تقييم أبعاد متعددة الاشتباك لوصف التعلم: A العصبية وجهة نظر

1Department of Didactics, Université du Québec à Montréal, 2Department of IT and Tech3Lab, HEC Montreal, 3Department of Marketing and Tech3Lab, HEC Montreal, 4Department of Specialized Education, Université du Québec à Montréal
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:

Welcome!

Enter your email below to get your free 10 minute trial to JoVE!





By clicking "Submit", you agree to our policies.

 

Cite this Article

Copy Citation | Download Citations

Charland, P., Léger, P. M., Sénécal, S., Courtemanche, F., Mercier, J., Skelling, Y., et al. 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

مشاركة يلعب دورا حاسما في التعلم. لكلارك وماير 2 "عن التعلم يتطلب الاشتباك،" بغض النظر عن وسائل الاعلام التسليم. واقترح تشانغ وآخرون. 3 كما أن زيادة مشاركة الطلاب يمكن أن تحسن نتائج التعلم، مثل حل المشكلات ومهارات التفكير النقدي. تحديد الاشتباك لا يزال يشكل تحديا. في مراجعة أدبهم، Fredricks، بلومنفلد وباريس 1 تعريف المشاركة بطبيعتها المتعددة الجوانب والمتمثلة: "يستمد مشاركة السلوكي على فكرة المشاركة؛ ويشمل المشاركة في الأنشطة الأكاديمية والاجتماعية واللامنهجية. (...) المشاركة العاطفي يشمل ردود الفعل الإيجابية والسلبية للمعلمين وزملاء الدراسة، والأكاديميين، والمدرسة، ويفترض لخلق علاقات مع كائن والنفوذ استعداد للقيام بهذا العمل. أخيرا، وتوجه الاشتباك المعرفي على فكرة الاستثمار العقلي؛ أنه يشتمل على التفكير والاستعداد لبذل جهد غير المصنفةاقتضت أن يفهم الأفكار المعقدة والصعبة مهارات سيد ".

ادعى Fredricks، بلومنفلد وباريس 1 كما أن التركيز على السلوك، والعاطفة، والإدراك، ضمن مفهوم الخطبة، قد توفر خصائص أغنى من التعلم. وأشار هؤلاء المؤلفين إلى أن الجسم القوي للبحوث ويتناول كل مكون من الانخراط بشكل منفصل، ولكن لم يتم دراسة هذه العناصر جنبا إلى جنب. لاحظوا أيضا أن قلة المعلومات المتوفرة حول التفاعلات بين الأبعاد وأن المزيد من الدراسات يمكن أن تسهم في تخطيط تدخلات التدريس دقيقا. وكخطوة في هذا الاتجاه، توضح هذه الورقة منهجية البحث التي تم تطويرها لجمع وتحليل البيانات الكمية والنوعية، بشكل متزامن، على المشاركة السلوكي والعاطفي والإدراكي خلال مهام التعلم.

يصل العلوم العصبية في التعليم

BehavIOR، والانخراط في السلوك بالتالي، منذ فترة طويلة محور الدراسات في مجال التعليم: تصميمات البحوث التي تركز أساسا على التغيرات في المعرفة والسلوك التي تحدث على مدى فترات طويلة من الزمن، وبين ما قبل وما بعد الاختبارات، وعلى فترات لساعات أو أسابيع أو شهور أو سنوات. التمييز بين المشاركة السلوكي والعاطفي، والمعرفي لا يزال يشكل تحديا لأن أبعاد الماضيين ليست ملاحظتها بشكل منتظم من الخارج. يجب إما أن يستدل على الإدراك والعواطف من الملاحظات أو تقييمها مع تدابير تقرير المصير. من جهة نظر خارجية، فإنه لا يزال من الصعب تحديد ما إذا كان الطلاب يحاولون الحصول على العمل المنجز في أسرع وقت ممكن أو باستخدام استراتيجيات التعلم على مستوى عميق لإتقان محتوى معين. في واقع الأمر، لم تتمكن من العثور على أي دراسات منشورة باستخدام تدابير موضوعية مباشرة الاشتباك المعرفي Fredricks، بلومنفلد وباريس 1.

التطورات التكنولوجية الحديثة فيخلقت مجال علوم الأعصاب إمكانيات جديدة للبحث في مجال التعليم. طرق جديدة لجمع البيانات وتحليل الخوارزميات المتقدمة في مجال بيئة العمل العصبية تبدو واعدة جدا للدراسات النوعية والكمية خلال مهام التعلم. تخصصات أخرى، مثل الاقتصاد، وعلم النفس، والتسويق، والهندسة البشرية، وقد تم استخدام القياسات الفسيولوجية العصبية لتقييم المشاركة المعرفية لبعض الوقت 4-8. تدابير العصبية، إلى جانب خوارزميات تحليل كفاءة، تسمح واحد لدراسة الظاهرة من دون إزعاج ذلك. بحكم طبيعتها، واستبيانات التقرير الذاتي تنسحب فيه الطلاب من التعلم. تسمح تدابير العصبية تصميمات البحوث التي يتعين الاضطلاع بها في بيئات التعلم أكثر واقعية. وتشمل هذه الأدوات المعدات لمراقبة معدل ضربات القلب ومعدل التنفس وضغط الدم ودرجة حرارة الجسم، وقطره تلميذ، والنشاط الكهربي، كهربية (EEG)، وما إلى ذلك.

كنتائج التمثيلية التالية لاستخدام هذا البروتوكول، وهذه الورقة النتائج الجزئية للدراسة التي كان المتعلمين على حل، على شاشة الكمبيوتر، وعشرة المشاكل في الفيزياء الميكانيكية. وقد وضعت هذه المشاكل في العمل السابق 9. وقد تم جمع البيانات العصبية في حين أن المتعلمين تم حل المشاكل والاسترخاء خلال 45 ق استراحة، مع عيونهم مغلقة، بعد كل مشكلة.

كما ذكر أعلاه، تتكون بيانات التعاقد السلوكي للتفاعلات البرمجيات (حركات الماوس والنقرات)، نظرات العين، والأداء وأجوبة على الأسئلة التي تنتجها المتعلم التفاعل مع النظام أثناء إنجاز المهمة 1. تم استخدام نظام تتبع العين لجمع التفاعلات البرامج والبيانات نظرات العين. وقد تم جمع بيانات الأداء (الوقت من أجل حل المشكلة، صحة الإجابات) على استبيان الموقع الذي تم استخدامه لتقديم هذه المهمة. وقد استخدم هذا الموقع أيضا لجمع بيانات تقرير المصير التي تم جمعها مع استبيان مقتبس من برادلي وانج 10. مشاركة العاطفي يشمل توصيف المشاعر. وفقا لانج 11، وتتميز العواطف من حيث التكافؤ (سارة / غير سارة) والاستثارة (الهدوء / أثار). والبيانات التي تم جمعها المشاركة العاطفية وفقا لذلك، وذلك باستخدام التلقائي برنامج التعرف على العاطفة الوجه يحدد مقدار التكافؤ العاطفي والنشاط الكهربي التشفير / الاستشعار عن الإثارة 12،13. النشاط الكهربي (EDA) يشير إلى المقاومة الكهربائية المسجلة بين قطبين عندما يتم تمرير تيار كهربائي ضعيف جدا بثبات بينهما. أظهر Cacioppo، Tassinary وبرنتسون 14 أن المقاومة سجلت تختلف وفقا لالإثارة في هذا الموضوع. وبالتالي، بيانات النفسية لمثل التكافؤ أو الإثارة، وتعتبر كما يرتبط إلى التواصل العاطفي.

الطبقة = "jove_content"> وأخيرا، يتم جمع البيانات من خلال المشاركة المعرفية كهربية (EEG). تدابير EEG، على فروة الرأس، وتزامن النشاط الكهربائي من مجموعات من الخلايا العصبية في الدماغ. الإشارات الكهربائية المسجلة من فروة الرأس وغالبا ما تكون متذبذبة وتتألف من مكونات تردد. من جانب الاتفاقية، يتم تجميع هذه الترددات في تسلسل، والمعروفة باسم العصابات. على سبيل المثال، ألفا وبيتا وثيتا العصابات هي محور هذه الدراسة. وفقا للدراسات العلمية العصبية 14، هذه العصابات تعكس مختلف قدرات المعالجة المعرفية في مناطق معينة من الدماغ. وبالتالي، فإن تحليل كثافة القدرة الطيفية (PSD) من ترددات محددة، جنبا إلى جنب مع العديد من الدراسات 7،15 على اليقظة والانتباه، ويسمح للباحثين لقياس الاشتباك المعرفي خلال مهمة. كما لوحظ ميكولكا وآخرون 16، وقد أظهرت الأبحاث وجود علاقة مباشرة بين النشاط بيتا واليقظة المعرفية وعلاقة غير مباشرة بين ألفا ود النشاط ثيتا واليقظة. وبالتالي، وضعت البابا، بوجارت وBartoleme 7 مؤشر الاشتباك الذي يحسب PSD من ثلاثة نطاقات: بيتا / (ألفا + ثيتا). تم التحقق من صحة هذه النسبة في دراسات أخرى على المشاركة 16،17،18. لتوصيف الاشتباك المعرفي على مر الزمن، وتحويل فورييه السريع (الاتحاد الفرنسي للتنس) بتحويل إشارة EEG من كل موقع نشط (F3، F4، O1، O2) في طيف الطاقة. يتم احتساب مؤشر المشاركة EEG في وقت T من المتوسط ​​من كل نسبة المشاركة في 20 ثانية انزلاق النافذة السابقة الوقت T. ويتكرر هذا الإجراء كل ثانية، ويستخدم نافذة انزلاق جديد لتحديث الفهرس.

بما أن الهدف من هذه المنهجية هو تقديم تحليل غني للأبعاد المتعددة للمشاركة، مزامنة البيانات أمر بالغ الأهمية. كما يجيه وآخرون 19 تذكير القراء ومصنعي المعدات نوصي بشدة باستخدام جهاز كمبيوتر واحد فقط لكل أداة قياس لضمان دقتها المحدد جنيهفيل. وهكذا، عندما يتم توظيف أجهزة كمبيوتر متعددة، والتزامن بين أجهزة الكمبيوتر تسجيل يصبح خطوة حاسمة. لا يمكن لجميع أن تبدأ التسجيلات في نفس الوقت بالضبط، ولكل تيار البيانات لديها إطاره وقت محدد (على سبيل المثال، ثانية 0 العين تتبع ≠ 0 ثانية من EEG أو البيانات الفسيولوجية). وهذا أمر مهم للغاية: عدم الاتساق بين البيانات والجداول يعني أخطاء في تقدير حجم كل البعد الاشتباك. هناك طرق مختلفة لمزامنة التسجيلات الفسيولوجية والسلوكية المتزامنة. ويمكن تقسيم هذه الطرق إلى نهجين رئيسيين؛ المباشرة وغير المباشرة 20. ويستند بروتوكول المعروضة في المقطع التالي على نهج غير مباشر حيث يتم استخدام جهاز خارجي، وهو syncbox، لإرسال الترانزستور الترانزستور المنطق (TTL) إشارات لجميع أجهزة التسجيل (كما هو موضح في الشكل رقم 1). حيث أن كل قطعة من المعدات لديه وقت البدء مختلفة، تسجل علامات TTL في ملفات السجل مع قريب تأخير. ثم يتم استخدام علامات لإعادة تنظيم الإشارات وبالتالي ضمان التزامن الصحيح بعد كل تسجيل. ويستخدم برنامج برامج التحليل السلوكي الذي يسمح التكامل ملف خارجي لإعادة مزامنة-الجدول الزمني للكل دفق البيانات وإجراء تحليل كمي ونوعي لكل البعد الاشتباك.

الشكل 1
الشكل 1. العمارة في نظام جمع البيانات، ومختبر البيئة التي السلوكي (العين تتبع)، العاطفي (EDA والعاطفة الوجه) والمعرفية البيانات (EEG) إشراك يتم جمع يحتوي على العديد من أجهزة الكمبيوتر. هذا يثير تحديا التزامن للبيانات التي يتم الرجوع إليها في الساعات الكمبيوتر الخاصة بهم. لتكون قادرة على تحليل جميع البيانات في نفس الوقت إشارة، وإعداد مختبر ينطوي على syncbox التي ترسل إشارات TTL لجميع البيانات والجداول.NK "> اضغط هنا لمشاهدة نسخة أكبر من هذا الرقم.

لتقييم دقة منهجية من حيث التزامن، تم إدخال 45 ثانية توقف قبل كل المشاكل الفيزياء الميكانيكية. خلال هذه الوقفات، كانت موضوعات للاسترخاء وإغلاق أعينهم. كما رأينا في دراسات أخرى 4،9،16،17،18، ينبغي لهذه الوقفات لحث اختلافات كبيرة في إشارة جمع: اثنان النقاط تلميذ العين في (المشاركة السلوكي) على الفور تختفي تتبع العين وانخفاض فوري في الاشتباك المعرفي (EEG إشارة) لوحظ. وتستخدم هذه المكونات المحددة للإشارة إلى تقييم صحة العامة للمزامنة. نشر مؤخرا من الأوراق التي تعتمد كليا أو جزئيا على هذا الإجراء تزامن، في مجالات نظم المعلومات 19، والتفاعلات بين الإنسان والآلة والتعليم 21 9، 22، يقدم دليلا على فعاليتها.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

تلقى هذا البروتوكول شهادة الأخلاقية من COMITE INSTITUTIONNEL للبحوث AVEC قصر êtres humains (CIER) DE L'جامعة كيبيك في مونتريال à (UQAM) التي أقرتها اللجنة العليا للانتخابات مونتريال لمرفق البحوث Tech3Lab. يصف البروتوكول كل من الخطوات المحددة التي يتم تنفيذها في بيئتنا ومعدات المختبرات. على الرغم من أن يتم توفير البرنامج المسارات دقيقة لتوضيح منهجية، وهذا الأسلوب هو تحويل ويمكن تكرارها مع غيرها من الملكية تتبع العين، التلقائي الوجه الاعتراف العاطفة والنشاط الكهربي ومعدات كهربية والبرمجيات.

1. الإعداد للمختبر البيئة

  1. بدوره على العين تعقب، مكبر للصوت EEG، وأجهزة الكمبيوتر أربعة تسجيل ومكبرات الصوت.
  2. إعداد الإعداد للمعدات التسجيل:
    1. إعداد الإعداد EEG مع المواد المطلوبة وفقا لrecomme الشركة المصنعةإجراءات nded. إعداد البرنامج EEG للمشارك القادم. بدء برنامج لتتبع العين وإنشاء ملف تعريف المشاركين الجدد في البرنامج. بدء تشغيل برنامج تسجيل الفيديو والكاميرات.
    2. بدء برنامج المزامنة مع روتين معين إنشاؤها لهذا المشروع مع علامات في 60 ثانية. بدء تشغيل البرنامج القياس الفسيولوجي (لتسجيل النشاط الكهربي) وفتح تخطيط معين إنشاؤها لهذا المشروع. ضبط كرسي المشارك إلى أعلى مستوى.

2. إعداد مشارك

  1. اطلب من المشاركين لقراءة وتوقيع استمارة الموافقة الأخلاقية.
  2. إجراء قياسات الجمجمة لEEG:
    1. العثور على الموقع تشيكوسلوفاكيا على رأس المشاركين (وفقا ل10-20 النظم المرجعية). تزج الشبكة EEG في محلول ملحي (كلوريد البوتاسيوم) (راجع الخطوة 1.2.1) وبدء الموقت (10 دقيقة) وفقا للمعايير الشركة المصنعة. </ لى>
  3. قراءة الهدف من الدراسة والخطوات في التجربة إلى المشارك، "إن الهدف من هذه الدراسة هو لمراقبة نشاط الدماغ أثناء الإجابة على المشاكل الفيزياء. أولا نحن سيتم تثبيت أجهزة الاستشعار، وبعد ذلك سوف يطلب منك حل 10 مشاكل الفيزياء النيوتونية على الكمبيوتر. وسوف نطلب منك أن تأخذ استراحة 45 ثانية بعد كل مشكلة مع عينيك مغلقة. بعد كل مشكلة، سوف يطلب منك أن تقيم تقييمكم لهذه المشكلة ".
  4. أقول هذا الموضوع أن إجمالي مدة التجربة ستكون 90 دقيقة.
  5. تثبيت أجهزة استشعار الفسيولوجية، وفقا لتوصيات الشركة الصانعة: اثنين من أجهزة الاستشعار gelified على الجزء العلوي من اليد اليسرى.
  6. تثبيت غطاء EEG، وفقا لتوصيات الشركة الصانعة وإجراء تدقيق مقاومة مع عتبة في 40 أوم (وفقا لمواصفات الشركة المصنعة).

3. جمع البيانات

  1. تأكد من أن كل برنامج تسجيل جاهز للبدأ في التزامن:
    1. علم وظائف الأعضاء (بيانات EDA): انقر على زر "البدء".
    2. تسجيل الفيديو: انقر على زر "فتح".
    3. العين تتبع: انقر على زر "معلقة".
    4. EEG: انقر على زر "السجل".
    5. برنامج المزامنة: انقر على زر "دائرة خضراء".
  2. عين البصر المعايرة:
    1. إجراء خمس نقاط المعايرة على الشاشة ومراقبة مشارك في حين انه / انها يلي النقاط الحمراء (فوق "أدوات / الضبط / المعايرة ..."). كرر هذا الإجراء حتى يتم تحقيق دقة كافية، وفقا لمعايير الشركة المصنعة.
  3. تعليمات مهمة المشروع على الشاشة المشارك: نسأل اذا كان له / لها أي أسئلة بعد قراءتها، وإذا هو / هي على استعداد للبدء التجربة.
  4. اطلب من المشاركين أن يحل 10 ص نيوتنمشاكل hysics.
  5. إذا لزم الأمر، إجراء فحص مقاومة خلال واحدة من ليالي فواصل 45 (ليس قبل المشكلة 5).
  6. تأكد من أن المشاركين يأخذ كامل 45 ق استراحة قبل كل مشكلة (لتحديد خط الأساس).

4. نهاية جمع البيانات

  1. وقف الحصول على البيانات على كافة أجهزة الكمبيوتر وإزالة أجهزة الاستشعار من المشاركين.

5. بعد مشارك اليسار

  1. تنظيف غطاء EEG مع مادة مبيدة للجراثيم ويرتبوا المعدات، وفقا لتوصيات الشركة الصانعة. حفظ كافة ملفات البيانات التي تم جمعها وإنشاء نسخة احتياطية على ملقم FTP.
  2. في ملء جدول المشاركين: ملاحظة أي حدث معين أو مشكلة أثناء جمع البيانات. مسح جميع الكوكيز من متصفح الويب.

6. بيانات ما قبل المعالجة والتصدير إلى تكامل البرمجيات

  1. EEG
    1. بيانات الاستيراد EEG إلى EEG برامج تحليل البيانات:
      1. إنشاء ثلاثة مجلدات فارغة على الكمبيوتر المسمى "البيانات الخام"، "التاريخ" و "تصدير" للصق البيانات EEG الخام في ملف البيانات الخام التي تم إنشاؤها حديثا.
      2. في EEG برامج تحليل البيانات، انقر فوق "ملف / مشروع جديد ..." واختيار موقع البيانات الخام عن طريق النقر فوق استعراض، ثم اختيار ملف البيانات الخام التي تم إنشاؤها حديثا. اختيار موقع "التاريخ" والمجلدات "تصدير" بنفس الطريقة.
      3. انقر على زر "موافق". (يجب أن يحتوي على نافذة كل EEG بيانات المشارك).
    2. قبل عملية إشارة الدماغ:
      1. تطبيق عامل تصفية والشق (انقر على زر "التحولات / مرشحات آي آي آر ..."). في النافذة، وتمكين قطع منخفضا عند 1.5 هرتز مع منحدر من 12 ديسيبل وقطع عالية في 50 هرتز مع منحدر من 12 ديسيبل. كما تمكن الشق في 60 التردد هرتز.
      2. لأنه يتم استخدام مكبر للصوت DC، DC detrend الإشارة (اضغط على "تراnsformations / DC Detrend ... "وتمكين" على أساس الوقت "في 100 مللي ثانية قبل علامة و 100 ميللي ثانية قبل الاتصال DC).
      3. إجراء التفتيش البيانات الخام (انقر على "تحويل / الخام التفتيش البيانات ..." وحدد إزالة قطعة أثرية شبه التلقائي). حدد ما يلي: الجهد القصوى 60 μV / MS. ماكس مين: 200 μV في 200 مللي ثانية فاصل. السعة: -400 إلى +400 μV).
      4. إجراء ICA التلقائي مع التكوير الكلاسيكية لإزالة طرفة عين (التحف تخطيط العضل لا تحتاج إلى إزالتها لأن مداها هو خارج ترددات الفائدة). (انقر على "التحولات / ICA ...". وفي نهاية ICA، العملية ICA معكوس).
      5. إعادة الإسناد ("التحولات / إعادة الإسناد ...") إشارة واختر "متوسط ​​المشترك".
      6. تصدير (انقر فوق "تصدير / عام تصدير البيانات ...") إشارة وعلامات في شكل نص (حدد ".vhdr"؛ مربع) لبناء ماتلاب في نهاية المطاف مؤشر الاشتباك. كما حدد "ملف رأس الكتابة" ومربعات "كتابة ملف علامة".
    3. استيراد إشارة في Matlab.
      1. بدء مطلب واكتب "eeglab" بحيث يظهر GUI من EEGLab واستيراد البيانات لمشارك واحد في وقت واحد. في واجهة المستخدم الرسومية، حدد عنصر القائمة "ملف / استيراد بيانات / استخدام وظائف EEGLab والإضافات / من الدماغ فيس تم .vhdr الملف".
      2. في إطار الأوامر، لصق النصي 16 الذي يولد مؤشر الاشتباك.
        ويتكرر يتم احتساب النصي الاشتباك المعرفي من متوسط ​​كل بيتا / (ألفا + ثيتا) نسبة غضون 20 ثانية نافذة انزلاق السابقة T. الوقت هذا الإجراء في كل ثانية، ويستخدم نافذة انزلاق جديد لتحديث الفهرس: ملاحظة.
    4. في MS Excel فتح ملف نص مؤشر الاشتباك الذي تم إنشاؤه في نهاية السيناريو عن طريق مطلب وتطبيق Z-SCORالبريد التطبيع على البيانات EEG للسماح للمقارنة intersubject. (لكل قيمة، حساب هذه الصيغة في Excel: Z = (القيمة - المتوسط ​​العام) / الانحراف المعياري العام).
    5. حفظ الدرجة المعيارية مؤشر المشاركة إشارة في ملف CSV في MS Excel. (انقر فوق ملف / حفظ باسم ... وحدد CSV في نوع الشكل.)
    6. كرر الإجراء (من الخطوة 6.1.2.2) لكل مشارك.
  2. علم وظائف الأعضاء:
    1. بيانات الاستيراد EDA في الفسيولوجي برامج تحليل البيانات.
    2. تطبيق هذه المعايير إلى ما قبل عملية إشارة الفسيولوجية:
      1. تطبيق التحول لوغاريتمي لتطبيع توزيع تصرف وفقا فينابلز وكريستي 23 الأسلوب.
      2. شقة إشارة على 10 ثانية نافذة 24 انزلاق.
    3. في داخل البرنامج الفسيولوجية، حساب تطبيع الدرجة المعيارية على البيانات EDA للسماح مقارنة intersubject. (Z = (القيمة - المتوسط ​​العام) / الانحراف المعياري العام).
      1. تسليط الضوء على جميع البيانات مع المؤشر من قناة EDA.
      2. في أعلى القائمة، حدد القناة EDA، واختر "يعني" الحصول على القيمة المتوسطة للقناة العامة. كما حدد القناة EDA و "stddev" للحصول على قيمة الانحراف المعياري للقناة العامة.
      3. لحساب معادلة الدرجة المعيارية، انقر فوق "تحويل / الموجي الرياضيات ..." وحدد القناة EDA في المصدر 1. حدد "-" (ناقص) في إطار عملية حسابية وحدد K في مصدر 2. حدد "وجهة جديدة" في القائمة جهة وأدخل القيمة المتوسطة للقناة EDA (راجع الخطوة 6.2.3.2). حدد "تحويل موجة بأكملها"، انقر فوق موافق ثم انقر فوق "تحويل / الموجي الرياضيات ...". حدد القناة EDA-K في مصدر 1، حدد "/" (الفجوة) في إطار عملية حسابية، حدد K في مصدر 2، حدد "وجهة جديدة" في مكان وENTEص قيمة الانحراف المعياري للقناة EDA (الخطوة 6.2.3.2). حدد "تحويل موجة كامل" ثم انقر فوق موافق.
    4. تصدير إشارة (الشهوة) في ملف CSV. (انقر فوق ملف / حفظ باسم ... وحدد CSV في نوع الشكل.)
  3. التلقائي الوجه الاعتراف العاطفة:
    1. استيراد البيانات من الفيديو المسجل وسائل الاعلام الى التلقائي الوجه برنامج التعرف على العاطفة. (انقر على "ملف / جديد ... / مشارك ...". بعد اختيار مشارك جديد في القائمة المشروع عن طريق النقر عليه، انقر فوق "ملف / جديد / تحليل / فيديو ...". انقر على العدسة المكبرة بجانب تحليل 1 واختيار المطلوب ملف الفيديو.
      1. حدد تحليلا حاليا ل "كل إطار الثالث" وتفعيل "المعايرة المستمرة".
      2. تصدير البيانات التكافؤ في ملف CSV. (انقر على "خيارات / إعدادات / تسجيل ..."، والتحقق من "كتابة قيمة التكافؤ إلى ملف السجل" مربع انقر فوق "ملف /تصدير ... "، واختيار الموقع حيث سيتم تصدير ملفات السجل، والتحقق من" حفظ "مربع سجل مفصل).
      3. فتح ملف CSV في MS Excel. نسخ عمود البيانات التكافؤ في عمود واحد من البرامج SPSS. انقر على زر "تحليل / Descriptives الإحصاء / Descriptives" وحدد اسم المتغير الذي تم لصقه فقط. ضع علامة في المربع "حفظ القيم المعيارية في المتغيرات". وهناك عمود مع عدد Z تظهر. نسخ ولصق هذه وعشرات Z على البيانات القديمة في ملف إكسل.
    2. حفظ ملف Excel مع ض عشرات من إشارة (التكافؤ) في شكل CSV.

7. تكامل البيانات والتزامن

  1. في برامج التحليل السلوكي:
    1. استيراد ملفات الفيديو تتبع العين (المشاركة السلوكي). (انقر على "ملف / استيراد / الفيديو في مراقبة جديدة ...". اسم المراقبة الجديدة واختيار ملف الفيديو المطلوب.)
    2. الرمز في كل فيديو مع تكون وثيقة الصلةhaviors والأحداث السياقية (علامات الساعة، والحق / اجابات خاطئة).
    3. استيراد جميع البيانات الخارجية مع رأس المناسب: الدرجة المعيارية للإشارة EEG (الاشتباك المعرفي)، الدرجة المعيارية للإشارة EDA (المشاركة العاطفية)، Z-درجة من البيانات التكافؤ (الاشتباك العاطفي). (انقر على "ملف / استيراد / البيانات الخارجية ...". حدد نوع الملف المناسب وحدد ملف CSV الصحيح.)
  2. مزامنة الوقت بين أجهزة الكمبيوتر وفقا لهذه الصيغ:
    1. الوقت في العين نظرات من الوقت في EEG = الوقت في العين البصر + علامة ثانية في EEG - أول علامة في نظرات العين.
    2. الوقت في نظرات العين من الوقت في التعرف على العاطفة الوجه = الوقت في العين البصر + علامة الأولى في العاطفة الوجه - أول علامة في نظرات العين.
    3. الوقت في العين نظرات من الوقت في النشاط الكهربي = الوقت في العين البصر + علامة الأولى في النشاط الكهربي - أول علامة في نظرات العين.
  3. إدخال البيانات تعويض عن طريق الضغط على "على Ctrl + Shift + =221 ؛، لفتح القائمة الأوفست. حدد "تعويض العددية" للدخول في الوقت بالثواني بين كل زوج من مصادر البيانات [OK؟])، وفقا لحسابات أعلاه.
  4. إنشاء تقرير وفقا لمتغيرات الفائدة في الدراسة.
    1. تحديد المتغيرات الهامة التي سيتم إنشاؤها في التقرير (انقر على زر "تحليل / تحديد البيانات / جديد الملف البيانات ..."). من اليسار، حرك المتغيرات المنشود بين "ابدأ" مربع و "النتائج" مربع، على اليمين.
    2. إنشاء التقرير. (اضغط على "تحليل / التحليل العددي / نيو ..."، انقر فوق "الإحصاء" وتحقق مربع متوسط ​​في القائمة بيانات خارجية. أنهي بالنقر على "حساب".)
  5. تصدير البيانات إلى برامج التحليل الإحصائي وإجراء تحليل وفقا لأهداف الدراسة.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

أرقام 2 و 3 عرض لقطات من نتائج التكامل وتزامن البيانات الاشتباك السلوكية والعاطفية والمعرفية السلوكية في تطبيق برامج التحليل. في كلا الرقمين، ينظم القسم الأيسر الموضوعات البحثية ونظام الترميز. في الجزء الأوسط، وشريط فيديو (مع النقط الحمراء) يبين العين البصر موضوع خلال هذه المهمة. ويمكن الاستدلال على المشاركة السلوكي هذا الموضوع بناء على ما هو / هي تبحث في أثناء المهمة والإجراءات ما تؤخذ. في الجزء السفلي، علامة الوقت التمرير بشكل متزامن في ثلاثة مسارات البيانات: جمعية الإمارات للغوص (الشهوة) والوجه التكافؤ الانفعال العاطفي للمشاركة ومؤشر المشاركة EEG للمشاركة المعرفي. عندما يتم جمع البيانات من جميع المواد، ويوفر البرنامج أيضا إحصاءات وصفية الأساسية التي يمكن في نهاية المطاف أن تستخدم لإجراء تحليل intersubject في غيرها من برامج التحليل الإحصائي.

والأنف والحنجرة "FO: المحافظة على together.within صفحة =" دائما "> الرقم 2
الشكل 2. متعددة الأبعاد الاشتباك البيانات في بداية مهمة حل مشكلة. لقطة للموضوع في بداية مرحلة حل المشكلة. المتعلم هو قراءة مقدمة المشكلة: نظرات العين على السطر الثالث. في هذا الوقت (ويمثل الخط الأحمر مؤشر الوقت)، والإثارة هذا الموضوع قد مرت للتو ذروة تحسبا لمشكلة يجب حلها ولكن لا تزال مرتفعة مقارنة مع خط الأساس، التكافؤ العاطفي يبدو محايدا، ويبدو أن الاشتباك المعرفي EEG في الأقصى . الرجاء انقر هنا لمشاهدة نسخة أكبر من هذا الرقم.

الشكل (3)
الشكل 3. متعددة الأبعاد الاشتباك البيانات الدرجي وقفة في العمل. بيانات من وقفة أمام مهمة حل المشكلة. هذا التوقف هو مفيد لإنشاء خط الأساس هذا الموضوع تماما قبل أن المهمة. هنا، لأن عيني الشخص مغلقة، البيانات التكافؤ غير متوفرة. المشاركة المعرفي (إشارة EEG) يرتفع قليلا عن الحد الأدنى لها. موضوع ببطء إعادة الانخراط مع المهمة، وتوقع نهاية وقفة. الاستثارة (إشارة EDA) في تناقص مستمر. الرجاء انقر هنا لمشاهدة نسخة أكبر من هذا الرقم.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

من حيث الخطوات الحاسمة في البروتوكول، ينبغي أولا أن أشير إلى أن نوعية البيانات هي دائما التركيز الرئيسي لتقنيات جمع العصبية. في هذه المنهجية، يجب أن مساعدي البحوث تولي اهتماما خاصا لتعليمات الموضوعات للحد من حركات الرأس التي من شأنها أن تتداخل مع مراقبة التكافؤ (فقدان الصحيحة زاوية مواجهة للكاميرا) أو توليد التحف تخطيط العضل في EEG. من ناحية أخرى، لا بد من الحفاظ على التوازن بين أصالة حل مشكلة حقيقية والمداخلات لمزيد من جمع البيانات مريح. ومن المهم أيضا أن نلاحظ أن جمع البيانات EEG يخضع لتقلبات الكهرومغناطيسية في البيئة. مرافق EEG التقليدية في محاولة لعزل أجهزتها من التقلبات الكهرومغناطيسية مع أقفاص فاراداي. ومع ذلك، لأن بعض المعدات المستخدمة في هذه المنهجية من شأنه أن يولد التقلبات الكهرومغناطيسية (أساسا جهاز تتبع العين) داخل قفص فاراداي، الغير أن النهج تكون غير فعالة. نتغلب على القضايا الكهرومغناطيسية عن طريق إيلاء اهتمام خاص لأسس والتدريع جميع الأجهزة الكهربائية.

أما بالنسبة للتعديلات واستكشاف الأخطاء وإصلاحها مع هذه التقنية، واعتمدت استراتيجية التزامن الأولي على قدرة برنامج المزامنة على وجه التحديد "بداية" جمع البيانات على أجهزة الكمبيوتر وبرامج متعددة معا. لأن لوحظت تأخيرات حرجة وغير متناسقة بين أجهزة الكمبيوتر والبرامج، وأصبحت بعد جمع-المزامنة اللازمة. ونتيجة لذلك، تم إضافة جهاز syncbox إلى الهندسة المعمارية. وsyncbox يرسل علامة TTL لكافة أجهزة الكمبيوتر والبرامج التي تقوم بجمع البيانات. يصبح التزامن مسألة احتساب التأخير بين علامات syncbox الأولى.

واحد الحد من هذه التقنية التي تحتاج إلى أن المذكور هو دقة تحليل الإشارات، التي تقتصر تلاه مؤشر الاشتباك المعرفي. بسببالافتراضات الأساسية من الاتحاد الفرنسي للتنس، يتم إنشاء هذا المؤشر على أساس الحقبة 1 ثانية: السيناريو الاشتباك المعرفي يولد قيمة كل ثانية. في هذا النموذج، الذي يركز على حل مشكلة أصيلة، وهذا إطار زمني مقبول، ولكن دراسات أكثر دقة الاشتباك قد تواجه بعض القيود مع هذا الإطار الزمني للتحليل.

فيما يتعلق بأساليب القائمة / بديل، لا بد من الإشارة إلى أن التكافؤ العاطفي ويمكن أيضا أن تستمد مع ضغط حجم الدم 18، 25 أجهزة الاستشعار. ويمكن أيضا أن تكون متكاملة هذه التقنية في البحوث المستقبلية لتقييم دقتها مقارنة مع إشارة التكافؤ من برنامج التعرف على الوجه العاطفة. يجب علينا أيضا أن نذكر أن مؤشر المشاركة المعرفية المستخدمة في هذه الدراسة هو واحد المعروفة التي تم استخدامها في الأبحاث المنشورة السابق. بعض الشركات المصنعة للأجهزة EEG خفيفة تدعي توفير قدر مماثل، ولكن من الصعب تقييم جودة البيانات الخام والمصنعة منذالخوارزميات هي غير منشورة.

أخيرا، تقدم هذه التقنية العديد من التطبيقات الممكنة في مختلف المجالات. بالطبع، وسوف تكون ذات قيمة في مجال التعليم. من بين الاحتمالات الأخرى، يمكن لهذه التقنية تقييم المشاركة أن تكون أداة قوية لإعلام مصممي ملاعب. على سبيل المثال، كما مارتنز، Gulikers وBastiaens 26 لاحظ، "في كثير من الأحيان، يميل المطورون لإضافة الملتيميديا ​​إضافات، والمحاكاة، وهلم جرا، وذلك أساسا بسبب التكنولوجيا تجعل من الممكن، على الرغم من أنها لا تستند إلى تحليل دقيق التعليمي والتصميم ". وهكذا، البيانات العصبية يمكن أن يفيد مصممي إذا الإضافة محددة هي قيمة، إذا كان المحتوى معقد جدا، إذا استراتيجيات التعلم المقترحة تتسم بالكفاءة، وما إلى ذلك وبالإضافة إلى ذلك، وتقييم في الوقت الحقيقي من المشاركة المتعلم يفتح الاحتمالات عن التكيف التعلم الإلكتروني أو تقييم الإلكترونية البيئات. يمكننا أن نتوقع من المتعلم، وهو يرتدي خوذة EEG خفيفة الوزن، وتحذيره من قبل النظام عرجن له / مستوى خطبتها آخذ في الانخفاض، وعلى سبيل المثال، أدى إلى وقفة أو تتفاعل وفقا لذلك. سيكون من الممكن أيضا لتطوير مهام التقييم على التكيف، استنادا إلى مؤشرات الاشتباك. ويجري حاليا إجراء قدر لا بأس به من بحث والتطوير في مجال مبتكرة من واجهات الدماغ والحاسوب (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