過去的研究已將學生的參與程度或學生參與課堂活動的程度確定為決定教育計劃質量和個別學生學習成績的關鍵因素。結果，世界各地的許多教育工作者都在積極嘗試設計使學生參與度最大化的課程。但是，有效而可靠地評估學生的 參與度可能會非常困難。因此，監(jiān)視學生隨時間推移在課堂上的參與和參與，而不會干擾或不利地影響他們的學習經驗的技術將具有巨大的價值，因為它們可用于調查課程和教育策略的有效性。

德國蒂賓根大學和德國維森斯麥迪恩萊布尼茲研究所以及科羅拉多大學博爾德分校的研究人員最近研究了機器學習技術在課堂研究中評估學生參與度的潛力。更具體地說，他們設計了一種基于深度神經網絡的體系結構，該體系結構可以通過分析在教室環(huán)境中收集的視頻片段來估算學生的參與度。

“我們使用在課程中收集的相機數(shù)據來教授基于神經網絡的模型來預測學生的參與程度，”進行這項研究的多學科團隊的首席HCI研究人員Enkelejda Kasneci告訴TechXplore。“我們根據真實的數(shù)據(例如，基于教室錄制的視頻對學生的參與程度進行專家評分)對模型進行了訓練。經過這次訓練，該模型能夠預測例如從特定時間的特定學生表示參與程度高或低。”

Kasneci和她的同事設計的模型可以掃描教室環(huán)境中拍攝的大型視頻數(shù)據集，并確定學生參與度高低的實例。團隊中領先的認知心理學家Peter Gerjets認為，這種方法可以幫助識別與學生高度關注相關的課堂教學策略，也可以用于教師培訓計劃中。

Gerjets解釋說：“對于作為研究團隊的我們來說，非常重要的一點是要強調，目標不是密切監(jiān)視特定的學生，而是制定智能的交往策略以進行更有效的指導。” “它可以用來提高教學效果，但絕不能用于教師評估。實際上，當涉及到這些技術的應用目標時，使用機器學習來支持教學情景不僅是一個問題，而且也是一個問題。在研究的所有步驟中，我們都會密切關注需要討論的有關隱私，透明性，公平性，問責制和預期用途的道德問題。”

在教室環(huán)境中拍攝的視頻已經用于進行與教育相關的研究已有多年了。但是，到目前為止，這些視頻通常是由人工評估者進行人工分析并加上注釋的，他們被要求確定與他們所使用的特定項目相關的模式或細節(jié)。但是，計算機視覺和機器學習領域的最新進展使能夠自動分析大量視頻并識別其中特定模式的技術得以發(fā)展，其中包括圖賓根和UC Boulder研究人員開發(fā)的一種模式。

Enkelejda Kasneci和Sidney D'Mello告訴TechXplore：“以前基于面部分析的大多數(shù)作品都是基于小型視頻數(shù)據，并且依賴于良好的面部對齊和手工制作的功能。” “但是，深度學習為我們提供了從大數(shù)據中學習有用表示方法的機會，并提高了參與度分類器的性能。我們的研究旨在使參與度的自動估計盡可能無縫，而無需任何昂貴的手動評級或侵入式傳感器。 ”

深度神經模型主要在視覺數(shù)據上訓練。主要可以通過觀察學生的注意力和他/她的情緒反應(即注意力和情感暗示)來衡量學生的參與水平。研究人員因此訓練了兩個殘差神經網絡，第一個(Attention-Net)被訓練以估計學生的頭指向的方向，第二個(Affect-Net)被訓練通過分析他們的面部表情來確定他們的情緒。

卡斯涅奇說：“隨后，我們基于這兩種功能對讀數(shù)分類器進行了訓練，將參與度分為三類：低，中和高。” 這些分類器基于支持向量機，隨機森林，多層感知器以及長期和短期記憶方法。”

研究人員沒有在原始圖像上訓練算法，而是在深度嵌入(即這些圖像的低維表示)上訓練了它們。這使得它們可以使用非常有限的新數(shù)據(60秒的短視頻序列)輕松地進行重新訓練或個性化設置。

“總的來說，我們的研究表明深度學習可以有效地捕獲課堂研究中的參與。廣義的參與模式以及相應的教學內容可以用于設計更有效的教育策略，” Kasneci說。“通過這種方式，可以更有效地進行課堂研究，從而有助于提高教學效果。但是，除了道德考慮之外，還存在與深度學習有關的開放研究問題，例如與數(shù)據集和算法公平性，可解釋性和健壯性有關的問題。 。”

在接下來的研究中，研究人員計劃測試其技術的有效性和有效性，以評估不同群體學生的參與度。他們還將進一步發(fā)展其方法，以確保其可靠性，公平性和可解釋性。

由于它是專門為研究目的而設計的，因此該模型可確保在錄像中捕獲學生的匿名性。此外，系統(tǒng)在提取原始視頻素材后立即刪除原始視頻素材，并且僅存儲與整個學生群體(而不是單個學生)相關的數(shù)據。從理論上講，它可以隨著時間的推移繪制每個學生的參與度，但可以輕松避免這種情況。

參與這項研究的教育心理學家烏爾里希·特拉烏特溫(Ulrich Trautwein)告訴TechXplore：“我們計劃在下一次研究中解決許多有趣的問題，它們涵蓋了我們研究中更多與計算和內容相關的方面。” 。“我們的目標是更好地了解教室中不同程度的參與的前因，以及如何通過高質量的教學質量對其產生積極影響。在這一點上，我們還強調了參與是復雜的，并且當前技術主要關注公開的行為參與基于可見的行為，要衡量更隱蔽的參與狀態(tài)(例如細化處理和思維游蕩)，還有很多工作要做，但我要重申：我們強烈反對在現(xiàn)實世界的課堂中使用此類解決方案 出于道德原因以及這種安排可能對學生的動機和學習以及對教師權利的負面影響，對學生和教師進行監(jiān)督。”

　　免責聲明：本文由用戶上傳，與本網站立場無關。財經信息僅供讀者參考，并不構成投資建議。投資者據此操作，風險自擔。 如有侵權請聯(lián)系刪除！