用于对从事学习过程的成年人进行行为分析的眼跟踪技术和数据挖掘技术

Summary

我们提出一个协议，对从事学习过程的成年人（18至70岁）进行行为分析，承担为自我调节学习（SRL）设计的任务。参与者、大学师生以及体验大学的成年人使用眼球跟踪设备进行监控，并使用数据挖掘技术分析数据。

Abstract

对从事学习任务的成年人进行行为分析是成人教育领域的一大挑战。当今世界，在科技不断变化和科技进步的世界中，在正规和非正规教育环境中都需要终身学习和教育。为应对这一挑战，使用眼动跟踪技术和数据挖掘技术，分别用于监督（主要是预测）和无人监督（特别是集群分析）学习，为检测用户之间的学习形式和/或对其学习方式进行分类提供了方法。在这项研究中，建议在不同年龄（18至69岁）和在整个学习过程中（开始和结束）的不同点，研究有或以前不了解知识的成年人的学习方式。差异统计分析技术意味着参与者之间可以按学习者类型和以前对任务的知识来检测差异。同样，使用无人监督的学习聚类技术也使不同群体的参与者之间类似的学习形式暴露无厌。所有这些数据将促进教师在信息处理链的不同点提出个性化建议。同样，教师也更容易使教材适应每个学生或具有类似特点的学生群体的学习需求。

Introduction

眼跟踪方法应用于学习中的行为分析
眼跟踪方法，除其他功能用途外，适用于人类行为的研究，特别是在任务解决期间。这项技术有助于在完成学习任务时进行监测和分析^。具体来说，使用眼动追踪技术可以研究不同科目（历史、数学、科学等）学生在学习过程（开始、发展和结束）的不同点的注意力水平。此外，如果任务包括使用具有指导学习过程的声音的视频，则会促进自我调节的学习 （SRL）。因此，在分析SRL（包括使用视频）的任务时，将眼动追踪技术作为了解学习^{如何发展的重要资源。}这种组合还意味着教学方法（有或没有 SRL 等）之间的差异可以与不同类型的学生（有或没有事先知情等）进行检查。^5.相比之下，多渠道信息的呈现（同时呈现听觉和视觉信息，无论是口头、书面还是图片）可以促进上述变量⁶的相关信息与非相关信息的录制和分析。拥有以前接触多媒体学习渠道的知识的学生似乎比那些以前知识很少或根本没有知识的学生学习更有效。具有较高学前知识的学生将更有效地整合文本和图形信息^。此功能已在学习文本⁸中观察到，其中包括图像⁹。眼动追踪技术提供了关注的重点和持续时间的信息。这些数据比在完成任务期间对解决过程的简单观察，更准确地了解了学习过程的发展。此外，对这些指标的分析有助于研究学生是发展深度还是肤浅的学习。此外，这些数据与学习结果之间的关系，亦有助验证使用眼动追踪技术^4、10获得的信息。事实上，这项技术与SRL一起越来越多地用于高等教育和成人教育¹¹学习环境，无论是在受监管的课程还是在非监管课程^12。

眼动跟踪技术提供不同的指标：距离、速度、加速度、密度、分散、角度速度、感兴趣区域 （AOI） 之间的过渡、AOI 的顺序、固定的访问、囊、扫描路径和热图参数。但是，对这些数据的解释是复杂的，需要使用受监督的（回归、决策树等）和无人监督（k-手段集群技术等）^13，14数据挖掘技术.这些指标可用于监测同一科目的行为随着时间的推移，或比较几个科目和他们的表现与相同的任务^15，通过分析参与者之间的差异，以前的知识与没有以前的知识^16。最近的研究^11，17显示，新手学徒固定在刺激上的时间更长（即，有一个更大的固定频率，而类似的扫描路径模式被记录）。专家的平均固定时间比新手长。专家们将注意力集中在信息的中间点（近处和中央），在热图上的AOI内可视化点也可以看到差异。

眼部跟踪指标的解释
最近的^研究18表明，信息获取与刺激的眼部固定次数有关。另一个重要的指标是囊，它被定义为固定的快速和突然移动，间隔为[10毫秒，100毫秒]。Sharafi 等人（2015 年）¹⁸发现，根据学生的信息编码阶段，教士的数量存在差异。另一个相关的参数是扫描路径，该指标捕获参与者为解决研究人员¹⁸定义的 AOI 内的学习任务而执行的步骤的按时间顺序排列。同样，眼动追踪技术可用于预测参与者的理解水平，这似乎与固定次数有关。最近的研究表明，凝视行为的变异性取决于图像的属性（位置、强度、颜色和方向）、执行任务的说明以及参与者的信息处理类型（学习风格）。这些差异是通过分析学生与不同的^AOI19的相互作用来检测的。定量^20（频率分析）和/或定性或动态^21（扫描路径）技术可用于分析从不同指标收集的数据。前一种技术用传统的统计技术（频率分析、平均差值、方差等）进行分析，后者用机器学习技术（用字符串编辑方法^21、22和聚类^17）分析前者。这些技术的应用通过考虑受试者的不同特征，促进集群化。一项研究¹⁷发现，学生越是专业，实施的空间和时间信息处理策略就越有效。本研究中使用的测量参数的描述性表可在表 1中查阅。

表1：最具有代表性的参数，可以获得与眼睛跟踪技术，改编自塞伊兹，扎帕林，马蒂科雷纳和贝拉斯科（2019年）。²⁰  请单击此处下载此表。

将眼跟踪方法应用于学习过程的研究
使用上述⁵ 项技术进步和数据分析技术，将为在信息处理（任务启动、信息处理和任务解决）的不同阶段解决问题时对学习者的行为分析增加更高的精度。这一切都将促进个人行为分析，这反过来又允许具有类似特征的学生分组^24。同样，预测技术（决策树、回归技术等）²⁵ 可以应用于学习，既与固定次数有关，也与每个学生的任务解决结果相关。此功能是每个学生如何学习的知识以及不同群体（有学习困难或没有学习困难的人^26）中个性化学习计划建议的一个非常重要的进步。因此，使用这项技术将有助于实现个性化和优化学习^27。终身学习必须理解为一个不断改进的循环，因为社会知识在不断进步和进步。进化心理学表明，信息处理的分辨率技能和有效性随着年龄的增长而下降。具体来说，发现成年人的眼动频率、振幅和速度会随着年龄的增长而降低。此外，在年龄较大时，注意力集中在视觉场景的较低区域，这与工作记忆¹⁴的缺陷有关。然而，在老年时，正面和前额区域的激活增加，这似乎弥补了任务解决方面的这些缺陷。这一方面包括先前的知识水平和学科可以应用的认知补偿策略。由于采用了自动化监督流程^，经验丰富的参与者学习效率更高，因为他们管理注意力更加有效。此外，如果要学习的信息是通过SRL技术传授的，上述缺陷将得到缓解^。使用这种技术意味着视觉跟踪模式非常相似，无论是在没有事先知情的科目中，还是在^{事先了解7}的科目中。

总之，利用先进的学习（眼动追踪）技术对SRL的多式联运多渠道数据进行分析，是理解认知、元认知和激励过程之间的相互作用及其^{对学习的影响}的关键。研究结果和学习差异对学习材料和智能辅导系统的设计有影响，这两者都将使个性化学习更有效，更令人满意的学生^30。

在这项研究中，有两个调查问题被问及：（1） 在艺术史中，学生和专家与非专家教师在学习结果和眼部固定参数上是否存在显著差异，以区别于拥有官方学位的学生与拥有非官方学位的学生（经验大学 – 成人教育）？（2） 每个参与者的学习结果和眼部固定参数集群与参与者类型（拥有官方学位的学生、具有非官方学位的学生（经验大学 – 成人教育）和教师）的类型一致吗？

Protocol

该议定书是按照布尔戈斯大学（西班牙）生物道德委员会的程序条例执行的。在参加之前，与会者已充分了解研究目标，并已全部表示知情同意。他们因参与而未获得任何经济补偿。 1. 参与者招募 在两个环境中（学生和教师）从一组成年人中招募参与者，年龄在高等教育环境中（正规和非正规教育）的年龄为18至69岁。 包括具有正常或更正到正常视力和听力的…

Representative Results

为本研究招募的36名参与者来自三组成人（来自经验大学的学生、大学教授以及本科生和硕士学位学生），年龄在[18至69]岁之间（表2）。该协议在布尔戈斯大学进行了20个多月的测试。 在表4中可以看到发展的轮廓。 表4。学习行为分析协议发展纲要。<a href="https://www.jove.com/files/ftp_upload/6210…

Discussion

研究结果表明，在以前了解情况的参与者中，相关刺激的平均固定持续时间更长。同样，关注这个群体的焦点是信息的中间点（近处和离群点^）7。这项研究的结果揭示了参与者处理信息的方式不同。此外，他们的处理并不总是与最初的分组（大学经验学生，大学教师和研究生和硕士生）。这些差异是在分析参与者在学习视频中呈现的图像的固定中 X 轴上的视觉位置时发现的。在…

Materials

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