通过先进深度学习技术预测远程学习中的压力
机器学习
2021-09-24 v1
摘要
COVID-19 已促使大多数学校通过 Zoom 与 Google Meet 等在线会议软件进行远程学习。尽管这一趋势帮助学生无需面授即可继续学习，却移除了教师有效教学所用的重要工具：视觉线索。由于无法看清学生面部，教师可能注意不到学生何时需要帮助，或何时未集中注意力。为帮助教师应对此挑战，本项目提出一种基于机器学习的方法，提供实时学生心理状态监测与分类，以助教师更好地开展远程教学。利用公开可用的脑电图（EEG）数据收集，本研究探索了四种不同分类技术：经典深度神经网络、传统流行的支持向量机、最新的卷积神经网络，以及近期流行的 XGBoost 模型。本研究定义了三种心理类别：投入学习模式、困惑学习模式与放松模式。本项目的实验结果表明，这些所选分类器在分类心理状态的 EEG 信号方面具有不同潜力。尽管部分所选分类器仅有约 50% 准确率且存在延迟，最优者能实时达到 80% 准确分类。这对需要帮助以调整远程教学的教师，以及许多其他无法进行面对面互动的潜在应用都十分有益。
引用
@article{arxiv.2109.11076,
title = {Predicting Stress in Remote Learning via Advanced Deep Learning Technologies},
author = {Daben Kyle Liu},
journal= {arXiv preprint arXiv:2109.11076},
year = {2021}
}
备注
6 pages, 6 figures, 1 equation