Ögonspårningsteknik och datautvinningstekniker som används för en beteendeanalys av vuxna som deltar i inlärningsprocesser

Ögonspårningsmetodik tillämpad på beteendeanalys i lärande
Ögonspårningsmetodik, bland andra funktionella användningsområden, tillämpas på studier av mänskligt beteende, särskilt under uppgiftsupplösning. Denna teknik underlättar övervakning och analys under slutförandet av inlärningsuppgifter¹. Specifikt kan uppmärksamhetsnivåerna hos studenter vid olika punkter i inlärningsprocessen (start, utveckling och slut) i olika ämnen (historia, matematik, vetenskap etc.) studeras med hjälp av ögonspårningsteknik. Dessutom, om uppgiften inkluderar användning av videor med en röst som vägleder inlärningsprocessen, underlättas självreglerad inlärning (SRL). Därför föreslås implementering av eyetracking-teknik i analysen av uppgifter som SRL (som inkluderar användning av videor) som en betydande resurs för att förstå hur lärande utvecklas^2,3,4. Denna kombination kommer också att innebära att skillnaderna mellan undervisningsmetoder (med eller utan SRL etc.) kan kontrolleras med olika typer av studenter (med eller utan förkunskaper etc.) ^5.Presentationen av flerkanalsinformation (samtidig presentation av både auditiv och visuell information, oavsett om den är muntlig, skriftlig eller bildmässig) kan däremot underlätta både registrering och analys av relevant kontra icke-relevant information från ovannämnda variabler⁶. Studenter med förkunskaper som exponeras för multimediainlärningskanaler verkar lära sig mer effektivt än de med liten eller ingen förkunskaper. Studenter med hög grad av förkunskaper i ämnet kommer att integrera text- och grafisk information mer effektivt⁷. Denna funktion har observerats i inlärningen av texter⁸ som innehåller bilder⁹. Eyetracking-teknik ger information om var uppmärksamheten är fokuserad och hur länge. Dessa data ger insikt i utvecklingen av en inlärningsprocess på ett mer exakt sätt än genom enkel observation av resolutionsprocessen under slutförandet av en uppgift. Analysen av dessa indikatorer underlättar också studien av om studenten utvecklar djupt eller ytligt lärande. Dessutom underlättar förhållandet mellan dessa data och inlärningsresultaten valideringen av den information som erhållits med ögonspårningsteknik^4,10. Faktum är att denna teknik tillsammans med SRL i allt högre grad används i högre utbildning och i vuxenutbildning¹¹ lärmiljöer, både på reglerade och på icke-reglerade kurser¹².

Ögonspårningsteknik erbjuder olika mätvärden: avstånd, hastighet, acceleration, densitet, spridning, vinkelhastighet, övergångar mellan AOI (Areas of Interest), sekventiell ordning av AOI, besök i fixeringarna, saccades, skanningsbanan och värmekartaparametrarna. Tolkningen av dessa uppgifter är dock komplex och kräver användning av övervakade (regression, beslutsträd osv.) och oövervakade (k-medel klustertekniker osv.) ^13,14 datautvinningstekniker. Dessa mått kan tillämpas för att övervaka beteendet hos samma ämne över tid eller för en jämförelse mellan flera ämnen och deras prestanda med samma^{uppgift 15}, genom att analysera skillnaden mellan deltagare med förkunskaper kontra ingen tidigare kunskap¹⁶. Ny forskning^11,17 har visat att nybörjare lärlingar fixera längre på stimuli (dvs. det finns en större fixeringsfrekvens medan liknande scan-path mönster registreras). Den genomsnittliga varaktigheten av fixering var längre för experter än för nybörjare. Experterna presenterade sitt fokus på informationens mittpunkter (proximala och centrala), skillnader som också kan ses i visualiseringspunkterna inom AOI på värmekartorna.

Tolkning av mätvärden i ögonspårning
Nyligen^{genomförda studier 18} har visat att informationsförvärv är relaterat till antalet okulär fixeringar på stimuli. Ett annat viktigt mått är saccade, som definieras som den snabba och plötsliga rörelsen för en fixering med ett intervall på [10 ms, 100 ms]. (2015)¹⁸ fann skillnader i antalet saccades, beroende på studentens informationskodningsfas. En annan relevant parameter är skanningssökvägen, ett mått som fångar den kronologiska ordningen för de steg som deltagaren utför för att lösa inlärningsuppgiften inom AOI som definieras av^{forskaren 18}. På samma sätt kan ögonspårningsteknik användas för att förutsäga deltagarens förståelsenivå, som verkar vara relaterad till antalet fixeringar. Nyligen genomförda studier har visat att variation i blickbeteende bestäms av bildens egenskaper (position, intensitet, färg och orientering), instruktionerna för att utföra uppgiften och typen av informationsbehandling (inlärningsstil) för deltagaren. Dessa skillnader upptäcks genom att analysera studentens interaktion med de olika AOI¹⁹. Kvantitativa^20-tekniker (frekvensanalys) och/eller kvalitativa^{eller dynamiska 21-tekniker} (genomsökningssökväg) kan användas för att analysera data som samlats in från de olika mätvärdena. De tidigare teknikerna analyseras med traditionella statistiska tekniker (frekvensanalys, genomsnittlig skillnad, variansskillnad etc.) och de senare analyseras med maskininlärningstekniker (euklidiska avstånd med strängredigeringsmetoder^21,22och klustring¹⁷). Tillämpningen av dessa tekniker underlättar klustring genom att överväga olika egenskaper hos försökspersonerna. En studie¹⁷ fann att desto mer expert studenten, desto effektivare är den rumsliga och tidsmässiga informationsbehandlingsstrategi som genomförs. En beskrivande tabell över de mätparametrar som användes i denna studie finns nedan i tabell 1.

Tabell 1: De flesta representativa parametrar som kan erhållas med ögonspårningstekniken, anpassad från Sáiz, Zaparaín, Marticorena och Velasco (2019). ^{20 (på 20)}   Klicka här för att ladda ner den här tabellen.

Tillämpning av ögonspårningsmetoden på studien av inlärningsprocessen
Användningen av de tekniska framstegen och de dataanalystekniker som beskrivs^{ovan 5 kommer} att öka precisionen i beteendeanalysen av elever under problemlösning i de olika faserna av informationsbehandling (uppgiftsinitiering, informationsbehandling och uppgiftslösning). Det kommer alla att underlätta individuell beteendeanalys, vilket i sin tur kommer att tillåta gruppering av studenter med liknande egenskaper²⁴. På samma sätt, prediktiva tekniker (beslutsträd, regressionstekniker etc.) ²⁵ kan tillämpas på lärande, både relaterat till antalet korrigeringar och till varje elevs uppgiftsupplösningsresultat. Denna funktionalitet är ett mycket viktigt framsteg i kunskapen om hur varje elev lär sig och för förslaget om personliga inlärningsprogram inom olika grupper (personer med eller utan inlärningssvårigheter²⁶). Därför kommer användningen av denna teknik att bidra till uppnåendet av anpassning och optimering av lärande²⁷. Livslångt lärande måste förstås som en cykel av ständiga förbättringar eftersom kunskapen om samhället ständigt utvecklas och utvecklas. Evolutionspsykologi indikerar att upplösningsförmåga och effektivitet i informationsbehandling minskar med åldern. Specifikt har saccade frekvens, amplitud och hastighet av ögonrörelser bland vuxna visat sig minska med åldern. Dessutom, i äldre åldrar, är uppmärksamheten fokuserad på de nedre områdena av visuella scener, vilket är relaterat till underskott i^{arbetsminnet 14}. Aktiveringen ökar dock i frontal- och prefrontala områden i en äldre ålder, vilket verkar kompensera för dessa brister i uppgiftsresolutionen. Denna aspekt inkluderar nivån på förkunskaper och de kognitiva kompensationsstrategier som ämnet kan tillämpa. Erfarna deltagare lär sig mer effektivt, eftersom de hanterar uppmärksamhet mer effektivt, på grund av tillämpningen av automatiserade övervakningsprocesser²⁸. Dessutom, om den information som ska läras förmedlas genom SRL-tekniker, mildras de ovannämnda bristerna¹⁷. Användningen av sådana tekniker innebär att visuella spårningsmönster är mycket lika, både hos ämnen utan förkunskaper och i ämnen med förkunskaper⁷.

Sammanfattningsvis är analysen av multimodala flerkanalsdata om SRL som erhållits med hjälp av avancerad inlärningsteknik (eyetracking) nyckeln till att förstå interaktionen mellan kognitiva, metakognitiva och motiverande processer och deras inverkan på^{lärande 29}. Resultaten och studien av skillnader i lärande har konsekvenser för utformningen av läromedel och intelligenta handledningssystem, som båda kommer att möjliggöra personligt lärande som sannolikt kommer att vara mer effektivt och tillfredsställande för studenten³⁰.

I denna forskning ställdes två utredningsfrågor: (1) Kommer det att finnas betydande skillnader i inlärningsresultat och i parametrarna för okulär fixering mellan studenter och experter kontra icke-expertlärare i konsthistoria som skiljer studenter med officiella examina jämfört med studenter med icke-officiella examina (University of Experience – Adult education)? och (2) Kommer kluster av varje deltagare med inlärningsresultat och okulär fixeringsparametrar att sammanfalla med typen av deltagare (studenter med officiella examina, studenter med icke-officiella examina (University of Experience – Adult education) och lärare)?