The authors acknowledge the financial support of the Social Sciences and Humanities Research Council of Canada (SSHERC), Natural Sciences and Engineering Research Council of Canada (NSERC), Fonds de Recherche Nature et Technologies du Qu&#233;bec (FQRNT) and Fonds de Recherche sur la Soci&#233;t&#233; et Culture du Qu&#233;bec (FQRSC).

Este protocolo ha recibido un certificado de ética del Comité institutionnel de la recherche avec des êtres humains (CIER) de l&#39;Université du Québec à Montréal (UQAM), que fue aprobado por HEC-Montreal para la instalación de investigación Tech3Lab. El protocolo describe cada uno de los pasos específicos que se realizan en nuestro entorno de laboratorio y equipo. Aunque caminos de software precisas se proporcionan para aclarar la metodología, esta técnica es transferible y puede ser replicado con otro eye-tracking propietario, reconocimiento automático emoción facial, la actividad electrodérmica y equipo de electroencefalografía y software. 1. Configuración del entorno de laboratorio <ol><li> Encienda el eye-tracker, el amplificador de EEG, los cuatro equipos de grabación y los altavoces. </li><li> Preparar la instalación del aparato de control: <ol><li> Preparar la instalación EEG con material requerido según RECOME del fabricanteprocedimientos nded. Preparar el software EEG para el próximo participante. Inicie el software de seguimiento ocular y crear un nuevo perfil de los participantes en el software. Inicie el software de grabación de vídeo y las cámaras. </li><li> Inicie el software de sincronización con el subprograma específico creado para el proyecto con marcadores en 60 seg. Inicie el software de medición fisiológica (para registrar la actividad electrodérmica) y abra el diseño específico creado para el proyecto. Ajuste la silla del participante al nivel más alto. </li></ol></li></ol> 2. Preparación del Participante <ol><li> Pida al participante a leer y firmar el formulario de consentimiento ético. </li><li> Realizar mediciones del cráneo para EEG: <ol><li> Encuentra la ubicación Cz en la cabeza del participante (según 10-20 sistemas de referencia). Sumergir la red EEG en la solución salina (cloruro de potasio) (véase el paso 1.2.1) e iniciar un temporizador (10 min) de conformidad con las normas del fabricante. &lt;/ Li&gt; </ol></li><li> Lea el objetivo del estudio y de los pasos en el experimento para el participante: &quot;El objetivo de este estudio es observar su actividad cerebral mientras contesta problemas de física. En primer lugar vamos a instalar los sensores, a continuación, se le pedirá para resolver 10 problemas de la física newtoniana en el equipo. Le pediremos que tomar un descanso de 45 segundos después de cada problema con los ojos cerrados. Después de cada problema, se le pedirá que califique su evaluación del problema &quot;. </li><li> Dígale al objeto de que la duración total del experimento será de 90 minutos. </li><li> Instale los sensores fisiológicos, de acuerdo con las recomendaciones del fabricante: dos sensores gelificadas en la parte superior de la mano izquierda. </li><li> Instalar la tapa de EEG, de acuerdo con las recomendaciones del fabricante y realizar una comprobación de impedancia con un umbral a 40 kW (de acuerdo con las especificaciones del fabricante). </li></ol> 3. Recolección de Datos <ol><li> Asegúrese de que todo el software de grabación está listo para ser iniciado en sincronía: <ol><li> Fisiología (datos EDA): Haga clic en el botón &quot;Inicio&quot;. </li><li> La grabación de vídeo: Haga clic en el botón &quot;Abrir&quot;. </li><li> Eye-tracking: Haga clic en el botón &quot;en espera&quot;. </li><li> EEG: Haga clic en el botón &quot;Grabar&quot;. </li><li> Software de sincronización: Haga clic en el botón &quot;círculo verde&quot;. </li></ol></li><li> Ojo de calibración mirada: <ol><li> Realice una de cinco puntos de calibración en pantalla y observar el participante mientras él / ella sigue los puntos rojos (haga clic en &quot;Herramientas / Configuración / Calibración ...&quot;). Repita este procedimiento hasta que se logre la suficiente precisión, de acuerdo a las normas del fabricante. </li></ol></li><li> Instrucciones de la tarea proyectar sobre la pantalla del participante: pregunta si él / ella tiene alguna pregunta después de leerlos, y si él / ella está listo para iniciar el experimento. </li><li> Pida al participante para resolver 10 p newtonianahysics problemas. </li><li> Si es necesario, realice una comprobación de la impedancia durante uno de los 45 s se rompe (no antes de que el problema 5). </li><li> Asegúrese de que el participante toma descanso el pleno 45 s antes de cada problema (para determinar la línea de base). </li></ol> 4. Fin de Recolección de Datos <ol><li> Deje de adquisición de datos en todos los equipos y retire los sensores de la participante. </li></ol> 5. Después de que el Participante ha dejado <ol><li> Limpie la tapa de EEG con germicida y poner en orden el equipo, de acuerdo con las recomendaciones del fabricante. Guarde todos los archivos de datos recogidos y crear una copia de seguridad en el servidor FTP. </li><li> Rellene la hoja de cálculo participante: tomar nota de cualquier evento o problema particular durante la recolección de datos. Borrar todas las cookies del navegador web. </li></ol> 6. Los datos pre-procesamiento y exportación con el Software de Integración <ol start="1"><li> EEG <ol><li> Importar datos de EEG EEG en el software de análisis de datos: <ol><li> Crear tres carpetas vacías en el equipo denominado &quot;Historia&quot; &quot;datos brutos&quot; y &quot;Exportar&quot; para pegar los datos de EEG en bruto en el archivo de datos sin procesar de nueva creación. </li><li> En el EEG software de análisis de datos, haga clic en &quot;Archivo / Nuevo proyecto ...&quot; y elegir la ubicación de los datos en bruto, haga clic en Examinar y seleccione el archivo de datos en bruto de nueva creación. Elija la ubicación de la &quot;Historia&quot; y las carpetas &quot;exportación&quot; de la misma manera. </li><li> Haga clic en &quot;Aceptar&quot;. (La ventana debe contener todos los datos de EEG de los participantes). </li></ol></li><li> Pre-proceso de la señal del cerebro: <ol><li> Aplicar un filtro y una muesca (haga clic en &quot;Transformaciones / filtros IIR ...&quot;). En la ventana, active la corte bajo en el 1,5 Hz con una pendiente de 12 dB y el alto de corte a 50 Hz con una pendiente de 12 dB. También permitirá una muesca a 60 Hz de frecuencia. </li><li> Debido a que se utiliza un amplificador DC, DC Detrend la señal (Haga clic en &quot;Transformations / DC Detrend ... &quot;y permitir&quot;, basada en el tiempo &quot;en 100 ms antes del MP y 100 milisegundos antes de conexión de CC). </li><li> Realice una inspección de datos en bruto (Haga clic en &quot;Transformación / inspección de los datos sin procesar ...&quot; y seleccione la eliminación de artefactos semiautomático). Seleccione las siguientes: Tensión máxima 60 mV / ms; Max-min: 200 mV en 200 ms intervalo; amplitud: -400 a 400 mV). </li><li> Realizar una ICA automática con sphering clásico para la eliminación de un abrir y cerrar de ojos (artefactos miográficas no necesitan ser removidos, ya que su rango se encuentra fuera de las frecuencias de interés). (Haga clic en &quot;Transformaciones / ACI ...&quot;. Al final de la ACI, el proceso de ICA inversa.) </li><li> Re-referencia (&quot;Transformaciones / Re-referencia ...&quot;) la señal y seleccione &quot;promedio común&quot;. </li><li> Exportación (haga clic en &quot;Exportar / Genérico Exportar datos ...&quot;) la señal y marcadores en formato de texto (Seleccione el &quot;.vhdr&quot;; caja) para una construcción Matlab eventual del índice de participación. Seleccione también el &quot;archivo de cabecera de escritura&quot; y cajas &quot;de archivos de marcador de escritura&quot;. </li></ol></li><li> Importe la señal en Matlab. <ol><li> Iniciar Matlab y escriba &quot;eeglab&quot; por lo que la interfaz gráfica de usuario de EEGLab aparece e Importación de los datos de un participante a la vez. En la GUI, seleccione el punto de menú &quot;Archivo / Importar datos / Uso de las funciones EEGLab y plugins / De Cerebro Vis Rec .vhdr archivo&quot;. </li><li> En la ventana de comandos, pegue un guión 16 que genera un índice de compromiso. NOTA: La secuencia de comandos de compromiso cognitivo se calcula el promedio de cada / relación Beta (Alpha Theta +) dentro de un tiempo T. 20 seg ventana deslizante anterior Este procedimiento se repite cada segundo y una nueva ventana deslizante se utiliza para actualizar el índice. </li></ol></li><li> En Microsoft Excel, abra el archivo de texto del índice de participación que se genera al final de la secuencia de comandos de Matlab y aplicar un z-SCORe normalización en los datos de EEG para permitir la comparación interindividual. (Para cada valor, calcular esta fórmula en Excel: Z = (valor - media general) / desviación estándar global.) </li><li> Guarde la señal de índice de compromiso z-score en un archivo CSV en MS Excel. (Haga clic en Archivo / Guardar como ... y seleccione CSV en el tipo de formato.) </li><li> Repita el procedimiento (desde el paso 6.1.2.2.) Para cada participante. </li></ol></li><li> Fisiología: <ol><li> Importar datos de EDA en fisiológica software de análisis de datos. </li><li> Aplicar estos parámetros pre-proceso de la señal fisiológica: <ol><li> Aplicar una transformación logarítmica para normalizar la distribución de la conductancia como por Venables y de Christie 23 método. </li><li> Plano de la señal en un segundo 10 ventana deslizante 24. </li></ol></li><li> Dentro del software fisiológica, calcular una normalización z-score en los datos de EDA para permitir la comparación entre sujetos. (Z = (valor - media general) / desviación estándar global). <ol><li> Resalte todos los datos con el cursor del canal de EDA. </li><li> En el menú superior, seleccione el canal EDA, y seleccione &quot;significa&quot; para obtener el valor medio del canal general. También seleccione el canal de EDA y &quot;STDDEV&quot; para obtener el valor de la desviación estándar del canal general. </li><li> Para calcular la ecuación z-score, haga clic en &quot;Transformación / forma de onda matemática ...&quot; y seleccione el canal EDA en Fuente 1. Seleccione &quot;-&quot; (menos) en la ventana de operación matemática y seleccione K en la fuente 2. Seleccione &quot;Nuevo destino&quot; en el menú de destino e introduzca el valor medio del canal de EDA (consulte el paso 6.2.3.2). Seleccione &quot;Transformar ola entero&quot;, haga clic en Aceptar y haga clic en &quot;Transformación / forma de onda matemática ...&quot;. Seleccione el canal de EDA-K en la fuente 1, seleccione &quot;/&quot; (división) en la ventana de operación matemática, seleccione K en la fuente 2, seleccione &quot;Nuevo destino&quot; en el destino y enter el valor de la desviación estándar del canal de EDA (etapa 6.2.3.2). Seleccione &quot;Transformar toda la onda&quot; y haga clic en Aceptar. </li></ol></li><li> Exportación de la señal (excitación) en un archivo CSV. (Haga clic en Archivo / Guardar como ... y seleccione CSV en el tipo de formato.) </li></ol></li><li> Facial automático reconocimiento de emociones: <ol><li> Importar datos de vídeo de la grabadora multimedia en el software de reconocimiento automático de emociones faciales. (Haga clic en &quot;Archivo / Nuevo ... / participante ...&quot;. Después de seleccionar un nuevo participante en el menú proyecto, haga clic sobre él, haga clic en &quot;Archivo / Nuevo / Análisis / Video ...&quot;. Haga clic en la lupa junto al Análisis 1 y elegir el deseado archivo de vídeo. <ol><li> Seleccionar un análisis fuera de línea para &quot;cada tercer fotograma&quot; y activar &quot;la calibración continua&quot;. </li><li> Datos de valencia exportación en un archivo CSV. (Haga clic en &quot;Opciones / Configuración / registro ...&quot;, marque la casilla &quot;Escribir valor de valencia al archivo de registro&quot; caja. Haga clic en &quot;Archivo /Exportar ... &quot;, elija la ubicación donde se exportarán los archivos de registro, y comprobar la&quot; caja detallado registro &quot;Guardar.) </li><li> Abra el archivo CSV en MS Excel. Copie la columna de datos de valencia en una sola columna de software SPSS. Haga clic en &quot;Analizar / Estadísticas Descriptivos / Descriptivos&quot; y seleccione el nombre de la variable acaba de pegar. Marque la casilla &quot;Guardar valores tipificados en las variables&quot;. Aparecerá una columna con un z-score. Copiar y pegar estas puntuaciones z más de los datos antiguos en el archivo de Excel. </li></ol></li><li> Guarde el archivo de Excel con las puntuaciones z de la señal (valencia) en formato CSV. </li></ol></li></ol> 7. Integración de Datos y Sincronización <ol start="1"><li> En el software de análisis de comportamiento: <ol><li> Vídeos eye-tracking de importación (de compromiso de comportamiento). (Haga clic en &quot;Archivo / Importar / video en una nueva observación ...&quot;. Nombre de la nueva observación y seleccione el archivo de vídeo deseado.) </li><li> Código cada vídeo con ser pertinenteconductas y eventos contextuales (marcadores de tiempo, respuestas correctas / incorrectas). </li><li> Importar todos los datos externos con el encabezado apropiado: z-score de la señal EEG (compromiso cognitivo), z-score de señal de EDA (compromiso emocional), z-score de datos de valencia (compromiso emocional). (Haga clic en &quot;Archivo / Importar / datos externos ...&quot;. Seleccione el tipo de archivo adecuado y seleccione el archivo CSV correcto.) </li></ol></li><li> Sincronizar la hora entre los equipos de acuerdo a estas fórmulas: <ol><li> Tiempo en el ojo mirada de vez en EEG = Tiempo en la mirada + segundo marcador en EEG - primer marcador en la mirada. </li><li> Tiempo en la mirada de vez en reconocimiento de emociones faciales = Tiempo en la mirada + primer marcador en la emoción facial - primer marcador en la mirada. </li><li> Tiempo en el ojo mirada de vez en la actividad electrodérmica = Tiempo en la mirada + primer marcador de la actividad electrodérmica - primer marcador en la mirada. </li></ol></li><li> Introduzca los datos de corrección con la tecla &quot;Ctrl + Shift + =221 ;, para abrir el menú Desplazamiento. Seleccione &quot;numérico compensado&quot; para entrar en el tiempo en segundos entre cada par de fuentes de datos [OK?]), De acuerdo con los cálculos anteriores. </li><li> Generar un informe de acuerdo con las variables de interés en el estudio. <ol><li> Seleccione las variables interesantes que se generarán en el informe (haga clic en &quot;Analizar / Seleccionar datos / Nuevo perfil de datos ...&quot;). Desde la izquierda, deslice las variables deseadas entre la caja de &quot;Inicio&quot; y los &quot;resultados&quot; caja, a la derecha. </li><li> Generar el informe. (Haga clic en &quot;Analizar / Numérica Análisis / Nuevo ...&quot;, haga clic en &quot;Estadísticas&quot; y marque la casilla media en el menú de datos externo. Finalizar haciendo clic en &quot;Calcular&quot;.) </li></ol></li><li> Exportar los datos en el software de análisis estadístico y realizar análisis de acuerdo con los objetivos del estudio. </li></ol>

<ol>
	<li>Fredricks, J. A., Blumenfeld, P. C., Paris, A. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=School+engagement:+Potential+of+the+concept,+state+of+the+evidence.">School engagement: Potential of the concept, state of the evidence.</a> Rev. Educ. Res. 74 (1), 59-109 (2004).</li><li>Clark, R. C., Mayer, R. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> E-learning and the Science of Instruction. , (2011).</li><li>Zhang, D., Zhou, L., Briggs, R. O., Nunamaker, J. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Instructional+video+in+e-learning:+Assessing+the+impact+of+interactive+video+on+learning+effectiveness.">Instructional video in e-learning: Assessing the impact of interactive video on learning effectiveness.</a> Inform. Manage. 43 (1), 15-27 (2006).</li><li>Freeman, F. G., Mikulka, P. J., Prinzel, L. J., Scerbo, M. W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Evaluation+of+an+adaptive+automation+system+using+three+EEG+indices+with+a+visual+tracking+task.">Evaluation of an adaptive automation system using three EEG indices with a visual tracking task.</a> Biol. Psychol. 50, 61-76 (1999).</li><li>Glimcher, P., Rustichini, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Neuroeconomics:+The+consilience+of+brain+and+decision.">Neuroeconomics: The consilience of brain and decision.</a> Science. 306 (5695), 447-452 (2004).</li><li>Lieberman, M. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Social+Cognitive+neuroscience:+A+review+of+core+processes.">Social Cognitive neuroscience: A review of core processes.</a> Annu. Rev. Physiol. 58, 259-289 (2007).</li><li>Pope, A. T., Bogart, E. H., Bartolome, D. S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Biocybernetic+system+evaluates+indices+of+operator+engagement+in+automated+task.">Biocybernetic system evaluates indices of operator engagement in automated task.</a> Biol. Psychol. 40 (1-2), 187-195 (1995).</li><li>Mandryk, R., Inkpen, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Physiological+indicators+for+the+evaluation+of+co-located+collaborative+play.">Physiological indicators for the evaluation of co-located collaborative play.</a> , (2004).</li><li>Allaire-Duquette, G., Charland, P., Riopel, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=At+the+very+root+of+the+development+of+interest:+Using+human+body+contexts+to+improve+women&#8217;s+emotional+engagement+in+introductory+physics.">At the very root of the development of interest: Using human body contexts to improve women&#8217;s emotional engagement in introductory physics.</a> Eur. J. Phy. Ed. 5 (2), 31-48 (2014).</li><li>Bradley, M. M., Lang, P. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Measuring+emotion:+The+self-assessment+manikin+and+the+semantic+differential.">Measuring emotion: The self-assessment manikin and the semantic differential.</a> J. Behav. Ther. Exp. Psy. 25 (1), 49-59 (1994).</li><li>Lang, P. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+emotion+probe:+Studies+of+motivation+and+attention.">The emotion probe: Studies of motivation and attention.</a> Am. Psychol. 50 (5), 372-385 (1995).</li><li>Ekman, P., Felt Friesen, W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=false,+and+miserable+smiles.">false, and miserable smiles.</a> J. Nonverbal Behav. 6 (4), 238-252 (1982).</li><li>Van Kuilenburg, H., Den Uyl, M. J., Isra&#235;l, M. L., Ivan, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Advances+in+face+and+gesture+analysis.">Advances in face and gesture analysis.</a> , 371-372 (2008).</li><li>Cacioppo, J., Tassinary, L. G., Berntson, G. G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Handbook of Psychophysiology. , (2007).</li><li>Lubar, J. F., Swartwood, M. O., Swartwood, J. N., O&#8217;Donnell, P. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=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.">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.</a> Biofeedback Self-reg. 20 (1), (1995).</li><li>Mikulka, P. J., Freeman, F. G., Scerbo, M. W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Effects+of+a+biocybernetic+system+on+the+vigilance+decrement.">Effects of a biocybernetic system on the vigilance decrement.</a> Hum. factors. 44 (4), 654-664 (2002).</li><li>Freeman, F. G., Mikulka, P. J., Scerbo, M. W., Scott, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=An+evaluation+of+an+adaptive+automation+system+using+a+cognitive+vigilance+task.">An evaluation of an adaptive automation system using a cognitive vigilance task.</a> Biol. Psychol. 67 (3), 283-297 (2004).</li><li>Chaouachi, M., Chalfoun, P., Jraidi, I., Frasson, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Affect+and+mental+engagement:+Toward+adaptability+for+intelligent+systems.">Affect and mental engagement: Toward adaptability for intelligent systems.</a> Proceedings of the Twenty-Third International Florida Artificial Intelligence Research Society Conference (FLAIRS 2010), Association for the Advancement of Artificial Intelligence. , 355-360 (2010).</li><li>Courtemanche, F., Ortiz de Guinea, A., Titah, R., Fredette, M., Labont&#233;-LeMoyne, &. #. 2. 0. 1. ;. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Precision+is+in+the+eye+of+the+beholder:+Application+of+eye+fixation-related+potentials+to+information+systems+research.">Precision is in the eye of the beholder: Application of eye fixation-related potentials to information systems research.</a> J. Assoc. Inf. Syst. 15 (10), 651-678 (2014).</li><li>Courtemanche, F., Ortiz de Guinea, A., Titah, R., Fredette, M., Labont&#233;-Lemoyne, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Applying+eye+fixation-related+potentials+to+information+systems+research:+Demonstration+of+the+method+during+natural+IS+use+and+guidelines+for+research.">Applying eye fixation-related potentials to information systems research: Demonstration of the method during natural IS use and guidelines for research.</a> J. Assoc. Inf. Syst. 15 (10), (2014).</li><li>Courtemanche, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Un outil d&#8217;&#233;valuation neurocognitive des interactions humain-machine Doctoral thesis. , (2014).</li><li>Charland, P., L&#233;ger, P. M., Mercier, J., Skelling-Desmeules, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Assessing+multiple+dimensions+of+learner+engagement+during+science+problem+solving+using+psychophysiological+and+behavioral+measures.">Assessing multiple dimensions of learner engagement during science problem solving using psychophysiological and behavioral measures.</a> , (2014).</li><li>Venables, P. H., Christie, M. J., Martin, I., Venables, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Electrodermal+activity.">Electrodermal activity.</a> Techniques in Psychophysiology. , 3-67 (1980).</li><li>Boucsein, W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Electrodermal Activity. , (2012).</li><li>Sarlo, M., Palomba, D., Buodo, G. M., Minghetti, R., Stegagno, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Blood+pressure+changes+highlight+gender+differences+in+emotional+reactivity+to+arousing+pictures.">Blood pressure changes highlight gender differences in emotional reactivity to arousing pictures.</a> Biol. Psychol. 70 (3), 188-196 (2005).</li><li>Martens, R. L., Gulikers, J., Bastiaens, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+impact+of+intrinsic+motivation+on+e-learning+in+authentic+computer+tasks.">The impact of intrinsic motivation on e-learning in authentic computer tasks.</a> J. Comput. Assist. Lear. 20 (5), 368-376 (2004).</li></ol>

The authors have nothing to disclose.

En cuanto a los pasos críticos en el protocolo, primero hay que señalar que la calidad de los datos es siempre el foco principal de las técnicas de recolección neurofisiológicos. En esta metodología, asistentes de investigación deben prestar especial atención a las instrucciones a los sujetos para minimizar los movimientos de cabeza que interferirán con el monitoreo de valencia (perdiendo ángulo de la cara correcta para la cámara) o generar artefactos miográficas en el EEG. Por otro lado, un equilibrio debe ...

Compromiso juega un papel crucial en el aprendizaje. Para Clark y Mayer 2, &quot;todo aprendizaje requiere compromiso,&quot; independientemente de los medios de entrega. Zhang et al. 3 también sugiere que una mayor participación de los estudiantes puede mejorar los resultados de aprendizaje, tales como la resolución de problemas y habilidades de pensamiento crítico. Definir el compromiso sigue siendo un desafío. En su revisión de la literatura, Fredricks, Blumenfeld y París 1 definen su participación por su naturaleza multifacética: &quot;compromiso conductual se basa en la idea de la participación; que incluye la participación en las actividades académicas y sociales o extracurriculares. (...) El compromiso emocional abarca reacciones positivas y negativas a los maestros, compañeros de clase, académicos y de la escuela y se presume para crear vínculos con un objeto y la influencia voluntad de hacer el trabajo. Por último, el compromiso cognitivo se basa en la idea de la inversión mental; incorpora seriedad y voluntad de ejercer el nec esfuerzonece- comprender ideas complejas y maestros habilidades difíciles &quot;. Fredricks, Blumenfeld y París 1 también afirmaron que un enfoque en el comportamiento, la emoción y la cognición, dentro del concepto de compromiso, puede proporcionar una caracterización más rica de aprendizaje. Estos autores señalaron que un cuerpo robusto de la investigación se dirige a cada componente de la participación por separado, pero estos componentes no se habían estudiado en conjunto. También observaron que hay poca información disponible acerca de las interacciones entre las dimensiones y que más estudios podrían contribuir a la planificación de las intervenciones de enseñanza finamente sintonizados. Como un paso en esa dirección, este trabajo describe una metodología de investigación que se ha desarrollado para recopilar y analizar datos cuantitativos y cualitativos, sincrónicamente, sobre el compromiso conductual, emocional y cognitivo durante las tareas de aprendizaje. Llevar las Neurociencias en Educación Behavior, y el compromiso en consecuencia del comportamiento, ha sido durante mucho tiempo el foco central de los estudios en la educación: diseños de investigación se centraron principalmente en los cambios en el conocimiento y el comportamiento que ocurren durante largos períodos de tiempo, entre pre y post-test, y en intervalos de horas, semanas , meses o años. Discriminar entre el compromiso conductual, emocional y cognitiva sigue siendo un desafío, porque las últimas dos dimensiones no son sistemáticamente observable externamente. La cognición y las emociones o bien deben ser inferidas a partir de observaciones o evaluados con medidas de auto-informe. Desde un punto de vista externo, sigue siendo difícil determinar si los estudiantes están tratando de hacer su trabajo lo más rápido posible o el uso de estrategias de aprendizaje a nivel profundo para dominar un contenido específico. En realidad, Fredricks, Blumenfeld y París 1 no pudieron encontrar ningún estudio publicado que utilizan medidas directas y objetivas de compromiso cognitivo. Recientes desarrollos tecnológicos enel campo de las neurociencias han creado nuevas posibilidades para la investigación en la educación. Nuevos métodos de recopilación de datos y algoritmos de análisis desarrollados en el campo de la ergonomía neuro parecen muy prometedores para los estudios cualitativos y cuantitativos durante las tareas de aprendizaje. Otras disciplinas, como la economía, la psicología, el marketing y la ergonomía, la han estado utilizando mediciones neurofisiológicas para evaluar el compromiso cognitivo durante algún tiempo 4-8. Medidas neurofisiológicas, junto con algoritmos de análisis eficientes, permiten estudiar un fenómeno sin perturbarla. Por su naturaleza, los cuestionarios de auto-reporte desenganchan estudiantes de aprendizaje. Medidas neurofisiológicas permiten diseños de investigación que se lleven a cabo en entornos de aprendizaje más auténtico. Estas herramientas incluyen equipos para monitorear la frecuencia cardíaca, la frecuencia respiratoria, la presión arterial, la temperatura corporal, diámetro de la pupila, la actividad electrodérmica, electroencefalografía (EEG), etc. <strong&gt; Encuentro Sincronizado datos sobre comportamiento, emocional y cognitivo de compromiso Como resultados representativos tras el uso de este protocolo, este trabajo presenta resultados parciales de un estudio en el que los alumnos tuvieron que resolver, en una pantalla de ordenador, diez problemas de la física mecánica. Estos problemas se han desarrollado en trabajos anteriores 9. Datos neurofisiológicos se recogieron mientras que los alumnos estaban resolviendo los problemas y relajarse durante las vacaciones a 45 s, con los ojos cerrados, después de cada problema. Como se mencionó anteriormente, los datos de compromiso de comportamiento consisten en interacciones de software (los movimientos del ratón y los clics), la mirada, el rendimiento y las respuestas a las preguntas producidos por un aprendiz de interactuar con el sistema, mientras que el cumplimiento de la tarea 1. Se utilizó un sistema de seguimiento ocular para recoger las interacciones de software y los datos de la mirada de los ojos. Los datos de rendimiento (tiempo para resolver un problema, la corrección de las respuestas) se recogieron en unpágina web encuesta que se utilizó para presentar la tarea. Este sitio web también se utilizó para recopilar datos de autoinforme recolectados con un cuestionario adaptado de Bradley y Lang 10. Compromiso emocional implica la caracterización de las emociones. Según Lang 11, las emociones se caracterizan en términos de valencia (agradable / desagradable) y la excitación (calma / despertaron). Datos de compromiso emocional fueron consecuencia recogidos, utilizando software de reconocimiento de emociones faciales automático que cuantifica valencia emocional y una actividad codificador / sensor electrodérmica para la excitación 12,13. La actividad electrodérmica (EDA) se refiere a la resistencia eléctrica entre dos electrodos grabado cuando una corriente eléctrica muy débil se hace pasar de manera constante entre ellos. Cacioppo, Tassinary y Berntson 14 mostraron que la resistencia grabado varía de acuerdo a la excitación del sujeto. Así, los datos psicofisiológicos, como valencia o la excitación, se consideran como correlatos de compromiso emocional. <pclass = &quot;jove_content&quot;&gt; Finalmente, los datos de compromiso cognitivo se recogen a través de la electroencefalografía (EEG). Medidas de EEG, en el cuero cabelludo, la sincronizados actividad eléctrica de los grupos de neuronas en el cerebro. Las señales eléctricas registradas desde el cuero cabelludo son con frecuencia oscilatoria y compuesto por componentes de frecuencia. Por convención, estas frecuencias se agrupan en secuencias, conocido como bandas. Por ejemplo, alfa, beta y theta bandas son el foco de este estudio. De acuerdo con estudios neurocientíficos 14, estas bandas reflejan diferentes habilidades de procesamiento cognitivo en áreas específicas del cerebro. Por lo tanto, el análisis de la densidad espectral de potencia (PSD) de frecuencias específicas, en combinación con numerosos estudios 7,15 en el estado de alerta y la atención, permite a los investigadores para cuantificar compromiso cognitivo durante una tarea. Como señaló Mikulka et al. 16, la investigación ha demostrado una relación directa entre la actividad beta y el estado de alerta cognitiva y una relación indirecta entre un alfad actividad theta y el estado de alerta. De este modo, el Papa, Bogart y Bartolemé 7 desarrollaron un índice de compromiso que calcula el PSD de tres bandas: beta / (alfa + theta). Esta relación fue validado en otros estudios sobre la participación 16,17,18. Para caracterizar compromiso cognitivo en el tiempo, una transformada rápida de Fourier (FFT) convierte la señal de EEG de cada sitio activo (F3, F4, O1, O2) en un espectro de potencia. El índice EEG compromiso en el tiempo T se calcula la media de cada relación de compromiso dentro de una ventana deslizante 20 sec precedente tiempo T. Este procedimiento se repite cada segundo y una nueva ventana deslizante se utiliza para actualizar el índice. Dado que el objetivo de esta metodología es proporcionar un rico análisis de las múltiples dimensiones del compromiso, la sincronización de datos es crucial. Como Leger et al. 19 recuerdan los lectores, los fabricantes de equipos recomiendan encarecidamente el uso de una sola computadora por herramienta de medición para garantizar su precisión especificada level. Por lo tanto, cuando se emplean varios equipos, la sincronización entre ordenadores de grabación se convierte en un paso crítico. Las grabaciones no pueden todos ser iniciado en el mismo momento, y cada flujo de datos tiene su marco de tiempo específico (por ejemplo, sec 0 de seguimiento de los ojos ≠ seg 0 de EEG o los datos fisiológicos). Esto es extremadamente importante: desincronización entre los flujos de datos significa errores en la cuantificación de cada dimensión de compromiso. Hay diferentes maneras de sincronizar las grabaciones fisiológicas y conductuales concurrentes. Estos métodos pueden dividirse en dos enfoques principales; directa e indirecta 20. El protocolo presentado en la siguiente sección se basa en un enfoque indirecto donde un dispositivo externo, un SyncBox, se utiliza para enviar lógica transistor-transistor (TTL) señales a todo el equipo de grabación (como se muestra en la Figura 1). Como cada equipo tiene una hora de inicio diferente, los marcadores TTL están registrados en los archivos de registro con un familiar<html> demora. Los marcadores se utilizan entonces para realinear las señales y por lo tanto garantizar una correcta sincronización después de cada grabación. Un programa de software de análisis de comportamiento que permite la integración archivo externo se utiliza para volver a sincronizar la línea de tiempo de cada flujo de datos y realizar el análisis cuantitativo y cualitativo de cada dimensión de compromiso. <img alt="Figura 1" src="/files/ftp_upload/52627/52627fig1.jpg" /> Figura 1. Arquitectura del Sistema de Recolección de Datos. El entorno de laboratorio en los que la conducta (eye-tracking), emocional (EDA y la emoción facial) y datos (EEG) de compromiso cognitivo se recogen contiene muchas computadoras. Esto plantea un reto para la sincronización de datos que se hace referencia en sus respectivos relojes de los ordenadores. Para ser capaz de analizar todos los datos en el mismo tiempo de referencia, la configuración de laboratorio implica un SyncBox que envía señales TTL a todos los flujos de datos.nk &quot;&gt; Haga clic aquí para ver una versión más grande de esta figura. Para evaluar la precisión de la metodología en términos de sincronización, 45 seg pausas se introdujeron antes de cada uno de los problemas de la física mecánica. Durante estas pausas, los sujetos tenían que relajarse y para cerrar sus ojos. Como se ha visto en otros estudios 4,9,16,17,18, estas pausas deben inducir variaciones significativas en la señal recogida: los dos puntos pupila del ojo en (el compromiso de comportamiento) de seguimiento ocular inmediatamente desaparece y una caída inmediata en el compromiso cognitivo (EEG señal) se observa. Estos componentes específicos de la señal se utilizan para evaluar la validez general de la sincronización. La reciente publicación de documentos que total o parcialmente dependen de este procedimiento de sincronización, en los campos de los sistemas de información 19, interacciones hombre-máquina 21 y educación 9, 22, proporciona evidencia de su eficacia.

<table border="0" cellpadding="0" cellspacing="0">
	<tbody>
		<tr>
			<td>EGI GSN-32&#160;</td>
			<td>EGI</td>
			<td>n/a</td>
			<td>Dense array EEG</td>
		</tr>
		<tr>
			<td>Netstation v.5.0</td>
			<td>EGI</td>
			<td>n/a</td>
			<td>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 k&#937; with a sampling rate of 250 Hz.&#160;</td>
		</tr>
		<tr>
			<td>Facereader v.4</td>
			<td>Noldus</td>
			<td>n/a</td>
			<td>Facial emotion recognition software</td>
		</tr>
		<tr>
			<td>Syncbox</td>
			<td>Noldus</td>
			<td>n/a</td>
			<td>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.</td>
		</tr>
		<tr>
			<td>Logitech C600&#160; Webcam</td>
			<td></td>
			<td>960-000396</td>
			<td>Webcam used to gather video data sent to mediarecorder and that will be analyzed in Facereader</td>
		</tr>
		<tr>
			<td>The Observer XT</td>
			<td>Noldus</td>
			<td>n/a</td>
			<td>Integration and synchronization software: The Noldus Observer XT (Noldus Information Technology) is used to synchronize all behavioral, emotional and cognitive engagement data.&#160;</td>
		</tr>
		<tr>
			<td>On-Screen LED illumination</td>
			<td>Noldus</td>
			<td>n/a</td>
			<td>Neon positioned on computer screen in order to correctly light the face of subjects</td>
		</tr>
		<tr>
			<td>MediaRecorder</td>
			<td>Noldus</td>
			<td>n/a</td>
			<td>Video data collection software</td>
		</tr>
		<tr>
			<td>Tobii X60</td>
			<td>Tobii</td>
			<td>n/a</td>
			<td>Collect eye-movement patterns :&#160; used to record subjects&#8217; eye movement patterns at 60Hz during the experiment.&#160;</td>
		</tr>
		<tr>
			<td>Tobii Studio v.3.2</td>
			<td>Tobii</td>
			<td>n/a</td>
			<td>Eye-tracking data collection and analysis software</td>
		</tr>
		<tr>
			<td>Analyzer 2</td>
			<td>Brainvision</td>
			<td>n/a</td>
			<td>EEG signal processing software</td>
		</tr>
		<tr>
			<td>Acqknowledge v.4.0</td>
			<td>Biopac</td>
			<td>ACK100M</td>
			<td>Physiological signal acquisition and processing software</td>
		</tr>
		<tr>
			<td>Control III germicide solution</td>
			<td>Maril Products.</td>
			<td>10002REVA-20002-1</td>
			<td>Disinfectant solution used with EEG helmets : recommended by EGI</td>
		</tr>
		<tr>
			<td>Unipark</td>
			<td>QuestBack AG</td>
			<td>n/a</td>
			<td>Online survey environment</td>
		</tr>
	</tbody>
</table>

assessing the multiple dimensions of engagement to characterize learning: a neurophysiological perspective

In a recent theoretical synthesis on the concept of engagement, Fredricks, Blumenfeld and Paris1 defined engagement by its multiple dimensions: behavioral, emotional and cognitive. They observed that individual types of engagement had not been studied in conjunction, and little information was available about interactions or synergy between the dimensions; consequently, more studies would contribute to creating finely tuned teaching interventions. Benefiting from the recent technological advances in neurosciences, this paper presents a recently developed methodology to gather and synchronize data on multidimensional engagement during learning tasks. The technique involves the collection of (a) electroencephalography, (b) electrodermal, (c) eye-tracking, and (d) facial emotion recognition data on four different computers. This led to synchronization issues for data collected from multiple sources. Post synchronization in specialized integration software gives researchers a better understanding of the dynamics between the multiple dimensions of engagement. For curriculum developers, these data could provide informed guidelines for achieving better instruction/learning efficiency. This technique also opens up possibilities in the field of brain-computer interactions, where adaptive learning or assessment environments could be developed.

<html> Las figuras 2 y 3 muestran capturas de pantalla de los resultados de la integración y la sincronización de los datos de compromiso de comportamiento, emocionales y cognitivas en una aplicación de software de análisis de comportamiento. En ambas figuras, la sección izquierda organiza los sujetos de la investigación y el esquema de codificación. En la sección central, un video (con puntos rojos) muestra la mirada del sujeto durante la tarea. Compromiso de comportamiento del sujeto puede infe...

Watch this Scientific Journal Video about Assessing the Multiple Dimensions of Engagement to Characterize Learning: A Neurophysiological Perspective at JoVE.com

Assessing the Multiple Dimensions of Engagement to Characterize Learning: A Neurophysiological Perspective

This paper aims to describe the techniques involved in the collection and synchronization of the multiple dimensions (behavioral, affective and cognitive) of learners&#8217; engagement during a task.

La evaluación de las múltiples dimensiones de compromiso para caracterizar aprendizaje: una perspectiva neurofisiológica

In a recent theoretical synthesis on the concept of engagement, Fredricks, Blumenfeld and Paris1 defined engagement by its multiple dimensions: ...

assessing-multiple-dimensions-engagement-to-characterize-learning

Research

JoVE Journal

Behavior

12.4K vistas.  Université du Québec à Montréal. This paper aims to describe the techniques involved in the collection and synchronization of the multiple dimensions (behavioral, affective and cognitive) of learners’ engagement during a task. 