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 recebeu um certificado de ética do Comité de la recherche institutionnel avec des êtres humains (CIER) de l&#39;Université du Québec à Montréal (UQAM), que foi aprovado pelo HEC-Montreal para o centro de pesquisa Tech3Lab. O protocolo descreve cada um dos passos específicos que são realizados em nosso meio ambiente e equipamentos de laboratório. Embora caminhos de software precisos são fornecidos para esclarecer a metodologia, esta técnica é transferível e pode ser replicado com outros eye-tracking proprietário, automático reconhecimento de emoções faciais, atividade electrodermal e equipamentos eletroencefalografia e software. 1. Configuração do Laboratório de Meio Ambiente <ol><li> Ligue o olho-tracker, o amplificador de EEG, os quatro computadores de gravação e alto-falantes. </li><li> Prepare a instalação do aparelho de controlo: <ol><li> Prepare a configuração do EEG com material necessário de acordo com recome do fabricanteprocedimentos NDED. Prepare o software EEG para o próximo participante. Inicie o software de rastreamento ocular e criar um novo perfil de participante do software. Inicie o software de gravação de vídeo e as câmeras. </li><li> Inicie o software de sincronização com o sub-rotina específica criada para o projeto com marcadores em 60 seg. Inicie o software de medição fisiológica (para gravar a atividade electrodermal) e abra o layout específico criado para o projeto. Ajuste cadeira do participante ao mais alto nível. </li></ol></li></ol> 2. Participante Preparação <ol><li> Peça ao participante para ler e assinar o formulário de consentimento ético. </li><li> Realizar medições do crânio para EEG: <ol><li> Encontre o local Cz na cabeça do participante (de acordo com 10-20 sistemas de referência). Mergulhe o líquido EEG na solução salina (cloreto de potássio) (veja o passo 1.2.1) e iniciar um temporizador (10 min), em conformidade com as normas do fabricante. &lt;/ Li&gt; </ol></li><li> Leia o objetivo do estudo e as etapas do experimento para o participante, &quot;O objetivo deste estudo é observar sua atividade cerebral enquanto você responder a problemas de física. Primeiro vamos instalar os sensores, em seguida, você será solicitado a resolver 10 problemas de física newtoniana no computador. Vamos pedir-lhe para tomar uma 45-sec pausa depois de cada problema com seus olhos fechados. Depois de cada problema, você será solicitado para avaliar a sua avaliação do problema &quot;. </li><li> Diga o assunto que a duração total do experimento será de 90 min. </li><li> Instalar os sensores fisiológicos, de acordo com as recomendações do fabricante: dois sensores gelificados no topo do lado esquerdo. </li><li> Instale a tampa do EEG, de acordo com as recomendações do fabricante e executar uma verificação de impedância com um limiar de 40 kW (de acordo com as especificações do fabricante). </li></ol> 3. Coleta de Dados <ol><li> Certifique-se de que todos os softwares de gravação está pronto para ser iniciado em sincronia: <ol><li> Fisiologia (dados EDA): Clique no botão &quot;Iniciar&quot;. </li><li> A gravação de vídeo: Clique no botão &quot;Abrir&quot;. </li><li> Eye-tracking: Clique no botão &quot;em espera&quot;. </li><li> EEG: Clique no botão &quot;record&quot;. </li><li> O software de sincronização: Clique no botão &quot;círculo verde&quot;. </li></ol></li><li> Olho calibração olhar: <ol><li> Realize uma calibração de cinco pontos na tela e observe o participante enquanto ele / ela segue os pontos vermelhos (clique em &quot;Ferramentas / Configurações / Calibração ...&quot;). Repita este procedimento até que uma precisão suficiente é alcançada, de acordo com as normas do fabricante. </li></ol></li><li> Instruções de tarefas do projeto na tela do participante: perguntar se ele / ela tem alguma dúvida após lê-los, e se ele / ela está pronto para iniciar a experiência. </li><li> Peça ao participante para resolver 10 newtoniana physics problemas. </li><li> Se necessário, execute uma verificação de impedância durante um dos intervalos 45 s (não antes de problema 5). </li><li> Certifique-se de que o participante assume a completa 45 s pausa antes de cada problema (para determinar a linha de base). </li></ol> 4. Fim de Coleta de Dados <ol><li> Pare de aquisição de dados em todos os computadores e remover os sensores do participante. </li></ol> 5. Depois de o Participante Has Left <ol><li> Limpe a tampa EEG com germicida e arrumar o equipamento, de acordo com as recomendações do fabricante. Salve todos os arquivos de dados coletados e criar um backup no servidor de FTP. </li><li> Preencha a planilha participante: observe qualquer evento particular ou problema durante a coleta de dados. Apagar todos os cookies do navegador da web. </li></ol> 6. Dados Pré-processamento e exportação para o Software de Integração <ol start="1"><li> EEG <ol><li> Importar dados de EEG em EEG software de análise de dados: <ol><li> Crie três pastas vazias no computador chamado &quot;dados brutos&quot;, &quot;História&quot; e &quot;Exportar&quot; para colar os dados de EEG matérias no arquivo de dados Raw recém-criado. </li><li> No EEG software de análise de dados, clique em &quot;File / New Project ...&quot; e escolha o local de dados brutos, clicando em Procurar e selecionando o arquivo de dados brutos recém-criado. Escolha o local do &quot;Histórico&quot; e as pastas &quot;exportação&quot; da mesma forma. </li><li> Clique em &quot;OK&quot;. (A janela deve conter todos os dados de EEG do participante). </li></ol></li><li> Pré-processo o sinal do cérebro: <ol><li> Aplicar um filtro e um entalhe (clique em &quot;Transformações / filtros IIR ...&quot;). Na janela, permitir que o corte de baixa de 1,5 Hz com um declive de 12 dB eo alto ponto de corte em 50 Hz com um declive de 12 dB. Também permitem que um entalhe a 60 Hz de frequência. </li><li> Porque um amplificador DC é usado, DC retirada da tendência de sinal (Clique em &quot;Transformations / DC Eliminar tendência ... &quot;e permitir&quot; baseadas em tempo &quot;em 100 milissegundos antes do marcador e 100 ms antes de conexão DC). </li><li> Faça uma inspeção de dados brutos (Clique em &quot;Transformação / Raw inspeção de dados ...&quot; e selecione a remoção artefato semi-automático). Selecione as seguintes: tensão máxima de 60 mV / ms; Max-min: 200 mV em 200 intervalo ms; amplitude: -400 a +400 mV). </li><li> Executar uma ICA automática com esferificação clássico para remoção piscar de olhos (artefatos miográfica não precisa ser removido porque a sua gama está fora das frequências de interesse). (Clique em &quot;Transformações / ICA ...&quot;. No final do ICA, o processo inverso ICA). </li><li> Re-referência (&quot;Transformações / Re-referência ...&quot;) o sinal e selecione &quot;média comum&quot;. </li><li> Export (clique em &quot;Export / Genéricos Data Export ...&quot;) o sinal e marcadores em formato de texto (Selecione a opção &quot;.vhdr&quot;; caixa) para um eventual construção Matlab do índice de noivado. Além disso, selecione o arquivo &quot;cabeçalho Write&quot; e &quot;caixas de arquivo marcador Write&quot;. </li></ol></li><li> Importar o sinal em Matlab. <ol><li> Comece Matlab e digite &quot;eeglab&quot; para que o GUI de EEGLab aparece e importar os dados para um participante de cada vez. Na GUI, selecione item de menu &quot;Arquivo / Importar Dados / Usando funções EEGLab e plugins / Do Cérebro Vis Rec .vhdr arquivo&quot;. </li><li> Na janela de comando, cole um script 16 que gera um índice de noivado. NOTA: O script envolvimento cognitivo é calculado pela média de cada / rácio Beta (Alpha Theta +) dentro de um tempo T. janela deslizante 20 seg anterior Este procedimento é repetido a cada segundo e uma nova janela deslizante é usado para atualizar o índice. </li></ol></li><li> No MS Excel, abra o ficheiro de texto do índice de acoplamento que é gerado no final da escrita por Matlab e aplicar um z-SCORe normalização em dados de EEG para permitir a comparação intersubject. (Para cada valor, calcular esta fórmula no Excel: Z = (valor - média geral) / desvio padrão global.) </li><li> Salve o sinal indicador de engajamento z-score em um arquivo CSV em MS Excel. (Clique em Arquivo / Salvar como ... e selecione CSV no tipo de formato.) </li><li> Repetir o procedimento (a partir do passo 6.1.2.2.) Para cada participante. </li></ol></li><li> Fisiologia: <ol><li> Importar dados EDA em software de análise de dados fisiológicos. </li><li> Aplicar estes parâmetros pré-processar o sinal fisiológico: <ol><li> Aplicar uma transformação logarítmica a normalizar a distribuição da condutância como por Venables e Christie 23 método. </li><li> Plano do sinal numa janela de 10 seg 24 deslizante. </li></ol></li><li> Dentro do software fisiológico, calcular uma normalização z-score com os dados de EDA para permitir a comparação intersubject. (Z = (valor - média geral) / desvio padrão global). <ol><li> Realce todos os dados com o cursor do canal EDA. </li><li> No menu superior, selecione o canal EDA, e selecione &quot;significa&quot; para obter o valor médio do canal global. Também seleccionar o canal de EDA e &quot;o desvio-padrão&quot; para obter o valor do desvio padrão do canal global. </li><li> Para calcular a equação z-score, clique em &quot;Transformação / forma de onda matemática ...&quot; e selecione o canal EDA na Fonte 1. Selecione &quot;-&quot; (menos) na janela de operação matemática e escolha K na fonte 2. Selecione &quot;Novo destino&quot; no menu de destino e insira o valor médio do canal EDA (veja o passo 6.2.3.2). Selecione &quot;Transform onda inteira&quot;, clique em OK e clique em &quot;Transformação / forma de onda matemática ...&quot;. Selecione o canal EDA-K na fonte 1, selecione &quot;/&quot; (dividir) na janela de operação matemática, selecione K na fonte 2, selecione &quot;Novo destino&quot; em destino e enter do valor do desvio padrão do canal de EDA (passo 6.2.3.2). Selecione &quot;Transformar onda inteira&quot; e clique em OK. </li></ol></li><li> Exportar o sinal (excitação) em um arquivo CSV. (Clique em Arquivo / Salvar como ... e selecione CSV no tipo de formato.) </li></ol></li><li> Automatic facial emoção reconhecimento: <ol><li> Importar dados de vídeo do gravador de mídia no software de reconhecimento facial automático emoção. (Clique em &quot;Arquivo / Novo ... / participantes ...&quot;. Depois de selecionar um novo participante no menu projeto, clicando sobre ela, clique em &quot;Arquivo / Novo / Análise / Video ...&quot;. Clique na lupa ao lado de Análise 1 e escolher o desejado arquivo de vídeo. <ol><li> Selecione uma análise offline para &quot;cada terceira frame&quot; e ative &quot;calibração contínua&quot;. </li><li> Exportar dados de valência em um arquivo CSV. (Clique em &quot;Opções / Configurações / Logging ...&quot;, marque a opção &quot;Escrever valor de valência para o arquivo de log&quot; caixa. Clique em &quot;Arquivo /Export ... &quot;, escolha o local onde os arquivos de log serão exportados, e marque a opção&quot; Salvar registro detalhado caixa &quot;.) </li><li> Abra o arquivo CSV em MS Excel. Copie a coluna de dados de valência em uma única coluna de software SPSS. Clique em &quot;Analyse / Descriptives Estatísticas / Descriptives&quot; e selecione o nome da variável recém-colado. Marque a caixa &quot;Salvar valores padronizados em variáveis&quot;. Uma coluna com um z-score irá aparecer. Copie e cole esses escores z ao longo dos velhos dados no arquivo Excel. </li></ol></li><li> Salve o arquivo do Excel com os escores z do sinal (valência) em formato CSV. </li></ol></li></ol> 7. Data Integration e sincronização <ol start="1"><li> Em software de análise comportamental: <ol><li> Importação eye-tracking vídeos (de noivado comportamental). (Clique em &quot;Arquivo / Importar / Video em uma nova observação ...&quot;. O nome do novo observação e escolha o arquivo de vídeo desejado.) </li><li> Código cada vídeo com ser pertinentehaviors e eventos contextuais (marcadores de tempo, respostas certo / errado). </li><li> Importar todos os dados externos com o cabeçalho apropriado: z-score do sinal EEG (envolvimento cognitivo), z-score de sinal EDA (envolvimento emocional), z-score de dados de valência (envolvimento emocional). (Clique em &quot;Arquivo / Importar / dados externos ...&quot;. Selecione o tipo de arquivo apropriado e selecione o arquivo CSV correta.) </li></ol></li><li> Sincronizar o tempo entre os computadores de acordo com estas fórmulas: <ol><li> Tempo no olho olhar de vez em EEG = Tempo no olhar olho + segundo marcador no EEG - primeiro marcador no olhar olho. </li><li> Tempo no olhar olho de vez em emoção facial reconhecimento = Tempo no olhar olho + primeiro marcador na emoção facial - primeiro marcador no olhar olho. </li><li> Tempo no olho olhar de vez em atividade electrodermal = Tempo no olhar olho + primeiro marcador na atividade electrodermal - primeiro marcador no olhar olho. </li></ol></li><li> Digite os dados de correção pressionando &quot;Ctrl + Shift + =221 ;, para abrir o menu de deslocamento. Selecione &quot;deslocamento numérica&quot; ​​para entrar no tempo em segundos entre cada par de fontes de dados [OK?]), De acordo com os cálculos acima referidos. </li><li> Gerar um relatório de acordo com as variáveis ​​de interesse no estudo. <ol><li> Selecione variáveis ​​interessantes que serão gerados no relatório (clique em &quot;Analisar / Select Data / Novo Perfil de Dados ...&quot;). A partir da esquerda, deslize as variáveis ​​desejadas entre a caixa &quot;Iniciar&quot; e &quot;Resultados&quot; caixa, no lado direito. </li><li> Gerar o relatório. (Clique em &quot;Analisar / Análise Numérica / New ...&quot;, clique em &quot;Estatísticas&quot; e marque a caixa média no menu de dados externa. Concluir, clicando em &quot;Calcular&quot;.) </li></ol></li><li> Exportar os dados para software de análise estatística e realizar a análise de acordo com os objetivos do estudo. </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.

Em termos de etapas críticas no âmbito do protocolo, ele deve primeiro ser salientado que a qualidade dos dados é sempre o foco principal para técnicas de coleta de neurofisiológicos. Nesta metodologia, assistentes de investigação devem prestar especial atenção à instrução dos assuntos para minimizar movimentos da cabeça que irão interferir com a monitorização de valência (perdendo ângulo de face correta para a câmera) ou geram artefatos miográfica no EEG. Por outro lado, um equilíbrio deve ser mant...

Engagement desempenha um papel crucial na aprendizagem. Para Clark e Mayer 2, &quot;toda a aprendizagem requer engajamento&quot;, independentemente dos meios de comunicação de entrega. Zhang et al. 3 também sugeriram que o aumento do envolvimento do aluno pode melhorar os resultados de aprendizagem, tais como resolução de problemas e habilidades de pensamento crítico. Definindo engajamento continua a ser um desafio. Em sua revisão da literatura, Fredricks, Blumenfeld e Paris 1 definido engajamento por sua natureza multifacetada: &quot;engajamento comportamental baseia-se na idéia de participação; que inclui o envolvimento em atividades acadêmicas e sociais ou extracurriculares. (...) O envolvimento emocional engloba reações positivas e negativas para os professores, colegas, acadêmicos e escola e é presumida para criar laços com um objeto e influência vontade de fazer o trabalho. Finalmente, envolvimento cognitivo baseia-se na idéia de investimento mental; ele incorpora consideração e vontade de exercer o esforço neccessário para compreender idéias complexas e dominar as habilidades difíceis &quot;. Fredricks, Blumenfeld e Paris 1 também alegou que um foco em comportamento, emoção e cognição, dentro do conceito de engajamento, pode fornecer uma caracterização mais rica de aprendizado. Estes autores apontam que um corpo robusto de pesquisa aborda cada componente de envolvimento separadamente, mas esses componentes não foram estudadas em conjunto. Eles também observaram que há pouca informação disponível sobre as interações entre as dimensões e que mais estudos poderão contribuir para o planejamento de intervenções de ensino afinado. Como um passo nesse sentido, este trabalho descreve uma metodologia de pesquisa que foi desenvolvido para coletar e analisar dados quantitativos e qualitativos, de forma síncrona, no engajamento comportamental, emocional e cognitiva durante tarefas de aprendizagem. Trazendo as Neurociências em Educação Behavior e, consequentemente, o engajamento comportamental, tem sido o foco central de estudos em educação: projetos de pesquisa focados principalmente em mudanças no conhecimento e comportamento que ocorrem ao longo de grandes períodos de tempo, entre pré e pós-testes, e ao longo de intervalos de horas, semanas , meses ou anos. Discriminando entre engajamento comportamental, emocional, cognitivo e continua a ser um desafio, porque as duas últimas dimensões não são sistematicamente observável externamente. Cognição e as emoções ou deve ser inferida a partir de observações ou avaliados com medidas de auto-relato. De um ponto de vista externo, continua a ser difícil determinar se os alunos estão a tentar fazer o seu trabalho o mais rapidamente possível ou utilizando estratégias de aprendizagem de nível profundo de dominar um conteúdo específico. Na verdade, Fredricks, Blumenfeld e Paris 1 foram incapazes de encontrar qualquer estudos publicados utilizando medidas diretas, objetivas de envolvimento cognitivo. Os desenvolvimentos tecnológicos recentes emo domínio das neurociências criaram novas possibilidades de pesquisa em educação. Novos métodos de coleta de dados e algoritmos de análise desenvolvidos no campo da ergonomia neuro parece muito promissor para estudos qualitativos e quantitativos durante as tarefas de aprendizagem. Outras disciplinas, tais como economia, psicologia, marketing e ergonomia, têm vindo a utilizar medições neurofisiológicas para avaliar o envolvimento cognitivo por algum tempo 4-8. Medidas neurofisiológicas, juntamente com algoritmos de análise eficientes, permitem estudar um fenômeno sem perturbá-la. Pela sua natureza, os questionários de auto-relato desengatar alunos de aprendizagem. Medidas neurofisiológicas permitir que projetos de pesquisa a ser realizada em ambientes de aprendizagem mais autênticas. Essas ferramentas incluem equipamento para monitorar a frequência cardíaca, frequência respiratória, pressão arterial, temperatura corporal, diâmetro da pupila, a atividade electrodermal, eletroencefalografia (EEG), etc. <strong&gt; Gathering Sincronizado Dados sobre comportamental, emocional, cognitivo e Engajamento Como resultados representativos na sequência da utilização deste protocolo, este documento irá apresentar os resultados parciais de um estudo no qual os alunos tinham de resolver, em uma tela de computador, dez problemas em física mecânica. Estes problemas foram desenvolvidos em trabalhos anteriores 9. Dados neurofisiológicos foram coletadas enquanto os alunos foram resolvendo os problemas e relaxante durante uma pausa de 45 s, com os olhos fechados, depois de cada problema. Como mencionado acima, os dados de noivado comportamentais consistem de interações de software (movimentos e cliques do mouse), o olhar dos olhos, desempenho e respostas a perguntas produzidos por um aluno interagir com o sistema ao realizar a tarefa 1. Um sistema de rastreamento ocular foi utilizado para coletar interações de software e dados do olhar olho. Os dados de desempenho (tempo para resolver um problema, correção de respostas) foram coletados em umsite pesquisa que foi utilizado para apresentar a tarefa. Este site também foi usado para reunir dados de auto-relato recolhidos com um questionário adaptado de Bradley e Lang 10. Envolvimento emocional envolve a caracterização das emoções. De acordo com Lang 11, as emoções são caracterizados em termos de valência (agradável / desagradável) e excitação (calma / despertado). Dados envolvimento emocional foram devidamente recolhidos, usando software de reconhecimento facial automático emoção que quantifica valência emocional e uma atividade codificador / sensor electrodermal para despertar 12,13. Actividade Eletrodermal (EDA) refere-se à resistência eléctrica entre os dois eléctrodos gravada quando uma corrente eléctrica é muito fraco continuamente passados ​​entre eles. Cacioppo, Tassinary Berntson e 14 mostraram que a resistência gravado varia de acordo com a excitação do sujeito. Assim, os dados psicofisiológicas, como valência ou excitação, são considerados como correlatos de envolvimento emocional. <pclass = &quot;jove_content&quot;&gt; Finalmente, os dados de noivado cognitivas são coletados por meio de eletroencefalografia (EEG). Medidas de EEG, no couro cabeludo, a atividade elétrica dos grupos de neurônios no cérebro sincronizado. Sinais elétricos gravados a partir do couro cabeludo são muitas vezes oscilatório e composta por componentes de frequência. Por convenção, essas freqüências são agrupadas em seqüências, conhecido como bandas. Por exemplo, alfa, beta e teta bandas são o foco deste estudo. De acordo com estudos neurocientíficos 14, essas bandas refletem diferentes habilidades de processamento cognitivo em áreas específicas do cérebro. Assim, a análise da densidade de potência espectral (PSD) de frequências específicas, combinados com numerosos estudos sobre o estado de alerta e 7,15 atenção, permite aos investigadores quantificar envolvimento cognitivo durante uma tarefa. Como Millar et al. 16 observou, a pesquisa mostrou uma relação direta entre a atividade beta e agilidade cognitiva e uma relação indireta entre um alfad atividade theta e agilidade. Assim, o Papa, Bogart e Bartoleme 7 desenvolveram um índice de noivado que calcula o PSD de três bandas: beta / (alfa + teta). Esse índice foi validado em outros estudos sobre o envolvimento 16,17,18. Para caracterizar o envolvimento cognitivo ao longo do tempo, uma transformada de Fourier rápida (FFT) converte o sinal de EEG de cada local activo (F3, F4, O1, O2) num espectro de potência. O índice de acoplamento de EEG no tempo T é calculado pela média de cada razão de acoplamento dentro de uma janela deslizante de 20 seg precedente tempo T. Este procedimento é repetido a cada segundo e uma nova janela de correr é utilizado para actualizar o índice. Uma vez que o objectivo desta metodologia é fornecer uma rica análise das múltiplas dimensões de engajamento, a sincronização de dados é crucial. Como Leger et al. 19 lembrar aos leitores, fabricantes de equipamentos altamente recomendável utilizar apenas um computador por ferramenta de medição para garantir a sua precisão especificada level. Assim, quando vários computadores estão empregados, a sincronização entre computadores de gravação torna-se um passo crítico. As gravações não podem ser iniciadas ao mesmo tempo exato, e cada fluxo de dados tem o seu período de tempo específico (por exemplo, sec 0 de olho rastreamento ≠ sec 0 de EEG ou dados fisiológicos). Isso é extremamente importante: dessincronização entre fluxos de dados significa erros na quantificação de cada dimensão de engajamento. Existem diferentes formas de sincronizar gravações fisiológicas e comportamentais simultâneas. Estes métodos podem ser divididos em duas abordagens principais; direta e indireta 20. O protocolo apresentado na próxima seção é baseada em uma abordagem indireta, onde um dispositivo externo, um syncbox, é usado para enviar sinais de lógica transistor-transistor (TTL) para todos os equipamentos de gravação (como mostrado na Figura 1). À medida que cada peça de equipamento tem uma hora de início diferente, os marcadores TTL são registrados nos arquivos de log com um parente<html> atraso. Os marcadores são então usadas para realinhar os sinais e, assim, assegurar uma sincronização apropriada depois de cada gravação. Um programa de software de análise comportamental que permite a integração de arquivo externo é usado para re-sincronizar o cronograma de cada fluxo de dados e para realizar a análise quantitativa e qualitativa de cada dimensão de engajamento. <img alt="Figura 1" src="/files/ftp_upload/52627/52627fig1.jpg" /> Figura 1. Arquitetura do Sistema de Coleta de Dados. O ambiente de laboratório no qual comportamental (eye-tracking), emocional (EDA e emoção facial) e dados cognitivos (EEG) de noivado são recolhidos contém muitos computadores. Isto levanta um desafio para a sincronização de dados que são referenciados em seus respectivos relógios dos computadores. Para ser capaz de analisar todos os dados no mesmo tempo de referência, a configuração do laboratório envolve um syncbox que envia sinais TTL para todos os fluxos de dados.nk &quot;&gt; Clique aqui para ver uma versão maior desta figura. Para avaliar a precisão da metodologia em termos de sincronização, 45 seg pausas foram introduzidas antes de cada um dos problemas de física mecânica. Durante essas pausas, os sujeitos tiveram para relaxar e fechar os olhos. Como visto em outros estudos 4,9,16,17,18, essas pausas devem induzir variações significativas no sinal coletado: os dois pontos pupila do olho em olho-tracking imediatamente desaparecer (engajamento comportamental) e uma queda imediata no envolvimento cognitivo (EEG sinal) é observada. Estes componentes específicos do sinal são usadas para avaliar a eficácia geral da sincronização. A recente publicação de documentos que total ou parcialmente dependem desse procedimento de sincronização, nas áreas de sistemas de informação 19, interações homem-máquina 21 e educação 9, 22, fornece provas da sua eficácia.

<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> Figuras 2 e 3 mostram screenshots dos resultados da integração e sincronização dos dados de noivado comportamentais, emocionais e cognitivas em uma aplicação de software de análise comportamental. Em ambas as figuras, a seção da mão esquerda organiza os sujeitos da pesquisa e do esquema de codificação. Na seção do meio, um vídeo (com pontos vermelhos) mostra olhar olho do sujeito durante a tarefa. Engajamento comportamental do indivíduo pode ser inferida com base no que ele / ela e...

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.

Avaliando as múltiplas dimensões do noivado a Caracterizar Aprendizagem: uma 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 visualizações.  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. 

Vídeo: 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.

O uso do Puzzle Box como uma forma de avaliar a eficácia de Enriquecimento Ambiental

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

Comportamento

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): Uma Intervenção no local Mindfulness Based (MBI) para ambientes de trabalho cronicamente alto estresse para aumentar a resiliência e Trabalho 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.

Quantificar Aprendizagem em lactentes jovens: Ações Perna Rastreamento Durante uma tarefa de aprendizagem-Discovery

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.

Estimulação do nervo vago como uma ferramenta para induzir plasticidade em Pathways relevantes para a Aprendizagem Extinção

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 e Aprendizagem Response no Open-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).

Usando uma escada rolante Split-cinto para avaliar a generalização de adaptação de locomoção humana

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.

O "Motor" em Motor implícita sequência de aprendizagem: uma reação Serial depuração pé tempo tarefa

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.

Usando o conjunto de ferramentas de animação de FishSim para investigar o comportamento dos peixes: um estudo de caso na escolha do companheiro copiando em Mollies Sailfin

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.

Um teste de tração instrumentado para caracterizar respostas posturais

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 Avaliação da Metacognição e Auto-Regulação em Adultos com Dificuldades de Aprendizagem

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