Vurdere Flere dimensioner Engagement at karakterisere Learning: En 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

Engagement spiller en afgørende rolle i at lære. For Clark og Mayer 2, "al læring kræver engagement," uanset levering medier. Zhang et al. 3 også foreslået, at øget elevernes engagement kan forbedre læringsresultater, såsom problemløsning og kritisk tænkning. Definition af engagement er fortsat en udfordring. I deres litteraturgennemgang, Fredricks, Blumenfeld og Paris 1 definerede engagement ved sin mange facetter: "Behavioural engagement trækker på ideen om at deltage; det omfatter involvering i faglige og sociale eller fritidsaktiviteter. (...) Følelsesmæssig engagement omfatter positive og negative reaktioner på lærere, klassekammerater, akademikere og skole og formodes at skabe bånd til et objekt og indflydelse vilje til at gøre arbejdet. Endelig kognitiv engagement trækker på ideen om mental investeringer; det indeholder omtanke og vilje til at udøve den indsats halvendigt at forstå komplekse ideer og master vanskelige færdigheder. "

Fredricks, Blumenfeld og Paris 1 hævdede også, at fokus på adfærd, følelser og kognition, omfattet af begrebet engagement, kan give en rigere karakterisering af læring. Disse forfattere påpegede, at en solid mængde forskning adresserer hver komponent af engagement separat, men disse komponenter var ikke blevet undersøgt i forbindelse. De bemærkede også, at lidt information til rådighed om interaktioner mellem dimensionerne, og at flere undersøgelser kan bidrage til planlægningen af ​​fint afstemte pædagogiske interventioner. Som et skridt i den retning, dette papir beskriver en forskningsmetodologi, der blev udviklet for at indsamle og analysere kvantitative og kvalitative data, synkront, på adfærdsmæssige, følelsesmæssige og kognitive engagement under læring opgaver.

At bringe de Neurosciences i Uddannelse

Behavior, og dermed adfærdsmæssige engagement, har længe været det centrale fokus for studier i uddannelse: forskningsdesign fokuseret primært på ændringer i viden og adfærd, der forekommer over lange perioder, mellem præ- og post-test, og over intervaller på timer, uger , måneder eller år. Skelne mellem adfærdsmæssige, følelsesmæssige og kognitive engagement er fortsat en udfordring, fordi de sidste to dimensioner er ikke systematisk observeres eksternt. Kognition og følelser skal enten udledes fra observationer eller vurderet med selvrapportering foranstaltninger. Fra en ekstern synsvinkel, er det stadig vanskeligt at afgøre, om de studerende forsøger at få deres arbejde så hurtigt som muligt, eller ved hjælp af dyb niveau læringsstrategier at beherske et bestemt indhold. I punkt faktisk, Fredricks, Blumenfeld og Paris 1 var ude af stand til at finde nogen offentliggjorte undersøgelser ved hjælp af direkte, objektive mål for kognitiv engagement.

Den seneste teknologiske udvikling inden forinden for neurovidenskab har skabt nye muligheder for forskning i uddannelse. Nye dataindsamlingsmetoder og analyse algoritmer udviklet i området for neuro ergonomi synes meget lovende for kvalitative og kvantitative undersøgelser under læring opgaver. Andre discipliner, såsom økonomi, psykologi, marketing og ergonomi, har brugt neurofysiologiske målinger til at vurdere kognitive engagement i nogen tid 4-8. Neurofysiologiske foranstaltninger, kombineret med effektive analyse algoritmer, tillader en at studere et fænomen uden at forstyrre den. Efter deres natur, selvrapportering spørgeskemaer frigøre studerende fra læring. Neurofysiologiske foranstaltninger tillader forskningsdesign, der skal gennemføres i mere autentiske læringsmiljøer. Disse værktøjer omfatter udstyr til overvågning puls, vejrtrækning, blodtryk, kropstemperatur, pupildiameter, electrodermal aktivitet, elektroencefalografi (EEG), etc.

Som repræsentative resultater efter brug af denne protokol, vil denne afhandling præsenterer delvise resultater af en undersøgelse, hvor eleverne skulle løse, på en computerskærm, ti problemer i mekanisk fysik. Disse problemer blev udviklet i tidligere arbejde 9. Blev indsamlet neurofysiologiske data, mens eleverne var at løse problemerne og afslappende i løbet af en 45 s pause med lukkede øjne, efter hver problem.

Som nævnt ovenfor adfærdsmæssige engagement data består af software interaktioner (musebevægelser og klik), øje blik, ydeevne og svar på spørgsmål, der er fremstillet af en lærende interagere med systemet, mens udføre opgaven 1. En eye-tracking system blev brugt til at indsamle software interaktioner og øje blik data. Ydelsesdata (tid til at løse et problem, korrekthed af svar) blev opsamlet på enUndersøgelsen hjemmeside, der blev brugt til at præsentere opgaven. Denne hjemmeside blev også brugt til at samle selv-rapport, der er indsamlet med et spørgeskema tilpasset fra Bradley og Lang 10. Følelsesmæssig engagement indebærer karakterisering af følelser. Ifølge Lang 11, er følelser karakteriseret i form af valens (behageligt / ubehageligt) og ophidselse (ro / vakt). Følelsesmæssig engagement data blev derfor indsamlet, med automatisk facial følelse anerkendelse software, der kvantificerer emotionel valens og en electrodermal aktivitet encoder / sensor til ophidselse 12,13. Electrodermal aktivitet (EDA) henviser til den optagne elektriske modstand mellem to elektroder, når støt bestået en meget svag elektrisk strøm mellem dem. Cacioppo, Tassinary og Berntson 14 viste, at modstanden indspillet varierer alt efter motivets ophidselse. Således psykofysiologiske data, såsom valens eller ophidselse, betragtes som korrelater til følelsesmæssig engagement.

14, disse bånd afspejler forskellige kognitive behandling evner i bestemte områder af hjernen. En analyse af power spectral density (PSD) af bestemte frekvenser, kombineret med talrige undersøgelser 7,15 på årvågenhed og opmærksomhed, tillader forskerne at kvantificere kognitiv indgreb under en opgave. Som Mikulka et al. 16 bemærkede, forskning har vist en direkte sammenhæng mellem beta-aktivitet og kognitiv årvågenhed og et indirekte forhold mellem alfa end theta-aktivitet og årvågenhed. Således Pope, Bogart og Bartoleme 7 udviklet en engagement indeks, der beregner PSD af tre bands: beta / (alfa + theta). Dette forhold blev valideret i andre undersøgelser om engagement 16,17,18. For at karakterisere kognitiv indgreb over tid, en Fast Fourier-transformation (FFT) konverterer EEG signalet fra hver aktive site (F3, F4, O1, O2) i en effektspektrum. EEG engagement indeks på tidspunkt T beregnes ved gennemsnittet af hver engagement forholdet inden for en 20 sek glidende vindue foregående tid T. Denne procedure gentages hvert sekund, og en ny glidende vindue bruges til at opdatere indekset.

Da formålet med denne metode er at give en rig analyse af de mange dimensioner af engagement, datasynkronisering er afgørende. Som Leger et al. 19 minde læserne, udstyrsproducenter stærkt anbefale at bruge kun én computer pr måling værktøj til at sikre deres specificerede præcision level. Således når flere computere er ansat, synkronisering mellem optagelse computere bliver et afgørende skridt. Optagelserne kan ikke alle være startede på nøjagtig samme tid, og hver datastrøm har sin specifikke tidsramme (f.eks sek 0 af eyetracking ≠ sec 0 af EEG eller fysiologiske data). Dette er yderst vigtigt: desynkronisering mellem datastrømme betyder fejl i kvantificering af hver dimension af engagement. Der er forskellige måder at synkronisere samtidige fysiologiske og adfærdsmæssige optagelser. Disse metoder kan opdeles i to overordnede tilgange; direkte og indirekte 20. Protokollen præsenteres i næste afsnit er baseret på en indirekte metode, hvor en ekstern enhed, en syncbox, bruges til at sende transistor-transistor logik (TTL) signaler til alle kontrolapparatet (som vist i figur 1). Da hver stykke udstyr har en anden starttid, registreres TTL markører i logfilerne med en relativ forsinkelse. Markører anvendes derefter til at justere signalerne og derved sikre korrekt synkronisering efter hver optagelse. En adfærdsmæssige analyse software program, der giver ekstern fil integration anvendes til at re-synkronisere tidslinje for hver datastrøm og til at udføre kvantitativ og kvalitativ analyse af hver dimension af indgreb.

Figur 1
Figur 1. Arkitektur for Dataindsamling System. Laboratoriet miljø, hvor adfærdsmæssige (eye-sporing), følelsesmæssig (EDA og i ansigtet følelse) og kognitive (EEG) engagement data indsamles indeholder mange computere. Dette rejser en synkronisering udfordring for data, der refereres i deres respektive edb ure. At være i stand til at analysere alle data i den samme henvisning tid, laboratoriet setup indebærer en syncbox der sender TTL signaler til alle datastrømme.nk "> Klik her for at se en større version af dette tal.

For at vurdere præcisionen af ​​metoden i form af synkronisering, blev 45 sek pauser indført før hver af de mekaniske fysik problemer. I løbet af disse pauser, forsøgspersonerne havde at slappe af og til at lukke øjnene. Som det ses i andre undersøgelser 4,9,16,17,18 bør disse pauser fremkalde betydelige variationer i den indsamlede signal: de to eye elev prikker i eye-tracking straks forsvinde (adfærdsmæssige engagement) og et omgående fald i kognitiv engagement (EEG signal) overholdes. Disse specifikke komponenter af signalet anvendes til at evaluere den generelle gyldighed af synkroniseringen. Den nylige offentliggørelse af papirer, der helt eller delvist afhængige af denne synkronisering procedure, inden for informationssystemer 19, menneske-maskine interaktion 21 og uddannelse 9, 22, giver dokumentation for dens effektivitet.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Denne protokol modtaget en etisk certifikat fra Comité institutionnel de la recherche avec des êtres humains (Cier) de l'Université du Québec à Montréal (UQAM), der blev godkendt af HEC-Montreal for Tech3Lab forskning facilitet. Protokollen beskriver hver af de specifikke trin, der udføres i vores laboratorium miljø og udstyr. Selvom præcise software stier leveres til at afklare den metode, denne teknik kan overføres og kan replikeres med anden relateret eye-tracking, automatiske facial følelser anerkendelse electrodermal aktivitet og elektroencefalografi udstyr og software.

1. Opsætning af Lab Miljø

  1. Tænd for eye-tracker, EEG forstærker, de fire registrering computere, og højttalerne.
  2. Forbered opsætningen af ​​kontrolapparatet:
    1. Forbered EEG opsætning med nødvendigt materiale ifølge producentens recommended procedurer. Forbered EEG-softwaren til den kommende deltager. Start eye-tracking software og oprette en ny deltager profil i softwaren. Start videooptagelse software og kameraerne.
    2. Start synkroniseringen software med det specifikke subrutine skabt til projektet med markører på 60 sek. Start fysiologiske målinger software (for at optage electrodermal aktivitet) og åbne den specifikke layout skabt til projektet. Juster deltagerens stolen til det højeste niveau.

2. Deltager Forberedelse

  1. Spørg deltageren til at læse og underskrive det etiske samtykkeerklæring.
  2. Gennemføre kraniet målinger for EEG:
    1. Find den Cz placering på deltagerens hoved (i henhold til 10 - 20 referencesystemer). Fordyb EEG nettet i saltvandsopløsning (kaliumchlorid) (se trin 1.2.1), og start en timer (10 min) i overensstemmelse med producentens standarder. </ Li>
  3. Læs Formålet med undersøgelsen og trinene i eksperimentet til deltageren, "Formålet med denne undersøgelse er at observere din hjerneaktivitet, mens du besvarer fysik problemer. Først vil vi installere sensorerne, så vil du blive bedt om at løse 10 newtonsk fysik problemer på computeren. Vi vil bede dig om at tage en 45-sek pause efter hvert problem med lukkede øjne. Efter hver problem, vil du blive bedt om at vurdere din vurdering af problemet. "
  4. Fortæl emnet, at den samlede varighed af eksperimentet vil være 90 min.
  5. Installere de fysiologiske sensorer, ifølge producentens anbefalinger: to geleres sensorer på toppen af ​​den venstre hånd.
  6. Installer EEG cap, i henhold til producentens anbefalinger og udfører en impedans kontrol med en tærskel på 40 kohm (ifølge fabrikantens specifikationer).

3. Dataindsamling

  1. Sørg for, at al optagelse software er klar til at blive startet i synkront:
    1. Fysiologi (EDA data): Klik på knappen "start".
    2. Videooptagelse: Klik på "Åbn" -knappen.
    3. Eye-sporing: Klik på "på hold" knappen.
    4. EEG: Klik på "record" knappen.
    5. Synkronisering software: Klik på "grønne cirkel" knappen.
  2. Eye blik kalibrering:
    1. Udfør en fem-punkts kalibrering på skærmen og iagttage deltageren, mens han / hun følger de røde prikker (klik på "Funktioner / indstillinger / kalibrering ..."). Gentag denne procedure, indtil tilstrækkelig nøjagtighed opnås ifølge fabrikantens standarder.
  3. Projekt opgave instruktioner onto deltagerens skærm: spørge, om han / hun har nogen spørgsmål efter at have læst dem, og hvis han / hun er klar til at starte eksperimentet.
  4. Spørg deltageren til at løse 10 newtonsk physics problemer.
  5. Hvis det er nødvendigt, skal du udføre en impedans kontrol under en af ​​de 45 s pauser (ikke før problemet 5).
  6. Sørg for, at deltageren tager den fulde 45 s pause før hvert problem (at bestemme baseline).

4. Slut på Dataindsamling

  1. Stop datafangst på alle computere, og fjern sensorerne fra deltageren.

5. Efter deltageren har forladt

  1. Rengør EEG kasket med bakteriedræbende og rydde op i udstyr, i henhold til producentens anbefalinger. Gem alle de datafiler, der er indsamlet, og oprette en sikkerhedskopi på FTP-serveren.
  2. Udfyld deltageren regnearket: Bemærk en bestemt begivenhed eller problem under dataindsamlingen. Slette alle cookies fra webbrowseren.

6. Data, Pre-behandling og Eksporter til Integration Software

  1. EEG
    1. Import EEG data i EEG data analyse software:
      1. Opret tre tomme mapper på computeren med navnet "Rå data", "History" og "Export" for at indsætte de rå EEG data i den nyoprettede Rå datafil.
      2. I EEG dataanalyse software, klik på "File / Nyt projekt ..." og vælg den rå placering data ved at klikke på Gennemse og derefter vælge den nyoprettede rå datafil. Vælg placeringen af ​​"Historie" og "Export" mapper på samme måde.
      3. Klik på "OK". (Vinduet bør indeholde alle deltagerens EEG-data).
    2. Pre-proces i hjernen signal:
      1. Anvende et filter og et hak (klik "Transformations / IIR filtre ..."). I vinduet, aktivere lav cutoff 1.5 Hz med en hældning på 12 dB og den høje cutoff ved 50 Hz med en hældning på 12 dB. Også muliggøre et hak ved 60 Hz frekvens.
      2. Fordi en DC forstærker anvendes, DC detrend signalet (klik "Transformations / DC Detrend ... "og sætter" baseret på tid "på 100 msek før markør og 100 msek før DC-forbindelse).
      3. Udfør en rå inspektion data (Klik på "Transformation / Rå inspektion data ..." og vælg halvautomatisk artefakt fjernelse). Vælg følgende: maksimal spænding 60 μV / ms; Max-min: 200 μV i 200 ms interval; amplitude: -400 til +400 μV).
      4. Udfør en automatisk ICA med klassisk kugleformning for øje blink fjernelse (behøver myographic artefakter ikke behøver at blive fjernet, fordi deres sortiment er uden for frekvenserne af interesse). (Klik "Transformationer / ICA ...". Ved slutningen af ​​ICA, processen den inverse ICA.)
      5. Re-reference ("Transformationer / Re-reference ..."), signalet og vælg "fælles gennemsnit".
      6. Export (klik på "Export / Generic Data Export ...") signalet og markører i tekstformat (Vælg ".vhdr"; boks) for en eventuel Matlab konstruktion af indgrebet indeks. Vælg også "Write header fil" og "Skriv markør fil" kasser.
    3. Importer signalet i Matlab.
      1. Start Matlab og skriv "eeglab", så GUI af EEGLab vises, og Importer data for én deltager ad gangen. I GUI Vælg menupunktet "File / Import data / Brug EEGLab funktioner og plugins / Fra Brain Vis Rec .vhdr fil".
      2. I kommandovinduet, indsætte et script 16, der genererer et engagement indeks.
        BEMÆRK: kognitive engagement script beregnes ved gennemsnittet af hver Beta / (Alpha + Theta) forholdet inden for en 20 sek glidende vindue foregående tid T. Denne procedure gentages hvert sekund, og en ny glidende vindue bruges til at opdatere indekset.
    4. I MS Excel, åbne tekstfilen af ​​engagement indeks, der er genereret i slutningen af ​​scriptet, som Matlab og anvende en z-SCORe normalisering på EEG data til at tillade inter sammenligning. (For hver værdi, beregne denne formel i Excel: Z = (værdi - samlede gennemsnit) / samlede standardafvigelse.)
    5. Gem z-score engagement indeks signal i en CSV-fil i MS Excel. (Klik på Filer / Gem som ... og vælg CSV i formatet type.)
    6. Gentag proceduren (fra trin 6.1.2.2.) For hver deltager.
  2. Fysiologi:
    1. Import EDA data i fysiologisk dataanalyse software.
    2. Anvend disse parametre til at pre-processen den fysiologiske signal:
      1. Påfør en logaritmisk transformation at normalisere fordelingen af ledningsevne som pr Venables og Christies 23 metode.
      2. Flad signalet på en 10 sek glidende vindue 24.
    3. Inden den fysiologiske software, beregne en z-score normalisering på EDA data til at tillade inter sammenligning. (Z = (værdi - samlede gennemsnit) / samlede standardafvigelse).
      1. Fremhæv alle data med markøren fra EDA-kanalen.
      2. I topmenuen, vælg EDA-kanalen, og vælg "betyde" at opnå middelværdien af ​​den samlede kanal. Vælg også EDA-kanalen og "stdDev" for at få standardafvigelsen værdien af ​​den samlede kanal.
      3. At beregne z-score ligning, klik på "Transformation / Waveform Math ..." og vælg EDA kanal i Source 1. Vælg "-" (minus) i den matematiske operation vinduet og vælg K i kilden 2. Vælg "Ny destination" i menuen destination og indtast middelværdien af ​​EDA-kanalen (se trin 6.2.3.2). Vælg "Transform hele bølge", klik på OK, og klik på "Transformation / Waveform Math ...". Vælg EDA-K-kanal i kilden 1, vælg "/" (kløft) i den matematiske operation vinduet, skal du vælge K i kilden 2, vælg "Ny destination" i destination og enter standardafvigelsen værdien af ​​EDA kanal (trin 6.2.3.2). Vælg "Transform hele bølge", og klik på OK.
    4. Eksportere det signal (arousal) i en CSV-fil. (Klik på Filer / Gem som ... og vælg CSV i formatet type.)
  3. Automatisk facial følelse anerkendelse:
    1. Import videodata fra medierne optageren i automatisk facial følelse anerkendelse software. (Klik på "File / New ... / Deltager ...". Når du har valgt en ny deltager i menuen projektet ved at klikke på det, klik på "File / New / Analyse / video ...". Klik på forstørrelsesglasset ved siden af ​​Analyse 1 og vælg den ønskede videofil.
      1. Vælg en offline analyse for "hver tredje frame" og aktivere "kontinuerlig kalibrering".
      2. Export valens data i en CSV-fil. (Klik på "Options / Indstillinger / Logning ...", skal du kontrollere "Skriv valens værdi til logfilen" boksen. Klik på "File /Export ... ", vælg den placering, hvor logfilerne bliver eksporteret, og kontroller" Gem detaljeret log "boksen.)
      3. Åbn CSV-filen i MS Excel. Kopier kolonnen valensen data i en enkelt søjle af SPSS software. Klik "Analyse / Descriptives Statistik / Descriptives" og vælg den netop indsatte variabelnavn. Marker afkrydsningsfeltet "Gem standardiserede værdier i variabler". En kolonne med en z-score vises. Copy-paste disse z-scores over de gamle data i Excel-filen.
    2. Gem Excel-fil med z-scores af signalet (valens) i CSV-format.

7. Data Integration og synkronisering

  1. I adfærdsanalyse software:
    1. Import eye-tracking videoer (adfærdsmæssige engagement). (Klik på "File / Import / video i et ny Observation ...". Navngiv den nye observation og vælg den ønskede videofil.)
    2. Kode hver video med relevante behaviors og kontekstuelle begivenheder (tid markører, højre / forkerte svar).
    3. Importere alle eksterne data med den passende overskrift: z-score på EEG-signal (kognitiv engagement), z-score på EDA signal (følelsesmæssige engagement), z-score for Valence data (følelsesmæssigt engagement). (Klik på "File / Import / eksterne data ...". Vælg den relevante filtype og vælge den korrekte CSV-fil.)
  2. Synkronisere tiden mellem computere ifølge disse formler:
    1. Tid i øjet stirre fra tid i EEG = Tid i øjet blik + anden markør i EEG - første markør i øjet blik.
    2. Tid i øjet blik fra tid i facial følelse anerkendelse = Tid i øjet blik + første markør i ansigtet følelser - første markør i øjet blik.
    3. Tid i øjet stirre fra tid i electrodermal aktivitet = Tid i øjet blik + første markør i electrodermal aktivitet - første markør i øjet blik.
  3. Indtast offset data ved at trykke på "Ctrl + Shift + =221 ;, at åbne Offset menuen. Vælg "Numerisk offset" for at indtaste tiden i sekunder mellem hvert par af datakilder [OK?]), I henhold til ovenstående beregninger.
  4. Generere en rapport i henhold til de variabler af interesse i undersøgelsen.
    1. Vælg interessante variabler, som vil blive genereret i rapporten (klik på "Analyze / Vælg Data / Ny profil data ..."). Fra venstre, glider de ønskede variabler mellem "Start", og de "resultater" boksen til højre.
    2. Generere rapporten. (Klik på "Analyze / Numerisk analyse / Ny ...", klik på "Statistik" og tjek den gennemsnitlige boksen i den eksterne data i menuen. Afslut ved at klikke på "Beregn".)
  5. Eksportere data til statistisk analyse software og udfører analyser i overensstemmelse med de mål, undersøgelsens.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Figur 2 og 3 viser screenshots af resultaterne af integration og synkronisering af adfærdsmæssige, følelsesmæssige og kognitive engagement data i en adfærdsanalyse softwareprogram. I begge figurer, venstre sektion organiserer forsknings- fag og kodning ordningen. I den midterste del, en video (med røde prikker) viser individets øje blik løbet af opgaven. Fagets adfærdsmæssige engagement kan udledes baseret på, hvad han / hun ser på i løbet af opgaven, og hvilke handlinger der er truffet. I den nederste del, er en tid markør synkront rulle i tre spor data: EDA (ophidselse) og facial følelser valens for følelsesmæssig engagement og EEG engagement indeks for kognitiv engagement. Når der indsamles data fra alle de emner, software giver også grundlæggende beskrivende statistik, der i sidste ende kan bruges til at udføre inter analyse i andre statistiske analyse software.

ent "fo: keep-together.within-side =" altid "> Figur 2
Figur 2. Multidimensional Engagement data ved begyndelsen af en problemløsning Opgave. En screenshot af et emne ved begyndelsen af en problemløsende fase. Den lærende læser indledningen til problemet: øjet blik er på tredje linje. På dette tidspunkt (den røde linje repræsenterer en tid markør), er fagets ophidselse netop passeret et toppunkt på forventning om det problem, der skal løses, men er stadig høj sammenlignet med baseline, følelsesmæssige valens virker neutral, og EEG kognitiv engagement synes på sit maksimum . Klik her for at se en større version af dette tal.

Figur 3
Figur 3. Multidimensional Engagement data During en Pause i Task. data fra en pause før en problemløsende opgave. Denne pause er nyttigt at etablere fagets baseline lige før opgaven. Her, for motivets øjne er lukkede, de valens data ikke er tilgængelige. Kognitiv engagement (EEG signal) stiger en smule fra sit minimum. Emnet er langsomt igen engagere med den opgave, foregribe slutningen af ​​pausen. Ophidselse (EDA signal) er konstant faldende. Klik her for at se en større version af dette tal.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

I form af kritiske trin i protokollen, skal det først bemærkes, at datakvaliteten er altid det vigtigste fokus for neurofysiologiske indsamling teknikker. I denne metode, skal forskningsassistenter være særlig opmærksom på at instruere de emner at minimere hoved bevægelser, der vil forstyrre valens overvågning (tabe rigtige ansigt vinkel til kameraet), eller genererer myographic artefakter i EEG. På den anden side skal en balance skal opretholdes mellem ægtheden af ​​ægte problemløsning og interventioner foretaget for mere ergonomisk dataindsamling. Det er også vigtigt at bemærke, at EEG dataindsamlingen er underlagt elektromagnetiske svingninger i miljøet. Traditionelle EEG faciliteter forsøger at isolere deres apparat fra elektromagnetiske svingninger med Faraday bure. Men fordi nogle af det udstyr, der anvendes i denne metode ville generere elektromagnetiske svingninger (hovedsagelig øjet-sporing enhed) inde i Faradays bur, ther fremgangsmåde ville være ineffektiv. Vi overvinde de elektromagnetiske problemer ved at lægge særlig vægt på grundstødning og afskærmning alle elektriske apparater.

Som for ændringer og fejlfinding med teknikken, den første synkronisering strategi påberåbt synkroniseringssoftwaren evne til præcist "start" dataindsamling på flere computere og programmer sammen. Fordi kritiske og inkonsekvente forsinkelser mellem computere og programmer blev observeret, blev nødvendigt efter indsamlingen resynkronisering. Derfor blev en syncbox enhed føjes til arkitekturen. Den syncbox et TTL markør for at alle computere og programmer, der indsamler data. Synkronisering bliver et spørgsmål om at beregne forsinkelsen mellem de første syncbox markører.

En begrænsning ved den teknik, der skal nævnes, er præcisionen af ​​signalanalyse, som er begrænset af den kognitive engagement indeks. På grund af dengrundlæggende antagelser i FFT, er dette indeks genereres på en 1 sek epoke grundlag: den kognitive engagement scriptet genererer en værdi hvert sekund. I dette paradigme, som fokuserer på autentiske problemløsning, denne tidsramme er acceptabel, men mere præcise undersøgelser af engagement kan støde nogle begrænsninger med denne tidsramme til analyse.

Med hensyn til eksisterende / alternative metoder, skal det bemærkes, at følelsesmæssige valens også kan afledes med blodvolumen pres 18, 25 sensorer. Denne teknik kan også integreres i fremtidig forskning for at vurdere dets nøjagtighed sammenlignet med valens signalet fra facial følelser anerkendelse software. Vi bør også nævne, at den kognitive engagement indeks anvendes i denne undersøgelse er et velkendt en, der er blevet anvendt i tidligere offentliggjorte forskning. Nogle producenter af letvægts EEG enheder hævder at give en lignende foranstaltning, men det er svært at vurdere kvaliteten af ​​de rå og forarbejdede data sidenderes algoritmer er utrykt.

Endelig er denne teknik giver mange mulige anvendelser inden for forskellige områder. Selvfølgelig vil det være af værdi i uddannelsesområdet. Blandt andre muligheder, kan dette engagement vurdering teknik være et effektivt redskab til at informere banebyggere. For eksempel, som Martens, Gulikers og Bastiaens 26 bemærkede, "ganske ofte, udviklere har tendens til at tilføje multimedie add-ons, simuleringer, og så videre, især fordi teknologien gør det muligt, selv om de ikke er baseret på omhyggelig pædagogisk analyse og design . "Således kunne neurofysiologiske data informere designere, hvis en bestemt add-on er værdifuldt, hvis indholdet er for kompliceret, hvis de foreslåede læringsstrategier er effektive, etc. Desuden åbner muligheder for adaptiv realtid vurdering af elevens engagement e-learning eller e-vurdering miljøer. Vi kan forudse en lærende, iført en let EEG hjelm, advaret af systemet when hans / hendes engagement niveau er faldende, og for eksempel bliver bedt om at holde pause eller reagere i overensstemmelse hermed. Det ville også være muligt at udvikle adaptive vurdering opgaver, baseret på engagement indekser. En hel del forskning og udvikling er i øjeblikket gennemføres i den innovative inden for hjerne-computer-grænseflader (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