基于上下文统一可解释学习的视频讲座用户参与度
本文探索了建立教育领域中基于人口特征 (即与个体学习背景无关) 的参与度的预测模型,并提出了跨模态和模态特定特征集来实现这一任务。通过量化学习者参与度信号并进行灵敏度分析,最终表明该模型具有良好的性能,并可以轻松地集成到开放教育资源的推荐系统中。
May, 2020
考虑到学习者参与可以对学习者和教师带来共同的利益,本文提出了一个通用的轻量级模型,以选择和处理特征来检测学习者的参与度,同时保留随时间变化的顺序时序关系。通过分析公开可用的 DAiSEE 数据集中的视频,该模型能够捕捉学习者参与度的动态本质。此外,本文提出了一个适应策略,以通过利用与教育相关的数据集的情感状态来找到新的标签,从而提高模型的判断能力。该模型在特定实现中取得了 68.57%的准确率,并且优于研究中研究了的用于检测学习者参与度水平的最先进模型。
May, 2024
本文展示了如何利用基于人群的参与度预测来解决大规模学习资源中的冷启动问题。通过使用 VLE 数据集并进行了一系列实验,研究表明建立在该数据集基础上的模型在预测课程参与度方面表现更优,该数据集适用于计算机科学 / 人工智能教育领域的个性化学习推荐模型。
Jun, 2022
在线社交平台成功的关键在于它们能够以大规模预测和理解用户行为。我们展示了数据,表明上下文感知建模方法可能提供全面、轻量且可能保护隐私的在线社交平台用户参与表示。利用深度 LSTM 神经网络分析来自近 80,000 个用户的 1 亿多个 Snapchat 会话,我们证明了过去行为可以预测主动和被动使用的模式(R2=0.345),而与行为基线模型相比,整合上下文信息可以显著提高预测性能(R2=0.522)。与从应用内行为历史中提取的特征相比,与智能手机连接状态、位置、时间上下文和天气有关的特征被发现捕捉到了用户参与度中非冗余的变化。此外,我们还发现,如果考虑当时的上下文信息,大部分变化都可以用极简的行为历史来解释(R2=0.44)。这些结果表明,上下文感知方法有潜力通过减少对长期数据历史的需求来使模型更高效和保护隐私。最后,我们运用模型可解释性技术来初步了解潜在的行为机制。我们的发现与上下文相关、习惯驱动的主动和被动使用模式的概念一致,突显了上下文化用户行为表示对于预测社交平台用户参与的价值。
Oct, 2023
本研究采用神经网络模型对用户评论进行了分析,跟踪评论获得的赞和回复,并基于这些信息区分出具有高或低赞回复概率的评论。研究表明,有助于激发用户互动的评论特征可以按照一定的分类学进行整理,神经网络在分析这种回归问题时表现出最好的性能。
Mar, 2020
本文提出利用用户行为记录作为自动化训练数据标注来提高人工智能语音识别系统中实体标注任务的准确性。通过多任务学习和外部知识库的验证,研究结果表明利用用户行为记录自动打标能有效提升深度学习系统中的训练数据准确率以及用户面向结果。
Sep, 2019
利用 RecSys 挑战数据集和评估程序,研究了仅利用上下文是否能够预测推文互动概率,并发现用户的先前互动历史、标签和链接的热度等特征对预测最具信息量。然而,相较于只基于内容的模型和挑战胜利者开发的模型,这些基于上下文的模型在 RCE 得分方面表现出较低。因此,提出了改进实现的潜在改进方法。
Sep, 2023
该论文旨在将来自不同模态的视频信息压缩为单一、紧凑的表示形式,以用于自由格式文本查询的视频检索任务。通过运用预训练的语义嵌入、自动语音识别和光学字符识别等方法,采用协作专家模型来聚合信息,具有良好的检索性能。
Jul, 2019
借助人工智能(AI)的进步和应用,个性化教育可能成为未来新教育系统的基石。本研究提供了 PEEKC 数据集和 TrueLearn Python 库,其中包含一系列在线学习者状态模型,对促进学习者参与建模至关重要。TrueLearn 模型系列是根据 “开放式学习者” 概念设计的,使用直观的用户表达方式。这个可扩展的在线模型系列还可以帮助最终用户可视化学习者模型,这可能在未来促进用户与他们的模型 / 推荐者之间的互动。丰富的文档和编码示例使得该库对于机器学习开发人员和教育数据挖掘和学习分析专业人员都非常易于使用。实验结果显示,该数据集和库的效用显著超过了比较基准模型。数据集包含大量与人工智能相关的教育视频,对于构建和验证面向 AI 的教育推荐系统具有重要意义。
Dec, 2023