将虚拟学习中脱离参与状态作为异常检测：基于时间卷积网络自编码器的方法
计算机视觉与模式识别
2023-02-07 v2
摘要
学生参与度是达成虚拟学习项目目标的重要因素。对学生参与度的自动测量为教师达成学习项目目标并个性化项目交付提供了有益信息。许多现有方法使用传统框架解决基于视频的参与度测量：二分类（将视频片段分类为参与或脱离参与类）、多分类（将视频片段分类为对应不同参与程度的多个类）或回归（估计对应参与程度的连续值）。然而，我们观察到，虽然参与行为大多定义明确（例如专注、不分心），但脱离参与可通过多种方式表达。此外，在某些情况下，脱离参与类的数据可能不足以训练可泛化的二分类或多分类分类器。为处理此情况，本文首次将虚拟学习中脱离参与的检测表述为异常检测问题。我们设计了多种自编码器，包括时间卷积网络自编码器、长短期记忆自编码器和前馈自编码器，使用不同的行为与情感特征进行基于视频的学生脱离参与检测。我们在两个公开学生参与度数据集 DAiSEE 和 EmotiW 上的实验结果表明，与将视频分类为参与 versus 脱离参与类的二分类器相比，所提出的将脱离参与检测作为异常的方法具有优越性（受试者工作特征曲线下面积平均提升 9%，精确率-召回率曲线下面积平均提升 22%）。
引用
@article{arxiv.2211.06870,
title = {Detecting Disengagement in Virtual Learning as an Anomaly using Temporal Convolutional Network Autoencoder},
author = {Ali Abedi and Shehroz S. Khan},
journal= {arXiv preprint arXiv:2211.06870},
year = {2023}
}