Eng
首頁 / 人文社會 / 眼動追蹤在腦神經醫學教育上的應用

眼動追蹤在腦神經醫學教育上的應用

【本篇報導由科學教育研究所  林志鴻助理教授研究團隊提供】

  眼動追蹤技術在醫學教育中廣泛被應用,因為眼動追蹤可辨認受試者執行任務時注意力轉移的過程。本研究探索口頭報告(oral presentation, OP)測驗是否能反映新手醫學生閱讀腦部電腦斷層(Computed Tomography, CT)的解釋能力和閱讀行為。八十位五年級的醫學生在兩個小時的互動工作坊中學習如何閱讀腦部CT,參加前與後皆被安排閱讀兩組腦部病變的CT圖片(案例一與案例二),並測驗他們的閱讀行為和解釋能力。過程中透過眼動追蹤紀錄學生尋找病變目標的閱讀行為,這些紀錄被用於評估口頭報告的準確度。使用的統計方式包含滯後序列分析(lag sequential analysis, LSA)、混合線性模型(linear mixed models),以及傳遞熵(transition entropy, TE),這些方法能利用眼動資料來了解系統性圖像閱讀的順序(時間關係)和位置(空間複雜性)。研究結果發現,醫學生接受兩個小時的互動工作坊教學後,對於兩個案例的口頭報告的分數顯著提升,閱讀行為和眼動追蹤的資料顯示醫學生的圖像閱讀行為在教學前、後有轉變,此外教學成效會隨興趣區域(Areas of Interest, AOI)不同而改變。而案例一中對於目標病變的關注時間在教學前後有顯著差異,但案例二中注視次數、準確診斷病變的頻率在教學前後沒有顯著的差異。研究結果顯示,學生經過結構化教學後,可以讓醫學生以更合適的方式閱讀CT,提升CT的口頭報告品質。本研究發現可做為未來開發相關教學材料和評估工具的參考。


 

  「眼睛在看哪裡?」這句話聽起來熟悉嗎?求學階段中,可能曾看過老師指出不專心的同學,說不定你也經歷過這種尷尬的時刻。為什麼老師知道哪些同學心思不在課堂上呢?很簡單,不管是雙眼無神的望向窗外,還是在桌子底下偷看課外讀物,當有段時間沒有注視老師、黑板,或是課本時,老師就能察覺同學的思緒已經脫離課堂內容了。眼動追蹤技術的基本假設──心眼假設(eye-mind hypothesis, EMH)和這個例子很相似,簡單來說,我們有目的性的凝視哪裡,我們的注意力就在哪裡。所以,即使老師們沒有儀器的輔助,也可以從學生的視線初步判斷學生的注意力在何方。

  本研究在醫學教育領域中應用眼動追蹤技術,旨在教導醫學生系統性地閱讀腦部電腦斷層(Computed Tomography,以下簡稱CT)的影像,而非單純介紹腦部病變的特徵,以檢視這樣的教學方法能不能提升醫學生練習判讀CT並診斷腦部病變情況的學習成效。共有80位醫學生參與研究。研究者進行前測時醫學生被要求口頭報告,並同時接受眼動追蹤,之後醫學生接受教學,內容是關於閱讀腦部CT以及急性腦中風的重要特徵,教學後進行後測,醫學生再次被要求口頭報告和眼動追蹤並評估完成任務的信心。

  傳統上可能使用多選題或口頭報告(oral presentation, OP)的方式評估醫學生閱讀和解釋腦部CT的能力,但兩種方法皆有其限制。例如:選擇題沒有辦法確實反映出醫學生的判斷能力;口頭報告則過於開放,沒辦法得知醫學生在報告的過程閱讀腦部CT的順序。這次的研究中,研究團隊以口頭報告為基礎,加入眼動追蹤,按照醫學生們的後測分數、病變部位的辨別,以及系統性圖像閱讀的能力來評估醫學生閱讀腦部CT的能力。眼動追蹤的輔助可以幫助研究者追蹤醫學生透過圖中哪些資訊來診斷並下結論,進而更有效的評估他們的學習成效。

  研究發現,醫學生經過教學後,較能有系統的閱讀腦部CT,同時在口頭報告中判讀腦部CT並診斷腦部病變情況的表現有所提升。如圖一所示,醫學生接受教學的前後觀看腦部CT的順序和關注的重點的差異。

圖一:醫學生前測(上圖)與後測(下圖)的範例
圖一:醫學生前測(上圖)與後測(下圖)的範例
 

  眼動追蹤搭配醫學生的口頭報告,可以提供更精確的判讀過程,幫助評估醫學生的判讀CT能力。而接受系統性閱讀CT的教學也有助於提升醫學生判讀CT的能力,這些研究結果可以做為未來醫學教育發展教材及評估工具的參考。

 

原文出處:Liu, C.-H., Hung, J., Chang, C.-W., Lin, J. J. H., Huang, E. S., Wang, S.-L., . . . Chang, Y.-J. (2022). Oral presentation assessment and image reading behaviour on brain computed tomography reading in novice clinical learners: An eye-tracking study. BMC Medical Education, 22(1), 738. https://doi.org/10.1186/s12909-022-03795-9 

林志鴻 助理教授 | 科學教育研究所

林志鴻教授專注於整合數位軟硬體來分析與診斷學習歷程,具有業界實務經驗開發資料探勘與機器學習技術,並應用於學習分析(Learning analytics)。研究專長包含AI導入科教學習、數位學習鷹架、問題解決。近年來開發眼動與手寫整合應用於數學問題解決。透過多模態資料建立AI模型以評量學習者在科學與數學學習的表現。在量化研究方法(Quantitative Research Method),整合多層次結構方程式、中介與調節模型來分析數位學習中重複量測、潛在變項或多層次資料中的變項關係。