Nişan Çoklu Boyutları değerlendirilmesi Öğrenme karakterize etmek: Bir Nörofizyolojik Perspektif
July 1st, 2015
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.
View the full transcript and gain access to thousands of scientific videos
Genel Bakış
Bu makale, öğrenme görevleri sırasında davranışsal, duygusal ve bilişsel katılımı toplamak ve senkronize etme tekniklerini açıklamaktadır. Çalışma, öğrenme sürecini daha iyi anlamak için öğrenci katılımının birden fazla boyutunu entegre etmeye odaklanmaktadır.
Çalışmanın Ana Bileşenleri
Bilim Alanı
- Sinirbilim
- Psikoloji
- Eğitim Teknolojisi
Arka Plan
- Katılım, davranış, duygu ve bilişin dahil olduğu çok boyutlu bir yapıdır.
- Katılımı anlamak eğitim sonuçlarını iyileştirebilir.
- Çeşitli kaynaklardan gelen verilerin senkronizasyonu doğru analiz için kritik öneme sahiptir.
- Teknolojik gelişmeler kapsamlı veri toplamayı mümkün kılar.
Çalışmanın Amacı
- Öğrenci katılımının farklı boyutları hakkında veri toplamak.
- Bu verileri daha iyi analiz ve anlama için senkronize etmek.
- Katılımı ölçmek için gelişmiş teknikler kullanmak.
Kullanılan Yöntemler
- Veri toplama sistemlerini senkronizasyon cihazı aracılığıyla bağlama.
- Davranışsal katılım için göz takip ve yazılım etkileşim verileri toplama.
- Bilişsel katılım karakterizasyonu için EEG verileri toplama.
- Elektrodermal aktivite ve yüz ifadesi tanıma yoluyla duygusal katılımı ölçme.
Ana Sonuçlar
- Davranışsal, duygusal ve bilişsel verilerin başarılı senkronizasyonu.
- Öğrenci katılımının anahtar göstergelerinin tanımlanması.
- Etkili veri toplama tekniklerinin gösterimi.
- Farklı katılım boyutları arasındaki etkileşim hakkında içgörüler.
Sonuçlar
- Çok boyutlu katılım etkili bir şekilde ölçülebilir ve analiz edilebilir.
- Verilerin senkronizasyonu öğrenci davranışının anlaşılmasını artırır.
- Gelecek araştırmalar bu yöntemler üzerinde gelişerek katılımı daha fazla keşfedebilir.
Sıkça Sorulan Sorular
Executive Industry Relevance
This methodology enables synchronized, multi-dimensional measurement of behavioral, emotional, and cognitive engagement during learning tasks, offering a neurophysiological framework for assessing user interaction with digital systems. In biopharma R&D, such approaches can inform the design of adaptive training platforms for clinical trial staff, enhance engagement metrics in patient-reported outcome tools, and support mechanistic de-risking in neurocognitive therapeutic development by providing quantifiable, real-time indices of attentional and affective states. The integration of EEG, electrodermal activity, eye tracking, and facial recognition delivers a systems-level view of engagement dynamics, aligning with target validation efforts that require objective, multi-parametric biomarkers of cognitive and emotional response.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Enables interrogation of therapeutic hypotheses by correlating neurophysiological engagement markers with cognitive load and emotional valence during task performance.
- Operational Value: Supports functional target validation through objective, real-time measurement of arousal and attention via synchronized EEG and electrodermal signals.
- Predictive Confidence: Provides quantitative, multi-dimensional data to de-risk mechanisms involving attention, emotion, and cognition in neuropsychiatric disease models.
Screening & Assay Development
- Assay Readiness: Produces standardized, z-scored engagement indices from EEG, electrodermal, and facial valence data suitable for high-throughput screening of cognitive modulators.
- Reproducibility: Employs time-stamped synchronization markers every 60 seconds to ensure temporal alignment across multimodal data streams, enhancing assay reliability.
- Quantitative Output: Generates normalized engagement indices that allow intersubject comparison and statistical analysis of compound effects on behavioral, emotional, and cognitive domains.
Translational & Preclinical Research
- Disease Relevance: Offers a translational biomarker framework for neuropsychiatric conditions where engagement dimensions are disrupted, such as attention deficit or depressive disorders.
- Preclinical Continuity: Supports risk-adjusted advancement by linking target modulation to measurable changes in synchronized engagement metrics across species or model systems.
- Mechanistic De-risking: Clarifies whether cognitive improvements are accompanied by appropriate emotional and behavioral engagement, reducing false-positive leads in CNS drug discovery.
Pipeline & Workflow Integration
This method fits within the discovery continuum from target validation through lead identification to preclinical efficacy, particularly for compounds targeting cognitive and emotional processing pathways where multi-dimensional engagement serves as a functional readout.
- Discovery Biology: Facilitates hypothesis testing by revealing how perturbations in neural systems affect the dynamic interplay between attention, arousal, and valence during cognitive tasks.
- Screening: Delivers assay-ready, synchronized engagement metrics that enable reliable comparison of test compounds across behavioral, emotional, and cognitive dimensions.
- Analytics: Provides z-scored EEG, electrodermal, and valence outputs that support statistical comparison and effect size calculation in screening campaigns.
- Translational Research: Connects target engagement to preclinical validation through alignment with established neuropsychological constructs of engagement, supporting biomarker qualification.
- Enterprise Reuse: Establishes a reusable neurophysiological platform for assessing user or patient engagement across training, assessment, and therapeutic response monitoring workflows.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence by reducing mechanistic ambiguity through concurrent measurement of behavioral, emotional, and cognitive engagement.
- Operational Value: Enhances standardization and reproducibility via synchronized data acquisition and z-score normalization across multimodal physiological streams.
- Strategic Value: Improves go/no-go decisions by offering multi-parametric engagement profiles that capture holistic neurobehavioral responses to interventions.
- Portfolio Impact: Enables risk-adjusted prioritization by identifying compounds that modulate target engagement without inducing dissociated emotional or attentional effects.
Implementation Considerations
- Requires expertise in neurophysiology, signal processing, and multimodal data integration to manage EEG, electrodermal, eye tracking, and facial recognition systems.
- Dependent on specialized hardware and software for synchronization, including trigger devices and alignment tools to correct inter-device latency.
- Necessitates cross-team standardization of data preprocessing pipelines, including filtering, artifact removal (e.g., ICA for blink correction), and z-score transformation for intersubject comparability.
- Involves adaptation challenges when applying the protocol across different model systems or environmental contexts due to sensor placement and baseline variability.
- Limited by the need for controlled settings to minimize motion artifacts and ensure data quality, particularly during prolonged cognitive tasks.
Biopharma FAQs
Chapters in this video
0:05
Title
2:20
Equipment and Participant Setup
3:51
Data Collection
4:36
Pre-processing of EEG, Physiology, and Facial Emotion Data
9:51
Data Integration and Synchronization
11:54
Results: Multiple Dimensions of Engagement Assess Learning During a Problem-solving Task
12:50
Conclusion
