面向协作学习分析的深度神经网络：基于学生注视点预测的团队协作用评估
计算机与社会
2020-10-26 v1 人机交互
机器学习
摘要
在协作任务中对团队表现进行自动评估与评价，是学习分析与计算机支持的协同工作研究的关键。利用基于注视的线索来评估团队的协作与配合程度正引起越来越多的关注。然而，由于时间和成本限制，使用眼动仪收集注视数据并非总是可行。本文中，我们介绍了一种基于计算机视觉方案提取的注视点与联合视觉注意（JVA）信息的自动化团队评估工具。随后，我们在一个本科解剖学学习活动（N=60，30 个团队）中作为测试用户研究对团队协作进行了评估。结果表明，较高的 JVA 与学生学习效果呈正相关（r(30)=0.50，p<0.005）。此外，参与两个实验组并使用交互式三维解剖模型的团队，比对照组具有更高的 JVA（F(1,28)=6.65，p<0.05）和更好的知识保持（F(1,28)=7.56，p<0.05）。同时，基于团队不同性别构成，JVA 未观察到显著差异。本工作的发现通过学习科学和协作计算提供了启示，给出了一种新颖的基于共同注意的度量，以客观评估团队协作动态。
引用
@article{arxiv.2010.12012,
title = {Deep neural networks for collaborative learning analytics: Evaluating team collaborations using student gaze point prediction},
author = {Zang Guo and Roghayeh Barmaki},
journal= {arXiv preprint arXiv:2010.12012},
year = {2020}
}