Engasjement spiller en avgjørende rolle i læring. For Clark og Mayer ^2, "all læring krever engasjement," uavhengig av levering medier. Zhang et al. ³ også antydet at økt studentengasjement kan forbedre læringsutbytte, for eksempel problemløsning og kritisk tenkning ferdigheter. Definere engasjement er fortsatt en utfordring. I sin litteraturgjennomgang, Fredricks, Blumenfeld og Paris ^pt definert engasjement av sin mangefasetterte natur: "Atferds engasjement trekker på ideen om deltakelse; det inkluderer deltakelse i faglige og sosiale eller fritidsaktiviteter. (…) Emosjonelt engasjement omfatter positive og negative reaksjoner på lærere, klassekamerater, akademikere, og skole og antas å skape bånd til et objekt og innflytelse vilje til å gjøre jobben. Til slutt trekker kognitiv engasjement på ideen om mental investering; den inneholder omtanke og vilje til å utøve innsats necvendig å forstå komplekse ideer og mestre vanskelige ferdigheter. "

Fredricks, Blumenfeld og Paris ¹ hevdet også at et fokus på atferd, følelser og kognisjon, innenfor begrepet engasjement, kan gi et rikere karakterisering av læring. Disse forfatterne påpekte at en robust kropp av forskning adresser hver komponent av engasjement separat, men disse komponentene hadde ikke blitt studert i sammenheng. De observerte også at lite informasjon er tilgjengelig om interaksjoner mellom dimensjonene og at flere studier kan bidra til planlegging finstemt undervisnings intervensjoner. Som et skritt i riktig retning, beskriver dette papiret en forskningsmetodikk som ble utviklet for å samle og analysere kvantitative og kvalitative data, synkront, på atferdsmessige, emosjonelle og kognitive engasjement i læringsoppgaver.

Bringe Neurosciences inn Education

Behavior, og dermed atferds engasjement, har lenge vært det sentrale fokus for studier i utdanning: forskningsdesign fokusert hovedsakelig på endringer i kunnskap og atferd som forekommer over lange tidsperioder, mellom pre- og post-tester, og over intervaller på timer, uker , måneder eller år. Skille mellom atferdsmessige, emosjonelle og kognitive engasjement er fortsatt en utfordring fordi de to siste dimensjonene er ikke systematisk observer eksternt. Kognisjon og følelser må enten utledes fra observasjoner eller vurderes med selvrapporterings tiltak. Fra en ekstern synspunkt, er det fortsatt vanskelig å avgjøre om elevene prøver å få arbeidet gjort så raskt som mulig, eller ved hjelp av dype nivå læringsstrategier for å mestre et bestemt innhold. I punkt faktisk, Fredricks, Blumenfeld og Paris ¹ klarte ikke å finne noen publiserte studier med direkte, objektive mål på kognitiv engasjement.

Siste teknologiske utviklingen iinnen nevrovitenskap har skapt nye muligheter for forskning i utdanning. Nye metoder for datainnsamling og analyse algoritmer utviklet innen nevro ergonomi virker veldig lovende for kvalitative og kvantitative studier i løpet læringsoppgaver. Andre disipliner, som for eksempel økonomi, psykologi, markedsføring og ergonomi, har brukt nevrofysiologiske målinger for å vurdere kognitiv engasjement for en stund ^4-8. Nevrofysiologiske tiltak, kombinert med effektive algoritmer, tillater en å studere et fenomen uten å forstyrre den. Av natur, selvrapporteringsspørre frigjøre studenter fra læring. Nevrofysiologiske tiltak tillate forskningsdesign som skal utføres i mer autentiske læringsmiljøer. Disse verktøyene inkluderer utstyr for å overvåke puls, pust, blodtrykk, kroppstemperatur, elev diameter, elektrodermal aktivitet, elektroencefalografi (EEG), osv.

<strong> Gathering synkroniserte data på Behavioral, emosjonell og kognitiv Engagement

Som representative utfall etter bruk av denne protokollen, vil denne artikkelen presenterer delvise resultater fra en studie der elevene måtte løse, på en dataskjerm, ti problemer i mekanisk fysikk. Disse problemene ble utviklet i tidligere arbeid ^9. Nevrofysiologiske data ble samlet inn mens elevene var å løse problemene og avslappende under en 45 s pause, med øynene lukket, etter hvert problem.

Som nevnt ovenfor, atferds engasjement data består av programvare interaksjoner (musebevegelser og klikk), øye blikket, ytelse og svar på spørsmål som er produsert av en elev i samspill med systemet mens de utfører sin oppgave ^1. Et øye-sporing systemet ble brukt til å samle programvare interaksjoner og øye blikk data. Ytelsesdata (tid til å løse et problem, er korrekte svar) ble samlet på enUndersøkelsen nettside som ble brukt til å presentere oppgaven. Dette nettstedet ble også brukt til å samle selvrapporteringsdata innhentet med spørreskjema tilpasset fra Bradley og Lang ^10. Emosjonelle engasjement innebærer karakterisering av følelser. Ifølge Lang ^11, er følelser preget i form av valens (hyggelig / ubehagelig) og opphisselse (rolig / opphisset). Emosjonelle engasjement data ble derfor samlet, ved hjelp av automatisk ansikts følelser gjenkjennelse programvare som kvantifiserer emosjonell valens og en elektrodermal aktivitet koder / sensor for opphisselse ^12,13. Elektrodermal aktivitet (EDA) refererer til den registrerte elektriske motstand mellom to elektroder ved en meget svak elektrisk strøm sendes mellom dem jevnt. Cacioppo, Tassinary og Berntson ¹⁴ viste at motstanden registrert varierer i henhold til motivets opphisselse. Dermed psykofysiologiske data, for eksempel valens eller opphisselse, regnes som korrelerer med emosjonelle engasjement.

<pclass = "jove_content"> Endelig kognitive engasjement data er samlet inn gjennom elektroencefalografi (EEG). EEG-måler, i hodebunnen, synkronisert elektriske aktiviteten i grupper av neuroner i hjernen. Elektriske signaler tatt opp fra hodebunnen er ofte oscillasjon og består av frekvenskomponenter. Ved konvensjonen, er disse frekvensene gruppert i sekvenser, kjent som band. For eksempel, alfa, beta og theta band er i fokus i denne studien. Ifølge nevrovitenskapelig studier ^14, disse bandene reflekterer ulike kognitive prosessering evner i bestemte områder av hjernen. Således analysen av spektrale effekttetthet (PSD) av spesifikke frekvenser, kombinert med en rekke studier ^7,15 på våkenhet og oppmerksomhet, tillater forskere å kvantifisere kognitive inngrep i ​​løpet av en oppgave. Som Mikulka et al. ¹⁶ bemerket, har forskning vist en direkte sammenheng mellom beta aktivitet og kognitiv årvåkenhet og en indirekte sammenheng mellom alpha end theta aktivitet og årvåkenhet. Dermed Pope, Bogart og Bartoleme ⁷ utviklet et engasjement indeks som beregner PSD av tre band: beta / (alfa + theta). Dette forholdet ble validert i andre studier på engasjement ^16,17,18. For å karakterisere kognitiv inngrep over tid, en hurtig Fourier-transformasjon (FFT) omformer EEG-signalet fra hver aktive området (F3, F4, O1, O2) til et effektspektrum. EEG-indeksen inngrep ved tiden T beregnes av gjennomsnitt av hver inngrepsforhold i en 20 sek skyvevindu forut for tidspunktet T. Denne prosedyren gjentas hvert sekund, og en ny skyvevindu blir brukt til å oppdatere indeksen.

Siden målet med denne metoden er å gi en rik analyse av flere dimensjoner i inngrep, er datasynkronisering avgjørende. Som Leger et al. ¹⁹ minne leserne, utstyrsprodusenter sterkeste å bruke bare én datamaskin per måleverktøy for å garantere deres spesifisert presisjon leVEL. Så når flere datamaskiner er ansatt, blir synkronisering mellom opptaks datamaskiner et kritisk punkt. Opptakene kan ikke alle bli startet på nøyaktig samme tid, og hver datastrøm har sin bestemt tidsramme (f.eks sek 0 av eye tracking ≠ sek 0 av EEG eller fysiologiske data). Dette er ekstremt viktig: desynkronisering mellom datastrømmer betyr feil i kvantifisering av hver dimensjon av engasjement. Det er forskjellige måter å synkronisere samtidige fysiologiske og atferdsmessige opptak. Disse metoder kan deles i to hovedmetoder; direkte og indirekte ^20. Protokollen presentert i neste avsnitt er basert på en indirekte løsning hvor en ekstern enhet, et syncbox, blir brukt til å sende transistor-transistorlogikk (TTL) signaler til alle registreringsutstyret (som vist i figur 1). Når hver del av utstyret har en annen starttid blir TTL markører registrert i loggfilene med en relativ forsinkelse. Markører blir så brukt til å justere signalene og dermed sikre riktig synkronisering etter hvert opptak. En atferdsanalyse program som lar ekstern fil integrasjon brukes for å synkronisere tidslinjen for hver datastrømmen og å utføre kvantitativ og kvalitativ analyse av hver dimensjon av engasjement.

Figur 1. Arkitektur av datainnsamlingssystemet. Laboratoriet miljø der atferds (eye-tracking), inneholder emosjonelle (EDA og ansikts følelser) og kognitive (EEG) forlovelses data samles mange datamaskiner. Dette reiser et synkroniserings utfordring for data som er referert på sine respektive datamaskinklokker. For å være i stand til å analysere alle data i samme referanse tid, innebærer lab oppsett en syncbox som sender TTL signaler til alle datastrømmer.nk "> Klikk her for å se en større versjon av dette tallet.

For å bedømme nøyaktigheten av metodikken i form av synkroniseringen, ble 45 sek pauser innført før hver av de mekaniske fysikk problemer. I løpet av disse pausene, fagene måtte slappe av og til å lukke øynene. Som sett i andre studier ^{4,9,16,17,18,} bør disse pausene indusere betydelige variasjoner i samlet signal: de to pupillene prikker i eye-tracking forsvinner umiddelbart (atferds engasjement) og en umiddelbar nedgang i kognitiv engasjement (EEG signal) blir observert. Disse bestemte komponenter av signalet blir brukt til å evaluere den generelle gyldighet av synkroniseringen. Den nylige publisering av papirer som helt eller delvis er avhengige av denne synkroniseringsprosedyren, innen informasjonssystemer ^19, menneske-maskin-interaksjon ²¹ og utdanning ^{9, 22,} gir bevis for sin effektivitet.