学習過程に従事する成人の行動分析に使用されるアイトラッキング技術とデータマイニング技術

学習における行動解析に適用されるアイトラッキング手法
アイトラッキング方法論は、他の機能的用途の中でも、特にタスク解決中に人間の行動の研究に適用される。この手法は、学習タスク¹の完了時に監視と分析を容易にします。具体的には、学習過程の異なるポイント(始動、開発、終了)における学習過程(歴史、数学、科学など)における学生の注意レベルを、アイトラッキング技術を用いて研究することができる。また、学習プロセスを導く音声を伴うビデオの使用がタスクに含まれている場合は、自己規制学習(SRL)が容易になります。したがって、学習がどのように開発されているかを理解するための重要なリソースとしてSRL(ビデオの使用を含む)が提案されているタスクの分析におけるアイトラッキング技術の実装^2,3,4.この組み合わせにより、(SRL等の有無にかかわらず)教育方法の違いが、異なるタイプの学生(事前の知識の有無など)でチェックされる可能性があることを意味します。^5.対照的に、マルチチャネル情報の提示(音声、書き込み、または絵画的かどうか、聴覚情報と視覚情報の両方の同時提示)は、上記の変数6からの関連する情報と非関連情報の記録および分析の両方を容易にすることができる^。マルチメディア学習チャネルに事前知識を持っている学生は、知識がほとんどまたはまったくない学生よりも効果的に学んでいるように見えます。教科の知識が高い学生は、テキストとグラフィックの情報をより効果的に統合する⁷.この機能は、画像⁹を含むテキスト⁸の学習で観察されています。アイトラッキング技術は、注意が集中している場所と期間に関する情報を提供します。これらのデータは、タスクの完了時に解決プロセスを簡単に観察するよりも、より正確な方法で学習プロセスの開発に関する洞察を与えます。また,これらの指標の分析は,生徒が深層学習を開発するか表面的な学習を進めるかの研究を容易にする。さらに、これらのデータと学習結果との関係は、アイトラッキング技術^4,10で得られる情報の検証を容易にする。実際、SRLと一緒にこの技術は、規制と規制されていないコースの両方で、高等教育と成人教育¹¹学習環境でますます使用されています¹².

アイトラッキング技術は、距離、速度、加速度、密度、分散、角速度、関心領域間の遷移(AOI)、AOIの順次、固定の訪問、サッカデ、スキャンパス、ヒートマップの各パラメータなど、さまざまなメトリックを提供します。しかし、これらのデータの解釈は複雑であり、教師あり(回帰、デシジョンツリーなど)と教師なし(k-Meansクラスタ技術など)の使用が必要です。^13,14のデータマイニング技術。これらの指標は、同じ主題の行動を時間の経過とともに監視したり、複数の被験者とそれらのパフォーマンスを同じタスク¹⁵と比較するために、以前の知識を持たない参加者と以前の知識がない参加者との間の差異を分析することによって適用することができる^16。最近の研究^11、17は^、初心者の弟子が刺激に長く固定することを明らかにしました(すなわち、同様のスキャン経路パターンが記録されている間、より大きな固定周波数があります)。固定の平均期間は、初心者よりも専門家のために長かった。専門家は、情報の中間点(近位および中央)、ヒートマップ上のAOI内の視覚化ポイントにも見られる可能性のある違いに注目を集めました。

アイトラッキングにおける指標の解釈
最近の研究¹⁸は、情報取得が刺激の眼の固定の数に関連していることを示している。もう 1 つの重要なメトリックは、間隔が [10 ミリ秒、 100 ミリ秒] の固定の急速かつ突然の移動として定義されるサッカデです。シャラフィら (2015)¹⁸は、学生の情報符号化段階に応じて、サッカドの数に違いを発見した。もう一つの関連パラメータは、スキャンパス、研究者¹⁸によって定義されたAOI内の学習タスクの解決のために参加者が実行するステップの時系列順をキャプチャする指標である。同様に、アイトラッキング技術を使用して、固定の数に関連しているように見える参加者の理解レベルを予測することができます。最近の研究では、視線行動の変動は、画像の特性(位置、強度、色、および向き)、タスクを実行するための指示、および参加者の情報処理の種類(学習スタイル)によって決定されることを示している。これらの違いは、異なるAOI¹⁹との学生の相互作用を分析することによって検出されます。定量²⁰⁽周波数分析)および/または定性的または動的²¹⁽スキャンパス)技術を使用して、異なるメトリックから収集されたデータを分析することができます。前者の手法は従来の統計手法(周波数分析、平均差、分散差など)で分析され、後者は機械学習技術(文字列編集法^21、22、およびクラスタリング^法によるユークリッド距離)で分析される。これらの技術の適用は、被験者の異なる特性を考慮することによって、クラスタリングを容易にする。ある研究¹⁷は、学生の専門家が多ければ多いほど、実装される空間的および時間的情報処理戦略がより効果的であることを発見した。この研究で使用された測定パラメータの説明表は、下記の表1で参照することができます。

表1:視線追跡技術で得られるほとんどの代表的なパラメータは、カイス、ザパライン、マルティコレナ、ベラスコ(2019)から適応した。²⁰  このテーブルをダウンロードするには、ここをクリックしてください。

学習過程の研究にアイトラッキング手法を適用
^技術の進歩と上記のデータ分析技術を用いると、情報処理のさまざまな段階(タスク開始、情報処理、タスク解決)における問題解決中の学習者の行動分析に対して、より精度が高くなります。それはすべて、個々の行動分析を容易にし、同様の特性を持つ学生のグループ化を可能にします²⁴.同様に、予測手法(ディシジョン・ツリー、回帰手法など)²⁵は、固定の数と各学生のタスク解決結果の両方に関連する学習に適用することができます。この機能は、各学生がどのように学習するか、および異なるグループ(学習困難の有無にかかわらず)内のパーソナライズされた学習プログラムの提案に関する知識において非常に重要な^{進歩です。}したがって、この技術の使用は、学習²⁷のパーソナライゼーションと最適化の達成に貢献します。社会の知識は絶えず進歩し、進歩しているので、生涯学習は継続的な改善のサイクルとして理解されなければなりません。進化心理学は、情報処理における解像度のスキルと有効性が年齢とともに低下することを示しています。具体的には、成人のサッカデ頻度、振幅、および眼球運動の速度が年齢とともに減少することが分かってきた。また、高齢では、視覚シーンの下部領域に注目が集まって、ワーキングメモリ¹⁴の赤字に関連しています。それにもかかわらず、活性化は、タスク解決におけるこれらの赤字を補うように見える、高齢で前頭前および前頭前領域で増加します。この側面には、以前の知識のレベルと、被験者が適用できる認知補正戦略が含まれます。経験豊富な参加者は、自動化された監督プロセスの適用により、より効果的に注意を管理するので、より効率的に学びます²⁸.また、学習する情報がSRL技術を介して付与される場合、前述の欠陥は¹⁷を軽減する。このような手法を使用すると、視覚的な追跡パターンは、事前知識のない被験体と予備知識⁷の被験者の両方で、非常に類似していることを意味します。

要約すると、高度な学習(アイトラッキング)技術を用いて得られたSRL上のマルチモーダルマルチチャネルデータの分析は、認知、メタ認知、動機付けプロセス間の相互作用、および学習²⁹への影響を理解する上で重要である。学習の結果と違いの研究は、学習教材と知的家庭教師システムの設計に影響を及ぼし、どちらも学生³⁰にとってより効果的で満足のいくパーソナライズされた学習を可能にする。

この研究では、(1)学習結果と美術史の専門家と非専門家の教師との間の眼の固定パラメータに大きな違いがあり、公式の学位を持つ学生と非公式の学位を持つ学生(経験の大学 – 成人教育)の2つの質問がありましたか?(2)学習結果と眼の固定パラメータを持つ各参加者のクラスターは、参加者の種類(公式の学位を持つ学生、非公式の学位を持つ学生(経験の大学 – 成人教育)と教師と一致しますか?