CLUE：面向视频讲座中用户参与度的上下文统一可解释学习
人工智能
2022-01-19 v1 机器学习
摘要
预测视频中的上下文参与度是一个长期存在的问题，人们常尝试利用不同计算方法借助观看数或点赞数来攻克。近十年在线学习资源激增，疫情期间缺乏质量控制的在线教学视频呈指数级增长。若创作者能获得关于其内容的建设性反馈，内容质量便可改善。雇用领域专家志愿者大军提供视频反馈恐难规模化。因此，开发计算方法以预测指示某种可能用户参与度的用户参与分数（即用户倾向于参与内容的程度）的需求陡增。当前方法的一个缺陷是以级联方式分开建模各类特征，易致误差传播。此外，多数未就创作者如何改进内容提供关键解释。本文提出教育领域的新统一模型 CLUE，其从公开可用的在线教学视频提取特征学习，并随用户参与分数提供关于视频的可解释反馈。鉴于任务复杂性，我们的统一框架采用不同预训练模型作为分类器集成协同工作。模型利用多种多模态特征建模语言复杂性、上下文无关信息、所传达内容的文本情感、动画、说话人音高与语音情感。在迁移学习设置下，整体模型在统一空间中为下游应用微调。
引用
@article{arxiv.2201.05651,
title = {CLUE: Contextualised Unified Explainable Learning of User Engagement in Video Lectures},
author = {Sujit Roy and Gnaneswara Rao Gorle and Vishal Gaur and Haider Raza and Shoaib Jameel},
journal= {arXiv preprint arXiv:2201.05651},
year = {2022}
}