Engagement spiller en afgørende rolle i at lære. For Clark og Mayer ^2, "al læring kræver engagement," uanset levering medier. Zhang et al. ³ også foreslået, at øget elevernes engagement kan forbedre læringsresultater, såsom problemløsning og kritisk tænkning. Definition af engagement er fortsat en udfordring. I deres litteraturgennemgang, Fredricks, Blumenfeld og Paris ¹ definerede engagement ved sin mange facetter: "Behavioural engagement trækker på ideen om at deltage; det omfatter involvering i faglige og sociale eller fritidsaktiviteter. (…) Følelsesmæssig engagement omfatter positive og negative reaktioner på lærere, klassekammerater, akademikere og skole og formodes at skabe bånd til et objekt og indflydelse vilje til at gøre arbejdet. Endelig kognitiv engagement trækker på ideen om mental investeringer; det indeholder omtanke og vilje til at udøve den indsats halvendigt at forstå komplekse ideer og master vanskelige færdigheder. "

Fredricks, Blumenfeld og Paris ¹ hævdede også, at fokus på adfærd, følelser og kognition, omfattet af begrebet engagement, kan give en rigere karakterisering af læring. Disse forfattere påpegede, at en solid mængde forskning adresserer hver komponent af engagement separat, men disse komponenter var ikke blevet undersøgt i forbindelse. De bemærkede også, at lidt information til rådighed om interaktioner mellem dimensionerne, og at flere undersøgelser kan bidrage til planlægningen af ​​fint afstemte pædagogiske interventioner. Som et skridt i den retning, dette papir beskriver en forskningsmetodologi, der blev udviklet for at indsamle og analysere kvantitative og kvalitative data, synkront, på adfærdsmæssige, følelsesmæssige og kognitive engagement under læring opgaver.

At bringe de Neurosciences i Uddannelse

Behavior, og dermed adfærdsmæssige engagement, har længe været det centrale fokus for studier i uddannelse: forskningsdesign fokuseret primært på ændringer i viden og adfærd, der forekommer over lange perioder, mellem præ- og post-test, og over intervaller på timer, uger , måneder eller år. Skelne mellem adfærdsmæssige, følelsesmæssige og kognitive engagement er fortsat en udfordring, fordi de sidste to dimensioner er ikke systematisk observeres eksternt. Kognition og følelser skal enten udledes fra observationer eller vurderet med selvrapportering foranstaltninger. Fra en ekstern synsvinkel, er det stadig vanskeligt at afgøre, om de studerende forsøger at få deres arbejde så hurtigt som muligt, eller ved hjælp af dyb niveau læringsstrategier at beherske et bestemt indhold. I punkt faktisk, Fredricks, Blumenfeld og Paris ¹ var ude af stand til at finde nogen offentliggjorte undersøgelser ved hjælp af direkte, objektive mål for kognitiv engagement.

Den seneste teknologiske udvikling inden forinden for neurovidenskab har skabt nye muligheder for forskning i uddannelse. Nye dataindsamlingsmetoder og analyse algoritmer udviklet i området for neuro ergonomi synes meget lovende for kvalitative og kvantitative undersøgelser under læring opgaver. Andre discipliner, såsom økonomi, psykologi, marketing og ergonomi, har brugt neurofysiologiske målinger til at vurdere kognitive engagement i nogen tid ^4-8. Neurofysiologiske foranstaltninger, kombineret med effektive analyse algoritmer, tillader en at studere et fænomen uden at forstyrre den. Efter deres natur, selvrapportering spørgeskemaer frigøre studerende fra læring. Neurofysiologiske foranstaltninger tillader forskningsdesign, der skal gennemføres i mere autentiske læringsmiljøer. Disse værktøjer omfatter udstyr til overvågning puls, vejrtrækning, blodtryk, kropstemperatur, pupildiameter, electrodermal aktivitet, elektroencefalografi (EEG), etc.

<strong> Gathering Synkroniseret Data om Behavioral, følelsesmæssig og kognitiv Engagement

Som repræsentative resultater efter brug af denne protokol, vil denne afhandling præsenterer delvise resultater af en undersøgelse, hvor eleverne skulle løse, på en computerskærm, ti problemer i mekanisk fysik. Disse problemer blev udviklet i tidligere arbejde ^9. Blev indsamlet neurofysiologiske data, mens eleverne var at løse problemerne og afslappende i løbet af en 45 s pause med lukkede øjne, efter hver problem.

Som nævnt ovenfor adfærdsmæssige engagement data består af software interaktioner (musebevægelser og klik), øje blik, ydeevne og svar på spørgsmål, der er fremstillet af en lærende interagere med systemet, mens udføre opgaven ^1. En eye-tracking system blev brugt til at indsamle software interaktioner og øje blik data. Ydelsesdata (tid til at løse et problem, korrekthed af svar) blev opsamlet på enUndersøgelsen hjemmeside, der blev brugt til at præsentere opgaven. Denne hjemmeside blev også brugt til at samle selv-rapport, der er indsamlet med et spørgeskema tilpasset fra Bradley og Lang ^10. Følelsesmæssig engagement indebærer karakterisering af følelser. Ifølge Lang ^11, er følelser karakteriseret i form af valens (behageligt / ubehageligt) og ophidselse (ro / vakt). Følelsesmæssig engagement data blev derfor indsamlet, med automatisk facial følelse anerkendelse software, der kvantificerer emotionel valens og en electrodermal aktivitet encoder / sensor til ophidselse ^12,13. Electrodermal aktivitet (EDA) henviser til den optagne elektriske modstand mellem to elektroder, når støt bestået en meget svag elektrisk strøm mellem dem. Cacioppo, Tassinary og Berntson ¹⁴ viste, at modstanden indspillet varierer alt efter motivets ophidselse. Således psykofysiologiske data, såsom valens eller ophidselse, betragtes som korrelater til følelsesmæssig engagement.

<pclass = "jove_content"> Endelig indsamles kognitive engagement data via elektroencefalografi (EEG). EEG foranstaltninger, på hovedbunden, den synkroniserede elektriske aktivitet af grupper af neuroner i hjernen. Elektriske signaler, der er optaget fra hovedbunden er ofte svingende og er sammensat af frekvens komponenter. Konventionelt er disse frekvenser grupperet i sekvenser, kendt som bands. For eksempel, alfa, beta og theta bands er i fokus i denne undersøgelse. Ifølge neurovidenskabelige undersøgelser ^14, disse bånd afspejler forskellige kognitive behandling evner i bestemte områder af hjernen. En analyse af power spectral density (PSD) af bestemte frekvenser, kombineret med talrige undersøgelser ^7,15 på årvågenhed og opmærksomhed, tillader forskerne at kvantificere kognitiv indgreb under en opgave. Som Mikulka et al. ¹⁶ bemærkede, forskning har vist en direkte sammenhæng mellem beta-aktivitet og kognitiv årvågenhed og et indirekte forhold mellem alfa end theta-aktivitet og årvågenhed. Således Pope, Bogart og Bartoleme ⁷ udviklet en engagement indeks, der beregner PSD af tre bands: beta / (alfa + theta). Dette forhold blev valideret i andre undersøgelser om engagement ^16,17,18. For at karakterisere kognitiv indgreb over tid, en Fast Fourier-transformation (FFT) konverterer EEG signalet fra hver aktive site (F3, F4, O1, O2) i en effektspektrum. EEG engagement indeks på tidspunkt T beregnes ved gennemsnittet af hver engagement forholdet inden for en 20 sek glidende vindue foregående tid T. Denne procedure gentages hvert sekund, og en ny glidende vindue bruges til at opdatere indekset.

Da formålet med denne metode er at give en rig analyse af de mange dimensioner af engagement, datasynkronisering er afgørende. Som Leger et al. ¹⁹ minde læserne, udstyrsproducenter stærkt anbefale at bruge kun én computer pr måling værktøj til at sikre deres specificerede præcision level. Således når flere computere er ansat, synkronisering mellem optagelse computere bliver et afgørende skridt. Optagelserne kan ikke alle være startede på nøjagtig samme tid, og hver datastrøm har sin specifikke tidsramme (f.eks sek 0 af eyetracking ≠ sec 0 af EEG eller fysiologiske data). Dette er yderst vigtigt: desynkronisering mellem datastrømme betyder fejl i kvantificering af hver dimension af engagement. Der er forskellige måder at synkronisere samtidige fysiologiske og adfærdsmæssige optagelser. Disse metoder kan opdeles i to overordnede tilgange; direkte og indirekte ^20. Protokollen præsenteres i næste afsnit er baseret på en indirekte metode, hvor en ekstern enhed, en syncbox, bruges til at sende transistor-transistor logik (TTL) signaler til alle kontrolapparatet (som vist i figur 1). Da hver stykke udstyr har en anden starttid, registreres TTL markører i logfilerne med en relativ forsinkelse. Markører anvendes derefter til at justere signalerne og derved sikre korrekt synkronisering efter hver optagelse. En adfærdsmæssige analyse software program, der giver ekstern fil integration anvendes til at re-synkronisere tidslinje for hver datastrøm og til at udføre kvantitativ og kvalitativ analyse af hver dimension af indgreb.

Figur 1. Arkitektur for Dataindsamling System. Laboratoriet miljø, hvor adfærdsmæssige (eye-sporing), følelsesmæssig (EDA og i ansigtet følelse) og kognitive (EEG) engagement data indsamles indeholder mange computere. Dette rejser en synkronisering udfordring for data, der refereres i deres respektive edb ure. At være i stand til at analysere alle data i den samme henvisning tid, laboratoriet setup indebærer en syncbox der sender TTL signaler til alle datastrømme.nk "> Klik her for at se en større version af dette tal.

For at vurdere præcisionen af ​​metoden i form af synkronisering, blev 45 sek pauser indført før hver af de mekaniske fysik problemer. I løbet af disse pauser, forsøgspersonerne havde at slappe af og til at lukke øjnene. Som det ses i andre undersøgelser ^4,9,16,17,18 bør disse pauser fremkalde betydelige variationer i den indsamlede signal: de to eye elev prikker i eye-tracking straks forsvinde (adfærdsmæssige engagement) og et omgående fald i kognitiv engagement (EEG signal) overholdes. Disse specifikke komponenter af signalet anvendes til at evaluere den generelle gyldighed af synkroniseringen. Den nylige offentliggørelse af papirer, der helt eller delvist afhængige af denne synkronisering procedure, inden for informationssystemer ^19, menneske-maskine interaktion ²¹ og uddannelse ^{9, 22,} giver dokumentation for dens effektivitet.