ECCVJul, 2020

利用个人级别行为线索评估学生小组协作的机器学习方法

PDF
TL;DR本文提出了基于深度学习的机器学习模型，通过单个学生的角色和行为注释来自动确定小组整体合作质量。然而，在建立这些模型时，我们遇到了一些挑战，包括有限的训练数据和严重的类标签不平衡问题等。为了解决这些挑战，我们使用了 Mixup 数据扩充，并研究了在此基础上使用有序交叉熵损失函数的效果。
collaborationmachine learningclassroomdata augmentationordinal-cross-entropy
发现论文，激发创造
  • 基于预测共识的协作学习

    本文提出了基于蒸馏的方法，并采用信任加权方案，使用伪标签的无标签辅助数据促进合作学习，以达成对辅助数据的标签共识。我们证明了该方案相对于本地训练能显著提高模型性能，同时也可以识别和缓解对于众多模型的负面影响。在个体数据训练以及模型架构存在异质性的情况下，该方法表现得尤为有效。

    May, 2023

  • 基于协作的多标签学习

    该论文提出了一种新的多标签学习方法，通过在标签空间中的稀疏重构来学习标签相关性，并将其无缝地整合到模型训练中，以明确考虑标签的相关预测。实验结果表明，该方法的表现优于现有的最先进技术。

    Feb, 2019

  • 在协作学习环境中使用动态场景分析进行长期人类参与评估

    在实际的协作学习环境中，通过开发数据集和方法来评估学生参与度。我们将评估学生参与度的问题分为两个子问题：学生组检测和动态参与者跟踪。使用一组包含 12,518,250 个学生标签实例、总时长为 21 小时 22 分钟的实际视频的独立测试数据集来评估我们提出的学生组检测方法的性能。通过使用多个图像表示方法，该方法在所有视频实例上表现出与 YOLO 相等或更好的性能。提出的动态参与者跟踪系统在长时间视频会话中表现出色，仅在 35 个测试视频中的一个视频中未跟踪到学生，而一个最先进的方法在 35 个测试视频中有 14 个视频未能跟踪到学生。在一个独立的长时间真实协作视频集上，提出的方法达到 82.3% 的准确率。

    Apr, 2024

  • 透明学习分析在面对面合作学习中自动检测参与度，用于个别支持的应用

    使用透明化方法自动检测学生在协作过程中的个体参与度，该方法可反映学生的个体参与度，用作区分具有不同协作学习挑战（认知、行为和情感）和学习结果的学生的指标，并讨论了该合作分析方法在面对面环境中辅助协作学习实践的潜力和未来研究建议。

    Jan, 2024

  • 协作式小组学习

    在这篇论文中，我们提出了一种名为协作组学习的有效框架，通过随机地路由学习表示来减少学生同质化并提高模型泛化能力，并受到分组学习机制的启发，鼓励学生作为合作小组学习和交流不同的知识部分。

    Sep, 2020

  • 使用 Co-ML 协作式机器学习模型构建家庭

    本文介绍了一种基于平板电脑的应用程序 Co-ML，它是一种用于促进学习者之间协作构建机器学习模型的工具。通过这种分布式协作过程，学习者可以共同解决之前工作中忽视的数据设计问题，如数据多样性、类别不平衡和数据质量等。

    Apr, 2023

  • 通过分组学习：一种多层次优化框架，提高分类公平性而不损失准确性

    本文提出了一种新的机器学习框架，旨在为实现公正和准确性而学习分组，从而减少 ML 模型在特定人群中的偏见和歧视，并在各种数据集上实现了最新技术的改进。

    Apr, 2023

  • 基于注意力机制的个性化联邦学习在缓解学生表现预测中的偏见方面的应用

    本文提出一种优化预测能力以针对不同种族和性别等人群的学生表现的方法，通过联邦学习建立个性化学生模型，结合自我监督预训练和神经网络注意力机制，实现针对不同学生子群体的个性化模型派生，有效改善学生建模结果的预测能力。

    Aug, 2022

  • 多层个性化联邦学习用于缓解学生预测分析中的偏差

    本文提出了一种用于学生建模的多层个性化联邦学习 (Multi-Layer Personalized Federated Learning, MLPFL) 方法，旨在优化不同层次学生群组标准的推断准确性。该方法通过分布式训练以元梯度更新推导出团体内个人化模型，并结合多种学生行为模态，实现了个性化建模以提高跨不同学生子群组的预测准确性和稳定性。在三个真实的在线课程数据集上的实验表明，该方法在各种学生子群组中均能取得显著的预测质量改进，并为不同的学生子群组分别提取出特征聚类成果。

    Dec, 2022

  • 将行为分析与机器学习相结合以预测在线学习表现：一项科学计量学回顾和实证研究

    该研究提出了一种将学习行为分析与机器学习算法相结合的综合框架，以提高学生在线学习表现的预测准确性，并通过对 edX 平台上真实数据集的应用，证明了该框架相对于直接应用机器学习方法的优越性。

    Mar, 2024