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. 

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

The Use of the Puzzle Box as a Means of Assessing the Efficacy of Environmental Enrichment

Environmental enrichment can dramatically influence the development and function of neural circuits. Further, enrichment has been shown to successfully delay the onset of symptoms in models of Huntington&#8217;s disease 1-4, suggesting environmental factors can evoke a neuroprotective effect against the progressive, cellular level damage observed in neurodegenerative disorders. The ways in which an animal can be environmentally enriched, however, can vary considerably. Further, there is no straightforward manner in which the effects of environmental enrichment can be assessed: most methods require either fairly complicated behavioral paradigms and/or postmortem anatomical/physiological analyses. This protocol describes the use of a simple and inexpensive behavioral assay, the Puzzle Box 5-7 as a robust means of determining the efficacy of increased social, sensory and motor stimulation on mice compared to cohorts raised in standard laboratory conditions. This simple problem solving task takes advantage of a rodent&#8217;s innate desire to avoid open enclosures by seeking shelter. Cognitive ability is assessed by adding increasingly complex impediments to the shelter&#8217;s entrance. The time a given subject takes to successfully remove the obstructions and enter the shelter serves as the primary metric for task performance. This method could provide a reliable means of rapidly assessing the efficacy of different enrichment protocols on cognitive function, thus paving the way for systematically determining the role specific environmental factors play in delaying the onset of neurodevelopmental and neurodegenerative disease.

Environmental enrichment provides a potential protective effect against neurodegenerative disorders. Currently, however, there is no easy way of determining the efficacy of enrichment procedures. This protocol describes a simple &#8220;Puzzle Box&#8221; method for assessing an animal&#8217;s cognitive function, in order to reveal the effectiveness of environmental enrichment.

El uso de la caja de rompecabezas como un medio para evaluar la eficacia de Enriquecimiento Ambiental

Environmental enrichment can dramatically influence the development and function of neural circuits.  Further, enrichment has been shown to successfully ...

Investigación

Comportamiento

Mindfulness in Motion (MIM): An Onsite Mindfulness Based Intervention (MBI) for Chronically High Stress Work Environments to Increase Resiliency and Work Engagement

A pragmatic mindfulness intervention to benefit personnel working in chronically high-stress environments, delivered onsite during the workday, is timely and valuable to employee and employer alike. Mindfulness in Motion (MIM) is a Mindfulness Based Intervention (MBI) offered as a modified, less time intensive method (compared to Mindfulness-Based Stress Reduction), delivered onsite, during work, and intends to enable busy working adults to experience the benefits of mindfulness. It teaches mindful awareness principles, rehearses mindfulness as a group, emphasizes the use of gentle yoga stretches, and utilizes relaxing music in the background of both the group sessions and individual mindfulness practice. MIM is delivered in a group format, for 1 hr/week/8 weeks. CDs and a DVD are provided to facilitate individual practice. The yoga movement is emphasized in the protocol to facilitate a quieting of the mind. The music is included for participants to associate the relaxed state experienced in the group session with their individual practice. To determine the intervention feasibility/efficacy we conducted a randomized wait-list control group in Intensive Care Units (ICUs). ICUs represent a high-stress work environment where personnel experience chronic exposure to catastrophic situations as they care for seriously injured/ill patients. Despite high levels of work-related stress, few interventions have been developed and delivered onsite for such environments. The intervention is delivered on site in the ICU, during work hours, with participants receiving time release to attend sessions. The intervention is well received with 97% retention rate. Work engagement and resiliency increase significantly in the intervention group, compared to the wait-list control group, while participant respiration rates decrease significantly pre-post in 6/8 of the weekly sessions. Participants value institutional support, relaxing music, and the instructor as pivotal to program success. This provides evidence that MIM is feasible, well accepted, and can be effectively implemented in a chronically high-stress work environment.

Mindfulness in Motion MIM: An Onsite Mindfulness Based Intervention MBI for Chronically High Stress Work Environments to Increase Resiliency and Work Engagement

The Mindfulness in Motion (MIM) protocol offers a pragmatic Mindfulness Based Intervention (MBI) on-site, for persons working in chronically high-stress work environments that significantly increases resiliency and work engagement. The protocol has proven feasible, beneficial, and is easily adaptable to other high-stress workplaces.

Mindfulness in Motion (MIM): Una intervención in situ Mindfulness base (MBI) para entornos de trabajo crónicamente alta tensión para aumentar la resiliencia y Compromiso de Trabajo

A pragmatic mindfulness intervention to benefit personnel working in chronically high-stress environments, delivered onsite during the workday, is timely ...

Quantifying Learning in Young Infants: Tracking Leg Actions During a Discovery-learning Task

Task-specific actions emerge from spontaneous movement during infancy. It has been proposed that task-specific actions emerge through a discovery-learning process. Here a method is described in which 3-4 month old infants learn a task by discovery and their leg movements are captured to quantify the learning process. This discovery-learning task uses an infant activated mobile that rotates and plays music based on specified leg action of infants. Supine infants activate the mobile by moving their feet vertically across a virtual threshold. This paradigm is unique in that as infants independently discover that their leg actions activate the mobile, the infants&#8217; leg movements are tracked using a motion capture system allowing for the quantification of the learning process. Specifically, learning is quantified in terms of the duration of mobile activation, the position variance of the end effectors (feet) that activate the mobile, changes in hip-knee coordination patterns, and changes in hip and knee muscle torque. This information describes infant exploration and exploitation at the interplay of person and environmental constraints that support task-specific action. Subsequent research using this method can investigate how specific impairments of different populations of infants at risk for movement disorders influence the discovery-learning process for task-specific action.

A method is described in which 3-4 month old infants learn a task by discovery and their leg movements are captured to quantify the learning process.

La cuantificación de aprendizaje en jóvenes Bebés: Seguimiento de la pierna acciones durante una tarea de descubrimiento-learning

Task-specific actions emerge from spontaneous movement during infancy. It has been proposed that task-specific actions emerge through a discovery-learning ...

Vagus Nerve Stimulation as a Tool to Induce Plasticity in Pathways Relevant for Extinction Learning

Extinction describes the process of attenuating behavioral responses to neutral stimuli when they no longer provide the reinforcement that has been maintaining the behavior. There is close correspondence between fear and human anxiety, and therefore studies of extinction learning might provide insight into the biological nature of anxiety-related disorders such as post-traumatic stress disorder, and they might help to develop strategies to treat them. Preclinical research aims to aid extinction learning and to induce targeted plasticity in extinction circuits to consolidate the newly formed memory. Vagus nerve stimulation (VNS) is a powerful approach that provides tight temporal and circuit-specific release of neurotransmitters, resulting in modulation of neuronal networks engaged in an ongoing task. VNS enhances memory consolidation in both rats and humans, and pairing VNS with exposure to conditioned cues enhances the consolidation of extinction learning in rats. Here, we provide a detailed protocol for the preparation of custom-made parts and the surgical procedures required for VNS in rats. Using this protocol we show how VNS can facilitate the extinction of conditioned fear responses in an auditory fear conditioning task. In addition, we provide evidence that VNS modulates synaptic plasticity in the pathway between the infralimbic (IL) medial prefrontal cortex and the basolateral complex of the amygdala (BLA), which is involved in the expression and modulation of extinction memory.

Vagus nerve stimulation (VNS) has emerged as a tool to induce targeted synaptic plasticity in the forebrain to modify a range of behaviors. This protocol describes how to implement VNS to facilitate the consolidation of fear extinction memory.

La estimulación del nervio vago como una herramienta para inducir plasticidad en vías pertinentes para el Aprendizaje Extinción

Extinction describes the process of attenuating behavioral responses to neutral stimuli when they no longer provide the reinforcement that has been ...

Place and Response Learning in the Open-field Tower Maze

This protocol describes how the Open-field Tower Maze (OFTM) paradigm is used to study spatial learning in rodents. This maze is especially useful for examining how rats learn to use a place- or response-learning to successfully navigate in an open-field arena. Additionally, this protocol describes how the OFTM differs from other behavioral maze paradigms that are commonly used to study spatial learning in rodents. The OFTM described in this article was adapted from the one previously described by Cole, Clipperton, and Walt (2007). Specifically, the OFTM was created to test spatial learning in rodents without the experimenter having to consider how &#8220;stress&#8221; might play a role as a confounding variable. Experiments have shown that stress-alone can significantly affect cognitive function1. The representative results section contains data from an experiment that used the OFTM to examine the effects of estradiol treatment on place- and response-learning in adult female Sprague Dawley rats2. Future studies will be designed to examine the role of the hippocampus and striatum in place- and response-learning in the OFTM.

The Open-field Tower Maze (OFTM) is a maze created to study the behavioral and neural mechanisms of spatial learning (e.g., place- or response-learning) in rats. This maze is especially useful for experimenters who want to use a non-stressful maze paradigm to investigate spatial learning in their research.

Coloque y Aprendizaje de respuesta en el Abierto de campo Torre Maze

This protocol describes how the Open-field Tower Maze (OFTM) paradigm is used to study spatial learning in rodents. This maze is especially useful for ...

Using a Split-belt Treadmill to Evaluate Generalization of Human Locomotor Adaptation

Understanding the mechanisms underlying locomotor learning helps researchers and clinicians optimize gait retraining as part of motor rehabilitation. However, studying human locomotor learning can be challenging. During infancy and childhood, the neuromuscular system is quite immature, and it is unlikely that locomotor learning during early stages of development is governed by the same mechanisms as in adulthood. By the time humans reach maturity, they are so proficient at walking that it is difficult to come up with a sufficiently novel task to study de novo locomotor learning. The split-belt treadmill, which has two belts that can drive each leg at a different speed, enables the study of both short- (i.e., immediate) and long-term (i.e., over minutes-days; a form of motor learning) gait modifications in response to a novel change in the walking environment. Individuals can easily be screened for previous exposure to the split-belt treadmill, thus ensuring that all experimental participants have no (or equivalent) prior experience. This paper describes a typical split-belt treadmill adaptation protocol that incorporates testing methods to quantify locomotor learning and generalization of this learning to other walking contexts. A discussion of important considerations for designing split-belt treadmill experiments follows, including factors like treadmill belt speeds, rest breaks, and distractors. Additionally, potential but understudied confounding variables (e.g., arm movements, prior experience) are considered in the discussion.

We describe a protocol for investigating human locomotor adaptation using the split-belt treadmill, which has two belts that can drive each leg at a different speed. We specifically focus on a paradigm designed to test the generalization of adapted locomotor patterns to different walking contexts (e.g., gait speeds, walking environments).

Con una cinta de cinturón de Split para evaluar la generalización de la adaptación humana Aparato Locomotor

Understanding the mechanisms underlying locomotor learning helps researchers and clinicians optimize gait retraining as part of motor rehabilitation. ...

The "Motor" in Implicit Motor Sequence Learning: A Foot-stepping Serial Reaction Time Task

This protocol describes a modified serial reaction time (SRT) task used to study implicit motor sequence learning. Unlike the classic SRT task that involves finger-pressing movements while sitting, the modified SRT task requires participants to step with both feet while maintaining a standing posture. This stepping task necessitates whole body actions that impose postural challenges. The foot-stepping task complements the classic SRT task in several ways. The foot-stepping SRT task is a better proxy for the daily activities that require ongoing postural control, and thus may help us better understand sequence learning in real-life situations. In addition, response time serves as an indicator of sequence learning in the classic SRT task, but it is unclear whether response time, reaction time (RT) representing mental process, or movement time (MT) reflecting the movement itself, is a key player in motor sequence learning. The foot-stepping SRT task allows researchers to disentangle response time into RT and MT, which may clarify how motor planning and movement execution are involved in sequence learning. Lastly, postural control and cognition are interactively related, but little is known about how postural control interacts with learning motor sequences. With a motion capture system, the movement of the whole body (e.g., the center of mass (COM)) can be recorded. Such measures allow us to reveal the dynamic processes underlying discrete responses measured by RT and MT, and may aid in elucidating the relationship between postural control and the explicit and implicit processes involved in sequence learning. Details of the experimental set-up, procedure, and data processing are described. The representative data are adopted from one of our previous studies. Results are related to response time, RT, and MT, as well as the relationship between the anticipatory postural response and the explicit processes involved in implicit motor sequence learning.

The &quot;Motor&quot; in Implicit Motor Sequence Learning: A Foot-stepping Serial Reaction Time Task

We introduce the foot-stepping serial reaction time (SRT) task. This modified SRT task, complementing the classic SRT task that involves only finger-pressing movement, better approximates daily sequenced activities and allows researchers to study the dynamic processes underlying discrete response measures and disentangle the explicit process operating in implicit sequence learning.

El "Motor" motor implícito la secuencia de aprendizaje: tiempo de reacción Serial pie-caminar tarea

This protocol describes a modified serial reaction time (SRT) task used to study implicit motor sequence learning. Unlike the classic SRT task that ...

Using the FishSim Animation Toolchain to Investigate Fish Behavior: A Case Study on Mate-Choice Copying In Sailfin Mollies

Over the last decade, employing computer animations for animal behavior research has increased due to its ability to non-invasively manipulate the appearance and behavior of visual stimuli, compared to manipulating live animals. Here, we present the FishSim Animation Toolchain, a software framework developed to provide researchers with an easy-to-use method for implementing 3D computer animations in behavioral experiments with fish. The toolchain offers templates to create virtual 3D stimuli of five different fish species. Stimuli are customizable in both appearance and size, based on photographs taken of live fish. Multiple stimuli can be animated by recording swimming paths in a virtual environment using a video game controller. To increase standardization of the simulated behavior, the prerecorded swimming path may be replayed with different stimuli. Multiple animations can later be organized into playlists and presented on monitors during experiments with live fish.
In a case study with sailfin mollies (Poecilia latipinna), we provide a protocol on how to conduct a mate-choice copying experiment with FishSim. We utilized this method to create and animate virtual males and virtual model females, and then presented these to live focal females in a binary choice experiment. Our results demonstrate that computer animation may be used to simulate virtual fish in a mate-choice copying experiment to investigate the role of female gravid spots as an indication of quality for a model female in mate-choice copying.
Applying this method is not limited to mate-choice copying experiments but can be used in various experimental designs. Still, its usability depends on the visual capabilities of the study species and first needs validation. Overall, computer animations offer a high degree of control and standardization in experiments and bear the potential to &#39;reduce&#39; and &#39;replace&#39; live stimulus animals as well as to &#39;refine&#39; experimental procedures.

Using the FishSim Animation Toolchain to Investigate Fish Behavior: A Case Study on Mate-Choice Copying In Sailfin Mollies

Using the novel FishSim Animation Toolchain, we present a protocol for non-invasive visual manipulation of public information in the context of mate-choice copying in sailfin mollies. FishSim Animation Toolchain provides an easy-to-use framework for the design, animation and presentation of computer-animated fish stimuli for behavioral experiments with live test fish.

Utilizando la cadena de herramientas de animación de FishSim para investigar el comportamiento de pescado: un estudio de caso en la elección de pareja copia en Mollies aletón

Over the last decade, employing computer animations for animal behavior research has increased due to its ability to non-invasively manipulate the ...

An Instrumented Pull Test to Characterize Postural Responses

Impairment of postural reflexes, termed postural instability, is a common and disabling deficit in Parkinson's disease. To assess postural reflexes, clinicians typically employ the pull test to grade corrective responses to a backward perturbation at the shoulders. However, the pull test is prone to issues with reliability and scaling (score/4). Here, we present an instrumented version of the pull test to more precisely quantify postural responses. Akin to the clinical test, pulls are manually administered except pull force is also recorded. Displacements of the trunk and feet are captured by a semi-portable motion tracking system. Raw data represent distance traveled (in millimeter units), making subsequent interpretation and analysis intuitive. The instrumented pull test also detects variabilities influencing pull test administration, such as pull force, thereby identifying and quantifying potential confounds that can be accounted for by statistical techniques. The instrumented pull test could have application in studies seeking to capture early abnormalities in postural responses, track postural instability over time, and detect responses to therapy.

Impairment of postural reflexes, termed postural instability, is difficult to quantify. Clinical assessments such as the pull test suffer issues with reliability and scaling. Here, we present an instrumented version of the pull test to objectively characterize postural responses.

Una prueba de extracción instrumentada para caracterizar las respuestas posturales

Impairment of postural reflexes, termed postural instability, is a common and disabling deficit in Parkinson's disease. To assess postural reflexes, ...

Multimodal Protocol for Assessing Metacognition and Self-Regulation in Adults with Learning Difficulties

Learning disabilities (LDs) encompass disorders of those who have difficulty learning and using academic skills, exhibiting performance below expectations for their chronological age in the areas of reading, writing, and/or mathematics. Each of the disorders making up the LDs involve different deficits; however, some commonalities can be found within that heterogeneity, such in terms of learning self-regulation and metacognition. Unlike in early ages and later educational levels, there are hardly any evidence-based evaluation protocols for adults with LDs. LDs influence academic performance but also have serious consequences in professional, social, and family contexts. In response to this, the current work proposes a multimodal evaluation protocol focused on metacognitive, self-regulation of learning, and emotional processes, which make up the basis of the difficulties in adults with LDs. The assessment is carried out through analysis of the on-line learning process using a variety methods, techniques, and sensors (e.g., eye tracking, facial expressions of emotion, physiological responses, concurrent verbalizations, log files, screen recordings of human-machine interactions) and off-line methods (e.g., questionnaires, interviews, and self-report measures). This theoretically-driven and empirically-based guideline aims to provide an accurate assessment of LDs in adulthood in order to design effective prevention and intervention proposals.

The current work proposes a multimodal evaluation protocol focused on metacognitive, self-regulation of learning, and emotional processes, which make up the basis of the difficulties in adults with LDs.

Protocolo multimodal para evaluar la metacognición y la autorregulación en adultos con dificultades de aprendizaje

Learning disabilities (LDs) encompass disorders of those who have difficulty learning and using academic skills, exhibiting performance below expectations ...