Bedöma Flera dimensioner of Engagement att karaktärisera Learning: neurofysiologisk perspektiv

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

Engagemang spelar en avgörande roll i lärandet. För Clark och Mayer 2, "allt lärande kräver engagemang," oavsett leveransmedia. Zhang et al. 3 föreslog också att en ökad elevernas engagemang kan förbättra lärandemål, såsom problemlösning och kritiskt tänkande. Definiera engagemang är fortfarande en utmaning. I sin litteraturgenomgång, Fredricks, Blumenfeld och Paris 1 definierade ingrepp med sin mångfacetterade natur: "Beteende engagemang bygger på idén om deltagande; det inkluderar deltagande i akademiska och sociala eller fritidsaktiviteter. (...) Emotionell engagemang omfattar positiva och negativa reaktioner på lärare, klasskamrater, akademiker och skola och förmodas skapa band till ett objekt och påverka viljan att göra jobbet. Slutligen drar kognitiv engagemang på idén om psykisk investeringar; Det omfattar eftertänksamhet och vilja att utöva ansträngningen NECdigt att förstå komplexa idéer och master svåra kompetens. "

Fredricks, Blumenfeld och Paris 1 hävdade också att fokus på beteende, känslor och kognition, inom begreppet engagemang, kan ge en rikare karakterisering av lärande. Dessa författare påpekade att en robust kropp forskning behandlar varje komponent i ingrepp separat, men dessa komponenter hade inte studerats i samband. De konstaterade också att lite information finns tillgänglig om samspelet mellan dimensionerna och att fler studier skulle kunna bidra till att planera finstämda undervisningsinsatser. Som ett steg i den riktningen, beskriver detta dokument en forskningsmetodik som utvecklats för att samla in och analysera kvantitativa och kvalitativa data, synkront på beteendemässiga, känslomässiga och kognitiva engagemang under inlärningsuppgifter.

Att de neurovetenskap till utbildning

BehavIOR, och därmed beteende engagemang, har länge varit en central del av studier i utbildning: forskningsdesign fokuserade främst på förändringar i kunskap och beteende förekommer under långa tidsperioder, mellan för- och eftertester, och över intervaller timmar, veckor , månader eller år. Diskriminerande mellan beteendemässiga, känslomässiga och kognitiva engagemang förblir en utmaning, eftersom de senaste två dimensioner är inte systematiskt observeras externt. Kognition och känslor måste antingen härledas från observationer eller bedöms med självrapportåtgärder. Från en extern synvinkel, är det fortfarande svårt att avgöra om eleverna försöker att få jobbet gjort så snabbt som möjligt eller med hjälp av inlärningsstrategier djup nivå att behärska ett specifikt innehåll. I själva verket, Fredricks, Blumenfeld och Paris 1 kunde inte hitta några publicerade studier med direkta, objektiva mått på kognitiv engagemang.

Senaste tekniska utvecklingen iinom neurovetenskap har skapat nya möjligheter för forskning inom utbildning. Nya metoder för datainsamling och analys algoritmer utvecklats inom neuro ergonomi verkar mycket lovande för kvalitativa och kvantitativa studier under inlärningsuppgifter. Andra discipliner, såsom ekonomi, psykologi, marknadsföring och ergonomi, har använt neurofysiologiska mätningar för att utvärdera kognitiva engagemang för en tid 4-8. Neurofysiologiska åtgärder, i kombination med effektiva analysalgoritmer, tillåter en att studera ett fenomen utan att störa den. Av sin natur, självrapportenkäter lossa studenter från lärande. Neurofysiologiska åtgärder tillåter forskningsdesign som ska genomföras i mer autentiska inlärningsmiljöer. Dessa verktyg inkluderar utrustning för att övervaka hjärtfrekvens, andningsfrekvens, blodtryck, kroppstemperatur, pupilldiameter, elektrodermal aktivitet, elektroencefalografi (EEG), osv.

Som representativa resultat efter användning av detta protokoll, kommer detta papper att presentera delresultat från en studie där eleverna hade att lösa, på en datorskärm, tio problem inom mekanisk fysik. Dessa problem har utvecklats i tidigare arbete 9. Neurofysiologiska uppgifterna samlades in under eleverna var att lösa problemen och att koppla av under en 45 s paus, med slutna ögon, efter varje problem.

Som nämnts ovan, beteendemässiga data engagemang består av mjukvaru interaktioner (musrörelser och klick), öga blick, prestanda och svar på frågor som producerats av en elev att interagera med systemet samtidigt utföra uppgiften 1. En eye-tracking system används för att samla programvara interaktioner och ögon blick uppgifter. Prestandadata (tid för att lösa ett problem, korrekthet svar) samlades på enundersökning webbplats som användes för att presentera uppgiften. Denna webbplats har också använts för att samla självrapportdata som samlas in med ett frågeformulär anpassat från Bradley och Lang 10. Emotionell engagemang innebär karakterisering av känslor. Enligt Lang 11, är känslor kännetecknas i termer av valens (trevlig / obehagliga) och upphetsning (lugn / väckte). Uppgifter emotionellt engagemang sågs därför samlas in, med hjälp av automatisk ansiktsigenkänning känslor erkännanden mjukvaran som kvantifierar emotionella valens och en elektrodermal aktivitet kodare / sensor för upphetsning 12,13. Elektrodermal aktivitet (EDA) avser den inspelade elektriska motståndet mellan två elektroder när en mycket svag elektrisk ström kontinuerligt skickas mellan dem. Cacioppo, Tassinary och Berntson 14 visade att motståndet registreras varierar beroende på patientens upphetsning. Således, psykofysiologiska data, såsom valens eller upphetsning, betraktas som korrelat av emotionellt engagemang.

14, dessa band speglar olika kognitiva bearbetningsförmåga i vissa områden av hjärnan. Analysen av effektspektrum (PSD) i vissa frekvenser, i kombination med ett stort antal studier 7,15 på vakenhet och uppmärksamhet, kan forskarna att kvantifiera kognitiv engagemang under en uppgift. Som al. Mikulka et 16 noterade, har forskning visat ett direkt samband mellan beta-aktivitet och kognitiv vakenhet och en indirekt relation mellan alfa end theta aktivitet och vakenhet. Således påven, Bogart och Bartoleme 7 utvecklat ett engagemang index som beräknar PSD av tre band: beta / (alfa + theta). Detta förhållande har validerats i andra studier på engagemang 16,17,18. För att karakterisera kognitiv engagemang över tiden, en snabb Fouriertransform (FFT) omvandlar EEG-signalen från varje aktiv plats (F3, F4, O1, O2) i ett effektspektrum. EEG engagemang index vid tidpunkten T beräknas med genomsnittet av varje ingreppsförhållande inom 20 sekunder skjutfönster som föregår tidpunkten T. Denna procedur upprepas vartannat och en ny skjutfönster används för att uppdatera indexet.

Eftersom syftet med denna metod är att ge en rik analys av de olika dimensionerna av engagemang, är datasynkronisering avgörande. Som al. Leger et 19 påminna läsarna, tillverkare av utrustning rekommenderar starkt att använda endast en dator per mätverktyg för att garantera deras angivna precision level. Så när flera datorer används, synkronisering mellan inspelnings datorer blir ett kritiskt steg. Inspelningarna kan inte alla vara igång vid exakt samma tid, och varje dataströmmen har sin specifika tidsram (t.ex. sek 0 av eye tracking ≠ sekund 0 av EEG eller fysiologiska data). Detta är oerhört viktigt: desynkronisering mellan dataströmmar betyder fel i kvantifieringen av varje dimension av engagemang. Det finns olika sätt att synkronisera samtidiga fysiologiska och beteende inspelningar. Dessa metoder kan indelas i två huvudinriktningar; direkt och indirekt 20. Protokollet presenteras i nästa avsnitt är baserad på en indirekt metod där en extern enhet, en syncbox, används för att skicka transistortransistorlogik (TTL) signaler till alla färdskrivaren (såsom visas i fig 1). Eftersom varje del av utrustningen har en annan starttid, är TTL markörer registreras i loggfilerna med en relativ fördröjning. Markörer används sedan för att justera signalerna och därmed säkerställa korrekt synkronisering efter varje inspelning. En beteendeanalys program som tillåter extern fil integration används för att åter synkronisera tidslinjen för varje dataström och utföra kvantitativ och kvalitativ analys av varje dimension av engagemang.

Figur 1
Figur 1. Arkitektur för datainsamling System. Labbet miljö där beteende (eye-tracking), emotionell (EDA och ansikts känslor) och kognitiva (EEG) ingrepps uppgifter samlas in innehåller många datorer. Detta väcker en synkroniserings utmaning för data som refereras på deras respektive datorklockor. För att kunna analysera alla data i samma referenstiden innebär labbet setup en syncbox som skickar TTL-signaler till alla dataströmmar.nk "> Klicka här för att se en större version av denna siffra.

För att utvärdera precisionen av metoden i form av synkronisering, var 45 sekunder pauser införas innan var och en av de mekaniska fysik problem. Under dessa pauser, försökspersonerna hade att slappna av och blunda. Som framgår av andra studier 4,9,16,17,18 bör dessa pauser inducerar betydande variationer i den uppsamlade signalen: de två ögats pupill prickar i eye-tracking omedelbart försvinna (beteende engagemang) och en omedelbar nedgång i kognitiv engagemang (EEG signal) observeras. Dessa särskilda komponenter av signalen används för att utvärdera den allmänna giltigheten av synkroniseringen. Den nyare publikation över papper som helt eller delvis är beroende av denna synkroniseringsförfarande inom informationssystem 19, människa och maskin interaktion 21 och utbildning 9, 22, ger belägg för dess effektivitet.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Detta protokoll fått en etisk intyg från Comité institutionnel de la recherche avec des êtres humains (CIER) de l'Université du Québec à Montréal (UQAM) som godkändes av HEC-Montreal för Tech3Lab forskningsanläggning. Protokollet beskriver vart och ett av de särskilda åtgärder som utförs i vår labbmiljö och utrustning. Även om exakta mjukvaru vägar finns för att klargöra den metod, är denna teknik överlåtas och kan replikeras med andra proprietära eye-tracking, automatisk ansikts känslor erkännande elektrodermal aktivitet och elektroencefalografi utrustning och programvara.

1. Inställning av labbmiljö

  1. Slå på ögon tracker, EEG förstärkare, de fyra inspelnings datorer och högtalare.
  2. Förbered installationen av färdskrivaren:
    1. Förbered EEG setup med krävs materialet enligt tillverkarens rekommendernded förfaranden. Förbered EEG programvara för kommande deltagare. Starta ögonspårningsprogram och skapa en ny deltagare profil i programvaran. Starta programmet videoinspelning och kamerorna.
    2. Starta synkroniseringsprogram med specifika subrutin skapats för projektet med markörer vid 60 sek. Starta fysiologiska mätningar programvara (för att spela in elektrodermal aktivitet) och öppna specifik layout skapas för projektet. Justera deltagarens stolen till den högsta nivån.

2. Deltagare Framställning

  1. Be deltagaren att läsa och underteckna etiska medgivande.
  2. Utför skalle mätningar för EEG:
    1. Hitta CZ plats på deltagarens huvud (enligt 10 - 20 referenssystem). Sänk EEG netto i saltlösning (kaliumklorid) (se steg 1.2.1) och starta en timer (10 min) i enlighet med tillverkarens normer. </ Li>
  3. Läs syftet med studien och de steg i försöket till deltagaren "Syftet med denna studie är att följa din hjärnaktivitet när du svarar fysikproblem. Först kommer vi att installera sensorer, då du kommer att bli ombedd att lösa 10 Newtons fysik problem på datorn. Vi kommer att be dig att ta en 45-sek paus efter varje problem med ögonen stängda. Efter varje problem, kommer du att bli ombedd att betygsätta din bedömning av problemet. "
  4. Tipsa motivet att den totala varaktigheten för experimentet kommer att vara 90 min.
  5. Installera de fysiologiska sensorer, enligt tillverkarens rekommendationer: två gelified sensorer på toppen av den vänstra handen.
  6. Installera EEG mössa, enligt tillverkarens rekommendationer och utföra en impedans kontroll med en tröskel på 40 kW (enligt tillverkarens specifikationer).

3. Datainsamling

  1. Se till att alla inspelningsprogrammet är redo att startas synkront:
    1. Fysiologi (EDA data): Klicka på "start" -knappen.
    2. Videoinspelning: Klicka på "öppna" -knappen.
    3. Eye-tracking: Klicka på "på is" -knappen.
    4. EEG: Klicka på "record" knappen.
    5. Synkroniseringsprogram: Klicka på "gröna cirkeln" -knappen.
  2. Ögon blick kalibrering:
    1. Utför en fem-punktskalibrering på skärmen och observera deltagaren medan han / hon följer de röda prickarna (klicka på "Verktyg / Inställningar / kalibrering ..."). Upprepa denna procedur tills tillräcklig noggrannhet uppnås, enligt tillverkarens normer.
  3. Projektarbete instruktioner på deltagarens skärm: fråga om han / hon har några frågor efter att ha läst dem, och om han / hon är redo att starta experimentet.
  4. Be deltagaren att lösa 10 newtonska physics problem.
  5. Om det behövs, utföra en impedans kontroll under en av de 45 s raster (tidigast problem 5).
  6. Se till att deltagaren tar hela 45 s paus innan varje problem (för att bestämma baslinjen).

4. Slut på datainsamling

  1. Stoppa datainsamling på alla datorer och ta bort sensorerna från deltagaren.

5. När deltagaren har lämnat

  1. Rengör EEG locket med bakteriedödande medel och städa upp utrustningen enligt tillverkarens rekommendationer. Spara alla datafiler som samlats in och skapa en säkerhetskopia på FTP-servern.
  2. Fyll i deltagarens kalkylblad: notera någon särskild händelse eller problem under datainsamlingen. Radera alla cookies från webbläsaren.

6. Data Pre-bearbetning och export till Integrations Software

  1. EEG
    1. Importera EEG-data till EEG dataanalys programvara:
      1. Skapa tre tomma mappar på datorn som heter "Rådata", "History" och "Export" för att klistra in rå EEG-data i den nyskapade Rå datafil.
      2. I EEG dataanalys programvara, klicka på "Arkiv / Nytt projekt ..." och välj rådata plats genom att klicka på Bläddra och sedan välja den nyskapade rådatafilen. Välj platsen för "History" och "export" mappar på samma sätt.
      3. Klicka på "OK". (Fönstret ska innehålla alla deltagarens EEG data).
    2. Pre-process hjärnan signalen:
      1. Använda ett filter och ett hack (klicka "Transformationer / IIR filter ..."). I fönstret aktiverar låg cutoff vid 1,5 Hz med en lutning på 12 dB och den höga cutoff vid 50 Hz med en lutning på 12 dB. Också möjliggöra ett hack vid 60 Hz.
      2. Eftersom en DC-förstärkare används, detrend DC signalen (Klicka på "Transformations / DC Detrend ... "och gör det möjligt för" baserat på tid "på 100 msek före markören och 100 msek före DC anslutning).
      3. Utför en rådata inspektion (Klicka på "Transformation / Rådata inspektion ..." och välj halvautomatiska artefakt borttagning). Välj följande: maximal spänning 60 μV / ms; Max-min: 200 μV i 200 ms intervall; amplitud: -400 till +400 μV).
      4. Utför en automatisk ICA med klassisk sfär för ögat blinka bort (myographic artefakter behöver inte tas bort eftersom deras utbud är utanför frekvenserna av intresse). (Klicka på "Transformationer / ICA ...". I slutet av ICA, processen inversen ICA.)
      5. Re-referens ("Transformations / Re-referens ...") signalen och välj "vanlig genomsnittet".
      6. Export (klicka på "Exportera / Generic Data Export ...") signalen och markörer i textformat (Välj ".vhdr"; box) för en eventuell Matlab byggandet av ingrepps index. Välj också "Skriv sidhuvudfilen" och "Skriv markör fil" lådor.
    3. Importera signalen i Matlab.
      1. Starta Matlab och skriv "eeglab" så GUI av EEGLab visas och importera data för en deltagare åt gången. I GUI väljer menyalternativet "Arkiv / Importera data / Använda EEGLab funktioner och plugins / Från Brain Vis Rec .vhdr filen".
      2. I kommandofönstret, klistrar ett skript 16 som genererar ett engagemang index.
        OBS: Den kognitiva engagemang manus beräknas av genomsnittet av varje Beta / (Alpha + Theta) förhållandet inom 20 sekunder skjutfönster som föregår tidpunkten T. Denna procedur upprepas vartannat och en ny skjutfönster används för att uppdatera indexet.
    4. I MS Excel, öppna textfilen av ingrepps index som genereras i slutet av manus av Matlab och tillämpa ett z-score normalisering på EEG-data för att möjliggöra inter jämförelse. (För varje värde, beräkna denna formel i Excel: Z = (värde - totalt medelvärde) / övergripande standardavvikelse.)
    5. Spara z-poäng engagemang indexsignal i en CSV-fil i MS Excel. (Klicka på Arkiv / Spara som ... och väljer CSV i formattypen.)
    6. Upprepa proceduren (från steg 6.1.2.2.) För varje deltagare.
  2. Fysiologi:
    1. Import EDA data i fysiologisk dataanalys programvara.
    2. Använd dessa parametrar för att förbehandla den fysiologiska signalen:
      1. Applicera en logaritmisk transformation att normalisera fördelningen av ledningsförmågan enligt Venables och Christies 23 metod.
      2. Platt signalen på en 10 sek glidande fönster 24.
    3. Inom den fysiologiska programvara, beräkna ett z-poäng normalisering på EDA data för att möjliggöra inter jämförelse. (Z = (värde - totalt medelvärde) / övergripande standardavvikelse).
      1. Markera alla data med markören från EDA-kanalen.
      2. I den övre menyn, välj EDA kanalen och välj "betyder" för att få medelvärdet av den totala kanalen. Välj också EDA kanal och "STD" för att få standardavvikelsen värdet av den totala kanalen.
      3. För att beräkna z-poäng ekvationen, klicka på "Transformation / Wave Math ..." och välj EDA-kanal i Source 1. Välj "-" (minus) i matematisk operation fönstret och välj K i källan 2. Välj "New destination" i destinationsmenyn och ange medelvärdet av EDA-kanal (se steg 6.2.3.2). Välj "Trans hela vågen", klicka på OK och klicka på "Transformation / Wave Math ...". Välj EDA-K-kanalen i källan 1, välj "/" (dela) i matematisk operation fönstret, välj K i källan 2, välj "Nytt mål" i destination och enter standardavvikelsen värdet av EDA-kanalen (steg 6.2.3.2). Välj "Trans hela vågen" och klicka på OK.
    4. Exportera signalen (upphetsning) i en CSV-fil. (Klicka på Arkiv / Spara som ... och väljer CSV i formattypen.)
  3. Automatisk ansiktsigenkänning känslor erkännande:
    1. Importera videodata från mediaspelaren i automatisk ansiktsigenkänning känslor erkännanden mjukvaran. (Klicka på "Arkiv / Ny ... / Deltagare ...". När du har valt en ny deltagare i projektet menyn genom att klicka på den, klicka på "Arkiv / Nytt / Analys / video ...". Klicka på förstoringsglaset bredvid Analys 1 och välj önskad videofil.
      1. Välj en offline analys för "var tredje frame" och aktivera "kontinuerlig kalibrering".
      2. Exportera valens data i en CSV-fil. (Klicka på "Alternativ / Inställningar / Logging ...", kontrollera "Skriv valens värde till loggfilen" rutan. Klicka på "Arkiv /Export ... ", välj den plats där loggfilerna kommer att exporteras, och kontrollera" Spara detaljerad logg "rutan.)
      3. Öppna CSV-filen i MS Excel. Kopiera valens datakolumnen i en enda kolumn av SPSS. Klicka på "Analysera / descriptives Statistik / Descriptives" och välj just klistras variabelnamn. Markera kryssrutan "Spara standardiserade värden i variabler". En kolonn med ett z-poäng visas. Kopiera och klistra in dessa z-poäng under de gamla data i Excel-fil.
    2. Spara Excel-filen med z-poängen av signalen (valens) i CSV-format.

7. Data Integration och synkronisering

  1. I beteendeanalys programvara:
    1. Importera eye-tracking videor (beteende engagemang). (Klicka på "Arkiv / Importera / video i en ny observation ...". Namnge ny observation och välja önskad videofil.)
    2. Kod varje video med relevant varehaviors och kontextuella händelser (tidsmarkörer, höger / fel svar).
    3. Importera alla externa data med lämplig rubrik: z-poäng EEG signal (kognitiv engagemang), z-poäng EDA signal (känslomässigt engagemang), z-poäng valens uppgifter (känslomässigt engagemang). (Klicka på "Arkiv / Importera / externa data ...". Välj lämplig filtyp och välj rätt CSV-fil.)
  2. Synkronisera tiden mellan datorer enligt dessa formler:
    1. Tid i ögat blick från tiden i EEG = Tid i ögat blick + andra markör i EEG - första markör i ögon blick.
    2. Tid i ögon blick från tiden i ansiktet känslor erkännande = Tid i ögat blick + första markör i ansiktet känslor - första markör i ögon blick.
    3. Tid i ögat blick från tiden i elektrodermal aktivitet = Tid i ögat blick + första markör i elektrodermal aktivitet - första markör i ögon blick.
  3. Ange kompenseringsdata genom att trycka på "Ctrl + Skift + =221 ;, för att öppna Offset menyn. Välj "Numerical offset" för att ange tiden i sekunder mellan varje par av datakällor [OK?]), Enligt beräkningarna ovan.
  4. Skapa en rapport i enlighet med variabler av intresse i studien.
    1. Välj intressanta variabler som kommer att genereras i rapporten (klicka på "Analysera / Välj Data / ny profil data ..."). Från vänster, skjut de önskade variablerna mellan "Start" rutan och "resultat" rutan till höger.
    2. Generera rapporten. (Klicka på "Analyze / Numerisk analys / New ...", klicka på "Statistik" och kontrollera den genomsnittliga rutan i den externa datamenyn. Avsluta med att klicka på "Beräkna".)
  5. Exportera data till statistisk programvara analys och göra analyser i enlighet med de studiemålen.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Figurerna 2 och 3 visar skärmdumpar av resultaten av integration och synkronisering av beteende, emotionella och kognitiva uppgifter engagemang i en beteendeanalys program. I båda figurerna, sektionen vänstra organiserar försökspersoner och kodningsschema. I den mellersta delen, en video (med röda prickar) visar subjektets öga blick under uppgiften. Ämnet beteende engagemang kan härledas baserat på vad han / hon tittar på under uppdraget och vilka åtgärder som vidtas. I den nedre delen är en tidsmarkör synkront rulla i tre spår av uppgifter: EDA (upphetsning) och ansikts känslor valens för emotionellt engagemang och EEG engagemang index för kognitiv engagemang. När data samlas in från alla ämnen, ger programmet även grundläggande deskriptiv statistik som så småningom kan användas för att utföra inter analys i andra statistisk analys programvara.

ent "fo: keep-together.within-page =" always "> Figur 2
Figur 2. Multidimensional Engagement Data i början av en problemlösning uppgift. En skärmbild av ett ämne i början av en problemlösningsfasen. Eleven läser inledningen till problemet: ögat blick är på tredje raden. Vid denna tidpunkt (den röda linjen representerar en tidsmarkör), har motivets upphetsning just passerat en topp av förväntan av problem som ska lösas, men är fortfarande hög jämfört med baseline, verkar emotionell valens neutral, och EEG kognitiv engagemang verkar vid sitt maximum . Klicka här för att se en större version av denna siffra.

Figur 3
Figur 3. Multidimensional Engagement Data During en paus i. Data uppgift från en paus innan en problemlösningsuppgift. Denna paus är bra att fastställa motivets baslinjen precis innan uppgiften. Här, eftersom motivets ögon är slutna, valens data saknas. Kognitiv engagemang (EEG-signalen) stiger något från sitt minimum. Ämnet är långsamt åter ingrepp med uppgiften, förutse slutet av paus. Upphetsning (EDA signal) ständigt minskar. Klicka här för att se en större version av denna siffra.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

När det gäller kritiska steg inom protokoll, bör det först påpekas att datakvaliteten är alltid i fokus för neurofysiologiska insamlingsmetoder. I denna metod, måste forskarassistenter ägna särskild uppmärksamhet åt att instruera de ämnen för att minimera huvudrörelser som stör valens övervakning (förlora rätt ansikte vinkel för kameran) eller genererar myographic artefakter i EEG. Å andra sidan, måste bibehållas en balans mellan äkthet verkliga problemlösning och insatser görs för mer insamling ergonomisk uppgifter. Det är också viktigt att notera att EEG datainsamling är föremål för elektromagnetiska svängningar i miljön. Traditionella EEG anläggningar försöka isolera sina apparater från elektromagnetiska svängningar med Faraday burar. Men eftersom en del av den utrustning som används i denna metod skulle generera elektromagnetiska svängningar (främst eye-tracking enhet) inuti Faradays bur, thär tillvägagångssättet skulle vara ineffektivt. Vi övervinna de elektromagnetiska problem genom att betala särskild uppmärksamhet åt jordning och skärm alla elektriska apparater.

När det gäller ändringar och felsökning med tekniken, den första synkroniseringen strategi förlitade sig på synkroniseringsprogram förmåga att exakt "start" insamling av uppgifter om flera datorer och program tillsammans. Eftersom kritiska och inkonsekventa förseningar mellan datorer och program observerades, blev efter insamling omsynkronisering nödvändigt. Följaktligen en syncbox enhet läggs till arkitekturen. Den syncbox en TTL markör till alla datorer och program som samlar in data. Synkronisering blir en fråga om att beräkna fördröjningen mellan de första syncbox markörer.

En begränsning av tekniken som måste nämnas är precisionen i signalanalys, som begränsas av den kognitiva ingreppsindex. På grund av dengrundläggande antaganden om FFT, är detta index genereras från 1 sekund epok grund: den kognitiva engagemang skriptet genererar ett värde varje sekund. I detta paradigm, som fokuserar på äkta problemlösning, är denna tidsram acceptabelt, men mer precisa studier av engagemang kan stöta på vissa begränsningar med denna tidsram för analys.

När det gäller befintliga / alternativa metoder, måste det påpekas att emotionella valens också kan härledas med blodvolym tryck 18, 25 sensorer. Denna teknik kan också integreras i framtida forskning för att utvärdera dess riktighet jämfört med valens signalen från ansiktet känslor erkännanden mjukvaran. Vi bör också nämna att den kognitiva engagemang index som används i denna studie är ett välkänt en som har använts i tidigare publicerad forskning. Vissa tillverkare av lätta EEG enheter anspråk på att ge en liknande åtgärd, men det är svårt att bedöma kvaliteten på de råvaror och bearbetade data sedansina algoritmer är opublicerade.

Slutligen presenterar denna teknik många möjliga tillämpningar inom olika områden. Naturligtvis kommer det att vara av värde när det gäller utbildning. Bland andra möjligheter kan detta engagemang bedömning teknik vara ett kraftfullt verktyg för att informera kurs designers. Till exempel, som Martens, Gulikers och Bastiaens 26 observerade, "ganska ofta, utvecklare tenderar att lägga till multimedia add-ons, simuleringar, och så vidare, främst på grund av tekniken gör det möjligt, även om de inte bygger på noggrann utbildnings analys och design . "Så kunde neurofysiologiska uppgifter informera designers om en specifik add-on är värdefullt, om innehållet är alltför komplicerat, om de föreslagna inlärningsstrategier är effektiva, etc. Dessutom realtid bedömning av elevens engagemang öppnar möjligheter för adaptiv e-lärande eller e-bedömnings miljöer. Vi kan förutse en elev, klädd i en lätt EEG hjälm, varnas av systemet when hans / hennes engagemang nivå minskar och, till exempel, uppmanas att pausa eller agera därefter. Det skulle också vara möjligt att utveckla adaptiva uppgifter för bedömning, baserad på förlovnings index. En hel del forskning och utveckling pågår för närvarande inom det innovativa området hjärndatorgränssnitt (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