Jun, 2022

基于人口统计学的参与是否能够提高个性化？一个新颖的数据集与实验

PDF
TL;DR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。
population-based engagement predictioncold-start problemlearner engagemente-learning/moocpersonalizing algorithm
发现论文，激发创造
  • 视频讲座中的参与度预测

    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

  • PEEK: 教育视频学习者参与度的大型数据集

    本文介绍推荐系统中教育推荐的研究现状和挑战，并放出了一个名为 PEEK 的数据集，为教育和信息推荐系统的个性化算法建设提供基础。

    Sep, 2021

  • 教育视频参与度建模工具箱

    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

  • 基于上下文统一可解释学习的视频讲座用户参与度

    本文提出了 CLUE 模型，采用多模态特征学习从在线教学视频中提取特征，并提供可解释反馈和用户参与度得分。

    Jan, 2022

  • 检测学习者参与度的通用模型：实施与评估

    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

  • 探索视觉参与信号用于表示学习

    本研究基于视觉互动线索作为监督信号进行表征学习，并提出了一种弱监督学习方法 VisE，通过将社交媒体图片映射到基于聚类互动信号得到的伪标签来学习视觉表征，进而在情感识别或政治偏见检测等计算机视觉任务中得到了良好的效果。

    Apr, 2021

  • 利用用户参与信号进行虚拟助手的实体标记

    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

  • 针对海量在线课程数据的大规模特征工程

    研究工程特征开发模型以提高对 MOOC 在线学习者行为的理解。通过参与群众的特征提议并将其操作化，评估其在预测准确性上的相关性。研究通过 MOOC 数据科学和停止预测的不同方面来展示群众参与的两种方法，识别不同的有影响力的停止预测特征。

    Jul, 2014

  • 视频与语言未来事件预测：下一步可能发生什么？

    本文提供名为 VLEP 的视频和语言事件预测数据集，并探讨 AI 模型是否能够学习进行这样的多模态常识性下一个事件预测。研究表明，视频、对话和常识性知识对于此挑战任务很有用，并且与 VLEP 上高人类表现相比，我们的模型提供了一个良好的起点，但仍有大量的改进空间。

    Oct, 2020

  • DAiSEE: 野外用户参与度识别

    DAiSEE 是第一个包含 9068 个视频片段和 112 个用户的多标签视频分类数据集，用于识别烦恼、困惑、参与和挫败用户情感状态，具有四个级别的标签。提供了基准结果和用于相关任务的合适机器学习方法的发展。

    Sep, 2016