May, 2024

在线学习中检测分散注意力的生物特征和行为建模

PDF
TL;DR研究中使用计算机视觉技术检测在线学习过程中异常的头部姿态，并介绍了手机使用对学习过程的影响的研究。通过收集来自 120 位学习者在 MOOC 学习过程中的行为数据，研究聚焦于手机使用事件对行为和生理反应（特别是注意力、心率和冥想）的影响，并提出了一种通过摄像头图像来估计头部姿态事件以检测手机使用事件的方法。本研究的假设是，当学习者与手机交互时，头部姿态会发生显著变化，与学习者面对计算机时的典型行为形成对比。我们提出了一种半监督方法，用于检测学习者会话期间头部姿态与平均姿态的偏差，并对发现的头部姿态异常事件进行标记，敏感度超过 90%。
发现论文，激发创造
  • MATT: e-learning 平台多模态关注度估计

    本文提出了一个基于多模态脸部分析的新型远程注意力水平估计系统，它使用多达四个基于卷积神经网络的模块来分析面部表情、眨眼、头部姿势和距离等信号，并评估了这些模块分别进行注意力水平估计和多模态融合的效果。

    Jan, 2023

  • 利用设备集成与可穿戴传感器预测日常移动交互期间的用户关注

    该论文介绍了一种使用设备集成传感器和身体佩戴相机的方法来预测用户在移动设备上的视觉注意力行为，并探讨了其在不同特征集下的性能和潜力。

    Jan, 2018

  • 行为生物特征认证中常用的机器学习分类模型探究

    讨论了现有行为生物识别移动认证中使用的关键机器学习算法，重点关注使用触摸动态和手机移动的算法。

    Apr, 2022

  • edBB: 用于评估远程教育的生物特征和行为研究

    本文介绍了一种基于传感器和软件的远程教育学生监测平台，旨在通过获取生物特征和行为数据解决远程评估中学生监测的现有挑战，并提供了包含基本传感器和高级传感器数据的初始数据库，以帮助提高异常检测的能力。

    Dec, 2019

  • 使用行为生物特征和机器学习评估用户认证模式

    本研究使用行为生物识别，包括触摸动态和手机移动，创建和评估了用户身份验证方案。使用两个公开数据集，采用 7 种机器学习算法进行评估，准确率高达 86％。

    May, 2022

  • 通过移动电话传感器的人格特质推断：一种机器学习方法

    通过手机传感器收集的活动数据可可靠地预测人的个性。使用从加速度计记录和运动模式计算出的指标，我们能够在两类问题上预测用户的个性，F1 得分最高可达 0.78。这些新颖的个性指标为社会科学的未来研究开辟了新的途径。我们的结果揭示了不同的行为模式，这些模式对五个大的人格特征有不同的预测作用。它们为无问卷调查地研究与个性相关的问题提供了成本效益高、前所未有规模的可能性。总体而言，本文展示了通过智能手机传感和机器学习技术获取丰富的行为数据如何促进个性研究，并能够为从业者和研究人员提供有关个性不同行为模式的信息。这些发现对于利用移动传感器数据进行个性评估的组织具有实际意义，并将指导未来更精确和高效的预测模型的改进。

    Jan, 2024

  • 从移动数据中学习语言和多模态隐私保护的情绪标记

    通过对高自杀风险人群进行研究，本文从语言和移动文本的多模态表示等方面分析了手机使用行为与情绪的关联，并提出一种保护隐私的深度学习方法来提高智能手机数据的使用价值。

    Jun, 2021

  • 使用机器学习改进驾驶员疲劳和注意力分散的自动检测

    通过使用基于视觉和基于机器学习的方法，同时检测疲劳和注意力分散的行为，以提高智能车辆系统的驾驶行为监测能力并获得更准确和时间更短的结果。

    Jan, 2024

  • DeepMood：用于情感检测的手机打字动态建模

    通过一项与双相情感障碍的移动电话使用可能存在的关联探究，提出了 DeepMood 这一基于后期融合的端到端深度架构，可以通过对手机键入动态的会话级分析，来预测情绪分数，精度可达 90.31%，这表明使用移动电话元数据来推断情绪扰乱和严重程度的可行性。

    Mar, 2018

  • 教师在课堂上的感知

    本文介绍了一种利用计算机视觉来增强移动眼动跟踪的影响的新方法，通过将面部检测器和移动眼动追踪相结合，计算了教师在教学过程中对每个学生的注意力焦点，以便在课堂互动的复杂性中识别出学生的相关需求，这是将计算机视觉和移动眼动跟踪结合起来对教师提出关注时的第一次工作。(Translation: This paper presents a novel method to enhance the impact of mobile eye tracking by connecting it with computer vision, calculating teachers’ attentional focus per student during a teaching unit, in order to recognize the relevant needs for learning in the complexity of classroom interaction. This is the first work to combine computer vision and mobile eye tracking to model teachers' attention while instructing.)

    May, 2018