Valencia, España
El diseño del aula influye en las funciones cognitivas, como la memoria y la atención. Esta relación entre entorno y rendimiento es compleja, y los efectos cognitivos y neurofisiológicos están estrechamente entrelazados. El objetivo del presente trabajo es centrar las bases de una metodología capaz de evaluar el impacto del diseño del aula en la atención y memoria de los alumnos, a partir de índices cognitivos automatizados basados en medidas neurofisiológicas. Para ello se llevó a cabo un estudio en laboratorio, en el que 50 sujetos realizaron pruebas cognitivas en entornos virtuales con diferentes configuraciones de diseño. Durante estas se registraron sus respuestas psicológicas (relativas al rendimiento en atención y memoria) y respuestas neurofisiológicas (electrocardiograma, electroencefalograma, y respuesta electrodérmica). Tras el tratamiento de las señales y la extracción de distintas métricas, se estudiaron las correlaciones entre ambos tipos de respuestas. Esto ofreció una base de relaciones para la futura elección de métricas con las que entrenar modelos predictivos. El uso de Inteligencia Artificial permitirá cuantificar de manera automática el impacto del diseño del aula en la atención y memoria de los alumnos, a partir de índices basados en medidas neurofisiológicas.
Classroom design influences cognitive functions such as memory andattention. This relationship between environment and performance is complex,and the cognitive and neurophysiological effects are closely intertwined. Theaim of this paper is to lay the foundations for a methodology capable ofassessing the impact of classroom design on students' attention and memory,using automated cognitive indices based on neurophysiological measures. Tothis end, a laboratory study was carried out in which 50 subjects performedcognitive tests in virtual environment swith different design configurations.During the tests, their psychological responses (attention and memoryperformance) and neurophysiological responses (electrocardiogram,electroencephalogram, and electrodermal response) were recorded. Afterprocessing the signals and extracting different metrics, correlations betweenthe two types of responses were studied. This provided a basis ofrelationships for the future choice of metrics with which to train predictivemodels. The use of Artificial Intelligence will make it possible to automaticallyquantify the impact of classroom design on students' attention and memory,using indices based on neurophysiological measures.
© 2001-2024 Fundación Dialnet · Todos los derechos reservados