Öğrenme Süreçlerine Dahil Olan Yetişkinlerin Davranış Analizi için Kullanılan Göz İzleme Teknolojisi ve Veri Madenciliği Teknikleri
Summary
Öğrenme süreçlerine katılan yetişkinlerin (18 ila 70 yaş arası) davranışsal analizi için bir protokol sunuyoruz, Kendi Kendini Düzenleyen Öğrenme (SRL) için tasarlanmış görevleri üstleniyoruz. Katılımcılar, üniversite öğretmenleri ve öğrencileri ile Deneyim Üniversitesi’nden yetişkinler göz takip cihazları ile izlendi ve veriler veri madenciliği teknikleri ile analiz edildi.
Abstract
Öğrenme görevleriyle uğraşan yetişkinlerin davranışsal analizi, yetişkin eğitimi alanında önemli bir zorluktur. Günümüzde, sürekli teknolojik değişimlerin ve bilimsel gelişmelerin olduğu bir dünyada, hem örgün hem de yaygın eğitim ortamlarında yaşam boyu öğrenme ve eğitime ihtiyaç vardır. Bu zorluğa yanıt olarak, denetimli (esas olarak tahmin) ve denetimsiz (özellikle küme analizi) öğrenme için sırasıyla göz izleme teknolojisinin ve veri madenciliği tekniklerinin kullanılması, kullanıcılar arasında öğrenme biçimlerinin tespiti ve/veya öğrenme tarzlarının sınıflandırılması için yöntemler sağlar. Bu çalışmada, farklı yaşlarda (18 ila 69 yaş) ve öğrenme süreci boyunca farklı noktalarda (başlangıç ve bitiş) önceden bilgisi olan ve olmayan yetişkinler arasında öğrenme stillerinin incelenmesi için bir protokol önerilmiştir. İstatistiksel varyans analizi teknikleri, katılımcılar arasında öğrencinin türüne ve göreve ilişkin önceki bilgilere göre farklılıkların tespit edilebileceği anlamına gelir. Aynı şekilde, denetimsiz öğrenme kümeleme tekniklerinin kullanılması, farklı gruplardaki katılımcılar arasında benzer öğrenme biçimlerine ışık oluşturur. Tüm bu veriler, bilgi işlem zincirinin farklı noktalarında her görevin sunumu için öğretmenden kişiselleştirilmiş önerileri kolaylaştıracaktır. Aynı şekilde öğretmenin öğretim materyallerini benzer özelliklere sahip her öğrencinin veya öğrenci grubunun öğrenme ihtiyaçlarına uyarlaması daha kolay olacaktır.
Introduction
Öğrenmede davranış analizine uygulanan göz izleme metodolojisi
Göz izleme metodolojisi, diğer fonksiyonel kullanımların yanı sıra, özellikle görev çözünürlüğü sırasında insan davranışının incelenmesine uygulanır. Bu teknik, öğrenme görevlerinin tamamlanması sırasında izleme ve analizi kolaylaştırır1. Özellikle, öğrencilerin farklı konulardaki (Tarih, Matematik, Fen Bilimleri vb.) öğrenme sürecinin farklı noktalarındaki (başlangıç, gelişim ve bitiş) dikkat düzeyleri göz izleme teknolojisi kullanılarak incelenebilir. Buna ek olarak, görev öğrenme sürecine rehberlik eden bir sesle video kullanımını içeriyorsa, Kendi Kendini Düzenleyen Öğrenme (SRL) kolaylaştır edilir. Bu nedenle, SRL’nin (video kullanımını içeren) görevlerin analizinde göz izleme teknolojisinin uygulanması, öğrenmenin nasıl geliştirildiğini anlamak için önemli bir kaynak olarak önerilmektedir2,3,4. Bu kombinasyon aynı zamanda öğretim yöntemleri arasındaki farkların (SRL olsun veya olmasın, vb.) farklı öğrenci türleriyle (önceden bilgisi olsun veya olmasın vb.) kontrol edilebileceği anlamına gelir. 5.Buna karşılık, çok kanallı bilgilerin sunumu (sözel, yazılı veya resimsel olsun, hem işitsel hem de görsel bilgilerin eşzamanlı sunumu) yukarıda belirtilen değişkenlerden ilgili ve ilgili olmayan bilgilerin kaydedilmesi ve analizini kolaylaştırabilir6. Multimedya öğrenme kanallarına maruz kalan önceden bilgi sahibi olan öğrenciler, önceden çok az bilgisi olan veya hiç bilgisi olmayanlardan daha etkili bir şekilde öğreniyor gibi görünmektedir. Konuyla ilgili önceden yüksek düzeyde bilgi sahibi olan öğrenciler, metinsel ve grafiksel bilgileri daha etkili bir şekilde entegre edecektir7. Bu işlevsellik, görüntüleri içerenmetinlerin 8 öğrenilirken gözlemlenmiştir9. Göz izleme teknolojisi, dikkatin nereye ve ne kadar süreyle odaklanıldığı hakkında bilgi sunar. Bu veriler, bir görevin tamamlanması sırasında çözüm sürecinin basit gözlemlenmesinden daha kesin bir şekilde bir öğrenme sürecinin gelişimi hakkında fikir verir. Ayrıca, bu göstergelerin analizi, öğrencinin derin veya yüzeysel öğrenme geliştirip geliştirmediğinin incelenmesini kolaylaştırır. Ayrıca, bu veriler ile öğrenme sonuçları arasındaki ilişki, göz izleme teknolojisi4,10ile elde edilen bilgilerin doğrulanmasını kolaylaştırır. Aslında, SRL ile birlikte bu teknik Yükseköğretimde ve Yetişkin Eğitiminde11 öğrenme ortamında, hem düzenlenmiş hem de düzenlenmemiş derslerde giderek daha fazla kullanılmaktadır12.
Göz izleme teknolojisi farklı ölçümler sunar: mesafe, hız, hızlanma, yoğunluk, dağılım, açısal hız, İlgi Alanları (AOI) arasındaki geçişler, AOI’nin sıralı sırası, fiksasyonlarda ziyaretler, saccades, tarama yolu ve ısı haritası parametreleri. Bununla birlikte, bu verilerin yorumlanması karmaşıktır ve denetimli (gerileme, karar ağaçları vb.) ve denetimsiz (k-means küme teknikleri vb.) kullanılmasını gerektirir. 13,14 veri madenciliği tekniği. Bu ölçümler, zaman içinde aynı konunun davranışını izlemek veya birkaç konu ile aynı görev15ile performansları arasında bir karşılaştırma için, önceki bilgiye sahip katılımcılar ile önceki bilgisi olmayan arasındaki farkı analiz ederek uygulanabilir16. Son araştırmalar11,17 acemi çırakların uyaranlara daha uzun süre sabitlendiğini ortaya koydu (yani, benzer tarama yolu desenleri kaydedilirken daha büyük bir sabitleme sıklığı vardır). Ortalama fiksasyon süresi uzmanlar için acemilere göre daha uzundu. Uzmanlar, dikkatlerini bilgilerin orta noktalarına (proksimal ve merkezi), ısı haritalarındaki AOI içindeki görselleştirme noktalarında da görülebilecek farklılıklara sundular.
Göz takibinde ölçümlerin yorumlanması
Son çalışmalar18, bilgi edinmenin uyaranlar üzerindeki oküler fiksasyonların sayısıyla ilgili olduğunu belirtmiştir. Bir diğer önemli metrik, [10 ms, 100 ms] aralıklarla bir fiksasyonun hızlı ve ani hareketi olarak tanımlanan saccade’dir. Sharafi ve ark. (2015)18, öğrencinin bilgi kodlama aşamasına bağlı olarak saccade sayısında farklılıklar buldu. Bir diğer ilgili parametre, katılımcının araştırmacı tarafından tanımlanan AOI içindeki öğrenme görevinin çözümü için gerçekleştirdiği adımların kronolojik sırasını yakalayan bir ölçüm olan taramayoludur 18. Benzer şekilde, göz izleme teknolojisi, katılımcının fiksasyon sayısıyla ilgili görünen anlayış düzeyini tahmin etmek için kullanılabilir. Son çalışmalar, bakış davranışındaki değişkenliğin görüntünün özelliklerine (konum, yoğunluk, renk ve yönelim), görevi gerçekleştirme talimatlarına ve katılımcının bilgi işleme türüne (öğrenme stili) göre belirlendiğini belirtmiştir. Bu farklılıklar, öğrencinin farklı AOI19ile etkileşimi analiz ederek tespit edilir. Farklı metriklerden toplanan verileri analiz etmek için nicel20 (frekans analizi) ve/veya nitel veya dinamik21 (tarama yolu) teknikleri kullanılabilir. Eski teknikler geleneksel istatistiksel tekniklerle (frekans analizi, ortalama fark, varyans farkı vb.) analiz edilir ve ikincisi Makine Öğrenimi teknikleri ile analiz edilir (Dize düzenleme yöntemleri21 , 22ve kümeleme17ileÖklidmesafeleri). Bu tekniklerin uygulanması, deneklerin farklı özelliklerini göz önünde bulundurarak kümelenmeyi kolaylaştırır. Bir çalışma17, öğrenci ne kadar uzman olursa, uygulanan mekansal ve zamansal bilgi işleme stratejisinin o kadar etkili olduğunu buldu. Bu çalışmada kullanılan ölçüm parametrelerinin açıklayıcı bir tablosuna aşağıdaki Tablo 1’debaşvurulabilir.
Tablo 1: Sáiz, Zaparaín, Marticorena ve Velasco’dan (2019) uyarlanan göz izleme tekniği ile elde edilebilen çoğu temsili parametre. 20 Bu Tabloyu indirmek için lütfen tıklayınız.
Göz izleme metodolojisinin öğrenme sürecinin çalışmasına uygulanması
Yukarıda açıklanan teknolojik gelişmelerin ve veri analizi tekniklerinin kullanımı, bilgi işlemenin farklı aşamalarında (görev başlatma, bilgi işleme ve görev çözümü) problem çözme sırasında öğrencilerin davranış analizine daha fazla hassasiyet katacaktır. Hepsi bireysel davranış analizini kolaylaştıracak, bu da benzer özelliklere sahip öğrencilerin gruplandırılmasına izin verecek24. Aynı şekilde tahmin teknikleri (karar ağaçları, regresyon teknikleri vb.) 25, hem fiksasyon sayısı hem de her öğrencinin görev çözüm sonuçları ile ilgili olarak öğrenmeye uygulanabilir. Bu işlevsellik, her öğrencinin nasıl öğrendiği konusunda ve farklı gruplar içinde kişiselleştirilmiş öğrenme programlarının önerildi (öğrenme güçlüğü çeken veya olmayan kişiler26). Bu nedenle, bu tekniğin kullanımı kişiselleştirme ve öğrenme optimizasyonuna katkıda bulunacaktır27. Toplum bilgisi sürekli ilerlediklerinden ve ilerlediklerinden, yaşam boyu öğrenme sürekli bir gelişim döngüsü olarak anlaşılmalıdır. Evrimsel psikoloji, çözüm becerilerinin ve bilgi işlemedeki etkinliğin yaşla birlikte azaldığını gösterir. Özellikle, yetişkinler arasında saccade sıklığı, genliği ve göz hareketlerinin hızının yaşla birlikte azaldığı bulunmuştur. Ek olarak, daha büyük yaşlarda, dikkat, çalışma belleğindeki eksikliklerle ilgili görsel sahnelerin alt alanlarına odaklanır14. Bununla birlikte, aktivasyon daha büyük yaşlarda ön ve prefrontal alanlarda artar ve bu da görev çözünürlüğündeki bu açıkları telafi eder gibi görünmektedir. Bu husus, önceki bilgi düzeyini ve konunun uygulayabileceği bilişsel telafi stratejilerini içerir. Deneyimli katılımcılar, otomatik gözetim süreçlerinin uygulanması nedeniyle dikkati daha etkili yönettiklerinden daha verimli öğrenirler28. Ek olarak, öğrenilecek bilgiler SRL teknikleri ile verilirse, yukarıda belirtilen eksiklikler hafifletilir17. Bu tür tekniklerin kullanılması, görsel izleme kalıplarının hem önceden bilgisi olmayan konularda hem de önceden bilgisi olan konularda çok benzer olduğu anlamına gelir7.
Özetle, gelişmiş öğrenme (göz izleme) teknolojilerinin kullanımıyla elde edilen SRL’deki çok kanallı verilerin analizi, bilişsel, üst bilişsel ve motivasyonel süreçler arasındaki etkileşimi ve bunların öğrenme üzerindeki etkilerini anlamanın anahtarıdır29. Sonuçların ve öğrenmedeki farklılıkların incelenmesi, her ikisi de öğrenci için daha etkili ve tatmin edici olması muhtemel kişiselleştirilmiş öğrenmeyi sağlayacak olan öğrenme materyallerinin ve akıllı özel ders sistemlerinin tasarımı üzerinde etkileri vardır30.
Bu araştırmada iki soruşturma sorusu soruldu: (1) Öğrenme sonuçlarında ve öğrenciler ile uzman ve uzman olmayan öğretmenler arasında, resmi dereceleri olan öğrenciler ile resmi olmayan derecelere sahip öğrenciler arasında farklılaşan oküler fiksasyon parametrelerinde (Deneyim Üniversitesi – Yetişkin eğitimi) önemli farklılıklar olacak mı? ve (2) Her katılımcının öğrenme sonuçları ve oküler fiksasyon parametrelerine sahip kümeleri, katılımcıların türüyle (resmi dereceleri olan öğrenciler, resmi olmayan derecelere sahip öğrenciler (Deneyim Üniversitesi – Yetişkin eğitimi) ve öğretmenler) çakışacak mı?
Protocol
Representative Results
Discussion
Araştırma sonuçları, ilgili uyaranlardaki ortalama fiksasyon süresinin daha önce bilgisi olan katılımcılar arasında daha uzun olduğunu gösterdi. Aynı şekilde, bu gruba dikkat çekmek, orta bilgi noktaları (proksimal ve distal)7. Bu çalışmanın sonuçları, katılımcıların bilgileri işleme biçimindeki farklılıkları ortaya koydu. Ayrıca, işlemeleri her zaman ilk gruplandırma ile bağlantılı değildi (Deneyim Üniversitesi Öğrencileri, Üniversite Öğretmenleri ve Y?…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Çalışma, Avrupa Komisyonu tarafından finanse edilen “SmartArt Erasmus+ Yetişkin Eğitiminde Kendi Kendini Düzenleyen Öğrenme” Projesi kapsamında geliştirilmiştir 2019-1-ES01-KA204-095615-Koordinatör 6. Görev tamamlama aşamasının videosu Rut Velasco Sáiz’in önceden bilgilendirilmiş onayına sahipti. Öğretmen ve öğrencilerin görev uygulama aşamasına katılımını takdirle karşılıyoruz.
Materials
| iViewer XTM | iViewer | ||
| SMI Experimenter Center 3.0 | SMI | ||
| SMI Be Gaze | SMI |
References
- 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)
