論文の概要: Customizing an Affective Tutoring System Based on Facial Expression and Head Pose Estimation

• arxiv url: http://arxiv.org/abs/2111.14262v1
• Date: Sun, 21 Nov 2021 13:06:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-06 01:22:45.503817
• Title: Customizing an Affective Tutoring System Based on Facial Expression and Head Pose Estimation
• Title（参考訳）: 顔表情と頭部電位推定に基づく感情学習システムのカスタマイズ
• Authors: Mahdi Pourmirzaei, Gholam Ali Montazer, Ebrahim Mousavi
• Abstract要約: Affective Tutoring Systems (ATSs)は、学習者の感情状態を認識して反応できるITSの一種である。 本研究では, 顔の感情認識, 頭部ポーズ推定, 学習者の認知スタイルに基づいて, 学習環境をパーソナライズするシステムの設計, 実装, 評価を行った。
• 参考スコア（独自算出の注目度）: 2.0625936401496237
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, the main problem in e-learning has shifted from analyzing content to personalization of learning environment by Intelligence Tutoring Systems (ITSs). Therefore, by designing personalized teaching models, learners are able to have a successful and satisfying experience in achieving their learning goals. Affective Tutoring Systems (ATSs) are some kinds of ITS that can recognize and respond to affective states of learner. In this study, we designed, implemented, and evaluated a system to personalize the learning environment based on the facial emotions recognition, head pose estimation, and cognitive style of learners. First, a unit called Intelligent Analyzer (AI) created which was responsible for recognizing facial expression and head angles of learners. Next, the ATS was built which mainly made of two units: ITS, IA. Results indicated that with the ATS, participants needed less efforts to pass the tests. In other words, we observed when the IA unit was activated, learners could pass the final tests in fewer attempts than those for whom the IA unit was deactivated. Additionally, they showed an improvement in terms of the mean passing score and academic satisfaction.
• Abstract（参考訳）: 近年,eラーニングの主な問題は,コンテンツの分析から知能学習システム(ITS)による学習環境のパーソナライズへと移行している。 したがって、パーソナライズされた教育モデルを設計することで、学習者は学習目標を達成する上で成功し満足できる経験を得られる。 Affective Tutoring Systems (ATSs)は、学習者の感情状態を認識して反応できるITSの一種である。 本研究では,顔の感情認識,頭部ポーズ推定,学習者の認知スタイルに基づいて,学習環境をパーソナライズするシステムの設計,実装,評価を行った。 まず、AI(Intelligent Analyzer)と呼ばれるユニットが、学習者の表情と頭部角を認識する責任を負った。 次にATSは主にITS、IAの2つのユニットで構成された。 その結果、ATSでは、参加者はテストに合格する労力が少なかった。 言い換えれば、IAユニットが活性化されたとき、学習者はIAユニットが非活性化された者よりも、最終テストを少ない試行で通過することができる。 また,平均通算得点と学業満足度の観点からも改善が見られた。

関連論文リスト

• Real-time EEG-based Emotion Recognition Model using Principal Component Analysis and Tree-based Models for Neurohumanities [0.0]
  本研究は,没入空間内における文脈の学習過程における情緒的モニタリングを取り入れたソリューションを提案する。 脳波に基づくリアルタイム感情検出システムは、特定の感情を解釈し分類するために開発された。 このシステムは、感情データをインタラクティブなプラットフォームに統合し、包括的で没入的な学習環境を構築することを目的としている。
  論文  参考訳（メタデータ） (2024-01-28T20:02:13Z)
• Collaborative Learning with Artificial Intelligence Speakers (CLAIS): Pre-Service Elementary Science Teachers' Responses to the Prototype [0.5113447003407372]
  CLAISシステムは、3、4人の人間の学習者がAIスピーカーに参加して小さなグループを形成し、人間とAIはJigsaw学習プロセスに参加する仲間と見なされるように設計されている。 CLAISシステムは15人の小学校教師による理科教育講習会で成功裏に実装された。
  論文  参考訳（メタデータ） (2023-12-20T01:19:03Z)
• Towards Goal-oriented Intelligent Tutoring Systems in Online Education [69.06930979754627]
  目標指向知能チューニングシステム(GITS)という新しいタスクを提案する。 GITSは,演習や評価のカスタマイズを戦略的に計画することで,学生の指定概念の習得を可能にすることを目的としている。 PAI(Planning-Assessment-Interaction)と呼ばれるグラフに基づく新しい強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-03T12:37:16Z)
• Implementing Learning Principles with a Personal AI Tutor: A Case Study [2.94944680995069]
  本研究は,人間の学習過程をモデル化し,学術的性能を効果的に向上するパーソナルAIチューターの能力を示す。 プログラムにAIチューターを統合することで、教育者は、学習科学の原則に基づくパーソナライズされた学習体験を学生に提供することができる。
  論文  参考訳（メタデータ） (2023-09-10T15:35:47Z)
• ActiveAI: Introducing AI Literacy for Middle School Learners with Goal-based Scenario Learning [0.0]
  ActiveAIプロジェクトは、小学校7～9年生のAI教育における重要な課題に対処する。 このアプリには、スライダー、ステッパー、コレクタなど、さまざまな学習者インプットが組み込まれており、理解を深めている。 このプロジェクトは、現在実装段階にあり、アプリ開発にインテリジェントなチューター設計原則を活用している。
  論文  参考訳（メタデータ） (2023-08-21T11:43:43Z)
• Incremental procedural and sensorimotor learning in cognitive humanoid robots [52.77024349608834]
  本研究は,手順を段階的に学習する認知エージェントを提案する。 各サブステージで必要とされる認知機能と, エージェントが未解決の課題に, 新たな機能の追加がどう対処するかを示す。 結果は、このアプローチが複雑なタスクを段階的に解くことができることを示している。
  論文  参考訳（メタデータ） (2023-04-30T22:51:31Z)
• SS-VAERR: Self-Supervised Apparent Emotional Reaction Recognition from Video [61.21388780334379]
  この研究は、自己監督的な方法で行われるビデオのみの入力からの明らかな感情的反応の認識に焦点を当てる。 ネットワークは、まず異なる自己教師付きプレテキストタスクで事前訓練され、その後、下流のターゲットタスクで微調整される。
  論文  参考訳（メタデータ） (2022-10-20T15:21:51Z)
• Self-directed Machine Learning [86.3709575146414]
  教育科学において、自己指導型学習は受動的教師指導型学習よりも効果的であることが示されている。 本稿では,自己指向機械学習(SDML)の基本概念を紹介し,SDMLのためのフレームワークを提案する。 提案したSDMLプロセスは,自己タスク選択,自己データ選択,自己モデル選択,自己最適化戦略選択,自己評価基準選択の恩恵を受ける。
  論文  参考訳（メタデータ） (2022-01-04T18:32:06Z)
• Personalized Education in the AI Era: What to Expect Next? [76.37000521334585]
  パーソナライズ学習の目的は、学習者の強みに合致する効果的な知識獲得トラックをデザインし、目標を達成するために弱みをバイパスすることである。 近年、人工知能(AI)と機械学習(ML)の隆盛は、パーソナライズされた教育を強化するための新しい視点を広げています。
  論文  参考訳（メタデータ） (2021-01-19T12:23:32Z)
• Explainable Active Learning (XAL): An Empirical Study of How Local Explanations Impact Annotator Experience [76.9910678786031]
  本稿では、最近急増している説明可能なAI(XAI)のテクニックをアクティブラーニング環境に導入することにより、説明可能なアクティブラーニング(XAL)の新たなパラダイムを提案する。 本研究は,機械教育のインタフェースとしてのAI説明の利点として,信頼度校正を支援し,リッチな形式の教示フィードバックを可能にすること,モデル判断と認知作業負荷による潜在的な欠点を克服する効果を示す。
  論文  参考訳（メタデータ） (2020-01-24T22:52:18Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。