Name: eye-tracking technology and data-mining techniques used for a behavioral analysis of adults engaged in learning processes
Uploaded: 2021-06-10T14:00:00
Description: Watch this Scientific Journal Video about Eye-tracking Technology and Data-mining Techniques used for a Behavioral Analysis of Adults engaged in Learning Processes at JoVE.com

Die Arbeit wurde im Rahmen des Projekts "Self-Regulated Learning in SmartArt Erasmus+ Adult Education" 2019-1-ES01-KA204-095615-Coordinator 6 entwickelt, das von der Europäischen Kommission finanziert wird. Das Video der Task-Abschlussphase hatte die vorherige informierte Zustimmung von Rut Velasco Séiz. Wir schätzen die Teilnahme von Lehrern und Schülern an der Aufgabenstellungsphase.

Dieses Protokoll wurde in Übereinstimmung mit den Verfahrensvorschriften des Bioethischen Ausschusses der Universität Burgos (Spanien) Nr. IR27/2019 durchgeführt. Vor ihrer Teilnahme waren die Teilnehmer umfassend über die Forschungsziele informiert worden und hatten alle ihre informierte Zustimmung gegeben. Sie erhielten keinen finanziellen Ausgleich für ihre Beteiligung.
1. Teilnehmerrekrutierung
<ol><li>Rekrutieren Sie Teilnehmer aus einer Gruppe von Erwachsenen in zwei Umgebungen (S...

<ol>
	<li>van Marlen, T., van Wermeskerken, M., Jarodzka, H., van Gog, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Effectiveness+of+eye+movement+modeling+examples+in+problem+solving:+The+role+of+verbal+ambiguity+and+prior+knowledge.">Effectiveness of eye movement modeling examples in problem solving: The role of verbal ambiguity and prior knowledge.</a> Learning and Instruction. 58, 274-283 (2018).</li><li>Taub, M., Azevedo, R., Bradbury, A. E., Millar, G. C., Lester, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Using+sequence+mining+to+reveal+the+efficiency+in+scientific+reasoning+during+STEM+learning+with+a+game-based+learning+environment.">Using sequence mining to reveal the efficiency in scientific reasoning during STEM learning with a game-based learning environment.</a> Learning and Instruction. 54, 93-103 (2018).</li><li>Cloude, E. B., Taub, M., Lester, J., Azevedo, R., Isotani, S., Millan, E., Ogan, A., Hastings, P., McLaren, B., Luckin, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+Role+of+Achievement+Goal+Orientation+on+Metacognitive+Process+Use+in+Game-Based+Learning.">The Role of Achievement Goal Orientation on Metacognitive Process Use in Game-Based Learning.</a> Artificial Intelligence in Education. , 36-40 (2019).</li><li>Azevedo, R., Ga&#353;evi&#263;, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Analyzing+Multimodal+Multichannel+Data+about+Self-Regulated+Learning+with+Advanced+Learning+Technologies:+Issues+and+Challenges.">Analyzing Multimodal Multichannel Data about Self-Regulated Learning with Advanced Learning Technologies: Issues and Challenges.</a> Computers in Human Behavior. 96, 207-210 (2019).</li><li>S&#225;iz-Manzanares, M. C., Rodr&#237;guez-Diez, J. J., Marticorena-S&#225;nchez, R., Zapar&#237;n-Y&#225;&#241;ez, M. J., Cerezo-Men&#233;ndez, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Lifelong+learning+from+sustainable+education:+An+analysis+with+eye+tracking+and+data+mining+techniques.">Lifelong learning from sustainable education: An analysis with eye tracking and data mining techniques.</a> Sustainability. 12 (5), 2-18 (2020).</li><li>Alemdag, E., Cagiltay, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+systematic+review+of+eye+tracking+research+on+multimedia+learning.">A systematic review of eye tracking research on multimedia learning.</a> Computers &amp; Education. 125, 413-428 (2018).</li><li>Ho, H. N. J., Tsai, M. -. J., Wang, C. -. Y., Tsai, C. -. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Prior+knowledge+and+online+inquiry-based+science+reading:+evidence+from+eye+tracking.">Prior knowledge and online inquiry-based science reading: evidence from eye tracking.</a> International Journal of Science and Mathematics Education. 12, 525-554 (2014).</li><li>Catrysse, L., Gijbels, D., Donche, V. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=It+is+not+only+about+the+depth+of+processing:+What+if+eye+am+not+interested+in+the+text.">It is not only about the depth of processing: What if eye am not interested in the text.</a> Learning and Instruction. 58, 284-294 (2018).</li><li>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=Using+multimedia+for+e-learning.">Using multimedia for e-learning.</a> Journal of Computer Assisted Learning. 33 (5), 403-423 (2017).</li><li>Prokop, M., Pila&#345;, L., Tich&#225;, I. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Impact+of+think-aloud+on+eye-tracking:+A+comparison+of+concurrent+and+retrospective+think-aloud+for+research+on+decision-making+in+the+game+environment.">Impact of think-aloud on eye-tracking: A comparison of concurrent and retrospective think-aloud for research on decision-making in the game environment.</a> Sensors. 20 (10), (2020).</li><li>DuMouchel, W., Abello, J., Pardalos, P. M., Resende, M. G. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Data+Squashing:+Constructing+Summary+Data+Sets.">Data Squashing: Constructing Summary Data Sets.</a> Handbook of Massive Data Sets. , 579-591 (2002).</li><li>Stull, A. T., Fiorella, L., 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=An+eye-tracking+analysis+of+instructor+presence+in+video+lectures.">An eye-tracking analysis of instructor presence in video lectures.</a> Computers in Human Behavior. 88, 263-272 (2018).</li><li>K&#246;nig, S. D., Buffalo, E. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+nonparametric+method+for+detecting+fixations+and+saccades+using+cluster+analysis:+Removing+the+need+for+arbitrary+thresholds.">A nonparametric method for detecting fixations and saccades using cluster analysis: Removing the need for arbitrary thresholds.</a> Journal of Neuroscience Methods. 30 (227), 121-131 (2014).</li><li>Maltz, M., Shinar, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Eye+Movements+of+Younger+and+Older+Drivers.">Eye Movements of Younger and Older Drivers.</a> Human Factors. 41 (1), 15-25 (1999).</li><li>Burch, M., Kull, A., Weiskopf, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=AOI+rivers+for+visualizing+dynamic+eye+gaze+frequencies.">AOI rivers for visualizing dynamic eye gaze frequencies.</a> Computer Graphics Forum. 32 (3), 281-290 (2013).</li><li>Dzeng, R. -. J., Lin, C. -. T., Fang, Y. -. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Using+eye-tracker+to+compare+search+patterns+between+experienced+and+novice+workers+for+site+hazard+identification.">Using eye-tracker to compare search patterns between experienced and novice workers for site hazard identification.</a> Safety Science. 82, 56-67 (2016).</li><li>Kurzhals, K., Weiskopf, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Space-time+visual+analytics+of+eye-tracking+data+for+dynamic+stimuli.">Space-time visual analytics of eye-tracking data for dynamic stimuli.</a> IEEE Transactions on Visualization and Computer Graphics. 19 (12), 2129-2138 (2013).</li><li>Sharafi, Z., Soh, Z., Gu&#233;h&#233;neuc, Y. -. 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+systematic+literature+review+on+the+usage+of+eye-tracking+in+software+engineering.">A systematic literature review on the usage of eye-tracking in software engineering.</a> Information and Software Technology. 67, 79-107 (2015).</li><li>Dalrymple, K. A., Jiang, M., Zhao, Q., Elison, J. T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Machine+learning+accurately+classifies+age+of+toddlers+based+on+eye+tracking.">Machine learning accurately classifies age of toddlers based on eye tracking.</a> Scientific Reports. 9 (1), 6255 (2019).</li><li>Seifert, L., Cordier, R., Orth, D., Courtine, Y., Croft, J. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Role+of+route+previewing+strategies+on+climbing+fluency+and+exploratory+movements.">Role of route previewing strategies on climbing fluency and exploratory movements.</a> PLoS One. 12 (4), 1-22 (2017).</li><li>Takeuchi, H., Habuchi, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+quantitative+method+for+analyzing+scan+path+data+obtained+by+eye+tracker.">A quantitative method for analyzing scan path data obtained by eye tracker.</a> IEEE Symposium on Computational Intelligence and Data Mining, CIDM 2007. , 283-286 (2007).</li><li>Takeuchi, H., Matsuda, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Scan-path+analysis+by+the+string-edit+method+considering+fixation+duration.">Scan-path analysis by the string-edit method considering fixation duration.</a> 6th International Conference on Soft Computing and Intelligent Systems, and 13th International Symposium on Advanced Intelligence Systems, SCIS/ISIS 2012. , 1724-1728 (2012).</li><li>S&#225;iz, M. C., Marticorena, R., Anaiz, &. #. 1. 9. 3. ;., Zapara&#237;n, M. J., Peralbo, M., Risso, A., Barca, A., Duarte, B., Almeda, L., Brenlla, J. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Task+analysis+with+eye+tracking+technology.+srl+at+Smartart.">Task analysis with eye tracking technology. srl at Smartart.</a> II Congress of the International Scientific Association of Psychopedagogy Proceedings. , 4093-4104 (2019).</li><li>Khedher, A. B., 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=Tracking+Students'+Analytical+Reasoning+Using+Visual+Scan+Paths.">Tracking Students' Analytical Reasoning Using Visual Scan Paths.</a> IEEE 17th International Conference on Advanced Learning Technologies (ICALT). , 53-54 (2017).</li><li>Xia, C., Han, J., Qi, F., Shi, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Predicting+Human+Saccadic+Scanpaths+Based+on+Iterative+Representation+Learning.">Predicting Human Saccadic Scanpaths Based on Iterative Representation Learning.</a> IEEE Trans Image Process. 8 (7), 3502-3515 (2019).</li><li>Cerezo, R., Fern&#225;ndez, E., G&#243;mez, C., S&#225;nchez-Santill&#225;n, M., Taub, M., Azevedo, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Multimodal+Protocol+for+Assessing+Metacognition+and+Self-Regulation+in+Adults+with+Learning+Difficulties.">Multimodal Protocol for Assessing Metacognition and Self-Regulation in Adults with Learning Difficulties.</a> Journal of Visualized Experiments. , e60331 (2020).</li><li>Scherer, R., Siddiq, F., Tondeur, 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+technology+acceptance+model+(TAM):+A+meta-analytic+structural+equation+modeling+approach+to+explaining+teachers'+adoption+of+digital+technology+in+education.">The technology acceptance model (TAM): A meta-analytic structural equation modeling approach to explaining teachers' adoption of digital technology in education.</a> Computers &amp; Education. 128 (0317), 13-35 (2019).</li><li>Bruder, C., Ei&#223;feldt, H., Maschke, P., Hasse, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Differences+in+monitoring+between+experts+and+novices.">Differences in monitoring between experts and novices.</a> Proceedings of the Human Factors and Ergonomics Society Annual Meeting. 57 (1), 295-298 (2013).</li><li>Azevedo, R., Ga&#353;evi&#263;, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Analyzing+Multimodal+Multichannel+Data+about+Self-Regulated+Learning+with+Advanced+Learning+Technologies:+Issues+and+Challenges.">Analyzing Multimodal Multichannel Data about Self-Regulated Learning with Advanced Learning Technologies: Issues and Challenges.</a> Computers in Human Behavior. 96, 207-210 (2019).</li><li>Taub, M., Azevedo, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=How+Does+Prior+Knowledge+Influence+Eye+Fixations+and+Sequences+of+Cognitive+and+Metacognitive+SRL+Processes+during+Learning+with+an+Intelligent+Tutoring+System.">How Does Prior Knowledge Influence Eye Fixations and Sequences of Cognitive and Metacognitive SRL Processes during Learning with an Intelligent Tutoring System.</a> International Journal of Artificial Intelligence in Education. 29 (1), 1-28 (2019).</li><li>IBM Corp. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> SPSS Statistical Package for the Social Sciences (SPSS) (Version 24). , (2016).</li><li>. Orange Software Package Available from: <a target="_blank" href="https://orange.biolab.si/docs/">https://orange.biolab.si/docs/</a> (2020)</li></ol>

Die Forschungsergebnisse zeigten, dass die durchschnittliche Fixationsdauer der relevanten Reize bei Teilnehmern mit Vorkenntnissen länger war. Ebenso liegt der Schwerpunkt dieser Gruppe auf den Mittelpunkten der Information (proximal und distal)7. Die Ergebnisse dieser Studie haben Unterschiede in der Art und Weise aufgezeigt, wie die Teilnehmer die Informationen verarbeitet haben. Darüber hinaus war ihre Verarbeitung nicht immer mit der anfänglichen Gruppierung (University of Experience Stude...

Eye-Tracking-Methodik für Verhaltensanalysen im Lernen Eye-Tracking-Methodik, unter anderem funktionelle Anwendungen, wird auf die Untersuchung des menschlichen Verhaltens angewendet, insbesondere während der Aufgabenauflösung. Diese Technik erleichtert die Überwachung und Analyse während der Ausführung von Lernaufgaben1. Insbesondere können die Aufmerksamkeitsstufen der Studierenden an verschiedenen Punkten des Lernprozesses (Start, Entwicklung und Ende) in verschiedenen Fächern (Geschichte, Mathematik, Naturwissenschaften usw.) mit Hilfe von Eye-Tracking-Technologie untersucht werden. Wenn die Aufgabe die Verwendung von Videos mit einer Stimme umfasst, die den Lernprozess leitet, wird selbstreguliertes Lernen (SRL) erleichtert. Daher wird die Implementierung der Eye-Tracking-Technologie bei der Analyse von Aufgaben, zu denen SRL (einschließlich der Verwendung von Videos) als eine wichtige Ressource vorgeschlagen wird, um zu verstehen, wie Lernen entwickelt wird2,3,4. Diese Kombination bedeutet auch, dass die Unterschiede zwischen den Unterrichtsmethoden (mit oder ohne SRL usw.) mit verschiedenen Arten von Schülern (mit oder ohne Vorkenntnisse usw.) überprüft werden können. 5. Im Gegensatz dazu kann die Darstellung von Mehrkanalinformationen (gleichzeitige Darstellung von akustischen und visuellen Informationen, ob mündlich, schriftlich oder bildlich) sowohl die Aufzeichnung als auch die Analyse relevanter und nicht relevanter Informationen aus den oben genannten Variablenerleichtern 6. Schüler mit Vorkenntnissen, die Multimedia-Lernkanälen ausgesetzt sind, scheinen effektiver zu lernen als Diejenigen mit wenig oder gar keinem Vorwissen. Studierende mit einem hohen Maß an Vorkenntnissen des Themas werden Text- und Grafische Informationen effektiver integrieren7. Diese Funktionalität wurde beim Erlernen vonTexten 8 beobachtet, die Bilder9enthalten. Die Eye-Tracking-Technologie bietet Informationen darüber, wo und wie lange die Aufmerksamkeit gerichtet ist. Diese Daten geben einen genaueren Einblick in die Entwicklung eines Lernprozesses als durch die einfache Beobachtung des Abwicklungsprozesses während der Ausführung einer Aufgabe. Die Analyse dieser Indikatoren erleichtert auch das Studium, ob der Student tiefes oder oberflächliches Lernen entwickelt. Darüber hinaus erleichtert die Beziehung zwischen diesen Daten und den Lernergebnissen die Validierung der mit der Eye-Tracking-Technologie erhaltenen Informationen4,10. Tatsächlich wird diese Technik zusammen mit SRL zunehmend in der Hochschulbildung und in der Erwachsenenbildung11 in Lernumgebungen eingesetzt, sowohl in regulierten als auch auf nicht regulierten Kursen12.
Die Eye-Tracking-Technologie bietet verschiedene Metriken: Distanz, Geschwindigkeit, Beschleunigung, Dichte, Dispersion, Winkelgeschwindigkeit, Übergänge zwischen Interessengebieten (AOI), Sequenziquenzreihenfolge von AOI, Besuche in den Fixierungen, Sakkaden, Scanpfad und Heatmap-Parameter. Die Interpretation dieser Daten ist jedoch komplex und erfordert die Verwendung von überwachten (Regression, Entscheidungsbäumen usw.) und unbeaufsichtigten (k-Mittel-Cluster-Techniken usw.) 13,14 Data-Mining-Techniken. Diese Metriken können für die Überwachung des Verhaltens desselben Probanden im Zeitverlauf oder für einen Vergleich zwischen mehreren Probanden und deren Leistung mit derselben Aufgabe15angewendet werden, indem der Unterschied zwischen Teilnehmern mit Vorkenntnissen und ohne Vorkenntnisse analysiert wird16. Jüngste Untersuchungen11,17 haben ergeben, dass sich unerfahrene Lehrlinge länger auf die Reize fixieren (d. h. es gibt eine größere Fixationshäufigkeit, während ähnliche Scan-Pfad-Muster aufgezeichnet werden). Die durchschnittliche Fixierungsdauer war für Experten länger als für Anfänger. Die Experten präsentierten ihren Fokus auf die Mittelpunkte der Information (proximal und zentral), Unterschiede, die auch in den Visualisierungspunkten innerhalb des AOI auf den Heatmaps zu sehen sind.
Interpretation von Metriken im Eye-Tracking Jüngste Studien18 haben gezeigt, dass die Informationserfassung mit der Anzahl der Augenfixierungen auf den Reizen zusammenhängt. Eine weitere wichtige Metrik ist die Saccade, die als die schnelle und plötzliche Bewegung einer Fixierung mit einem Intervall von [10 ms, 100 ms] definiert ist. Sharafi et al. (2015)18 fanden Unterschiede in der Anzahl der Sakkaden, abhängig von der Informationscodierungsphase des Schülers. Ein weiterer relevanter Parameter ist der Scan-Pfad, eine Metrik, die die chronologische Reihenfolge der Schritte erfasst, die der Teilnehmer für die Auflösung der Lernaufgabe innerhalb des vom Forscher18definierten AOI ausführt. In ähnlicher Weise kann die Eye-Tracking-Technologie verwendet werden, um den Grad des Verständnisses des Teilnehmers vorherzusagen, der mit der Anzahl der Fixierungen zusammenhängen scheint. Jüngste Studien haben gezeigt, dass die Variabilität des Blickverhaltens durch die Eigenschaften des Bildes (Position, Intensität, Farbe und Ausrichtung), die Anweisungen zum Ausführen der Aufgabe und die Art der Informationsverarbeitung (Lernstil) des Teilnehmers bestimmt wird. Diese Unterschiede werden erkannt, indem die Interaktion des Schülers mit den verschiedenen AOI19analysiert wird. Quantitative20 (Frequenzanalyse) und/oder qualitative oder dynamische21 (Scanpfad) Techniken können verwendet werden, um die daten aus den verschiedenen Metriken zu analysieren. Die ersten Techniken werden mit traditionellen statistischen Techniken (Frequenzanalyse, Mittelwertdifferenz, Varianzdifferenz usw.) und letztere mit Machine Learning-Techniken (Euklidische Entfernungen mit String-Edit-Methoden21,22und Clustering17) analysiert. Die Anwendung dieser Techniken erleichtert das Clustering, indem verschiedene Merkmale der Probanden berücksichtigt werden. Eine Studie17 ergab, dass je sachkundiger der Student, desto effektiver die implementierte räumliche und zeitliche Informationsverarbeitungsstrategie ist. Eine beschreibende Tabelle der messparameter, die in dieser Studie verwendet wurden, finden Sie unten in Tabelle 1.
Tabelle 1: Die repräsentativsten Parameter, die mit der Eye-Tracking-Technik erhalten werden können, angepasst von Siz, Zaparain, Marticorena und Velasco (2019). 20   <a href="https://www.jove.com/files/ftp_upload/62103/Copia%20de%20JoVE_Table_1.xls" target="_blank">Bitte klicken Sie hier, um diese Tabelle herunterzuladen.</a>
Anwendung der Eye-Tracking-Methodik auf das Studium des Lernprozesses Der Einsatz der technologischen Fortschritte und deroben beschriebenen Datenanalysetechniken wird der Verhaltensanalyse der Lernenden bei der Problemlösung in den verschiedenen Phasen der Informationsverarbeitung (Aufgabenauslösung, Informationsverarbeitung und Aufgabenauflösung) eine höhere Genauigkeit verleihen. Es wird alles individuelle Verhaltensanalyse erleichtern, die wiederum die Gruppierung von Studenten mit ähnlichen Eigenschaften ermöglichen24. Ebenso Vorhersagetechniken (Entscheidungsbäume, Regressionstechniken usw.) 25 kann auf das Lernen angewendet werden, sowohl bezogen auf die Anzahl der Fixierungen als auch auf die Aufgabenauflösungsergebnisse jedes Schülers. Diese Funktionalität ist ein sehr wichtiger Fortschritt in der Kenntnis, wie jeder Schüler lernt und für den Vorschlag von personalisierten Lernprogrammen innerhalb verschiedener Gruppen (Menschen mit oder ohne Lernschwierigkeiten26). Daher wird der Einsatz dieser Technik zur Erreichung der Personalisierung und Optimierung des Lernens beitragen27. Lebenslanges Lernen muss als ein Kreislauf kontinuierlicher Verbesserung verstanden werden, da das Wissen über die Gesellschaft ständig voranschreitet und voranschreitet. Evolutionspsychologie zeigt, dass Auflösungsfähigkeiten und Effektivität in der Informationsverarbeitung mit dem Alter abnehmen. Insbesondere, Saccade Frequenz, Amplitude, und Geschwindigkeit der Augenbewegungen bei Erwachsenen wurden gefunden, um mit dem Alter zu verringern. Darüber hinaus konzentriert sich die Aufmerksamkeit im höheren Alter auf die unteren Bereiche visueller Szenen, was mit Defiziten im Arbeitsgedächtnis zusammenhängt14. Dennoch nimmt die Aktivierung in den frontalen und präfrontalen Bereichen in einem höheren Alter zu, was diese Defizite bei der Aufgabenauflösung zu kompensieren scheint. Dieser Aspekt umfasst den Grad des Vorwissens und die kognitiven Vergütungsstrategien, die das Thema anwenden kann. Erfahrene Teilnehmer lernen effizienter, da sie die Aufmerksamkeit durch die Anwendung automatisierter Überwachungsprozesse effektiver managen28. Darüber hinaus werden die oben genannten Mängel gemildert, wenn die zu erlernenden Informationen durch SRL-Techniken vermittelt werden17. Der Einsatz solcher Techniken bedeutet, dass visuelle Tracking-Muster sehr ähnlich sind, sowohl in Fächern ohne Vorkenntnisse als auch in Fächern mit Vorkenntnissen7.
Zusammenfassend ist die Analyse multimodal-multichannel-daten auf SRL, die mit dem Einsatz von advanced learning (Eye-Tracking)-Technologien gewonnen werden, der Schlüssel zum Verständnis der Wechselwirkung zwischen kognitiven, metakognitiven und motivationsorientierten Prozessen und deren Auswirkungen auf das Lernen29. Die Ergebnisse und die Untersuchung von Unterschieden im Lernen haben Auswirkungen auf die Gestaltung von Lernmaterialien und intelligenten Nachhilfesystemen, die beide personalisiertes Lernen ermöglichen werden, das für den Schüler30wahrscheinlich effektiver und zufriedenstellender sein wird.
In dieser Forschung wurden zwei Fragen gestellt: (1) Wird es signifikante Unterschiede in den Lernergebnissen und in den Ookfixierungsparametern zwischen Studenten und Experten und nicht-fachlichen Lehrern in Kunstgeschichte geben, die Studenten mit offiziellen Abschlüssen von Studenten mit nicht-offiziellen Abschlüssen (University of Experience - Adult Education) unterscheiden? und (2) Stimmen Cluster jedes Teilnehmers mit Lernergebnissen und Ookfixierungsparametern mit der Art der Teilnehmer zusammen (Studenten mit amtlichen Abschlüssen, Studierende mit nicht amtlichen Abschlüssen (Universität für Erfahrung - Erwachsenenbildung) und Lehrer)?

<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>iViewer XTM</td>
			<td>iViewer</td>
			<td></td>
			<td></td>
		</tr>
		<tr>
			<td>SMI Experimenter Center 3.0</td>
			<td>SMI</td>
			<td></td>
			<td></td>
		</tr>
		<tr>
			<td>SMI Be Gaze</td>
			<td>SMI</td>
			<td></td>
			<td></td>
		</tr>
	</tbody>
</table>

eye-tracking technology and data-mining techniques used for a behavioral analysis of adults engaged in learning processes

Die Verhaltensanalyse von Erwachsenen, die sich mit Lernaufgaben beschäftigen, ist eine große Herausforderung im Bereich der Erwachsenenbildung. Heutzutage besteht in einer Welt kontinuierlicher technologischer Veränderungen und wissenschaftlicher Fortschritte ein Bedarf an lebenslangem Lernen und Bildung sowohl in formalen als auch in nicht formalen Bildungsumgebungen. Als Reaktion auf diese Herausforderung bieten die Verwendung von Eye-Tracking-Technologie bzw. Data-Mining-Techniken für überwachtes (hauptsächlich Vorhersage) und unbeaufsichtigtes (speziell Clusteranalyse) Lernen Methoden zur Erkennung von Lernformen unter den Nutzern und/oder zur Klassifizierung ihrer Lernstile. In dieser Studie wird ein Protokoll für das Studium der Lernstile bei Erwachsenen mit und ohne Vorkenntnisse in verschiedenen Altersgruppen (18 bis 69 Jahre) und an verschiedenen Punkten während des Gesamten des Lernprozesses (Anfang und Ende) vorgeschlagen. Statistische Varianzanalysen bedeuten, dass Unterschiede zwischen den Teilnehmern nach Art des Lernenden und Vorkenntnissen der Aufgabe festgestellt werden können. Ebenso wirft der Einsatz unbeaufsichtigter Lernclustering-Techniken ein Licht auf ähnliche Formen des Lernens unter den Teilnehmern über verschiedene Gruppen hinweg. Alle diese Daten werden personalisierte Vorschläge des Lehrers für die Darstellung jeder Aufgabe an verschiedenen Punkten in der Kette der Informationsverarbeitung erleichtern. Ebenso wird es für den Lehrer einfacher sein, Unterrichtsmaterialien an die Lernbedürfnisse jedes Schülers oder jeder Schülergruppe mit ähnlichen Merkmalen anzupassen.

Die 36 Teilnehmer, die für die vorliegende Studie rekrutiert wurden, stammten aus drei Gruppen von Erwachsenen (Studenten der Universität für Erfahrung, Universitätsprofessoren sowie Studenten und Masterstudierende) im Alter zwischen [18 und 69] Jahren (Tabelle 2). Das Protokoll wurde über 20 Monate an der Universität Burgos getestet. Ein Überblick über die Entwicklung ist Tabelle 4 zusehen.
<p class="jove_content" fo:keep-together.within-page...

Watch this Scientific Journal Video about Eye-tracking Technology and Data-mining Techniques used for a Behavioral Analysis of Adults engaged in Learning Processes at JoVE.com

Eye-tracking Technology and Data-mining Techniques used for a Behavioral Analysis of Adults engaged in Learning Processes

Wir präsentieren ein Protokoll für eine Verhaltensanalyse von Erwachsenen (im Alter von 18 bis 70 Jahren), die an Lernprozessen beteiligt sind und Aufgaben für selbstreguliertes Lernen (SRL) übernehmen. Die Teilnehmer, Universitätslehrer und Studenten sowie Erwachsene der University of Experience wurden mit Eye-Tracking-Geräten überwacht und die Daten mit Data-Mining-Techniken analysiert.

Eye-Tracking-Technologie und Data-Mining-Techniken für eine Verhaltensanalyse von Erwachsenen, die an Lernprozessen beteiligt sind

Behavioral analysis of adults engaged in learning tasks is a major challenge in the field of adult education. Nowadays, in a world of continuous ...

Wir präsentieren ein Protokoll zur Verhaltensanalyse von 15- bis 70-jährigen Erwachsenen, die in verschiedenen Prozessen tätig sind. Durchführung von Aufgaben, die für das selbstregulierte Lernen zugewiesen werden. Die Teilnehmer, Universitätslehrer und Studenten sowie andere von der University of Experience wurden mit Eye-Tracking-Geräten überwacht und die Daten mit Data-Mining-Techniken analysiert.Dieses Protokoll wurde in Übereinstimmung mit den Verfahrensvorschriften des Bioethischen Ausschusses der Universität Burgos, Spanien, durchgeführt. Bei dieser Untersuchung wurden zwei Untersuchungsfragen gestellt. Forschungsfrage eins: Wird es signifikante Unterschiede in den Lernergebnissen und in den Okulokationsparametern zwischen Studenten und Experten und nicht-fachlichen Lehrern in Kunstgeschichte geben, wobei Studenten mit offiziellen Abschlüssen im Vergleich zu Studenten mit nicht-offiziellen Abschlüssen, Der Universität für Erfahrung Erwachsenenbildung unterschieden werden?Und Forschungsfrage zwei: Werden Cluster jedes Teilnehmers mit Lernergebnissen und Ookfixierungsparametern mit der Art der Teilnehmer, Studenten mit offiziellen Abschlüssen, Studenten mit nicht-offiziellen Abschlüssen, Der Universität für Erfahrung der Erwachsenenbildung und Lehrern übereinstimmen? Teilnehmerrekrutierung. Rekrutieren Sie Teilnehmer aus einer Gruppe von Erwachsenen in zwei Umgebungen, Studenten und Lehrer, mit einem Alter von 18 bis 70 Jahren in der Umgebung der Hochschulbildung, formale und nicht-formale Bildung.Teilnehmer mit normalem oder korrigiertem Seh- und Hörvermögen einbeziehen. Auszuschließen Teilnehmer mit neurologischen, psychiatrischen und Schlafstörungen, Behinderungen im Zusammenhang mit pädagogischen besonderen Bedürfnissen, Wahrnehmungsschwierigkeiten, Seh- und Hörstörungen und kognitiven Behinderungen. In dieser Studie arbeiteten wir in einer endgültigen Stichprobe belief sich auf 39 Teilnehmer, sechs Studenten von der University of Experience.Ein Teilnehmer wurde wegen Sehschwierigkeiten in die Kategorie der Studierenden der Universität für Erfahrung ausgeschlossen. 25 Universitätsprofessoren in den Bereichen Gesundheitswissenschaften, Ingenieurwesen, Geschichte und Kulturerbe sowie neun Studenten der Bachelor- und Master-Studiengänge in den Bereichen Gesundheitswissenschaften, Ingenieurwesen sowie Geschichte und Kulturerbe. Datenerhebung, einholen Sie die Einwilligung in Kenntnis der Sachlage.Informieren Sie vor dem Test jeden Teilnehmer über das Ziel der Studie und die Erhebung, Behandlung und Speicherung seiner Daten. Die Zustimmung jedes Teilnehmers erfolgt durch Unterzeichnung des Einverständnisformulars in Kenntnis der Sachlage. Bevor die Aufgabe beginnt, gibt der Interviewer, ein Experte auf dem Gebiet, einen Fragebogen zu Alter, Geschlecht, Beruf und Vorkenntnissen des Themas weiter.In diesem Fall der Ursprung und die historische Entwicklung der Klöster in Europa. Experimentelles Verfahren. Kalibrierung. Informieren Sie den Teilnehmer darüber, wie die Eye-Tracking-Technologie funktioniert und wie die Informationen gesammelt, aufgezeichnet und kalibriert werden.Dem Teilnehmer wird erklärt, dass ein gültiger Schreibtisch eine richtige Positionierung erfordert. Dazu muss der Teilnehmer in einer bestimmten Entfernung sitzen, 45 bis 60 Zentimeter vom Monitor entfernt. Die Entfernung hängt von der Höhe des Teilnehmers ab, niedriger die Höhe, je kürzer die Entfernung.Der Teilnehmer wird darüber informiert, dass eine Reihe von Punkten auf dem Kardinalpunkt des Bildschirms erscheinen und dass der Teilnehmer jedes Mal, wenn ein Punkt erscheint, ihn mit seinen Augen beobachten muss. Nehmen Sie die Kalibrierungseinstellung. Durchführen der Lernaufgabe.Erläutern Sie dem Teilnehmer den Inhalt der Aufgabe. Die Lernaufgabe besteht in der Erklärung der Entstehung von Klöstern in Europa. Die Zuordnung wird in einem Video-Voiceover mit SRL-Methodik dargestellt.Die Informationen werden über auditive und visuelle Kanäle, einschließlich geschriebenem Text und Bildern, präsentiert. Sehen Sie sich den Videoclip an. Ausführen des Kreuzworträtsels auf einer Moodle-basierten virtuellen Plattform.Datenanalyse. Wählen Sie den Interessenbereich AOI. AOIs werden im Video definiert und in AOIs unterteilt, die relevante Informationen im Vergleich zu AOIs enthalten, die nicht relevante Informationen enthalten.Extrahieren Sie die Datenbank in Bezug auf die Parameter für AOIs-Fixierungen. Importieren Sie die Datenbank, einschließlich eines Softwarepakets für die statistische Verarbeitung, und wählen Sie die Option Analysieren aus, und dann klassifizieren Sie die Option K-Means Cluster. Wählen Sie dann eine Kreuztabelle im statistischen Softwarepaket aus, z. B. SPSS, gefolgt von der Option ANOVA, um die Unterschiede zwischen dem Teilnehmer zu analysieren.Führen Sie eine Visualisierungsanalyse der Daten durch. Extrahieren Sie die Daten der Parameter detaillierter Statistiken und machen Sie die statistische Analyse. Personalisierte Lernvorschläge.Führen Sie ein Interventionsprogramm durch, um die Lernergebnisse der Teilnehmer zu verbessern, die in der Clusteranalyse aufgrund ihrer niedrigeren Punktzahlen erkannt wurden. Repräsentative Ergebnisse. 36 Teilnehmer, die für die vorliegende Studie rekrutiert wurden, stammten aus drei Gruppen erwachsener Studierender der University of Experience, Universitätsprofessoren sowie Bachelor- und Master-Studenten im Alter zwischen 22 und 69 Jahren.Das Protokoll wurde über 20 Monate an der Universität Burgos getestet. Die Blickpositionsparameter der Fixierung wurden analysiert. Die Gruppe der Männer und Frauen in jeder der teilnehmenden Gruppe, Studentder der University of Experience, Hochschullehrerin und Hochschul- und Masterstudierende, erledigte die Aufgabe auf unterschiedliche Weise.Es wurden keine signifikanten Unterschiede in einem der Fixierungsparameter festgestellt, aber es wurde ein Trend zu Unterschieden für die fixierte durchschnittliche Pupillengröße Y, fixiert und der durchschnittliche Pupillendurchmesser und die Fixationsdispersion X festgestellt, wenn auch mit niedrigen Effektwerten. Dann wurden die wichtigsten Mittelcluster angewendet, um zu untersuchen, ob es in der ersten Forschungsgruppe unterschiedliche Gruppierungen gab, in Bezug auf die Ergebnisse in den Parametern Fixierungsposition, Vorkenntnisse und Kreuzworträtselergebnisse. Es wurden drei Cluster gefunden.Außerdem wurde eine Gruppentabelle zwischen den Werten des Clusters einer Gruppenmitgliedschaft erstellt, die jedem Teilnehmer in Bezug auf den Kategorietyp Teilnehmer, Student der Universität der Experience, Universitätsprofessoren und Universitätsstudenten zugewiesen wurden. Jede zeigt die Position der Teilnehmer innerhalb des Clusters in Bezug auf die drei Gruppen für die Fixierungspositionsparameter. Signifikante Unterschiede wurden je nach Hintergrundwissen gefunden, variabel in Diversion Dauer 1.Analysieren der Eingabe-, Duell- und Ausgabezeit für jeden Stimulus, der in jeden AOI eingefügt wird. Daraus kann geschlossen werden, dass die Art und Weise, wie in die verschiedenen AOIs eingegeben, verbleiben und beendet werden kann, je nach variabler Teilnehmergruppe in der Anfangsphase des Informationszugriffs unterschiedlich war. Unterschiede wurden auch in den Parametern für die durchschnittliche Fixierungsdauer gefunden.Längere Fixierungen beziehen sich darauf, dass die Teilnehmer mehr Zeit damit verbringen, den Informationsinhalt innerhalb der verschiedenen AOIs zu analysieren und zu interpretieren. Bonferroni bedeutet, dass ein anderer Test angewendet wurde, um gruppenzugehörigkeit zu etablieren, mit dem festgestellt wurde, dass sie zwischen der Gruppe University of Experience Studenten und der Gruppe von Universitätsprofessoren waren. Die Mittel waren höher als in der Gruppe eins, studenten der University of Experience, wo die Teilnehmer während der Dateneingabephase mehr Zeit mit der Analyse und Interpretation der AOIs verbringen.Basierend auf dem Ergebnis dieser Studie wurde die Entwicklung eines personalisierten Lernprogramms vorgeschlagen, um lernergebnisse bei der Aufgabenauflösung zu verbessern. In dieser Studie wird sich das Programm auf die Verstärkung des im Video erarbeiteten Konzepts konzentrieren, für das eine Erweiterung und Spezifikation der Konzepte vorgenommen wird. Die bei dieser Datenanalyse erzielten Ergebnisse geben dem Lehrer Informationen, um die Darstellung der Aufgabe und sogar die Eigenschaften jedes Lernenden oder jeder Gruppe von Lernenden anzupassen. Schlussfolgerungen.Die Darstellung von Informationen in der Weise, durch sie verwenden Informationskanal, auditiv, visuell oder beides. Mit SRL-Aktivität, die Methodik, zusammen mit dem Einsatz einer Tracking-Technologie und Machine Learning-Technik. Es ist entscheidend, um zu verstehen, wie Lernen Informationen verarbeitet, und um in die Lage zu sein, ein personalisiertes Lerndesign entsprechend den pädagogischen Bedürfnissen für jeden so Förderung der Entwicklung bewertet für das Lernen.

Research

JoVE Journal

Behavior

The Double-H Maze: A Robust Behavioral Test for Learning and Memory in Rodents

Die Doppel-H Maze: A Robust Verhaltenstest für Lernen und Gedächtnis in Nagetiere

Spatial cognition research in rodents typically employs the use of maze tasks, whose attributes vary from one maze to the next. These tasks vary by their ...

Forschung

Verhalten

Combined Shuttle-Box Training with Electrophysiological Cortex Recording and Stimulation as a Tool to Study Perception and Learning

Kombinierte Shuttle-Box-Training mit Elektrophysiologische Cortex Ableitung und Stimulation als ein Instrument zur Wahrnehmung und Lernen Studie

Shuttle-box avoidance learning is a well-established method in behavioral neuroscience and experimental setups were traditionally custom-made; the ...

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

Vagusnervstimulation als Instrument zur Plastizität in Pathways Relevant für Extinction Learning herbei

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

Eye-Tracking Control to Assess Cognitive Functions in Patients with Amyotrophic Lateral Sclerosis

Eye-Tracking-Steuerung zur Beurteilung kognitiver Funktionen bei Patienten mit amyotropher Lateralsklerose

Amyotrophic lateral sclerosis (ALS) is a neurodegenerative disorder with pathological involvement of upper and lower motoneurons, subsequently leading to ...

Investigating Motor Skill Learning Processes with a Robotic Manipulandum

Untersuchung Motorfaehigkeiten Lernprozesse mit einem Robotic Manipulandum

Skilled reaching tasks are commonly used in studies of motor skill learning and motor function under healthy and pathological conditions, but can be ...

Eye Tracking During Visually Situated Language Comprehension: Flexibility and Limitations in Uncovering Visual Context Effects

Eyetracking während visuell liegt Sprachverständnis: Flexibilität und Einschränkungen bei der Aufdeckung visuellen Kontext Effekte

The present work is a description and an assessment of a methodology designed to quantify different aspects of the interaction between language processing ...

Stress-Enhanced Fear Learning, a Robust Rodent Model of Post-Traumatic Stress Disorder

Stress verstärkt Angst lernen, ein stabiles Nagetier Modell der posttraumatischen Belastungsstörung

Fear behaviors are important for survival, but disproportionately high levels of fear can increase the vulnerability for developing psychiatric disorders ...

Simultaneous Eye Tracking and Single-Neuron Recordings in Human Epilepsy Patients

Gleichzeitiges Eye Tracking und Single-Neuron-Aufnahmen bei Humanepipsiepatienten

Intracranial recordings from patients with intractable epilepsy provide a unique opportunity to study the activity of individual human neurons during ...

Exploring Infant Sensitivity to Visual Language using Eye Tracking and the Preferential Looking Paradigm

Erforschen der Sensibilität für visuelle Sprache durch Eye Tracking und das Preferential Looking Paradigm

We discuss the use of the preferential looking paradigm in eye tracking studies in order to study how infants develop, understand, and attend to the world ...

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

Multimodales Protokoll zur Bewertung der Metakognition und Selbstregulierung bei Erwachsenen mit Lernschwierigkeiten

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