文摘
本文讨论如何学生( ;年龄在13到17)经验丰富的传感器的新方法学习多学科教学上下中等教育结合的使用新的传感器技术和学习自产健康数据。目的是探讨学生感知到的新方法的角度学习和教学方法提供了新的信息,可以促进自己的幸福。我们也旨在找出如何收集数字健康数据从大量的学生和如何利用收集到的大数据集来预测学校成功的学生的健康数据,利用机器学习方法(套索回归和多层感知器)。结果表明,基于传感器学习可以促进学生的学习和健康。所有上中学( )和87%的中学生更低( )认为,当数据是由他们的身体,学习更有趣,他们大多发现幸福分析是有用的(高中97%;降低二次78%)和可以提高个人福祉(高中78%;二级低67%)。套索回归的预测能力和多层感知器(MLP)很弱(相关:−0.14和0.34,分别)。
1。介绍
近年来,使用传感器学习技术的兴趣在科学教育(1]。使用可穿戴传感器的想法已经使用了很长一段时间在运动训练提供反馈一个运动员,但在教育领域,只有一些研究[2- - - - - -4],探讨新技术可以作为一种有益的教育工具,加强学习通过一个真实的学习经验。自有数据可以更有趣和更实际的学生比传统的教学方法的例子。当现象研究与数据由学生的身体,它可以增加动力,增强学习(5]。与此同时,学生们了解自己的健康行为。对一些学生而言,处理自己的数据还可以增加身体活动(6]。
新的可穿戴技术已经极大地在过去的几年里;它已成为更精确和更便宜;其可用性发展;和传感器可以用来收集的数据对学生的幸福,健康和运动。最好smartwatches可以从手腕现在衡量幸福感数据(心率、心率变异性、压力、睡眠时间、步骤,卡路里,运动负荷,和签证官2max-estimation),它们包括,例如,加速度计的运动分析、位置跟踪、温度和空气压力传感器(7]。测量数据可以从不同学科的角度分析了在学校(4]。
新芬兰国家核心课程声称每个学校至少有一个特别的主题,一个项目,或者一个特殊的课程每年结合不同学科的内容,探讨了从多学科的角度选择现象。在多学科教学中,同一主题或现象从多个学科的角度进行了研究。其目的是使学生了解研究对象之间的关系和相互依赖关系,并帮助学生组合来自不同学科的知识和技能和结构成有意义的实体。多学科教学可以为学生提供新的视角,他们以前从未考虑。这些事件被称为多学科学习集。多学科研究中使用的学习方法强调使用ICT和协作学习(8]。
研究信息,它变得明显,学生总体幸福感影响学校享受和在学校的表现9]。新芬兰国家基础教育的核心课程(FNCBE)和上中学强调学生的先决条件照顾他们的心理和生理健康,日常生活的控制,和使用技术学习和教学8,10]。的目的是学生学会照顾自己和他人,实践的技能是很重要的他或她自己的生活和日常生活和增加他/她的健康环境。此外,学生应该学会知道并理解推动和促进健康和健康的因素,寻求相关信息(8]。
本研究的目的是开发新方法对传感器在上下中等教育学习多学科教学结合使用自产的新传感器技术和学习健康数据。主要研究的问题是探索学生对新方法的角度来看他们的学习和教学方法提供了新的信息,可以促进自己的健康吗?我们还研究了如何从大量的学生收集数字健康数据和如何使用收集到的大型数据集。有许多可能性为收集大数据应用数据挖掘技术,但我们选择研究方法论的目的是否有可能预测学校成功从学生的幸福感数据通过使用套索回归和多层感知器(MLP)。
1.1。健康和学习
睡眠,体育活动,和恢复从压力是健康和学习的基本要素9]。最近的研究强调了关于芬兰学龄青少年的健康担忧。根据最近的调查,芬兰学生运动和睡眠比以前少(11]。此外,学校疲惫增加了年轻人芬兰人。压力尤其影响女孩(年龄:14 - 18),其中18%觉得他们都筋疲力尽了。百分之十的同年龄的男孩感到筋疲力尽,但另一方面,他们有更多的消极态度教育。四分之三的芬兰高中学校的学生遭受负面情绪,如疲劳、压力、焦虑、厌倦,芬兰教育部报告就是明证。只有四分之一的学生对学校教育有积极的情感,如热情[11,12]。也关于芬兰的学生对学校的态度越来越消极,和他们中的很多人经验缺乏学校动机(13]。
睡眠和身体活动的积极作用在儿童和青少年的学校表现研究[14- - - - - -18]。压力对学习结果的影响相对来说不是在青少年学习。对学习压力有积极的和消极的影响;应激激素皮质醇等为学习和记忆性能好,但众所周知,长期的压力与认知能力受损和睡眠有一个负面影响,内存,和学习19- - - - - -22]。在这项研究中,我们收集学生的幸福感数据(如压力、复苏,体育活动,和睡眠时间)。我们使用收集到的数据作为学习材料从测量数据,并预测在学校的表现。
压力是一个强大的调制器对记忆和学习的过程。急性应激会释放出应激激素进入血液,增加激励,从而提高性能一定程度上根据朝上的u型曲线(21]。这意味着记忆和认知功能会提高应激激素的数量增加到一定程度之后,将成为有害的有益影响,然后,出现性能下降。慢性压力改变大脑的可塑性和神经发生对海马结构的有害影响,杏仁核、前额叶皮层,从而导致记忆障碍和心理健康问题20.]。
应激激素水平与情绪激发和学习。一些研究人员强调情感在学习过程的意义23- - - - - -25]。在学习过程中,一个最优水平的情绪激发是必要的。它创建一个化学鸡尾酒组成的大脑多巴胺,去甲肾上腺素和乙酰胆碱将学习者的动机和注意力保持在最优水平(26]。一种积极的感觉加强学习经验,提高学习27- - - - - -29日]。情绪应激激素的影响,皮质醇,这强化了记忆痕迹出现在海马的学习过程(19]。另一方面,过度的压力和情绪激发可防止有效运作“思考”部分的大脑前额叶区域重要的学习和学习产生负面影响。边缘系统时,情绪处理的中心,控制在压力情况下,前额叶皮层暂时关闭(30.,31日]。
另一个角度观察压力对学习的影响是研究学生如何体验新的学习情况,这取决于学生的认知能力和动机是否与障碍相关的压力学习情况或挑战。学生体验挑战压力觉得学习情况积极多变。很多时候,学习经验稍微强调overchallenged和学生接触新事物和这些学生体验挑战压力在这些情况下将更有可能应对压力和获得学习的动力。根据LePine et al .,挑战压力是积极学习的动机和积极学习的动机是学习相关性能(32]。如果学习任务太具有挑战性与学习者的能力和资源,可能会引发障碍应激反应,这是负相关学习的动机(32]。
1.2。测量的压力
收集健康数据和测量学生的压力和恢复,我们使用Firstbeat Bodyguard2,这是一个心率传感器针对心率变异性(HRV)的长期监测。HRV是自主神经系统的非侵入性标记(ANS)活动,和HRV-based方法可以用来衡量学生的压力和恢复(33]。
先前的研究已经压力通过主观和客观测量工具。一些研究已经关注个体的主观感知的压力,可以通过使用心理测试和评估问卷(32,34]。压力也可以客观地评估通过测量人体的生理参数。应激反应引起的激活sympathetic-adrenal髓(SAM)系统和hypothalamic-pituitary-adrenocortical (HPA)轴,提升血压,心率(HR)和皮质醇浓度血液,尿液,唾液和降低心率变异性(HRV) [35,36]。测量从唾液皮质醇评估压力被用于许多研究,但它需要一个实验室的过程和它不能测量压力水平。HRV被评估最新最实用的应力评估方法研究[37]。
几项研究已经发现,高心理压力减少HRV [38,39),与HRV也被证明是一个有用的客观的方法来评估压力的生理效应(37]。HRV指的是时间的变化之间的连续跳动的心。小心率变异是交感神经激活的标志不同造成的俺们内在和环境压力。复苏和restful条件与副交感神经的活动增加自主神经系统的一部分,高HRV和低人力资源(39]。
1.3。基于传感器的学习
收集到的数据可以用于不同的目的在传感器的学习。例如,如果研究现象是压力,学生们可以分析self-measured压力数据来研究在哪些情况下他们感到压力,哪些因素增加日常压力。这可以促进动机研究现象,获得的数据可以帮助他们提高他们的生活质量和个人幸福。此外,相同的数据可以利用医生和学校护士在预防卫生保健。从长远来看,积累大数据为数据科学家提供机会来生成新的有趣的数据驱动的假设和发展创新的教学工具和服务(图1)。
传感器科学学习通过使用可穿戴技术已经在一些研究探讨。一些科学项目联系学生的活动与计步器、心率传感器收集的数据,学习,和老师和学生都积极的经验(2,3]。李和托马斯(3)使用心率监视器和计步器两个五年级教室调查他们行走的距离,高度之间的关系和脚步声,双胞胎和成年人和心率的变化。从自我产生的数据,他们学会了画的图和表和比较不同学生之间的差异和考虑的原因。实验小组比对照组的倾斜的结果,使用传统的方法。芬恩和麦金尼斯2)使用可穿戴技术与第五,六年级的学生。他们发现,将体育活动纳入课程使学习有趣和刺激,同时也提高学生的科学研究能力和图形分析和解释。它还帮助行为如警觉性,专注和集中。
带和Salakka4与上层极地smartwatches使用中学生( )在先进的物理课程2,处理热现象,即。、工作、能量、热量、效率和能力。学生们穿着自己的手腕上的活动计一天24小时为期三周的测试期间。最后,学生完成项目任务的课程由smartwatches利用收集的数据。59%的学生回答问卷,经过举行,使用移动设备(iPad, smartwatch、和测量传感器)提升他们的学习物理。大多数的学生在希望smartwatches可用于物理课程自身的数据收集物理作业。大多数学生也经历了smartwatch是有用的,因为它激励获得体育活动,它提供了睡觉的有用信息,活动,和健康的行为。
2。实施研究:实验的描述
2.1。案例1:降低中学
这项研究是在一个较低的进行中学的300名学生在芬兰中部。学院2017年春季的主题是照顾自己的日常生活和技能。教师( )被分成三个小组(X, Y, Z)在2016年8月为设计主题的一天。每个团队有不同主题的代表,团队设计了一个三个小时的学习计划,在春季举行了三次,一次大约一百名学生。学生们被分成三组( ),分别。在部门考虑,每组学生的成绩。
教师团队Y计划一个车间,处理的主题睡眠,压力管理,和体育活动。学生们被给予一个机会做Firstbeat幸福感测量和分析,提供学生个人信息压力因素,睡眠,恢复,和运动。测量每组的学生安排在主题的一天。Firstbeat Bodyguard2-sensors借用Firstbeat Jyvaskyla大学。传感器被指控和准备的学生分享。包包括传感器,测量指令,电极用于附加设备。班主任共享包到学生健康主题日两周前在每周一次的班会,指导学生开始测量周四早上和停止在星期天的早上。这使得它可以调查的差异之间的学生恢复正常上学时间和周末。researcher-teacher积极提醒消息发送到学生和家长在测量过程中,以便尽可能多的主题日之前可以测量。学生们返回传感器前一周的主题,所以researcher-teacher有足够的时间来自传感器的数据上传到软件和学生的福利分析做好准备。
初的主题,学生们被分成三组,学生获得幸福的反馈分析。182名学生(300名学生)参加了Firstbeat的福利分析。学生有个人反馈,例如,从不同的压力恢复充足,睡眠数量和质量以及身体活动在测试期间。学生没有参与福利分析形成自己的组织,填补了多项选择问卷对他们自己的幸福。接下来,每组三个功能流传研讨会(时间:45分钟/车间),主题是睡眠,体育活动,和压力管理。
在压力管理车间,学生练习放松技巧包括简单的呼吸exercisesand放松,音乐和图片以及短按摩会话。此外,学生在小组反映在自己的方法来管理压力和实践与他人分享。在睡眠车间,学生们有了睡眠的重要性,从最新的研究信息和工具,如果他们有睡眠问题。在研讨会结束后,学生对使用应用程序命名为“Kahoot测验。“身体活动车间的使用技术和体育锻炼相结合。学生在其他活动中只是舞蹈比赛和Sprint游戏和练习运动跟踪应用程序的使用。
2.2。案例2:高中School-High学校:锻炼,当然,幸福和测量
最初,在2017年和2018年的春天,首先是安排一个可选的运动,幸福,和测量在同一所学校。课程包括新芬兰国家课程多学科专题研究上中学。课程整合不同学科(物理、化学、体育教育、健康教育、生物学、数学、信息和通讯技术,和心理学),和课程的主题是体育活动,压力和时间管理,睡觉,和营养。课程的目的是测量不同物理量的学生从自己的身体和身体运动与现代传感器技术和测量数据与现象进行了研究。此外,目标是提高学生的健康与福祉的测量数据和反馈分析。
学生有极地M200 smartwatches课程,他们Firstbeat福祉分析两次,在师范学校,考试期间最后的课程。他们还测试了移动应用程序测量睡眠和体育活动。
睡眠监测和恢复也可能与Emfit QS-sleep监测传感器。
此外,大量的学生测量动脉硬化、最大氧测试功能(签证官2max),身体成分测量,芬兰国家物理功能为学生能力测试。临时实验室建成本课程,学生可以独立或小组做一些测量(包括血糖、PEF、肺体积,低血压,和高血压)。除了正常的教学联系,有一些课程和一些来访的专家。学生参与教学,联系测量,并返回该项目工作。五11的任务从项目工作表所示1。
3所示。数据收集、处理和分析
3.1。数据
研究数据收集在一个芬兰大学教师培训学校,它由三个数据集。最终幸福课程,学生对电子问卷。电子问卷是由198名学生回答,它由利开特式量表问题(4 5强烈同意,同意,3为中性,2不同意,坚决反对和1)和开放式的问题编码不同的子类进行分析。调查问卷被划分根据主要研究问题如表所示2。
第二个数据集包括Firstbeat Bodyguard2-sensor测量112名学生年龄在13岁到17岁之间的(意思是:14.63,std: 1.42)。传感器测量包括49个生理变量,如最大和最小心率、心率变异性、光和艰苦的锻炼时间,压力和弛豫时间的测量。一些监控变量,如HRV,很个性。因此,基值应该在正常情况下,测量和所有后根据这些测量值成比例的。作为数据在本研究中只包括从几天的措施,改变一些变量(标准差RR间隔,敏静息心率,高频电源,和低频高频功率比)周五和周六之间计算和使用。改变变量,不需要考虑个体差异。我们测量了198名学生,但最后,数据集包含的112名学生,那些成功的测量从周五和周六。
第三个数据集包括所有学生的课程成绩( ),曾成功Firstbeat测量。有119级数据的变量。成绩被合并成每个学生的平均成绩。此外,数据归一化标准正态分布。
3.2。数据分析:预测模型
预测成绩,我们使用套索回归和多层感知器(MLP)与10倍交叉验证。LassoCV从Python的sklearn图书馆使用,计算预测的成绩和实际值之间的相关性。中长期规划,从sklearn MLPRegressor测试与不同的参数值。所有可用的激活函数(“身份”、“物流”,“双曲正切,”和“relu”)进行了测试。解决“lbfgs”(一个优化的拟牛顿方法)被发现为较小的数据集(表现得更好40),因此在本研究中使用。模型与一个隐藏层3、6和9神经元和正规化条款0.0001,0.001和0.1进行了测试。再次,预测成绩之间的相关性和真实值计算。我们也尝试了简单预测任务,学生们安排根据年级平均水平,和只包含最好和最差第三。任务是预测一个学生是否属于最好或最差第三。除了预测,皮尔森的平均成绩之间的相关性和Firstbeat测量变量计算。
4所示。结果
4.1。学生对课程的看法
图2显示学生的百分比在调查(表积极回答问题1)。对于利开特式量表的问题,这意味着学生的百分比回答4(同意)或5(强烈同意)。
一般来说,学生评估基于传感器的经验在这两种情况下积极学习。上中学和87%的中学生认为低当数据是由他们的身体,学习更有趣,他们大多发现幸福分析是有用的(高中97%;降低二次78%)和可以提高个人福祉(高中78%;二级低67%)。当学生们问哪些东西/任务/作业是最有用的还是最有效的学习,有84%的学生的答案包括一些相关的测量自己的身体。讲座专家们所持有的32%的学生的答案。一些学生也认为(8%),写作课程的项目工作是有效的学习,和5%的学生认为讨论组是有用的。学生们也被要求课程的内容是最好的记忆,和72%的学生觉得课程后的测量是最好的记忆。讲师中提到的36%的学生的反应。
4.2。数据收集过程
这项研究的目标之一是飞行员如何从大量收集数字医疗数据的学生以及如何利用收集到的数据。试点研究教一些重要的观测数据收集过程。首先,与教师的合作是非常重要的,因为他们帮助研究者分享和收集研究权限和传感器在每周的会议上与他们的学生。分布式传感器在我们的研究中,班主任对学生健康主题日两周前在每周一次的班会,指导学生测量。较低的中学生,收集传感器和授权文件有时可以挑战。花了一些额外的时间将消息发送到学生和家长没有及时返回传感器或许可文件。芬兰的学校系统有一个数字威尔玛与父母沟通的工具,教师,学生,这让沟通更容易、更快捷。我们有30 Firstbeat传感器在不同群体根据回收计划时间表。返回所有的米都处于良好状态,和所有的学生完成了测量时间。测量没有按计划在所有学生的成功。 For some reason, some pupils were wearing the sensor just one day instead for the planned three-day measurement. About 20 per cent of the pupils did not return the permission for the measurements at all, so they could not participate in the measurements and well-being analysis. It is worth thinking about ways for getting these pupils involved in the measurements, because according to the teacher-researcher observations, these pupils had the greatest challenge with health habits and life management, and they might benefit from the measurements most. Pupils in the upper secondary school are in a sensitive and evolving stage of life, so the teachers must be sensitive in all pupils’ bodies-related measurements. For example, body composition measurements are not worth doing at all.
上中学学生,测量进展顺利,部分原因是学生更成熟,他们自愿选择课程。学生们使用M200极地smartwatches和Firstbeat Bodyguard2-sensors测量睡眠,体育活动,和压力。极地smartwatch的可用性比Firstbeat传感器,因为它测量的数据的手腕。86%的学生发现极地M200易于使用。Firstbeat传感器由电极连接到身体,和41%的学生穿它扰乱了日常生活。从teacher-researcher的角度来看,与极地很容易收集数据。初smartwatches是分布式的课程的学生自己创建的用户占极地流和手表与手机配对,期间,他们他们的数据存储在云极地流。Firstbeat传感器,teacher-researcher不得不做所有的准备工作的传感器和测量后的数据上传到Firstbeat服务器,在那里可以为每个学生创造一种生活方式评估。这个过程花了10分钟/学生。Firstbeat传感器更精确和有效比极地smartwatches科学研究,但由于短的为期三天的测量,似乎随机因素影响的测量与极地M200超过几个星期。
4.3。利用数据预测学校的成功与幸福
本研究的方法论的任务是探索新的信息可以从学生收集的数据进行处理。我们决定找到成绩之间的相关性和客观测量49生理变量,利用机器学习。特别是,如何测量压力与学校的成绩是一个尚未被研究的现象。
预测成绩之间的相关性和真实值相当薄弱。套索回归,相关−0.14。在图3之间的散点图可以看到真正的和预测的平均成绩。它展示了大部分的成绩预测接近8.5。
对于中长期规划测试模型,预测和实际平均成绩之间的相关性如表所示3。最高的相关性为0.339 3神经元,正则化项为0.1,谭和双曲函数( )激活。真正的散点图,并预测成绩如图4。
在简单的任务,预测的目的是决定一个学生是否属于最好或最差第三,MLP分类错误的类约46%。在计算的变量之间的相关性,一个显著相关(−0.267, )被发现之间的碳水化合物能量消耗(演讲)和平均分数。然而,这可能只是一个巧合,有49个相关性计算,因此,值应该是相应的纠正。
5。结论和讨论
试点研究的重点是探讨如何学生体验学习传感器的数据由自己的身体。因为研究仅限于一个学校,结果只能经过进一步全面研究在其他环境中。然而,研究结果提供测量数据,可以利用在发展中教学实践符合新的国家芬兰学校的核心课程。
作为一个整体,学生经验的倾斜传感器作为一种积极的学习经验,觉得这提升他们学习,和他们中的大多数认为获得的数据可以提高他们的个人幸福。Tulving et al。38发现学习的客观数据或“事实”将增强如果学习过程涉及到个人或情感因素。科尔布(39)强调经验为基础的学习。基于动作的学习过程涉及情感和使用不同的感官,使一个有意义的学习经历出现(39]。试点研究表明,传感器的学习方法提高学习的意义。2015年PISA (41)结果突出显示,芬兰男孩的动机在科学降低了。也许是传统的科学教学方法不刺激男孩对学习内容的兴趣。应该进行进一步的研究以确定女孩和男孩身体经验学习方法以不同的方式,尤其是男孩是否能受益于科学传感器的方法。
从学生的反应,测量积极强调。测量过程的身体活动进程,结合合作,使用不同的感官渠道。当两种不同的感官和身体参与学习过程,更持久的记忆痕迹可以出现(42,43]。这支持了这样一种观点:大多数学生受益于身体和感官通道的使用指令(44,45]。
传感器学习了各种元素,不同于普通课程的元素,例如,新的传感器技术,身体的方法,教室外的学习环境,参观讲师。关于教学方法打破了常规,学习环境,或工具增加学生的注意力,导致一个难忘的学习经历4,46]。可以提出,学生倾向于找到一个积极改变工作方法,因此积极的发现在这方面研究的不足为奇。因此,应该进行进一步的研究来找出学生的长期使用的传感器的经验学习方法。
研究发现,自我追踪技术可以改善一个人的幸福和动机对锻炼在短期内,但在接受有挑战和长期使用可穿戴的自我追踪技术(47- - - - - -50]。尽管学生们觉得测量有利于他们的健康发展,进一步的研究应该调查测量是否会造成永久性的健康习惯的变化。
这个试点研究Jyvaskyla大学项目的一部分,旨在探索使用大数据和人工智能在卫生保健和教育(图5)[47]。Self-quantification、人工智能和远程医疗将储蓄在卫生保健在未来47]。芬兰教育系统产生大量的数据,还没有用于预防性的医疗保健。我们发现,相同的数字健康数据可以利用在学习和预防保健。在未来,学校强调的是在预防卫生保健的作用。Health-measuring技术发展迅速,成为更可靠,更便宜,更容易使用。这也是对学校开放提供新型的健康数据的开发的机会51]。正确使用测量可以让学生对自己有价值的信息,唤起自己的健康行为的兴趣以及学生的自己的行为如何影响身体和心灵。福利保障更好的学习条件。我们发现幸福数据的收集与合理的工作是成功的,并在未来的研究中,我们的目的是收集更多的数据集包括来自血液样本的数据。然而,重要的是要记住,道德和安全数据管理数据收集过程是最重要的因素。
根据学生的经历,幸福数据的收集应该很容易和轻松。如今,从手腕可以测量心率变异,因此在未来的研究中,数据收集与smartwatches,戒指,或衣服。这将更好的度量数据收集,并允许更长的时期,和传感器将为用户更舒适。
本研究的目的之一是检查是否有可能找到传感器测量的生理变量之间的相关性和学校成绩和预测成功与健康数据。的弱相关性预测最可能相关的数据属性,而不是预测能力Firstbeat幸福感的测量。在进一步的研究中,一段时间测量可以提供更准确的信息。此外,一幅更可靠的运动习惯,复苏,他们将获得个人的影响。似乎在这项研究中,随机因素影响测量在为期三天的测量。在个体层面,可以测量几次,例如,考试周期间,为了遵循长期健康发展的因素。
数据可用性
学生的健康数据、成绩和答案电子问卷数据用于支持这项研究的结果被限制Jyvaskyla大学的伦理委员会原则以保护学生的隐私。数据可从Hannu带(Jyvaskyla大学),研究人员符合标准的访问机密数据。
的利益冲突
作者宣称没有利益冲突有关的出版。