論文の概要: Exploring Interactions and Regulations in Collaborative Learning: An
Interdisciplinary Multimodal Dataset
- arxiv url: http://arxiv.org/abs/2210.05419v1
- Date: Tue, 11 Oct 2022 12:56:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-12 17:24:19.674005
- Title: Exploring Interactions and Regulations in Collaborative Learning: An
Interdisciplinary Multimodal Dataset
- Title(参考訳): 協調学習における相互作用と規則の探索--学際的マルチモーダルデータセット
- Authors: Yante Li, Yang Liu, Kh\'Anh Nguyen, Henglin Shi, Eija Vuorenmaa, Sanna
Jarvela, and Guoying Zhao
- Abstract要約: 本稿では,協調的プロセスにおいて,協調的プロセスにおける規制が相互作用にどのように影響するかを検討するために,認知的および感情的トリガーを備えた新しいマルチモーダルデータセットを提案する。
意図的な介入を伴う学習課題を15歳以上の高校生に設計・割り当てする。
注記された感情、身体のジェスチャー、およびそれらの相互作用の分析は、デザインされた治療を伴うデータセットが、協調学習における規制の瞬間を効果的に調査できることを示唆している。
- 参考スコア(独自算出の注目度): 40.193998859310156
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Collaborative learning is an educational approach that enhances learning
through shared goals and working together. Interaction and regulation are two
essential factors related to the success of collaborative learning. Since the
information from various modalities can reflect the quality of collaboration, a
new multimodal dataset with cognitive and emotional triggers is introduced in
this paper to explore how regulations affect interactions during the
collaborative process. Specifically, a learning task with intentional
interventions is designed and assigned to high school students aged 15 years
old (N=81) in average. Multimodal signals, including video, Kinect, audio, and
physiological data, are collected and exploited to study regulations in
collaborative learning in terms of individual-participant-single-modality,
individual-participant-multiple-modality, and
multiple-participant-multiple-modality. Analysis of annotated emotions, body
gestures, and their interactions indicates that our multimodal dataset with
designed treatments could effectively examine moments of regulation in
collaborative learning. In addition, preliminary experiments based on baseline
models suggest that the dataset provides a challenging in-the-wild scenario,
which could further contribute to the fields of education and affective
computing.
- Abstract(参考訳): 協調学習(Collaborative learning)は、共通の目標を通じて学び、共同作業を促進する教育手法である。
相互作用と制御は協調学習の成功に不可欠な2つの要素である。
様々なモダリティからの情報は協調の質を反映できるため,協調プロセス中の相互作用にどのように影響するかを検討するために,認知的・感情的なトリガーを伴う新しいマルチモーダルデータセットが導入された。
具体的には,15歳(N=81)の高校生を対象に,意図的な介入を伴う学習課題を設計・割り当てする。
ビデオ,Kinect,オーディオ,生理的データなどのマルチモーダル信号を収集し,個別参加者・単一モダリティ,個別参加者・複数モダリティ,複数参加者・複数モダリティの観点から協調学習の規則を学習するために利用する。
注釈付き感情、身体のジェスチャー、およびそれらの相互作用の分析は、デザインされた治療を含むマルチモーダルデータセットが協調学習における規制モーメントを効果的に検証できることを示している。
さらに、ベースラインモデルに基づく予備実験では、データセットは、教育や情緒的コンピューティングの分野にさらに貢献する、挑戦的なインザワイルドシナリオを提供することを示唆している。
関連論文リスト
- MMOE: Mixture of Multimodal Interaction Experts [115.20477067767399]
MMOEはマルチモーダルインタラクションの専門家の混在を指す。
本手法は, ラベルのないマルチモーダルデータセットから, 対話タイプによって自動的にデータポイントを分類し, それぞれのインタラクションに特化モデルを用いる。
実験結果から,本手法は,これらの課題のあるインタラクションのパフォーマンスを10%以上向上させ,皮肉な予測などのタスクに対して全体の2%向上をもたらす。
論文 参考訳(メタデータ) (2023-11-16T05:31:21Z) - Learning Unseen Modality Interaction [54.23533023883659]
マルチモーダル学習は、すべてのモダリティの組み合わせが訓練中に利用でき、クロスモーダル対応を学ぶことを前提としている。
我々は、目に見えないモダリティ相互作用の問題を提起し、第1の解を導入する。
異なるモジュラリティの多次元的特徴を、豊富な情報を保存した共通空間に投影するモジュールを利用する。
論文 参考訳(メタデータ) (2023-06-22T10:53:10Z) - Multimodal Learning Without Labeled Multimodal Data: Guarantees and
Applications [97.79283975518047]
複数のモーダルから共同で学習する多くの機械学習システムでは、マルチモーダル相互作用の性質を理解することが中心的な研究課題である。
我々は,この相互作用定量化の課題について,ラベル付き単調データのみを用いた半教師付き環境で検討する。
相互作用の正確な情報理論的定義を用いて、我々の重要な貢献は、マルチモーダル相互作用の量を定量化するための下界と上界の導出である。
論文 参考訳(メタデータ) (2023-06-07T15:44:53Z) - Behavior Priors for Efficient Reinforcement Learning [97.81587970962232]
本稿では,情報とアーキテクチャの制約を,確率論的モデリング文献のアイデアと組み合わせて行動の事前学習を行う方法について考察する。
このような潜伏変数の定式化が階層的強化学習(HRL)と相互情報と好奇心に基づく目的との関係について論じる。
シミュレーションされた連続制御領域に適用することで,フレームワークの有効性を実証する。
論文 参考訳(メタデータ) (2020-10-27T13:17:18Z) - Collaborative Group Learning [42.31194030839819]
協調学習は、小規模学生ネットワークのプールをロバストなローカルミニマへと導くために、知識伝達をうまく応用してきた。
従来のアプローチでは、学生の数が増加すると、学生の均質化が大幅に増加するのが普通だった。
特徴表現の多様化と効果的な正規化の実現を目的とした,効率的なフレームワークである協調型グループ学習を提案する。
論文 参考訳(メタデータ) (2020-09-16T14:34:39Z) - LEMMA: A Multi-view Dataset for Learning Multi-agent Multi-task
Activities [119.88381048477854]
LEMMAデータセットを導入し、細心の注意深い設定で、行方不明な次元に対処するための単一の家を提供する。
我々は、人間と物体の相互作用による原子間相互作用を密に注釈し、日常の活動の構成性、スケジューリング、割り当ての土台として提供する。
この取り組みにより、マシンビジョンコミュニティは、目標指向の人間活動を調べ、現実世界におけるタスクのスケジューリングと割り当てをさらに研究できることを期待します。
論文 参考訳(メタデータ) (2020-07-31T00:13:54Z) - Recurrent Interaction Network for Jointly Extracting Entities and
Classifying Relations [45.79634026256055]
対話を動的に学習できるマルチタスク学習モデルを設計する。
2つの実世界のデータセットに関する実証的研究により、提案モデルの優位性が確認された。
論文 参考訳(メタデータ) (2020-05-01T01:03:16Z) - Multitask learning over graphs: An Approach for Distributed, Streaming
Machine Learning [46.613346075513206]
マルチタスク学習は帰納的伝達学習のアプローチである。
近年、分散ストリーミング方式でデータを収集する能力が高まっている。
これは、分散(またはネットワーク化された)システム上でのストリーミングデータから、複数のタスクを共同で学習するための新しい戦略の設計を必要とする。
論文 参考訳(メタデータ) (2020-01-07T15:32:57Z)
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。