一种混合深度学习模型与功能工程技术,以增强教师对学生参与可持续教育的情感支持
Reema G Al-Anazi1, Nouf Mohammed Alhammad2, Mohammed Burhanur Rehman3
1Department of Arabic Language and Literature, College of Humanities and Social Sciences, Princess Nourah Bint Abdulrahman University, P.O. Box 84428, 11671, Riyadh, Saudi Arabia.
Scientific reports
|September 29, 2025
概括
本研究介绍了一种混合深度学习模型与特征工程,以增强教师对学生参与的情感支持 (HDLMFE-ETESSE),以识别学生的情绪. 该模型实现了98.58%的准确性,大大提高了学生的参与度和学习成果.
科学领域:
- 人工智能的人工智能
- 深度学习 (Deep Learning) 是一种深度学习.
- 教育技术的教育技术
背景情况:
- 学生的情绪状态显著影响学习质量,学业成绩和个人发展.
- 在教育环境中,自动化,非接触式和独立于照明的情绪检测具有挑战性.
- 人工智能和深度学习通过面部表情分析为学生的情绪识别提供了新的解决方案.
研究的目的:
- 开发一个有效的学生情绪识别模型,以提高学生的参与度和可持续教育的学习成果.
- 介绍一种混合深度学习模型与特征工程,以增强教师对学生参与的情感支持 (HDLMFE-ETESSE).
主要方法:
- 图像预处理:面部正常化和面部对齐.
- 功能提取:AdaptSepCX注意力网络系统.
- 分类:混合卷积神经网络和双向门循环单元 (C-BiG) 模型.
主要成果:
- HDLMFE-ETESSE模型在情绪识别方面表现出卓越的表现.
- 对学生参与度数据集的实验分析得出了98.58%的准确性.
- 该模型在准确性方面明显优于现有方法.
结论:
- 拟议的HDLMFE-ETESSE模型有效地识别学生的情绪,增强参与和学习.
- 这种人工智能驱动的方法支持教师为可持续教育提供情感支持.
- 准确的情绪检测对于个性化学习和改善教育成果至关重要.
