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

我们提出了一种新的通过学生动作识别来衡量行为参与度的技术。该方法通过识别学生的动作来预测学生的行为参与水平，并利用 3D 卷积神经网络模型对学生上身动作进行建模和识别。通过构建动作的直方图并使用 SVM 分类器来判断学生是否参与，实验证明学生动作可以达到 83.63% 的准确率，并且该方法能够捕捉到班级的平均参与度。

Jul, 2023

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

介绍一种通过人工智能和情感计算来测量虚拟学习中学生参与度的隐私保护方法，该方法利用从视频中提取的没有个人身份信息的面部标志点，通过 Spatial-Temporal Graph Convolutional Network (ST-GCN) 模型输出学生在视频中的参与度水平。

Mar, 2024

使用卷积神经网络统计学习从互信息选择的最小冗余最大相关性的表情特征进行回归，可以高于传统的音频或视频特征，实时预测情感状态的准确度。

Aug, 2017

利用基于模型的聚类方法，通过生成混合马尔可夫模型对学生的（非）参与行为进行分组，通过预处理和 EM 算法初始化的方法来提高聚类效果，并通过马尔可夫链可视化学生的参与行为。

Feb, 2024

传统的心理健康研究方法包括广义线性模型（GLM）来描述观察到的心理行为测量（问卷摘要得分）的纵向动态。而隐藏马尔可夫模型（HMM）通过有限状态自动机（FSA）的视角应用于行为和神经活动与抑郁之间的关系，以提供更综合和直观的建模和理解框架。

Mar, 2024

本文提出了一种语音情感识别技术的新应用：估算语音通信系统用户之间对话参与程度的水平，使用机器学习技术，如支持向量机（ SVM ）对用户的情感进行分类；结果表明，使用基于耦合的隐马尔可夫模型的多层结构来建模具有时态和交互特性的对话参与程度是可行的。

Oct, 2004

本文通过时间序列建模和高质量数据集的采集来建立动态情感刺激的模型，在此基础上介绍第一版本的斯坦福情感叙述数据集（SENDv1）。该数据集是自我节奏、非手稿的丰富、多模态视频，标注情感质量随时间的变化，为情感计算的当代时间序列方法提供了挑战，并通过多种基准和最先进的建模方法展示了良好的表现。

Nov, 2019

用户嵌入在用户参与度预测和个性化服务中起着至关重要的作用。我们提出了 User Stateful Embedding (USE)，通过存储先前的模型状态并在未来重新访问，生成和反映用户的不断演变的行为，并通过与同一用户预测相结合的对比学习目标进一步提高嵌入的独特性和代表性。实验证明 USE 在动态用户建模中将历史和最近的用户行为序列整合到用户嵌入中具有卓越的性能。

Mar, 2024