机器学习应用于学生注意力检测:使用情感和非情感措施.
Mohamed Elbawab1, Roberto Henriques1
1NOVA Information Management School (NOVA IMS), Universidade Nova de Lisboa, 1070-312 Lisbon, Portugal.
Education and information technologies
|June 26, 2023
概括
这项研究开发了一种机器学习 (ML) 模型,仅使用网络摄像头来检测学生在电子学习中的注意力. 最好的模型实现了80.52%的准确性,使得在线教学方法的更好评估.
科学领域:
- 计算机科学 计算机科学
- 教育技术的教育技术
- 机器学习 机器学习
背景情况:
- 电子学习缺乏传统课堂的直接学生监控能力.
- 之前的研究探索了面部特征和情绪,以检测注意力.
- 仅使用网络摄像头的混合模型用于电子学习的注意力以前没有测试过.
研究的目的:
- 开发一种机器学习 (ML) 模型,用于仅使用网络摄像头在电子学习中自动估计学生的注意力.
- 帮助评估和改进电子学习教学方法.
- 为电子学习讲座提供注意力报告.
主要方法:
- 使用个人电脑网络摄像头收集了七名学生的视频数据.
- 工程特征包括眼视角比 (EAR),打哈欠视角比 (YAR),头姿势和情绪状态 (共11个变量).
- 经过训练和验证的ML模型:决策树,随机森林,SVM和XGBoost,使用人类观察员的估计作为基准.
主要成果:
- 作为注意力分类器,XGBoost模型表现出了最高的性能.
- 实现了平均准确率为80.52%,AUROC OVR为92.12%.
- 情绪和非情绪特征的组合产生了与现有研究可比的准确性.
结论:
- 仅使用网络摄像头的ML模型可以有效地估计学生在电子学习中的注意力.
- 开发的模型支持基于学生参与度的电子学习讲座的评估.
- 这些发现有助于通过数据驱动的洞察力提升电子学习内容和交付.
