使用深度多任务学习对认知负荷与专业知识进行分类以实现自适应模拟
人机交互
2020-02-05 v1 机器学习
摘要
模拟是一种教学手段，为医疗从业者提供一种无风险的方式来学习、维持或提升他们的知识和技能。这类模拟应为学习者提供最佳的认知负荷，并根据他们的专业水平进行定制。然而，当前大多数模拟是一种“一刀切”的工具，用于培训不同学习者，而不考虑他们现有的技能、专业知识和处理认知负荷的能力。为了解决这个问题，我们为创伤模拟提出一个端到端框架，该框架能主动对参与者的认知负荷水平和专业知识进行分类，以开发动态自适应的模拟。为实现这一解决方案，我们开发了创伤模拟来采集新手和专家从业者的心电图（ECG）信号。我们开发了一个多任务深度神经网络来利用这些数据，并对高/低认知负荷以及专家/新手参与者进行分类。我们使用留一被试（LOSO）验证来评估模型的有效性，在认知负荷和专业知识分类上分别达到了89.4%和96.6%的准确率。
引用
@article{arxiv.1908.00385,
title = {Classification of Cognitive Load and Expertise for Adaptive Simulation using Deep Multitask Learning},
author = {Pritam Sarkar and Kyle Ross and Aaron J. Ruberto and Dirk Rodenburg and Paul Hungler and Ali Etemad},
journal= {arXiv preprint arXiv:1908.00385},
year = {2020}
}
备注
2019 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works