Het beoordelen van de verschillende dimensies van Engagement te karakteriseren Learning: A Neurofysiologische Perspective
1 juli 2015
Dit artikel heeft tot doel de technieken te beschrijven die betrokken zijn bij het verzamelen en synchroniseren van de meerdere dimensies (gedragsmatig, affectief en cognitief) van de betrokkenheid van leerlingen tijdens een taak.
Het algemene doel van deze procedure is om gegevens te verzamelen en synchroniseren over gedragsmatig, emotioneel en cognitief engagement tijdens leertaken. Dit wordt bereikt door eerst alle gegevensverzamelsystemen aan te sluiten via een synchronisatieapparaat dat een tijdmarkering in de verzamelde gegevens zal verzenden. De tweede stap is het verzamelen van eye tracking en software-interactiegegevens voor gedragsmatig engagement.
Vervolgens worden EEG-gegevens verzameld voor karakterisering van cognitief engagement. De laatste stap is het verzamelen van emotionele engagementgegevens afkomstig van ELECTRODERMAL-activiteit of een ED voor opwindingsmeting en automatische gezichtsemotionherkenning of A FER om valencegegevens te genereren. Uiteindelijk zullen deze indexen die de drie dimensies van engagement karakteriseren, worden gesynchroniseerd in een synchronisatiesoftware volgens de tijdmarkeringen die aanvankelijk door het synchronisatieapparaat zijn verzonden.
Het belangrijkste voordeel van deze techniek is dat het drie dimensies van leerlingenengagement tijdens een leertaak kwantificeert, in tegenstelling tot klassieke onderzoeksmethoden die zich uitsluitend richten op zelfbeoordelingsinstrumenten voor engagement na de taken. Deze methode kan helpen bij het beantwoorden van belangrijke vragen op het gebied van indicatie, zoals wat zijn de dynamieken van het beïnvloeden van cognitie in verschillende complexe leeromgevingen en wat is de impact van verschillende pedagogische omgevingen op effect en cognitie? Er zijn implicaties voor deze techniek in andere vakgebieden.
Bijvoorbeeld, in informatietechnologie, gebruiken we deze techniek om de betrokkenheid van een gebruiker te meten tijdens het bladeren door een website of het gebruik van een softwaretoepassing. Deze techniek is geïnspireerd door recent werk in neuro-omics waarbij waakzaamheidsgegevens van langeafstandschauffeurs werden verzameld met behulp van EEG-apparaten. Deze procedure zal worden gedemonstreerd door Gabrielle Zu met een onderzoeksassistent bij Tech three Lab van HEC Montreal, maar ook Igo en Yig, die onderzoeksassistenten zijn van Neuro Lab van Begin door de eyetracker, EEG-versterker voor opnamecomputers en luidsprekers aan te zetten.
Bereid de EEG-oplossing voor met het vereiste materiaal volgens de aanbevolen procedures van de fabrikant. Bereid vervolgens de EEG- en eyetrackingsoftware voor voor de volgende deelnemer. Start vervolgens de video-opnamesoftware en de camera's, start de synchronisatiesoftware met de specifieke sub-routine die voor het project is gemaakt, waardoor de synchronisatiemarkeringen elke 60 seconden worden verzonden.
Start vervolgens de fysiologische meetsoftware en open de specifieke lay-out die voor het project is gemaakt. Breng vervolgens de deelnemer naar de gegevensverzamelruimte en zoek de locatie van de cz-elektrode op het hoofd van de deelnemer volgens het 10 20-referentiesysteem. Plaats het EEG-net op het hoofd van de deelnemer en zorg ervoor dat elke elektrode loodrecht op het oppervlak van het hoofd is gepositioneerd.
Sluit de netconnector aan en voer een impedanskeuring uit met een drempel van 40 kilo ohm. Plaats ten slotte twee fysiologische sensoren op de bovenkant van de linkerhand van de deelnemer. Begin met gegevensverzameling.
Zodra alle opnamesoftware klaar is om in Synchrony te worden gestart, voer een negenpuntskalibratieprocedure uit en observeer de deelnemer terwijl ze de rode stippen op het scherm volgen. Herhaal deze procedure totdat voldoende nauwkeurigheid is bereikt volgens de normen van de fabrikant, instrueer de deelnemer om 10 Newtoniaanse fysicaproblemen op de computer op te lossen. Stop de gegevensverzameling op alle computers.
Zodra de taak is voltooid, verwijder alle sensoren van de deelnemer. Importeer eerst de EEG-gegevens in de EEG-gegevensanalysesoftware. Klik vervolgens op bestand, dan nieuw project en kies de locatie van de ruwe gegevens door op bladeren te klikken.
Selecteer de nieuw gemaakte map met ruwe gegevens. Kies op dezelfde manier de locatie van twee andere mappen met de naam geschiedenis en export. Klik vervolgens op OK.
Klik vervolgens op transformaties en IIR-filters om het hersensignaalverwerking door een filter en een notch in het softwarevenster toe te passen. Stel de afsnijlimieten in op 1,5 en 50 hertz met een helling van 12 decibel voor elk en schakel een notch in op een frequentie van 60 hertz. Vervolgens DC D trend het signaal door op transformaties en DC dre te klikken.
Selecteer de optie op basis van tijd op 100 milliseconden vóór markering en 100 milliseconden voor DC-verbinding. Voer een inspectie van de ruwe gegevens uit door op transformaties en inspectie van ruwe gegevens te klikken. Selecteer semi-automatische inspectie en kies de parameters voor spanning, maximum, minimum en amplitude zoals hier gezien.
Voer een automatische onafhankelijke componentenanalyse of ICA uit met klassieke sfeer voor I-blinkverwijdering door op transformaties en ICA te klikken zodra voltooid. Verwerk de inverse ICA door op transformaties ICA te klikken. Vervolgens inverse ICA.
Exporteer ten slotte het signaal en de markeringen door op export en generieke gegevensexport te klikken. Selecteer de vakken gelabeld rechts headerbestand en rechter markeringsbestand. Selecteer bovendien tekstformaat voor een eventuele MATLAB-constructie van de engagementindex.
Importeer vervolgens het EEG-signaal in Matlab. Start hiervoor het E-E-G-L-A-B-script. Zo verschijnt de EEG lab GUI in Matlab.
Importeer de gegevens voor één deelnemer tegelijk door bestand te selecteren, gegevens importeren met behulp van EEG lab-functies en plug-ins en van brain vis rec VDR-bestand een script in het opdrachtvenster plakken dat een engagementindex zal genereren. Dit script geeft een tekstbestand weer. Open het tekstbestand van de engagementindex in Microsoft Excel.
Pas een Z-score-normalisatie toe op de EEG-gegevens om intersubjectieve vergelijking mogelijk te maken. Zodra de EEG-voorverwerking is voltooid. Verwerk de fysiologiegegevens door de ELECTRODERMAL-activiteit of EDA-gegevens te importeren in de fysiologische gegevensanalysesoftware.
Bereken vervolgens een Z-score-normalisatie op de EDA-gegevens door op transformatie en golfvormwiskunde te klikken om intersubjectieve vergelijking mogelijk te maken. Dit gebeurt in twee stappen. Selecteer eerst het EDA-kanaal voor bron één, het min
Bekijk het volledige transcript en krijg toegang tot duizenden wetenschappelijke video's
Overzicht
Dit artikel beschrijft technieken voor het verzamelen en synchroniseren van gegevens over gedragsmatige, emotionele en cognitieve betrokkenheid tijdens leertaken. De studie richt zich op het integreren van meerdere dimensies van leerlingbetrokkenheid om het begrip van het leerproces te verbeteren.
Belangrijke componenten van de studie
Wetenschappelijk vakgebied
- Neurowetenschappen
- Psychologie
- Educatieve technologie
Achtergrond
- Betrokkenheid is een multidimensionaal construct dat gedrag, emotie en cognitie omvat.
- Inzicht in betrokkenheid kan de onderwijsuitkomsten verbeteren.
- Synchronisatie van gegevens uit verschillende bronnen is cruciaal voor een nauwkeurige analyse.
- Technologische vooruitgang maakt uitgebreide gegevensverzameling mogelijk.
Doel van de studie
- Om gegevens te verzamelen over verschillende dimensies van leerlingbetrokkenheid.
- Om deze gegevens te synchroniseren voor een betere analyse en een beter begrip.
- Om geavanceerde technieken in te zetten voor het meten van betrokkenheid.
Gebruikte methoden
- Het verbinden van gegevensverzamelingssystemen via een synchronisatieapparaat.
- Het verzamelen van eye-tracking- en softwareinteractiegegevens voor gedragsmatige betrokkenheid.
- Het verzamelen van EEG-gegevens voor de karakterisering van cognitieve betrokkenheid.
- Het meten van emotionele betrokkenheid via electrodermale activiteit en gezichtsemotieherkenning.
Belangrijkste resultaten
- Succesvolle synchronisatie van gedragsmatige, emotionele en cognitieve gegevens.
- Identificatie van belangrijkste indicatoren van leerbetrokkenheid.
- Demonstratie van effectieve technieken voor gegevensverzameling.
- Inzichten in de wisselwerking tussen verschillende dimensies van betrokkenheid.
Conclusies
- Multidimensionale betrokkenheid kan effectief worden gemeten en geanalyseerd.
- Synchronisatie van gegevens verbetert het begrip van het leerlinggedrag.
- Toekomstig onderzoek kan voortbouwen op deze methoden om betrokkenheid verder te onderzoeken.
Veelgestelde vragen
Industriële relevantie voor leidinggevenden
Deze methodologie maakt gesynchroniseerde, multidimensionale meting van gedragsmatige, emotionele en cognitieve betrokkenheid tijdens leertaken mogelijk en biedt een neurofysiologisch kader voor het beoordelen van de interactie van gebruikers met digitale systemen. In biofarmaceutisch R&D kunnen dergelijke benaderingen bijdragen aan het ontwerp van adaptieve trainingsplatformen voor personeel van klinische studies, de betrokkenheidsmetrieken in instrumenten voor patiëntgerapporteerde uitkomsten verbeteren en mechanistische risicovermindering bij de ontwikkeling van neurocognitieve therapieën ondersteunen door kwantificeerbare real-time indices van aandachtstoestanden en affectieve staten te leveren. De integratie van EEG, electrodermale activiteit, eye tracking en gezichtsherkenning biedt een systeembrede visie op de dynamiek van betrokkenheid, wat aansluit bij inspanningen voor targetvalidatie die objectieve, multiparametrische biomarkers van cognitieve en emotionele respons vereisen.
Strategische Toepassingen in Biofarma R&D
Vroegtijdige Ontdekking & Targetvalidatie
- Wetenschappelijke waarde: Maakt het toetsen van therapeutische hypothesen mogelijk door neurofysiologische engagementmarkers te correleren met de cognitieve belasting en emotionele valentie tijdens de taakuitvoering.
- Operationele waarde: Ondersteunt de functionele validatie van targets via objectieve real-time meting van arousal en aandacht via gesynchroniseerde EEG- en elektrodermale signalen.
- Voorspellende betrouwbaarheid: Levert kwantitatieve, multidimensionale gegevens om risico's te verminderen bij mechanismen die betrekking hebben op aandacht, emotie en cognitie in neuropsychiatrische ziektestudies.
Screening & assayontwikkeling
- Klaarheid van de assay: Produceert gestandaardiseerde, z-score engagement-indexen op basis van EEG-, electrodermale en gezichtsvalentiegegevens, geschikt voor high-throughput screening van cognitieve modulatoren.
- Reproduceerbaarheid: Maakt gebruik van tijdstempel-synchronisatiemarkers elke 60 seconden om temporele uitlijning tussen multimodale datastromen te waarborgen, wat de betrouwbaarheid van de assay verhoogt.
- Kwantitatieve output: Genereert genormaliseerde engagement-indexen die intersubjectieve vergelijking en statistische analyse van compound-effecten op gedragsmatige, emotionele en cognitieve domeinen mogelijk maken.
Translationeel & Preklinisch Onderzoek
- Relevantie voor ziektebeelden: Biedt een translationeel biomarker-raamwerk voor neuropsychiatrische aandoeningen waarbij de dimensies van betrokkenheid verstoord zijn, zoals bij aandachtstekortstoornissen of depressieve stoornissen.
- Preklinische continuïteit: Ondersteunt risico-gecorrigeerde voortgang door doelwitmodulatie te koppelen aan meetbare veranderingen in gesynchroniseerde betrokkenheidsmetrieken over verschillende soorten of modelsystemen heen.
- Mechanische risicoreductie: Verduidelijkt of cognitieve verbeteringen gepaard gaan met een passende emotionele en gedragsmatige betrokkenheid, waardoor het aantal fout-positieve leads bij het ontdekken van geneesmiddelen voor het centrale zenuwstelsel wordt verminderd.
Integratie van Pipeline & Workflow
Deze methode past binnen het ontdekkingscontinuüm van targetvalidatie via lead-identificatie tot preklinische effectiviteit, in het bijzonder voor verbindingen die zich richten op cognitieve en emotionele verwerkingspaden waarbij multidimensionale betrokkenheid dient als functionele readout.
- Discovery Biology: Faciliteert hypothesetestings door te onthullen hoe perturbaties in neurale systemen de dynamische interactie tussen aandacht, arousal en valentie tijdens cognitieve taken beïnvloeden.
- Screening: Levert assay-ready, gesynchroniseerde engagement-metrieken die een betrouwbare vergelijking van testverbindingen over gedragsmatige, emotionele en cognitieve dimensies mogelijk maken.
- Analytics: Biedt z-score EEG-, electrodermale en valentie-outputs die statistische vergelijking en effectgrootteberekening in screeningcampagnes ondersteunen.
- Translational Research: Verbindt target engagement met preklinische validatie door afstemming met gevestigde neuropsychologische constructen van engagement, wat de kwalificatie van biomarkers ondersteunt.
- Enterprise Reuse: Vestigt een herbruikbaar neurofysiologisch platform voor het beoordelen van de engagement van gebruikers of patiënten in workflows voor training, evaluatie en monitoring van therapeutische respons.
Operationele impact en impact op de organisatie
- Wetenschappelijke waarde: Verhoogt het voorspellende vertrouwen door mechanische ambiguïteit te verminderen via gelijktijdige meting van gedragsmatige, emotionele en cognitieve betrokkenheid.
- Operationele waarde: Verbetert de standaardisatie en reproduceerbaarheid via gesynchroniseerde data-acquisitie en z-score normalisatie over multimodale fysiologische datastromen.
- Strategische waarde: Verbetert go/no-go-beslissingen door multiparametrische betrokkenheidsprofielen te bieden die holistische neurogedragsmatige reacties op interventies vastleggen.
- Impact op portfolio: Maakt risico-gecorrigeerde prioritering mogelijk door verbindingen te identificeren die de doelbetrokkenheid moduleren zonder gedissocieerde emotionele of attentionele effecten op te wekken.
Overwegingen voor implementatie
- Vereist expertise in neurofysiologie, signaalverwerking en multimodale dataintegratie voor het beheren van systemen voor EEG, electrodermale activiteit, eye-tracking en gezichtsherkenning.
- Afhankelijk van gespecialiseerde hardware en software voor synchronisatie, inclusief triggerapparaten en uitlijningsinstrumenten om inter-device latentie te corrigeren.
- Noodzaak tot standaardisatie van datapreprocessing-pipelines tussen teams, inclusief filtering, artefactverwijdering (bijv. ICA voor oogknippercorrectie) en z-score transformatie voor vergelijkbaarheid tussen proefpersonen.
- Omvat uitdagingen bij de adaptatie wanneer het protocol wordt toegepast op verschillende modelsystemen of omgevingscontexten vanwege sensorplaatsing en variabiliteit in de baseline.
- Beperkt door de noodzaak van gecontroleerde omstandigheden om bewegingsartefacten te minimaliseren en datakwaliteit te waarborgen, vooral tijdens langdurige cognitieve taken.
Biopharma Veelgestelde Vragen
Chapters in this video
0:05
Title
2:20
Equipment and Participant Setup
3:51
Data Collection
4:36
Pre-processing of EEG, Physiology, and Facial Emotion Data
9:51
Data Integration and Synchronization
11:54
Results: Multiple Dimensions of Engagement Assess Learning During a Problem-solving Task
12:50
Conclusion
