Int ern at i onal  Journ al of Ele ctrical  an d  Co mput er  En gin eeri ng   (IJ E C E)   Vo l.   9 , No .   5 ,  Octo ber   201 9 , pp.  4408 ~ 44 16   IS S N:  20 88 - 8708 ,  DOI: 10 .11 591/ ijece . v 9 i 5 . pp44 08 - 44 16           4408       Journ al h om e page :  http: // ia es core .c om/ journa ls /i ndex. ph p/IJECE   Identifyi ng lea rning style  th ro ugh  eye tr ackin g techn ology in  adapti ve learning  sy s tems       Inssaf El G uabassi 1 , Z akari a  B ou s alem 2 , Mo hamm ed  A l Achh ab 3 ,  Is mail  jell ou li 4 ,    Badr Ed dine  EL   Mohaji r 5   1,4,5 Facul t y   of  Sc ie nc es ,   Abde lmale k  Essaa di   Univ ersity ,   Moroco   2 Facul t y   of  Sci e nce   and Technol ogie s,   Hass an   1 st   Univer sit y ,   Mor occ o   3 Nati ona l  School   of  Appli ed  Sc ience s,  Abd el m al e k  Essaa di   Unive rsit y ,   Moroco       Art ic le  In f o     ABSTR A CT   Art ic le   hist or y:   Re cei ved   J ul  1 ,  201 8   Re vised  A pr 18 , 2 01 9   Accepte d  Apr   25 , 201 9       Le arn er  l ea rnin g  s t y l e  rep r ese nts  a  ke y   prin c ipl e  and  cor e  v al ue   of   the  ada pt ive   l ea rn in g  s y stems   (ALS).  Mor eove r ,   und ersta nding individual  l ea rn er   le arn ing  st y le s  is  a  ver y   good   condi ti on  for  havi ng  the   b est   servic es  of  resourc e  ad aptat ion.   How eve r ,   t he  m aj ority   of  the   ALS,  whic h  consider   le arn ing  st y le s,  use  questi onnair es  in  orde r  to  de te c t  it,  where as  thi s  m et hod   has  a  var ious  disadva nta g e s,  For  exa m ple ,   it   is  unsuita ble   for  som e  kinds  of  responde nts,  tim e - consum ing  to  complet e ,   it   m a y   be  m isunderstood  b y   responde nt,  etc .   In  th e  pr e sent  pap er,   w e  propose  an   appr oa ch  for   aut om atic al l y   detec t ing  l ea r ning  st y le s   in  ALS  base d  on   e y e   tracki n g   te chno log y ,   b ecause  i t  rep rese nt s  one  of  the  m ost  informat ive   ch ara c te rist ic s   of  gaze  b eha vior .   Th e  expe rimen t al   r esult s  show e d  a  h igh  r el a ti on ship  among  the   Fe lde r - Silv e rm an  Le a rning   St y le  and  the  e y e   m ovements  rec ord ed     whilst  l ea rning .     Ke yw or d s :   Ad a ptat ion   Ad a ptive lea rni ng   Ey e  tracki ng   Learn i ng sty le  d et ect ion   Copyright   ©   201 9   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .    Al l   rights re serv ed .   Corres pond in g  Aut h or :   In ssa f El  Gua ba ssi,    Faculty  of S ci e nces,   Abdelm al ek  Essaadi  Un i ver sit y,   P.O.BO X 212 1, Tet ua n, 93 000,   M orocc o .   Em a il :  el gu aba ssi@gm ai l.com       1.   INTROD U CTION     Trad it io nal  ed ucati on   syst e m s,  wh ic h  al low  le ar ne r  to   le arn   in dep e nd e ntly   without  at te nd in g  a   cl assroom   to  m eet   the  tutor ,   are  unable  to  dynam ic al l y  a dap t  to  t he  le arn e r’ s  nee ds .  S ub s eq ue ntly   they   are   un a ble   to   inc re ase  the   outp ut  of  the  le a rn e rs.  I n  this   res pect ,   rece ntly   the  c on ce pt  of  a dapt at ion   has  bec om e  an   i m po rtant issu e o f  resea rch  i n  le arn i ng  area ; i nd eed, pro vid in g  ada ptivit y i n  le arn in g  syst e m s h el ps  learner s t o  m ake th e i nten ded lea r ning  outc om es v ia  a  per s onal iz ed w ay .   This  pa per   r e pr ese nts  a  c on ti nu at ion   of   our  pr e vious  w orks  car ried  out  in  the  ada pt ive  le a rn in g  syst e m s ( ALS)  [ 1 - 4], in w hic h we  prov i de d adaptivit y i n u biquit ous lear ni ng  syst em s b a sed on l ear ning  sty les   of  Felde r - Sil ve rm an  and  le a rn e r  c on te xt.  Howe ver,  a  ne w  a dap ta ti on   pro blem   h as  app ea re d,   nam el y  the  autom at ic   detect ion   of   le ar ner le arn i ng   sty le s.   Learn i ng  sty le s  are   inc reasing ly   inco rpo r at ed  to  enh a nc e  le arn in g  outc om es  fo r  le arn e rs,   an d  therefo re  m any   research   a ppr oach e s  are  done   in  edu cat io n  area,  in  fact,  m os t   research e rs  ag ree  that  le arn i ng   sty le s  play   a  key  ro le   in  t his  area.  O ne   of   the  m os t  widely   us e d  m od el s  of  le arn i ng   sty le s  is  the     Felder - Sil ve rm an  Inde x  of   Learn i ng   Sty le s  (ILS) .   T his   m od el   is   ex trem e ly   si m ple   an d,   furthe r m or e,    the  res ults  are   easy   to  inter pret .  H ow e v er ,  a t  the  sam e  time  the  qu est io nnai res  i n  gen e r al   su f fer  f ro m   sever al   disad va ntages,  bo t h  the or et ic al   and   pr act ic a l.  For  exam ple,  it   is   extrem ely   i m po ssible  t o   record  c ha ng ing   of  le arn in g  sty le s  beca us e  it   is  im po ssible  to  r epeate dly  ask   le arn e rs  to   com pl et e  the  quest ionnaire  for  ti m e  an d  cost c on ce rn. Fort un at el y, this  problem  can   be   so l ved u si ng  autom at ic  d et ect ion   of lea r ning sty le s.   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N:  20 88 - 8708       Id e ntif yi ng  le arnin g  sty le  th r ough eye tr ack ing  tec hnol og y  in ada ptive  learn i ng syste ms   ( In ss af El  G uaba s si )   4409   Nowa days,  it   is  po ssible  to  detect   the  l earn e r   le ar ning   sty le s  via   the  bio m et ric  t echnolo gies.     Fo r   exam ple  ey e  trackin g,   in   fact,  this  te ch nolo gy  has  bee n  extensi vely   use d  in  a  la r ge   va riet y  of   a pp l ic at ion s  su c h  as  diag nosti cs  [5 ,   6],  int eracti on   a nd   a ccessi bili ty   [7 - 11 ]   an d  analy ti cs  [12 - 15] .   Thi s  pap e r  inv e sti gates  and  disc us ses   an  a ppr oach  to   pro vid e   ada pt at ion   in   le ar ni ng  syst em s   thro ug h  ey e  trac ki ng   or  gaze - tra ckin g,   this  te ch no l og y  al lows  aut oma ti cal ly   un de rs ta nd in g  of  i nd i vidual   le ar ner  le arn i ng  prefe re nces  by  recor din g  of  the point - of - ga ze (P OG).     The  pap e r  is  structu re d  as  f ollows.  A fter  pr ese ntin g  the   backg rou nd,  S ect ion   3  co nc entrates  on   pro po se d  a ppr oach.  Se ct ion  4  descr i bes  our   resea rc h  m et hodo l og y.   S ect ion   5  pr e se nts  the   ex pe rim ental   resu lt s.  Finall y, Sect io n 6 dis play s the m ai n  con cl us io ns  a nd  fu t ur e  resea r ch.       2.   BACKG ROU ND   In   this  sect io n  we  will   discuss  the  three  m ain   te rm s  to  achieve  our  a ppr oa ch,   these  te rm s  are:  Firstl y  the lea r ning  obj ect s (LO ),   sec ondly t he  le a rni ng   sty le s an d t hir dly t he  ey e t rack i ng .       2 . 1.     Le ar ning  o b ject s    Learn i ng   obj e ct   (LO)  is  a  con t roversi al   con ce pt,  bec au se  unfortu nate ly   the  sci entifi c  literat ur e  do e s   not   pro vid e  a   si ng le ,  c oncrete,  a nd  co nse nsual   de finiti on  for   it ,   A   le arn i ng  obj ect   c an  be   de fine d  a s  “ an y   entit y,  dig it al  or   non - dig it al,   tha t  ma y  be  us e d  for  le arn ing ,  e du c atio n  or   trainin g ”  [16].   Mo re  si m pl y,     a  le arn in g  obje ct   is  “ an y  dig it al  reso ur ce  th at  can   be  reu s ed  to  sup port  le arnin g”   [ 17 ] .   Likewise,  a  le a rn i n g  obj ect   ca n  be  de fine d  as   “ A   di gital  sel f - co ntai ned   and  reu sable   entit y,  wi th   a  cl e ar   e du c at ional  pur pose,  wi th  at  le as t  three   interna l  an d  editable  co m pone nts:  c on t ent,  le arnin g  activ it ie s  an d  el emen ts  of  con te xt .    Th e  le arnin g  obje ct s  m us t  ha ve  an  ext er na l   structure   of  i nfo rm atio n  t o  fa ci li tate  their  id entif ic ation ,   storage   and  ret rie val :  the  meta data .” [18].   In   s hort,  we   pro po se  t he   fo ll owin g  ve ry  global  an d  work i ng  de fini ti on :     A  le ar ning  obje ct  is a d i gital  learni ng r es our ce.   On   the  oth e r  hand,   the  le ar ning  obj ect s  ha ve  the  f ollowi ng   key  cha ra ct erist ic s  [1 9]:   Is  a  par t  of   le arn in g  m at er ia ls  -   essenti al ly   con sist   of   sm a ll er  un it s   of   le arn i ng,  usual ly   between  2  m inu te s  and   15   m inu te s.  I s  sel f - c on ta ine d  -   e ver y  le ar ning  obj ect   ca n  be  t aken  in dep e nd ently .  Is  Re us a ble  (RL O  =  re us a ble  le arn in g  obj ect )  -   each   le ar ning  obj ect   ca n  be   us e d  in   m ulti ple  le arn in g  m ater ia l.  Is   A ggre gated  -   L Os  ca n  be  gro up e d  into  l arg e r  co ll ect io ns   of  co ntent.  Is  ta gg e d  with   m et adata  -   ea ch  LO  ha s  des cripti ve  inf or m at ion   al lowing.  T he  m edia   con te nt   of   a  le ar ning  obj ect   ca n  incl ude:   vid e o,   te xt,   aud i o,   im age,  exam ple,  def in it ion ,  il lustrati on ,  exe rcise,  diag ram , s im ulati on , as sessm ent, etc.      2 . 2 .    Le ar ning  styles   Learn e rs  hav e  diff e re nt  ways  of   le ar ning;  each  le arn e r  ha s  his  own  per ce pt ion   le vel,  his  own  way  of   bui ldi ng  an d  retai ning  knowle dge.  That’ s  w hy  a  sin gl e  sty le   wo n' t  be  a ppr opria te   for  al l  le arn e rs .     Ther e f or e  it   is  necessa ry  to  gra sp   his  le ar ning  sty le   first,   in   orde r  to   co rr e ct ly   cho ose   the   strat egies  a nd  ada pt   the syst e m  to  it.   In   our  a ppr oa ch  we  c hose th e Felder - Sil ve r m an  le arn in g  s ty le , b ecause it ’s  I nd e x of  Le a rn i ng  Sty le   (I LS)  of fer s  a  pract ic al   and   c oncrete   appr oach   t o  determ ine  the  do m inant  le arn i ng   sty le s  of  eac h  le arn er ,  pl us   the  res ults  of  ILS  can  be   easi ly   con ne ct ed  to  en vi ronm ents.   Ac cordin g  to  F el der - Sil ver m an   Lea rn i ng   Sty le   Mod el   (FSLSM )   [2 0],  le ar ner s   are  char act er iz ed  by  their  pr e fer e nces  in   fo ur   dim ension s as   sh ow n  in  T a ble 1 :       Table  1.   FSLS M Lea r ning st yl e d i m ension s   Di m en sio n s   Sty le   Key wo rds   Grou p s   Proces sin g   Activ e   Pref ers to tr y   an d  exp erience new con cept s   Ref lectiv e   Likes  to th in k  about th in g s b efore  tak in g  action   Perceive   Sen sin g   Likes  to u se  m e th o d s  estab lish ed  practically an d  car ef u lly   Intu itiv e   Tend s to  work  qu ick ly  and  be in n o v ativ e and  us u ally  ca n   m an ip u late abs tr act and   m ath e m ati cal  co n cept s   Receiv in g   Visu al   Better assi m ilatio n  of  new in f o r m atio n  thro u g h  grap h ics ,  d e m o n stratio n s, d iag ra m s,   g raph s, et c.   Verbal   Better assi m ilatio n    th rou g h  vo calized an d  wr itten  word s    Un d erstand in g   Seq u en tial   Pref ers to ass i m ilat e new kn o wled g e linearly   an d  log ically   Glo b al   Pref ers a  s y ste m ati c app roach       2 . 3 .    Eye  t r acki ng   In   t he  sim plest  te r m s,  Ey e  tracki ng   or  ga ze - tracki ng  is  a  te chnolo gy   of   rec ordin g,  stud y,  a nd   m easur em ent  of  ei the r  the   c oor din at es   of  a   hu m an  gaze  point.   I n  ge ner a l,  gaze   re fer s   t o  wh e re  y our  e ye s  are   fo c us e d  a nd   t he refor e  know  e xactl y  your  rea l  pr e fer e nc es.   The  dev ic e  us e d  to  determ ine  the  di recti on  of   t he   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   5 ,  Oct ober   201 9   :   4 4 0 8   -   4 4 1 6   4410   po i nt g aze  is c al le d  ey e - track er.  T he  Ey e t ra ckin g  te ch nolo gy h as  b ee n us ed  in  m any sci entifi c stu dies  su c h  as   neur os ci ence  stud ie s,  m ark e ti ng   an d  e - c om m erce  research,  co gn it ive   sci ence,  ps yc ho l og y,  ca r   dri ving,  m edical  r esear ch,  etc.   An   e xam ple  of   hig h  pe rfo rm i ng   ey e  trackin g  syst e m   is  dep ic te d  on  Fig ure  1.   Thr e e  vital   par ts  of   this   syst e m  are  [21 ] :    1.   Custom - desig ne d  se nsors   :  It  consi sts  of  c ust om   design e d  i nfrar e d  pro j ect or s ,  c us tom iz e d  im age  sens or s,  op ti cs a nd c us tom  p ro ces sin g wit h  em bed de d al gorithm s   2.   Adva nced al go rithm s : It inter pr et s t he  im age stream  g ener at ed by t he se nso rs   3.   User - ori ente d app li cat io ns  :  An lay er to act ivate  the m any d iffe re nt w ay s  the tec hnol ogy ca n be  us e d           Figure  1. H ow  the  ey e trac ker  works [ 21]       3.   PROP OSE D APP ROAC H     Each  le ar ner   con cei ves  an d  per cei ve s  le arn i ng   diff e re ntly .  They  hav e   diff e ren t  stre ng t hs   a nd   weaknesse s.  T her e  are  se veral   le arn ing   sty le s,  and   the refor e  we  m us t  c reate  a  cou rse   that  adap ts  to  eac h  le arn er .  In   th is   way,  the  ind iv idu al   pr e fe ren c es  of   the  le arners  are  res pected,  an d  co ns e quently   they   can  ha ve   bette r  res ults.  Learn i ng  sty le   identific at io n  is  tradit ion al ly   done  by  usi ng   a  quest io nn ai r e.  Be side  the   us e  of  the  qu e sti onna ires,  they   are   a  us efu l  m eth od  to   in vestigat e.  H ow e ve r ,  they   hav e  a   nu m ber   of   m ajo r  disad va ntages a s w el l:   1.   Ma y be  un s uitable  for s om e  kinds  of r es po nd e nts   2.   Ther e  is the  d a ng e r of q uestio nn ai re f at i gu e   3.   Ma y be ig nore  certai n qu est i ons  by r es po nd e nt   4.   Ma y be m isun der st ood by  res pondent   5.   Ti m e - con s um i ng to  c om plete   6.   Etc .   On   the   oth e r  ha nd,  syst em   c annot  re co rd  c hangin g  of  le arn i ng   sty le s  be cause  it   is  i m po ssible  to  rep eat e dly  ask  le arn ers  to  c om plete   the  qu est io nn ai re .   Re cent  stud ie s   dem on strat e  t hat  it   is   po ssi ble  to   identify   the   m os t  prefe rr e d   l earn i ng   sty le s,  thou gh   bio m et ric  te chnolo gi es  in  par ti cula r  m ou se  m ov em ents,  acce le ro m et er an d ey e trac king,  et c.   In   t his  prese nt  work  we   pro pose  a n  a ppr oac h  to  pro vid e   a dap ta ti on   i n  le arn i ng   syst e m s   thr ough  ey e  trackin g  te c hnology,  this  la t te r  al lows  aut om atical ly   det ect   the  prefe r red   le arn i ng  st yl e  of   eac h  le arn e r.   Our  pa per  will   present   t he  res ults  of  t he   bas el ine   stu dy  co nducte d  t o  ide nt ify   le arn e r  le a r ning  sty le   base d  on  the  Felde r - Sil ver m an   Lear ni ng   Sty le   Mod e l  (F SLSM )  [ 20] .  This  pap e r   c ons ist s  of   t hr ee  m ai n  pro cesses :   The  le ar ning  obj ect s  a re  fir stl y  descr ibe d.   Nex t,  t he  le ar ning  sty le s  are  detect ed.   Fi na ll y,  the  adap ta ti on   is   pro vid e d.  M ore detai ls o n p rocesses wil l  be give n belo w  in  the Resea rch  Me thodo l og y s ect ion .         Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N:  20 88 - 8708       Id e ntif yi ng  le arnin g  sty le  th r ough eye tr ack ing  tec hnol og y  in ada ptive  learn i ng syste ms   ( In ss af El  G uaba s si )   4411   4.   RESEA R CH  METHO DOL OGY   This  sect io n  de scribes  t he  th re e  phases  of   res earch  m et hodolog y  wh ic h  inc lud e:     descr i bi ng  le arn i ng  obj ect s,  d et ect ing l ear ning sty le s,  an d pro vidi ng  a da ptivit y.     4 . 1.     Des cri bin g  le ar ning  obj ects   This  phase  c onsist s  essenti al l y  to   giv e   the   use r  acce ss  to  a  le arn in g  ob j ect ,  base d  on  an  i nd ic at io n  of   their  co ntent  a nd   /  or   thei r  na ture  ( f or m at ,  t ype),  a nd  co nse qu e ntly   the  m ai n  pur pose  is  to  ena ble  le arners  t o  seek  a nd  us e  l earn i ng  ob j ect s,  a nd  to  e na bl e  them   to  co m pi le   le arn in g  obj ec ts   f or  ea ch  i ndivi dual   le arn e r.   To  de scri be  ou r  le arn i ng   obj e ct s,  we  use d  t he   internati onal   sta nd a rd   LO M  [22],  w hich   proposes  a  m et adata  m od el   descr i ption   asso ci at ed   with   pe da gogi cal   obj ect s  w hateve r  they   a re  dig it al   or  not.  In  m or e  ge ner al   te rm s,  The  IEEE’ s  Lear ning   O bject   Me ta data  (LO M),  use d  to  desc ribe   a   le arn in g  ob je ct   us ed  to  cre at e  of   well   structu red  descr ipti on   of  le arn in g  res ources ,  to  sup port  the  re us a bili ty  of   le ar ning   obj ect s,  to  fa ci li ta te  their  inte ropera bili ty ,  and  to  ai d  disc overa bi li t y,  usual ly   in  the   c on te xt  of  a da ptive  le a rn i ng  syst em s  (A L S).   A  r ep rese ntati on   of the  hiera rc hy of elem ents in  the  LOM   da ta   m od el  is s hown in F ig ur e  2.           Figure  2.  The   le arn i ng ob j ect   m et adata sche m e       The  nee d  for  adap ta ti on  of   l earn i ng  ob j ect s  to  t he  nee ds  of  t he  le ar ner,  we   a dd e d  an   el em ent  to  te chn ic al   cat eg or y  of  the  LO M  data  m od el .  Of   c ourse,   this   el e m ent  is   the  le arn in g  sty le s  accor ding  to  F el der - Sil ver m an   Lea rn i ng   Sty le   Mod el   (F S LSM)   [20],  bu t  our   fo c us   will   be   especial ly   on  the  Vis ual  /  Verbal   dim ension .T he   le arn in g  obj ec ts  in  ou r  syst e m   are  la beled  as  rep r esente d  in  T able  2.   T his  descr ipti on   is   based  on the t heoreti cal  d escri ptio ns ab out l eanin g st yl es’  cha ract erist ic s o f  FSL SM.       Table  2 . L abel s of  our  le ar ning  obj ect s   Visu al   Verbal   I m ag e   Diag ra m   Vid eo   Bo ard   An i m atio n   Graph   Si m u latio n   Slid esh o w   Hy p ertext   Co n f erence vid eo   Au d io   Text   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   5 ,  Oct ober   201 9   :   4 4 0 8   -   4 4 1 6   4412   Af te r   seei ng   our   le ar ning   obj e ct   desi gn,  i n  t he  ne xt  sect io n  w e  will   prese nt   how   we   c an   autom at ic ally   e stim at e lea rn ers'   le arn ing st yl es ?     4 . 2.     De tectin g l earnin g  s ty le s      It  is  ve ry  im p or ta nt  to   intr oduce   the   ada pt at ion   t o  the   onli ne  le ar ni ng  syst e m   by  de ve lop in g  the  m echan ism   to  identify   the  le arn i ng   sty le s  to  c om ply  with  the  re quirem e nts  of  F SLSM   [19].  Howe ve r  the   pro blem a ti c are:   a.   It  is  i m po ssibl e  to  re peatedly   ask  eac h   l ear ne r  to  c om plete  the  quest io nnai re  for  ti m e  a nd   c os t  c on ce r n,  wh e reas  the  s yst e m   has  to  face  the  chall eng e  of   recor ding  the  cha ngin g  of  le arn i ng   sty le   durin g  the   le arn in g.    b.   The q uestionna ires h a ve  a  nu m ber  o f  m ajor disad va ntages  i n gen e ral, as  s how n pr e v io usl y.   In   ver y  ge ner a l  te r m s,  an  autom atic  m e tho d   f or   trac king  le arn i ng   sty le s  is  the  essenti al   par t  of   a n  eff ic ie nt m assive  ALS.   In   t he  prese nt  stud y,  we  us ed   an  ey e  gaze  r ecorder  t o  rec ord  t he  tim e  that  the  par ti ci pa nt s  gazed   a t   te xt - base d  or  gr a ph ic - ba s e d  le arn i ng  obj ect s.  T he r efore,  we  c om par ed  the   resu lt s  wit h  the  resu lt s   obta ine d   th r ough   the  qu e sti onnaire  of   t he  FS LSM .  I n  this  fi rst  stud y,  we  f oc us e d   es pecial ly   on   t he   Visu al  /  Verbal  d im ension .     The  m ajo r  ste ps   to  ac hieve  the  com par iso n  to  fin d  the  r el at ion sh i p  am ong  the  Felde r - Sil ver m an   Learn i ng Sty le  and the  eye  tra ckin g  a re:   a.   The  le ar ner   c om plete   the   Felder - Sil ver m an  I nd e x  of   Le arn i ng   Sty le s  (I LS )  quest io nnai re  to  deter m ine  wh et her he/s he  is v is ual or  ve rb al   b.   The  syst em   pr opos es  to  t he  le arn e r  a  le arn i ng   obj ect   w hi ch  is  disp la ye d  in  te xt  an d  gr a phic   form .  Fo r   that   pur pose,  t he  scree n  is  div ide d  int o  two  disti nct  pa rts.  O ne  half   of   t he  scree n  offe re d  te xt ual   represe ntati on   of   le a rn i ng  ob je ct   wh il st  the   seco nd  half   of   the  sc reen  off ered  grap hical   re prese ntati on   of   the sam e lea rn ing o bject .   c.   Ey e  trackin g   t echnolo gy  is  use d  in  t his  ste p  to  determ ine   the  point - of - ga ze  (POG )  of  the  le arn e r  on   the   screen .   d.   Gen e rati on  of  t he results  of ey e tracki ng expe rim ent   e.   Com par ison   of   the  res ults  of  the   Felde r - Sil ve rm an   Index  of   Lea rn i ng   Sty le s  (ILS)   quest ionnaire  a nd  th e   resu lt s   obta ine d via ey e trac kin g t ech no l og y.   The  res ults  of   this  exp e rim ent  will   be  pr esented  an d  disc usse d  in  Re su lt s  and   Disc us si on   sect io n.     In   t he  ne xt  sect ion , w e w il l  see  how  to provi de  ada ptati on   i n  the o nline  le arn i ng   syst em   by  the  use   of   le arn i ng  obj ect s a nd lea rn e r  le ar ning st yl es ?     4. 3 .    Pr ov idi n g ad ap ti vit y     Af te r  desc ribi ng   t he  le ar ni ng   obj e ct s  an d  detect in g  th e  le arn e r  le ar ning  sty le s,  we  are  now   com m it te d  to  pr ovidi ng   le ar ne rs  with  an  ada pted  co urse  accor ding  to  his/her  I ndivid ual  le arn in g  prefe r ences .   The  a da ptati on   ca n  be  e xpla ined  as:   T he  le arn er   prof il e   is  re pr es ente d  as  vecto r,   a nd  al s o  eac h  le arn i ng  obj ect s  i n  the   co ur se   is  r ep resen te d  as   a  vecto r,   a nd  th en  the   le ar ner  interest   pr e di ct ion   is  ac hie ved  by   cal culat ing  sim il arit y value b e tween t he  le ar ne r profile   vecto r  a nd the lea rn i ng ob j ect s  vector.   Ther e  ar e  m any  si m il arity   m easur e s  avail able,  but  the  m os t  widely - us e d  m easur e  in  the  fiel d  of   inf or m at ion  r es earch  is   the  cos ine sim i la rity .   Give n  tw o  vec tors,  V LO =<L O LL ,  L O P ,  LO Lg ,  LO LS >  desc r ibing  the   le arni ng   obj ect s   an d  the   ve ct or   V LP =<LP LL ,  L P P , LP Lg , LP LS >   descr i bing th e lea rn e r profil e,  Wh e re:   LL   : R epr ese nt s the le vel ( e .g.  Begin ner,  In te rm ediat e, o r  E xp e rt).   P     : R ep resen t s the  plate form  ( e. g. Com pu te r,  m ob il e, table ts, etc .) .   Lg    : R e pr ese nt s the lan guage  ( e. g. A rab ic ,  F ren c h,   En glish ,  etc.).   LS    :   Re prese nt s the lear ning  sty le s ( e.g.  Visu al  or  Verbal)     4 1 2 4 1 2 4 1 4 1 ) , c os ( i i i i i i i i LP LO LP LO LP LO V V     Wh e n  th e  res ul ti ng   sc or e  is  1  the  le arn i ng   ob j ect   LOi  a nd  the  le ar ning  pr ofi le   LPi  are  ide ntica l,  an d  0  if  the re  is  no thing   i n  com m on   betwee n  the m .  The  qu est io n  no w   bein g  as ked   is   w hat  are   the  ne xt  ste ps   after  cal culat ing   sim il arit y  value ?   Of  co urse,  t here   are  m any  ste ps   al ong  t he  road  to   en surin g  adap ta ti on  i n  l earn i ng   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N:  20 88 - 8708       Id e ntif yi ng  le arnin g  sty le  th r ough eye tr ack ing  tec hnol og y  in ada ptive  learn i ng syste ms   ( In ss af El  G uaba s si )   4413   syst e m s  fo r  ex a m ple:  Ar ra nge m ent  of   the  diff e re nt  sel ect ed  le arn i ng   ob j ect s,  but  we  will   exp la in  th e m   in   oth e r  pa per   be cause  we  f oc use d  in  this  w ork  on  ide ntifyi ng   le ar ning  sty le s  autom a ti c a lly.   The  resu l ts  and  discuss i on  sect ion   ans we rs  one  m a in  qu est i on :  Ca n  we  under sta nd   le ar ne rs'   le arn in g  sty le s  by  ey e   trackin g  te chnolo gy in   adap ti ve  lear nin g sy ste m s ( ALS ) ?       5.   E X PERI MEN T   5.1.    P art ic ipa nt s   Mult iple  par ti c ipants  to ok  part   in  this  ex pe rim ent.  H ow e ve r,   du e   to  pro ble m   relat ed  to  cal ibrati on,   we  go t  se ve n  va li d  data  (2  m a le   and  5  fem ale) .  T heir   ave ra ge  a ge  was  30. 5  ye ars   ol d  a nd  m os t  of  them   wer e   from   gr ad uate  stud ie s.   Thei r  var ie d  f ro m   physi cs,  m edici n e,  an d  c om pu te r  sci ence .  T w o  of  t hem   had   norm al  visio n  a nd the  oth e r had  corre ct ed  to  norm al  v isi on ( t hey   w ere   wear in g gl asses).     5.2.    Pr ocedur e   The  w ho le   e xperim ent  la sted   ap prox im at e ly   20 - 30  m inu te s,  dep e ndin g  on   pa rtic ipan t’s  read i ng  sp ee d,   rea ding  com pr ehe ns io n  and   cal ibr at io n  proces s.  E xperim en t  pr ocedur e  is  sho wn   i n  F ig ur e  3 .   T he   first  sect ion   of  the  exp e rim ent  star te d  with  the  I LS  qu e sti onnai re.  The n,   afte r  finish i ng   this  pa rt,  the  par ti ci pan t  i s   aske d  to  cal ib r at e  the  ey e - tra cker.  A fter wards,  he  is  pray e d  to  le ar n  the  NLP   c o ncep t,  on ce  t he  cal ibr at ion   is   qu al ifie d.   I n  these  m o m ents ,  the  gaze  tra ckin g  syst e m   is  reco r ded   t he  par ti ci pa nt’s  ey e  m ov em ents .   Finall y, the  res ults are  ge ner at ed  a nd s howe d.           Figure  3 .  Expe rim ent p ro ce du re       5 . 3 .     Equi pme nt   an d  setti n g   We  rec orde d  ey e  m ov em ent s  from   par ti cip ants  us in g  a   GazeRe co rd e r  [23]  gaze  trac king   syst em ,   wh ic h  is c har a ct erized  by:   1.   Au t om atical ly   record s  us in g o rd i nar y  Web Ca m   2.   No h a r dw a re  r equ i red   -   only  w ebcam  an d c om pu te r   3.   No d i rect p hys ic al  co ntact   with  us ers  for  gaz e tracki ng   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   5 ,  Oct ober   201 9   :   4 4 0 8   -   4 4 1 6   4414   4.   Ey e tracki ng    in   real t i m e   5.   Gaze trac king  us a bili ty  test in g   6.   Creat e ex per im ents  with a si ngle   cl ic k   7.   Heatm ap   su r fa ce is   ge ner at e d dynam ic al ly   with a dap ti ve  t i m e w indow   GazeRe co rd e r   has  a  nu m ber   of   diff e re nt   c onfig ur at io n  pa ram et ers   that  con t ro l  ey e   tracki ng,  as   ind ic at ed  in  Ta ble   3.       Table  3.   C onfi gurati on  par am et ers     Measu re   Valu es   Ti m e  wind o w   5 0 0   m s   Gaze  Plo t  Size   12%   Ad ap tiv e exten d  tim e   win d o w du ring  static scr een   Yes   Exten d  ti m e  win d o w when  scre en  app eara n ce  ch an g e less th an   5%   Sh o w  m o u se  curso r   No   Sh o w f ace   No   (FOV )  ca m  f ield  o f  view v ercic al   4 2  deg   W eb Ca m   lo catio n     Res o lu tio n   6 4 0 * 4 8 0   Calib ration  T y p e   5  po in ts   Pu p il dis tan s   5.2   m       5 . 4 .    In terf ace  d escri pt io n   The  ex per im ental   validat ion   of   ou r  ap proac h  is  done  by  presenti ng  the  c on ce pt  of  Ne uro - li nguisti c  pro gr am m ing   ( NLP)  to  the  pa rtic ipants.  O f   course,  they   ha ve  no  pri or   in form ation   or   knowle dge  ab out  this   con ce pt.   The   s creen   is  div ide d  int o  t wo  dis t inct  pa rts  as   s how n  in   F i gur e  4 .   On e   hal f  of  the  scree n  offer e d  te xtu al  r e prese ntati on   of  NLP w hilst  the sec ond half  of the   screen  off e re d her  grap hical  re pr ese ntati on.           Figure  4 .  Interf ace re pr ese ntati on       5 . 5 .    Res ults   GazeRe co rd e r  [23]  gaze  trac ki ng   syst e m   us es  an  ordi nar y  Web Ca m   to  track  an d  rec ord   wh at   pa rt  of   the  scree n  the   par ti ci pa nt  w as  lookin g  at ,   and  the n  ge ner at e d  a  sm oo th  heatm ap  wh ic h  is   a  gr a ph ic a l   represe ntati on  of  this  data.   Th ere  a re  se ver al   diff e re nt  ad v a nt ages   of  heatm ap.  I nd ee d  it   is  sim ple,  easy   to  us e   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N:  20 88 - 8708       Id e ntif yi ng  le arnin g  sty le  th r ough eye tr ack ing  tec hnol og y  in ada ptive  learn i ng syste ms   ( In ss af El  G uaba s si )   4415   and   the  re su lt s   are  easy   to  in te rp ret.  In   ou r   case,  the  heatm aps  ind ic at e  wh e re  the  le ar ner   ha d  vie we d  the  screen ?   He  h a d l ooke d  at  te xt  and / or grap hic s ?     The  heatm aps  f or  each   us er   in dicat e  that  there  i s   a  si gnific ant  di ff e re nce  betwee n  vi su al   an d  ve rbal   le arn er s.  Indee d  the  res ults  dem on strat ed  t hat  the  verbal   le arn e rs  acc ordi ng   t o  I LS  qu e sti onnaire  of   t he   Felder - Sil ve rm an,   s pe nt  a  m ajorit y  of  their   tim e  loo king  at   the  te xtu al   par t  of   t he  sc r een   as  il lu strat ed  i n  F igure  5(a) .   More ov e r  the  visu al   le arn e rs   sp en d  m or e  t i m e  loo ki ng   at   the  gr a ph ic al   par t  of   the  sc reen   as   sh ow n  in  Fi gur e 5   ( b) .           (a)       (b)     Figure  5 .  V e rbal   and  vis ual   le arn e r heat m ap       6.   CONCL US I O N   AND  F UT U RE W ORK     The  le ng t h  of  a  fixati on   is  one  of  t he  m os t  im po rtant  ch ara ct erist ic s  to  under sta nd  hu m an  be hav i or,   in  fact,  ey e  m ov em ent  recor ding  du rin g  re adin g  is  ve ry  im po rtant  inf orm at ion   in  ada pt ive  le arn in g  s yst e m s  (A L S) .  An   a ppr oac h   for   I de ntifyi ng   le ar ni ng   sty le   through  ey e  track ing   te ch no l ogy  in  ALS   ha s  been  pr ese nted  w hich  ad dr e sses  the  nee d  to  (1)   Descr i be  le ar ning  ob j ect s  in  ada pted  way   in  differe nt  ki nd   of  courses ,  ( 2)   Prov i de  a n  aut om at ed  m et ho d  for  de te ct ing   le arn in g  sty le s  base d  on  ey e   trackin g  te c hnol og y,     and   (3)  Pro vide   an  ALS   us in g  le arn i ng   sty le s  and   le ar ning   obj ect s.  W e  a r e  inv est igati ng   sever al   exte nsi on s  to  this w ork:    a.   Im ple m enting  the  pro po se d  a ppr oac h on m ult iple com pu ti ng  p la tf or m s ( cr oss - platf orm )   b.   In cl ud i ng o t hers b i om et ric te c hnologies s uc h as  m ou se m ove m ents   c.   Com pleti ng  th e Pro vid in g A da ptivit y su bs ec ti on       REFERE NCE S   [ 1 ]   El   Guab assi,   I . ,   Al  Achha b,   M.,  Je ll ouli,  I . ,   El  Mohaji r ,   B.   E . ,   “ Rec om m ende r  s y s te m   for  ubiqu it o us  le arn ing  base d   on  decision  tr ee, ”   In  In formation Sci en ce   and  Tec hnology   ( CiSt ) ,   2016  4th  I EE E   I nte rnational   Col loqui um   on ,  IE E E ,  Oct   2016 ,  pp.   53 5 - 540.   [ 2 ]   El   Guaba ss i ,   I.,   Al  Achha b,   M.,   Jell oul i ,   I.,   Mohaji r,   B.   E .   E. ,   “ Conte x t - Aw are   R ec om me nder   S y stems   for   Le arn ing,”   Int ernati onal Journal   of  In formation  S ci en ce and  Tech nology ,   vol .   1(1 ) ,   pp .   17 - 25 ,  201 8 .   [ 3 ]   Guaba ss i,   I.   E . ,   Achha b,   M .   A.,   Jell ou li ,   I . ,   Mohaji r,   B .   E.   E . ,   “ Towa r ds  ada pti ve  ub iqui tous  learni n g   s y stems ,”   In te rn ati onal Journal of  Knowledge  an d  Learning ,   vo l.  11(1),   pp .   3 - 23 ,  2016 .   [ 4 ]   El   Guaba ss i,  I.,  Bousale m ,   Z . ,   Al  Achha b,   M. ,   JE LL OU LI,   I . ,   Mohaji r,  B.   E.   E. ,   “ Personali z e d  ada pt ive   content   s y stem for cont e xt - awa re   ubiqu itous   le arn ing ,” Pr oce dia   Compute r Sc ie n ce ,   vol .   1 27,   pp .   444 - 453 ,   2018 .   [ 5 ]   Alamudun,  F.,   Yoon,  H.  J.,   Hu dson,  K.  B. ,   Mo rin‐Duc ote,  G.,   Ham m ond,   T. ,   Toura ss i ,   G.  D. ,   “ Frac ta l  an aly si s  of   visual   sea rch   a ct ivit y   for  m ass  det ec t ion  dur ing  m amm ogra phic   scre eni ng ,”   Me dic a l  phy sics ,   vol.   44(3) ,     pp.   832 - 846 ,   20 17 .    [ 6 ]   Holm qvist  K.,   N y ström   M.,   Anderss on  R. ,   Dewhurs t   R. ,   J a rodz ka   H.,  Va n  de  W ei j er  J. ,   “ E y e  tra ck ing :   A c om pre hens iv e  guid e to  m et ho ds a nd  m ea sures ,”   OU P  Ox ford ,   2011 .    [ 7 ]   Duchows ki   A.  T . ,   “ E y e tra ck ing m et hodolog y ,”   Theory  and  pra ct i ce ,   vol .   328 ,   200 7 .    [ 8 ]   Vijay   R aj ann a,  “ Gaz e  T y p ing  T hroug h  Foot - Opera t ed  W ea r able   Device,”   In   Pr oce ed ings  of   the  18th  In te rnatio nal   ACM  SIGACCE SS  Confe ren ce   o n  Computers  and  Acce ss ibi l it y   ( ASSE TS  ’16) ,   ACM ,   New  York,   NY ,   US A ,   2016 ,  pp.   345 – 346 .   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   5 ,  Oct ober   201 9   :   4 4 0 8   -   4 4 1 6   4416   [ 9 ]   Raj ann a  V.,   a nd   Hammond   T. ,   “ GA WS CHI:  gaz e - aug m ent ed,   wea r a ble - suppleme nt e d  computer - hum an  int er ac t ion,”   In   Proceedi ngs  of  the   Nint h  Bi enni a l  ACM   S ymposium  on  Ey e  Tr ack ing  Re search   &   Appl ic a ti ons ,   ACM ,   Mar. 2016 ,   pp.   233 - 236 .   [ 1 0 ]   Raj ann a   V.,   Ma l la   A.  H. ,   Bhag at  R.   A.,   H amm on d  T. ,   “ D y Gaz ePass:  A  gaz e  g est ure - base d  d y n a m ic   aut hen ti c ati on   s y stem  to  count e r  shoulder  surfin g  and  vid eo  an aly sis  a tt a cks ,”   In  Id ent ity,   Sec uri t y,   and  Be ha vi or  Anal ysis  ( ISBA ) ,   2018  IEEE  4 th  I nte rnational   Co nfe renc e ,   on  I EEE ,   Jan   2018 ,   pp.   1 - 8 .   [ 1 1 ]     Raj anna   V . ,   Po lsley   S. ,   T aele   P.,   Ham m ond   T ,   “ A  gaze  g esture - base d   user  aut hen ti c at ion   sy stem  to   counte r   shoulder - surfing   at tacks ,”   In   Pr oce ed ings  of  the  2017  CHI  Con fe renc e  Exten d e d  Abstract s  on  Hum an  Fac tors  in  Computing  Syst e ms ,  ACM ,   2017,   pp.   1978 - 1986.     [ 1 2 ]   Alamudun  F.  T. ,   Ham m ond   T.,   Yoon   H.  J.,   Tou rassi   G.  D.,   “ Ge om et r y   and  Gest ure - Based  Fea tu res  from   Sacc ad ic  E y e - Movem ent   as  a  B iom et ric  in  Radi o log y ,”   In   Inte rnat ional  Confe ren ce   on   Augme nt ed  Co gnit ion ,  Springe r,   Cham ,   Jul   2017 ,  pp.   123 - 138 .     [ 1 3 ]   Bec ker   W . ,   and   Jürgens  R. ,   “ An  ana l y sis  of   the  sac c adi c   s y st em  b y   m e ans  of  dou ble   step   stim uli, ”   V ision  researc h ,   vol.   19(9) ,   pp .   9 67 - 983 ,   1979 .    [ 1 4 ]   Kaul  P.,   R aj ann a  V.,   Ham m ond  T.,  “ Expl oring   users'   per ceive d  ac t ivi t ie s  in  a   sketc h - base d   i nte lligent  tut or i ng  s y stem  through  e y e  m ovement   dat a ,”   In   Proce edi ngs  of  the   ACM  Symposium  on  Appl ie d  Pe rce p ti on ,  AC M ,    Jul   2016 ,  pp .   13 4 - 134.     [ 1 5 ]   Ra y n er   K . ,   Car l son   M.,   Fraz ie r   L. ,   “ The   intera ct ion  of  s y nt ax   and  sem ant ic s  during  sente nc e   proc essing:  E ye   m ovements  in  t he  ana l y sis  o f  sem ant ic a lly   bias ed  sente nce s, ” J ournal  of  ve rbal  le arning  and  ve rbal  behavior ,    vol.   22(3) ,   pp .   3 58 - 374 ,   1983 .    [ 1 6 ]   Le arn ing  Techn olog y   S ta nd ard s  Comm it te e ,   “ Draft   Standa rd  for  Le arn ing  O bje c t  Meta da ta, ”   IEE E  Standa rd   1484. 12. 1 ,   New   Y ork:  Inst it ut e  of   Elec tri cal and  E le c tronic s E ng in ee rs ,   2002 .   [ 1 7 ]   W il e y   Dav id  A ,  "Connec ti ng  L ea rning  Obje ct s   to  Instruc ti ona l   Design  The or y :  A  Defi nit ion,   A  Meta phor,   an d    A T axonom y " ,   i n  Wiley ,   Davi d  A.   ( DO C) ,   The  Instructi onal   Us e  of  Learning   Obj ec ts:  Onl ine V er sion ,  2002 .   [ 1 8 ]   Reha k,   Daniel  R. ;  Mason,   Robin ,   "Eng agi ng  w it h  th e  L ea rn ing   Objec t   E conomy ",   in  Lit tl e john ,   Allison,   Re usin g  Online   Re sour ces :  A  Sustainab le  Approach  to   E - L earning ,   London :  Kogan  Pag e, p p.   22 - 30 ,  2003 .   [ 1 9 ]   Bec k,   Rob ert   J. ,   "W hat   Are  Le ar ning  Objects ? , "   Learning  Objec t s ,   Cent er  for I nt ernati onal  Edu c ati on ,   Univ ersity of   W isconsin - Mi lwauke e ,   r et ri eve d   apr   29  2008 .   [ 2 0 ]   Felde r,   R.   M. ,   Silve rm an,   L .   K ,   “ Le arn ing  and  t ea ch ing  s t y le s  i n  engi nee r ing  e duca t ion.   Engi n ee ring  edu cation , ”   Journal  of Engin ee ring   Edu ca t ion ,   vol .   78(7) ,   pp .   674 - 681 ,   1988 .    [ 2 1 ]   Babe nko   A. ,   Kot enko  A. ,   “ The Ey e   Tr ibe,”  Docto ral   d isserta t ion,  Sum y   St ate  Uni ver sit y ,   2016 .    [ 2 2 ]   IEE E   Learni ng   Te chno log y   Stan dar ds Com m it tee,   I EEE  LOM w orking  dra f t  6 . 1. ,   2001.   [ 2 3 ]   Deja ,   Sz y m on ,   Gaz eRecorde r .   Avail ab le :   htt ps:   // ww w.  f aceboo k. com /   gazereco rde r/ ,  2016 .       Evaluation Warning : The document was created with Spire.PDF for Python.