用于阅读活动分类的自监督深度学习方法
人机交互
2020-12-08 v1
摘要
阅读分析能够提供关于用户信心与习惯的重要信息，并可用于构建反馈以改善用户的阅读行为。标注数据的缺乏阻碍了全监督深度学习（DL）在阅读自动分析中的有效应用。本文提出一种用于阅读分析的自监督 DL 方法，并在两项分类任务上进行了评估。我们首先在基于眼电（EOG）眼镜数据集的阅读检测四分类任务上评估所提出的自监督 DL 方法，随后在基于眼动追踪数据集的单选题（MCQ）答案置信度估计二分类任务上进行评估。我们使用全监督 DL 与支持向量机（SVM）来对比所提自监督 DL 方法的性能。结果表明，所提自监督 DL 方法在两项任务上均优于全监督 DL 与 SVM，尤其在训练数据稀缺时。该结果表明所提自监督 DL 方法是阅读分析任务的更优选择。本研究结果对自动阅读分析平台的设计与实现具有重要指导意义。
引用
@article{arxiv.2012.03598,
title = {Self-supervised Deep Learning for Reading Activity Classification},
author = {Md. Rabiul Islam and Shuji Sakamoto and Yoshihiro Yamada and Andrew Vargo and Motoi Iwata and Masakazu Iwamura and Koichi Kise},
journal= {arXiv preprint arXiv:2012.03598},
year = {2020}
}
备注
28 pages