< Terug naar vorige pagina

Project

Het meten en optimaliseren van latente variabelen in technologie-ondersteunde leercontexten

Dit doctoraatsonderzoek spitst zich toe op de interactie tussen mensen en technologie tijdens leerprocessen. De eerste doelstelling van het onderzoek is om te bestuderen hoe men complexe latente variabelen kan meten aan de hand van multimodale data. Hiervoor zullen we twee use cases bekijken: onderwijs (studie 1 en 2) en industrie (studie 4). In elk van deze use cases focussen we op één specifieke latente variabele: in de onderwijscontext is dit betrokkenheid, in de industriële context is dit mentale belasting. Deze latente variabelen zijn niet de enige die relevant zijn tijdens de respectievelijke leerprocessen, maar het zijn zonder twijfel wel belangrijke variabelen. 

De tweede doelstelling is om deze latente variabelen te optimaliseren. Hiertoe bekijken we, net zoals bij de eerste doelstelling, opnieuw de use case in onderwijs (studie 3) en in industrie (studie 5 en 6). Om deze tweede doelstelling te bereiken bestuderen we het effect dat antecedente variabelen hebben op latente variabelen, en op verschillende andere relevante consequente variabelen. Omdat antecedente variabelen een technologische component kunnen bevatten met als bedoeling het leerproces te verbeteren, belichten we op die manier de technologie-ondersteunende context van elke use case. In de onderwijscontext is deze technologie-ondersteunende component een synchrone hybride leeromgeving. In de industriële context zijn dit digitale werkinstructies die een operator (adaptieve) ondersteuning bieden tijdens assemblagetaken (door middel van Augmented Reality, AR).

De focus van dit onderzoek is voornamelijk methodologisch, gezien de multimodale aanpak om latente variabelen te meten. Door twee verschillende contexten te bekijken, beogen we bevindingen die ook relevant kunnen zijn voor andere latente variabelen en andere use cases. Om de twee eerder vermelde doelstellingen na te streven, zetten we verschillende studies op. De eerste drie studies vinden plaatst in de onderwijscontext, de laatste drie in de industriële context.

1) De eerste studie werkt een generieke methodologie uit om computervisie technieken in te zetten om manifeste variabelen te herkennen en die te gebruiken als indicatoren voor latente variabelen. Ze beschrijft een methodologie om videobeelden te analyseren met het oog op het detecteren van individueel en collectief gedrag. Deze studie past die methodologie in het bijzonder toe op de latente variabele betrokkenheid.

2) De tweede studie integreert naast visuele data ook andere databronnen en onderzoekt de mogelijkheid om de betrokkenheid van studenten te meten aan de hand van dergelijke multimodale data.

3) De derde studie vindt plaats in de virtuele klas waar studenten die ter plaatse aanwezig zijn en studenten die de les volgen op afstand synchroon met elkaar in verbinding staan. Een within-subjects design, waar studenten beurtelings de verschillende settings ervaren, laat toe om de betrokkenheid tussen settings te vergelijken en om het effect van quizzes te bestuderen.

4) De vierde studie beoogt een meetmodel voor mentale belasting. Hiertoe monitoren we verschillende manifeste variabelen onder de vorm van psychofysiologische data en verzamelen we zelfrapportage data na elke conditie.

5) De vijfde studie gaat na hoe technologie-ondersteunende werkinstructies (met behulp van AR) zich verhouden tot meer traditionele instructiemedia, als een manier om arbeiders cognitief te ondersteunen tijdens assemblagetaken.

6) De zesde studie bestudeert het gebruik van technologie-ondersteunende gepersonaliseerde werkinstructies, in de zin dat ze aangepast zijn aan de operator (de leerder), opnieuw door middel van AR.

Datum:24 aug 2017  →  Heden
Trefwoorden:Multimodal learning analytics, Student engagement, Multi-location learning, Cognitive load, Latent variables, Augmented reality
Disciplines:Biologische en fysiologische psychologie, Algemene psychologie, Andere psychologie en cognitieve wetenschappen
Project type:PhD project