تقنية تتبع العين وتقنيات استخراج البيانات المستخدمة في التحليل السلوكي للبالغين المشاركين في عمليات التعلم
Summary
نقدم بروتوكولا للتحليل السلوكي للبالغين (الذين تتراوح أعمارهم بين 18 و70 عاما) المشاركين في عمليات التعلم ، والقيام بمهام مصممة للتعلم المنظم ذاتيا (SRL). وتم رصد المشاركين، ومدرسي الجامعات وطلابها، والبالغين من جامعة الخبرة، بأجهزة تتبع العين، وتم تحليل البيانات بتقنيات استخراج البيانات.
Abstract
التحليل السلوكي للبالغين المشاركين في مهام التعلم هو تحد كبير في مجال تعليم الكبار. وفي الوقت الحاضر، وفي عالم من التغيرات التكنولوجية المستمرة والتقدم العلمي، هناك حاجة إلى التعلم والتعليم مدى الحياة في البيئات التعليمية الرسمية وغير الرسمية على حد سواء. واستجابة لهذا التحدي، فإن استخدام تكنولوجيا تتبع العين وتقنيات استخراج البيانات، على التوالي، للتعلم تحت الإشراف (التنبؤ أساسا) والتعلم غير الخاضع للإشراف (وتحديدا تحليل المجموعات)، يوفر أساليب للكشف عن أشكال التعلم بين المستخدمين و/أو تصنيف أساليب تعلمهم. في هذه الدراسة، يقترح بروتوكول لدراسة أساليب التعلم بين البالغين الذين لديهم معرفة سابقة أو بدونها في أعمار مختلفة (18 إلى 69 سنة) وفي نقاط مختلفة طوال عملية التعلم (البداية والنهاية). وتعني تقنيات التحليل الإحصائي للتباين أنه يمكن اكتشاف الاختلافات بين المشاركين حسب نوع المتعلم والمعرفة السابقة بالمهمة. وبالمثل، فإن استخدام تقنيات تجميع التعلم غير الخاضعة للإشراف يلقي الضوء على أشكال مماثلة من التعلم بين المشاركين عبر مجموعات مختلفة. كل هذه البيانات سوف تسهل مقترحات شخصية من المعلم لعرض كل مهمة في نقاط مختلفة في سلسلة معالجة المعلومات. وبالمثل سيكون من الأسهل على المعلم تكييف المواد التعليمية مع احتياجات التعلم لكل طالب أو مجموعة من الطلاب ذوي الخصائص المماثلة.
Introduction
منهجية تتبع العين المطبقة على التحليل السلوكي في التعلم
تطبق منهجية تتبع العين، من بين استخدامات وظيفية أخرى، على دراسة السلوك البشري، وتحديدا أثناء حل المهام. تسهل هذه التقنية الرصد والتحليل أثناء الانتهاء من مهام التعلم1. على وجه التحديد، يمكن دراسة مستويات اهتمام الطلاب في نقاط مختلفة من عملية التعلم (البداية والتطوير والنهاية) في مواضيع مختلفة (التاريخ والرياضيات والعلوم، وما إلى ذلك) باستخدام تكنولوجيا تتبع العين. بالإضافة إلى ذلك، إذا كانت المهمة تتضمن استخدام مقاطع الفيديو بصوت يوجه عملية التعلم، يتم تسهيل التعلم الذاتي التنظيم (SRL). لذلك ، فإن تنفيذ تقنية تتبع العين في تحليل المهام التي يقترح عليها SRL (التي تتضمن استخدام مقاطع الفيديو) كمورد مهم لفهم كيفية تطوير التعلم2و3و4. وهذا المزيج يعني أيضا أن الاختلافات بين الأساليب التعليمية (مع أو بدون SRL، الخ) يمكن التحقق مع أنواع مختلفة من الطلاب (مع أو بدون معرفة مسبقة، الخ) 5.في المقابل، يمكن أن يسهل عرض المعلومات متعددة القنوات (العرض المتزامن للمعلومات السمعية والبصرية، سواء كانت شفهية أو مكتوبة أو تصويرية) تسجيل وتحليل المعلومات ذات الصلة مقابل غير ذات الصلة من المتغيرات المذكورة أعلاه6. يبدو أن الطلاب ذوي المعرفة السابقة المعرضين لقنوات التعلم متعددة الوسائط يتعلمون بشكل أكثر فعالية من أولئك الذين لديهم معرفة مسبقة قليلة أو معدومة. سيقوم الطلاب الذين لديهم مستويات عالية من المعرفة المسبقة بالموضوع بدمج المعلومات النصية والرسومية بشكل أكثر فعالية7. وقد لوحظت هذه الوظيفة في تعلم النصوص8 التي تشمل الصور9. تقدم تقنية تتبع العين معلومات حول مكان تركيز الاهتمام وإلى متى. وتعطي هذه البيانات فكرة عن تطور عملية التعلم بطريقة أكثر دقة من مجرد ملاحظة عملية الحل أثناء إنجاز المهمة. كما أن تحليل هذه المؤشرات يسهل دراسة ما إذا كان الطالب يطور التعلم العميق أو السطحي. وعلاوة على ذلك، فإن العلاقة بين هذه البيانات ونتائج التعلم تسهل التحقق من صحة المعلومات التي تم الحصول عليها باستخدام تقنية تتبع العين4و10. في الواقع، يتم استخدام هذه التقنية مع SRL بشكل متزايد في التعليم العالي وتعليم الكبار11 بيئات التعلم، سواء على تنظيم وعلى الدورات غير المنظمة12.
تقدم تقنية تتبع العين مقاييس مختلفة: المسافة والسرعة والتسارع والكثافة والتشتت والسرعة الزاوي والانتقالات بين مناطق الاهتمام (AOI) والنظام التسلسلي ل AOI والزيارات في التثبيتات والأكياس ومسار المسح الضوئي ومعلمات خريطة الحرارة. ومع ذلك، فإن تفسير هذه البيانات معقد ويتطلب استخدام تحت إشراف (الانحدار، وأشجار القرار، وما إلى ذلك) وغير خاضعة للرقابة (تقنيات الكتلة K-means، وما إلى ذلك) 13،14 تقنيات استخراج البيانات. يمكن تطبيق هذه المقاييس لرصد سلوك نفس الموضوع مع مرور الوقت أو للمقارنة بين عدة مواضيع وأدائها مع نفس المهمة15، من خلال تحليل الفرق بين المشاركين مع المعرفة السابقة مقابل أي معرفةسابقة 16. كشفتالأبحاثالحديثة11 ، 17 أن المتدربين المبتدئين يركزون لفترة أطول على المحفزات (أي ، هناك تردد تثبيت أكبر في حين يتم تسجيل أنماط مسار المسح المماثلة). وكان متوسط مدة التثبيت أطول للخبراء منه للمبتدئين. وعرض الخبراء تركيز اهتمامهم على النقاط الوسطى للمعلومات (القريبة والوسطى)، وهي اختلافات يمكن رؤيتها أيضا في نقاط التصور داخل AOI على الخرائط الحرارية.
تفسير المقاييس في تتبع العين
وقد أشارت الدراسات الحديثة18 إلى أن الحصول على المعلومات يرتبط بعدد التثبيتات العينية على المحفزات. مقياس آخر مهم هو saccade ، والذي يعرف بأنه الحركة السريعة والمفاجئة لتثبيت بفاصل زمني [10 مللي ثانية ، 100 مللي ثانية]. شافي وآخرون (2015)18 وجدوا اختلافات في عدد الأكياس، اعتمادا على مرحلة ترميز المعلومات للطالب. معلمة أخرى ذات صلة هي مسار المسح الضوئي ، وهو مقياس يلتقط الترتيب الزمني للخطوات التي يقوم بها المشارك لحل مهمة التعلم داخل AOI التي يحددها الباحث18. وبالمثل، يمكن استخدام تقنية تتبع العين للتنبؤ بمستوى فهم المشارك، والذي يبدو أنه مرتبط بعدد التثبيتات. وقد أشارت الدراسات الحديثة إلى أن التباين في سلوك النظرات يتحدد من خلال خصائص الصورة (الموضع والكثافة واللون والتوجه) وتعليمات أداء المهمة ونوع معالجة المعلومات (أسلوب التعلم) للمشارك. يتم الكشف عن هذه الاختلافات من خلال تحليل تفاعل الطالب مع AOI19المختلفة. يمكن استخدام تقنيات20 الكمية (تحليل التردد) و/أو التقنيات النوعية أو الديناميكية21 (مسار المسح الضوئي) لتحليل البيانات التي تم جمعها من المقاييس المختلفة. يتم تحليل التقنيات السابقة مع التقنيات الإحصائية التقليدية (تحليل التردد ، والفرق المتوسط ، والفرق الفرق ، وما إلى ذلك) ويتم تحليل هذه الأخيرة مع تقنيات التعلم الآلي (مسافات الإقليدية مع أساليب تحرير السلسلة21،22، والتكتلات17). ويسهل تطبيق هذه التقنيات التجميع، بالنظر في الخصائص المختلفة للمواضيع. ووجدت إحدىالدراسات 17 أنه كلما زاد خبرة الطالب، كلما كانت استراتيجية معالجة المعلومات المكانية والزمنية التي يتم تنفيذها أكثر فعالية. ويمكن الاطلاع أدناه في الجدول 1على جدول وصفي لمعلمات القياس المستخدمة في هذه الدراسة.
الجدول 1: معظم المعلمات التمثيلية التي يمكن الحصول عليها باستخدام تقنية تتبع العين، مقتبسة من سايز، زابارين، مارتيكورينا، وفيلاسكو (2019). 20 الرجاء الضغط هنا لتحميل هذا الجدول.
تطبيق منهجية تتبع العين لدراسة عملية التعلم
إن استخدام التطورات التكنولوجية وتقنيات تحليل البيانات الموصوفة أعلاه 5 سيضيفدقة أكبر إلى التحليل السلوكي للمتعلمين أثناء حل المشاكل في المراحل المختلفة لمعالجة المعلومات (بدء المهمة ومعالجة المعلومات وحل المهام). وسوف تسهل جميع التحليل السلوكي الفردي، والتي بدورها تسمح تجمع الطلاب مع خصائص مماثلة24. وبالمثل، تقنيات التنبؤ (أشجار القرار، وتقنيات الانحدار، وما إلى ذلك) 25 يمكن تطبيقها على التعلم، سواء فيما يتعلق بعدد التثبيتات ونتائج تحليل المهام لكل طالب. هذه الوظيفة هي تقدم مهم جدا في معرفة كيف يتعلم كل طالب واقتراح برامج التعلم الشخصية داخل مجموعات مختلفة (الأشخاص الذين يعانون من صعوبات التعلم أوبدونها 26). ولذلك، فإن استخدام هذه التقنية تسهم في تحقيق التخصيص والاستفادة المثلى من التعلم27. ويجب أن يفهم التعلم مدى الحياة على أنه دورة من التحسين المستمر لأن معرفة المجتمع تتقدم وتتقدم باستمرار. علم النفس التطوري يشير إلى أن مهارات القرار والفعالية في معالجة المعلومات تنخفض مع التقدم في السن. على وجه التحديد ، تم العثور على تردد saccade ، والسعة ، وسرعة حركات العين بين البالغين في الانخفاض مع التقدم في السن. بالإضافة إلى ذلك ، في الأعمار الأكبر سنا ، يتركز الاهتمام على المناطق السفلية من المشاهد البصرية ، والتي ترتبط بالعجز في الذاكرةالعاملة 14. ومع ذلك، يزيد التنشيط في المناطق الأمامية وقبل الجبهية في سن أكبر، مما يبدو أنه يعوض عن هذه العجزات في حل المهام. ويشمل هذا الجانب مستوى المعرفة السابقة واستراتيجيات التعويض المعرفي التي يمكن أن يطبقها هذا الموضوع. يتعلم المشاركون ذوي الخبرة بشكل أكثر كفاءة ، لأنهم يديرون الاهتمام بشكل أكثر فعالية ، بسبب تطبيق عمليات الإشراف الآلي28. وبالإضافة إلى ذلك، إذا تم نقل المعلومات التي سيتم تعلمها من خلال تقنيات SRL، يتم تخفيف أوجه القصور المذكورة أعلاه17. استخدام هذه التقنيات يعني أن أنماط التتبع البصري متشابهة جدا ، سواء في مواضيع دون معرفة مسبقة أو في مواضيع ذات معرفة مسبقة7.
باختصار، تحليل البيانات متعددة الوسائط متعددة القنوات على SRL التي تم الحصول عليها باستخدام تقنيات التعلم المتقدم (تتبع العين) هو المفتاح لفهم التفاعل بين العمليات المعرفية والميتاكوغينيتية والتحفيفية، وتأثيرها على التعلم29. نتائج ودراسة الاختلافات في التعلم لها آثار على تصميم المواد التعليمية ونظم التدريس الذكية، وكلاهما سيمكن التعلم الشخصي الذي من المرجح أن يكون أكثر فعالية ومرضية للطالب30.
في هذا البحث، كان هناك سؤالان للتحقيق طرحا: (1) هل ستكون هناك اختلافات كبيرة في نتائج التعلم وفي معلمات تثبيت العين بين الطلاب والمعلمين الخبراء مقابل غير الخبراء في تاريخ الفن الذين يميزون الطلاب الحاصلين على شهادات رسمية مقابل الطلاب الحاصلين على شهادات غير رسمية (جامعة الخبرة – تعليم الكبار)؟ و (2) هل ستتوافق مجموعات كل مشارك مع نتائج التعلم ومعلمات تثبيت العين مع نوع المشاركين (الطلاب الحاصلين على شهادات رسمية والطلاب الحاصلين على درجات غير رسمية (جامعة الخبرة – تعليم الكبار) والمعلمين)؟
Protocol
Representative Results
Discussion
وأشارت نتائج البحث إلى أن متوسط مدة التثبيت على المحفزات ذات الصلة كان أطول بين المشاركين الذين لديهم معرفة سابقة. وبالمثل ، فإن تركيز الاهتمام على هذه المجموعة هو على النقاط الوسطى من المعلومات (القريبة والنازلة)7. وقد كشفت نتائج هذه الدراسة عن اختلافات في الطريقة التي عالج ب…
Offenlegungen
The authors have nothing to disclose.
Acknowledgements
وقد تم تطوير العمل ضمن مشروع “التعلم المنظم ذاتيا في SmartArt Erasmus + تعليم الكبار” 2019-1-ES01-KA204-095615-Coordinator 6، بتمويل من المفوضية الأوروبية. وكان شريط الفيديو الخاص بمرحلة إنجاز المهمة قد حظي بموافقة مسبقة مستنيرة من روت فيلاسكو سايز. نحن نقدر مشاركة المعلمين والطلاب في مرحلة تنفيذ المهمة.
Materials
| iViewer XTM | iViewer | ||
| SMI Experimenter Center 3.0 | SMI | ||
| SMI Be Gaze | SMI |
Referenzen
- van Marlen, T., van Wermeskerken, M., Jarodzka, H., van Gog, T. Effectiveness of eye movement modeling examples in problem solving: The role of verbal ambiguity and prior knowledge. Learning and Instruction. 58, 274-283 (2018).
- Taub, M., Azevedo, R., Bradbury, A. E., Millar, G. C., Lester, J. Using sequence mining to reveal the efficiency in scientific reasoning during STEM learning with a game-based learning environment. Learning and Instruction. 54, 93-103 (2018).
- Cloude, E. B., Taub, M., Lester, J., Azevedo, R., Isotani, S., Millan, E., Ogan, A., Hastings, P., McLaren, B., Luckin, R. The Role of Achievement Goal Orientation on Metacognitive Process Use in Game-Based Learning. Artificial Intelligence in Education. , 36-40 (2019).
- Azevedo, R., Gašević, D. Analyzing Multimodal Multichannel Data about Self-Regulated Learning with Advanced Learning Technologies: Issues and Challenges. Computers in Human Behavior. 96, 207-210 (2019).
- Sáiz-Manzanares, M. C., Rodríguez-Diez, J. J., Marticorena-Sánchez, R., Zaparín-Yáñez, M. J., Cerezo-Menéndez, R. Lifelong learning from sustainable education: An analysis with eye tracking and data mining techniques. Sustainability. 12 (5), 2-18 (2020).
- Alemdag, E., Cagiltay, K. A systematic review of eye tracking research on multimedia learning. Computers & Education. 125, 413-428 (2018).
- Ho, H. N. J., Tsai, M. -. J., Wang, C. -. Y., Tsai, C. -. C. Prior knowledge and online inquiry-based science reading: evidence from eye tracking. International Journal of Science and Mathematics Education. 12, 525-554 (2014).
- Catrysse, L., Gijbels, D., Donche, V. It is not only about the depth of processing: What if eye am not interested in the text. Learning and Instruction. 58, 284-294 (2018).
- Mayer, R. E. Using multimedia for e-learning. Journal of Computer Assisted Learning. 33 (5), 403-423 (2017).
- Prokop, M., Pilař, L., Tichá, I. Impact of think-aloud on eye-tracking: A comparison of concurrent and retrospective think-aloud for research on decision-making in the game environment. Sensors. 20 (10), (2020).
- DuMouchel, W., Abello, J., Pardalos, P. M., Resende, M. G. C. Data Squashing: Constructing Summary Data Sets. Handbook of Massive Data Sets. , 579-591 (2002).
- Stull, A. T., Fiorella, L., Mayer, R. E. An eye-tracking analysis of instructor presence in video lectures. Computers in Human Behavior. 88, 263-272 (2018).
- König, S. D., Buffalo, E. A. A nonparametric method for detecting fixations and saccades using cluster analysis: Removing the need for arbitrary thresholds. Journal of Neuroscience Methods. 30 (227), 121-131 (2014).
- Maltz, M., Shinar, D. Eye Movements of Younger and Older Drivers. Human Factors. 41 (1), 15-25 (1999).
- Burch, M., Kull, A., Weiskopf, D. AOI rivers for visualizing dynamic eye gaze frequencies. Computer Graphics Forum. 32 (3), 281-290 (2013).
- Dzeng, R. -. J., Lin, C. -. T., Fang, Y. -. C. Using eye-tracker to compare search patterns between experienced and novice workers for site hazard identification. Safety Science. 82, 56-67 (2016).
- Kurzhals, K., Weiskopf, D. Space-time visual analytics of eye-tracking data for dynamic stimuli. IEEE Transactions on Visualization and Computer Graphics. 19 (12), 2129-2138 (2013).
- Sharafi, Z., Soh, Z., Guéhéneuc, Y. -. G. A systematic literature review on the usage of eye-tracking in software engineering. Information and Software Technology. 67, 79-107 (2015).
- Dalrymple, K. A., Jiang, M., Zhao, Q., Elison, J. T. Machine learning accurately classifies age of toddlers based on eye tracking. Scientific Reports. 9 (1), 6255 (2019).
- Seifert, L., Cordier, R., Orth, D., Courtine, Y., Croft, J. L. Role of route previewing strategies on climbing fluency and exploratory movements. PLoS One. 12 (4), 1-22 (2017).
- Takeuchi, H., Habuchi, Y. A quantitative method for analyzing scan path data obtained by eye tracker. IEEE Symposium on Computational Intelligence and Data Mining, CIDM 2007. , 283-286 (2007).
- Takeuchi, H., Matsuda, N. Scan-path analysis by the string-edit method considering fixation duration. 6th International Conference on Soft Computing and Intelligent Systems, and 13th International Symposium on Advanced Intelligence Systems, SCIS/ISIS 2012. , 1724-1728 (2012).
- Sáiz, M. C., Marticorena, R., Anaiz, &. #. 1. 9. 3. ;., Zaparaín, M. J., Peralbo, M., Risso, A., Barca, A., Duarte, B., Almeda, L., Brenlla, J. C. Task analysis with eye tracking technology. srl at Smartart. II Congress of the International Scientific Association of Psychopedagogy Proceedings. , 4093-4104 (2019).
- Khedher, A. B., Jraidi, I., Frasson, C. Tracking Students’ Analytical Reasoning Using Visual Scan Paths. IEEE 17th International Conference on Advanced Learning Technologies (ICALT). , 53-54 (2017).
- Xia, C., Han, J., Qi, F., Shi, G. Predicting Human Saccadic Scanpaths Based on Iterative Representation Learning. IEEE Trans Image Process. 8 (7), 3502-3515 (2019).
- Cerezo, R., Fernández, E., Gómez, C., Sánchez-Santillán, M., Taub, M., Azevedo, R. Multimodal Protocol for Assessing Metacognition and Self-Regulation in Adults with Learning Difficulties. Journal of Visualized Experiments. , e60331 (2020).
- Scherer, R., Siddiq, F., Tondeur, J. The technology acceptance model (TAM): A meta-analytic structural equation modeling approach to explaining teachers’ adoption of digital technology in education. Computers & Education. 128 (0317), 13-35 (2019).
- Bruder, C., Eißfeldt, H., Maschke, P., Hasse, C. Differences in monitoring between experts and novices. Proceedings of the Human Factors and Ergonomics Society Annual Meeting. 57 (1), 295-298 (2013).
- Azevedo, R., Gašević, D. Analyzing Multimodal Multichannel Data about Self-Regulated Learning with Advanced Learning Technologies: Issues and Challenges. Computers in Human Behavior. 96, 207-210 (2019).
- Taub, M., Azevedo, R. How Does Prior Knowledge Influence Eye Fixations and Sequences of Cognitive and Metacognitive SRL Processes during Learning with an Intelligent Tutoring System. International Journal of Artificial Intelligence in Education. 29 (1), 1-28 (2019).
- IBM Corp. . SPSS Statistical Package for the Social Sciences (SPSS) (Version 24). , (2016).
- . Orange Software Package Available from: https://orange.biolab.si/docs/ (2020)
