Name: assessing the multiple dimensions of engagement to characterize learning: a neurophysiological perspective
Uploaded: 2015-07-01T15:00:00.000+00:00
Duration: 13 min 57 s
Description: Watch this Scientific Journal Video about Assessing the Multiple Dimensions of Engagement to Characterize Learning: A Neurophysiological Perspective at JoVE.com

The authors acknowledge the financial support of the Social Sciences and Humanities Research Council of Canada (SSHERC), Natural Sciences and Engineering Research Council of Canada (NSERC), Fonds de Recherche Nature et Technologies du Qu&#233;bec (FQRNT) and Fonds de Recherche sur la Soci&#233;t&#233; et Culture du Qu&#233;bec (FQRSC).

Dieses Protokoll hat eine ethische Bescheinigung des Comité de la recherche institutionnel avec des êtres humains (CIER) de l&#39;Université du Québec à Montréal (UQAM), die von HEC-Montreal für die Tech3Lab Forschungseinrichtung gebilligt wurde. Das Protokoll beschreibt jedes der spezifischen Schritte, die in unserem Labor Umwelt und Ausrüstung durchgeführt werden. Obwohl präzise Softwarepfade vorgesehen sind, um die Methodik zu klären, ist diese Technik übertragbar und können mit anderen Eigentums Eye-Tracking, automatische Gesichtsemotionserkennung, Hautleitfähigkeit und Elektroenzephalographie Ausrüstung und Software repliziert werden. 1. Aufbau der Testumgebung <ol><li> Schalten Sie den Eye-Tracker, die EEG-Verstärker, der vier Aufzeichnungs Computern und den Lautsprechern. </li><li> Bereiten Sie das Setup des Kontrollgeräts: <ol><li> Bereiten Sie die EEG-Setup mit erforderlichen Material gemäß den Hersteller empfNDED Verfahren. Bereiten Sie die EEG-Software für die kommende Teilnehmer. Starten Sie den Eye-Tracking-Software und erstellen Sie einen neuen Teilnehmerprofil in der Software. Starten Sie die Videoaufnahme-Software und die Kameras. </li><li> Starten Sie die Synchronisation-Software mit der spezifischen Unterprogramm für das Projekt mit Markierungen bei 60 sec erstellt. Starten Sie die physiologischen Messsoftware (auf elektrodermale Aktivität aufzeichnen) und öffnen Sie das bestimmtes Layout für das Projekt erstellt. Passen Sie den Teilnehmer Stuhl auf die höchste Stufe. </li></ol></li></ol> 2. Vorbereitung der Teilnehmer <ol><li> Fragen Sie die Teilnehmer, zu lesen und unterzeichnen den ethischen Einverständniserklärung. </li><li> Führen Sie Schädelmessungen für EEG: <ol><li> Finden Sie die Cz Lage auf dem Kopf des Teilnehmers (nach 10 - 20 Referenzsysteme). Tauchen Sie die EEG-net in der Kochsalzlösung (Kaliumchlorid) (siehe Schritt 1.2.1) und starten Sie einen Timer (10 min) in Übereinstimmung mit Standards des Herstellers. &lt;/ Li&gt; </ol></li><li> Lesen Sie das Ziel der Studie und die Schritte in das Experiment zu dem Teilnehmer &quot;Das Ziel dieser Studie ist es, Ihre Hirnaktivität zu beobachten, während Sie Physik Probleme zu beantworten. Zuerst werden wir die Sensoren installieren, dann werden Sie aufgefordert, 10 Newtonschen Physik Probleme auf dem Computer zu lösen. Wir bitten Sie um einen 45-Sekunden-Pause nach jedem Problem mit geschlossenen Augen. Nach jedem Problem, werden Sie aufgefordert, Ihre Einschätzung des Problems zu bewerten. &quot; </li><li> Bitte geben Sie das Thema, das die Gesamtdauer des Experiments wird 90 min. </li><li> Installieren Sie die physiologischen Sensoren, entsprechend den Empfehlungen des Herstellers: zwei gelierten Sensoren an der Spitze der linken Hand. </li><li> Installieren Sie die EEG-Haube, entsprechend den Empfehlungen des Herstellers und führen Sie eine Impedanzprüfung mit einer Schwelle bei 40 kOhm (nach Angaben des Herstellers). </li></ol> 3. Data Collection <ol><li> Stellen Sie sicher, dass die gesamte Aufnahme-Software ist bereit, synchron gestartet werden: <ol><li> Physiologie (EDA Daten): Klicken Sie auf die Schaltfläche &quot;Start&quot;. </li><li> Video-Aufzeichnung: Klicken Sie auf die Schaltfläche &quot;Öffnen&quot;. </li><li> Eye-Tracking: Klicken Sie auf die &quot;on hold&quot; -Taste. </li><li> EEG: Klicken Sie auf die Schaltfläche &quot;Aufnahme&quot;. </li><li> Synchronisations-Software: Klicken Sie auf die &quot;grünen Kreis&quot; -Taste. </li></ol></li><li> Blick Kalibrierung: <ol><li> Führen Sie eine Fünfpunktkalibrierung auf dem Bildschirm, und beachten Sie die Teilnehmer, während er / sie folgt die roten Punkte (klicken Sie auf &quot;Extras / Einstellungen / Kalibrierung ...&quot;). Wiederholen Sie diesen Vorgang, bis eine ausreichende Genauigkeit erreicht, nach den Normen des Herstellers. </li></ol></li><li> Projektaufgabe Anweisungen auf dem Bildschirm des Teilnehmers: zu fragen, ob er / sie Fragen nach dem Lesen sie hat, und wenn er / bereit, das Experiment zu beginnen, ist sie. </li><li> Fragen Sie die Teilnehmer auf 10 Newtonschen p lösenhysics Probleme. </li><li> Wenn nötig, führen Sie eine Impedanzprüfung während einer der 45 s Pausen (nicht vor dem Problem, 5). </li><li> Sicherstellen, dass der Teilnehmer nimmt das volle 45 s Pause vor jedem Problem (um die Grundlinie zu bestimmen). </li></ol> 4. End of Data Collection <ol><li> Stoppen der Datenerfassung auf allen Computern und entfernen Sie die Sensoren aus der Teilnehmer. </li></ol> 5. Nachdem der Teilnehmer kommt selten allein <ol><li> Reinigen Sie die EEG-Kappe mit keimtötenden und aufräumen der Ausrüstung gemäß den Herstellerempfehlungen. Speichern Sie alle Dateien gesammelt und ein Backup auf dem FTP-Server. </li><li> Geben Sie den Teilnehmer-Tabelle: beachten Sie irgendeine besondere Veranstaltung oder ein Problem bei der Datenerhebung. Löschen Sie alle Cookies von der Web-Browser. </li></ol> 6. Datenvorverarbeitung und Export, um die Integration Software <ol start="1"><li> EEG <ol><li> Import EEG EEG-Daten in Datenanalyse-Software: <ol><li> Erstellen Sie drei leere Ordner auf dem Computer mit dem Namen &quot;Rohdaten&quot;, &quot;History&quot; und &quot;Export&quot;, um die Roh-EEG-Daten in den neu erstellten Rohdaten-Datei einfügen. </li><li> In der EEG-Daten-Analyse-Software, klicken Sie auf &quot;Datei / Neues Projekt ...&quot; und wählen Sie die Rohdaten Lage, indem Sie auf Durchsuchen, wählen Sie dann die neu erstellte Rohdatendatei. Wählen Sie den Ort der &quot;History&quot; und &quot;Export&quot; Ordner in der gleichen Weise. </li><li> Klicken Sie auf &quot;OK&quot;. (Das Fenster sollte all der Teilnehmer EEG-Daten enthalten). </li></ol></li><li> Pre-Prozess das Gehirn Signal: <ol><li> Anwenden eines Filters und eine Kerbe (klicken Sie auf &quot;Transformations / IIR-Filter ...&quot;). In dem Fenster, aktivieren Sie die untere Grenz bei 1,5 Hz mit einer Flankensteilheit von 12 dB und die hohe Cutoff bei 50 Hz mit einer Flankensteilheit von 12 dB. Auch ermöglichen, eine Kerbe bei 60 Hz Frequenz. </li><li> Da ein Gleichspannungsverstärker verwendet wird, detrend DC Signal (Klicken Sie auf &quot;Transformations / DC Detrend ... &quot;und aktivieren Sie&quot; basierend auf Zeit &quot;bei 100 msec vor der Markierung und 100 ms, bevor DC-Verbindung). </li><li> Führen Sie eine Rohdaten Inspektion (Anweisungen &quot;Transformation / Rohdaten Inspektion ...&quot; und wählen semi-automatische Artefaktentfernung). Wählen Sie die folgenden: Maximalspannung 60 &amp; mgr; V / ms; Max-min: 200 &amp; mgr; V in 200 ms-Intervall; Amplitude: -400 bis +400 &amp; mgr; V). </li><li> Führen Sie eine automatische ICA mit klassischen Kugelbildung für Lidschlag Entfernung (myographischen Artefakte müssen nicht entfernt werden, da ihre Reichweite außerhalb der interessierenden Frequenzen). (Klicken Sie auf &quot;Transformations / ICA ...&quot;. Am Ende des ICA, Prozess die inverse ICA.) </li><li> Re-Referenz (&quot;Transformations / Re-Referenz ...&quot;) das Signal und wählen Sie &quot;gemeinsamen Durchschnitt&quot;. </li><li> Export (klicken Sie auf &quot;Export / Generic Data Export ...&quot;) das Signal und Markierungen im Text-Format (Wählen Sie die &quot;.vhdr&quot;; box) für einen eventuellen Matlab Bau des Engagement Index. Wählen Sie außerdem die &quot;Write-Header-Datei&quot; und &quot;Write Marker Datei&quot; Boxen. </li></ol></li><li> Importieren Sie das Signal in Matlab. <ol><li> Starten Sie Matlab und geben Sie &quot;eeglab&quot; so die GUI von EEGLab erscheint und Import der Daten für einen Teilnehmer zu einem Zeitpunkt. In der GUI wählen Sie den Punkt Menü &quot;Datei / Importieren von Daten / Verwenden EEGLab Funktionen und plugins / Aus Gehirn Vis Rec .vhdr Datei&quot;. </li><li> Im Befehlsfenster, und fügen Sie ihn ein Skript 16, die ein Engagement Index erzeugt. HINWEIS: Die kognitive Eingriff Skript wird durch den Mittelwert der jeweiligen Beta / (Alpha + Theta) -Verhältnis innerhalb eines 20 s-Schiebefenster vorhergehenden T. Dieses Verfahren berechnet wird, jede Sekunde und eine neue Schiebefenster wird verwendet, um den Index zu aktualisieren wiederholt. </li></ol></li><li> In MS Excel, öffnen Sie die Textdatei des Eingriffs Index, der am Ende des Skripts von Matlab erzeugt wird und tragen Sie eine z-score Normalisierung auf EEG-Daten zu interindividuelle Vergleich zu ermöglichen. (Für jeden Wert, berechnen Sie diese Formel in Excel: Z = (Wert - Gesamtmittelwert) / Gesamtstandardabweichung.) </li><li> Speichern Sie die Z-Score Engagement Indexsignal in eine CSV-Datei in MS Excel. (Klicken Sie auf Datei / Speichern unter ... und wählen Sie in der CSV-Format-Typ.) </li><li> Wiederholen Sie den Vorgang (aus Schritt 6.1.2.2.) Für jeden Teilnehmer. </li></ol></li><li> Physiologie: <ol><li> Import EDA Daten in physiologischen Datenanalysesoftware. </li><li> Übernehmen Sie diese Parameter vor, eine Prozess des physiologischen Signals: <ol><li> Tragen Sie eine logarithmische Transformation, um die Verteilung der Leitfähigkeit nach Venables und Christies 23 Verfahren zu normalisieren. </li><li> Wohnung das Signal auf einem 10 sec Schiebefenster 24. </li></ol></li><li> Im physiologischen Software, berechnen einen Z-Score Normalisierung auf den EDA-Daten zu interindividuelle Vergleich zu ermöglichen. (Z = (Wert - Gesamtmittelwert) / Gesamtstandardabweichung). <ol><li> Markieren Sie alle Daten mit dem Cursor aus dem EDA-Kanal. </li><li> In der oberen Menüleiste, wählen Sie die EDA-Kanal, und wählen Sie &quot;bedeuten&quot;, um den Mittelwert des gesamten Kanals zu erhalten. Wählen Sie außerdem die EDA-Kanal und &quot;stddev&quot;, um den Standardabweichungswert des gesamten Kanals zu erhalten. </li><li> Um die z-score-Gleichung zu berechnen, klicken Sie auf &quot;Transformation / Waveform Math ...&quot; und wählen Sie die EDA-Kanal in Source 1. Wählen Sie &quot;-&quot; (minus) in der mathematischen Operation Fenster und wählen Sie K in Quelle 2. Wählen Sie &quot;Neues Ziel&quot; im Zielmenü und geben Sie den Mittelwert der EDA-Kanal (siehe Schritt 6.2.3.2). Wählen Sie &quot;Transform ganze Welle&quot;, klicken Sie auf OK und klicken Sie auf &quot;Transformation / Waveform Math ...&quot;. Wählen Sie das EDA-K-Kanal in Quelle 1, wählen Sie &quot;/&quot; (divide) in der mathematischen Operation Fenster, wählen Sie K in Quelle 2, wählen Sie &quot;Neues Ziel&quot; im Ziel und enter den Standardabweichungswert der EDA-Kanal (Schritt 6.2.3.2). Wählen Sie &quot;Transform ganze Welle&quot; und klicken Sie auf OK. </li></ol></li><li> Exportieren Sie das Signal (Erregung) in einer CSV-Datei. (Klicken Sie auf Datei / Speichern unter ... und wählen Sie in der CSV-Format-Typ.) </li></ol></li><li> Automatische Gesichtsemotionserkennung: <ol><li> Importieren von Videodaten vom Medienrecorder in automatische Gesichtsemotionserkennungssoftware. (Klicken Sie auf &quot;Datei / Neu ... / Teilnehmer ...&quot;. Nach der Auswahl eines neuen Teilnehmer in das Projekt-Menü, indem Sie auf sie, klicken Sie auf &quot;Datei / Neu / Analyse / Video ...&quot;. Klicken Sie auf die Lupe neben Analysis 1 und wählen Sie die gewünschte Videodatei. <ol><li> Wählen Sie eine Offline-Analyse für &quot;jeden dritten Rahmen&quot; und aktivieren Sie &quot;kontinuierliche Kalibrierung&quot;. </li><li> Export Wertigkeit von Daten in einer CSV-Datei. (Klicken Sie auf &quot;Optionen / Einstellungen / Logging ...&quot;, überprüfen Sie die &quot;Write Wertigkeit Wert in der Protokolldatei&quot; ein. Klicken Sie auf &quot;Datei /Export ... &quot;, wählen Sie den Speicherort für die Protokolldateien exportiert werden, und überprüfen Sie die&quot; Save detailliertes Logbuch &quot;ein.) </li><li> Öffnen Sie die CSV-Datei in MS Excel. Kopieren Sie die Wertigkeit Datenspalte in einer einzelnen Spalte der SPSS-Software. Klicken Sie auf &quot;Analyse / Deskriptive Statistik / Deskriptive&quot; und wählen Sie die soeben eingefügten Variablennamen. Aktivieren Sie das Feld &quot;Speichern standardisierte Werte in Variablen&quot;. Eine Säule mit einem Z-Score wird angezeigt. Copy-Paste diese Z-Scores über die alten Daten in der Excel-Datei. </li></ol></li><li> Speichern Sie die Excel-Datei mit den Z-Scores des Signals (Valenz) im CSV-Format. </li></ol></li></ol> 7. Data Integration und Synchronisation <ol start="1"><li> In Verhaltensanalyse-Software: <ol><li> Import Eye-Tracking-Videos (Verhaltens Engagement). (Klicken Sie auf &quot;Datei / Import / Video in einem neuen Beobachtung ...&quot;. Benennen Sie den neuen Beobachtungen und wählen Sie die gewünschte Videodatei.) </li><li> Code jedes Video mit einschlägig seinhaviors und kontextbezogene Ereignisse (Zeitmarken, richtig / falsch Antworten). </li><li> Importieren Sie alle externen Daten mit der entsprechenden Kopfzeile: Z-Score von EEG-Signal (kognitive Engagement), Z-Score von EDA-Signal (emotionales Engagement), Z-Score Wertigkeitsdaten (emotionales Engagement). (Klicken Sie auf &quot;Datei / Import / Externe Daten ...&quot;. Wählen Sie den entsprechenden Dateityp und wählen Sie das richtige CSV-Datei.) </li></ol></li><li> Synchronisieren der Zeit zwischen Computern nach diesen Formeln: <ol><li> Zeit in Blick von Zeit in EEG = Zeit in Blick + zweiten Marker in EEG - erste Markierung in Blick. </li><li> Zeit in Blick von Zeit in Gesichtsemotionserkennung = Zeit in Blick + erste Markierung in Gesichts emotion - erste Markierung in Blick. </li><li> Zeit in Blick von Zeit in elektrodermale Aktivität = Zeit in Blick + erste Markierung in elektrodermale Aktivität - erste Markierung in Blick. </li></ol></li><li> Geben Sie die Korrekturdaten durch Drücken von &quot;Strg + Umschalt + =221 ;, um die Offset-Menü zu öffnen. Wählen Sie &quot;Numerische Offset&quot;, um die Zeit in Sekunden zwischen jedem Paar von Datenquellen geben Sie [OK?]), Nach den obigen Berechnungen. </li><li> Erstellen Sie einen Bericht nach den Variablen von Interesse in der Studie. <ol><li> Wählen Sie interessante Variablen, die in dem Bericht generiert werden (klicken Sie auf &quot;Analyze / Select Data / New Profile Data ...&quot;). Von links, schieben Sie die gewünschten Variablen zwischen dem &quot;Start&quot; Box und der &quot;Ergebnisse&quot; Feld auf der rechten Seite. </li><li> Erstellen Sie den Bericht. (Klicken Sie auf &quot;Analyze / Numerik / Neu ...&quot;, klicken Sie auf &quot;Statistik&quot; und überprüfen Sie die mittlere Box in der externen Datenmenü. Klicken Sie abschließend &quot;Berechnen&quot;.) </li></ol></li><li> Exportieren Sie die Daten in die statistische Analyse-Software und führen Sie Analyse nach den Studienziele. </li></ol>

<ol>
	<li>Fredricks, J. A., Blumenfeld, P. C., Paris, A. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=School+engagement:+Potential+of+the+concept,+state+of+the+evidence.">School engagement: Potential of the concept, state of the evidence.</a> Rev. Educ. Res. 74 (1), 59-109 (2004).</li><li>Clark, R. C., Mayer, R. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> E-learning and the Science of Instruction. , (2011).</li><li>Zhang, D., Zhou, L., Briggs, R. O., Nunamaker, J. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Instructional+video+in+e-learning:+Assessing+the+impact+of+interactive+video+on+learning+effectiveness.">Instructional video in e-learning: Assessing the impact of interactive video on learning effectiveness.</a> Inform. Manage. 43 (1), 15-27 (2006).</li><li>Freeman, F. G., Mikulka, P. J., Prinzel, L. J., Scerbo, M. W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Evaluation+of+an+adaptive+automation+system+using+three+EEG+indices+with+a+visual+tracking+task.">Evaluation of an adaptive automation system using three EEG indices with a visual tracking task.</a> Biol. Psychol. 50, 61-76 (1999).</li><li>Glimcher, P., Rustichini, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Neuroeconomics:+The+consilience+of+brain+and+decision.">Neuroeconomics: The consilience of brain and decision.</a> Science. 306 (5695), 447-452 (2004).</li><li>Lieberman, M. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Social+Cognitive+neuroscience:+A+review+of+core+processes.">Social Cognitive neuroscience: A review of core processes.</a> Annu. Rev. Physiol. 58, 259-289 (2007).</li><li>Pope, A. T., Bogart, E. H., Bartolome, D. S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Biocybernetic+system+evaluates+indices+of+operator+engagement+in+automated+task.">Biocybernetic system evaluates indices of operator engagement in automated task.</a> Biol. Psychol. 40 (1-2), 187-195 (1995).</li><li>Mandryk, R., Inkpen, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Physiological+indicators+for+the+evaluation+of+co-located+collaborative+play.">Physiological indicators for the evaluation of co-located collaborative play.</a> , (2004).</li><li>Allaire-Duquette, G., Charland, P., Riopel, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=At+the+very+root+of+the+development+of+interest:+Using+human+body+contexts+to+improve+women&#8217;s+emotional+engagement+in+introductory+physics.">At the very root of the development of interest: Using human body contexts to improve women&#8217;s emotional engagement in introductory physics.</a> Eur. J. Phy. Ed. 5 (2), 31-48 (2014).</li><li>Bradley, M. M., Lang, P. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Measuring+emotion:+The+self-assessment+manikin+and+the+semantic+differential.">Measuring emotion: The self-assessment manikin and the semantic differential.</a> J. Behav. Ther. Exp. Psy. 25 (1), 49-59 (1994).</li><li>Lang, P. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+emotion+probe:+Studies+of+motivation+and+attention.">The emotion probe: Studies of motivation and attention.</a> Am. Psychol. 50 (5), 372-385 (1995).</li><li>Ekman, P., Felt Friesen, W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=false,+and+miserable+smiles.">false, and miserable smiles.</a> J. Nonverbal Behav. 6 (4), 238-252 (1982).</li><li>Van Kuilenburg, H., Den Uyl, M. J., Isra&#235;l, M. L., Ivan, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Advances+in+face+and+gesture+analysis.">Advances in face and gesture analysis.</a> , 371-372 (2008).</li><li>Cacioppo, J., Tassinary, L. G., Berntson, G. G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Handbook of Psychophysiology. , (2007).</li><li>Lubar, J. F., Swartwood, M. O., Swartwood, J. N., O&#8217;Donnell, P. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Evaluation+of+the+effectiveness+of+EEG+neurofeedback+training+for+ADHD+in+a+clinical+setting+as+measured+by+changes+in+T.O.V.A.+scores,+behavioral+ratings,+and+WISC+R+performance.">Evaluation of the effectiveness of EEG neurofeedback training for ADHD in a clinical setting as measured by changes in T.O.V.A. scores, behavioral ratings, and WISC R performance.</a> Biofeedback Self-reg. 20 (1), (1995).</li><li>Mikulka, P. J., Freeman, F. G., Scerbo, M. W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Effects+of+a+biocybernetic+system+on+the+vigilance+decrement.">Effects of a biocybernetic system on the vigilance decrement.</a> Hum. factors. 44 (4), 654-664 (2002).</li><li>Freeman, F. G., Mikulka, P. J., Scerbo, M. W., Scott, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=An+evaluation+of+an+adaptive+automation+system+using+a+cognitive+vigilance+task.">An evaluation of an adaptive automation system using a cognitive vigilance task.</a> Biol. Psychol. 67 (3), 283-297 (2004).</li><li>Chaouachi, M., Chalfoun, P., Jraidi, I., Frasson, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Affect+and+mental+engagement:+Toward+adaptability+for+intelligent+systems.">Affect and mental engagement: Toward adaptability for intelligent systems.</a> Proceedings of the Twenty-Third International Florida Artificial Intelligence Research Society Conference (FLAIRS 2010), Association for the Advancement of Artificial Intelligence. , 355-360 (2010).</li><li>Courtemanche, F., Ortiz de Guinea, A., Titah, R., Fredette, M., Labont&#233;-LeMoyne, &. #. 2. 0. 1. ;. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Precision+is+in+the+eye+of+the+beholder:+Application+of+eye+fixation-related+potentials+to+information+systems+research.">Precision is in the eye of the beholder: Application of eye fixation-related potentials to information systems research.</a> J. Assoc. Inf. Syst. 15 (10), 651-678 (2014).</li><li>Courtemanche, F., Ortiz de Guinea, A., Titah, R., Fredette, M., Labont&#233;-Lemoyne, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Applying+eye+fixation-related+potentials+to+information+systems+research:+Demonstration+of+the+method+during+natural+IS+use+and+guidelines+for+research.">Applying eye fixation-related potentials to information systems research: Demonstration of the method during natural IS use and guidelines for research.</a> J. Assoc. Inf. Syst. 15 (10), (2014).</li><li>Courtemanche, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Un outil d&#8217;&#233;valuation neurocognitive des interactions humain-machine Doctoral thesis. , (2014).</li><li>Charland, P., L&#233;ger, P. M., Mercier, J., Skelling-Desmeules, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Assessing+multiple+dimensions+of+learner+engagement+during+science+problem+solving+using+psychophysiological+and+behavioral+measures.">Assessing multiple dimensions of learner engagement during science problem solving using psychophysiological and behavioral measures.</a> , (2014).</li><li>Venables, P. H., Christie, M. J., Martin, I., Venables, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Electrodermal+activity.">Electrodermal activity.</a> Techniques in Psychophysiology. , 3-67 (1980).</li><li>Boucsein, W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Electrodermal Activity. , (2012).</li><li>Sarlo, M., Palomba, D., Buodo, G. M., Minghetti, R., Stegagno, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Blood+pressure+changes+highlight+gender+differences+in+emotional+reactivity+to+arousing+pictures.">Blood pressure changes highlight gender differences in emotional reactivity to arousing pictures.</a> Biol. Psychol. 70 (3), 188-196 (2005).</li><li>Martens, R. L., Gulikers, J., Bastiaens, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+impact+of+intrinsic+motivation+on+e-learning+in+authentic+computer+tasks.">The impact of intrinsic motivation on e-learning in authentic computer tasks.</a> J. Comput. Assist. Lear. 20 (5), 368-376 (2004).</li></ol>

The authors have nothing to disclose.

In Bezug auf die kritischen Schritte im Protokoll ist zunächst festzustellen, dass Datenqualität ist immer das Hauptaugenmerk für die neurophysiologische Erhebungstechniken. Bei dieser Methode müssen wissenschaftliche Mitarbeiter ein besonderes Augenmerk auf die Themen, die anweist, Kopfbewegungen, die mit Wertigkeit Überwachung (verlieren richtigen Gesichtswinkel für die Kamera) stören oder erzeugen myographischen Artefakte im EEG wird minimiert zu zahlen. Auf der anderen Seite muss ein Gleichgewicht zwischen de...

Engagement spielt eine entscheidende Rolle beim Lernen. Für Clark und Mayer 2, &quot;alles Lernen erfordert Engagement,&quot; unabhängig von Fördermedien. Zhang et al. 3 auch vorgeschlagen, dass erhöhte Studentenverpflichtung können Lernergebnisse, wie Problemlösung und kritisches Denken zu verbessern. Engagement definieren, bleibt eine Herausforderung. In ihrer Literatur, Fredricks, Blumenfeld und Paris 1 Engagement durch seine Vielschichtigkeit: &quot;Behavioural Engagement basiert auf der Idee der Beteiligung; es enthält Beteiligung an akademischen und sozialen oder außerschulischen Aktivitäten. (...) Emotionales Engagement umfasst positive und negative Reaktionen auf Lehrer, Schüler, Wissenschaftler und der Schule und wird angenommen, dass Verbindungen zu einem Objekt und Einfluss Bereitschaft, die Arbeit zu tun zu schaffen. Schließlich zieht kognitive Engagement auf der Idee der geistigen Investitionen; es enthält Sichtnahme und die Bereitschaft, die Bemühungen ang ausübenwendig, komplexe Ideen und Master schwierig Fähigkeiten zu begreifen. &quot; Fredricks, Blumenfeld und Paris 1, dadurch gekennzeichnet, dass ein Schwerpunkt auf Verhalten, Emotion und Kognition, unter den Begriff der Eingriff kann eine reichere Charakterisierung von Lernen. Diese Autoren darauf hingewiesen, dass ein robuster Körper der Forschung befasst sich jede Komponente des Engagements getrennt, aber diese Komponenten nicht in Verbindung untersucht. Sie beobachteten auch, dass wenige Informationen über Wechselwirkungen zwischen den Dimensionen und dass weitere Studien könnten zu planen fein abgestimmten Lehr Interventionen bei. Als ein Schritt in diese Richtung, dieses Papier beschreibt eine Forschungsmethodik, die entwickelt wurde, um zu sammeln und während des Lernens Aufgaben quantitative und qualitative Daten, synchron, auf Verhaltens-, emotionale und kognitive Engagement zu analysieren. Bringen die Neurowissenschaften in Education Behavior und damit Verhaltens Engagement, ist seit langem im Mittelpunkt der Studien in der Ausbildung: Forschungsdesigns vor allem auf Veränderungen in Wissen und Verhalten über längere Zeit, zwischen Pre- und Posttests auftretenden fokussiert und über Abständen von Stunden, Wochen , Monaten oder Jahren. Unterscheiden zwischen Verhaltens-, emotionale und kognitive Engagement bleibt eine Herausforderung, da die letzten beiden Dimensionen sind nicht systematisch beobachtet werden extern. Kognition und Emotionen müssen entweder aus Beobachtungen abgeleitet oder mit Selbst-Bericht Maßnahmen bewertet werden. Von einem externen Standpunkt aus bleibt es schwierig, festzustellen, ob Schüler versuchen, um ihre Arbeit so schnell wie möglich oder mit Tiefebene Lernstrategien, um einen bestimmten Inhalt zu meistern getan. In der Tat waren Fredricks, Blumenfeld und Paris 1 konnten keine veröffentlichten Studien über direkte und objektive Messungen der kognitiven Engagement zu finden. Neueste technologische Entwicklungen inauf dem Gebiet der Neurowissenschaften haben neue Möglichkeiten für Bildungsforschung erstellt. Neue Methoden der Datenerhebung und auf dem Gebiet der Neuro Ergonomie entwickelt Analysealgorithmen scheinen während der Lernaufgaben sehr vielversprechend für die qualitative und quantitative Studien. Andere Disziplinen wie Ökonomie, Psychologie, Marketing und Ergonomie, habe mit neurophysiologischen Messungen der kognitiven Engagement einiger Zeit 4-8 zu bewerten. Neurophysiologische Maßnahmen, verbunden mit effizienten Analysealgorithmen erlauben es, ein Phänomen, ohne sie zu stören zu studieren. Ihrer Natur nach Selbst-Bericht Fragebogen zu lösen Studenten aus Lernen. Neurophysiologische Maßnahmen ermöglichen Forschungsdesigns um in authentischer Lernumgebungen durchgeführt werden. Zu diesen Werkzeugen gehören Geräte, die Herzfrequenz zu überwachen, Atemfrequenz, Blutdruck, Körpertemperatur, Pupillendurchmesser, Hautleitfähigkeit, Elektroenzephalographie (EEG), etc. <strong&gt; Versammlung synchronisierten Daten auf Behavioral, emotionale und kognitive Engagement Als repräsentative Ergebnisse nach der Verwendung dieses Protokoll, wird dieses Papier partiellen Ergebnisse einer Studie, bei der Lernende zu lösen hatten, auf einem Computerbildschirm, zehn Probleme der mechanischen Physik präsentieren. Diese Probleme wurden in früheren Arbeiten 9 entwickelt. Neurophysiologische Daten erhoben wurden, während die Lernenden wurden die Probleme zu lösen und entspannend während einer 45 s Pause, mit geschlossenen Augen, nach jedem Problem. Wie oben erwähnt, Verhaltens Engagement Daten bestehen aus Software-Interaktionen (Mausbewegungen und Klicks), Blick, Leistung und Antworten auf Fragen, die ein Lernender Interaktion mit dem System während Erfüllung der Aufgabe 1 hergestellt. Ein Eye-Tracking-System wurde verwendet, um Software-Interaktionen und Blick Daten zu sammeln. Performance-Daten (Zeit, um ein Problem zu lösen, Richtigkeit der Antworten) wurden auf einem gesammeltUmfrage Website, die verwendet wurde, um die Aufgabe zu präsentieren. Diese Webseite wurde auch zur Selbstberichtsdaten mit einem Fragebogen von Bradley und Lang 10 angepasst gesammelt zu sammeln. Emotionales Engagement beinhaltet Charakterisierung von Emotionen. Laut Lang 11, sind Emotionen in Bezug auf die Wertigkeit gekennzeichnet (angenehm / unangenehm) und Erregung (Ruhe / geweckt). Emotionales Engagement Daten wurden entsprechend aufgefangen, mit Hilfe der automatischen Gesichtsemotionserkennungssoftware, die emotionale Valenz und eine Hautleitfähigkeit Encoder / Sensor zur Erregung 12,13 quantifiziert. Hautleitfähigkeit (EDA) bezieht sich auf den aufgezeichneten elektrischen Widerstandes zwischen zwei Elektroden, wenn ein sehr schwacher elektrischer Strom kontinuierlich zwischen ihnen geleitet. Cacioppo, Tassinary und Berntson 14 hat gezeigt, dass der Widerstand aufgezeichnet ist je nach der Versuchsperson Erregung. Somit psychophysiologischen Daten, wie Valenz oder Erregung, als Korrelate emotionaler Eingriff betrachtet. <pclass = &quot;jove_content&quot;&gt; schließlich kognitive Engagement Daten durch Elektroenzephalographie (EEG) gesammelt. EEG Maßnahmen, auf die Kopfhaut, die synchronisierte elektrische Aktivität Gruppen von Neuronen im Gehirn. Elektrische Signale von der Kopfhaut aufgezeichnet sind oft oszillatorische und von Frequenzkomponenten zusammengesetzt ist. Vereinbarungsgemäß werden diese Frequenzen in Sequenzen zusammengefasst, wie Bands bekannt. Zum Beispiel Alpha-, Beta- und Theta-Bands stehen im Mittelpunkt dieser Studie. Nach neurowissenschaftliche Studien 14, diese Bands spiegeln verschiedene kognitive Verarbeitung Fähigkeiten in bestimmten Bereichen des Gehirns. Somit kann die Analyse der spektralen Leistungsdichte (PSD) von spezifischen Frequenzen in Verbindung mit zahlreichen Studien 7,15 auf Wachheit und Aufmerksamkeit, können Forscher kognitiven Eingriff während einer Aufgabe quantifizieren. Wie Mikulka et al. 16 festgestellt, hat die Forschung eine direkte Beziehung zwischen Beta-Aktivität und kognitive Aufmerksamkeit und eine indirekte Beziehung zwischen alpha eine gezeigtd Theta-Aktivität und Wachsamkeit. So, Papst, Bogart und Bartolome 7 entwickelt ein Engagement Index, der die PSD von drei Bands berechnet: beta / (alpha + theta). Dieses Verhältnis wurde in anderen Studien über Engagement 16,17,18 validiert. Kognitiven Eingriff im Laufe der Zeit zu charakterisieren, eine schnelle Fourier-Transformation (FFT) wandelt das EEG-Signal von jeder aktiven Stelle (F3, F4, O1, O2) in einem Leistungsspektrum. Das EEG Einbindung bei der Zeit T ist durch den Mittelwert der jeweiligen Eingriffsverhältnis innerhalb von 20 sec Gleitfenster vorhergehenden T. Dieses Verfahren wird in jeder Sekunde und eine neue Schiebefenster wird verwendet, um den Index zu aktualisieren wiederholt berechnet. Da das Ziel dieser Methode ist es, eine reiche Analyse der verschiedenen Dimensionen des Eingriffs bereitzustellen, ist die Datensynchronisation von entscheidender Bedeutung. Wie Leger et al. 19 erinnern Leser, empfehlen Hersteller von Geräten stark mit nur einem Computer pro Messinstrument, um ihre festgelegten Präzision le garantierenvel. Somit wird, wenn mehrere Computer eingesetzt werden, wird die Synchronisation zwischen Aufnahme Computern ein kritischer Schritt. Die Aufnahmen können nicht alle zur gleichen Zeit gestartet werden, und jeder Datenstrom hat einen bestimmten Zeitrahmen (beispielsweise s 0 von Eye-Tracking-≠ s 0 von EEG oder physiologische Daten). Dies ist äußerst wichtig: Desynchronisation zwischen Datenströmen Mittel Fehler bei der Quantifizierung von jeder Dimension des Eingriffs. Es gibt verschiedene Möglichkeiten der Synchronisation von gleichzeitigen physiologischen und verhaltens Aufnahmen. Diese Verfahren können in zwei Hauptansätze aufgeteilt werden; direkt und indirekt 20. Die in dem nächsten Abschnitt vorgestellt Protokoll basiert auf einem indirekten Ansatz, bei dem ein externes Gerät, einem Syncbox, wird verwendet, um Transistor-Transistor-Logik (TTL) Signale an alle Aufzeichnungsgeräte senden (wie in 1 gezeigt) auf der Basis. Da jedes Gerät hat eine andere Startzeit werden die TTL-Marker in den Protokolldateien mit einer relativen aufgezeichnet<html> Verzögerung. Marker werden dann verwendet, um die Signale neu ausrichten und sorgen so für eine korrekte Synchronisation nach jeder Aufnahme. Eine Verhaltensanalyse-Software-Programm, das externe Datei-Integration ermöglicht wird verwendet, um neu zu synchronisieren die Zeitleiste eines jeden Datenstroms und zur quantitativen und qualitativen Analyse der einzelnen Dimensionen des Eingriffs durchzuführen. <img alt="Abbildung 1" src="/files/ftp_upload/52627/52627fig1.jpg" /> Abbildung 1. Architektur des Data Collection-System. Die Testumgebung, in der Verhaltens (Eye-Tracking), emotional (EDA und Gesichts Emotion) und kognitive (EEG) Engagement Daten erhoben enthält viele Computer. Dies wirft eine Synchronisation Herausforderung für Daten, die auf ihren jeweiligen Computeruhren verwiesen wird. Um alle Daten in der gleichen Referenzzeit analysieren zu können, beinhaltet das Laboraufbau einer SyncBox, die TTL-Signale an alle Datenströme sendet.nk &quot;&gt; Bitte klicken Sie hier, um eine größere Version dieser Figur zu sehen. Um die Genauigkeit der Methode in Bezug auf die Synchronisation zu bestimmen, wurden 45 s Pausen vor jedem der mechanischen physikalischen Probleme eingeführt. Während dieser Pausen, hatte Untertanen zu entspannen und die Augen zu schließen. Wie in anderen Studien 4,9,16,17,18 gesehen sollten diese Pausen erhebliche Abweichungen des gesammelten Signals induzieren: Die beiden Augenpupille Punkte in Eye-Tracking sofort verschwinden (Verhaltens Engagement) und ein sofortiger Rückgang der kognitiven Engagement (EEG Signal) wird beobachtet. Diese spezifischen Komponenten des Signals werden verwendet, um die allgemeine Gültigkeit der Synchronisation zu bewerten. Die jüngste Veröffentlichung der Papiere, die ganz oder teilweise Vertrauen auf diese Synchronisationsverfahren, in den Bereichen Informationssysteme 19, Mensch-Maschine-Interaktionen 21 und Erziehung 9, 22, liefert Beweise für ihre Wirksamkeit.

<table><tbody><tr><td>EGI GSN-32&amp;nbsp;</td><td>EGI</td><td></td><td>Dense array EEG</td></tr><tr><td>Netstation v.5.0</td><td>EGI</td><td></td><td>EEG data collection software: EEG is collected with 32-electrode dense array electroencephalography (dEEG) geodesic sensor net using Netstation acquisition software and EGI amplifiers (Electrical Geodesics, Inc). The vertex (recording site Cz) is the reference electrode for recording. Impedance is kept below 50 k&amp;Omega; with a sampling rate of 250 Hz.&amp;nbsp;</td></tr><tr><td>Facereader v.4</td><td>Noldus</td><td></td><td>Facial emotion recognition software</td></tr><tr><td>Syncbox</td><td>Noldus</td><td></td><td>Syncbox start the co-registration of EEG and gaze data by sending a Transistor-Transistor Logic (TTL) signal to the EGI amplifier and a keystroke signal to the Tobii Studio v 3.2.</td></tr><tr><td>Logitech C600&amp;nbsp; Webcam</td><td></td><td>960-000396</td><td>Webcam used to gather video data sent to mediarecorder and that will be analyzed in Facereader</td></tr><tr><td>The Observer XT</td><td>Noldus</td><td></td><td>Integration and synchronization software: The Noldus Observer XT (Noldus Information Technology) is used to synchronize all behavioral, emotional and cognitive engagement data.&amp;nbsp;</td></tr><tr><td>On-Screen LED illumination</td><td>Noldus</td><td></td><td>Neon positioned on computer screen in order to correctly light the face of subjects</td></tr><tr><td>MediaRecorder</td><td>Noldus</td><td></td><td>Video data collection software</td></tr><tr><td>Tobii 60X</td><td>Tobii</td><td></td><td>Collect eye-movement patterns :&amp;nbsp; used to record subjects&amp;rsquo; eye movement patterns at 60Hz during the experiment.&amp;nbsp;</td></tr><tr><td>Tobii Studio v.3.2</td><td>Tobii</td><td></td><td>Eye-tracking data collection and analysis software</td></tr><tr><td>Analyzer 2</td><td>Brainvision</td><td></td><td>EEG signal processing software</td></tr><tr><td>Acqknowledge v.4.0</td><td>Biopac</td><td>ACK100M</td><td>Physiological signal acquisition and processing software</td></tr><tr><td>Control III germicide solution</td><td>Maril Products.</td><td>10002REVA-20002-1</td><td>Disinfectant solution used with EEG helmets : recommended by EGI</td></tr><tr><td>Unipark</td><td>QuestBack AG</td><td></td><td>Online survey environment</td></tr></tbody></table>

assessing the multiple dimensions of engagement to characterize learning: a neurophysiological perspective

In a recent theoretical synthesis on the concept of engagement, Fredricks, Blumenfeld and Paris1 defined engagement by its multiple dimensions: behavioral, emotional and cognitive. They observed that individual types of engagement had not been studied in conjunction, and little information was available about interactions or synergy between the dimensions; consequently, more studies would contribute to creating finely tuned teaching interventions. Benefiting from the recent technological advances in neurosciences, this paper presents a recently developed methodology to gather and synchronize data on multidimensional engagement during learning tasks. The technique involves the collection of (a) electroencephalography, (b) electrodermal, (c) eye-tracking, and (d) facial emotion recognition data on four different computers. This led to synchronization issues for data collected from multiple sources. Post synchronization in specialized integration software gives researchers a better understanding of the dynamics between the multiple dimensions of engagement. For curriculum developers, these data could provide informed guidelines for achieving better instruction/learning efficiency. This technique also opens up possibilities in the field of brain-computer interactions, where adaptive learning or assessment environments could be developed.

<html> Die 2 und 3 zeigen Screenshots der Ergebnisse bei der Integration und Synchronisation von Verhaltens-, emotionale und kognitive Engagement Daten in einer Verhaltensanalyse-Software-Anwendung. In beiden Figuren organisiert die linken Teil der Versuchspersonen und die Codierungsschema. Im mittleren Bereich, ein Video (mit roten Punkten) zeigt Blick des Subjekts während der Aufgabe. Des Subjekts Verhaltens Engagement kann auf das, was er / sie sich an während der Aufgabe sucht und welche Maßnahmen...

Watch this Scientific Journal Video about Assessing the Multiple Dimensions of Engagement to Characterize Learning: A Neurophysiological Perspective at JoVE.com

Assessing the Multiple Dimensions of Engagement to Characterize Learning: A Neurophysiological Perspective

This paper aims to describe the techniques involved in the collection and synchronization of the multiple dimensions (behavioral, affective and cognitive) of learners&#8217; engagement during a task.

Beurteilung der vielfältigen Dimensionen von Engagement zu charakterisieren Learning: Eine neurophysiologische Perspective

In a recent theoretical synthesis on the concept of engagement, Fredricks, Blumenfeld and Paris1 defined engagement by its multiple dimensions: ...

assessing-multiple-dimensions-engagement-to-characterize-learning

Universidad San Sebastian

Research

JoVE Journal

Behavior

12.4K Aufrufe.  Université du Québec à Montréal. This paper aims to describe the techniques involved in the collection and synchronization of the multiple dimensions (behavioral, affective and cognitive) of learners’ engagement during a task. 

Serie: Assessing the Multiple Dimensions of Engagement to Characterize Learning: A Neurophysiological Perspective

Study Motor Skill Learning by Single-pellet Reaching Tasks in Mice

Reaching for and retrieving objects require precise and coordinated motor movements in the forelimb. When mice are repeatedly trained to grasp and retrieve food rewards positioned at a specific location, their motor performance (defined as accuracy and speed) improves progressively over time, and plateaus after persistent training. Once such reaching skill is mastered, its further maintenance does not require constant practice. Here we introduce a single-pellet reaching task to study the acquisition and maintenance of skilled forelimb movements in mice. In this video, we first describe the behaviors of mice that are commonly encountered in this learning and memory paradigm, and then discuss how to categorize these behaviors and quantify the observed results. Combined with mouse genetics, this paradigm can be utilized as a behavioral platform to explore the anatomical underpinnings, physiological properties, and molecular mechanisms of learning and memory.

Persistent practice improves the precision of coordinated movements.&#160;Here we introduce a single-pellet reaching task, which is designed to assess the learning and memory of forelimb skill in mice.&#160;

Studie Motorik Lernen durch Einzel-Pellet Erreichen Aufgaben in Mäuse

Reaching for and retrieving objects require precise and coordinated motor movements in the forelimb. When mice are repeatedly trained to grasp and ...

Forschung

Verhalten

Perspectives on Neuroscience

As usual, the main cause for progress in natural sciences are methodological developments. Of course, conceptual developments follow and go in parallel, but I think the, the tremendous expansion of the field of neurosciences was triggered by a number of methodological breakthroughs at the lowest level. These were the progresses in the domain of molecular biology, genetic engineering, which provided model systems for the study of development for the study of certain diseases.These techniques also provided extremely valuable tools for the biochemical and molecular identification of neurons. We learned about a degree of diversification of morphologically seemingly identical neurons that are endowed with different molecular machineries. All this we owe to the development of molecular biology.A second important factor I think was the development of non-invasive imaging technologies. cause this allowed us to transfer a large number of concepts that have been developed in animal experimentation to investigations in human subjects. So this is the functional magnetic resonance imaging pository emission tomography.Also the introduction of the magneto ence holography, which allowed for much better spatial resolution for the analysis of electric activity in the brain led to a substantial expansion in the field. Then I think a non negligible factor was the availability, increasing availability of of massive computer power because as neurobiology started to apply multi-site recording techniques, which I consider essential for the analysis of neuron network properties, the data became increasingly complex and it became increasingly impossible to just evaluate the data by looking at them as in the classical times when I started in the field, there were no computers. We had to do cross correlation analysis by cutting long strips of paper and moving them over the floor.So the availability of of computing power has greatly advanced at least systems physiology. I think it had a major impact on these developments. And then last but not least, the availability of these computer facilities allowed us also to treat properties of neuronal networks at a theoretical level.The dynamics exhibited by neuronal networks are so complex that only modeling studies and theoretical approaches put us in a position to formulate educated hypothesis. Also, for the search of neuronal codes, we cannot proceed without these search tools. So I think altogether these methodological developments were responsible for the great expansion of the neurosciences, which I think is unprecedented in any Scientific discipline.As far as my own Research is concerned, there are two parts in my biography. Initially I studied developmental processes in the brain. I was particularly interested in developmental processes that are shaped by experience postnatally.And the rationale for this approach was that I felt that the organization of the mature brain is so complex that we better study the developmental principles and try to make sense out of them and try to extrapolate what these developmental processes will eventually lead to. But then an accidental finding that actually happened in this very laboratory where we are sitting changed my life because I discovered inadvertently that neurons in the primary visual cortex of kittens that were awake actually sitting on the table behind me watching a drifting grating, got entrained into highly synchronous oscillatory activity that I could not attribute neither to degrading to the stimulus nor to the main switch in Germany are 50 cycles because it was an oscillation in the 40 hertz range. And so for the first time I saw that spatially distributed neurons could coordinate their activity with very high precision in the millisecond range over fairly large distances.And this triggered the idea that maybe time is used as a coding space for the coordination of distributed neuronal responses. And I found this option so interesting that I decided to neglect the so much beloved field of developmental neurobiology and invest most of our efforts into the further analysis of this phenomenon. And this is now nearly 15 years ago or more.And since then we spent most of our time with multi-site recordings and the search for spatial temporal patents in distributed neural networks because it is our firm belief that information is not only encoded in the discharge rate of neurons as is classically assumed and confirmed, but that additional information is encoded in the precise temporary relations among the individual discharges of neurons whereby zero phase lake correlations. So precise coincidence is probably only the tip of the iceberg. But an important tip because synchronous activity is particularly interesting in neuronal networks because it propagates very easily synchronizing responses is a means to enhance the saliency of neuronal responses with great temporal position.It can be done on a spike by spike basis. And the initial hypothesis was that this synchronization is used at peripheral stages of sensory processing in order to establish relations between features that are processed by spatially distributed neurons. Since then, many more labs have engaged in search for the synchronization phenomena.It started I think in Europe with colleagues like RI who applied EEG techniques to assess synchronous oscillatory activity in the brain and relate these activities to cognitive functions. And since then the the role of oscillations and synchrony has been discussed in a very controversial way. Initial doubts that this phenomenon might exist, it all have now been countered I think, and we are now all engaged in the search for functional consequences.And there is a whole plethora of hypothesis of what that could mean. Does the accumulation Of this vast amount of data that we are confronted with nowadays and that we have very great difficulties to cope with reflect true progress. It certainly does reflect progress because we get to know more and more facts and details about the organization of neurons, neuron networks and the brain as a whole.And this is a necessary consequence of the classical analytical approaches that are applied in the natural sciences. One isolates a subsystem and then describes it in ever greater detail. But this is only one half of the scientific endeavor.What we also need is the inductive strategy. This the synthesis of all those data. And what we are now confronted with is that we have a huge amount of words.We have a tremendous vocabulary that is difficult to remember, but we are lacking the syntax to put those words together into meaningful sentences in many domains. This is the case in particular in systems neuroscience. Therefore we need, I think more theory because conditions have become so complex that near verbal descriptions are probably no longer sufficient to grasp or to accomplish this, this synthetic process.We need formal descriptions, we need analysis tools that allow us to generate models and this requires very powerful computations. And then we need of course synthetic thinkers. That's probably the the most important ingredient in the moment.People who can bundle a large amount of details into meaningful hypothesis or concepts. Now one can of course foster this process by providing the appropriate environment and worldwide one sees efforts to provide such environments by generating institutions that are usually called Institute for Computational Neuroscience or Institute for Theoretical Neuroscience. For the time being, many of these places are still existing in two great in isolation and are not sufficiently linked to experimental institutions.Ideally one would have, one would like to see a very close cooperation between theoreticians and experimentalists, as has been so fruitful in physics where theoretical physicists and experimental physicists very closely collaborate freely, exchange data ideas and do this without jealousy, which is still not the case in our field. But I think biology is now approaching a threshold where it is mature enough to support theoretical approaches in a meaningful way. And here in Frankfurt, we have founded the Frankfurt Institute of Advanced Studies exactly for that purpose because I experienced that physicists and mathematicians, theoreticians in general when embedded in the experimental institute, they tend to to be marginalized.They don't have enough colleagues to talk to because biologists usually are not trained in their language. And so the idea was let's create an institute in which several model systems, biological model systems that have in common to be multi-component systems that are tightly coupled like the moon system or the brain are studied by theoreticians, hoping that these theoreticians might discover common principles in these complex self-organizing systems and that they can share analytical tools, can share tools for model building. And I think it worked out because within about a year this institute grew from zero to 120 scientists.And the special structure of this institute, which is not surprising to colleagues in America, but this is quite exceptional in Europe, is that this institute is funded exclusively by donors private funds. It is not a university institute, it is linked to the university in Frankfurt, but it is finance in a different way for the simple reason that it was impossible to install such an interdisciplinary enterprise within the conventional faculties because what happens there is truly I the disciplinary, it crosses faculties and they seem to be realizable only by having a erect and an own building and gather people who come from very different disciplines under the same roof. Even though those Terms have been taken from physical systems initially, they still grasp some of the characteristics of of of the brain because the brain clearly is a self-organizing system.There's no conductor in the brain to coordinate all the distributed processes. The brain develops in a self organizing way through interaction between genes and environment. There is no instructor, there is no blueprint, a priori.And finally the term applies very well to what we observe in complex systems all the time, namely that complex systems tend to exhibit properties that cannot be described or inferred from the properties of the components. And the brain is a particularly nice example for this fact, which we know from all complex systems there's nothing special about the brain. Something that is special about the brain is that we have on the one side material processes, neuron interactions that can be described from a third person perspective as any other process in our environment.And that emergence from these neuronal interactions are mental phenomena, psychological phenomena such as emotions, thoughts, decisions. So there are realities which I would like to address as social realities which emerge or come into being by the interaction between brains that communicate with each other, mirror each other, ascribe properties to each other, could replace brains by persons, doesn't really matter because what makes the person is finally the brain in its in its bodily setting and due to these interactions phenomena emerge that are to be taken as real phenomena, they are realities, but they have to be described in a different language as the phenomena that bring them forth that are at their origin, namely neuronal interactions. And therefore I think that this is a classical case of emergence where something new is generated by a complex system, nobody would ever be able to infer from the knowledge, complete knowledge of neurons, and even from complete knowledge of neuron networks, that they are capable of developing value systems when they interact With each other.I think the main Problem in our efforts to repair brains, apart from the fact that neurons do not easily regenerate in the central nervous system, they don't like to extend processes once they are severed for reasons that we do not know. Maybe there was no Evo evolutionary pressure on the development of such mechanisms because brain damage that really leads to cell death in in a large scale was usually not compatible with survival. The great problem in restoring neuron networks that have been damaged is that it is difficult to recapitulate the developmental process.The mature brain is characterized by an extremely sophisticated circuitry that has developed step by step in a complex self-organizing process, guided by the dialogue between the genes and the increasingly more differentiated cellular environment that changes throughout development. And this process is a essentially bottom up process. Peripheral structures mature first, then they go through critical periods and the connectivity becomes fixed so that the, the higher stages can rely upon what has already been built and then they organize themselves as a function of what's already there.And this process goes on in human beings until age 20 and then the circuitry crystallizes and then we have to live with the brains that we have got at that point of time. There's further modification by learning and neuroplasticity, but this is limited. Now if one were to replace neurons at higher levels of processing, for example, by injection of stem cells or so these neurons we know already, they can differentiate, they the precursors can become neurons, but the problem is will they find the partners with which they have to interact?Will the information still be there That was available during development that guided the axon growth, that guided the formation of specific connections. And we know that to, to a large extent, this information is no longer available because the genes that one needs in order to express the necessary marker molecules, they get switched off once development comes to an end. And what is probably necessary is that one not only supplies cells that can differentiate into neurons and of course also ggl cells, but that one also switches on or helps the organism to switch on the genes that have been active during the developmental process that lead to the expression of all the molecular machinery that is required to tell the cells with whom they should connect, where they should connect.And what of course cannot be reinstalled easily is all the idiosyncratic wiring and the adjustment of synaptic game that is due to learning processes. The newly integrated neurons will of course have no souvenir, no recollection of the experience that has been imprinted into the morphology and the structure and the function of neurons that have disappeared. So there are certain limits to the ability to restore.And as we realize in the moment, there are certain places in the brain where this seems to pose less of a problem because nature has foreseen lifelong regeneration of neurons and apparently kept the machinery alive that is needed in order to promote this ongoing regeneration and insertion of neurons as in hippocampus and in the olfactory bulb. But the other structures where this is probably causing great problems, the first replacements that have been attempted and have had certain success even though it was not satisfactory yet, where the modulatory systems where topological specificity is not that much a problem. These systems are functioning more like endocrine or paracrine systems that liberate certain transmitters that are required in order to keep a certain tous of excitability.These systems are more easily replaceable because specificity is less of a problem, but the future will show how far we get there. Certainly very promising approaches in reinstalling oxon outgrowth in several spinal cords by inhibiting factors that inhibit outgrowth in the adult and by activating mechanisms that come to action during development and promote outgrowth. There are encouraging successes in this field, but one should also consider very seriously the option of neuronal prosthetics to record neuronal activity from places where it is still available and then through mechanical devices and computer interfaces activate actors that can translate this activity into action for the motor system.Or conversely, on the sensory side, cochlear implants already work admirably well. There are now attempts to develop retinal implants in order to reinstall rudimentary visual functions in people who have retinal degeneration. There's also a very promising option to insert light gated iron channels into retinal cells so that cells that are normally not light sensitive, which are the ganglion cells for example, or the bipolar cells become light sensitive so that one could in principle reins store some function that is lost when photoreceptors degenerate by simply transferring light sensitivity to second or third order neurons.This is already possible in animal experimentation. It might be another promising avenue to pursue. I think Europe has a very strong tradition in the development of concepts end of 19th century helm those seminal figures who have provided the grounds for later experimental neurobiology to some extent.They also are the grand grandfathers of a substantial number of systems physiologists who have been active in Europe. I think there is a good tradition in systems neuroscience in Europe has always been in the times when, when linear systems theory was still at its peak cybernetics, as it was called Europe, had a few very strong exponents such as rehad for example. Then the, there was something like, not iconic turn, but the molecular turn in Europe as well as anywhere else, molecular biology took over and replaced many of the systems oriented approaches.Partly because initially it had been cheaper than to work with whole animals, partly because non-invasive technology was not available and one couldn't do certain things in animals, which can now be done in human subjects. But I think there's a strong renaissance in systems physiology even though in Europe we have to fight a hard battle against animal protectionists concerning primary research, this is a real critical issue. The labs that can, they still get the license to work with primates become less and less and those who still have the license.This is the case with us where we have, we are exposed very much to public critique, but still systems neuroscience is having a renaissance. And I think there are good reasons for that because we will need it more and more in order to make sense out of the plethora of data that are collected by the properties of neurons and small circuits. And these data can only be integrated if we have concepts derived from systems neuroscience on the nature of the neuronal code, on the cooperation of areas in the brain, on global coordination of processes, on distributed processing.All those questions are heatedly debated in the moment and we just need more experiments along those lines. And I think Europe is not in a bad position to do this. Israel as well, one should not forget the contribution, also conceptual contribution of our colleagues in Israel, which is substantial.

Biologie

Combined Shuttle-Box Training with Electrophysiological Cortex Recording and Stimulation as a Tool to Study Perception and Learning

Shuttle-box avoidance learning is a well-established method in behavioral neuroscience and experimental setups were traditionally custom-made; the necessary equipment is now available by several commercial companies. This protocol provides a detailed description of a two-way shuttle-box avoidance learning paradigm in rodents (here Mongolian gerbils; Meriones unguiculatus) in combination with site-specific electrical intracortical microstimulation (ICMS) and simultaneous chronical electrophysiological in vivo recordings. The detailed protocol is applicable to study multiple aspects of learning behavior and perception in different rodent species.
Site-specific ICMS of auditory cortical circuits as conditioned stimuli here is used as a tool to test the perceptual relevance of specific afferent, efferent and intracortical connections. Distinct activation patterns can be evoked by using different stimulation electrode arrays for local, layer-dependent ICMS or distant ICMS sites. Utilizing behavioral signal detection analysis it can be determined which stimulation strategy is most effective for eliciting a behaviorally detectable and salient signal. Further, parallel multichannel-recordings using different electrode designs (surface electrodes, depth electrodes, etc.) allow for investigating neuronal observables over the time course of such learning processes. It will be discussed how changes of the behavioral design can increase the cognitive complexity (e.g. detection, discrimination, reversal learning).

Shuttle-box avoidance learning is well-established in behavioral neuroscience. This protocol describes how shuttle-box learning in rodents can be combined with site-specific electrical intracortical microstimulation (ICMS) and simultaneous chronical in vivo recordings as a tool to study multiple aspects of learning and perception.

Kombinierte Shuttle-Box-Training mit Elektrophysiologische Cortex Ableitung und Stimulation als ein Instrument zur Wahrnehmung und Lernen Studie

Shuttle-box avoidance learning is a well-established method in behavioral neuroscience and experimental setups were traditionally custom-made; the ...

Measuring Statistical Learning Across Modalities and Domains in School-Aged Children Via an Online Platform and Neuroimaging Techniques

Statistical learning, a fundamental skill to extract regularities in the environment, is often considered a core supporting mechanism of the first language development. While many studies of statistical learning are conducted within a single domain or modality, recent evidence suggests that this skill may differ based on the context in which the stimuli are presented. In addition, few studies investigate learning as it unfolds in real-time, rather focusing on the outcome of learning. In this protocol, we describe an approach for identifying the cognitive and neural basis of statistical learning, within an individual, across domains (linguistic vs. non-linguistic) and sensory modalities (visual and auditory). The tasks are designed to cast as little cognitive demand as possible on participants, making it ideal for young school-aged children and special populations. The web-based nature of the behavioral tasks offers a unique opportunity for us to reach more representative populations nationwide, to estimate effect sizes with greater precision, and to contribute to open and reproducible research. The neural measures provided by the functional magnetic resonance imaging (fMRI) task can inform researchers about the neural mechanisms engaged during statistical learning, and how these may differ across individuals on the basis of domain or modality. Finally, both tasks allow for the measurement of real-time learning, as changes in reaction time to a target stimulus is tracked across the exposure period. The main limitation of using this protocol relates to the hour-long duration of the experiment. Children might need to complete all four statistical learning tasks in multiple sittings. Therefore, the web-based platform is designed with this limitation in mind so that tasks may be disseminated individually. This methodology will allow users to investigate how the process of statistical learning unfolds across and within domains and modalities in children from different developmental backgrounds.

Presented here is a protocol introducing a set of child-friendly statistical learning tasks geared towards examining children&#8217;s learning of temporal statistical patterns across domains and sensory modalities. The developed tasks collect behavioral data using the web-based platform and task-based functional magnetic resonance imaging (fMRI) data for examining neural engagement during statistical learning.

Messung des statistischen Lernens über Modalitäten und Domänen in Kindern im schulalterten Alter über eine Online-Plattform und Neuroimaging-Techniken

Statistical learning, a fundamental skill to extract regularities in the environment, is often considered a core supporting mechanism of the first ...

Neurowissenschaften

Inter-Brain Synchrony in Open-Ended Collaborative Learning: An fNIRS-Hyperscanning Study

fNIRS hyperscanning is widely used to detect the neurobiological underpinnings of social interaction. With this technique, researchers qualify the concurrent brain activity of two or more interactive individuals with a novel index called inter-brain synchrony (IBS) (i.e., phase and/or amplitude alignment of the neuronal or hemodynamic signals across time). A protocol for conducting fNIRS hyperscanning experiments on collaborative learning dyads in a naturalistic learning environment is presented here. Further, a pipeline of analyzing IBS of oxygenated hemoglobin (Oxy-Hb) signal is explained. Specifically, the experimental design, the process of NIRS data recording, data analysis methods, and future directions are all discussed. Overall, implementing a standardized fNIRS hyperscanning pipeline is a fundamental part of second-person neuroscience. Also, this is in line with the call for open-science to aid the reproducibility of research.

The protocol for conducting fNIRS hyperscanning experiments on collaborative learning dyads in a naturalistic learning environment is outlined. Further, a pipeline to analyze the Inter-Brain Synchrony (IBS) of oxygenated hemoglobin (Oxy-Hb) signals is presented.

Inter-Brain Synchrony im offenen kollaborativen Lernen: Eine fNIRS-Hyperscanning-Studie

fNIRS hyperscanning is widely used to detect the neurobiological underpinnings of social interaction. With this technique, researchers qualify the ...

Assessing Corticospinal Excitability During Goal-Directed Reaching Behavior

Reaching is a widely studied behavior in motor physiology and neuroscience research. While reaching has been examined using a variety of behavioral manipulations, there remain significant gaps in the understanding of the neural processes involved in reach planning, execution, and control. The novel approach described here combines a two-dimensional reaching task with transcranial magnetic stimulation (TMS) and concurrent electromyography (EMG) recording from multiple muscles. This method allows for the noninvasive detection of corticospinal activity at precise time points during the unfolding of reaching movements. The example task code includes a delayed response reaching task with two possible targets displayed &#177; 45&#176; off the midline. Single pulse TMS is delivered on the majority of task trials, either at the onset of the preparatory cue (baseline) or 100 ms prior to the imperative cue (delay). This sample design is suitable for investigating changes in corticospinal excitability during reach preparation. The sample code also includes a visuomotor perturbation (i.e., cursor rotation of &#177; 20&#176;) to investigate the effects of adaptation on corticospinal excitability during reach preparation. The task parameters and TMS delivery can be adjusted to address specific hypotheses about the state of the motor system during reaching behavior. In the initial implementation, motor evoked potentials (MEPs) were successfully elicited on 83% of TMS trials, and reach trajectories were recorded on all trials.

Reaching is a fundamental skill that allows humans to interact with the environment. Several studies have aimed to characterize reaching behavior using a variety of methodologies. This paper offers an open-source application of transcranial magnetic stimulation to assess the state of corticospinal excitability in humans during reaching task performance.

Beurteilung der kortikospinalen Erregbarkeit während des zielgerichteten Reichweitenverhaltens

Reaching is a widely studied behavior in motor physiology and neuroscience research. While reaching has been examined using a variety of behavioral ...

An Introduction to Learning and Memory

Learning is the process of acquiring new information and memory is the retention or storage of that information. Different types of learning, such as non-associative and associative learning, and different types of memory, such as long-term and short-term memory, have been associated with human behaviors. Studying these components in detail helps behavioral scientists understand the neural mechanisms behind these two complex phenomena.
JoVE's overview on learning and memory introduces common terminologies and a brief outline of concepts in this field. Then, key questions asked by behavioral scientists and prominent tools such as fear conditioning and fMRI are discussed. Finally, actual experiments dealing with aging, eradication of traumatic memories, and improvising learning are reviewed.

Learning and Memory: Types; Behavioral Tests &amp; Techniques

Eine Einführung zu Lernen und Gedächtnis

Learning is the process of acquiring new information and memory is the retention or storage of that information. Different types of learning, such as ...

Lehre

JoVE Science Education

Psychologie

Verhaltensforschung

An Introduction to Neurophysiology

Neurophysiology is broadly defined as the study of nervous system function. In this field, scientists investigate the central and peripheral nervous systems at the level of whole organs, cellular networks, single cells, or even subcellular compartments. A unifying feature of this wide-ranging discipline is an interest in the mechanisms that lead to the generation and propagation of electrical impulses within and between neurons. This subject is important not only for our understanding of the fascinating processes driving human thought, but also for our ability to diagnose and treat disorders related to nervous system malfunction. This video will provide an introduction to the field of neurophysiology, beginning with a brief history of neurophysiological research that showcases landmark studies like Galvani&#8217;s observations of twitching frog legs and Eccles&#8217;s discovery of the chemical synapse. Next, key questions asked by neurophysiologists are introduced, followed by an overview of some prominent experimental tools used to answer those questions. The methods presented range from techniques used to investigate single cells, like patch clamping, to those that can measure activity across large regions of the brain, like electroencephalography (EEG). Finally, applications of neurophysiological research are discussed, including the development of brain-machine interfaces that allow for device control using thought.

Introduction to Neurophysiology: Methods &amp; Applications

Eine Einführung in die Neurophysiologie

 Neurophysiology is broadly defined as the study of nervous system function. In this field, scientists investigate the central and peripheral nervous ...

Fortgeschrittene Biologie

Grundlagen der Neurowissenschaften

Perspectives on Neuropsychology

Source: Laboratories of Jonas T. Kaplan and Sarah I. Gimbel&#8212; University of Southern California
Neuropsychology is a complex field, as it investigates how mental processes are executed in the brain&#8212;events that integrate concepts from biochemistry, biology, psychology, and neuroscience. Although the multidisciplinary nature of neuropsychology prepares young learners for a variety of careers, it also poses a challenge in that it forces students to study concepts outside of their comfort zone. For example, a psychology major may have difficulty grasping neuroanatomy&#8212;a challenging topic in itself&#8212;given that the brain is a complicated, three-dimensional organ that is typically represented two-dimensionally in textbooks.
This JoVE collection in Neuropsychology introduces major concepts and methods in the field, and showcases how advances in imaging technology have allowed us to look inside the brain and visualize its structure and function. Importantly, these videos are also meant to reassure students that you don&#8217;t need to be an expert in all aspects of neuropsychology to understand how the brain shapes our experiences, behaviors, and social interactions in everyday life. For instance, the video "Decision-making and the Iowa Gambling Task" explores how damage to a specific region of the brain can affect an individual&#8217;s proclivity for risky decisions, like stealing.
These JoVE videos in Neuropsychology provide the perfect introduction to this complex topic, and also explore some of the potential, exciting future directions in this field. With further advances in technology, one day researchers might even be able to visualize dynamic changes in a person&#8217;s brain outside of a laboratory setting&#8212;for example, when they are sitting in a classroom listening to a lecture on neuropsychology.

Eine Perspektive aus der Neuropsychologie

Source: Laboratories of Jonas T. Kaplan and Sarah I. Gimbel&#8212; University of Southern California
Neuropsychology is a complex field, as it ...

Neuropsychology

Perspectives on Cognitive Psychology

Source: Laboratory of Jonathan Flombaum&#8212;Johns Hopkins University

As an Assistant Professor of Psychology and Cognitive Science at Johns Hopkins University, I teach Introduction to Cognitive Psychology. This large class primarily consists of freshman and sophomores majoring in related fields, like Psychology, Neuroscience, or Cognitive Science. One of the challenges I face in the classroom is teaching students to appreciate how data are obtained in the process of performing experiments. Students have difficulty in appreciating the chronology of experiments as they unfold in time.
This JoVE collection in Cognitive Psychology makes the experimental timeline absolutely clear and encourages students to understand the trajectory and not just jump to conclusions. The videos also present experiments as paradigms&#8212;to illustrate how researchers can implement tasks in different ways&#8212;depending on the questions at hand. Most of these questions translate to the real world and the limits of our cognition. For example, the video Measuring Verbal Working Memory Span demonstrates our limited memory capacity, which explains the difficulty in remembering long shopping lists.
These JoVE videos in Cognitive Psychology provide a perfect place for instructors to start if they are interested in demonstrating tasks in class. Better yet, the videos can be used to get students involved&#8212;to execute the procedures and to even be the participants. Thus, the collection perfectly introduces lab components to a Psychology class.

Eine Perspektive aus der kognitiven Psychologie

Source: Laboratory of Jonathan Flombaum&#8212;Johns Hopkins University

As an Assistant Professor of Psychology and Cognitive Science at Johns Hopkins ...