使用操作直方图测量学生行为参与度
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
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
本文提出一种使用口袋词模型的非时序方法来分析学生情感和行为状态的视频,以测量他们的学习参与度,相较于已有的时序方法,本方法在两个数据集上都展现了更优的分类准确性。
Jan, 2023
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
本文提出了一种自动检测学生危险行为的方法,将长视频的行为识别转化为物体检测任务,结合多尺度体特征和基于关键点的姿态特征,实现了 71.0% 的平均精度(mAP)和约 11 FPS 的高效准确性。
Feb, 2022
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
通过使用 CNN 和 LSTM 网络,我们提出了一种新的回归模型,能够从标准视频流中计算出机器人与人类互动过程中的单一测量值,以衡量参与度,并在不同环境下成功应用。
Jan, 2020
使用深度学习方法自动检测学生课堂行为是分析他们的课堂表现和提高教学效果的一种有前途的方法,但是公开可用的学生行为数据集的缺乏对该领域的研究人员构成了挑战。为了解决这个问题,我们提出了学生课堂行为数据集(SCB-dataset3),它代表了现实生活中的场景。我们的数据集包括 5686 张带有 45578 个标签的图像,重点关注六种行为:举手、阅读、写作、使用手机、低头弯腰和趴在桌子上。我们使用 YOLOv5、YOLOv7 和 YOLOv8 算法对数据集进行了评估,得到了高达 80.3% 的平均精确率(map)。我们相信我们的数据集可以成为学生行为检测领域未来研究的坚实基础,并为该领域的进展做出贡献。我们的 SCB-dataset3 可以在该 https 链接上下载。
Oct, 2023
这篇研究论文介绍了从基于深度学习架构的角度全面讨论使用三维骨架数据进行动作识别,并详细介绍了基于循环神经网络 (RNN)-based、卷积神经网络 (CNN)-based 和图卷积网络 (GCN)-based 的主流动作识别技术,并介绍了包括 NTU-RGB+D 在内的多个数据集和算法。
Feb, 2020
该研究论文提出了一个用于检测和识别课堂环境中学生活动的系统,通过使用预训练模型进行特征提取和分类任务,系统在新颖的课堂数据集上达到了 93% 的准确率,旨在为学生和教育工作者提供更安全和更高效的学习环境。
Dec, 2023