Nişan Çoklu Boyutları değerlendirilmesi Öğrenme karakterize etmek: Bir Nörofizyolojik Perspektif

Bu makale, bir görev sırasında öğrencilerin katılımının çoklu boyutlarının (davranışsal, duyuşsal ve bilişsel) toplanması ve senkronize edilmesinde yer alan teknikleri tanımlamayı amaçlamaktadır.

Bu prosedürün genel amacı, öğrenme görevleri sırasında davranışsal, duygusal ve bilişsel katılımla ilgili verileri toplamak ve senkronize etmektir. Bu, önce tüm veri toplama sistemlerinin, toplanan veriler içinde bir zaman işaretçisi gönderecek bir senkronizasyon cihazı aracılığıyla bağlanmasıyla gerçekleştirilir. İkinci adım, davranışsal katılım için göz izleme ve yazılım etkileşimleri verilerini toplamaktır.

Daha sonra, bilişsel katılım karakterizasyonu için EEG verileri toplanacaktır. Son adım, uyarılma ölçümü ve otomatik yüz duygu tanıma için ELECTRODERMAL aktiviteden veya bir ED'den veya değerlik verileri oluşturmak için A FER'den gelen duygusal katılım verilerini toplamaktır. Sonuç olarak, etkileşimin üç boyutunu karakterize eden bu indeksler, senkronizasyon cihazı tarafından başlangıçta gönderilen zaman işaretlerine göre bir senkronizasyon yazılımında yeniden senkronize edilecektir.

Bu tekniğin temel avantajı, yalnızca görevlerden sonra kendi kendini değerlendiren katılım araçlarına odaklanan klasik araştırma yöntemlerinin aksine, bir öğrenme görevi sırasında öğrenci katılımının üç boyutunu ölçmesidir. Bu yöntem, çeşitli karmaşık öğrenme ortamlarında bilişi etkilemenin dinamikleri nelerdir ve çeşitli pedagojik ortamların etki ve biliş üzerindeki etkisi nedir gibi gösterge alanındaki temel soruların yanıtlanmasına yardımcı olabilir. Bu tekniğin diğer alanlarda da etkileri vardır.

Örneğin, bilgi teknolojisinde, bir web sitesinde gezinirken veya bir yazılım uygulamasını kullanırken bir kullanıcının katılımını ölçmek için bu tekniği kullanıyoruz. Bu teknik, uzun mesafeli sürücünün uyanıklık verilerinin EEG cihazları kullanılarak toplandığı nöro omikteki son çalışmalardan esinlenmiştir. Bu prosedürü gösteren, HEC Montreal'deki Tech three Lab'da araştırma görevlisi olan Gabrielle Zu, aynı zamanda göz izleyiciyi, bilgisayarları ve hoparlörleri kaydetmek için EEG amplifikatörünü açarak Neuro Lab of Begin'den araştırma görevlisi olan Igo ve Yig olacak.

EEG solüsyonunu, üreticinin önerdiği prosedürlere göre gerekli malzeme ile hazırlayın. Ardından, yaklaşan katılımcı için EEG ve göz izleme yazılımını hazırlayın. Ardından video kayıt yazılımını başlatın ve kameralar, senkronizasyon işaretçilerinin her 60 saniyede bir gönderilmesine izin veren proje için oluşturulan belirli alt rutinle senkronizasyon yazılımını başlatır.

Ardından fizyolojik ölçüm yazılımını başlatın ve proje için oluşturulan özel düzeni açın. Ardından, katılımcıyı veri toplama odasına getirin ve 10 20 referans sistemine göre katılımcının kafasındaki cz elektrot konumunu bulun. EEG ağını katılımcının kafasına yerleştirin ve her elektrotun kafa yüzeyine dik olarak yerleştirildiğinden emin olun.

Ağ konektörünü takın ve 40 kilo ohm'da bir eşik ile bir empedans kontrolü yapın. Son olarak, katılımcının sol elinin üstüne iki fizyolojik sensör yerleştirin. Veri toplamaya başlayın.

Tüm kayıt yazılımı Synchrony'de başlatılmaya hazır olduğunda, dokuz noktalı bir kalibrasyon prosedürü gerçekleştirin ve katılımcıyı ekrandaki kırmızı noktaları takip ederken gözlemleyin. Üreticinin standartlarına göre yeterli doğruluk elde edilene kadar bu prosedürü tekrarlayın, katılımcıya bilgisayarda 10 Newton fizik problemini çözmesini söyleyin. Tüm bilgisayarlarda veri alımını durdurun.

Görev tamamlandıktan sonra, katılımcıdan tüm sensörleri çıkarın. İlk olarak, EEG verilerini EEG veri analiz yazılımına aktarın. Ardından, dosyaya, ardından yeni proje'ye tıklayın ve gözat'a tıklayarak ham veri konumunu seçin.

Yeni oluşturulan ham veri klasörünü seçin. Geçmiş adlı iki klasörün daha konumunu seçin ve aynı şekilde dışa aktarın. Ardından Tamam'ı tıklayın.

Ardından, yazılım penceresinde bir filtre ve bir çentik uygulayarak beyin sinyalini önceden işlemek için dönüşümlere ve IIR filtrelerine tıklayın. Her biri için 12 desibel eğimle 1,5 ve 50 hertz'de kesme limitleri ayarlayın ve 60 hertz frekansında bir çentik etkinleştirin. Ardından DC D, dönüşümleri ve DC dre'yi tıklayarak sinyali eğilimlendirir.

İşaretleyiciden 100 milisaniye önce ve DC bağlantısından 100 milisaniye önce zamana dayalı seçeneği belirleyin. Dönüşümlere ve ham veri incelemesine tıklayarak ham veri incelemesi gerçekleştirin. Yarı otomatik muayeneyi seçin ve burada görülen voltaj, maksimum minimum ve genlik parametrelerini seçin.

Dönüşümleri ve tamamlandıktan sonra ICA'yı tıklatarak göz kırpma kaldırma için klasik küre ile otomatik bağımsız bileşen analizi veya ICA gerçekleştirin. ICA dönüşümlerine tıklayarak ters ICA'yı işleyin. Sonra ters ICA.

Son olarak, dışa aktarma ve genel veri dışa aktarmaya tıklayarak sinyali ve işaretçileri dışa aktarın. Sağ başlık dosyası ve sağ işaret dosyası etiketli kutuları seçin. Ek olarak, katılım dizininin nihai bir MATLAB yapılandırması için metin biçimini seçin.

Ardından, EEG sinyalini matlab'a aktarın. Bunu yapmak için E-E-G-L-A-B komut dosyasını başlatın. Böylece EEG laboratuvarı GUI'si matlab'da görünür.

EEG laboratuvar işlevlerini ve eklentilerini kullanarak dosya içe aktarma verilerini seçerek bir seferde bir katılımcının verilerini içe aktarın ve beyin vis rec VDR dosyasından komut penceresine bir etkileşim indeksi oluşturacak bir komut dosyası yapıştırın. Bu komut dosyası bir metin dosyası çıkaracaktır. Etkileşim dizini metin dosyasını Microsoft Excel'de açın.

Denekler arası karşılaştırmaya izin vermek için EEG verilerine bir Z-skoru normalizasyonu uygulayın. EEG ön işlemi tamamlandıktan sonra. ELECTRODERMAL aktiviteyi veya EDA verilerini fizyolojik veri analiz yazılımına aktararak fizyoloji verilerini önceden işleyin.

Ardından, konular arası karşılaştırmaya izin vermek için dönüşüm ve dalga formu matematiğine tıklayarak EDA verileri üzerinde bir z-skoru normalleştirmesi hesaplayın. Bu iki adımda yapılır. İlk olarak, birinci kaynak için EDA kanalını, matematiksel işlem penceresindeki eksi işaretini ve ikinci kaynak için K'yi seçin.

Ardından hedef menüsünde yeni'yi seçin. EDA kanalının ortalama değerini girin ve tüm dalgayı dönüştür'ü seçin. İkinci adım için Tamam'a tıklayın, dönüşüm dalga formu matematiğini tekrar açın ve birinci kaynak için EDAK kanalını, matematiksel işlem penceresindeki bölme işaretini ve ikinci kaynak için K'yi seçin.

Ardından hedef menüsünde yeni'yi seçin. EDA kanalının standart sapma değerini girin ve tüm dalgayı dönüştür'ü seçin. Son olarak, son ön işleme adımı için Tamam'ı tıklayın.

Yeni dosyaya ve ardından katılımcıya tıklayarak video verilerini medya kaydediciden otomatik yüz duygu tanıma yazılımına aktarın. Proje menüsünde yeni bir katılımcı seçin. Ardından yeni analiz ve video dosyasına tıklayın.

Birinci analizin yanındaki büyütece tıklayın ve istediğiniz video dosyasını seçin. Tanımlayıcı istatistikleri ve tanımlayıcıları analiz et seçeneğine tıklayarak SPSS'deki değerlik verilerinin zco'sunu hesaplayarak bitirin. Değişkenlerde standartlaştırılmış değeri kaydet'i seçin ve Z puanına sahip bir sütun görünecektir.

Yeni bir gözlemde dosya, içe aktarma ve video'ya tıklayarak I izleme videolarını içe aktararak başlayın. Yeni gözlemi adlandırın ve içe aktarmak istediğiniz video dosyasını seçin. Dosya, içe aktarma ve dış verileri tıklatarak tüm dış verileri içe aktarın.

EEG sinyalinin Z-skorunu, EDA sinyalinin zco'sunu ve değerlik verilerinin Z-skorunu ekleyin. İstenirse, daha fazla analiz için olay işaretçileri ekleyin. Bilgisayarlar arasında zamanlamayı senkronize etmek için, her bir veri kaynağı çifti arasındaki süreyi saniye cinsinden girmek için kontrol shift tuşuna basarak ofset menüsünü açın ve eşittir işareti sayısal ofseti seçin.

Tamam'a tıklayın. Ardından, analiz et, veri seç'e ve yeni veri profiline tıklayarak raporda oluşturulacak ilginç değişkenleri seçin. Analiz etmek istediğiniz olayı seçin ve Tamam'a tıklayın.

Ardından, start ve nest tablosunun yanı sıra Nest ve results tablosu arasına da bir bağlantı çizgisi ekleyin. Tıklayarak raporu oluşturun, sayısal analizi ve yeni tıklama istatistiklerini analiz edin ve harici veriler menüsü altındaki ortalamanın yanındaki kutuyu işaretleyin. Ardından Tamam'ı tıklayın.

Düzen'e tıklayın ve dış verilerin sütunlarda olduğundan ve sonuç kapsayıcılarının satırlarda göründüğünden emin olun. Tıklayarak bitirin. Tamam. Son olarak, yazılımın oluşturulan raporda yer alan hesaplamaları güncellemesi için hesapla düğmesine tıklayın.

Bu deneyde, birden fazla bilgisayar kullanılarak davranışsal, bilişsel ve duygusal dahil olmak üzere etkileşim verilerinin birçok boyutu senkronize edilir. Konunun taban çizgisini oluşturmak için, görevde duraklamanın sonunda burada bir duraklama olan bir noktaya ait verileri kullanmak yararlıdır. EEG bilişsel katılımı, bir sonraki görev beklentisiyle hafifçe yükseliyor ve uyarılma hala düşüyor.

Problem çözme görevi sırasında katılımcının gözleri kapalı olduğu için değerlik verileri eksiktir. Denek üçüncü satırı okurken, uyarılmalarının zirveye ulaştığını görebilirsiniz. Duygusal değerlik nötrdür ve EEG bilişsel katılımı bir kez ustalaştığında maksimumdur.

Bu teknik, geliştirildikten sonra deney başlamadan önce yaklaşık 30 dakikalık bir konu hazırlığını içerir. Bu teknik, araştırmacıların ve uygulayıcıların bir bilgi teknolojisinin yanı sıra video oyun endüstrisinde de kullanıcıların davranışsal, duygusal ve bilişsel yönlerini gerçek zamanlı olarak izlemelerinin önünü açacaktır. Herhangi bir düzenleme yaklaşımında önemli bir adım senkronizasyondur ve tüm cihazlar arasında doğru bir zamanlamaya sahip olmak için bu prosedürün hassasiyeti her deneyden önce ve sonra test edilmelidir.

Bu videoyu izledikten sonra, bir öğrenme görevi sırasında katılımın davranışsal, duygusal ve bilişsel boyutlarının etkileşiminin dinamiğini daha iyi anlamak için senkronize psikofizyolojik verilerin nasıl toplanacağını artık iyi anlamış olmalısınız.