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

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 wird^2,3,4. 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 Variablen^{erleichtern 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 von^{Texten 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 Informationen^4,10. 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 Untersuchungen^11,17 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-Methoden^21,22und 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 der^oben 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)?