基于多通道数据融合的学习单元状态识别
计算机视觉与模式识别
2021-11-08 v1
摘要
尽管 MOOC 近期取得了进展，当前电子学习系统具有缓解师生因时间差异和地理空间分离所带来的障碍的优势。然而，一直存在“缺乏监督”的问题，即电子学习者的学习单元状态（LUS）无法被自动监督。本文提出一种融合框架，考虑三种通道数据源：1）来自摄像头的视频/图像，2）由低分辨率眼动仪追踪的眼动信息，3）鼠标移动。基于这些数据模态，我们提出一种多通道数据融合的新方法，以探索学习单元状态识别。我们还提出一种构建学习状态识别模型的方法，以避免手动标注图像数据。实验在我们设计的在线学习原型系统上进行，并选择 CART、随机森林和 GBDT 回归模型来预测电子学习者的学习状态。结果表明，与单通道模型相比，多通道数据融合模型具有更好的识别性能。此外，当融合图像、眼动和鼠标移动特征时，可达到最佳识别性能。
引用
@article{arxiv.1806.07372,
title = {Learning Unit State Recognition Based on Multi-channel Data Fusion},
author = {Feng Tian and Jia Yue and Xing Wan and Kuo-Min Chao and Qinghua Zheng},
journal= {arXiv preprint arXiv:1806.07372},
year = {2021}
}
备注
4 pages, 4 figures, 2 tables