在教育环境中提高行动识别,使用人工智能驱动的信息系统进行公共卫生监测

科学领域:

• 教育中的人工智能
• 公共卫生监测 公共卫生监测
• 行为模式识别 行为模式识别

背景情况:

• 传统的动作识别方法在适应性和与健康相关行为的实时处理方面扎.
• 基于规则的算法和手工制作的特征的局限性阻碍了对教育环境中的久坐模式,社交互动和卫生遵守的有效监测.

研究的目的:

• 在教育环境中引入人工智能驱动的信息系统,以提高行动识别准确性.
• 通过先进的深度学习模型和自适应知识嵌入网络 (AKEN) 改进公共卫生监测.

主要方法:

• 利用深度学习模型,包括与动态个性化学习策略 (DPLS) 集成的自适应知识嵌入网络 (AKEN).
• 采用强化学习和可解释的AI技术,以提高识别准确性和透明的决策.
• 集成的实时参与监测,以提高适应能力和告知干预.

主要成果:

• 与传统方法相比,人工智能系统在识别复杂的行为模式方面表现优越.
• 实验结果验证了该系统在教育环境中对公共卫生监测的有效性.
• 该系统成功模拟了学生的行为,预测了未来的行动,并优化了干预策略.

结论:

• 开发的AI系统代表了AI驱动的公共卫生监测在教育环境中的重大进步.
• 这一创新通过准确和透明的行为分析,促进了更安全,更具响应性的学习环境.
• 人工智能的整合为加强公共卫生监测和干预策略提供了一个变革性的机会.