Sanal Öğrenme Ortamıyla Etkileşim Sırasında EEG İşaretlerini Kullanarak Öğrencilerin Zihinsel Katılımlarını İzleme
Öz
Öğrencilerin öğrenme etkinlikleri sırasında katılım düzeyini izlemek, özel ders müdahalelerinin geliştirilmesinde önemli bir zorluktur. Bu yazıda, elektroensefalografik sinyallerin (EEG) acemi tıp öğrencilerinin akıl yürütme indeksini bir akıl yürütme sürecinde izlemek için bir araç olarak kullanılmasının fizibilitesini araştırıyoruz. Daha kesin olarak, hedefler öncelikle, öğrenme ortamında öğrenciler arasında en yüksek katılım düzeyini uyandıran belirli bölümlerin olup olmadığını araştırmak için öğrencilerin zihinsel katılım evrimini izlemekti ve eğer öyleyse, bu bölümlerin öğrencilerin performansı. Deneysel analizler, farklı çözümleme aşamalarında ve ortamların farklı bölgelerinde aynı eğilimleri göstermiştir. Ancak, daha fazla zihinsel çaba uyandırdığı için tedavi tanımlama aşamasında daha yüksek bir katılım endeksi fark ettik. Ayrıca zihinsel katılım ile öğrencilerin performansı arasında istatistiksel olarak anlamlı etkiler bulunmuştur.
Anahtar Kelimeler
EEG, Katılım Dizini, Öğrenicilerin Performansı, Bilgisayar Tabanlı Öğrenme Ortamları
1. Giriş
Kullanıcıların deneyimlerini izleme fakültesi ile bilgisayar tabanlı ortamları desteklemek, insan-bilgisayar etkileşimlerini iyileştirmek ve kullanıcıların ihtiyaçlarını anlamak için önemli bir adımdır [1] [ 2] [3]. Daha doğrusu, kalp hızı, galvanik cilt yanıtı, vücut ısısı ve elektroensefalografi (EEG) gibi nörofizyolojik sensörlerin kullanımı, kullanıcıların davranışlarını ve zihinsel durumlarını değerlendirmek için sürekli olarak önem kazanmaktadır.
Özellikle, EEG verileri, milisaniye zaman dilimi içinde beyin aktivitesi hakkında değerli nicel ve tarafsız bilgi sağlar. Tıbbi tanı (örn. Hasta koma izleme ve epilepsi tespiti) [4] [5] [6], duygu tanıma dahil olmak üzere çok çeşitli uygulamalarda giderek daha düşük oranda kullanılan düşük maliyetli ve invazif olmayan bir araç haline gelmiştir. (örneğin can sıkıntısı değerlendirmesi) [7] [8] [9], duygusal modelleme (örneğin belirsizlik modellemesi, duygusal durum sınıflandırması) [10] [11], performans değerlendirmesi (örneğin sonuç tahmini, öğrencilerin sınıflandırması) [12] [13] [14] [15] [16] ve kullanıcıların zihinsel aktivite değerlendirmesi [17] [18] [19].
Öğrencilerin zihinsel durumlarının izlenmesi özellikle bilgisayar tabanlı öğrenme ortamlarında birincil öneme sahiptir [20] [21] [22]. Öğrenme sürecinde öğrencilerin dikkatini tanıma ve ölçme yeteneği, başarılı bir bilgi edinmenin önemli bir parçasıdır çünkü bilişsel performanslarını etkiler. Bu nedenle, öğrencilerin zihinsel durumlarına ilişkin doğru bir görüş elde etmek, etkileşimli öğrenme sistemlerinin özel ders içeriğini ayarlamasına, uygun yardım stratejilerini formüle etmesine ve öğrenme sonuçlarını geliştirmesine izin verebilir.
Bu yazıda, zihinsel durumlarını izlemek ve öğrenme performanslarını değerlendirmek için tıbbi ciddi bir oyunla etkileşime girdikçe öğrencilerin elektrofizyolojik aktivitelerini kaydettik. İlk olarak, öğrencilerin zihinsel katılımlarının öğrenme ortamının farklı aşamalarında nasıl geliştiğini keşfetmek için EEG sinyallerini izlemeyi hedefliyoruz. İkinci olarak, oyunun belirli aşamalarında meşgul olmanın veya çevrenin belirli ilgili alanlarına dikkat edilmesinin öğrencilerin sonuçları üzerinde bir etkisi olup olmadığını inceliyoruz.
Makalenin geri kalanı aşağıdaki gibi düzenlenmiştir: Bölüm 2, öğrencilerin bilgisayar tabanlı öğrenme ortamlarında katılım değerlendirmesi ile ilgili daha önceki bazı çalışmaları özetlemektedir. Bölüm 3, deney düzeneğimizi açıklar. Bölüm 4, elde edilen sonuçları tartışır ve Bölüm 5 bir sonuç ve gelecekteki çalışmaları sunar.
2. İlgili çalışma
Başarılı bir öğrenme deneyiminin anahtarı, eğitimcilerin öğrencilere yeterli yardımı sağlama yeteneğidir. Bu bağlamda, birçok araştırmacı, öğrencilerin bilgisayar tabanlı öğrenme etkileşimleri sırasında meşgul olmalarını sağlamak amacıyla öğrencilerin zihinsel katılımlarını değerlendirmeye artan bir ilgi göstermektedir [11] [23]. Katılım, dikkat, katılım, odaklanma veya ilgi olarak görülebilen zihinsel bir durumdur [24] [25]. Eğitim bağlamında, katılım durumu, optimal öğrenme performansı elde etmek için bilgi işlemede yer alan tüm zihinsel mekanizmaların uygulanmasından oluşur [26]. Öğrencilerin katılımını ölçmek için hem nitel hem de nicel yöntemler kullanılır.
Nicel yaklaşımlar en yaygın ölçütlerdir. Öğrenciler tarafından doldurulacak anketler ve anketler gibi öz değerlendirme araçlarına dayanırlar. Öğrencilerin duygusal ve bilişsel katılımlarını değerlendirmek için öz bildirim önlemleri kullanılır [27] [28]. Pintrich ve De Groot (1990), öğrencilerin kendi kendini düzenleyen öğrenme bileşenlerini ve bunların öğrencilerin performansları ve bilişsel katılımlarıyla nasıl ilişkili olduğunu ölçmek için bir öz bildirim anketi kullanmıştır. Sonuçlar öz-yeterlik ve bilişsel katılım arasında pozitif bir ilişki olduğunu göstermiştir. Aslında, kendi kendini düzenleyen öğrenciler diğerlerine göre daha bilişsel olarak meşgul olurlar ve daha iyi performans gösterirler. Bu yöntemler pratik, düşük maliyetlidir ve büyük örnekler ve uzaktan öğrenme için kullanımı kolaydır [29]. Bununla birlikte, yanıtlar yanlı olabileceğinden, elde edilen veriler tamamen güvenilir değildir. Aslında, öğrenciler kendi kendilerini raporlayan anketleri kendileri doldurduklarından, veriler öğrencilerin katılımı hakkında etkili sonuçlar çıkarmak için yeterli objektif olmayacaktır. Bu sorunlarla yüzleşmek için önerilen çözümlerden biri nitel yaklaşımların kullanılmasıdır.
Nitel yöntemler öğrencilerin katılımını gözlem, mülakat ve eğitimcilerin puanları gibi çeşitli tekniklerle ölçer [30] [31] [32]. Helme ve Clarke (2008) dört sınıfta matematik dersleri sırasında bilişsel katılım göstergelerini belirlemek için görüşme verilerini kullandılar. Sonuçlar farklı bilişsel katılım kalıplarını ortaya koydu. Örneğin, öğrenci-öğrenci etkileşimi etkinliğinde, öğrenciler öğrenci-öğretmen faaliyetine kıyasla daha yüksek düzeyde katılım göstermişlerdir. Başka bir çalışma, öğrencilerin katılımını kavramsallaştırmaya ve akademik ayrılmayı tanımlamaya yardımcı olmak için sınıf gözlemlerinin kullanımına dayanıyordu. Bu çalışmada yapılan gözlem türleri arasında tartışmalar, projeler ve laboratuvarlar bulunmaktadır [33]. Niteliksel önlemlere öğrencilerin katılım düzeyinin güvenilir göstergelerini sunmasına rağmen,
Öğrencilerin katılımını ölçmek için başka bir alternatif yöntem, bu son yıllarda fizyolojik sensörlerin kullanılmasıdır. Bu algılama teknolojilerini öğrenme ortamlarında kullanmanın başlıca avantajı, öğrencinin bilişsel davranışı hakkında doğrudan gözlemlenemeyen değerli nicel veriler sağlayabilmeleridir. Cilt iletkenliği, kalp atım hızı ve elektroensefalografi gibi fizyolojik sensörlerin kullanımı, öğrencilerin zihinsel durumlarındaki değişiklikleri izleme etkinliğini kanıtlamıştır [34] - [39]. Boucheix ve diğ. (2013), farklı grafik sunumların öğrencilerin katılımı ve öğrenme çıktıları üzerinde nasıl bir etkisi olabileceğini incelemek için göz izlemeyi kullanmıştır. Whitehill ve diğ. (2014) öğrencilerin katılımını otomatik olarak tespit etmek için yüz ifadeleri kullanmıştır. D'Mello,
Mevcut tüm sensörler arasında, araştırmacılar EEG'yi kullanırken öğrencilerin katılımını ölçmek için umut verici sonuçlar bildirdiler. Aslında EEG, öğrencilerin dikkatindeki an be an değişikliklerin uygun bir göstergesi olabilir. Özel eğitim sistemlerinde Chaouachi ve meslektaşları (2015), öğrenme materyallerini EEG sinyalleri kullanılarak ölçülen öğrencilerin dikkatine ve iş yüküne göre otomatik olarak uyarlar. Örneğin, öğrenci devre dışı bırakıldığında veya aşırı yüklendiğinde / aşırı yüklendiğinde, öğrenciyi meşgul etmek için bir sonraki etkinlik olarak çalışılmış bir örnek verilir. Başka bir çalışmada, EEG teknolojisi, zihinsel durum sınıflandırma sistemi kullanarak bireysel zihinsel çabayı tespit eden bir e-öğrenme ortamında kullanılmıştır [40]. Yazarlar, öğrencilerin yüksek zihinsel çaba ürettikleri video bölümlerini tanımlamak için denetimli bir öğrenme tekniği kullandılar.
Bu yazıda, EEG'yi öğrencilerin farklı tıbbi vakaları akla getirirken ve çözerken zihinsel katılımlarını izlemek için kullanmayı öneriyoruz. Öğrencilerin katılımının, problem çözme görevinin üç aşaması arasında ve çevredeki farklı ilgi alanları arasında nasıl değiştiğini değerlendirmeyi amaçlıyoruz. Ardından öğrencilerin katılımlarının muhakeme sonuçları üzerinde bir etkisi olup olmadığını araştırıyoruz.
3. Deney Tasarımı
20-27 yıl arasında ortalama yaşları 21.8 ± 2.73 yıl olan 15 lisans öğrencisi (7 kız) 20 dolar tazminatla deneye katılmıştır.
Laboratuvara geldikten sonra katılımcılardan deneyi ve materyali açıklayan bir onay formu imzalamaları istendi. Daha sonra Emotiv EEG kulaklığı ile donatıldı ve Amnesia adı verilen tıbbi öğrenme ortamımızla etkileşime girerken sırasıyla beyin aktivitelerini ve göz hareketlerini kaydetmek için göz izleyicinin önüne yerleştirildi. Seans sırasında oyuna 30-45 dakika ayrıldı ve sonunda katılımcılar, oyunun ergonomisi ve kullanılabilirliği hakkında geri bildirim toplamak için bir oyun sonrası anketi doldurmaya davet edildi.
3.1. Amnezi: Bir Eğitimsel Video Oyunu
Amnezi, acemi tıp öğrencilerinin klinik yeteneklerini farklı problem çözme görevleri yoluyla değerlendirmek için geliştirilmiş bir öğrenme ortamıdır. Oyunda, doktor rolünü oynayan oyuncunun yanlışlıkla amnezi teşhisi konulduğu ve hastanede sıkıştığı sanal bir hastane var. Tuzaktan çıkmak için, öğrencilerin önce mantık testleri gibi bazı bilişsel görevleri çözmeleri ve ikincisi bir tıp uzmanının yardımıyla tasarlanan ve onaylanan altı tıbbi vakayı çözerek klinik becerilerini kanıtlamaları gerekir. Her tıbbi vaka farklı bir hastalığı temsil eder: grip, bakteriyel pnömoni, kızamık, Ebola, kabakulak ve boğmaca.
Çözümleme görevi üç aşamaya ayrılmıştır: keşif, teşhis ve tedavi ve her aşamada, bir teşhis oluşturmak için analizler ve öncüler gibi ek veriler de toplayabilirler. Araştırma aşaması, öğrencinin hastanın demografik bilgilerini ve ayrıca klinik verilerini (örn. Semptomlar, öncüler vb.) Analiz etmesi gereken klinik vaka çözümleme sürecinin ilk bölümünü temsil eder. Tüm yararlı veriler toplandıktan sonra, teşhis aşamasının amacı, önerilen altı hasta listesinden doğru hastalığı tanımlamaktır. Öğrencinin doğru yanıtı bulmak için en fazla üç denemesi vardır. Teşhisi tamamladıktan sonra, öğrenciye farklı tedavilerin bir listesi gösterilir ve kendisinden yeterli olanı bulması istenir.
Ayrıca, her tıbbi durumda, farklı ilgi alanlarına (AOI) göre katılım düzeyini analiz etmek için çözüm ortamını farklı bölümlere ayırdık. Bu amaçla, ekranın görevle ilgili altı bölgesini temsil eden altı spesifik bölüm tanımladık: Bilgi (I), Öncül (A), Belirtiler (S), Analizler (N), Tanı (D) ve Tedavi ( T). İlgilenilen I alanı hastanın demografik bilgilerini içerir (örneğin isim, köken, ağırlık ve boy). Öncül AOI'de, hastanın daha önce sahip olduğu hastalıkları (örneğin alerjiler) tanıttık. S bölgesi, spesifik hastalıkla ilgili tüm semptomları içerir. AOI analizlerinde diğer klinik verileri sunuyoruz (örn. Sıcaklık, kalp hızı ve kan basıncı). D alanı, öğrenciye aralarında doğru cevabı seçmek zorunda olduğu farklı tanıları gösterir. Son olarak, AOI tedavisi, öğrencinin uygun tedavileri seçmesi gereken farklı öneriler sunar.
3.2. EEG Kayıtları
Katılımcıların beyin aktiviteleri, 10-20 uluslararası standarda göre yerleştirilmiş 16 elektrot içeren Emotiv kulaklık seti kullanılarak kaydedildi [41]. Aynı anda beynin 14 bölgesini (O1, O2, P7, P8, T7, T8, C5, FC6, F3, F4, F7, F8, AF3 ve AF4) kaydeder. Tahrik Edilen Sağ Bacak (DRL) ve Ortak Mod Algılama (CMS) olarak adlandırılan P3 ve P4 bölgelerine karşılık gelen referans olarak iki elektrot daha kullanılır. EEG verileri 128 Hz örnekleme hızında kaydedildi. Chaouachi ve meslektaşlarının metodolojisi [42] [43], üç EEG frekans bandı arasında ratio (4 - 8 Hz), α (8 - 13 Hz) arasında bir oran oluşturarak bir nişan indeksini her saniyeyi ölçmek için kullanıldı. ve β (13 - 22 Hz) aşağıdaki gibidir: Nişan indeksi = β / θ + α.
Üç frekans bandı, bir saniyelik EEG sinyalinin bir Hamming penceresi ile çarpılması ve bir Hızlı Fourrier Dönüşümü uygulanarak çıkarıldı. Daha sonra, measured, α ve β'nın birleşik değeri, ölçülen 14 bölgenin tümü üzerindeki değerleri toplanarak hesaplandı. Son olarak, [44] 'te olduğu gibi, T anında EEG kavrama indeksi, her bir kavrama oranının, anlık T'den önceki 40 saniyelik bir kayma ortalaması alınarak hesaplanır. Bu prosedür her 2 saniyede bir tekrarlanır ve güncelleme için yeni bir 40 saniyelik kayan pencere kullanılır İçerik.
4. Sonuçlar ve Tartışma
Bu çalışmada, katılım beyin endeksi kullanılarak öğrencilerin zihinsel durumlarını araştırmak için tüm katılımcılar arasında EEG verileri toplanmış ve analiz edilmiştir. Deneysel sonuçlar esas olarak üç bölüme ayrılmıştır: 1) Klinik problem çözme görevinin (keşif, teşhis ve tedavi) üç aşaması boyunca öğrencilerin beyin aktivitesinin gelişimini değerlendiriyoruz, 2) katılım indeksinin dağılımını analiz ediyoruz farklı AOI'lerde ve 3) katılım düzeyinin performans üzerindeki etkisini araştırıyoruz.
4.1. Çözüm Süreci Yoluyla Nişan Endeksi Evrimi
İlk hedefimiz, katılım göstergesinin tüm katılımcılar arasında çözüm sürecinin farklı aşamalarında nasıl geliştiğini analiz etmekti. Oyunda en çok dikkati çeken belirli bir süre olup olmadığını araştırmaktı. Şekil 1'den, durum 1'in özellikle davanın başlangıcında en yüksek katılım endeksini verdiğini açıkça görebiliriz. Bu sonuç oldukça açıktır çünkü tıbbi vaka çözümünün arayüzü katılımcılara ilk kez gösterilmiştir. Aslında, çevrede etkileşim kurmaları gereken farklı unsurları anlamak için daha fazla zihinsel çaba göstermeleri gerekiyordu. Durum 3'te, öğrencilerin doğru hastalığı tanımlamaları gereken belirli bir süre için katılım endeksinde bir azalma olduğunu görüyoruz. Katılımcıların dikkatindeki bu azalma, başarısız denemelerin sayısı, bu durumda, toplam deneme sayısının% 54'ünü temsil eden 21'e eşit olduğu için performanslarını etkilemiştir (bkz. Tablo 1). Geri kalan vakalar benzer varyasyonlara sahiptir.
Ayrıntılı karşılaştırmalar yapmak için, araştırma endeksinin keşif, teşhis ve tedavi aşamalarındaki değişimini incelemek için bir çubuk grafik giydirdik.
Şekil 2, her bir tıbbi vakanın her aşamasında katılım endeksinin dağılımını göstermektedir. Hemen hemen tüm vakalarda arama aşamasının en fazla dikkat çektiğini, ardından ikinci, tedavi aşaması ve üçüncüsü de tanıyı izlediğini fark ettik. Bununla birlikte, genel olarak, vakalar veya aşamalar arasında katılım düzeyi açısından önemli bir fark olmadığını açıkça ayırt edebiliriz. En yüksek varyasyon ilk durumda yaklaşık% 30'dur. Bu sonucu desteklemek için tekrarlanan ölçümlerle varyans analizleri (ANOVA) kullanılarak istatistiksel testler yapıldı. Üç fazda, etkileşim indeksinin belirli bir faz veya bir vaka ile ilişkili olmadığını düşündüren istatistiksel olarak anlamlı bir sonuç (p = ns) bulunmamıştır.
4.2. AOI'ler Arasında Etkileşim Endeksi Dağılımı
Daha önceki analizlerde, katılım endeksinin oyunun tüm aşamalarında tüm vakaların birleştirildiği hemen hemen benzer bir şekilde değiştiği bulunmuştur. Bir sonraki araştırmamızda, katılım endeksinin AOI'lere nasıl dağıtıldığını ve benzer şekilde, tespit edilenler arasında belirli bir alanın (örneğin Bilgi, Öncül, Belirtiler, Analizler, Tanı ve Tedavi) olup olmadığını incelemek için daha fazla analiz yaptık. öğrencilerin katılımı konusunda.
Katılım endeksi açısından ön istatistiksel karşılaştırmalar yapılmıştır. Tablo 2, hangi alanlarda yüksek düzeyde katılım olduğunu görmek için ortalama değerleri ve standart sapmaları kullanan tanımlayıcı istatistikleri göstermektedir.
İlk durumda, Bilgi alanı için en yüksek değer elde edilmiştir. Gerçekten, bu, katılımcıların klinik ortamla ilk kez etkileşime girmesine karşılık gelir. Bu yüzden diğer bölgelere kıyasla özel ders materyallerini anlamaya daha fazla ilgi gösterdiler ve odaklandılar. Antecedents alanı, nişan endeksinin yüksek olduğu dördüncü tıbbi vaka hariç, spesifik ilgili materyal içermediğinden hemen hemen tüm vakalarda en az ilgi çekiciydi. Gerçekten de, bu vakayı doğru bir şekilde çözmek ve uygun hastalığı tanımlayabilmek için öğrencilerin bu alandaki önemli bilgilere özellikle dikkat etmeleri gerekiyordu. Bu durumda olduğu gibi, tanı Ebola idi, öğrencilerin hastalığı başarılı bir şekilde tanımlamak için Antecedents alanına odaklanmaları gerekiyordu, doğru cevabı vermelerine yardımcı olabilecek önemli bir ipucu (“son zamanlarda Gine'ye gitti”). Geri kalan alanlarda, AOI Tedavisi en yüksek katılım düzeyini tetiklemiştir. Gerçekten de, tanı konulduktan sonra, öğrenciler belirlenen hastalık için uygun tedavileri oluşturmak zorundaydılar. Altı farklı tedavinin bir listesi katılımcılara sunuldu ve doğru olanları seçmeleri istendi (davaya bağlı olarak iki veya üç). Bu nedenle, öğrencilerin hata yapmamak için tüm önerilere dikkat etmesi gerekiyordu. Sonuç olarak, bu adım diğerlerine göre daha fazla konsantrasyon gerektirmektedir, özellikle de öğrencilere üç hatadan sonra oyunun biteceği bilgisi verilmiştir. Tedavi AOI en yüksek katılım düzeyini tetiklemiştir. Gerçekten de, tanı konulduktan sonra, öğrenciler belirlenen hastalık için uygun tedavileri oluşturmak zorundaydılar. Altı farklı tedavinin bir listesi katılımcılara sunuldu ve doğru olanları seçmeleri istendi (davaya bağlı olarak iki veya üç). Bu nedenle, öğrencilerin hata yapmamak için tüm önerilere dikkat etmesi gerekiyordu. Sonuç olarak, bu adım diğerlerine göre daha fazla konsantrasyon gerektirmektedir, özellikle de öğrencilere üç hatadan sonra oyunun biteceği bilgisi verilmiştir. Tedavi AOI en yüksek katılım düzeyini tetiklemiştir. Gerçekten de, tanı konulduktan sonra, öğrenciler belirlenen hastalık için uygun tedavileri oluşturmak zorundaydılar. Altı farklı tedavinin bir listesi katılımcılara sunuldu ve doğru olanları seçmeleri istendi (davaya bağlı olarak iki veya üç). Bu nedenle, öğrencilerin hata yapmamak için tüm önerilere dikkat etmesi gerekiyordu. Sonuç olarak, bu adım diğerlerine göre daha fazla konsantrasyon gerektirmektedir, özellikle de öğrencilere üç hatadan sonra oyunun biteceği bilgisi verilmiştir. ve doğru olanları seçmeleri istendi (davaya bağlı olarak iki veya üç). Bu nedenle, öğrencilerin hata yapmamak için tüm önerilere dikkat etmesi gerekiyordu. Sonuç olarak, bu adım diğerlerine göre daha fazla konsantrasyon gerektirmektedir, özellikle de öğrencilere üç hatadan sonra oyunun biteceği bilgisi verilmiştir. ve doğru olanları seçmeleri istendi (davaya bağlı olarak iki veya üç). Bu nedenle, öğrencilerin hata yapmamak için tüm önerilere dikkat etmesi gerekiyordu. Sonuç olarak, bu adım diğerlerine göre daha fazla konsantrasyon gerektirmektedir, özellikle de öğrencilere üç hatadan sonra oyunun biteceği bilgisi verilmiştir.
Tablo 2. Tıbbi vaka başına angajman indeksi için tanımlayıcı istatistikler, ortalamalar (standart sapma).
Elde edilen sonuçlara dayanarak, katılım endeksi açısından tüm AEİ'ler arasında anlamlı farklılıklar olup olmadığını incelemek için tek yönlü ANOVA'lar gerçekleştirilmiştir. Birinci vakada (F (5, 1312) = 7.905, p <0.01), üçüncü vakada (F (5, 738) = 4.495, p <0.01) ve beşinci vakada (F (5) üç ana etki bulunmuştur. , 292) = 2.559, p <0.05). Bu, ilgili altı bölge arasında zihinsel angajman açısından istatistiksel olarak önemli farklılıkların olduğunu göstermektedir.
Her seferinde hangi bölgelerin en fazla dikkati çektiğini göstermek için Bonferroni ayarlı post hoc testler yapılmıştır. Sonuçlar birinci durumda, bilgi düzeyinin Bilgi alanında Semptomlar (p = 0.021), Tanı (p = 0.006) ve Tedavi (p = 0.000) alanlarından istatistiksel olarak anlamlı derecede yüksek olduğunu göstermektedir. Tedavi alanı için 3. durumda Semptomlar (p = 0.010) ve Analizler (p = 0.002) ile karşılaştırıldığında önemli farklılıklar bulunmuştur. Son olarak, 5 durumunda, ikili karşılaştırmalar AOI'ler arasında fark olmadığını gösteren anlamlı bir etki göstermemiştir. Gerçekten de, bu durumda ve Tablo 2'de gösterildiği gibi, etkileşim endeksinin tüm değerleri nispeten benzerdir.
Bu sonuçlar öğrencilerin dikkatini en çok çeken AOI'lerin olmadığını göstermiştir. Bu bulgular, istatistiksel çalışmaların fiksasyon süresi açısından ters etki gösterdiği önceki çalışmalarımızla çelişmektedir [2]. Aslında, tek yönlü ANOVA'lar S bölgesinin tüm tıbbi vakalarda en sabit bölge olduğunu göstermiştir. Böylece, daha uzun sabitlemelerin daha yüksek dikkat gerektirmediği açıklanabilir. Bununla birlikte, bu, belirli ilgili bilgilere dikkat etmenin, öğrencilerin tıbbi vakaları doğru bir şekilde çözmelerine neden olabileceğini ima ediyor mu? Bu soruyu bir sonraki bölümde inceleyeceğiz. İlk olarak, tıbbi vaka çözümlemesindeki performans (başarı veya başarısızlık) ile katılım arasında istatistiksel ilişkiler olup olmadığını kontrol etmekle ilgileneceğiz. İkinci,
4.3. Katılım Dizini ve Performansı
İlk olarak iki grup öğrencisini (grup 1: başarı; grup 2: başarısızlık) vaka çözümü boyunca katılım düzeyi açısından karşılaştırmak için tek yönlü ANOVA'lar gerçekleştirilmiştir. Olgu 2 ve 5 için, iki grup arasında denek sayısı adil olmadığı için analiz gerçekleştirilmedi (tüm katılımcılar vakaları çözmeyi başardılar). Kalan vakalar için analiz, Tablo 3'te gösterildiği gibi her iki grupta da öğrencilerin katılım indeksinde anlamlı bir fark gösteren ana bir etki (p <0.05) vermiştir. 1, 4 ve 6 vakalarında, grup 1, grup 2 ile karşılaştırıldığında. Aslında, öğrenenler ne kadar fazla etkileşime girdiyse, çözüme o kadar çok ulaşabildiler. Hala, 3. vakada başka bir eğilim gözlemlendi: en yüksek katılım endeksi grup 2'de (yani tıbbi vakayı çözmede başarısız olan katılımcılar) tespit edildi. Kişi bunu farklı şekilde açıklayabilir; bu durumda, öğrenciler tanı / tedaviyi tanımlamakta oldukça zorlanıyordu. Bu nedenle, daha katılımlı olmaya çalıştılar ve çözüme ulaşmak için daha fazla zihinsel çaba gösterdiler.
Ayrıca, öğrencilerin performansı üzerinde etkisi olabilecek belirli bir bölgenin olup olmadığını araştırmak için denek içinde tekrarlanan ölçüm ANOVA'ları gerçekleştirilmiştir. Bununla birlikte, AOI'ler arasında, başarı / başarısızlık açısından, belirli bir AOI'ye odaklanırken meşgul olmanın öğrencilerin performansı üzerinde bir etkisi olmadığını düşündüren, önemli / farklılıklar (p = ns) bulunmamıştır.
Bu sonuçlar fiksasyon süresi ile ilgili [2] hipotezimizi doğrulamaktadır. Gerçekten de, belirli bilgi alanlarındaki daha uzun sabitleme süresinin öğrencilerin performansı üzerinde bir etkisi olmadığı bulunmuştur. Bu sonuçlar farklı şekillerde açıklanabilir: birinci neden, tespit edilen AOI'nin önemli bilgiler içermemesidir, yani öğrencilerin itiraf etmesi, ancak öğrencilerin özellikle dikkat etmeleri gereken 4. durumda olduğu gibi doğru yönde olmaları olabilir. Öncüllerin ilgi alanı. Bununla birlikte, istatistiksel sonuçlara dayanarak, bunun en düşük katılım endeksine sahip alan olduğu gösterilmiştir (bakınız Tablo 2). İkinci açıklama, öğrencinin bazı bilgileri anlamakta zorluk çekebileceğidir. Yani,
Tablo 3. ANOVA'ların sonuç özeti.
[2] Ben Khedher, A., Jraidi, I. ve Frasson, C. (2018) Öğrencilerin Performans Değerlendirmesi için Statik ve Dinamik Göz Hareketi Metrikleri. Akıllı Öğrenme Ortamları, 5, 14. https://doi.org/10.1186/s40561-018-0065-y
[3] Ben Khedher, A., Jraidi, I. ve Frasson, C. (2017) Öğrencilerin Akıl Yürütmesini Değerlendirme Göz İzleme ve Dizi Hizalama Yönteminin Kullanılması. Uluslararası Akıllı Bilişim Konferansı, Liverpool, 7-10 Ağustos 2017, 47-57. https://doi.org/10.1007/978-3-319-63312-1_5
[4] Roach, BJ ve Mathalon, DH (2008) Olayla İlgili EEG Zaman-Frekans Analizi: Şizofrenide Erken Gama Bandı Faz Kilitlemesinin Ölçülerine Genel Bir Bakış ve Analiz. Şizofreni Bülteni, 34, 907-926. . https://doi.org/10.1093/schbul/sbn093
[5] Ben Hamida, S., Penzel, T. ve Ahmed, B. (2015) Primer Uykusuzluğun EEG Zaman ve Frekans Alan Analizi. 37. Uluslararası IEEE Tıp ve Biyoloji Mühendisliği Derneği Konferansı (EMBC), Milano, 25-29 Ağustos 2015, 6206-6209
[6] Loo, SK, Lenartowicz, A. ve Makeig, S. (2016) EEG Kullanımı Çocuk Psikiyatrisi Araştırmalarında Biyobelirteçler: Mevcut Durum ve Gelecekteki Yönelimler. Çocuk Psikolojisi ve Psikiyatrisi Dergisi, 57, 4-17. https://doi.org/10.1111/jcpp.12435
[7] Soleymani, M., Asghari-Esfeden, S., Fu, Y. ve Pantic, M. (2016) Sürekli Duygu Algılama için EEG Sinyalleri ve Yüz İfadelerinin Analizi. Duyuşsal Bilişimde IEEE İşlemleri, 7, 17-28. https://doi.org/10.1109/TAFFC.2015.2436926
[8] Kim, J., Seo, J. ve Laine, TH (2018) Eye Gaze ve EEG'den Sıkıntı Tespiti. Biyomedikal Sinyal İşleme ve Kontrol, 46, 302-313. https://doi.org/10.1016/j.bspc.2018.05.034
[9] Zhuang, N., Zeng, Y., Tong, L., Zhang, C., Zhang, H. ve Yan, B. ( 2017) EMD Alanında Çok Boyutlu Bilgi Kullanarak EEG İşaretlerinden Duygu Tanıma. BioMed Research International, 2017, Makale Kimliği: 8317357. https://doi.org/10.1155/2017/8317357
[10] Wang, X.-W., Nie, D. ve Lu, B.-L. (2014) Makine Öğrenme Yaklaşımını Kullanarak EEG Verilerinden Duygusal Durum Sınıflandırması. Nöro-hesaplama, 129, 94-106. https://doi.org/10.1016/j.neucom.2013.06.046
[11] Jraidi, I., Chaouachi, M. ve Frasson, C. (2014) Öğrencilerin Etkileşim Deneyimi Eğilimlerini ve Duygularını Tanıma Hiyerarşik Olasılıksal Bir Çerçeve . İnsan-Bilgisayar Etkileşimindeki Gelişmeler, 2014, Makale Kimliği: 632630. https://doi.org/10.1155/2014/632630
[12] Lujan-Moreno, GA, Atkinson, RK ve Runger, G. (2016) EEG Tabanlı Dinamik Öğrenme Ortamında Rasgele Orman Kullanarak Kullanıcı Performansı Tahmini. Akıllı Özel Ders Sistemleri: Yapı, Uygulamalar ve Zorluklar, 105-128.
[13] Jraidi, I. ve Frasson, C. (2010) Bilinçaltı Olarak Benlik Saygısını Arttırmak: Öğrenci Performansı ve Duyuşsal Durum Üzerine Etkisi. Akıllı Özel Ders Sistemleri, 11-20. https://doi.org/10.1007/978-3-642-13437-1_2
[14] Van der Hiele, K., vd. (2007) EEG, Bilişsel Düşüş Spektrumunda İlişkilidir. Klinik Nörofizyoloji, 118, 1931-1939. https://doi.org/10.1016/j.clinph.2007.05.070
[15] Jraidi, I., Chalfoun, P. ve Frasson, C. (2012) Akıllı Özel Ders Sistemleri için Örtük Stratejiler. Akıllı Özel Ders Sistemleri, 1-10.
[16] Ben Khedher, A., Jraidi, I. ve Frasson, C. (2018) Ciddi Bir Oyundaki Öğrenme Performansını Değerlendirmek İçin Öğrencilerin Göz Hareketlerini Keşfetmek. EdMedia + Yenilikçi Öğrenme, 394-401.
[17] Aricò, P., Borghini, G., Di Flumeri, G., Colosimo, A., Pozzi, S. ve Babiloni, F. (2016) Mesleki Zihinsel İş Yükü Değerlendirmesi için Pasif Beyin-Bilgisayar Arayüzü Uygulaması Gerçekçi Hava Trafik Kontrol Görevleri Sırasında Hava Trafik Kontrolörleri. Beyin Araştırmalarında İlerleme, 228, 295-328. https://doi.org/10.1016/bs.pbr.2016.04.021
[18] Wang, S., Gwizdka, J. ve Chaovalitwongse, WA (2016) n-Geri Görevinde Bellek İş Yükünü Değerlendirmek için Kablosuz EEG İşaretlerini Kullanma . İnsan-Makine Sistemlerinde IEEE İşlemleri, 46, 424-435. https://doi.org/10.1109/THMS.2015.2476818
[19] Keith, JR, Rapgay, L., Theodore, D., Schwartz, JM ve Ross, JL (2015) Bir Madde Kullanım Bozuklukları Konut Tedavi Ortamında Dikkat Eksiklikleri için Otomatik EEG Biofeedback Sisteminin Değerlendirilmesi. Bağımlılık Davranışlarının Psikolojisi, 29, 17-25. https://doi.org/10.1037/adb0000016
[20] Jraidi, I. ve Frasson, C. (2013) Öğrencinin Çok Modlu Sensör Tabanlı Bir Yaklaşımla Belirsizlik Modellemesi. Eğitim Teknolojisi ve Derneği Dergisi, 16, 219-230.
[21] Chen, C.-M., Wang, J.-Y. ve Yu, C.-M. (2017) Brainwave Sinyallerine Dayalı Yeni Bir Dikkat Duyarlı Sistem Kullanarak Öğrencilerin Dikkat Düzeylerinin Değerlendirilmesi. İngiliz Eğitim Teknolojisi Dergisi, 48, 348-369. https://doi.org/10.1111/bjet.12359
[22] Mills, C., Fridman, I., Soussou, W., Waghray, D., Olney, AM ve D'Mello, SK (2017) Düşünme Sınırınızı Koyunuz: Öğrenme Sırasında EEG Kullanarak Bilişsel Yükü Tespit Etmek. 7. Uluslararası Öğrenme Analitiği ve Bilgi Konferansı Bildirileri, Vancouver, 13-17 Mart 2017, 80-89. https://doi.org/10.1145/3027385.3027431
[23] Henrie, CR, Halverson, LR ve Graham, CR (2015) Teknoloji Aracılı Öğrenmeye Öğrenci Katılımını Ölçme: Bir Gözden Geçirme. Bilgisayarlar ve Eğitim, 90, 36-53. https://doi.org/10.1016/j.compedu.2015.09.005
[24] Nakamaru, S. (2011) Yatırım ve Getiri. Eğitimde Teknoloji Araştırmaları Dergisi, 44, 273-291. https://doi.org/10.1080/15391523.2012.10782591
[25] Yang, Y.-F. (2011) Öğrencileri Çevrimiçi Durumda Dil Öğrenme Ortamına Katmak. Bilgisayar Destekli Dil Öğrenimi, 24, 181-198. https://doi.org/10.1080/09588221.2010.538700
[26] Azevedo, R. (2015) Bilimde Katılımı ve Öğrenmeyi Tanımlama ve Ölçme: Kavramsal, Teorik, Metodolojik ve Analitik Konular. Eğitim Psikoloğu, 50, 84-94. https://doi.org/10.1080/00461520.2015.1004069
[27] Chen, P.-SD, Lambert, AD ve Guidry, KR (2010) Çevrimiçi Öğrenenlerin Katılımı: Web Tabanlı Öğrenme Teknolojisinin Üniversite Öğrencisi Katılımı Üzerindeki Etkisi. Bilgisayarlar ve Eğitim, 54, 1222-1232. https://doi.org/10.1016/j.compedu.2009.11.008
[28] Jaafar, S., Awaludin, NS ve Bakar, NS (2014) Sınıf Akademik Performansının Motivasyonel ve Kendi Kendini Düzenleyen Öğrenme Bileşenleri. Eğitim Psikolojisi Dergisi, 82, 33-40. [29] Fredricks, JA ve McColskey, W. (2012) Öğrenci Katılımının Ölçülmesi: Çeşitli Yöntemlerin ve Öğrenci Öz Raporlama Araçlarının Karşılaştırmalı Analizi. İçinde: Christenson, SL, Reschly, AL ve Wylie, C., Eds., Öğrenci Katılımı Araştırma El Kitabı, Springer US, Boston, 763-782.
[30] Wigfield, A., vd. (2008) Okuma Anlama Öğretiminin Okuma Çıktıları Üzerindeki Aracılık Etkilerinde Okuma Katılımının Rolü. Okullarda Psikoloji, 45, 432-445. https://doi.org/10.1002/pits.20307
[31] Helme, S. ve Clarke, D. (2001) Matematik Sınıfında Bilişsel Katılımı Belirleme. Matematik Eğitimi Araştırma Dergisi, 13, 133-153. https://doi.org/10.1007/BF03217103
[32] Alford, BL, Rollins, KB, Padrón, YN ve Waxman, HC (2016) Öğretmenlerin Gelişimsel Olarak Uygun Öğretim Uygulamalarının Bir Fonksiyonu Olarak Öğrenci Katılımını Keşfetmek için Sistematik Sınıf Gözlemini Kullanma (DAIP) Etnik Olarak Farklı Okul Öncesi Okullarda İkinci Sınıf Sınıfları. Erken Çocukluk Eğitimi Dergisi, 44, 623-635. https://doi.org/10.1007/s10643-015-0748-8
[33] Turner, JC, Christensen, A., Kaçkar-Cam, HZ, Trucano, M. ve Fulmer, SM (2014) Öğrencilerin Katılımını Artırmak: Ortaokul Öğretmenlerine 3 Yıllık Müdahale Raporu. Amerikan Eğitim Araştırmaları Dergisi, 51, 1195-1226. https://doi.org/10.3102/0002831214532515
[34] Whitehill, J., Serpell, Z., Lin, Y., Foster, A. ve Movellan, JR (2014) Katılımın Yüzleri: Öğrenci Katılımının Otomatik Tanınması Yüz İfadeleri. Duyuşsal Hesaplamada IEEE İşlemleri, 5, 86-98. https://doi.org/10.1109/TAFFC.2014.2316163
[35] Benlamine, S., Bouslimi, S., Harley, J., Frasson, C. ve Dufresne, A. (2015) Beyin Temelli Oyunlara Doğru: Ölçme Oynanış sırasında katılım. EdMedia: Dünya Eğitim Medyası ve Teknolojisi Konferansı, Montréal, 22-25 Haziran 2015, 717-722.
[36] Berka, C., vd. (2007) EEG Dikkat, Öğrenme ve Bellek Görevlerinde Görev Katılımı ve Zihinsel İş Yükü ile İlişkilidir. Havacılık, Uzay ve Çevre Tıbbı, 78, B231-B244.
[37] D'Mello, S., Chipman, P. ve Graesser, A. (2007) Öğrenicinin Duygusal Katılımının Tahmincisi Olarak Duruş. Bilişsel Bilim Derneği 29. Yıllık Toplantısı Bildirileri, Nashville, 1-4 Ağustos 2007, 905-910.
Pham, P. ve Wang, J. (2015) Özenli Öğrenen: Örtülü Kalp Atış Hızı Takibi ile Mobil MOOC Öğreniminin Geliştirilmesi. Uluslararası Eğitimde Yapay Zeka Konferansı, Madrid, 21-25 Haziran 2015, 367-376. https://doi.org/10.1007/978-3-319-19773-9_37
[39] Boucheix, J.-M., Lowe, RK, Putri, DK ve Groff, J. (2013) İşaret Animasyonları: Dinamik Sinyal Yardımcıları Bilgi Çıkarma ve Anlama. Öğrenme ve Öğretim, 25, 71-84. https://doi.org/10.1016/j.learninstruc.2012.11.005
[40] Lin, F.-R. ve Kao, C.-M. (2018) E-Öğrenme Bağlamlarında EEG Verilerini Kullanarak Zihinsel Çaba Tespiti. Bilgisayarlar ve Eğitim, 122, 63-79. https://doi.org/10.1016/j.compedu.2018.03.020
[41] Klem, GH, Lüders, HO, Jasper, HH ve Elger, C. (1999) Uluslararası Federasyonun On Yirmi Elektrot Sistemi. Uluslararası Klinik Nörofizyoloji Federasyonu. Elektroensefalografi ve Klinik Nörofizyoloji, 52, 3-6.
[42] Chaouachi, M., Jraidi, I. ve Frasson, C. (2015) MENTOR: Fizyolojik Kontrollü Özel Ders Sistemi. In: Kullanıcı Modelleme, Uyarlama ve Kişiselleştirme, Springer, Berlin, 56-67. https://doi.org/10.1007/978-3-319-20267-9_5
[43] Chaouachi, M., Jraidi, I. ve Frasson, C. (2011) Akıllı Sistemler için EEG Özelliklerini Kullanarak Zihinsel İş Yükünü Modelleme. İçinde: Kullanıcı Modelleme, Uyarlama ve Kişiselleştirme, Springer, Berlin, 50-61. https://doi.org/10.1007/978-3-642-22362-4_5
[44] Chaouachi, M., Chalfoun, P., Jraidi, I. ve Frasson, C. (2010) Etkileme ve Zihinsel Katılım: Doğru Akıllı Sistemler için Uyumluluk. 23. Uluslararası FLAIRS Konferansı, Florida, 19-21 Mayıs 2010, 6.
Öğrencilerin öğrenme etkinlikleri sırasında katılım düzeyini izlemek, özel ders müdahalelerinin geliştirilmesinde önemli bir zorluktur. Bu yazıda, elektroensefalografik sinyallerin (EEG) acemi tıp öğrencilerinin akıl yürütme indeksini bir akıl yürütme sürecinde izlemek için bir araç olarak kullanılmasının fizibilitesini araştırıyoruz. Daha kesin olarak, hedefler öncelikle, öğrenme ortamında öğrenciler arasında en yüksek katılım düzeyini uyandıran belirli bölümlerin olup olmadığını araştırmak için öğrencilerin zihinsel katılım evrimini izlemekti ve eğer öyleyse, bu bölümlerin öğrencilerin performansı. Deneysel analizler, farklı çözümleme aşamalarında ve ortamların farklı bölgelerinde aynı eğilimleri göstermiştir. Ancak, daha fazla zihinsel çaba uyandırdığı için tedavi tanımlama aşamasında daha yüksek bir katılım endeksi fark ettik. Ayrıca zihinsel katılım ile öğrencilerin performansı arasında istatistiksel olarak anlamlı etkiler bulunmuştur.
Anahtar Kelimeler
EEG, Katılım Dizini, Öğrenicilerin Performansı, Bilgisayar Tabanlı Öğrenme Ortamları
1. Giriş
Kullanıcıların deneyimlerini izleme fakültesi ile bilgisayar tabanlı ortamları desteklemek, insan-bilgisayar etkileşimlerini iyileştirmek ve kullanıcıların ihtiyaçlarını anlamak için önemli bir adımdır [1] [ 2] [3]. Daha doğrusu, kalp hızı, galvanik cilt yanıtı, vücut ısısı ve elektroensefalografi (EEG) gibi nörofizyolojik sensörlerin kullanımı, kullanıcıların davranışlarını ve zihinsel durumlarını değerlendirmek için sürekli olarak önem kazanmaktadır.
Özellikle, EEG verileri, milisaniye zaman dilimi içinde beyin aktivitesi hakkında değerli nicel ve tarafsız bilgi sağlar. Tıbbi tanı (örn. Hasta koma izleme ve epilepsi tespiti) [4] [5] [6], duygu tanıma dahil olmak üzere çok çeşitli uygulamalarda giderek daha düşük oranda kullanılan düşük maliyetli ve invazif olmayan bir araç haline gelmiştir. (örneğin can sıkıntısı değerlendirmesi) [7] [8] [9], duygusal modelleme (örneğin belirsizlik modellemesi, duygusal durum sınıflandırması) [10] [11], performans değerlendirmesi (örneğin sonuç tahmini, öğrencilerin sınıflandırması) [12] [13] [14] [15] [16] ve kullanıcıların zihinsel aktivite değerlendirmesi [17] [18] [19].
Öğrencilerin zihinsel durumlarının izlenmesi özellikle bilgisayar tabanlı öğrenme ortamlarında birincil öneme sahiptir [20] [21] [22]. Öğrenme sürecinde öğrencilerin dikkatini tanıma ve ölçme yeteneği, başarılı bir bilgi edinmenin önemli bir parçasıdır çünkü bilişsel performanslarını etkiler. Bu nedenle, öğrencilerin zihinsel durumlarına ilişkin doğru bir görüş elde etmek, etkileşimli öğrenme sistemlerinin özel ders içeriğini ayarlamasına, uygun yardım stratejilerini formüle etmesine ve öğrenme sonuçlarını geliştirmesine izin verebilir.
Bu yazıda, zihinsel durumlarını izlemek ve öğrenme performanslarını değerlendirmek için tıbbi ciddi bir oyunla etkileşime girdikçe öğrencilerin elektrofizyolojik aktivitelerini kaydettik. İlk olarak, öğrencilerin zihinsel katılımlarının öğrenme ortamının farklı aşamalarında nasıl geliştiğini keşfetmek için EEG sinyallerini izlemeyi hedefliyoruz. İkinci olarak, oyunun belirli aşamalarında meşgul olmanın veya çevrenin belirli ilgili alanlarına dikkat edilmesinin öğrencilerin sonuçları üzerinde bir etkisi olup olmadığını inceliyoruz.
Makalenin geri kalanı aşağıdaki gibi düzenlenmiştir: Bölüm 2, öğrencilerin bilgisayar tabanlı öğrenme ortamlarında katılım değerlendirmesi ile ilgili daha önceki bazı çalışmaları özetlemektedir. Bölüm 3, deney düzeneğimizi açıklar. Bölüm 4, elde edilen sonuçları tartışır ve Bölüm 5 bir sonuç ve gelecekteki çalışmaları sunar.
2. İlgili çalışma
Başarılı bir öğrenme deneyiminin anahtarı, eğitimcilerin öğrencilere yeterli yardımı sağlama yeteneğidir. Bu bağlamda, birçok araştırmacı, öğrencilerin bilgisayar tabanlı öğrenme etkileşimleri sırasında meşgul olmalarını sağlamak amacıyla öğrencilerin zihinsel katılımlarını değerlendirmeye artan bir ilgi göstermektedir [11] [23]. Katılım, dikkat, katılım, odaklanma veya ilgi olarak görülebilen zihinsel bir durumdur [24] [25]. Eğitim bağlamında, katılım durumu, optimal öğrenme performansı elde etmek için bilgi işlemede yer alan tüm zihinsel mekanizmaların uygulanmasından oluşur [26]. Öğrencilerin katılımını ölçmek için hem nitel hem de nicel yöntemler kullanılır.
Nicel yaklaşımlar en yaygın ölçütlerdir. Öğrenciler tarafından doldurulacak anketler ve anketler gibi öz değerlendirme araçlarına dayanırlar. Öğrencilerin duygusal ve bilişsel katılımlarını değerlendirmek için öz bildirim önlemleri kullanılır [27] [28]. Pintrich ve De Groot (1990), öğrencilerin kendi kendini düzenleyen öğrenme bileşenlerini ve bunların öğrencilerin performansları ve bilişsel katılımlarıyla nasıl ilişkili olduğunu ölçmek için bir öz bildirim anketi kullanmıştır. Sonuçlar öz-yeterlik ve bilişsel katılım arasında pozitif bir ilişki olduğunu göstermiştir. Aslında, kendi kendini düzenleyen öğrenciler diğerlerine göre daha bilişsel olarak meşgul olurlar ve daha iyi performans gösterirler. Bu yöntemler pratik, düşük maliyetlidir ve büyük örnekler ve uzaktan öğrenme için kullanımı kolaydır [29]. Bununla birlikte, yanıtlar yanlı olabileceğinden, elde edilen veriler tamamen güvenilir değildir. Aslında, öğrenciler kendi kendilerini raporlayan anketleri kendileri doldurduklarından, veriler öğrencilerin katılımı hakkında etkili sonuçlar çıkarmak için yeterli objektif olmayacaktır. Bu sorunlarla yüzleşmek için önerilen çözümlerden biri nitel yaklaşımların kullanılmasıdır.
Nitel yöntemler öğrencilerin katılımını gözlem, mülakat ve eğitimcilerin puanları gibi çeşitli tekniklerle ölçer [30] [31] [32]. Helme ve Clarke (2008) dört sınıfta matematik dersleri sırasında bilişsel katılım göstergelerini belirlemek için görüşme verilerini kullandılar. Sonuçlar farklı bilişsel katılım kalıplarını ortaya koydu. Örneğin, öğrenci-öğrenci etkileşimi etkinliğinde, öğrenciler öğrenci-öğretmen faaliyetine kıyasla daha yüksek düzeyde katılım göstermişlerdir. Başka bir çalışma, öğrencilerin katılımını kavramsallaştırmaya ve akademik ayrılmayı tanımlamaya yardımcı olmak için sınıf gözlemlerinin kullanımına dayanıyordu. Bu çalışmada yapılan gözlem türleri arasında tartışmalar, projeler ve laboratuvarlar bulunmaktadır [33]. Niteliksel önlemlere öğrencilerin katılım düzeyinin güvenilir göstergelerini sunmasına rağmen,
Öğrencilerin katılımını ölçmek için başka bir alternatif yöntem, bu son yıllarda fizyolojik sensörlerin kullanılmasıdır. Bu algılama teknolojilerini öğrenme ortamlarında kullanmanın başlıca avantajı, öğrencinin bilişsel davranışı hakkında doğrudan gözlemlenemeyen değerli nicel veriler sağlayabilmeleridir. Cilt iletkenliği, kalp atım hızı ve elektroensefalografi gibi fizyolojik sensörlerin kullanımı, öğrencilerin zihinsel durumlarındaki değişiklikleri izleme etkinliğini kanıtlamıştır [34] - [39]. Boucheix ve diğ. (2013), farklı grafik sunumların öğrencilerin katılımı ve öğrenme çıktıları üzerinde nasıl bir etkisi olabileceğini incelemek için göz izlemeyi kullanmıştır. Whitehill ve diğ. (2014) öğrencilerin katılımını otomatik olarak tespit etmek için yüz ifadeleri kullanmıştır. D'Mello,
Mevcut tüm sensörler arasında, araştırmacılar EEG'yi kullanırken öğrencilerin katılımını ölçmek için umut verici sonuçlar bildirdiler. Aslında EEG, öğrencilerin dikkatindeki an be an değişikliklerin uygun bir göstergesi olabilir. Özel eğitim sistemlerinde Chaouachi ve meslektaşları (2015), öğrenme materyallerini EEG sinyalleri kullanılarak ölçülen öğrencilerin dikkatine ve iş yüküne göre otomatik olarak uyarlar. Örneğin, öğrenci devre dışı bırakıldığında veya aşırı yüklendiğinde / aşırı yüklendiğinde, öğrenciyi meşgul etmek için bir sonraki etkinlik olarak çalışılmış bir örnek verilir. Başka bir çalışmada, EEG teknolojisi, zihinsel durum sınıflandırma sistemi kullanarak bireysel zihinsel çabayı tespit eden bir e-öğrenme ortamında kullanılmıştır [40]. Yazarlar, öğrencilerin yüksek zihinsel çaba ürettikleri video bölümlerini tanımlamak için denetimli bir öğrenme tekniği kullandılar.
Bu yazıda, EEG'yi öğrencilerin farklı tıbbi vakaları akla getirirken ve çözerken zihinsel katılımlarını izlemek için kullanmayı öneriyoruz. Öğrencilerin katılımının, problem çözme görevinin üç aşaması arasında ve çevredeki farklı ilgi alanları arasında nasıl değiştiğini değerlendirmeyi amaçlıyoruz. Ardından öğrencilerin katılımlarının muhakeme sonuçları üzerinde bir etkisi olup olmadığını araştırıyoruz.
3. Deney Tasarımı
20-27 yıl arasında ortalama yaşları 21.8 ± 2.73 yıl olan 15 lisans öğrencisi (7 kız) 20 dolar tazminatla deneye katılmıştır.
Laboratuvara geldikten sonra katılımcılardan deneyi ve materyali açıklayan bir onay formu imzalamaları istendi. Daha sonra Emotiv EEG kulaklığı ile donatıldı ve Amnesia adı verilen tıbbi öğrenme ortamımızla etkileşime girerken sırasıyla beyin aktivitelerini ve göz hareketlerini kaydetmek için göz izleyicinin önüne yerleştirildi. Seans sırasında oyuna 30-45 dakika ayrıldı ve sonunda katılımcılar, oyunun ergonomisi ve kullanılabilirliği hakkında geri bildirim toplamak için bir oyun sonrası anketi doldurmaya davet edildi.
3.1. Amnezi: Bir Eğitimsel Video Oyunu
Amnezi, acemi tıp öğrencilerinin klinik yeteneklerini farklı problem çözme görevleri yoluyla değerlendirmek için geliştirilmiş bir öğrenme ortamıdır. Oyunda, doktor rolünü oynayan oyuncunun yanlışlıkla amnezi teşhisi konulduğu ve hastanede sıkıştığı sanal bir hastane var. Tuzaktan çıkmak için, öğrencilerin önce mantık testleri gibi bazı bilişsel görevleri çözmeleri ve ikincisi bir tıp uzmanının yardımıyla tasarlanan ve onaylanan altı tıbbi vakayı çözerek klinik becerilerini kanıtlamaları gerekir. Her tıbbi vaka farklı bir hastalığı temsil eder: grip, bakteriyel pnömoni, kızamık, Ebola, kabakulak ve boğmaca.
Çözümleme görevi üç aşamaya ayrılmıştır: keşif, teşhis ve tedavi ve her aşamada, bir teşhis oluşturmak için analizler ve öncüler gibi ek veriler de toplayabilirler. Araştırma aşaması, öğrencinin hastanın demografik bilgilerini ve ayrıca klinik verilerini (örn. Semptomlar, öncüler vb.) Analiz etmesi gereken klinik vaka çözümleme sürecinin ilk bölümünü temsil eder. Tüm yararlı veriler toplandıktan sonra, teşhis aşamasının amacı, önerilen altı hasta listesinden doğru hastalığı tanımlamaktır. Öğrencinin doğru yanıtı bulmak için en fazla üç denemesi vardır. Teşhisi tamamladıktan sonra, öğrenciye farklı tedavilerin bir listesi gösterilir ve kendisinden yeterli olanı bulması istenir.
Ayrıca, her tıbbi durumda, farklı ilgi alanlarına (AOI) göre katılım düzeyini analiz etmek için çözüm ortamını farklı bölümlere ayırdık. Bu amaçla, ekranın görevle ilgili altı bölgesini temsil eden altı spesifik bölüm tanımladık: Bilgi (I), Öncül (A), Belirtiler (S), Analizler (N), Tanı (D) ve Tedavi ( T). İlgilenilen I alanı hastanın demografik bilgilerini içerir (örneğin isim, köken, ağırlık ve boy). Öncül AOI'de, hastanın daha önce sahip olduğu hastalıkları (örneğin alerjiler) tanıttık. S bölgesi, spesifik hastalıkla ilgili tüm semptomları içerir. AOI analizlerinde diğer klinik verileri sunuyoruz (örn. Sıcaklık, kalp hızı ve kan basıncı). D alanı, öğrenciye aralarında doğru cevabı seçmek zorunda olduğu farklı tanıları gösterir. Son olarak, AOI tedavisi, öğrencinin uygun tedavileri seçmesi gereken farklı öneriler sunar.
3.2. EEG Kayıtları
Katılımcıların beyin aktiviteleri, 10-20 uluslararası standarda göre yerleştirilmiş 16 elektrot içeren Emotiv kulaklık seti kullanılarak kaydedildi [41]. Aynı anda beynin 14 bölgesini (O1, O2, P7, P8, T7, T8, C5, FC6, F3, F4, F7, F8, AF3 ve AF4) kaydeder. Tahrik Edilen Sağ Bacak (DRL) ve Ortak Mod Algılama (CMS) olarak adlandırılan P3 ve P4 bölgelerine karşılık gelen referans olarak iki elektrot daha kullanılır. EEG verileri 128 Hz örnekleme hızında kaydedildi. Chaouachi ve meslektaşlarının metodolojisi [42] [43], üç EEG frekans bandı arasında ratio (4 - 8 Hz), α (8 - 13 Hz) arasında bir oran oluşturarak bir nişan indeksini her saniyeyi ölçmek için kullanıldı. ve β (13 - 22 Hz) aşağıdaki gibidir: Nişan indeksi = β / θ + α.
Üç frekans bandı, bir saniyelik EEG sinyalinin bir Hamming penceresi ile çarpılması ve bir Hızlı Fourrier Dönüşümü uygulanarak çıkarıldı. Daha sonra, measured, α ve β'nın birleşik değeri, ölçülen 14 bölgenin tümü üzerindeki değerleri toplanarak hesaplandı. Son olarak, [44] 'te olduğu gibi, T anında EEG kavrama indeksi, her bir kavrama oranının, anlık T'den önceki 40 saniyelik bir kayma ortalaması alınarak hesaplanır. Bu prosedür her 2 saniyede bir tekrarlanır ve güncelleme için yeni bir 40 saniyelik kayan pencere kullanılır İçerik.
4. Sonuçlar ve Tartışma
Bu çalışmada, katılım beyin endeksi kullanılarak öğrencilerin zihinsel durumlarını araştırmak için tüm katılımcılar arasında EEG verileri toplanmış ve analiz edilmiştir. Deneysel sonuçlar esas olarak üç bölüme ayrılmıştır: 1) Klinik problem çözme görevinin (keşif, teşhis ve tedavi) üç aşaması boyunca öğrencilerin beyin aktivitesinin gelişimini değerlendiriyoruz, 2) katılım indeksinin dağılımını analiz ediyoruz farklı AOI'lerde ve 3) katılım düzeyinin performans üzerindeki etkisini araştırıyoruz.
4.1. Çözüm Süreci Yoluyla Nişan Endeksi Evrimi
İlk hedefimiz, katılım göstergesinin tüm katılımcılar arasında çözüm sürecinin farklı aşamalarında nasıl geliştiğini analiz etmekti. Oyunda en çok dikkati çeken belirli bir süre olup olmadığını araştırmaktı. Şekil 1'den, durum 1'in özellikle davanın başlangıcında en yüksek katılım endeksini verdiğini açıkça görebiliriz. Bu sonuç oldukça açıktır çünkü tıbbi vaka çözümünün arayüzü katılımcılara ilk kez gösterilmiştir. Aslında, çevrede etkileşim kurmaları gereken farklı unsurları anlamak için daha fazla zihinsel çaba göstermeleri gerekiyordu. Durum 3'te, öğrencilerin doğru hastalığı tanımlamaları gereken belirli bir süre için katılım endeksinde bir azalma olduğunu görüyoruz. Katılımcıların dikkatindeki bu azalma, başarısız denemelerin sayısı, bu durumda, toplam deneme sayısının% 54'ünü temsil eden 21'e eşit olduğu için performanslarını etkilemiştir (bkz. Tablo 1). Geri kalan vakalar benzer varyasyonlara sahiptir.
Ayrıntılı karşılaştırmalar yapmak için, araştırma endeksinin keşif, teşhis ve tedavi aşamalarındaki değişimini incelemek için bir çubuk grafik giydirdik.
Şekil 2, her bir tıbbi vakanın her aşamasında katılım endeksinin dağılımını göstermektedir. Hemen hemen tüm vakalarda arama aşamasının en fazla dikkat çektiğini, ardından ikinci, tedavi aşaması ve üçüncüsü de tanıyı izlediğini fark ettik. Bununla birlikte, genel olarak, vakalar veya aşamalar arasında katılım düzeyi açısından önemli bir fark olmadığını açıkça ayırt edebiliriz. En yüksek varyasyon ilk durumda yaklaşık% 30'dur. Bu sonucu desteklemek için tekrarlanan ölçümlerle varyans analizleri (ANOVA) kullanılarak istatistiksel testler yapıldı. Üç fazda, etkileşim indeksinin belirli bir faz veya bir vaka ile ilişkili olmadığını düşündüren istatistiksel olarak anlamlı bir sonuç (p = ns) bulunmamıştır.
Şekil 1. Her tıbbi vakada EEG angajmanı evrimi.
Şekil 2. Öğrencilerin katılım endekslerinin çözüm sürecinin farklı aşamalarına dağılımı.
Tablo 1. Tıbbi vaka çözümü için tanımlayıcı istatistikler
Durum 1 Durum 2 Durum 3 Durum 4 Durum 4 Durum 6 Durum 6
Başarılı olan katılımcı sayısı 15 10 10 8 5 5
Toplam deneme sayısı 47 36 39 31 13 18
Başarısız deneme sayısı 22 16 21 19 3 9
Daha önceki analizlerde, katılım endeksinin oyunun tüm aşamalarında tüm vakaların birleştirildiği hemen hemen benzer bir şekilde değiştiği bulunmuştur. Bir sonraki araştırmamızda, katılım endeksinin AOI'lere nasıl dağıtıldığını ve benzer şekilde, tespit edilenler arasında belirli bir alanın (örneğin Bilgi, Öncül, Belirtiler, Analizler, Tanı ve Tedavi) olup olmadığını incelemek için daha fazla analiz yaptık. öğrencilerin katılımı konusunda.
Katılım endeksi açısından ön istatistiksel karşılaştırmalar yapılmıştır. Tablo 2, hangi alanlarda yüksek düzeyde katılım olduğunu görmek için ortalama değerleri ve standart sapmaları kullanan tanımlayıcı istatistikleri göstermektedir.
İlk durumda, Bilgi alanı için en yüksek değer elde edilmiştir. Gerçekten, bu, katılımcıların klinik ortamla ilk kez etkileşime girmesine karşılık gelir. Bu yüzden diğer bölgelere kıyasla özel ders materyallerini anlamaya daha fazla ilgi gösterdiler ve odaklandılar. Antecedents alanı, nişan endeksinin yüksek olduğu dördüncü tıbbi vaka hariç, spesifik ilgili materyal içermediğinden hemen hemen tüm vakalarda en az ilgi çekiciydi. Gerçekten de, bu vakayı doğru bir şekilde çözmek ve uygun hastalığı tanımlayabilmek için öğrencilerin bu alandaki önemli bilgilere özellikle dikkat etmeleri gerekiyordu. Bu durumda olduğu gibi, tanı Ebola idi, öğrencilerin hastalığı başarılı bir şekilde tanımlamak için Antecedents alanına odaklanmaları gerekiyordu, doğru cevabı vermelerine yardımcı olabilecek önemli bir ipucu (“son zamanlarda Gine'ye gitti”). Geri kalan alanlarda, AOI Tedavisi en yüksek katılım düzeyini tetiklemiştir. Gerçekten de, tanı konulduktan sonra, öğrenciler belirlenen hastalık için uygun tedavileri oluşturmak zorundaydılar. Altı farklı tedavinin bir listesi katılımcılara sunuldu ve doğru olanları seçmeleri istendi (davaya bağlı olarak iki veya üç). Bu nedenle, öğrencilerin hata yapmamak için tüm önerilere dikkat etmesi gerekiyordu. Sonuç olarak, bu adım diğerlerine göre daha fazla konsantrasyon gerektirmektedir, özellikle de öğrencilere üç hatadan sonra oyunun biteceği bilgisi verilmiştir. Tedavi AOI en yüksek katılım düzeyini tetiklemiştir. Gerçekten de, tanı konulduktan sonra, öğrenciler belirlenen hastalık için uygun tedavileri oluşturmak zorundaydılar. Altı farklı tedavinin bir listesi katılımcılara sunuldu ve doğru olanları seçmeleri istendi (davaya bağlı olarak iki veya üç). Bu nedenle, öğrencilerin hata yapmamak için tüm önerilere dikkat etmesi gerekiyordu. Sonuç olarak, bu adım diğerlerine göre daha fazla konsantrasyon gerektirmektedir, özellikle de öğrencilere üç hatadan sonra oyunun biteceği bilgisi verilmiştir. Tedavi AOI en yüksek katılım düzeyini tetiklemiştir. Gerçekten de, tanı konulduktan sonra, öğrenciler belirlenen hastalık için uygun tedavileri oluşturmak zorundaydılar. Altı farklı tedavinin bir listesi katılımcılara sunuldu ve doğru olanları seçmeleri istendi (davaya bağlı olarak iki veya üç). Bu nedenle, öğrencilerin hata yapmamak için tüm önerilere dikkat etmesi gerekiyordu. Sonuç olarak, bu adım diğerlerine göre daha fazla konsantrasyon gerektirmektedir, özellikle de öğrencilere üç hatadan sonra oyunun biteceği bilgisi verilmiştir. ve doğru olanları seçmeleri istendi (davaya bağlı olarak iki veya üç). Bu nedenle, öğrencilerin hata yapmamak için tüm önerilere dikkat etmesi gerekiyordu. Sonuç olarak, bu adım diğerlerine göre daha fazla konsantrasyon gerektirmektedir, özellikle de öğrencilere üç hatadan sonra oyunun biteceği bilgisi verilmiştir. ve doğru olanları seçmeleri istendi (davaya bağlı olarak iki veya üç). Bu nedenle, öğrencilerin hata yapmamak için tüm önerilere dikkat etmesi gerekiyordu. Sonuç olarak, bu adım diğerlerine göre daha fazla konsantrasyon gerektirmektedir, özellikle de öğrencilere üç hatadan sonra oyunun biteceği bilgisi verilmiştir.
Tablo 2. Tıbbi vaka başına angajman indeksi için tanımlayıcı istatistikler, ortalamalar (standart sapma).
Her seferinde hangi bölgelerin en fazla dikkati çektiğini göstermek için Bonferroni ayarlı post hoc testler yapılmıştır. Sonuçlar birinci durumda, bilgi düzeyinin Bilgi alanında Semptomlar (p = 0.021), Tanı (p = 0.006) ve Tedavi (p = 0.000) alanlarından istatistiksel olarak anlamlı derecede yüksek olduğunu göstermektedir. Tedavi alanı için 3. durumda Semptomlar (p = 0.010) ve Analizler (p = 0.002) ile karşılaştırıldığında önemli farklılıklar bulunmuştur. Son olarak, 5 durumunda, ikili karşılaştırmalar AOI'ler arasında fark olmadığını gösteren anlamlı bir etki göstermemiştir. Gerçekten de, bu durumda ve Tablo 2'de gösterildiği gibi, etkileşim endeksinin tüm değerleri nispeten benzerdir.
Bu sonuçlar öğrencilerin dikkatini en çok çeken AOI'lerin olmadığını göstermiştir. Bu bulgular, istatistiksel çalışmaların fiksasyon süresi açısından ters etki gösterdiği önceki çalışmalarımızla çelişmektedir [2]. Aslında, tek yönlü ANOVA'lar S bölgesinin tüm tıbbi vakalarda en sabit bölge olduğunu göstermiştir. Böylece, daha uzun sabitlemelerin daha yüksek dikkat gerektirmediği açıklanabilir. Bununla birlikte, bu, belirli ilgili bilgilere dikkat etmenin, öğrencilerin tıbbi vakaları doğru bir şekilde çözmelerine neden olabileceğini ima ediyor mu? Bu soruyu bir sonraki bölümde inceleyeceğiz. İlk olarak, tıbbi vaka çözümlemesindeki performans (başarı veya başarısızlık) ile katılım arasında istatistiksel ilişkiler olup olmadığını kontrol etmekle ilgileneceğiz. İkinci,
4.3. Katılım Dizini ve Performansı
İlk olarak iki grup öğrencisini (grup 1: başarı; grup 2: başarısızlık) vaka çözümü boyunca katılım düzeyi açısından karşılaştırmak için tek yönlü ANOVA'lar gerçekleştirilmiştir. Olgu 2 ve 5 için, iki grup arasında denek sayısı adil olmadığı için analiz gerçekleştirilmedi (tüm katılımcılar vakaları çözmeyi başardılar). Kalan vakalar için analiz, Tablo 3'te gösterildiği gibi her iki grupta da öğrencilerin katılım indeksinde anlamlı bir fark gösteren ana bir etki (p <0.05) vermiştir. 1, 4 ve 6 vakalarında, grup 1, grup 2 ile karşılaştırıldığında. Aslında, öğrenenler ne kadar fazla etkileşime girdiyse, çözüme o kadar çok ulaşabildiler. Hala, 3. vakada başka bir eğilim gözlemlendi: en yüksek katılım endeksi grup 2'de (yani tıbbi vakayı çözmede başarısız olan katılımcılar) tespit edildi. Kişi bunu farklı şekilde açıklayabilir; bu durumda, öğrenciler tanı / tedaviyi tanımlamakta oldukça zorlanıyordu. Bu nedenle, daha katılımlı olmaya çalıştılar ve çözüme ulaşmak için daha fazla zihinsel çaba gösterdiler.
Ayrıca, öğrencilerin performansı üzerinde etkisi olabilecek belirli bir bölgenin olup olmadığını araştırmak için denek içinde tekrarlanan ölçüm ANOVA'ları gerçekleştirilmiştir. Bununla birlikte, AOI'ler arasında, başarı / başarısızlık açısından, belirli bir AOI'ye odaklanırken meşgul olmanın öğrencilerin performansı üzerinde bir etkisi olmadığını düşündüren, önemli / farklılıklar (p = ns) bulunmamıştır.
Bu sonuçlar fiksasyon süresi ile ilgili [2] hipotezimizi doğrulamaktadır. Gerçekten de, belirli bilgi alanlarındaki daha uzun sabitleme süresinin öğrencilerin performansı üzerinde bir etkisi olmadığı bulunmuştur. Bu sonuçlar farklı şekillerde açıklanabilir: birinci neden, tespit edilen AOI'nin önemli bilgiler içermemesidir, yani öğrencilerin itiraf etmesi, ancak öğrencilerin özellikle dikkat etmeleri gereken 4. durumda olduğu gibi doğru yönde olmaları olabilir. Öncüllerin ilgi alanı. Bununla birlikte, istatistiksel sonuçlara dayanarak, bunun en düşük katılım endeksine sahip alan olduğu gösterilmiştir (bakınız Tablo 2). İkinci açıklama, öğrencinin bazı bilgileri anlamakta zorluk çekebileceğidir. Yani,
Tablo 3. ANOVA'ların sonuç özeti.
Özetle, ilk deneysel analizler varsayımlarımızla uyumludur. Durum 1 ve keşif aşamasında, çözmeleri gereken ilk tıbbi durum olduğu için öğrencilerin yüksek zihinsel katılım yaşama olasılıkları daha yüksekti. Ayrıca, görüntülenen arayüz, oyunun diğer sahnelerinden farklıydı, bu da davayı nasıl çözeceklerini anlamak için onları daha dikkatli hale getiriyor. Diğer durumlar için katılım endeksi açısından belirli bir değişiklik tespit edilmemiştir: üç çözümleme aşaması hemen hemen aynı düzeyde dikkat çekmiştir. Tıbbi vakaları çözerken, katılımcıların ekranın belirli bölgelerine odaklanması gerekiyordu. Bu nedenle, zihinsel katılım yüksek olduğunda belirli bir ilgi alanı (alanları) olup olmadığını incelemek istedik. Çoğu durumda benzer eğilimler gözlemlenmiştir: öğrenenler çoğunlukla Tedavi AOI'sine odaklanırken nişanlandılar. Aslında, bu bölüm her bir tıbbi vakada tanımlanan her hastalık için en az iki tedaviye ihtiyaç olduğunu bilmek için daha fazla zihinsel çaba gerektirir. Öte yandan, Antecedents alanı öğrencilerin akıl yürütme sürecini desteklemek için önemli bilgiler içermediğinden en az ilgi çekicidir. Son olarak, deneysel tasarımın ikinci bölümünde, öğrencilerin sabitlenmiş AOI'lerde katılım düzeyindeki bir değişikliğin öğrencilerin performansı üzerinde etkisi olabileceği hipotezini geliştirdik. Sonuçlar öğrencilerin performans ve katılım endeksi arasında istatistiksel olarak anlamlı ilişkiler olduğunu göstermiştir. Bununla birlikte, kalan analizlere dayanarak, öğrencilerin sonuçları üzerinde etkisi olan benzersiz bir alan olduğu sonucuna varamayız: yani bir AOI'yi sabitlerken nişanlanmak, önemli ya da değil, mutlaka tıbbi vakaların çözümlenmesinde başarılarına ya da başarısızlıklarına yol açamaz. Gerçekten de klinik problem çözme görevlerinde, çözümün tüm adımları zorunludur. Örneğin, sadece semptomları okurken meşgul olamayız ve ilgili bilgileri de içerebilecek öncülleri unutamayız.
5. Sonuçlar
Bu çalışmada, on beş katılımcının EEG sinyallerini kullanarak zihinsel katılım endeksini ölçmek için deneysel bir protokol oluşturulmuştur. Katılımcılara altı tıbbi vaka gösterildi ve doğru tanı ve tedaviyi belirleyerek bunları çözmeleri istendi. Bu araştırmanın amacı, akıl yürütmede daha sonra uygun yardım stratejileri geliştirmek amacıyla öğrencilerin beyin aktiviteleri değişikliklerine genel bir bakış sağlamaktır. Gerçekten de, öğrencilerin yüksek riskli tıbbi öğrenme ortamlarında, ilerlemelerini ve bilgi edinme seviyelerini sürekli olarak izlemek için öğrencilerin zihinsel katılımlarını izlemek çok önemlidir.
İlk olarak, katılım sürecinin farklı aşamalarında ve farklı ilgi alanlarında gerçekleşen katılım indeksinin gelişimini, yüksek düzeyde katılım sağlayabilecek potansiyel zaman çerçeveleri veya bölgeleri belirlemek amacıyla değerlendirdik. İlk vakanın özellikle araştırma aşamasında katılımcılara sergilenen ilk sahne olan yüksek düzeyde katılımı sağladığını tespit ettik. Sonra zihinsel angajman ve öğrencilerin performansı arasındaki ilişkiyi analiz ettik. Sonuçlar, katılımın öğrencilerin sonuçları üzerinde genel olarak önemli bir olumlu etkisi olduğunu göstermiştir, ancak bu ilişkinin oyunun belirli bir bölümüne veya belirli bir ilgi alanına daha fazla dikkat edilerek modüle edilmediğini bulduk.
Gelecekteki araştırmalarımızda, öğrencilerin öğrenme davranışları hakkında çok modlu sensör tabanlı bir değerlendirme yapmak için göz izleme verilerini EEG ile birleştirmeyi öneriyoruz. Uzun vadede, acemi tıp öğrencilerine hem zihinsel hem de görsel davranışlarına göre analitik akıl yürütme süreçlerini geliştirmek için zamanında müdahaleler sağlamayı planlıyoruz.
Teşekkür
Bu çalışma, LEADS projesi aracılığıyla NSERC (Ulusal Bilim ve Mühendislik Araştırma Konseyi) ve SSHRC (Sosyal Bilimler ve İnsan Araştırma Konseyi) tarafından desteklenmiştir.
Çıkar çatışmaları
Yazarlar bu makalenin yayınlanmasına ilişkin herhangi bir çıkar çatışması bildirmemişlerdir.
Referanslar
[1] Jraidi, I., Chaouachi, M. ve Frasson, C. (2013) Öğrencilerin Etkileşim Deneyimlerini Değerlendirmek için Dinamik Çok Modlu Bir Yaklaşım. 15. Uluslararası Multimodal Etkileşim Konferansı, Sydney, 9-13 Aralık 2013, 271-278. https://doi.org/10.1145/2522848.2522896[2] Ben Khedher, A., Jraidi, I. ve Frasson, C. (2018) Öğrencilerin Performans Değerlendirmesi için Statik ve Dinamik Göz Hareketi Metrikleri. Akıllı Öğrenme Ortamları, 5, 14. https://doi.org/10.1186/s40561-018-0065-y
[3] Ben Khedher, A., Jraidi, I. ve Frasson, C. (2017) Öğrencilerin Akıl Yürütmesini Değerlendirme Göz İzleme ve Dizi Hizalama Yönteminin Kullanılması. Uluslararası Akıllı Bilişim Konferansı, Liverpool, 7-10 Ağustos 2017, 47-57. https://doi.org/10.1007/978-3-319-63312-1_5
[4] Roach, BJ ve Mathalon, DH (2008) Olayla İlgili EEG Zaman-Frekans Analizi: Şizofrenide Erken Gama Bandı Faz Kilitlemesinin Ölçülerine Genel Bir Bakış ve Analiz. Şizofreni Bülteni, 34, 907-926. . https://doi.org/10.1093/schbul/sbn093
[5] Ben Hamida, S., Penzel, T. ve Ahmed, B. (2015) Primer Uykusuzluğun EEG Zaman ve Frekans Alan Analizi. 37. Uluslararası IEEE Tıp ve Biyoloji Mühendisliği Derneği Konferansı (EMBC), Milano, 25-29 Ağustos 2015, 6206-6209
[6] Loo, SK, Lenartowicz, A. ve Makeig, S. (2016) EEG Kullanımı Çocuk Psikiyatrisi Araştırmalarında Biyobelirteçler: Mevcut Durum ve Gelecekteki Yönelimler. Çocuk Psikolojisi ve Psikiyatrisi Dergisi, 57, 4-17. https://doi.org/10.1111/jcpp.12435
[7] Soleymani, M., Asghari-Esfeden, S., Fu, Y. ve Pantic, M. (2016) Sürekli Duygu Algılama için EEG Sinyalleri ve Yüz İfadelerinin Analizi. Duyuşsal Bilişimde IEEE İşlemleri, 7, 17-28. https://doi.org/10.1109/TAFFC.2015.2436926
[8] Kim, J., Seo, J. ve Laine, TH (2018) Eye Gaze ve EEG'den Sıkıntı Tespiti. Biyomedikal Sinyal İşleme ve Kontrol, 46, 302-313. https://doi.org/10.1016/j.bspc.2018.05.034
[9] Zhuang, N., Zeng, Y., Tong, L., Zhang, C., Zhang, H. ve Yan, B. ( 2017) EMD Alanında Çok Boyutlu Bilgi Kullanarak EEG İşaretlerinden Duygu Tanıma. BioMed Research International, 2017, Makale Kimliği: 8317357. https://doi.org/10.1155/2017/8317357
[10] Wang, X.-W., Nie, D. ve Lu, B.-L. (2014) Makine Öğrenme Yaklaşımını Kullanarak EEG Verilerinden Duygusal Durum Sınıflandırması. Nöro-hesaplama, 129, 94-106. https://doi.org/10.1016/j.neucom.2013.06.046
[11] Jraidi, I., Chaouachi, M. ve Frasson, C. (2014) Öğrencilerin Etkileşim Deneyimi Eğilimlerini ve Duygularını Tanıma Hiyerarşik Olasılıksal Bir Çerçeve . İnsan-Bilgisayar Etkileşimindeki Gelişmeler, 2014, Makale Kimliği: 632630. https://doi.org/10.1155/2014/632630
[12] Lujan-Moreno, GA, Atkinson, RK ve Runger, G. (2016) EEG Tabanlı Dinamik Öğrenme Ortamında Rasgele Orman Kullanarak Kullanıcı Performansı Tahmini. Akıllı Özel Ders Sistemleri: Yapı, Uygulamalar ve Zorluklar, 105-128.
[13] Jraidi, I. ve Frasson, C. (2010) Bilinçaltı Olarak Benlik Saygısını Arttırmak: Öğrenci Performansı ve Duyuşsal Durum Üzerine Etkisi. Akıllı Özel Ders Sistemleri, 11-20. https://doi.org/10.1007/978-3-642-13437-1_2
[14] Van der Hiele, K., vd. (2007) EEG, Bilişsel Düşüş Spektrumunda İlişkilidir. Klinik Nörofizyoloji, 118, 1931-1939. https://doi.org/10.1016/j.clinph.2007.05.070
[15] Jraidi, I., Chalfoun, P. ve Frasson, C. (2012) Akıllı Özel Ders Sistemleri için Örtük Stratejiler. Akıllı Özel Ders Sistemleri, 1-10.
[16] Ben Khedher, A., Jraidi, I. ve Frasson, C. (2018) Ciddi Bir Oyundaki Öğrenme Performansını Değerlendirmek İçin Öğrencilerin Göz Hareketlerini Keşfetmek. EdMedia + Yenilikçi Öğrenme, 394-401.
[17] Aricò, P., Borghini, G., Di Flumeri, G., Colosimo, A., Pozzi, S. ve Babiloni, F. (2016) Mesleki Zihinsel İş Yükü Değerlendirmesi için Pasif Beyin-Bilgisayar Arayüzü Uygulaması Gerçekçi Hava Trafik Kontrol Görevleri Sırasında Hava Trafik Kontrolörleri. Beyin Araştırmalarında İlerleme, 228, 295-328. https://doi.org/10.1016/bs.pbr.2016.04.021
[18] Wang, S., Gwizdka, J. ve Chaovalitwongse, WA (2016) n-Geri Görevinde Bellek İş Yükünü Değerlendirmek için Kablosuz EEG İşaretlerini Kullanma . İnsan-Makine Sistemlerinde IEEE İşlemleri, 46, 424-435. https://doi.org/10.1109/THMS.2015.2476818
[19] Keith, JR, Rapgay, L., Theodore, D., Schwartz, JM ve Ross, JL (2015) Bir Madde Kullanım Bozuklukları Konut Tedavi Ortamında Dikkat Eksiklikleri için Otomatik EEG Biofeedback Sisteminin Değerlendirilmesi. Bağımlılık Davranışlarının Psikolojisi, 29, 17-25. https://doi.org/10.1037/adb0000016
[20] Jraidi, I. ve Frasson, C. (2013) Öğrencinin Çok Modlu Sensör Tabanlı Bir Yaklaşımla Belirsizlik Modellemesi. Eğitim Teknolojisi ve Derneği Dergisi, 16, 219-230.
[21] Chen, C.-M., Wang, J.-Y. ve Yu, C.-M. (2017) Brainwave Sinyallerine Dayalı Yeni Bir Dikkat Duyarlı Sistem Kullanarak Öğrencilerin Dikkat Düzeylerinin Değerlendirilmesi. İngiliz Eğitim Teknolojisi Dergisi, 48, 348-369. https://doi.org/10.1111/bjet.12359
[22] Mills, C., Fridman, I., Soussou, W., Waghray, D., Olney, AM ve D'Mello, SK (2017) Düşünme Sınırınızı Koyunuz: Öğrenme Sırasında EEG Kullanarak Bilişsel Yükü Tespit Etmek. 7. Uluslararası Öğrenme Analitiği ve Bilgi Konferansı Bildirileri, Vancouver, 13-17 Mart 2017, 80-89. https://doi.org/10.1145/3027385.3027431
[23] Henrie, CR, Halverson, LR ve Graham, CR (2015) Teknoloji Aracılı Öğrenmeye Öğrenci Katılımını Ölçme: Bir Gözden Geçirme. Bilgisayarlar ve Eğitim, 90, 36-53. https://doi.org/10.1016/j.compedu.2015.09.005
[24] Nakamaru, S. (2011) Yatırım ve Getiri. Eğitimde Teknoloji Araştırmaları Dergisi, 44, 273-291. https://doi.org/10.1080/15391523.2012.10782591
[25] Yang, Y.-F. (2011) Öğrencileri Çevrimiçi Durumda Dil Öğrenme Ortamına Katmak. Bilgisayar Destekli Dil Öğrenimi, 24, 181-198. https://doi.org/10.1080/09588221.2010.538700
[26] Azevedo, R. (2015) Bilimde Katılımı ve Öğrenmeyi Tanımlama ve Ölçme: Kavramsal, Teorik, Metodolojik ve Analitik Konular. Eğitim Psikoloğu, 50, 84-94. https://doi.org/10.1080/00461520.2015.1004069
[27] Chen, P.-SD, Lambert, AD ve Guidry, KR (2010) Çevrimiçi Öğrenenlerin Katılımı: Web Tabanlı Öğrenme Teknolojisinin Üniversite Öğrencisi Katılımı Üzerindeki Etkisi. Bilgisayarlar ve Eğitim, 54, 1222-1232. https://doi.org/10.1016/j.compedu.2009.11.008
[28] Jaafar, S., Awaludin, NS ve Bakar, NS (2014) Sınıf Akademik Performansının Motivasyonel ve Kendi Kendini Düzenleyen Öğrenme Bileşenleri. Eğitim Psikolojisi Dergisi, 82, 33-40. [29] Fredricks, JA ve McColskey, W. (2012) Öğrenci Katılımının Ölçülmesi: Çeşitli Yöntemlerin ve Öğrenci Öz Raporlama Araçlarının Karşılaştırmalı Analizi. İçinde: Christenson, SL, Reschly, AL ve Wylie, C., Eds., Öğrenci Katılımı Araştırma El Kitabı, Springer US, Boston, 763-782.
[30] Wigfield, A., vd. (2008) Okuma Anlama Öğretiminin Okuma Çıktıları Üzerindeki Aracılık Etkilerinde Okuma Katılımının Rolü. Okullarda Psikoloji, 45, 432-445. https://doi.org/10.1002/pits.20307
[31] Helme, S. ve Clarke, D. (2001) Matematik Sınıfında Bilişsel Katılımı Belirleme. Matematik Eğitimi Araştırma Dergisi, 13, 133-153. https://doi.org/10.1007/BF03217103
[32] Alford, BL, Rollins, KB, Padrón, YN ve Waxman, HC (2016) Öğretmenlerin Gelişimsel Olarak Uygun Öğretim Uygulamalarının Bir Fonksiyonu Olarak Öğrenci Katılımını Keşfetmek için Sistematik Sınıf Gözlemini Kullanma (DAIP) Etnik Olarak Farklı Okul Öncesi Okullarda İkinci Sınıf Sınıfları. Erken Çocukluk Eğitimi Dergisi, 44, 623-635. https://doi.org/10.1007/s10643-015-0748-8
[33] Turner, JC, Christensen, A., Kaçkar-Cam, HZ, Trucano, M. ve Fulmer, SM (2014) Öğrencilerin Katılımını Artırmak: Ortaokul Öğretmenlerine 3 Yıllık Müdahale Raporu. Amerikan Eğitim Araştırmaları Dergisi, 51, 1195-1226. https://doi.org/10.3102/0002831214532515
[34] Whitehill, J., Serpell, Z., Lin, Y., Foster, A. ve Movellan, JR (2014) Katılımın Yüzleri: Öğrenci Katılımının Otomatik Tanınması Yüz İfadeleri. Duyuşsal Hesaplamada IEEE İşlemleri, 5, 86-98. https://doi.org/10.1109/TAFFC.2014.2316163
[35] Benlamine, S., Bouslimi, S., Harley, J., Frasson, C. ve Dufresne, A. (2015) Beyin Temelli Oyunlara Doğru: Ölçme Oynanış sırasında katılım. EdMedia: Dünya Eğitim Medyası ve Teknolojisi Konferansı, Montréal, 22-25 Haziran 2015, 717-722.
[36] Berka, C., vd. (2007) EEG Dikkat, Öğrenme ve Bellek Görevlerinde Görev Katılımı ve Zihinsel İş Yükü ile İlişkilidir. Havacılık, Uzay ve Çevre Tıbbı, 78, B231-B244.
[37] D'Mello, S., Chipman, P. ve Graesser, A. (2007) Öğrenicinin Duygusal Katılımının Tahmincisi Olarak Duruş. Bilişsel Bilim Derneği 29. Yıllık Toplantısı Bildirileri, Nashville, 1-4 Ağustos 2007, 905-910.
Pham, P. ve Wang, J. (2015) Özenli Öğrenen: Örtülü Kalp Atış Hızı Takibi ile Mobil MOOC Öğreniminin Geliştirilmesi. Uluslararası Eğitimde Yapay Zeka Konferansı, Madrid, 21-25 Haziran 2015, 367-376. https://doi.org/10.1007/978-3-319-19773-9_37
[39] Boucheix, J.-M., Lowe, RK, Putri, DK ve Groff, J. (2013) İşaret Animasyonları: Dinamik Sinyal Yardımcıları Bilgi Çıkarma ve Anlama. Öğrenme ve Öğretim, 25, 71-84. https://doi.org/10.1016/j.learninstruc.2012.11.005
[40] Lin, F.-R. ve Kao, C.-M. (2018) E-Öğrenme Bağlamlarında EEG Verilerini Kullanarak Zihinsel Çaba Tespiti. Bilgisayarlar ve Eğitim, 122, 63-79. https://doi.org/10.1016/j.compedu.2018.03.020
[41] Klem, GH, Lüders, HO, Jasper, HH ve Elger, C. (1999) Uluslararası Federasyonun On Yirmi Elektrot Sistemi. Uluslararası Klinik Nörofizyoloji Federasyonu. Elektroensefalografi ve Klinik Nörofizyoloji, 52, 3-6.
[42] Chaouachi, M., Jraidi, I. ve Frasson, C. (2015) MENTOR: Fizyolojik Kontrollü Özel Ders Sistemi. In: Kullanıcı Modelleme, Uyarlama ve Kişiselleştirme, Springer, Berlin, 56-67. https://doi.org/10.1007/978-3-319-20267-9_5
[43] Chaouachi, M., Jraidi, I. ve Frasson, C. (2011) Akıllı Sistemler için EEG Özelliklerini Kullanarak Zihinsel İş Yükünü Modelleme. İçinde: Kullanıcı Modelleme, Uyarlama ve Kişiselleştirme, Springer, Berlin, 50-61. https://doi.org/10.1007/978-3-642-22362-4_5
[44] Chaouachi, M., Chalfoun, P., Jraidi, I. ve Frasson, C. (2010) Etkileme ve Zihinsel Katılım: Doğru Akıllı Sistemler için Uyumluluk. 23. Uluslararası FLAIRS Konferansı, Florida, 19-21 Mayıs 2010, 6.
Yorumlar
Yorum Gönder