使用统一的身体定向估计,对真实课堂教学进行了新的学生参与度分析

科学领域:

• 教育中的人工智能
• 计算机视觉用于课堂分析
• 人的姿势和方向估计 人的姿势和方向估计

背景情况:

• 准确的学生参与分析对于个性化学习和改善教育成果至关重要.
• 使用面部标志或眼睛跟踪的现有方法在现实课堂环境中受到限制,原因是遮蔽和非侵入性要求.
• 观察到学生的身体取向与头部姿势有很强的相关性,这为参与分析提供了潜在的替代方案.

研究的目的:

• 提出一种新的学生参与度分析算法,利用人体定向估计.
• 开发一个高效的,端到端可训练的框架,用于多人身体定向估计,适合于课堂环境.
• 验证身体导向作为评估学生参与度的强有力的指标的有效性和实际适用性.

主要方法:

• 开发了JointBDOE,这是一个单阶段,端到端可训练的框架,用于同时进行多人边界框预测和身体方向估计.
• 在复杂的场景中,将人体的位置和方向整合到一个统一的嵌入空间中,以便在复杂的场景中精确估计.
• 在MEBOW数据集和更具挑战性的重建版本上评估性能,与最先进的方法进行比较.

主要成果:

• 在MEBOW数据集上,JointBDOE实现了卓越的性能,平均绝对误差 (MAE) 为10.63°,在22.5°时的准确度超过91%.
• 在重建的MEBOW数据集上表现出强大的稳定性,在30°时实现了16.07°的MAE和88.3%的准确性.
• 课堂视频分析证实了身体定向对参与评估的可靠性.

结论:

• 人体定向估计为真实课堂环境中的学生参与度分析提供了可行且强大的替代方案.
• 拟议的联合BDOE框架为多人身体定向估计提供了有效和可扩展的解决方案.
• 这项研究推动了智能课堂分析和AI在教育工具中的实际应用.