通过动态特征评估手写任务难度水平:一种深度学习方法

科学领域:

• 神经科学是一个神经科学.
• 计算机科学 计算机科学
• 教育教育教育教育教育教育.

背景情况:

• 手写涉及复杂的运动,感官,认知,记忆和语言技能.
• 评估手写任务的难度是主观的,并依赖于专家的判断.

研究的目的:

• 开发一个客观的,基于机器学习的方法来评估手写任务的难度.
• 使用卷积神经网络 (CNN) 来分类手写难度级别.

主要方法:

• 开发了两个CNN模型:单标签分类和多标签分类.
• 模型在117个时空特征的数据集上进行了训练,这些特征来自阿拉伯字母的笔和手动运动学.
• 单标签分类使用了平均专家评估;多标签预测了专家评估分布.

主要成果:

• 单标签和多标签CNN模型在使用所有功能时都实现了高精度 (分别为96%和88%).
• 发现手动力学特征对模型性能的影响最小.

结论:

• 拟议的CNN模型可以准确地提取特征,并预测手写任务的难度.
• 这种方法在个性化的手写学习工具和自动化质量评估中具有潜在的应用.