過去的研究已將學(xué)生的參與程度或?qū)W生參與課堂活動的程度確定為決定教育計劃質(zhì)量和個別學(xué)生學(xué)習成績的關(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)計使學(xué)生參與度最大化的課程。但是，有效而可靠地評估學(xué)生的 參與度可能會非常困難。因此，監(jiān)視學(xué)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(xué)習經(jīng)驗的技術(shù)將具有巨大的價值，因為它們可用于調(diào)查課程和教育策略的有效性。

德國蒂賓根大學(xué)和德國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器學(xué)習技術(shù)在課堂研究中評估學(xué)生參與度的潛力。更具體地說，他們設(shè)計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)可以通過分析在教室環(huán)境中收集的視頻片段來估算學(xué)生的參與度。

“我們使用在課程中收集的相機數(shù)據(jù)來教授基于神經(jīng)網(wǎng)絡(luò)的模型來預(yù)測學(xué)生的參與程度，”進行這項研究的多學(xué)科團隊的首席HCI研究人員Enkelejda Kasneci告訴TechXplore。“我們根據(jù)真實的數(shù)據(jù)(例如，基于教室錄制的視頻對學(xué)生的參與程度進行專家評分)對模型進行了訓(xùn)練。經(jīng)過這次訓(xùn)練，該模型能夠預(yù)測例如從特定時間的特定學(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)生參與度高低的實例。團隊中領(lǐng)先的認知心理學(xué)家Peter Gerjets認為，這種方法可以幫助識別與學(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(diào)，目標不是密切監(jiān)視特定的學(xué)生，而是制定智能的交往策略以進行更有效的指導(dǎo)。” “它可以用來提高教學(xué)效果，但絕不能用于教師評估。實際上，當涉及到這些技術(shù)的應(yīng)用目標時，使用機器學(xué)習來支持教學(xué)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(guān)注需要討論的有關(guān)隱私，透明性，公平性，問責制和預(yù)期用途的道德問題。”

在教室環(huán)境中拍攝的視頻已經(jīng)用于進行與教育相關(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(guān)的模式或細節(jié)。但是，計算機視覺和機器學(xué)習領(lǐng)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(shù)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(jù)，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(xué)習為我們提供了從大數(shù)據(jù)中學(xué)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(jīng)模型主要在視覺數(shù)據(jù)上訓(xùn)練。主要可以通過觀察學(xué)生的注意力和他/她的情緒反應(yīng)(即注意力和情感暗示)來衡量學(xué)生的參與水平。研究人員因此訓(xùn)練了兩個殘差神經(jīng)網(wǎng)絡(luò)，第一個(Attention-Net)被訓(xùn)練以估計學(xué)生的頭指向的方向，第二個(Affect-Net)被訓(xùn)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(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，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(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)輕松地進行重新訓(xùn)練或個性化設(shè)置。

“總的來說，我們的研究表明深度學(xué)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(yīng)的教學(xué)內(nèi)容可以用于設(shè)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(xué)效果。但是，除了道德考慮之外，還存在與深度學(xué)習有關(guān)的開放研究問題，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)的問題。 。”

在接下來的研究中，研究人員計劃測試其技術(shù)的有效性和有效性，以評估不同群體學(xué)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(shè)計的，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，并且僅存儲與整個學(xué)生群體(而不是單個學(xué)生)相關(guān)的數(shù)據(jù)。從理論上講，它可以隨著時間的推移繪制每個學(xué)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(xué)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(nèi)容相關(guān)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(zhì)量的教學(xué)質(zhì)量對其產(chǎn)生積極影響。在這一點上，我們還強調(diào)了參與是復(fù)雜的，并且當前技術(shù)主要關(guān)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(xué)生的動機和學(xué)習以及對教師權(quán)利的負面影響，對學(xué)生和教師進行監(jiān)督。”

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