Технологии слежения за глазами и методы обработки данных, используемые для поведенческого анализа взрослых, участвующих в учебных процессах

Методология слежения за глазами, применяемая к поведенческому анализу в обучении
Методология слежения за глазами, среди других функциональных применений, применяется к изучению поведения человека, особенно во время решения задачи. Этот метод облегчает мониторинг и анализ во время выполнения учебных задач¹. В частности, уровни внимания студентов в разных точках учебного процесса (начало, развитие и конец) по различным предметам (история, математика, наука и т.д.) могут быть изучены с использованием технологии слежения за глазами. Кроме того, если задача включает в себя использование видео с голосом, который направляет процесс обучения, саморегулируемое обучение (SRL) облегчается. Таким образом, внедрение технологии слежения за глазами в анализе задач, к которым SRL (которые включают использование видео) предлагается в качестве важного ресурса, чтобы понять,^{как обучение развивается 2,3,4}. Эта комбинация также будет означать, что различия между учебными методами (с или без SRL и т.д.) могут быть проверены с различными типами студентов (с или без предварительного знания и т.д.) ^5.В отличие от этого, представление многоканальной информации (одновременное представление как слуховой, так и визуальной информации, будь то устной, письменной или живописной) может облегчить как запись, так и анализ соответствующей и не соответствующей информации из вышеупомянутых^{переменных 6}. Студенты с предварительными знаниями, подверженными мультимедийным каналам обучения, как представляется, учатся более эффективно, чем те, у кого практически нет предварительных знаний. Студенты с высоким уровнем предварительного знания предмета будут интегрировать текстовую и графическую информацию более эффективно⁷. Эта функциональность была замечена в изучении текстов^{8, которые} включают изображения⁹. Технология слежения за глазами предлагает информацию о том, где сосредоточено внимание и как долго. Эти данные дают представление о развитии учебного процесса более точным способом, чем простое наблюдение за процессом разрешения во время выполнения задачи. Кроме того, анализ этих показателей облегчает изучение того, развивается ли у студента глубокое или поверхностное обучение. Кроме того, взаимосвязь между этими данными и результатами обучения облегчает проверку информации, полученной с помощью^{технологии слежения за глазами 4,10}. В самом деле, этот метод вместе с SRL все чаще используются в высшем^{образовании и в взрослых образования 11} учебных сред, как на регулируемых и на нерегулируемых^{курсов 12}.

Технология слежения за глазами предлагает различные метрики: расстояние, скорость, ускорение, плотность, дисперсия, угловая скорость, переходы между областями интереса (AOI), последовательный порядок AOI, посещения в фиксациях, саккады, путь сканирования и параметры тепловой карты. Однако интерпретация этих данных является сложной и требует использования контролируемых (регрессия, деревья решений и т.д.) и неконтролируемых (методы кластерного кластера k-means и т.д.) ^{13,14 методов} обработки данных. Эти метрики могут быть применены для мониторинга поведения одного и того же субъекта с течением времени или для сравнения между несколькими предметами и их производительность с той же^{задачей 15}, путем анализа разницы между участниками с предыдущими знаниями по сравнению с не предыдущие^{знания 16}. Недавние^{исследования 11,17 показал,} что начинающие ученики зациклиться дольше на стимулы (т.е., есть большая частота фиксации в то время как аналогичные модели сканирования пути регистрируются). Средняя продолжительность фиксации была больше для экспертов, чем для новичков. Эксперты представили свое внимание на средних точках информации (проксимальной и центральной), различия, которые также можно увидеть в точках визуализации в AOI на тепловых картах.

Интерпретация метрик в отслеживании глаз
Недавние^{исследования 18} показали, что получение информации связано с числом глазных фиксаций на стимулах. Другим важным показателем является саккада, которая определяется как быстрое и внезапное движение фиксации с интервалом в 10 мс, 100 мс. Шарафи и др. (2015)¹⁸ обнаружили различия в количестве саккад, в зависимости от фазы кодирования информации студента. Другим актуальным параметром является сканирование-путь, метрика, которая отражает хронологический порядок шагов, которые участник выполняет для решения задачи обучения в AOI, определенной исследователем¹⁸. Аналогичным образом, технология слежения за глазами может быть использована для прогнозирования уровня понимания участника, который, как представляется, связан с числом фиксаций. Недавние исследования показали, что изменчивость поведения взгляда определяется свойствами изображения (позиция, интенсивность, цвет и ориентация), инструкциями по выполнению задачи и типом обработки информации (стиль обучения) участника. Эти различия обнаруживаются путем анализа взаимодействия студента с различными AOI¹⁹. Количественные²⁰ (частотный анализ) и/или качественные^{или динамические 21} (путь сканирования) методы могут быть использованы для анализа данных, собранных из различных метрик. Первые методы анализируются с помощью традиционных статистических методов (частотный анализ, средняя разница, разница в дисперсии и т.д.), а последние анализируются с помощью методов машинного обучения (евклидовые расстояния^{с методами редактирования строк 21,22}и^{кластеризация 17).} Применение этих методов облегчает кластеризацию, рассматривая различные характеристики предметов. Одно исследование^{17 показало,} что чем больше эксперт студент, тем более эффективна пространственная и временная стратегия обработки информации, которая реализуется. С описательной таблицей параметров измерений, которые использовались в данном исследовании, можно ознакомиться ниже в таблице 1.

Таблица 1: Большинство репрезентативных параметров, которые могут быть получены с помощью метода слежения за глазами, адаптированного из Саиса, Сапараин, Мартикорена и Веласко (2019). ^{20 Лет}   Пожалуйста, нажмите здесь, чтобы загрузить эту таблицу.

Применение методологии слежения за глазами к изучению учебного процесса
Использование технологических достижений и методов анализа данных, описанных^{выше 5, добавит} большей точности поведенческому анализу учащихся на различных этапах обработки информации (инициирование задач, обработка информации и решение задач). Все это облегчит индивидуальный поведенческий анализ, который, в свою очередь, позволит группировке студентов с аналогичными характеристиками²⁴. Аналогичным образом, прогностический методы (деревья решений, регрессионные методы и т.д.) ^{25 могут} быть применены к обучению, связанные как с количеством фиксаций, так и с результатами решения задач каждого студента. Эта функциональность является очень важным шагом вперед в знании о том, как каждый студент учится и для предложения персонализированных учебных программ в различных группах (люди с или без трудностей^{обучения 26}). Таким образом, использование этой техники будет способствовать достижению персонализации и оптимизации обучения²⁷. Обучение на всю жизнь должно пониматься как цикл непрерывного совершенствования, поскольку знания общества постоянно развиваются и развиваются. Эволюционная психология показывает, что навыки разрешения и эффективность обработки информации уменьшаются с возрастом. В частности, частота саккады, амплитуда и скорость движений глаз среди взрослых, как было установлено, уменьшаются с возрастом. Кроме того, в пожилом возрасте внимание сосредоточено на нижних областях визуальных сцен, что связано с дефицитом рабочей памяти^14. Тем не менее, активация увеличивается в лобных и префронтальных областях в более старшем возрасте, что, как представляется, компенсирует эти дефициты в разрешении задач. Этот аспект включает в себя уровень предыдущих знаний и когнитивных стратегий компенсации, что субъект может применяться. Опытные участники учатся более эффективно, так как они управляют вниманием более эффективно, благодаря применению автоматизированных процессов надзора^28. Кроме того, если информация, которая будет изучена, передается с помощью методов SRL, вышеупомянутые недостатки^{смягчаются 17}. Использование таких методов означает, что визуальные модели отслеживания очень похожи, как в предметах без предварительных знаний, так и в предметах с предварительными^{знаниями 7}.

Таким образом, анализ мультимодно-многоканальных данных о SRL, полученных с использованием передовых технологий обучения (отслеживания глаз), является ключом к пониманию взаимодействия между когнитивными, метакогнитивными и мотивационными процессами, а также их влияние на^{обучение 29}. Результаты и изучение различий в обучении имеют последствия для разработки учебных материалов и интеллектуальных систем обучения, оба из которых позволят персонализированное обучение, которое, вероятно, будет более эффективным и удовлетворительным для^{студента 30}.

В этом исследовании, было два исследования вопросы: (1) Будут ли значительные различия в результатах обучения и в глазной фиксации параметров между студентами и экспертами по сравнению с неэкспертными учителями в истории искусства дифференциации студентов с официальными степенями по сравнению со студентами с неопернитными степенями (Университет опыта – Образование для взрослых)? и (2) Будут ли кластеры каждого участника с результатами обучения и параметрами глазной фиксации совпадать с типом участников (студенты с официальными степенями, студенты с нео должностной степенью (Университет опыта – Образование для взрослых) и преподаватели)?