Summary

טכנולוגיה למעקב אחר העיניים וטכניקות כריית נתונים המשמשות לניתוח התנהגותי של מבוגרים העוסקים בתהליכי למידה

Published: June 10, 2021
doi:

Summary

אנו מציגים פרוטוקול לניתוח התנהגותי של מבוגרים (בגילאי 18 עד 70) העוסקים בתהליכי למידה, תוך ביצוע משימות המיועדות ללמידה עצמית (SRL). המשתתפים, מורים באוניברסיטה וסטודנטים, ומבוגרים מאוניברסיטת הניסיון, היו במעקב עם מכשירי מעקב אחר העיניים והנתונים נותחו בטכניקות כריית נתונים.

Abstract

ניתוח התנהגותי של מבוגרים העוסקים במשימות למידה הוא אתגר מרכזי בתחום החינוך למבוגרים. כיום, בעולם של שינויים טכנולוגיים מתמשכים והתקדמות מדעית, יש צורך בלמידה וחינוך לכל החיים בסביבות חינוכיות פורמליות ולא פורמליות כאחד. בתגובה לאתגר זה, השימוש בטכנולוגיית מעקב עיניים וטכניקות כריית נתונים, בהתאמה, ללמידה מפוקחת (בעיקר חיזוי) בלתי מפוקחת (במיוחד ניתוח אשכולות), מספק שיטות לגילוי צורות למידה בקרב משתמשים ו/או לסיווג סגנונות הלמידה שלהם. במחקר זה מוצע פרוטוקול לחקר סגנונות למידה בקרב מבוגרים עם וללא ידע קודם בגילאים שונים (בני 18 עד 69) ובנקודות שונות לאורך כל תהליך הלמידה (התחלה וסוף). טכניקות ניתוח סטטיסטי של שונות פירושן שניתן לזהות הבדלים בין המשתתפים לפי סוג הלומד לבין ידע קודם של המשימה. כמו כן, השימוש בטכניקות קיבוץ באשכולות למידה ללא השגחה זורק אור על צורות למידה דומות בקרב המשתתפים בקבוצות שונות. כל הנתונים הללו יאפשרו הצעות מותאמות אישית מהמורה להצגת כל משימה בנקודות שונות בשרשרת עיבוד המידע. כמו כן יהיה קל יותר למורה להתאים את חומרי ההוראה לצרכי הלמידה של כל תלמיד או קבוצת תלמידים בעלי מאפיינים דומים.

Introduction

מתודולוגיית מעקב אחר העיניים החלה על ניתוח התנהגותי בלמידה
מתודולוגיית מעקב אחר העיניים, בין שימושים פונקציונליים אחרים, מוחלת על חקר ההתנהגות האנושית, במיוחד במהלך פתרון המשימה. טכניקה זו מאפשרת ניטור וניתוח במהלך השלמת משימות למידה1. באופן ספציפי, ניתן ללמוד את רמות הקשב של התלמידים בנקודות שונות של תהליך הלמידה (התחלה, פיתוח וסיום) במקצועות שונים (היסטוריה, מתמטיקה, מדעים וכו ‘) תוך שימוש בטכנולוגיית מעקב אחר העיניים. בנוסף, אם המשימה כוללת שימוש בסרטונים עם קול המנחה את תהליך הלמידה, למידה מווסתת עצמית (SRL) מתאפשרת. לכן, היישום של טכנולוגיית מעקב אחר העיניים בניתוח של משימות אשר SRL (הכוללים את השימוש בסרטונים) מוצע כמשאב משמעותי כדי להבין כיצד הלמידה מפותחת2,3,4. שילוב זה גם אומר כי ההבדלים בין שיטות הדרכה (עם או בלי SRL, וכו ‘) ניתן לבדוק עם סוגים שונים של תלמידים (עם או בלי ידע מוקדם, וכו ‘) 5. לעומת זאת, הצגת מידע רב ערוצי (הצגה בו זמנית של מידע שמיעתי וויזואלי, בין אם מילולי, כתוב או ציורי) יכולה להקל הן על ההקלטה והן על ניתוח המידע הרלוונטי לעומת הלא רלוונטי מהמשתנים הנ”ל6. תלמידים עם ידע מוקדם שנחשף לערוצי למידה מולטימדיה נראה ללמוד בצורה יעילה יותר מאשר אלה עם ידע מוקדם מעט או ללא ידע קודם. תלמידים עם רמות גבוהות של ידע מוקדם בנושא ישלבו מידע טקסטואלי וגרפי בצורה יעילה יותר7. פונקציונליות זו נצפתה בלמידה של טקסטים8 הכוללים תמונות9. טכנולוגיית מעקב אחר העיניים מציעה מידע על המקום שבו תשומת הלב ממוקדת ולכמה זמן. נתונים אלה נותנים תובנה על התפתחות תהליך למידה בצורה מדויקת יותר מאשר באמצעות התבוננות פשוטה של תהליך הרזולוציה במהלך השלמת משימה. כמו כן, הניתוח של אינדיקטורים אלה מקל על המחקר אם התלמיד מפתח למידה עמוקה או שטחית. יתר על כן, הקשר בין נתונים אלה לבין תוצאות הלמידה מקל על אימות המידע המתקבל עם טכנולוגיית מעקב אחר העיניים4,10. למעשה, טכניקה זו יחד עם SRL משמשים יותר ויותר בהשכלה גבוהה ובחינוך למבוגרים11 סביבות למידה, הן על מוסדר והן על קורסים שאינם מוסדרים12.

טכנולוגיית מעקב אחר העיניים מציעה מדדים שונים: מרחק, מהירות, תאוצה, צפיפות, פיזור, מהירות זוויתית, מעברים בין תחומי עניין (AOI), סדר רציף של AOI, ביקורים בקיבעון, סקאדות, נתיב סריקה ופרמטרים של מפת חום. עם זאת, הפרשנות של נתונים אלה מורכבת ומחייבת שימוש בפיקוח (רגרסיה, עצי החלטה וכו’) ותוקפים ללא השגחה (טכניקות אשכול k-means וכו’) 13,14 טכניקות כריית נתונים. ניתן ליישם מדדים אלה לניטור אופן הפעולה של אותו נושא לאורך זמן או להשוואה בין מספר נושאים והביצועים שלהם עם אותה משימה15, על ידי ניתוח ההבדל בין משתתפים עם ידע קודם לעומת לא ידע קודם16. מחקר שנערך לאחרונה11,17 גילה כי חניכים טירון להתקבע זמן רב יותר על הגירויים (כלומר, יש תדירות קיבעון גדולה יותר בעוד דפוסי נתיב סריקה דומים נרשמים). משך הקיבעון הממוצע היה ארוך יותר עבור מומחים מאשר עבור טירונים. המומחים הציגו את מוקד תשומת הלב שלהם על נקודות האמצע של המידע (קרוב ומרכזי), הבדלים שניתן לראות גם בנקודות ההדמיה בתוך AOI על מפות החום.

פרשנות מדדים במעקב אחר העיניים
מחקריםאחרונים 18 הראו כי רכישת מידע קשורה למספר קיבעון העין על הגירויים. מדד חשוב נוסף הוא ה-saccade, המוגדר כתנועה מהירה ופתאומית של קיבעון עם מרווח של [10 אלפיות השנייה, 100 אלפיות השנייה]. שרפי ואח ‘ (2015)18 מצאו הבדלים במספר הסאקאדות, בהתאם לשלב קידוד המידע של התלמיד. פרמטר רלוונטי נוסף הוא נתיב הסריקה, מדד הלוכד את הסדר הכרונולוגי של השלבים שהמשתתף מבצע לפתרון משימת הלמידה בתוך AOI שהוגדר על ידי החוקר18. באופן דומה, ניתן להשתמש בטכנולוגיית מעקב אחר העיניים כדי לחזות את רמת ההבנה של המשתתף, שנראית קשורה למספר הקיבעון. מחקרים שנעשו לאחרונה הצביעו על כך שהשונות בהתנהגות המבט נקבעת על-ידי מאפייני התמונה (מיקום, עוצמה, צבע וכיוון), ההוראות לביצוע המשימה וסוג עיבוד המידע (סגנון הלמידה) של המשתתף. הבדלים אלה מזוהים על ידי ניתוח האינטראקציה של התלמיד עם AOI19 שונה. ניתן להשתמש בטכניקות כמותיות20 (ניתוח תדירות) ו/או איכותיות או דינמיות21 (נתיב סריקה) כדי לנתח את הנתונים שנאספו מהמדדים השונים. הטכניקות הקיימות מנותחות בטכניקות סטטיסטיות מסורתיות (ניתוח תדירות, הפרש ממוצע, הפרשי שונות וכו ‘) והן מנותחות בטכניקות למידת מכונה (מרחקים אוקלידיים עם שיטות עריכתמחרוזות 21,22וקיבוץ באשכולות17). היישום של טכניקות אלה מקל על קיבוץ באשכולות, על ידי התחשבות במאפיינים שונים של הנושאים. מחקר אחד17 מצא כי ככל שהסטודנט מומחה יותר, כך אסטרטגיית עיבוד המידע המרחבית והטמפורלית היעילה יותר מיושמת. טבלה תיאורית של פרמטרי המדידה ששימשו במחקר זה ניתן להתייעץ להלן בטבלה 1.

טבלה 1: רוב הפרמטרים הייצוגיים שניתן להשיג בטכניקת מעקב העיניים, המותאמים מסאיז, זפאריין, מרטיקורנה ולסקו (2019). 20   לחץ כאן כדי להוריד טבלה זו.

יישום מתודולוגיית המעקב אחר העיניים לחקר תהליך הלמידה
השימוש בהתקדמות הטכנולוגית ובטכניקות ניתוח הנתונים המתוארות לעיל5 יוסיף דיוק רב יותר לניתוח התנהגותי של הלומדים במהלך פתרון בעיות בשלבים השונים של עיבוד מידע (ייזום משימות, עיבוד מידע ופתרון משימות). כל זה יאפשר ניתוח התנהגותי אישי, אשר בתורו יאפשר קיבוץ של תלמידים עם מאפיינים דומים24. כמו כן, טכניקות חיזוי (עצי החלטה, טכניקות רגרסיה וכו ‘) 25 ניתן להחיל על למידה, הקשורים הן למספר הקיבעון והן לתוצאות פתרון המשימה של כל תלמיד. פונקציונליות זו היא התקדמות חשובה מאוד בידע על האופן שבו כל תלמיד לומד ועל ההצעה של תוכניות למידה מותאמות אישית בתוך קבוצות שונות (אנשים עם או בלי קשיי למידה26). לכן, השימוש בטכניקה זו יתרום להשגת התאמה אישית ואופטימיזציה של למידה27. יש להבין למידה לכל החיים כמעגל של שיפור מתמשך, שכן הידע של החברה מתקדם ומתקדם ללא הרף. הפסיכולוגיה האבולוציונית מצביעה על כך שכישורי הרזולוציה והיעילות בעיבוד מידע יורדים עם הגיל. באופן ספציפי, תדירות saccade, משרעת, ומהירות של תנועות עיניים בקרב מבוגרים נמצאו לרדת עם הגיל. בנוסף, בגילאים מבוגרים יותר, תשומת הלב מתמקדת באזורים הנמוכים יותר של סצינות חזותיות, הקשורות לגירעונות בזיכרון העבודה14. עם זאת, ההפעלה גדלה באזורים הקדמיים והקדם-פרונטליים בגיל מבוגר יותר, מה שנראה כפצה על גירעונות אלה בפתרון משימות. היבט זה כולל את רמת הידע הקודם ואת אסטרטגיות הפיצוי הקוגניטיבי שהנושא יכול ליישם. משתתפים מנוסים לומדים בצורה יעילה יותר, שכן הם מנהלים את תשומת הלב בצורה יעילה יותר, בשל היישום של תהליכי פיקוח אוטומטיים28. בנוסף, אם המידע שיש ללמוד מוענק באמצעות טכניקות SRL, הליקויים הנ”ל הם הקלה17. השימוש בטכניקות כאלה פירושו כי דפוסי מעקב חזותי דומים מאוד, הן בנושאים ללא ידע מוקדם והן בנושאים עם ידע מוקדם7.

לסיכום, ניתוח נתונים רב-ערוציים על SRL המתקבלים עם שימוש בטכנולוגיות למידה מתקדמות (מעקב אחר העיניים) הוא המפתח להבנת האינטראקציה בין תהליכים קוגניטיביים, מטא-קוגניטיביים ומוטיבציוניים, והשפעתם על למידה29. לתוצאות ולחקר ההבדלים בלמידה יש השלכות על עיצוב חומרי למידה ומערכות לימוד חכמות, שתיהן יאפשרו למידה מותאמת אישית שעשויה להיות יעילה ומשביעות רצון יותר עבור התלמיד30.

במחקר זה נשאלו שתי שאלות חקירה: (1) האם יהיו הבדלים משמעותיים בתוצאות הלמידה ובפרמטרים של קיבעון עיני בין תלמידים למורים מומחים לעומת מורים שאינם מומחים בתולדות האמנות המבדילים תלמידים בעלי תארים רשמיים לעומת סטודנטים בעלי תארים לא רשמיים (אוניברסיטת ניסיון – חינוך מבוגרים)? ו-(2) האם אשכולות של כל משתתף עם תוצאות למידה ופרמטרים של קיבעון עיני חופפים לסוג המשתתפים (סטודנטים בעלי תארים רשמיים, סטודנטים בעלי תארים לא רשמיים (אוניברסיטת ניסיון – חינוך מבוגרים) ומורים)?

Protocol

פרוטוקול זה בוצע בהתאם לתקנות הפרוצדורליות של הוועדה הביואתית של אוניברסיטת בורגוס (ספרד) nº Nº IR27/2019. לפני השתתפותם, המשתתפים היו מודעים לחלוטין למטרות המחקר וכולם סיפקו את הסכמתם מדעת. הם לא קיבלו שום פיצוי כספי על השתתפותם. 1. גיוס משתתפים גייסו משתתפים מקרב קבוצת מבו?…

Representative Results

36 המשתתפים שגויסו למחקר הנוכחי היו משלוש קבוצות של מבוגרים (סטודנטים מאוניברסיטת הניסיון, פרופסורים באוניברסיטאות וסטודנטים לתואר ראשון ושני) בגילאים הנעים בין 18 ל-69 שנים (לוח 2). הפרוטוקול נבדק במשך 20 חודשים באוניברסיטת בורגוס. את קווי המתאר של הפיתוח ניתן לראו?…

Discussion

תוצאות המחקר הצביעו על כך שמשך הקיבעון הממוצע על הגירויים הרלוונטיים היה ארוך יותר בקרב משתתפים בעלי ידע קודם. כמו כן, מוקד תשומת הלב בקבוצה זו הוא על נקודות האמצע של מידע (פרוקסימלי ודיסטלי)7. תוצאות מחקר זה חשפו הבדלים באופן שבו המשתתפים עיבדו את המידע. יתר על כן, העיבוד שלהם ל…

Disclosures

The authors have nothing to disclose.

Acknowledgements

העבודה פותחה במסגרת הפרויקט “למידה עצמית ב SmartArt ארסמוס + חינוך למבוגרים” 2019-1-ES01-KA204-095615-מתאם 6, במימון הנציבות האירופית. הסרטון של שלב השלמת המשימה היה הסכמה מדעת מוקדמת של רוט ולאסקו סאיז. אנו מעריכים את השתתפותם של מורים ותלמידים בשלב יישום המשימה.

Materials

iViewer XTM iViewer
SMI Experimenter Center 3.0 SMI
SMI Be Gaze SMI

References

  1. 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).
  2. 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).
  3. 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).
  4. 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).
  5. 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).
  6. Alemdag, E., Cagiltay, K. A systematic review of eye tracking research on multimedia learning. Computers & Education. 125, 413-428 (2018).
  7. 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).
  8. 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).
  9. Mayer, R. E. Using multimedia for e-learning. Journal of Computer Assisted Learning. 33 (5), 403-423 (2017).
  10. 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).
  11. 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).
  12. 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).
  13. 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).
  14. Maltz, M., Shinar, D. Eye Movements of Younger and Older Drivers. Human Factors. 41 (1), 15-25 (1999).
  15. Burch, M., Kull, A., Weiskopf, D. AOI rivers for visualizing dynamic eye gaze frequencies. Computer Graphics Forum. 32 (3), 281-290 (2013).
  16. 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).
  17. 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).
  18. 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).
  19. 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).
  20. 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).
  21. 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).
  22. 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).
  23. 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).
  24. 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).
  25. 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).
  26. 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).
  27. 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).
  28. 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).
  29. 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).
  30. 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).
  31. IBM Corp. . SPSS Statistical Package for the Social Sciences (SPSS) (Version 24). , (2016).
  32. . Orange Software Package Available from: https://orange.biolab.si/docs/ (2020)

Play Video

Cite This Article
Sáiz Manzanares, M. C., Payo Hernanz, R. J., Zaparaín Yáñez, M. J., Andrés López, G., Marticorena Sánchez, R., Calvo Rodríguez, A., Martín, C., Rodríguez Arribas, S. Eye-tracking Technology and Data-mining Techniques used for a Behavioral Analysis of Adults engaged in Learning Processes. J. Vis. Exp. (172), e62103, doi:10.3791/62103 (2021).

View Video