EduGage：基于传感器的自导视频学习参与度momentary assessment方法与数据集
人机交互
2026-05-05 v1 计算机视觉与模式识别
摘要
参与度链接到注意力、情感和认知维度，在学习中发挥重要作用。在线和基于视频的学习环境中，学习者通常需要自行调节与教学材料的互动。测量和反思参与度因此可以支持学习者和自适应学习系统。在本研究中，我们使用可穿戴和摄像头-based 感测设备收集生理和运动信号，包括 PPG、ECG、EDA、EEG、IMU、心率、温度和眼动数据，用于估计学习者参与度。我们对 16 名参与者进行了视频-based 学习情境的用户研究，参与者完成学习任务并通过简短的探针不断进行现场自报告参与度。我们开发和评估了一个用于参与度估计的系统，比较不同的感测模态，并进一步分析了多模态建模对描述学习者参与度的可行性和有效性。在基于参与者的交叉验证中，我们的模型实现了 0.81 的 MAE、83.75% 的 within-1 准确率、73.93% 的二元准确率和 68.45% 的二元 Macro-F1，超越了无感测、统计、深度时序、基础模型和 LLM-based 的基线方法。我们的结果表明，细粒度参与度估计是可行的，但本质上较为嘈杂，实际系统应优先选择轻量级的行为和生理信号组合，而非全模态仪器。我们发布了 EduGage 数据集，包括同步的多模态传感器信号、探针对齐的momentary参与度标签、视频元数据、测验和研究材料，以支持可重复的基于传感器的细粒度参与度建模研究。
引用
@article{arxiv.2605.01238,
title = {EduGage: Methods and Dataset for Sensor-Based Momentary Assessment of Engagement in Self-Guided Video Learning},
author = {Zikang Leng and Edan Eyal and Yingtian Shi and Jiaman He and Yaqi Liu and Thomas Plötz},
journal= {arXiv preprint arXiv:2605.01238},
year = {2026}
}