過(guò)去的研究已將學(xué)生的參與程度或?qū)W生參與課堂活動(dòng)的程度確定為決定教育計(jì)劃質(zhì)量和個(gè)別學(xué)生學(xué)習(xí)成績(jī)的關(guān)鍵因素。結(jié)果，世界各地的許多教育工作者都在積極嘗試設(shè)計(jì)使學(xué)生參與度最大化的課程。但是，有效而可靠地評(píng)估學(xué)生的 參與度可能會(huì)非常困難。因此，監(jiān)視學(xué)生隨時(shí)間推移在課堂上的參與和參與，而不會(huì)干擾或不利地影響他們的學(xué)習(xí)經(jīng)驗(yàn)的技術(shù)將具有巨大的價(jià)值，因?yàn)樗鼈兛捎糜谡{(diào)查課程和教育策略的有效性。

德國(guó)蒂賓根大學(xué)和德國(guó)維森斯麥迪恩萊布尼茲研究所以及科羅拉多大學(xué)博爾德分校的研究人員最近研究了機(jī)器學(xué)習(xí)技術(shù)在課堂研究中評(píng)估學(xué)生參與度的潛力。更具體地說(shuō)，他們?cè)O(shè)計(jì)了一種基于深度神經(jīng)網(wǎng)絡(luò)的體系結(jié)構(gòu)，該體系結(jié)構(gòu)可以通過(guò)分析在教室環(huán)境中收集的視頻片段來(lái)估算學(xué)生的參與度。

“我們使用在課程中收集的相機(jī)數(shù)據(jù)來(lái)教授基于神經(jīng)網(wǎng)絡(luò)的模型來(lái)預(yù)測(cè)學(xué)生的參與程度，”進(jìn)行這項(xiàng)研究的多學(xué)科團(tuán)隊(duì)的首席HCI研究人員Enkelejda Kasneci告訴TechXplore。“我們根據(jù)真實(shí)的數(shù)據(jù)(例如，基于教室錄制的視頻對(duì)學(xué)生的參與程度進(jìn)行專家評(píng)分)對(duì)模型進(jìn)行了訓(xùn)練。經(jīng)過(guò)這次訓(xùn)練，該模型能夠預(yù)測(cè)例如從特定時(shí)間的特定學(xué)生表示參與程度高或低。”

Kasneci和她的同事設(shè)計(jì)的模型可以掃描教室環(huán)境中拍攝的大型視頻數(shù)據(jù)集，并確定學(xué)生參與度高低的實(shí)例。團(tuán)隊(duì)中領(lǐng)先的認(rèn)知心理學(xué)家Peter Gerjets認(rèn)為，這種方法可以幫助識(shí)別與學(xué)生高度關(guān)注相關(guān)的課堂教學(xué)策略，也可以用于教師培訓(xùn)計(jì)劃中。

Gerjets解釋說(shuō)：“對(duì)于作為研究團(tuán)隊(duì)的我們來(lái)說(shuō)，非常重要的一點(diǎn)是要強(qiáng)調(diào)，目標(biāo)不是密切監(jiān)視特定的學(xué)生，而是制定智能的交往策略以進(jìn)行更有效的指導(dǎo)。” “它可以用來(lái)提高教學(xué)效果，但絕不能用于教師評(píng)估。實(shí)際上，當(dāng)涉及到這些技術(shù)的應(yīng)用目標(biāo)時(shí)，使用機(jī)器學(xué)習(xí)來(lái)支持教學(xué)情景不僅是一個(gè)問(wèn)題，而且也是一個(gè)問(wèn)題。在研究的所有步驟中，我們都會(huì)密切關(guān)注需要討論的有關(guān)隱私，透明性，公平性，問(wèn)責(zé)制和預(yù)期用途的道德問(wèn)題。”

在教室環(huán)境中拍攝的視頻已經(jīng)用于進(jìn)行與教育相關(guān)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(píng)估者進(jìn)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(xiàng)目相關(guān)的模式或細(xì)節(jié)。但是，計(jì)算機(jī)視覺(jué)和機(jī)器學(xué)習(xí)領(lǐng)域的最新進(jìn)展使能夠自動(dòng)分析大量視頻并識(shí)別其中特定模式的技術(shù)得以發(fā)展，其中包括圖賓根和UC Boulder研究人員開(kāi)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(jù)，并且依賴于良好的面部對(duì)齊和手工制作的功能。” “但是，深度學(xué)習(xí)為我們提供了從大數(shù)據(jù)中學(xué)習(xí)有用表示方法的機(jī)會(huì)，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(dòng)估計(jì)盡可能無(wú)縫，而無(wú)需任何昂貴的手動(dòng)評(píng)級(jí)或侵入式傳感器。 ”

深度神經(jīng)模型主要在視覺(jué)數(shù)據(jù)上訓(xùn)練。主要可以通過(guò)觀察學(xué)生的注意力和他/她的情緒反應(yīng)(即注意力和情感暗示)來(lái)衡量學(xué)生的參與水平。研究人員因此訓(xùn)練了兩個(gè)殘差神經(jīng)網(wǎng)絡(luò)，第一個(gè)(Attention-Net)被訓(xùn)練以估計(jì)學(xué)生的頭指向的方向，第二個(gè)(Affect-Net)被訓(xùn)練通過(guò)分析他們的面部表情來(lái)確定他們的情緒。

卡斯涅奇說(shuō)：“隨后，我們基于這兩種功能對(duì)讀數(shù)分類器進(jìn)行了訓(xùn)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(jī)，隨機(jī)森林，多層感知器以及長(zhǎng)期和短期記憶方法。”

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

“總的來(lái)說(shuō)，我們的研究表明深度學(xué)習(xí)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(yīng)的教學(xué)內(nèi)容可以用于設(shè)計(jì)更有效的教育策略，” Kasneci說(shuō)。“通過(guò)這種方式，可以更有效地進(jìn)行課堂研究，從而有助于提高教學(xué)效果。但是，除了道德考慮之外，還存在與深度學(xué)習(xí)有關(guān)的開(kāi)放研究問(wèn)題，例如與數(shù)據(jù)集和算法公平性，可解釋性和健壯性有關(guān)的問(wèn)題。 。”

在接下來(lái)的研究中，研究人員計(jì)劃測(cè)試其技術(shù)的有效性和有效性，以評(píng)估不同群體學(xué)生的參與度。他們還將進(jìn)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(mén)為研究目的而設(shè)計(jì)的，因此該模型可確保在錄像中捕獲學(xué)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(chǔ)與整個(gè)學(xué)生群體(而不是單個(gè)學(xué)生)相關(guān)的數(shù)據(jù)。從理論上講，它可以隨著時(shí)間的推移繪制每個(gè)學(xué)生的參與度，但可以輕松避免這種情況。

參與這項(xiàng)研究的教育心理學(xué)家烏爾里希·特拉烏特溫(Ulrich Trautwein)告訴TechXplore：“我們計(jì)劃在下一次研究中解決許多有趣的問(wèn)題，它們涵蓋了我們研究中更多與計(jì)算和內(nèi)容相關(guān)的方面。” 。“我們的目標(biāo)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(guò)高質(zhì)量的教學(xué)質(zhì)量對(duì)其產(chǎn)生積極影響。在這一點(diǎn)上，我們還強(qiáng)調(diào)了參與是復(fù)雜的，并且當(dāng)前技術(shù)主要關(guān)注公開(kāi)的行為參與基于可見(jiàn)的行為，要衡量更隱蔽的參與狀態(tài)(例如細(xì)化處理和思維游蕩)，還有很多工作要做，但我要重申：我們強(qiáng)烈反對(duì)在現(xiàn)實(shí)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(duì)學(xué)生的動(dòng)機(jī)和學(xué)習(xí)以及對(duì)教師權(quán)利的負(fù)面影響，對(duì)學(xué)生和教師進(jìn)行監(jiān)督。”

標(biāo)簽：