EvoStruggle：捕捉跨活动与技能水平层次演变的困境数据集
计算机视觉与模式识别
2025-10-03 v1
摘要
确定人在技能获取过程中是否困难对于优化人类学习以及启用有效辅助系统至关重要。随着技能的发展，困难的类型和频率倾向于变化，理解这种演变对于确定用户当前的学习阶段至关重要。然而，现有操作数据集未关注困难如何随时间演变。在本工作中，我们收集了一个用于困难检测的数据集，包含 61.68 小时的视频录制、2793 个视频片段以及 5385 个标记的时间段困难，来自 76 名参与者。该数据集包括 18 项任务，分为四类多样化活动——系结结印、折纸、拼图块和洗牌卡片，代表不同的任务变体。此外，参与者重复完成相同任务 5 次，以捕捉技能演变。我们将困难检测问题定义为时序动作定位任务，聚焦于识别并精确定位困难片段的起始和结束时间。实验结果表明，时序动作定位模型能够成功学习检测困难线索，即使在针对未见的任务或活动进行评估时亦可。模型在跨任务和跨活动的平均 mAP 分别为 34.56% 和 19.24%，表明困难在各种基于技能的任务中是一个可迁移的概念，但仍为进一步提升困难检测性能所面临的挑战。我们的数据集已公开于 https://github.com/FELIXFENG2019/EvoStruggle。
引用
@article{arxiv.2510.01362,
title = {EvoStruggle: A Dataset Capturing the Evolution of Struggle across Activities and Skill Levels},
author = {Shijia Feng and Michael Wray and Walterio Mayol-Cuevas},
journal= {arXiv preprint arXiv:2510.01362},
year = {2025}
}
备注
10 pages