen om hur varje elev lär sig och för förslaget om personliga inlärningsprogram inom olika grupper (personer med eller utan inlärningssvårigheter26). Därför kommer användningen av denna teknik att bidra till uppnåendet av anpassning och optimering av lärande27. Livslångt lärande måste förstås som en cykel av ständiga förbättringar eftersom kunskapen om samhället ständigt utvecklas och utvecklas. Evolutionspsykologi indikerar att upplösningsförmåga och effektivitet i informationsbehandling minskar med åldern. Specifikt har saccade frekvens, amplitud och hastighet av ögonrörelser bland vuxna visat sig minska med åldern. Dessutom, i äldre åldrar, är uppmärksamheten fokuserad på de nedre områdena av visuella scener, vilket är relaterat till underskott iarbetsminnet 14. Aktiveringen ökar dock i frontal- och prefrontala områden i en äldre ålder, vilket verkar kompensera för dessa brister i uppgiftsresolutionen. Denna aspekt inkluderar nivån på förkunskaper och de kognitiva kompensationsstrategier som ämnet kan tillämpa. Erfarna deltagare lär sig mer effektivt, eftersom de hanterar uppmärksamhet mer effektivt, på grund av tillämpningen av automatiserade övervakningsprocesser28. Dessutom, om den information som ska läras förmedlas genom SRL-tekniker, mildras de ovannämnda bristerna17. Användningen av sådana tekniker innebär att visuella spårningsmönster är mycket lika, både hos ämnen utan förkunskaper och i ämnen med förkunskaper7.

Sammanfattningsvis är analysen av multimodala flerkanalsdata om SRL som erhållits med hjälp av avancerad inlärningsteknik (eyetracking) nyckeln till att förstå interaktionen mellan kognitiva, metakognitiva och motiverande processer och deras inverkan pålärande 29. Resultaten och studien av skillnader i lärande har konsekvenser för utformningen av läromedel och intelligenta handledningssystem, som båda kommer att möjliggöra personligt lärande som sannolikt kommer att vara mer effektivt och tillfredsställande för studenten30.

I denna forskning ställdes två utredningsfrågor: (1) Kommer det att finnas betydande skillnader i inlärningsresultat och i parametrarna för okulär fixering mellan studenter och experter kontra icke-expertlärare i konsthistoria som skiljer studenter med officiella examina jämfört med studenter med icke-officiella examina (University of Experience - Adult education)? och (2) Kommer kluster av varje deltagare med inlärningsresultat och okulär fixeringsparametrar att sammanfalla med typen av deltagare (studenter med officiella examina, studenter med icke-officiella examina (University of Experience - Adult education) och lärare)?

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Detta protokoll utfördes i enlighet med de förfarandemässiga bestämmelserna från den bioetiska kommittén vid universitetet i Burgos (Spanien) nº Nº IR27/2019. Innan deltagarna deltog hade de blivit fullt medvetna om forskningsmålen och hade alla gett sitt informerade samtycke. De fick ingen ekonomisk ersättning för sitt deltagande.

1. Rekrytering av deltagare

  1. Rekrytera deltagare bland en grupp vuxna inom två miljöer (studenter och lärare), med en ålder på 18 till 69 år i högskolemiljön (formell och icke-formell utbildning).
  2. Inkludera deltagare med normal eller korrigerad till normal syn och hörsel.
  3. Exkludera deltagare med neurologiska, psykiatriska och sömnstörningar, funktionshinder relaterade till pedagogiska särskilda behov, perceptuella svårigheter (nedsatt syn och hörsel) och kognitiva funktionshinder.
    OBS: I denna studie arbetade vi med ett urval av 40 deltagare, 6 studenter från University of Experience (en deltagare uteslöts i kategorin studenter från universitetet på grund av visuella svårigheter), 25 universitetsprofessorer inom disciplinerna hälsovetenskap, teknik och historia och arv samt 9 grund- och magisterstudenter efter kurser i hälsovetenskap, ingenjörsvetenskap och historia och arv. Deltagarna hade inga kognitiva, hörsel- eller synproblem, och de hade alla normal eller korrigerad till normal syn (tabell 2). Därför eliminerades en av deltagarna innan experimentet startade eftersom nystagmus hade upptäckts på honom och därför tillämpades uppgiften på ett urval av 39 deltagare. Deltagarna fick ingen ekonomisk eller professionell ersättning. Det är därför deltagarnas motivation var hög eftersom den endast baserades på deras intresse att veta hur denna ögonspårningsmetod fungerar under en inlärningsprocess relaterad till kulturarvet, särskilt de europeiska klostrens ursprung.

Tabell 2. Provet har egenskaper.  Klicka här för att ladda ner den här tabellen.

2. Experimentellt förfarande

  1. Session 1: Insamling av informerat samtycke, personuppgifter och bakgrundskunskap
    1. Få informerat samtycke. Före testet informera varje deltagare om studiens syften och insamling, behandling och lagring av deras data. Varje deltagares samtycke ges genom att underteckna det informerade samtyckesformuläret.
      OBS: Deltagandet i denna studie var frivilligt och det fanns ingen ekonomisk belöning. Denna aspekt säkerställde att slutförandet av uppgifterna inte hade någon ekonomisk motivation. Innan uppgiften påbörjas fyller intervjuaren, en expert på området, upp ett frågeformulär med frågor om ålder, kön, yrke och förkunskaper om ämnet, i detta fall ursprunget och den historiska utvecklingen av kloster i Europa (se tabell 3). Denna studie är en del av ett europeiskt projekt (2019-1-ES01-KA204-095615-Coordinator 6) om vuxenutbildning om mänsklighetens kulturarv under hela livet; Det är därför den här typen av uppgift valdes. Varje utredare kommer att välja ämne beroende på sitt arbetsområde.

Tabell 3. Intervju frågeformulär.  Klicka här för att ladda ner den här tabellen.

  1. Session 2: Kalibrering
    1. Informera deltagaren om hur eyetracking-tekniken fungerar och hur informationen kommer att samlas in och registreras och kalibreras: "Vi kommer att använda eyetracking-teknik för att observera slutförandet av inlärningsuppgiften om ursprunget och utvecklingen av europeiska kloster. Ögonspårning är en teknik som låter dig följa din blick medan du utför aktiviteten och det har inga biverkningar, eller det är invasivt, eftersom endast ögonspårning registreras i denna studie".
    2. Förklara för deltagaren att ett giltigt test kräver korrekt positionering. Se till att deltagaren måste sitta på ett visst avstånd [45 till 60 cm] från monitorn. Avståndet beror på deltagarens höjd, ju lägre höjd, desto kortare sträcka.
    3. Informera deltagaren om att en serie punkter visas på skärmens kardinalpunkter och att deltagaren måste observera den med ögonen när varje punkt visas. Deltagaren kan flytta från en punkt till en annan med hjälp av "ange"-markören. Kalibreringsfasen har en varaktighet på 10-15 minuter.
      Obs: En eyetracking iViewer XTM, SMI Experimenter Center 3.0 och SMI Be Gaze och en bildskärm med en upplösning på 1680×1050 användes för uppgiftsupplösningsövningen. Denna utrustning registrerar okulära rörelser, deras koordinater och pupillarydiametrar i varje öga. I den här studien tillämpades 60 Hz, mätvärden för genomsökningssökväg och dynamiska skanningssökvägsmått användes och AOI-statistik fastställdes.
    4. Kontrollera kalibreringsinställningen. Den professionella som övervakar testet analyserar kalibreringsinställningen på kontrollskärmen.
      1. Utför kalibrering genom kalibreringssystemet som ingår i Eye-tracking iViewer XTM. Innan du startar den här uppgiften inser varje deltagare en visuell uppföljning av fyra punkter på en skärm till de fyra hörnen (upp till höger, upp till vänster, ned till höger, nedåt till vänster). Efteråt har programvaran en körningsverifieringsprocess av rätt position för dessa stimuli och ger information om parameterjusteringen i grader. Om denna justering är placerad mellan 0,6º ± 1 i höger och vänster öga, anses kalibreringen vara korrekt och uppgiftskörningen startar. Ett exempel på processen kan verifieras i figur 1.
        OBS: Korrekt slutförande av uppgiften beaktas när graderna i höger och vänster öga är inställda på 0,6º ± 1 standardavvikelse. I denna studie upptäcktes två kalibreringar bland gruppen universitetsprofessorer som överskred justeringskriteriet på 0,6º ± 1 och två deltagare togs därför bort. De 25 deltagarna i det första urvalet reducerades därför till 23 deltagare.

Figure 1
Figur 1. Process för ögonspårningskalibrering Klicka här för att se en större version av denna siffra.

  1. Session 3: Utföra inlärningsuppgiften
    1. Förklara innehållet i uppgiften för deltagaren. En expert på instruktionspsykologi förklarar för deltagaren vad uppgiften kommer att bestå av och hur man utför den: "Videon är 1:14 sekunder lång och består av 5 voice-over-bilder. I slutet uppmanas deltagaren att fylla i ett litet korsord för att kontrollera att informationen som presenteras i videon har förståtts".
    2. Titta på videoklippet. Videon som används i uppgiften kan visas på följande länk: https://youtu.be/HlGGgrYDTFs.
      UPPGIFTEN består i att titta på en video som ger information om ursprunget till europeiska kloster. Informationen har utarbetats av en specialist, en lärare i konsthistoria. Informationen är organiserad i två kanaler, en visuell som innehåller bilder och skriftlig information som presenteras som konturer och en annan ljud eftersom en SRL-specialistlärare talar genom hela videon och insisterar på det viktigaste innehållet med verbal betoning.
    3. Utför korsordet på en Moodle-baserad virtuell plattform. Om du klickar på korsordsikonen tar du deltagaren till en virtuell plattform där korsordet kan slutföras för att kontrollera om kunskapen har förvärvats. Korsordet presenteras i figur 2.

Figure 2
Figur 2. Korsord för att kontrollera den förvärvade kunskapen. Klicka här om du vill visa en större version av den här figuren.

  1. Session 4: Dataanalys
    1. Välj intresseområden (AOI). AOIs definieras i videon och är indelade i AOIs som innehåller relevant information jämfört med AOIs som innehåller icke-relevant information.
      OBS: AOI-tilldelningen realiseras av experimenteraren som bestämmer vilka som är relevanta eller irrelevanta AOIs i förhållande till den presenterade informationen.
    2. Extrahera databasen som relaterar till parametrarna för AOI-korrigeringar ("Testtid för händelsestart", "Testtid för händelseslut" och "Händelsevaraktighet"; "Fixeringsposition X", "Fixeringsposition Y", "Fixeringsgenomsnitt Elevstorlek", "Fixeringsmedelstorlek Y px", "Fixeringsmedel elevens diameter", "Fixeringsspridning X" och "Fixeringsspridning Y").
    3. Importera databasen till ett programpaket för statistisk bearbetning och välj alternativet analysera och klassificera sedan, följt av alternativet k-medel kluster. Välj sedan korstabell i det statistiska programvarupaketet, till exempel SPSS, följt av alternativet "ANOVA", för att analysera skillnaderna mellan deltagarna (typ av vuxengrupper och graden av förkunskaper) med avseende på deras AOI Fixation-parametrar31.
      OBS: Kluster- eller klusteranalys är en "oövervakad" maskininlärningsteknik, och inom k-medel är det en grupperingsmetod, vars syfte är att dela upp en uppsättning n observationer i k-grupper, där varje observation tillhör den grupp som har det närmaste medelvärdet. I det här experimentet betyder k- att klustring användes för att kontrollera kluster av deltagare i inlärningsuppgiften. Denna korrespondens är viktig, eftersom den erbjuder läraren eller terapeuten information om den homogena funktionella utvecklingen av användare som går utöver diagnosen, vilket ger information för att föreslå liknande interventionsprogram inom vissa områden av funktionell utveckling. Detta alternativ förväntas underlätta full användning av den pedagogiska eller terapeutiska tjänsten och dess personliga och materiella resurser.
    4. Utför en visualiseringsanalys av de data (beskrivande och klusteranalys) som bearbetas med hjälp av en visualiseringsprogramvara som Orange32.
    5. Extrahera data om parametrarna för detaljerad statistik: Uppehållstid, sneblickslängd, avledningslängd, antal blickar, fixeringsantal, genomsnittlig fixering och varaktighet och importera sedan databasen till ett statistiskt programpaket. Välj alternativet "ANOVA" i statistikpaketet och gör sedan en visualiseringsanalys av de data som bearbetades (medel). Använd kalkylbladet för att generera ett spindeldiagram och specifika stapeldiagram för deltagargrupperna.
  2. Session 5: Förslag på personligt lärande
    1. Utför ett interventionsprogram för att förbättra inlärningsresultaten bland deltagarna som identifieras i klusteranalysen på grund av deras lägre poäng.
      OBS: En sammanfattning av de faser som följs i försöksförfarandet visas i figur 3.

Figure 3
Bild 3. Faser av försöksförfarandet. Klicka här om du vill visa en större version av den här figuren.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

De 36 deltagare som rekryterades till denna studie kom från tre grupper av vuxna (studenter från universitetet med erfarenhet, universitetsprofessorer och grund- och magisterstudenter) med åldrar mellan [18 och 69] år (tabell 2). Protokollet testades under 20 månader vid universitetet i Burgos. En översikt över utvecklingen kan ses i tabell 4.

Tabell 4. Översikt över utvecklingen av analysprotokollet för inlärningsbeteende.  Klicka här för att ladda ner den här tabellen.

För det första analyserades korrigeringens parametrar för blickposition (tabell 5). I den här studien, med hjälp av en video, var start- och sluttiden densamma för alla deltagare: starta 0 ms och avsluta 1:14 s, varaktighet 1:14 s.

Tabell 5. Parameterresultat för korrigeringar.  Klicka här för att ladda ner den här tabellen.

Figur 4 visar ett diagram över de uppgifter som utvecklats av de tre grupperna med avseende på fixeringsparametrarna. Gruppen av män och kvinnor i var och en av de deltagande grupperna (University of Experience Students, University Teachers och Graduate & Master's Students) fullföljde var och en uppgifterna på olika sätt.

Figure 4
Figur 4. Diagram över de tre grupperna och deras utveckling av uppgiften relaterad till fixeringsparametrarna. Klicka här om du vill visa en större version av den här figuren.

En ANOVA med två faktorer med fasta effekter (typ av deltagare och tidigare kunskaper) tillämpades sedan för att kontrollera om det fanns betydande skillnader i parametrarna för fixeringspositioner mellan de tre grupperna (Studenter vid University of Experience, universitetsprofessorer och universitetsstudenter). Inga signifikanta skillnader hittades i någon av fixeringsparametrarna, men en trend mot skillnader för fixeringsmedelstorlek Y, fixeringsmedel elevdiameter och fixeringsspridning X noterades, men med låga effektvärden (se tabell 6).

Tabell 6. Tvåfaktors ANOVA med fasta effekter (typ av deltagare och förkunskaper) och effektvärde.  Klicka här för att ladda ner den här tabellen.

Därefter tillämpades k-medelklustret för att studera om det fanns olika grupperingar i den ursprungliga forskargruppen (University of Experience studenter, universitetsprofessorer och universitetsstudenter) med avseende på resultaten i parametrarna för fixeringspositioner, tidigare kunskaper och korsordsresultaten. Tre kluster hittades (tabell 7). En visualisering av klustren kan ses i figur 5.

Tabell 7. Sista klustercenter.  Klicka här för att ladda ner den här tabellen.

Därefter utarbetades en tvärtabell mellan värdena för det kluster av gruppmedlemskap som tilldelats varje deltagare med avseende på kategoritypen deltagare (studenter vid University of Experience, universitetsprofessorer och universitetsstudenter) (Tabell 8). Figur 5 visar deltagarnas position inom klustren med avseende på de tre grupperna för parametrarna för fixeringsposition.

Tabell 8. Deltagare * Kluster antal korstabellering av ärende.  Klicka här för att ladda ner den här tabellen.

En ANOVA med två faktorer med fast effekt, "deltagargrupp" och "bakgrund" utfördes för följande parametrar för ögonspårningsmätning: Uppehållstid, Blickvaraktighet, Avledningslängd, Antal blickar, Antal korrigeringar, Medelvärde och Varaktighet som erhållits i aktivitetens startfas (bild 1) och i aktivitetsslutfasen (bild 5) (tabell 6). Signifikanta skillnader hittades beroende på bakgrundskunskapsvariabeln i avledningstid 1 (analys av indata, uppehåll och utgångstid för varje stimulans som infogats i varje AOI). Slutsatsen kan därför dras att sättet att komma in, stanna kvar och lämna de olika AOIs var olika, beroende på variabeln "deltagargrupp" under den inledande fasen av informationsåtkomst (F2,32 = 4,07, p = 0,03, η2 = 0,23). Skillnader hittades också i parametern Genomsnittlig fixeringstid (längre korrigeringar avser deltagaren som spenderar mer tid på att analysera och tolka informationsinnehållet inom de olika AOIs (F2,32 = 3,53, p = 0,04, η2 = 0,21). Bonferronis genomsnittliga differenstest tillämpades för att fastställa gruppmedlemskap, med vilket det fastställdes att de var mellan gruppen (University of Experience studenter) och gruppen universitetsprofessorer [genomsnittlig skillnad = 0,04, p = 0,04 CI 95% (0,03-2,75)]. Medlen var högre för grupp 1 (studenter från University of Experience) där deltagarna ägnade mer tid åt att analysera och tolka AOIs under datainmatningsfasen (se tabell 9 och figur 6).

Tabell 9. ANOVA med två faktorer och effektvärde för mätparametrarna för ögonspårning: Uppehållstid, blickvaraktighet, avledningslängd, antal blickar, antal korrigeringar, genomsnittlig fixering och varaktighet.  Klicka här för att ladda ner den här tabellen.

Figure 6
Figur 6. Diagram över de tre grupperna och deras utveckling av uppgiften som involverar fixeringsparametrar med avseende på förkunskapsvariablerna i början och i slutet av uppgiftsbehandlingen. Klicka här om du vill visa en större version av den här figuren.

Baserat på resultaten i denna studie föreslogs utvecklingen av ett personligt inlärningsprogram för att förbättra inlärningsresultaten för uppgiftsupplösning. Detta program fokuserades på arbetet med deltagarna grupperade i kluster 3, eftersom de fick poäng på 3 poäng av 5 i testet för att kontrollera inlärningsresultaten, som representerade 85,43% av de totala deltagarna. Deltagare från de tre studiegrupperna (University of Experience Students; Universitetslärare och doktorander hittades i detta kluster. Programmet kommer att fokusera på förstärkning av de koncept som arbetats med i videon för vilken en förlängning och specifikation av koncepten kommer att göras.

Figure 5
Figur 5. Klusteranalys av fixeringsparametrarna i de tre grupperna (Upplev universitetsstudenter, universitetsprofessorer och universitetsstudenter). Klicka här om du vill visa en större version av den här figuren.

KOMPLETTERANDE FILER

Tillstånden för inspelning av videon från vilken bilder har använts för att referera till observation av funktionella förmågor hos barn med inlärningssvårigheter bifogas.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Forskningsresultaten visade att den genomsnittliga fixeringstiden på relevanta stimuli var längre bland deltagare med tidigare kunskaper. På samma sätt är fokus för uppmärksamhet på denna grupp på de mellersta punkterna av information (proximal och distal)7. Resultaten av denna studie har visat skillnader i hur deltagarna behandlade informationen. Vidare var deras behandling inte alltid kopplad till den inledande gruppningen (University of Experience Students, University Teachers och Graduate & Master's Students). Dessa skillnader konstaterades med avseende på analysen av deltagarnas visuella position på X-axeln i fixeringarna på de bilder som presenteras i inlärningsvideon. I kluster 2 hittades de högsta frekvenserna av position X-fixering, position Y-fixering, genomsnittlig pupilldiameterfixering, X- och Y-axelfixeringsdispergering. Detta faktum sammanfaller med det faktum att medlemmarna i kluster 2 själva var medlemmar i gruppen Universitetslärare, hade tidigare kunskaper om ämnet och fick högsta poäng i resultatverifieringstestet. På samma sätt är det relevant att påpeka att de flesta deltagarna i studien (85,43 %), oavsett ursprungsgrupp, befann sig i kluster 3 där de fick de lägsta resultaten i verifieringstestet.

En annan relevant aspekt av detta protokoll är presentationen av informationen i en video med SRL. Denna form av presentation, å ena sidan, vägleder och fokuserar uppmärksamheten och å andra sidan minimerar varje deltagares individuella åtgärder, det vill säga att det förenar sättet att komma åt informationen. Vid behov är det en aspekt som kan kompensera eventuella underskott eller svårigheter vid bearbetning. Ett bevis på detta påstående är att inga signifikanta skillnader upptäcktes i inlärningsresultat mellan de tre grupperna, med det genomsnittliga prestationsintervallet [3,60, 4,86] fastställt till 5. Betydande skillnader hittades endast i parametrarna för avlednings varaktighet för bearbetningen (en parameter som används för att analysera indata, varaktighet och utdata tid för varje stimulans som infogas i varje AOI) och av genomsnittlig fixering varaktighet (denna parameter hänvisar till längre korrigeringar, vilket indikerar att deltagaren spenderar mer tid på att analysera och tolka innehållet i informationen inom de olika AOIs) i det första ögonblicket av bearbetningen men inte i slutet av den. De längsta tiderna i dessa parametrar upptäcktes bland gruppen av doktorander och erfarenhetsstudenter i denna studie. Dessa resultat stöds av slutsatserna från andra studier4,12,15. Slutligen kan detta protokoll tillämpas för att studera skillnader under informationsbehandling, beroende på studentens kodningsfas.

På grundval av ovanstående är den första slutsatsen att användningen av ögonspårningsmetoden under slutförandet av de uppgifter som tillhandahållit användbara uppgifter för studier av informationsbehandling1,2. På samma sätt underlättade de data som extraherades från ögonspårningsteknik och analyserades med oövervakade inlärningstekniker (klustring) kunskapen om kluster enligt de förutbestämdaparametrarna 11,15. Denna aspekt är mycket relevant för studier av informationsbehandling hos varje deltagare och för förslaget om personliga utbildningssvar3,4,5,6,22,23 vilket förväntas leda till effektivare lärande23.

Det är också viktigt att påpeka att de experimentella resultaten bekräftade resultaten av annan forskning med avseende på: skillnader i bearbetning enligt nybörjare-expertvariabler och deltagarålder, och användningen av SRL-material som minimerar effekterna av dessa variabler och ökar deltagarnas förväntade prestanda7,8,9,10.

Det är dock nödvändigt att behandla all generalisering av dessa resultat med försiktighet, eftersom bekvämlighetsprovtagning tillämpades, och arbetet var inriktat på specifikt innehåll som rör konsthistoria. Därför kommer urvalet att utökas i framtida forskning och resultaten kommer att kontrolleras inom andra discipliner.

Som anges i introduktionen är presentationen av information på ett multimodalt sätt genom olika informationskanaler (auditiva, visuella eller båda) med SRL-metodik, tillsammans med användning av ögonspårningsteknik och maskininlärningstekniker, nyckeln till att förstå hur deltagarna behandlar informationen för att erbjuda personlig inlärningsdesign enligt varje användares utbildningsbehov och följaktligen främja framgångsrikt lärande och dess utveckling bland alla studenter29,30.

Sammanfattningsvis är användningen av ögonspårningstekniken inte en metodik för vanlig tillämpning i utbildningsramar som i grunden beror på kostnadsfaktorer från materiella till personliga resurser. Användningen börjar dock öka lite efter en liten stund och det är viktigt att se dess vanliga användning vid observation av uppgifter i autoreglerat lärande. Fördelen med denna ögonspårningsteknik är att den tillåter registrering av elevens interaktion med uppgiften som har fördelar med tillförlitlighet och giltighet, i detta fall på den enkla observationen av inlärningsprocessen. Dessutom erbjuder ögonspårningsmetoden olika tekniker för registrerad informationsvisualisering och denna information i databaser kan också analyseras med datorprogram eller kraftfullare verktyg. Därför öppnar det en mängd olika möjligheter till utredning i naturliga sammanhang.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Författarna förklarar att de inte har några konkurrerande ekonomiska intressen.

Acknowledgments

Arbetet har utvecklats inom projektet "Självreglerat lärande i SmartArt Erasmus+ Vuxenutbildning" 2019-1-ES01-KA204-095615-Coordinator 6, finansierat av Europeiska kommissionen. Videon från uppdragets slutförandefas hade rut Velasco Sáiz förhandsgodkännande. Vi uppskattar lärarnas och elevernas deltagande i uppdragsimplementeringsfasen.

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

Beteende Problem 172 ögonspårning självreglerad inlärning uppgiftsanalys beteendeanalys datautvinning
Ögonspårningsteknik och datautvinningstekniker som används för en beteendeanalys av vuxna som deltar i inlärningsprocesser
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