הערכת ממדים המרובים של אירוסין לאפיין למידה: הנוירופיזיולוגי פרספקטיבה

Behavior

Your institution must subscribe to JoVE's Behavior section to access this content.

Fill out the form below to receive a free trial or learn more about access:

 

Cite this Article

Copy Citation | Download Citations

Charland, P., Léger, P. M., Sénécal, S., Courtemanche, F., Mercier, J., Skelling, Y., Labonté-Lemoyne, E. Assessing the Multiple Dimensions of Engagement to Characterize Learning: A Neurophysiological Perspective. J. Vis. Exp. (101), e52627, doi:10.3791/52627 (2015).

Please note that all translations are automatically generated.

Click here for the english version. For other languages click here.

Abstract

Introduction

אירוסין ממלאים תפקיד מכריע בלמידה. לקלארק והמאייר 2, "כל הלמידה דורשת אירוסין," ללא קשר לתקשורת משלוח. גם ג'אנג et al. 3 הציעו כי התקשרות מוגברת של תלמידים יכולה לשפר את תוצאות למידה, כגון פתרון בעיות ומיומנויות חשיבה ביקורתיות. הגדרת אירוסין עדיין מהווה אתגר. בסקירת הספרות שלהם, פרדריקס, בלומנפלד ופריז 1 מוגדרת אירוסין על ידי טבעה רב פנים: "אירוסין התנהגות נשענים על הרעיון של השתתפות; היא כוללת מעורבות בפעילות אקדמית וחברתית או חוגים. (...) מעורבות רגשית מקיפה תגובות חיוביות ושליליות למורים, חברים לכיתה, אנשי אקדמיה, ובית ספר, והוא הניח ליצירת קשרים לנכונות אובייקט והשפעה כדי לעשות את העבודה. לבסוף, אירוסין הקוגניטיבית מתבססים על הרעיון של השקעה נפשית; היא משלבת התחשבות ונכונות להפעיל NEC המאמץessary להבין רעיונות מורכבים ומיומנויות קשות אדון. "

פרדריקס, בלומנפלד ופריז 1 גם טענו כי התמקדות בהתנהגות, רגש, וקוגניציה, ברעיון של התקשרות, עשויה לספק אפיון עשיר יותר של למידה. מחברים אלה הצביעו על כך שגוף חזק של מחקר עוסק כל רכיב של אירוסין בנפרד, אבל רכיבים אלה לא נחקרו בשיתוף. הם גם ציינו כי מעט מידע זמין על יחסי גומלין בין הממדים וכי מחקרים נוספים יכולים לתרום לתכנון התערבויות הוראה מכוונת היטב. כצעד בכיוון זה, מאמר זה מתאר שיטות מחקר שפותחה כדי לאסוף ולנתח נתונים כמותיים ואיכותיים, באופן סינכרוני, על אירוסין התנהגות, רגשיים וקוגניטיביים במהלך משימות למידה.

הבאת Neurosciences לחינוך

BehavIOR, וכתוצאה מכך התנהגות אירוסין, כבר זמן רב במוקד המחקרים בחינוך המרכזי: עיצובי מחקר התמקדו בעיקר בשינויים בידע ובהתנהגות המתרחשים על פני תקופות זמן ארוכות, בין-בדיקות לפני ואחרי, ועל מרווחים של שעות, שבועות , חודשים או שנים. להפלות בין אירוסין התנהגות, רגשיים, הקוגניטיבי ועדיין מהווים אתגר, כי שני הממדים האחרונים אינם שיטתי נצפים חיצוני. קוגניציה ורגשות חייבות או להסיק מתצפיות או העריכו באמצעים דיווח עצמי. מנקודת המבט חיצונית, זה עדיין קשה לקבוע אם תלמידים מנסים לבצע את עבודתם במהירות אפשרית או באמצעות אסטרטגיות למידה ברמה עמוקה לשלוט בתוכן ספציפי. לאמיתו של דבר, פרדריקס, בלומנפלד ו1 פריז לא הצליח למצוא כל מחקרים שפורסמו באמצעים ישירים, מטרה של מעורבות קוגניטיבית.

התפתחויות טכנולוגיות האחרונות בתחום מדעי המוח יצר אפשרויות חדשות למחקר בחינוך. שיטות איסוף נתונים חדשות וניתוח אלגוריתמים שפותחו בתחום הארגונומיה נוירו נראים מבטיחים מאוד ללימודים איכותיים וכמותיים במהלך משימות למידה. דיסציפלינות אחרות, כגון כלכלה, פסיכולוגיה, שיווק, וארגונומיה, כבר משתמשים מדידות neurophysiological להעריך אירוסין קוגניטיבית לכמה זמן 4-8. צעדי neurophysiological, בשילוב עם ניתוח אלגוריתמים יעילים, יאפשר אחד ללמוד תופעה מבלי להפריע זה. מעצם טבעם, שאלוני דיווח עצמי להתנתק סטודנטים מלמידה. צעדי neurophysiological לאפשר עיצובי מחקר להתבצע בסביבות למידה אותנטיות יותר. כלים אלה כוללים ציוד לניטור קצב לב, קצב נשימה, לחץ דם, טמפרטורת גוף, קוטר אישון, פעילות חשמלית, electroencephalography (EEG), וכו '.

כנציג תוצאות בעקבות השימוש בפרוטוקול זה, מאמר זה יציג את התוצאות חלקיות של מחקר שבו לומדים היו צריכים לפתור, על מסך מחשב, עשר בעיות בפיסיקה מכאנית. בעיות אלו פותחו בעבודה קודמת 9. נתונים neurophysiological נאספו תוך הלומדים היו לפתור את הבעיות ומרגיעים במהלך של 45 הפסקה, בעיניים עצומות, לאחר כל בעיה.

כאמור לעיל, נתוני אירוסין התנהגות מורכבים של אינטראקציות תוכנה (תנועות עכבר ולחיצות), מבט עיניים, ביצועים ותשובות לשאלות המיוצרות על ידי לומד אינטראקציה עם המערכת תוך ביצוע המשימה 1. מערכת מעקב העין שימשה לאיסוף אינטראקציות תוכנה ונתונים מבט עין. נתוני ביצועים (זמן לפתור בעיה, נכונות תשובות) נאספו על אתר סקר ששימש להציג את המשימה. אתר זה משמש גם כדי לאסוף נתונים דיווח עצמי שנאספו עם שאלון המותאם מבראדלי ולאנג 10. מעורבות רגשית כרוכה אפיון של רגשות. על פי 11 לאנג, רגשות מאופיינים במונחים של הערכיות ועוררות (נעימים / לא נעימים) (רגועים / עורר). נתוני מעורבות רגשית נאספו בהתאם, באמצעות תוכנת זיהוי פנים רגש אוטומטית שמכמתת הערכיות רגשית ומקודד / חיישן פעילות-חשמלי לעוררות 12,13. פעילות-חשמלי (EDA) מתייחסת להתנגדות החשמלית נרשמה בין שתי אלקטרודות כאשר זרם חשמלי חלש מאוד הוא עבר בעקביות ביניהם. Cacioppo, Tassinary ו -14 Berntson הראו כי ההתנגדות נרשמה משתנה בהתאם לעוררות של הנושא. לפיכך, נתוני פסיכו, כגון ערכיות או עוררות, נחשבים כקושרת של מעורבות רגשית.

class = "jove_content"> לבסוף, נאספים נתונים אירוסין קוגניטיביים באמצעות electroencephalography (EEG). צעדי EEG, על הקרקפת, מסונכרנים פעילות חשמלית של קבוצות תאי עצב במוח. אותות חשמליים שנרשמו מהקרקפת הם לעתים קרובות oscillatory ומורכבת של רכיבי תדר. לפי אמנה, תדרים אלו מקובצים ברצפים, הידוע בלהקות. לדוגמא, אלפא, ביתא ותטא להקות הם המוקד של מחקר זה. על פי מחקרי נירולוגית מדעיים 14, להקות אלה משקפות את יכולות עיבוד הקוגניטיבי שונות באזורים מסוימים של המוח. לפיכך, הניתוח של הצפיפות ספקטרלית כוח (PSD) של תדרים מסוימים, בשילוב עם מחקרים רבים 7,15 על ערנות ותשומת לב, מאפשר לחוקרים לכמת אירוסין הקוגניטיבי במהלך משימה. כMikulka et al. 16 ציין, מחקרים הוכיחו קשר ישיר בין הפעילות בטא וערנות קוגניטיביים וקשר עקיף בין אלפאפעילות ד תטא וערנות. כך, האפיפיור, בוגרט ו -7 Bartoleme פיתחו מדד אירוסין שמחשב את PSD של שלוש להקות: בטא / (אלפא תטא +). יחס זה קבל תוקף במחקרים אחרים על אירוסין 16,17,18. לאפיין אירוסין קוגניטיביים לאורך זמן, Fast Fourier Transform (FFT) ממיר את אות ה- EEG מאתר פעיל (F3, F4, O1, O2) לספקטרום כוח. מדד האירוסין EEG בזמן T מחושב לפי הממוצע של כל יחס אירוסין בתוך חלון הזזה 20 שניות שקדמו לט זמן הליך זה חוזר על עצמו בכל שנייה וחלון הזזה חדש משמש לעדכון המדד.

מאחר והמטרה של מתודולוגיה זו היא לספק ניתוח עשיר של ממדים הרבים של אירוסין, סנכרון נתונים הוא חיוני. כז'ה et al. 19 להזכיר לקוראים, יצרני ציוד ממליצים בחום רק באמצעות מחשב אחד לכל כלי מדידה כדי להבטיח דיוק le צויןvel. לכן, כאשר מספר מחשבים מועסקים, סנכרון בין מחשבי הקלטה הופך שלב קריטי. לא יכולות להיות כל התחילו ההקלטות בדיוק באותו הזמן, וכל זרם נתוני מסגרת הזמן הספציפי שלה (למשל, סעיף 0 העין מעקב ≠ שניות 0 של EEG או נתונים פיסיולוגיים). זה מאוד חשוב: desynchronization בין זרמי נתונים פירוש שגיאות בכימות של כל ממד של מעורבות. ישנן דרכים של סנכרון הקלטות פיסיולוגיות והתנהגותיים במקביל שונות. שיטות אלה עשויות להיות מחולקות לשתי גישות עיקריות; ישיר ועקיף 20. הפרוטוקול שהוצג בסעיף הבא מבוסס על גישה עקיפה שבו התקן חיצוני, syncbox, משמש לשליחת היגיון טרנזיסטור-טרנזיסטור (TTL) אותות לכל ציוד ההקלטה (כפי שמוצג באיור 1). כמו כל פיסת הציוד יש זמן התחלה שונה, סמני TTL נרשמים בקבצי היומן עם קרוב משפחה עיכוב. סמנים משמשים לאחר מכן כדי ליישר מחדש את האותות ובכך להבטיח סנכרון נכון אחרי כל הקלטה. תוכנת ניתוח התנהגות, המאפשרת אינטגרציה קובץ חיצוני משמשת לסנכרון מחדש את ציר הזמן של כל זרם הנתונים ולבצע ניתוח כמותי ואיכותי של כל ממד של מעורבות.

איור 1
איור 1. ארכיטקטורה של מערכת איסוף נתונים. סביבת המעבדה שבי (מעקב עיניים) התנהגות, רגשי (EDA ורגש פנים) ונתונים קוגניטיביים אירוסין (EEG) נאספים מכילים מחשבים רבים. זה מעלה אתגר סנכרון לנתונים שהפניה בשעוני המחשב שלהם. כדי להיות מסוגל לנתח את כל הנתונים באותו זמן התייחסות, התקנת המעבדה כרוכה syncbox ששולח אותות TTL לכל זרמי נתונים.nk "> לחץ כאן כדי לצפות בגרסה גדולה יותר של דמות זו.

כדי להעריך את הדיוק של המתודולוגיה במונחים של סנכרון, 45 שניות הפסקות הוכנסו לפני כל אחת מבעיות הפיזיקה המכנית. במהלך הפסקות אלה, נושאים היו להירגע ולעצום את עיניהם. כפי שניתן לראות במחקרים אחרים 4,9,16,17,18, הפסקות אלה צריכים לגרום לשינויים משמעותיים באות שנאסף: שתי נקודות אישון העין ב( אירוסין התנהגות) מייד נעלמים מעקב העין וירידה מיידית במעורבות קוגניטיבית (EEG אות) הוא ציין. רכיבים ספציפיים אלה של האות משמשים כדי להעריך את התוקף הכללי של הסנכרון. הפרסום האחרון של עיתונים שאופן מלא או חלקי להסתמך על הליך סנכרון זה, בתחומי מערכות מידע 19, אינטראקציות אדם-מכונה 21 וחינוך 9, 22, מספק ראיות ליעילותה.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

פרוטוקול זה קיבל תעודה אתית מComité institutionnel דה לה משוכלל ונדיר avec des êtres humains (CIER) de l'אוניברסיטת קוויבק במונטריאול (UQAM) שאושר על ידי HEC מונטריאול למתקן מחקר Tech3Lab. הפרוטוקול מתאר כל אחד מהצעדים הספציפיים המבוצעים בסביבת המעבדה שלנו וציוד. למרות שנתיבי תוכנה מדויקים מסופקים להבהיר את המתודולוגיה, טכניקה זו היא להעברה וניתן לשכפל עם מעקב עיניים אחר קניינית, זיהוי רגשות פנים אוטומטי, פעילות-חשמלית וציוד electroencephalography ותוכנה.

1. הגדרה של סביבת המעבדה

  1. הפעל את העין הגשש, מגבר EEG, ארבעה מחשבי הקלטה והרמקולים.
  2. הכן את ההתקנה של ציוד ההקלטה:
    1. הכן את התקנת EEG עם חומר הנדרש על פי recomme של היצרןנהלי nded. הכן את תוכנת EEG למשתתף הקרוב. הפעל את תוכנת מעקב עיניים וליצור פרופיל משתתף חדש בתוכנה. הפעל את תוכנת הקלטת וידאו והמצלמות.
    2. הפעל את תוכנת סנכרון עם השגרה מסוימת שנוצרה עבור הפרויקט עם סמנים ב 60 שניות. הפעל את תוכנת מדידה הפיזיולוגית (להקליט פעילות-חשמלית) ולפתוח את הפריסה הספציפית שנוצרה עבור הפרויקט. התאם כיסא של המשתתף לרמה הגבוהה ביותר.

2. משתתף הכנה

  1. שאל את המשתתף לקרוא ולחתום על טופס הסכמה האתי.
  2. לבצע מדידות גולגולת לEEG:
    1. מצא את מיקום Cz על ראשו של המשתתף (לפי 10 - 20 מערכות התייחסות). לטבול את רשת ה- EEG בתמיסת מלח (אשלגן כלורי) (ראה שלב 1.2.1) ולהתחיל טיימר (10 דקות) בהתאם לתקנים של היצרן. </ Li>
  3. קראו את מטרת המחקר ואת השלבים בניסוי למשתתף, "מטרתו של מחקר זה היא לבחון את פעילות המוח שלך בזמן שאתה עונה בעיות פיסיקה. ראשית אנו להתקין החיישנים, לאחר מכן תתבקש לפתור בעיות 10 פיסיקה הניוטונית במחשב. אנו מבקשים מכם לקחת הפסקה של 45 שניות לאחר כל בעיה בעיניים עצומה. לאחר כל בעיה, אתה תתבקש לדרג ההערכה של הבעיה שלך. "
  4. תגיד לי הנושא שמשך הזמן הכולל של הניסוי יהיה 90 דקות.
  5. התקן את החיישנים הפיסיולוגיים, על פי המלצות היצרן: שני חיישני gelified בחלק העליון של יד השמאל.
  6. התקן את כובע EEG, על פי המלצות היצרן ולבצע בדיקת עכבה עם סף ב 40 ק"ג-אוהם (על פי מפרט היצרן).

3. איסוף נתונים

  1. ודא כי כל תוכנת ההקלטה מוכנה להתחיל בתיאום:
    1. פיזיולוגיה (נתונים EDA): לחץ על הכפתור "התחל".
    2. הקלטת וידאו: לחץ על הכפתור "הפתוח".
    3. מעקב עיניים: לחץ על הכפתור "בהמתנה".
    4. EEG: לחץ על הכפתור "השיא".
    5. תוכנת סנכרון: לחץ על הכפתור "המעגל הירוק".
  2. כיול מבט עיניים:
    1. לבצע כיול על מסך חמש נקודות ולבחון את המשתתף בזמן שהוא / היא עוקבת אחר הנקודות האדומות (לחץ על "כלים / הגדרות / כיול ..."). חזור על תהליך זה עד דיוק מספיק מושגת, על פי אמות המידה של היצרן.
  3. הוראות משימת פרויקט על המסך של המשתתף: לשאול אם הוא / היא שאלות לאחר קריאתם, ואם הוא / היא מוכנה להתחיל את הניסוי.
  4. שאל את המשתתף לפתור 10 עמ 'הניוטוניתבעיות hysics.
  5. במידת הצורך, לבצע בדיקת עכבה באחת ההפסקות של 45 (לא לפני שהבעיה 5).
  6. ודא המשתתף לוקח של 45 מלא הפסקה לפני כל בעיה (כדי לקבוע את נקודת ההתחלה).

4. סוף של איסוף נתונים

  1. עצור רכישת נתונים על כל המחשבים ולהסיר את החיישנים מהמשתתף.

5. לאחר המשתתף הותיר

  1. נקה את כובע EEG עם קוטל חידקים ולסדר את הציוד, על פי המלצות היצרן. לשמור את כל קבצי הנתונים שנאספו וליצור גיבוי על שרת ה- FTP.
  2. מלא את הגיליון האלקטרוני משתתף: לבי כל אירוע או בעיה מסוים במהלך איסוף הנתונים. מחק את כל העוגיות מהדפדפן האינטרנט.

עיבוד טרום 6. נתונים ויצוא לתוכנת האינטגרציה

  1. EEG
    1. נתוני היבוא EEG לתוכנת ניתוח נתוני ה- EEG:
      1. ליצור שלוש תיקיות ריקות במחשב בשם, "היסטוריה" "נתונים גולמיים" ועל "יצוא" כדי להדביק את נתוני ה- EEG גלם לקובץ נתונים גולמיים החדש שנוצר.
      2. בתוכנת ניתוח נתוני ה- EEG, לחץ על "קובץ / פרויקט חדש ..." ולבחור את מיקום הנתונים הגולמי על ידי לחיצה על עיון, ולאחר מכן בחירת קובץ נתונים הגולמי החדש שנוצר. בחר את המיקום של "ההיסטוריה" ותיקיות "יצוא" באותו אופן.
      3. לחץ על "אישור". (החלון צריך להכיל את כל נתוני ה- EEG של המשתתף).
    2. טרום תהליך אות המוח:
      1. החל מסנן וחריץ (לחץ "טרנספורמציות / מסנני IIR ..."). בחלון, מאפשר חיתוך הנמוך ב 1.5 הרץ עם שיפוע של 12 dB והגבוהה הפסקת ב 50 הרץ עם שיפוע של 12 dB. כמו כן תאפשר חריץ בתדירות 60 הרץ.
      2. בגלל משמש מגבר DC, DC detrend האות (לחץ "Transformations / DC Detrend ... "ולאפשר" המבוסס על זמן "בלפני סמן 100 אלפיות שניים ולפני חיבור DC 100 אלפיות שניים).
      3. לבצע בדיקת הנתונים גולמית (לחץ "טרנספורמציה / בדיקת נתונים גולמית ..." ובחר הסרת חפץ חצי אוטומטית). בחר הבא: 60 μV / MS מתח מקסימאלי; מקס-דק: 200 μV במרווח ms 200; משרעת: -400 לμV 400).
      4. בצעו ICA אוטומטי עם sphering הקלאסי להסרת הרף עין (חפצי myographic לא צריכים להסיר כי הטווח שלהם הוא מחוץ לתדרים של עניין). (לחץ על "טרנספורמציות / ICA ...". בסופו של ICA, תהליך ICA ההפוך.)
      5. Re-התייחסות ("טרנספורמציות / מחדש התייחסות ...") את האות ובחר "ממוצעת משותף".
      6. יצוא (לחץ על "יצוא / Generic יצוא נתונים ...") את האות וסמנים בפורמט טקסט (בחרו את ".vhdr"; תיבה) לבניית Matlab סופו של דבר מדד האירוסין. גם לבחור את "קובץ כתיבת הכותרת" ותיבות "קובץ סמן כתיבה".
    3. ייבא את האות ב- Matlab.
      1. התחל Matlab והקלד "eeglab" כך GUI של EEGLab מופיע ויבוא נתונים למשתתף אחד בכל פעם. בGUI, תפריט פריט בחר "קובץ / יבוא נתונים / שימוש בפונקציות EEGLab ותוספים / מהמוח Vis Rec .vhdr קובץ".
      2. בחלון הפקודה, להדביק תסריט 16 שיוצר אינדקס אירוסין.
        הערה: תסריט האירוסין קוגניטיבית מחושב לפי הממוצע של כל Beta / יחס (אלפא תטא +) בתוך ט זמן חלון הזזה 20 שניות שקדמו להליך זה חוזרת על עצמו בכל שנייה וחלון הזזה חדש משמש לעדכון המדד.
    4. בMS Excel, פתח את קובץ הטקסט של מדד האירוסין שנוצר בסוף התסריט על ידי Matlab ולהחיל Z-SCORנורמליזציה דואר על נתוני ה- EEG כדי לאפשר השוואת intersubject. (עבור כל ערך, חישוב נוסחה זו ב- Excel: Z = (ערך - ממוצעים כולל) / סטיית תקן כללית.)
    5. שמור את אות מדד האירוסין Z-ציון בקובץ CSV ב- MS Excel. (לחץ על קובץ / שמירה ב... ובחר CSV בפורמט הסוג.)
    6. חזור על התהליך (מצעד 6.1.2.2.) לכל משתתף.
  2. פיזיולוגיה:
    1. נתוני היבוא EDA בתוכנת ניתוח נתונים פיסיולוגיים.
    2. החל הפרמטרים האלה מראש תהליך האות הפיזיולוגית:
      1. החל שינוי לוגריתמים לנרמל את ההפצה של המוליכות לפי השיטה של ונבלס וכריסטי 23.
      2. שטוחה האות על 10 שניות הזזה חלון 24.
    3. בתוך התוכנה הפיזיולוגית, לחשב נורמליזציה Z-ציון על נתוני EDA כדי לאפשר השוואת intersubject. (Z = (ערך - ממוצעת כולל) / סטיית תקן כללית).
      1. סמן את כל הנתונים עם הסמן מערוץ EDA.
      2. בתפריט העליון, בחר בערוץ EDA, ובחר "אומר" כדי להשיג את הערך הממוצע של הערוץ הכללי. גם לבחור את ערוץ EDA ו" סטייתתקן "כדי להשיג את ערך סטיית התקן של הערוץ הכללי.
      3. כדי לחשב את משוואת z-הציון, לחץ על "טרנספורמציה / צורת גל מתמטיקה ..." ובחר את ערוץ EDA במקור 1. בחר באפשרות "-" (מינוס) בחלון הפעולה המתמטי ובחר K במקור 2. בחר "יעד חדש" בתפריט היעד והזן את הערך הממוצע של ערוץ EDA (ראה שלב 6.2.3.2). בחר באפשרות "להפוך כל גל", לחץ על אישור ולחץ על "טרנספורמציה / צורת גל מתמטיקה ...". בחר את ערוץ EDA-K במקור 1, בחר "/" (פער) בחלון הפעולה המתמטי, K בחר במקור 2, בחר "יעד חדש" ביעדים וenter ערך סטיית התקן של ערוץ EDA (שלב 6.2.3.2). בחר באפשרות "להפוך כל גל" ולחץ על אישור.
    4. לייצא את האות (עוררות) בקובץ CSV. (לחץ על קובץ / שמירה ב... ובחר CSV בפורמט הסוג.)
  3. זיהוי רגשות פנים אוטומטי:
    1. וידאו לייבא נתונים ממקליט המדיה לתוכנת זיהוי פנים רגש אוטומטי. (לחץ על "קובץ / חדש ... / משתתף ...". לאחר בחירת משתתף חדש בתפריט הפרויקט על ידי לחיצה על זה, לחץ על "קובץ / חדש / ניתוח / וידאו ...". לחץ על זכוכית המגדלת ליד 1 ניתוח ולבחור את הרצוי קובץ וידאו.
      1. בחר ניתוח מחובר ל" כל מסגרת שלישית "ולהפעיל" כיול רציף ".
      2. נתונים ערכיות יצוא בקובץ CSV. (לחץ על "אפשרויות / הגדרות / רישום ...", לבדוק את הקובץ "תכתוב ערך ערכיות לקובץ היומן" תיבה. לחץ "/יצוא ... ", לבחור את המיקום שבו קבצי היומן ייוצאו, וסמן את" תיבה שמור מפורטת יומן ".)
      3. פתח את קובץ CSV ב- MS Excel. העתק את עמודת נתונים הערכיות בעמודה אחת של תוכנת SPSS. לחץ על "Analyse / תיאורי סטטיסטיקה / תיאורים" ובחר את השם המשתנה שהודבק-פשוט. סמן את התיבה "שמור ערכים סטנדרטיים במשתנים". טור עם Z-ציון יופיע. העתק-דבק Z-ציונים אלה על נתונים הישנים בקובץ אקסל.
    2. שמור את קובץ Excel עם Z-הציונים של האות (הערכיות) בפורמט CSV.

7. נתונים אינטגרציה וסנכרון

  1. בתוכנת ניתוח התנהגות:
    1. קטעי וידאו יבוא מעקב העין (אירוסין התנהגות). (לחץ על "קובץ / יבוא / וידאו בתצפית חדשה ...". שם התצפית החדשה ולבחור את קובץ וידאו הרצוי.)
    2. קוד כל וידאו עם להיות רלוונטיhaviors ואירועים קונטקסטואליים (סמני זמן, תשובות הנכונות / לא נכון).
    3. לייבא את כל הנתונים החיצוניים עם הכותרת המתאימה: Z-ציון של אות ה- EEG (אירוסין קוגניטיבי), Z-ציון של אות ה- EDA (מעורבות רגשית), Z-ציון של נתונים ערכיות (מעורבות רגשית). (לחץ על "קובץ / יבוא / נתונים חיצוניים ...". בחר את סוג הקובץ המתאים ובחר את קובץ CSV הנכון.)
  2. לסנכרן את הזמן בין מחשבים על פי נוסחות הבאות:
    1. זמן בעין מתבונן מהזמן בEEG = זמן במבט עין + סמן שני בEEG - סמן הראשון במבט עין.
    2. זמן במבט עין מזמן בזיהוי פנים רגש = זמן במבט עין + סמן ראשון ברגש פנים - סמן הראשון במבט עין.
    3. זמן בעין מתבונן מזמן בפעילות-חשמלית = זמן במבט עין + סמן ראשון בפעילות-חשמלית - הסמן הראשון במבט עין.
  3. הזן את הנתונים קוזזו על ידי לחיצה על "Ctrl + Shift + =221 ;, כדי לפתוח את תפריט הקיזוז. בחר "נומרית לקזז" להיכנס לזמן בשניות בין כל זוג של מקורות נתונים [בסדר?]), על פי החישובים לעיל.
  4. להפיק דוח לפי המשתנים של עניין במחקר.
    1. בחר משתנים מעניינים שיופקו בדו"ח (לחץ על "נתח / בחר נתונים / נתונים פרופיל חדשים ..."). מהשמאל, חלק את המשתנים הרצויים בין התיבה "התחל" והתיבה "תוצאות", בצד הימין.
    2. להפיק את הדוח. (לחץ על "נתח / אנליזה נומרית / חדש ...", לחץ על "סטטיסטיקה" וסמן את התיבה הממוצעת בתפריט נתונים החיצוני. סיום על ידי לחיצה על "חישוב".)
  5. לייצא את הנתונים לתוכנת ניתוח סטטיסטי ולבצע ניתוח על פי יעדי המחקר.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

איורים 2 ו -3 הצג מסך של התוצאות של שילוב והסנכרון של נתוני אירוסין התנהגות, רגשיים וקוגניטיבי ביישום תוכנת ניתוח התנהגות. בשתי הדמויות, השמאלי הסעיף מארגן את נושאי המחקר וערכת הקידוד. בחלק האמצעי, וידאו (עם נקודות אדומות) מראה מבט עיניו של הנושא במהלך המשימה. האירוסין ההתנהגות של הנושא ניתן להסיק על סמך מה שהוא / היא מסתכלת על במהלך המשימה ומה שננקטים פעולות. בחלק התחתון, סמן זמן הגלילה סינכרוני בשלושה מסלולים של נתונים: EDA (עוררות) וערכי רגש פנים למעורבות רגשית ומדד האירוסין EEG למעורבות קוגניטיבית. כאשר הנתונים נאספים מכל הנושאים, התוכנה גם מספקת סטטיסטיקת תאורית בסיסית שסופו של דבר יכול לשמש כדי לבצע ניתוח intersubject בתוכנת ניתוח סטטיסטי אחרת.

אף אוזן גרון "FO: לשמור-together.within עמודים =" תמיד "> איור 2
איור 2. רב ממדיים אירוסין נתונים בתחילת משימה פתרון-בעיה. צילום מסך של נושא בתחילתו של שלב לפתרון בעיות. הלומד קורא את ההקדמה לבעיה: מבט עין הוא בשורה השלישית. בשלב זה (הקו האדום מייצג את סמן זמן), העוררות של הנושא זה עתה עברו לשיא של ציפייה לבעיה שיש לפתור, אך עדיין גבוהה בהשוואה לתחילת מחקר, הערכיות רגשית נראית ניטראלית, ומעורבות קוגניטיבית EEG נראית במקסימום שלה . אנא לחץ כאן כדי לצפות בגרסה גדולה יותר של דמות זו.

איור 3
איור 3. הרב ממדי אירוסין נתונים During השהה במשימה. נתונים מהפסקה לפני משימה לפתרון בעיות. הפסקה זו שימושית להקמת הבסיס של הנושא רק לפני המשימה. כאן, כי העיניים של הנושא סגורים, נתונים הערכיות אינם זמינים. האירוסין קוגניטיבית (אות EEG) עולים מעט מהמינימום שלה. הנושא לאט מחדש עוסק במשימה, מצפה לסוף ההפסקה. עוררות (אות EDA) נמצאת בירידה מתמדת. אנא לחץ כאן כדי לצפות בגרסה גדולה יותר של דמות זו.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

במונחים של שלבים קריטיים בפרוטוקול, צריכים להיות ראשון לציין כי איכות נתונים היא תמיד המוקד העיקרי לטכניקות אוסף neurophysiological. במתודולוגיה זו, עוזרי מחקר חייבים להקדיש תשומת לב מיוחדת למורה למקצועות כדי למזער תנועות ראש שתפרענה ניטור ערכיות (לאבד זווית הפנים נכונה למצלמה) או ליצור חפצי myographic בEEG. מצד השני, יש לשמור על איזון בין האותנטיות של פתרון בעיה אמיתי והתערבויות שנעשה עבור איסוף נתונים ארגונומי יותר. כמו כן, חשוב לשים לב שאיסוף נתוני EEG הנתונה לתנודות אלקטרומגנטיות בסביבה. מתקני EEG מסורתיים לנסות לבודד המנגנון שלהם מתנודות אלקטרומגנטיות עם כלובי פאראדיי. עם זאת, משום שחלק מהציוד המשמש במתודולוגיה זו היה ליצור תנודות אלקטרומגנטיות (בעיקר מכשיר מעקב עיניים) בתוך כלוב פאראדיי, ההוא הגישה לא תהיה יעילה. אנו להתגבר על הבעיות אלקטרומגנטית על ידי מתן תשומת לב מיוחד להארקה וסיכוך כל המכשירים החשמליים.

ובאשר לשינויים ופתרון בעיות עם הטכניקה, אסטרטגית הסנכרון הראשונית הסתמכה על היכולת של תוכנת הסנכרון לבדיוק "להתחיל" אוסף נתונים על מחשבים ומספר רבים של תוכניות יחד. בגלל עיכובים קריטיים ועולים בקנה אחד בין מחשבים ותוכנות נצפו, resynchronization הודעה האוסף-היה צורך. כתוצאה מכך, מכשיר syncbox התווסף לארכיטקטורה. Syncbox שולח סמן TTL לכל המחשבים ותוכנות שאוספות נתונים. סנכרון הופך לעניין חישוב העיכוב בין סמני syncbox הראשונים.

מגבלה אחת של הטכניקה שצריכה להיות מוזכרים היא הדיוק של ניתוח אותות, שהוא מוגבל על ידי מדד המעורבות קוגניטיבית. בגללהנחות יסוד של FFT, מדד זה מופק על בסיס תקופה שניות 1: תסריט האירוסין קוגניטיבית יוצר ערך בכל שנייה. בפרדיגמה זו, המתמקדת בפתרון בעיות אותנטי, פרק זמן זה הוא מקובל, אך מחקרים מדויקים יותר של אירוסין עשויים להיתקל כמה מגבלות בפרק זמן זה לצורך הניתוח.

עם כל כבוד לשיטות קיימות / חלופיות, יש לציין שערכיות רגשית יכולה גם לנבוע מלחץ דם נפח 18, 25 חיישנים. טכניקה זו יכולה גם להיות משולבת במחקר עתידי להעריך הדיוק שלה בהשוואה לאות הערכיות מתוכנה זיהוי פנים רגש. צריך גם להזכיר שמדד האירוסין קוגניטיבית השתמש במחקר זה הוא אחד ידוע שנעשה שימוש במחקר שפורסם קודם. כמה יצרנים של מכשירי EEG קלים לטעון לספק מידה דומה, אך קשה להעריך את האיכות של נתונים הגולמיים ומעובד מאזהאלגוריתמים שלהם לא פורסם.

לבסוף, טכניקה זו מציגה יישומים אפשריים רבים בתחומים שונים. כמובן, זה יהיה בעל ערך בתחום חינוך. בין אפשרויות אחרות, טכניקת הערכת אירוסין זה יכול להיות כלי רב עוצמה כדי להודיע ​​מעצבים כמובן. לדוגמא, כמרטנס, Gulikers וBastiaens 26 נצפו, "לעתים קרובות למדי, מפתחים נוטים להוסיף מולטימדיה תוספות, סימולציות, וכן הלאה, בעיקר משום שטכנולוגיה מאפשרת, למרות שהם אינם מבוססים על ניתוח חינוכי זהיר ועיצוב . "וכך, נתונים neurophysiological יכולים להודיע ​​מעצבים אם תוספת על ספציפית היא בעל ערך, אם התוכן הוא מורכב מדי, אם האסטרטגיות למידה המוצעות הן יעילים, וכו 'בנוסף, ההערכה של מעורבות לומד בזמן אמת פותחת אפשרויות להסתגלות סביבות למידה מתוקשבת או בדואר הערכה. אנחנו יכולים לחזות לומד, חבש קסדת EEG קלה, שהוזהרו על ידי מערכת when רמתו / האירוסין שלה נמצאת בירידה ו, למשל, תתבקש להשהות או להגיב בהתאם. זה גם יהיה אפשרי לפתח מטלות הערכה אדפטיבית, המבוססים על מדדי אירוסין. סכום של מחקר ופיתוח הוגן כיום מתנהל בתחום החדשני של ממשקי המוח-מחשב (BCI).

Subscription Required. Please recommend JoVE to your librarian.

Materials

Name Company Catalog Number Comments
EGI GSN-32  EGI Dense array EEG
Netstation v.5.0 EGI EEG data collection software: EEG is collected with 32-electrode dense array electroencephalography (dEEG) geodesic sensor net using Netstation acquisition software and EGI amplifiers (Electrical Geodesics, Inc). The vertex (recording site Cz) is the reference electrode for recording. Impedance is kept below 50 kΩ with a sampling rate of 250 Hz. 
Facereader v.4 Noldus Facial emotion recognition software
Syncbox Noldus Syncbox start the co-registration of EEG and gaze data by sending a Transistor-Transistor Logic (TTL) signal to the EGI amplifier and a keystroke signal to the Tobii Studio v 3.2.
Logitech C600  Webcam 960-000396 Webcam used to gather video data sent to mediarecorder and that will be analyzed in Facereader
The Observer XT Noldus Integration and synchronization software: The Noldus Observer XT (Noldus Information Technology) is used to synchronize all behavioral, emotional and cognitive engagement data. 
On-Screen LED illumination Noldus Neon positioned on computer screen in order to correctly light the face of subjects
MediaRecorder Noldus Video data collection software
Tobii 60X Tobii Collect eye-movement patterns :  used to record subjects’ eye movement patterns at 60Hz during the experiment. 
Tobii Studio v.3.2 Tobii Eye-tracking data collection and analysis software
Analyzer 2 Brainvision EEG signal processing software
Acqknowledge v.4.0 Biopac ACK100M Physiological signal acquisition and processing software
Control III germicide solution Maril Products. 10002REVA-20002-1 Disinfectant solution used with EEG helmets : recommended by EGI
Unipark QuestBack AG Online survey environment

DOWNLOAD MATERIALS LIST

References

  1. Fredricks, J. A., Blumenfeld, P. C., Paris, A. H. School engagement: Potential of the concept, state of the evidence. Rev. Educ. Res. 74, (1), 59-109 (2004).
  2. Clark, R. C., Mayer, R. E. E-learning and the Science of Instruction. Pfeiffer. San Francisco. (2011).
  3. Zhang, D., Zhou, L., Briggs, R. O., Nunamaker, J. F. Instructional video in e-learning: Assessing the impact of interactive video on learning effectiveness. Inform. Manage. 43, (1), 15-27 (2006).
  4. Freeman, F. G., Mikulka, P. J., Prinzel, L. J., Scerbo, M. W. Evaluation of an adaptive automation system using three EEG indices with a visual tracking task. Biol. Psychol. 50, 61-76 (1999).
  5. Glimcher, P., Rustichini, A. Neuroeconomics: The consilience of brain and decision. Science. 306, (5695), 447-452 (2004).
  6. Lieberman, M. D. Social Cognitive neuroscience: A review of core processes. Annu. Rev. Physiol. 58, 259-289 (2007).
  7. Pope, A. T., Bogart, E. H., Bartolome, D. S. Biocybernetic system evaluates indices of operator engagement in automated task. Biol. Psychol. 40, (1-2), 187-195 (1995).
  8. Physiological indicators for the evaluation of co-located collaborative play. Mandryk, R., Inkpen, K. CSCW '04 Proceedings of the 2004 ACM conference on Computer supported cooperative work, 2004 Nov 6-10, Chicago, IL, USA, (2004).
  9. Allaire-Duquette, G., Charland, P., Riopel, M. At the very root of the development of interest: Using human body contexts to improve women’s emotional engagement in introductory physics. Eur. J. Phy. Ed. 5, (2), 31-48 (2014).
  10. Bradley, M. M., Lang, P. J. Measuring emotion: The self-assessment manikin and the semantic differential. J. Behav. Ther. Exp. Psy. 25, (1), 49-59 (1994).
  11. Lang, P. J. The emotion probe: Studies of motivation and attention. Am. Psychol. 50, (5), 372-385 (1995).
  12. Ekman, P., Felt Friesen, W. false, and miserable smiles. J. Nonverbal Behav. 6, (4), 238-252 (1982).
  13. Advances in face and gesture analysis. Van Kuilenburg, H., Den Uyl, M. J., Israël, M. L., Ivan, P. Proceedings of Measuring Behavior 2008, 2008 Aug 26-29, Maastricht, The Netherlands, 371-372 (2008).
  14. Cacioppo, J., Tassinary, L. G., Berntson, G. G. Handbook of Psychophysiology. Cambridge University Press. Cambridge, UK. (2007).
  15. Lubar, J. F., Swartwood, M. O., Swartwood, J. N., O’Donnell, P. H. Evaluation of the effectiveness of EEG neurofeedback training for ADHD in a clinical setting as measured by changes in T.O.V.A. scores, behavioral ratings, and WISC R performance. Biofeedback Self-reg. 20, (1), (1995).
  16. Mikulka, P. J., Freeman, F. G., Scerbo, M. W. Effects of a biocybernetic system on the vigilance decrement. Hum. factors. 44, (4), 654-664 (2002).
  17. Freeman, F. G., Mikulka, P. J., Scerbo, M. W., Scott, L. An evaluation of an adaptive automation system using a cognitive vigilance task. Biol. Psychol. 67, (3), 283-297 (2004).
  18. Chaouachi, M., Chalfoun, P., Jraidi, I., Frasson, C. Affect and mental engagement: Toward adaptability for intelligent systems. Proceedings of the Twenty-Third International Florida Artificial Intelligence Research Society Conference (FLAIRS 2010), Association for the Advancement of Artificial Intelligence. 355-360 (2010).
  19. Courtemanche, F., Ortiz de Guinea, A., Titah, R., Fredette, M., Labonté-LeMoyne, É Precision is in the eye of the beholder: Application of eye fixation-related potentials to information systems research. J. Assoc. Inf. Syst. 15, (10), 651-678 (2014).
  20. Courtemanche, F., Ortiz de Guinea, A., Titah, R., Fredette, M., Labonté-Lemoyne, E. Applying eye fixation-related potentials to information systems research: Demonstration of the method during natural IS use and guidelines for research. J. Assoc. Inf. Syst. 15, (10), (2014).
  21. Courtemanche, F. Un outil d’évaluation neurocognitive des interactions humain-machine Doctoral thesis. Université de Montréal. Montreal, QC. (2014).
  22. Assessing multiple dimensions of learner engagement during science problem solving using psychophysiological and behavioral measures. Charland, P., Léger, P. M., Mercier, J., Skelling-Desmeules, Y. Fourth Scientific International Symposium of the Association for Research in Neuroeducation, Caen, France, (2014).
  23. Venables, P. H., Christie, M. J. Electrodermal activity. Techniques in Psychophysiology. Martin, I., Venables, P. Wiley. Chichester, UK. 3-67 (1980).
  24. Electrodermal Activity. Boucsein, W. 2nd ed, Springer. New York. (2012).
  25. Sarlo, M., Palomba, D., Buodo, G. M., Minghetti, R., Stegagno, L. Blood pressure changes highlight gender differences in emotional reactivity to arousing pictures. Biol. Psychol. 70, (3), 188-196 (2005).
  26. Martens, R. L., Gulikers, J., Bastiaens, T. The impact of intrinsic motivation on e-learning in authentic computer tasks. J. Comput. Assist. Lear. 20, (5), 368-376 (2004).

Comments

0 Comments


    Post a Question / Comment / Request

    You must be signed in to post a comment. Please or create an account.

    Usage Statistics