真实场景下学生参与度的预测与定位
计算机视觉与模式识别
2018-06-28 v4
摘要
在本文中，我们介绍了一个用于学生参与度检测与定位的新数据集。数字革命已经改变了传统的教学过程，而对电子学习环境中学生参与度的结果分析将有助于有效地完成任务和学习。众所周知的参与/不参与的社会线索可以从面部表情、身体运动和注视模式中推断出来。在本文中，我们记录了学生对各种刺激视频的响应，并提取重要线索以估计参与度水平的变化。在本文中，我们研究了受试者的行为线索与其参与度水平之间的关联，这些关联由标注者进行标注。然后，我们使用基于深度多示例学习的框架来定位刺激视频中参与/不参与的部分，这可以为设计大规模开放在线课程（MOOCs）视频材料提供有用的见解。认识到在用户参与度领域缺乏任何公开可用数据集，我们创建了一个新的“真实场景”数据集来研究受试者参与度问题。该数据集包含来自78名受试者的195个视频，录制时长约16.5小时。我们使用从传统机器学习到基于深度学习的方法等不同分类器给出了详细的基线结果。我们进行了受试者无关的分析，以便能够推广到新用户。参与度预测问题被建模为一个弱监督学习问题。该数据集由不同标注者独立地对四个参与度级别进行手动标注，并报告了不同分类器对视频的标注标签与预测标签之间的相关性研究。该数据集的创建旨在促进智能辅导系统、MOOCs等各种电子学习环境中的研究。
引用
@article{arxiv.1804.00858,
title = {Prediction and Localization of Student Engagement in the Wild},
author = {Amanjot Kaur and Aamir Mustafa and Love Mehta and Abhinav Dhall},
journal= {arXiv preprint arXiv:1804.00858},
year = {2018}
}