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.
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.
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 Bitte klicken Sie hier, um diese Tabelle herunterzuladen.
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)?
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…
The authors have nothing to disclose.
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.
iViewer XTM | iViewer | ||
SMI Experimenter Center 3.0 | SMI | ||
SMI Be Gaze | SMI |