从在线学习中的面部视频中基于SVD的思维漫游预测
Nguy Thi Lan Anh1, Nguyen Gia Bach2, Nguyen Thi Thanh Tu1
1School of Engineering Pedagogy, Hanoi University of Science and Technology, Hanoi 100000, Vietnam.
Journal of imaging
|May 24, 2024
概括
本研究引入了一种使用单数值分解 (SVD) 的新方法,通过分析眼睛运动来预测在线学习中的心灵漫游. 基于SVD的方法提高了注意力状态预测的准确性.
科学领域:
- 计算机科学 计算机科学
- 人与计算机的交互
- 教育技术的教育技术.
背景情况:
- 在线学习中的思维漂泊减少了参与度和学习成果.
- 现有的注意力状态预测方法往往需要专门的硬件或计算密集的凝视跟踪.
- 需要准确且易于使用的方法来监测在线学习期间学生的注意力.
研究的目的:
- 开发和评估一种使用基于网络摄像头的眼睛信号分析来预测心灵流浪的新方法.
- 为了证明单数值分解 (SVD) 在提取时间眼信号方面的有效性.
- 提高在线学习环境中预测注意状态的准确性.
主要方法:
- 实施了基于Singular Value Decomposition (SVD) 的1D时间眼信号提取方法,仅使用眼界地标检测.
- 从SVD处理的眼睛信号中提取的特征用于训练预测模型.
- 评估模型的性能与基线模型相比,包括使用眼角比率 (EAR) 和凝视跟踪的模型.
主要成果:
- 基于SVD的信号有效捕捉微妙和主要的眼睛运动,优于眼睛的视角比 (EAR) 信号.
- 在"不聚焦"预测的接收器操作特征曲线 (AUROC) 下面面积得到了2%的改善.
- 与基线模型相比,在"不聚焦"预测方面,F1得分增加了7%.
结论:
- 拟议的基于SVD的方法为基于网络摄像机的在线学习中对流浪思维的预测提供了实用和有效的解决方案.
- 这种方法提高了注意力状态预测的准确性,而不需要专门的硬件或目光跟踪.
- 这些发现对通过更好的参与监测来改善在线教育体验具有重大意义.
