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).

Ce protocole a reçu un certificat d&#39;éthique du Comité institutionnel de la recherche Avec des Êtres Humains (CIER) de l&#39;Université du Québec à Montréal (UQAM) qui a été approuvé par HEC-Montréal pour le centre de recherche de Tech3Lab. Le protocole décrit chacune des étapes spécifiques qui sont effectuées dans notre environnement de laboratoire et des équipements. Bien que les chemins de logiciels précises sont fournies pour clarifier la méthodologie, cette technique est transférable et peut être reproduit avec d&#39;autres eye-tracking propriétaire, la reconnaissance automatique de visage émotion, l&#39;activité électrodermale et l&#39;équipement de l&#39;électroencéphalographie et de logiciels. 1. Configuration de l&#39;Environnement Lab <ol><li> Allumez le oculomètre, l&#39;amplificateur d&#39;EEG, les quatre ordinateurs d&#39;enregistrement et les haut-parleurs. </li><li> Préparer l&#39;installation de l&#39;équipement d&#39;enregistrement: <ol><li> Préparer la configuration EEG avec matériel requis selon la recomme du fabricantDEMVSO procédures. Préparer le logiciel EEG pour le participant à venir. Démarrez le logiciel eye-tracking et de créer un nouveau profil de participant dans le logiciel. Démarrez le logiciel d&#39;enregistrement vidéo et les caméras. </li><li> Démarrez le logiciel de synchronisation avec le sous-programme spécifique créé pour le projet avec des marqueurs à 60 sec. Démarrez le logiciel de mesure physiologique (pour enregistrer l&#39;activité électrodermale) et ouvrir la disposition spécifique créé pour le projet. Ajustez la chaise du participant au plus haut niveau. </li></ol></li></ol> 2. Préparation Participant <ol><li> Demandez au participant de lire et de signer le formulaire de consentement éthique. </li><li> Effectuer des mesures du crâne pour EEG: <ol><li> Trouver l&#39;emplacement Cz sur la tête du participant (selon 10 - 20 systèmes de référence). Immerger le filet de l&#39;EEG dans la solution saline (chlorure de potassium) (voir l&#39;étape 1.2.1) et commencer une minuterie (10 min) en conformité avec les normes du fabricant. &lt;/ Li&gt; </ol></li><li> Lire l&#39;objectif de l&#39;étude et les étapes de l&#39;expérience pour le participant &quot;, est l&#39;objectif de cette étude pour observer l&#39;activité de votre cerveau pendant que vous répondez à des problèmes de physique. Nous allons d&#39;abord installer les capteurs, alors vous serez invité à résoudre 10 problèmes de la physique newtonienne sur l&#39;ordinateur. Nous allons vous demander de prendre une pause de 45 secondes après chaque problème avec vos yeux fermés. Après chaque problème, vous serez invité à voter pour votre évaluation du problème &quot;. </li><li> Informer le sujet que la durée totale de l&#39;essai sera 90 min. </li><li> Installez les capteurs physiologiques, selon les recommandations du fabricant: deux capteurs gélifiées sur le dessus de la main gauche. </li><li> Installez le bouchon EEG, selon les recommandations du fabricant et effectuer un contrôle d&#39;impédance avec un seuil à 40 kQ (selon les spécifications du fabricant). </li></ol> 3. Collecte de données <ol><li> Assurez-vous que tous les logiciels d&#39;enregistrement est prêt à être lancé en synchronie: <ol><li> Physiologie (données EDA): Cliquez sur le bouton &quot;start&quot;. </li><li> Enregistrement vidéo: Cliquez sur le bouton &quot;ouvert&quot;. </li><li> Eye-tracking: Cliquez sur le bouton «en attente». </li><li> EEG: Cliquez sur le bouton &quot;enregistrement&quot;. </li><li> Le logiciel de synchronisation: Cliquez sur le bouton &quot;cercle vert&quot;. </li></ol></li><li> Regard des yeux étalonnage: <ol><li> Effectuez un étalonnage à l&#39;écran cinq points et d&#39;observer le participant pendant qu&#39;il / elle suit les points rouges (cliquez sur «Outils / Paramètres / Calibration ...&quot;). Répétez cette procédure jusqu&#39;à ce que suffisamment de précision est atteint, selon les normes du fabricant. </li></ol></li><li> instructions de la tâche de projeter sur l&#39;écran du participant: demander si il / elle a des questions après leur lecture, et si il / elle est prêt à commencer l&#39;expérience. </li><li> Demandez au participant de résoudre 10 p newtoniennehysics problèmes. </li><li> Si nécessaire, effectuer un contrôle d&#39;impédance pendant une des pauses de 45 s (pas avant problème 5). </li><li> Assurez-vous que le participant prend une pause de la pleine 45 avant chaque problème (pour déterminer la ligne de base). </li></ol> 4. Fin de la collecte des données <ol><li> Arrêtez l&#39;acquisition de données sur tous les ordinateurs et retirer les capteurs du participant. </li></ol> 5. Après le participant a quitté <ol><li> Nettoyez le bouchon avec un germicide EEG et ranger l&#39;équipement, selon les recommandations du fabricant. Enregistrez tous les fichiers de données collectées et créer une sauvegarde sur le serveur FTP. </li><li> Remplir la feuille de participant: noter tout événement ou problème particulier lors de la collecte des données. Effacer tous les cookies du navigateur. </li></ol> 6. Les données de pré-traitement et d&#39;exportation à l&#39;intégration logicielle <ol start="1"><li> EEG <ol><li> Importer des données EEG EEG dans les logiciels d&#39;analyse de données: <ol><li> Créez trois dossiers vides sur l&#39;ordinateur nommé &quot;données brutes&quot;, &quot;Histoire&quot; et &quot;Exporter&quot; pour coller les données EEG brutes dans le fichier de données brutes nouvellement créé. </li><li> Dans le logiciel d&#39;analyse des données de l&#39;EEG, cliquez sur &quot;Fichier / Nouveau projet ...&quot; et choisissez l&#39;emplacement de données brutes en cliquant sur Parcourir, puis en sélectionnant le fichier de données brutes nouvellement créé. Choisissez l&#39;emplacement de l &#39;&quot;Histoire&quot; et les dossiers «exportation» de la même manière. </li><li> Cliquez sur &quot;OK&quot;. (La fenêtre doit contenir toutes les données EEG du participant). </li></ol></li><li> Pré-processus le signal du cerveau: <ol><li> Appliquer un filtre et une encoche (cliquez sur &quot;Transformations / filtres RII ...&quot;). Dans la fenêtre, activez le seuil de faible à 1,5 Hz avec une pente de 12 dB et la grande coupure à 50 Hz avec une pente de 12 dB. Activez également une encoche à une fréquence de 60 Hz. </li><li> Parce que un amplificateur DC est utilisé, DC detrend le signal (Cliquez sur &quot;Transformations / DC Detrend ... »et permettre« basé sur le temps &quot;à 100 ms avant le marqueur et 100 msec avant connexion DC). </li><li> Effectuer une inspection de données brutes (Cliquez sur &quot;/ Raw inspection des données de transformation ...&quot; et sélectionnez le retrait semi-automatique artefact). Sélectionnez les suivantes: tension maximale de 60 mV / ms; Max-min: 200 mV à 200 ms d&#39;intervalle; amplitude: de -400 à 400 mV). </li><li> Effectuer une ICA automatique avec sphérisation classique pour l&#39;enlèvement de clignement des yeux (artefacts myographiques ne doivent pas être supprimée car leur gamme est en dehors des fréquences d&#39;intérêt). (Cliquez sur &quot;Transformations / ICA ...&quot;. A la fin de l&#39;ICA, le processus de l&#39;ICA inverse.) </li><li> Re-référence (&quot;Transformations / Re-référence ...&quot;) le signal et sélectionnez &quot;moyenne commune&quot;. </li><li> Export (cliquez sur &quot;Exporter / Generic Data Export ...&quot;) le signal et les marqueurs au format texte (Sélectionnez le &quot;.vhdr&quot;; encadré) pour une construction Matlab éventuelle de l&#39;indice d&#39;engagement. Sélectionnez également le «fichier d&#39;entête Write&quot; et des boîtes &quot;de fichiers marqueur Write&quot;. </li></ol></li><li> Importez le signal dans Matlab. <ol><li> Lancer Matlab et tapez &quot;EEGLAB&quot; si l&#39;interface graphique de EEGLAB apparaît et l&#39;importation des données pour un participant à la fois. Dans l&#39;interface graphique, sélectionnez le menu item &quot;Fichier / Importer des données / Utilisation des fonctions de EEGLAB et plugins / De Cerveau Vis Rec .vhdr fichier&quot;. </li><li> Dans la fenêtre de commande, coller un script 16 qui génère un indice d&#39;engagement. NOTE: Le script engagement cognitif est calculé par la moyenne de chaque / (Alpha + Theta) ratio de Beta dans un temps T. fenêtre coulissante 20 secondes précédant Cette procédure est répétée à chaque seconde et une nouvelle fenêtre coulissante est utilisée pour mettre à jour l&#39;index. </li></ol></li><li> Dans MS Excel, ouvrez le fichier texte de l&#39;indice d&#39;engagement qui est généré à la fin du script par Matlab et appliquer un z-score normalisation sur les données EEG à permettre une comparaison interindividuelle. (Pour chaque valeur, calculer cette formule dans Excel: Z = (valeur - moyenne globale) / écart-type global.) </li><li> Enregistrez le signal d&#39;indice d&#39;engagement z-score dans un fichier CSV dans MS Excel. (Cliquez sur Fichier / Enregistrer sous ... et sélectionnez CSV dans le type de format.) </li><li> Répétez la procédure (de l&#39;étape 6.1.2.2.) Pour chaque participant. </li></ol></li><li> Physiologie: <ol><li> Importer des données de CAO en physiologique logiciel d&#39;analyse de données. </li><li> Appliquer ces paramètres de pré-traiter le signal physiologique: <ol><li> Appliquer une transformation logarithmique pour normaliser la distribution de la conductance comme par 23 la méthode de Venables et Christie. </li><li> Plat du signal sur une fenêtre de 24 sec 10 coulissant. </li></ol></li><li> Dans le logiciel physiologique, calculer une normalisation z-score sur les données de CAO pour permettre la comparaison interindividuelle. (Z = (valeur - moyenne globale) / écart-type global). <ol><li> Mettez en surbrillance toutes les données avec le curseur du canal EDA. </li><li> Dans le menu principal, sélectionnez le canal EDA, et sélectionnez &quot;moyenne&quot; pour obtenir la valeur moyenne de la chaîne globale. Également sélectionner le canal EDA et &quot;stddev&quot; pour obtenir la valeur de l&#39;écart type de la chaîne globale. </li><li> Pour calculer l&#39;équation z-score, cliquez sur &quot;Transformation / Waveform Math ...&quot; et sélectionnez le canal EDA dans la source 1. Sélectionnez &quot;-&quot; (moins) dans la fenêtre d&#39;opération mathématique et sélectionnez K dans la source 2. Sélectionnez &quot;Nouvelle destination&quot; dans le menu de destination et entrez la valeur moyenne du canal EDA (voir l&#39;étape 6.2.3.2). Sélectionnez &quot;Transform vague entière&quot;, cliquez sur OK et cliquez sur &quot;Transformation / Waveform Math ...&quot;. Sélectionnez le canal EDA-K dans la source 1, sélectionner &quot;/&quot; (fracture) dans la fenêtre d&#39;opération mathématique, sélectionnez K dans la source 2, sélectionnez &quot;Nouvelle destination&quot; à destination et enter la valeur de l&#39;écart type du canal EDA (étape 6.2.3.2). Sélectionnez &quot;Transform vague entière&quot; et cliquez sur OK. </li></ol></li><li> Exporter le signal (l&#39;éveil) dans un fichier CSV. (Cliquez sur Fichier / Enregistrer sous ... et sélectionnez CSV dans le type de format.) </li></ol></li><li> Automatique de reconnaissance faciale de l&#39;émotion: <ol><li> Importation de données vidéo de l&#39;enregistreur multimédia dans le logiciel de reconnaissance faciale automatique de l&#39;émotion. (Cliquez sur &quot;Fichier / Nouveau ... / participants ...&quot;. Après la sélection d&#39;un nouveau participant dans le menu de projet en cliquant dessus, cliquez sur &quot;Fichier / Nouveau / Analyse / Vidéo ...&quot;. Cliquez sur la loupe à côté d&#39;Analyse 1 et choisir le désiré fichier vidéo. <ol><li> Sélectionnez une analyse hors-ligne pour &quot;chaque troisième cadre&quot; et activer &quot;étalonnage continu&quot;. </li><li> Exporter des données de valence dans un fichier CSV. (Cliquez sur &quot;Options / Paramètres / Logging ...&quot;, cochez la case &quot;Ecrire la valeur de valence dans le fichier de log&quot; boîte. Cliquez sur &quot;Fichier /Exporter ... &quot;, choisissez l&#39;emplacement où les fichiers journaux seront exportés, et cochez la case&quot; Enregistrer détaillée &quot;boîte de journal.) </li><li> Ouvrez le fichier CSV dans MS Excel. Copiez la colonne de données de valence dans une seule colonne de logiciel SPSS. Cliquez sur &quot;Analyse / Statistiques / Descriptives Descriptives&quot; et sélectionnez le nom de la variable juste collé. Cochez la case &quot;Enregistrer les valeurs standardisées dans des variables&quot;. Une colonne avec un z-score apparaîtra. Copiez-collez ces z-scores sur les anciennes données dans le fichier Excel. </li></ol></li><li> Enregistrez le fichier Excel avec les z-scores du signal (valence) au format CSV. </li></ol></li></ol> 7. Intégration et synchronisation des données <ol start="1"><li> Dans le logiciel d&#39;analyse comportementale: <ol><li> Vidéos de eye-tracking importation (engagement comportemental). (Cliquez sur &quot;Fichier / Importer / Vidéo dans une nouvelle observation ...&quot;. Nommez la nouvelle observation et choisir le fichier vidéo désiré.) </li><li> Code de chaque vidéo avec pertinentportements et événements contextuels (marqueurs de temps, des réponses vrai / faux). </li><li> Importer toutes les données externes avec l&#39;en-tête approprié: z-score de signal EEG (de l&#39;engagement cognitif), z-score de signaux EDA (de l&#39;engagement émotionnel), z-score de données de valence (de l&#39;engagement émotionnel). (Cliquez sur &quot;Fichier / Importer / données externes ...&quot;. Sélectionnez le type de fichier approprié et sélectionnez le bon fichier CSV.) </li></ol></li><li> Synchroniser l&#39;heure entre les ordinateurs selon ces formules: <ol><li> Temps oeil regard de temps en EEG = Temps du regard + deuxième marqueur en EEG - premier marqueur dans le regard des yeux. </li><li> Temps dans le regard des yeux de temps en reconnaissance de l&#39;émotion faciale = Temps du regard + premier marqueur dans l&#39;émotion faciale - premier marqueur dans le regard des yeux. </li><li> Temps oeil regard de temps dans l&#39;activité électrodermale = Temps du regard + premier marqueur de l&#39;activité électrodermale - premier marqueur dans le regard des yeux. </li></ol></li><li> Entrez les données de correction en appuyant sur &quot;Ctrl + Maj + =221 ;, pour ouvrir le menu Offset. Sélectionnez &quot;numérique compensé&quot; pour entrer dans le temps en secondes entre chaque paire de sources de données [OK?]), Selon les calculs ci-dessus. </li><li> Générer un rapport selon les variables d&#39;intérêt dans l&#39;étude. <ol><li> Sélectionnez les variables intéressantes qui seront générés dans le rapport (cliquez sur &quot;Analyser / Select Data / Données New Profile ...&quot;). De gauche à droite, faites glisser les variables souhaitées entre la boîte &quot;Démarrer&quot; et la boîte «Résultats», sur la droite. </li><li> Générer le rapport. (Cliquez sur &quot;Analyser / Analyse numérique / Nouveau ...&quot;, cliquez sur &quot;Statistiques&quot; et cochez la case de moyenne dans le menu de données externe. Terminer en cliquant sur &quot;Calculer&quot;.) </li></ol></li><li> Exporter les données dans un logiciel d&#39;analyse statistique et effectuer une analyse selon les objectifs de l&#39;étude. </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 termes d&#39;étapes critiques dans le protocole, il convient d&#39;abord de souligner que la qualité des données est toujours l&#39;objectif principal pour les techniques de collecte neurophysiologiques. Dans cette méthodologie, les assistants de recherche doivent porter une attention particulière à instruire les sujets afin de minimiser les mouvements de tête qui va interférer avec la surveillance de valence (perdre angle de la face correcte pour la caméra) ou générer des artefacts myographiques de l&#39;...

Engagement joue un rôle crucial dans l&#39;apprentissage. Pour Clark et Mayer 2, &quot;tout apprentissage nécessite l&#39;engagement,&quot; indépendamment des médias de livraison. Zhang et al. 3 a également suggéré que l&#39;augmentation de l&#39;engagement des élèves peut améliorer les résultats d&#39;apprentissage, comme la résolution de problèmes et la pensée critique. Définition de l&#39;engagement reste un défi. Dans leur revue de la littérature, Fredricks, Blumenfeld et Paris 1 définis engagement par sa nature multiforme: &quot;l&#39;engagement du comportement se fonde sur l&#39;idée de la participation; il comprend la participation à des activités scolaires et sociales ou parascolaires. (...) L&#39;engagement émotionnel englobe réactions positives et négatives aux enseignants, camarades de classe, des universitaires, et l&#39;école et est présumé pour créer des liens avec un objet et l&#39;influence volonté de faire le travail. Enfin, engagement cognitif se fonde sur l&#39;idée de l&#39;investissement mentale; il intègre la prévenance et la volonté d&#39;exercer l&#39;effort ncasaire de comprendre des idées complexes et des compétences difficiles maîtres &quot;. Fredricks, Blumenfeld et Paris 1 ont également affirmé que l&#39;accent mis sur le comportement, les émotions et la cognition, de la notion d&#39;engagement, peut fournir une caractérisation plus riche de l&#39;apprentissage. Ces auteurs ont souligné que un corps robuste de recherche aborde chaque composante de l&#39;engagement séparément, mais ces composants avaient pas été étudiés conjointement. Ils ont également observé que peu d&#39;information est disponible sur les interactions entre les dimensions et que d&#39;autres études pourraient contribuer à la planification des interventions d&#39;enseignement finement réglé. Comme une étape dans cette direction, le présent document décrit une méthode de recherche qui a été développé pour recueillir et analyser des données quantitatives et qualitatives, synchrone, sur l&#39;engagement comportemental, affectif et cognitif pendant les tâches d&#39;apprentissage. Apporter les neurosciences dans l&#39;éducation BehavIOR, et un engagement conséquent de comportement, a longtemps été le point central des études dans l&#39;enseignement: des modèles de recherche ont porté principalement sur l&#39;évolution des connaissances et des comportements qui se produisent sur de longues périodes de temps, entre-tests pré et post, et sur des intervalles d&#39;heures, semaines , des mois ou des années. Discrimination entre l&#39;engagement comportemental, émotionnel et cognitif reste un défi parce que les deux dernières dimensions ne sont pas systématiquement observable de l&#39;extérieur. Cognition et les émotions doivent soit être déduites des observations ou évalués par des mesures d&#39;auto-évaluation. D&#39;un point de vue extérieur, il reste difficile de déterminer si les élèves essaient de faire leur travail aussi rapidement que possible ou en utilisant des stratégies d&#39;apprentissage à un niveau profond de maîtriser un contenu spécifique. En fait, Fredricks, Blumenfeld et Paris 1 ont été incapables de trouver des études publiées à l&#39;aide, des mesures objectives directs d&#39;engagement cognitif. Les récents développements technologiques dansle domaine des neurosciences ont créé de nouvelles possibilités pour la recherche en éducation. De nouvelles méthodes de collecte de données et des algorithmes d&#39;analyse développés dans le domaine de l&#39;ergonomie neuro semblent très prometteurs pour les études qualitatives et quantitatives au cours de tâches d&#39;apprentissage. D&#39;autres disciplines, telles que l&#39;économie, la psychologie, le marketing et l&#39;ergonomie, ont eu recours à des mesures neurophysiologiques pour évaluer engagement cognitif pendant un certain temps 4-8. Mesures neurophysiologiques, couplés avec des algorithmes d&#39;analyse efficaces, permettent d&#39;étudier un phénomène sans le déranger. De par leur nature, les questionnaires d&#39;autoévaluation se désengagent des étudiants de l&#39;apprentissage. Mesures neurophysiologiques permettent modèles de recherche à effectuer dans des environnements d&#39;apprentissage plus authentiques. Ces outils comprennent des équipements pour surveiller le rythme cardiaque, le rythme respiratoire, la tension artérielle, la température corporelle, diamètre de la pupille, l&#39;activité électrodermale, l&#39;électroencéphalographie (EEG), etc. <strong&gt; Rassemblement données synchronisées sur comportementaux, émotionnels et cognitifs de fiançailles Comme résultats représentatifs après l&#39;utilisation de ce protocole, le présent document présentera les résultats partiels d&#39;une étude dans laquelle les apprenants ont à résoudre, sur un écran d&#39;ordinateur, dix problèmes en physique mécanique. Ces problèmes ont été développées dans les travaux précédents 9. Données neurophysiologiques ont été recueillies alors que les apprenants ont été résoudre les problèmes et relaxant pendant la pause de 45, les yeux fermés, après chaque problème. Comme mentionné ci-dessus, les données de mise en prise consistent en des interactions de comportement de logiciels (mouvements de la souris et les clics), le regard de l&#39;oeil, les performances et les réponses aux questions produites par un apprenant interagir avec le système tout en accomplissant une tâche. Un système d&#39;eye-tracking a été utilisé pour recueillir des interactions de logiciels et les données du regard de l&#39;oeil. Les données de performance (temps de résoudre un problème, de l&#39;exactitude des réponses) ont été recueillies sur uneSite web de l&#39;enquête qui a été utilisé pour présenter la tâche. Ce site a également été utilisé pour recueillir des données autodéclarées recueillies par un questionnaire adapté de Bradley et Lang 10. L&#39;engagement émotionnel implique la caractérisation des émotions. Selon Lang 11, les émotions sont caractérisés en termes de valence (agréable / désagréable) et l&#39;éveil (calme / suscité). Données d&#39;engagement affectif ont donc été recueillies, en utilisant un logiciel de reconnaissance faciale automatique de l&#39;émotion qui quantifie valence émotionnelle et une activité codeur / capteur électrodermale de l&#39;excitation 12,13. L&#39;activité électrodermale (AED) se réfère à la résistance électrique enregistrée entre deux électrodes lorsqu&#39;un courant électrique très faible est régulièrement passé entre eux. Cacioppo, Tassinary Berntson et 14 ont montré que la résistance enregistrée varie en fonction de l&#39;excitation de l&#39;objet. Ainsi, les données psychophysiologiques, comme valence ou l&#39;excitation, sont considérés comme des corrélats de l&#39;engagement émotionnel. <pclass = &quot;jove_content&quot;&gt; Enfin, les données d&#39;engagement cognitives sont collectées par l&#39;électroencéphalographie (EEG). mesures de l&#39;EEG, sur le cuir chevelu, la synchronisation de l&#39;activité électrique des groupes de neurones dans le cerveau. Les signaux électriques enregistrés à partir du cuir chevelu sont souvent oscillatoire et composé de composantes de fréquence. Par convention, ces fréquences sont regroupées en séquences, connu sous le nom des bandes. Par exemple, alpha, bêta et thêta bandes sont l&#39;objet de cette étude. Selon des études neuroscientifiques 14, ces bandes reflètent différentes capacités de traitement cognitif dans les zones spécifiques du cerveau. Ainsi, l&#39;analyse de la densité spectrale de puissance (PSD) de fréquences spécifiques, combinée avec de nombreuses études sur la vigilance 7,15 et d&#39;attention, permet aux chercheurs de quantifier engagement cognitif au cours d&#39;une tâche. Comme l&#39;a noté Mikulka et al. 16, la recherche a montré une relation directe entre l&#39;activité bêta et la vigilance cognitive et une relation indirecte entre un alphad activité thêta et la vigilance. Ainsi, le pape, Bogart et Bartoleme 7 développé un indice d&#39;engagement qui calcule le PSD de trois bandes: beta / (alpha + thêta). Ce rapport a été validé dans d&#39;autres études sur l&#39;engagement 16,17,18. Pour caractériser engagement cognitif au fil du temps, une transformée de Fourier rapide (FFT) convertit le signal EEG de chaque site actif (F3, F4, O1, O2) dans un spectre de puissance. L&#39;index EEG de mise en prise à l&#39;instant T est calculé par la moyenne de chaque rapport de mise en prise à l&#39;intérieur d&#39;une fenêtre glissante de 20 secondes précédant l&#39;instant T. Cette procédure est répétée toutes les secondes et une nouvelle fenêtre glissante est utilisée pour mettre à jour l&#39;index. Comme l&#39;objectif de cette méthodologie est de fournir une riche analyse des multiples dimensions de l&#39;engagement, la synchronisation des données est cruciale. Comme Leger et al. 19 rappeler aux lecteurs, les fabricants d&#39;équipements recommandent fortement d&#39;utiliser un seul ordinateur par outil de mesure de garantir leur précision spécifiée level. Ainsi, lorsque plusieurs ordinateurs sont utilisés, la synchronisation entre les ordinateurs d&#39;enregistrement devient une étape critique. Les enregistrements ne peuvent pas tous être commencé à la même heure, et chaque flux de données dispose de son délai précis (par exemple, 0 sec de l&#39;œil sec suivi ≠ 0 de l&#39;EEG ou des données physiologiques). Cela est extrêmement important: la désynchronisation entre les flux de données des erreurs dans le moyen de quantification de chaque dimension de l&#39;engagement. Il ya différentes façons de synchroniser les enregistrements physiologiques et comportementaux concomitants. Ces procédés peuvent être divisés en deux approches principales; directe et indirecte 20. Le protocole présenté dans la section suivante est basée sur une approche indirecte où un dispositif externe, une syncbox, est utilisé pour envoyer transistor-transistor logique (TTL) des signaux à tous les équipements d&#39;enregistrement (comme représenté sur la figure 1). Comme chaque pièce d&#39;équipement a une heure de début différente, les marqueurs de TTL sont enregistrées dans les fichiers journaux avec un parent<html> retard. Les marqueurs sont ensuite utilisés pour réaligner les signaux et ainsi assurer une bonne synchronisation après chaque enregistrement. Un logiciel d&#39;analyse comportementale qui permet l&#39;intégration de fichier externe est utilisé pour re-synchroniser le calendrier de chaque flux de données et d&#39;effectuer une analyse quantitative et qualitative de chaque dimension de l&#39;engagement. <img alt="Figure 1" src="/files/ftp_upload/52627/52627fig1.jpg" /> Figure 1. architecture du système de collecte de données. L&#39;environnement de laboratoire dans lequel comportementale (eye-tracking), émotionnel (EDA et l&#39;émotion du visage) et les données cognitives (EEG) de fiançailles sont collectées contient de nombreux ordinateurs. Cela pose un défi de synchronisation pour les données qui sont référencés sur leurs horloges des ordinateurs respectifs. Pour être en mesure d&#39;analyser toutes les données dans le même temps de référence, la configuration de laboratoire implique un syncbox qui envoie des signaux TTL à tous les flux de données.nk &quot;&gt; S&#39;il vous plaît cliquez ici pour voir une version plus grande de cette figure. Pour évaluer la précision de la méthodologie en termes de synchronisation, 45 pauses sec ont été introduits avant chacun des problèmes de physique mécanique. Pendant ces pauses, les sujets devaient se détendre et à fermer les yeux. Comme on le voit dans d&#39;autres études 4,9,16,17,18, ces pauses devraient induire des variations significatives dans le signal collecté: les deux points de pupille de l&#39;oeil dans (l&#39;engagement comportemental) eye-tracking immédiatement disparaître et une chute immédiate engagement cognitif (EEG le signal) est observée. Ces composants spécifiques du signal sont utilisés pour évaluer la validité générale de la synchronisation. La récente publication de documents qui dépendent totalement ou partiellement sur ​​cette procédure de synchronisation, dans les domaines des systèmes d&#39;information 19, les interactions homme-machine et de l&#39;éducation 21 9, 22, fournit la preuve de son efficacité.

<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> Les figures 2 et 3 montrent les captures d&#39;écran des résultats de l&#39;intégration et la synchronisation des données d&#39;engagement comportementaux, émotionnels et cognitifs dans un logiciel d&#39;analyse comportementale. Dans les deux figures, la section de gauche organise les sujets de recherche et le système de codage. Dans la partie centrale, une vidéo (avec des points rouges) montre le regard de l&#39;oeil du sujet au cours de la tâche. Engagement comportementale du sujet peut ...

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.

Évaluer les multiples dimensions de l&#39;engagement à caractériser l&#39;apprentissage: une perspective neurophysiologique

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 vues.  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. 

Vidéo: 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.

L&#39;utilisation de la boîte de Puzzle comme un moyen d&#39;évaluer l&#39;efficacité d&#39;enrichissement du milieu

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

Recherche

Sciences du comportement

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): Une place Intervention Mindfulness Basé (MBI) pour les environnements de travail chroniquement élevés de stress pour augmenter la résilience et le travail d&#39;engagement

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.

Quantifier l&#39;apprentissage chez les jeunes enfants: Suivi Leg Actions Au cours d&#39;une tâche de découverte-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.

Stimulation du nerf vague comme un outil pour induire la plasticité dans les voies pertinentes pour l&#39;extinction d&#39;apprentissage

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.

Placez et l&#39;apprentissage de réponse à l&#39;Open-champ Tour 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).

En utilisant un tapis roulant de courroies pour évaluer la généralisation de l’Adaptation locomotion humaine

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.

Le « moteur » moteur implicite de séquences d’apprentissage : une réaction série pied-stepping temps tâche

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.

En utilisant les outils de compilation FishSim Animation pour enquêter sur le comportement du poisson : une étude de cas sur la copie de-choix d’un partenaire en Sailfin Mollies

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.

Un essai d’arrachement instrumenté pour caractériser les réponses 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.

Protocole multimodal pour l’évaluation de la métacognition et de l’autorégulation chez les adultes ayant des difficultés d’apprentissage

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