論文の概要: CMOSE: Comprehensive Multi-Modality Online Student Engagement Dataset with High-Quality Labels
- arxiv url: http://arxiv.org/abs/2312.09066v2
- Date: Tue, 4 Jun 2024 01:27:35 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-06 13:47:23.451508
- Title: CMOSE: Comprehensive Multi-Modality Online Student Engagement Dataset with High-Quality Labels
- Title（参考訳）: CMOSE: 高品質ラベルによる総合的マルチモーダルオンライン学生エンゲージメントデータセット
- Authors: Chi-hsuan Wu, Shih-yang Liu, Xijie Huang, Xingbo Wang, Rong Zhang, Luca Minciullo, Wong Kai Yiu, Kenny Kwan, Kwang-Ting Cheng,
- Abstract要約: 本稿では,異なるエンゲージメントレベルからの大量のデータと,心理的アドバイスに従ってアノテートされた高品質なラベルを含むCMOSEデータセットを提案する。
また,クラス内多様度とクラス内多様度の順序パターンを扱うためのトレーニング機構であるMocoRankを提案する。
- 参考スコア（独自算出の注目度）: 26.537675109294234
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Online learning is a rapidly growing industry. However, a major doubt about online learning is whether students are as engaged as they are in face-to-face classes. An engagement recognition system can notify the instructors about the students condition and improve the learning experience. Current challenges in engagement detection involve poor label quality, extreme data imbalance, and intra-class variety - the variety of behaviors at a certain engagement level. To address these problems, we present the CMOSE dataset, which contains a large number of data from different engagement levels and high-quality labels annotated according to psychological advice. We also propose a training mechanism MocoRank to handle the intra-class variety and the ordinal pattern of different degrees of engagement classes. MocoRank outperforms prior engagement detection frameworks, achieving a 1.32% increase in overall accuracy and 5.05% improvement in average accuracy. Further, we demonstrate the effectiveness of multi-modality in engagement detection by combining video features with speech and audio features. The data transferability experiments also state that the proposed CMOSE dataset provides superior label quality and behavior diversity.
- Abstract（参考訳）: オンライン学習は急速に成長している産業だ。
しかし、オンライン学習に関する大きな疑問は、学生が対面授業に通っているかどうかである。
エンゲージメント認識システムは、教官に生徒の状態を通知し、学習経験を改善することができる。
エンゲージメント検出における現在の課題は、ラベルの品質の低さ、極端なデータ不均衡、クラス内の多様性などだ。
これらの問題に対処するために、異なるエンゲージメントレベルからの大量のデータと、心理的アドバイスに従って注釈付けされた高品質なラベルを含むCMOSEデータセットを提案する。
また,クラス内多様度とクラス内多様度の順序パターンを扱うためのトレーニング機構であるMocoRankを提案する。
MocoRankは以前のエンゲージメント検出フレームワークより優れており、全体的な精度が1.32%向上し、平均精度が5.05%向上している。
さらに,映像特徴と音声特徴を組み合わせることで,エンゲージメント検出におけるマルチモーダルの有効性を示す。
データ転送可能性の実験では、提案したCMOSEデータセットがラベルの品質と振る舞いの多様性に優れたものであることも述べられている。
関連論文リスト
- BAL: Balancing Diversity and Novelty for Active Learning [53.289700543331925]
多様な不確実なデータのバランスをとるために適応的なサブプールを構築する新しいフレームワークであるBalancing Active Learning (BAL)を導入する。
我々のアプローチは、広く認識されているベンチマークにおいて、確立されたすべてのアクティブな学習方法より1.20%優れています。
論文 参考訳（メタデータ） (2023-12-26T08:14:46Z) - DualMatch: Robust Semi-Supervised Learning with Dual-Level Interaction [10.775623936099173]
従来の半教師付き学習手法は、通常、異なるデータ拡張ビューのモデル予測を単一レベルのインタラクション方法で一致させる。
本稿では,DualMatchと呼ばれる新しいSSL方式を提案する。
標準SSL設定では、SOTA法と比較して9%のエラー削減が達成されるが、より困難なクラス不均衡設定でも6%のエラー削減が達成できる。
論文 参考訳（メタデータ） (2023-10-25T08:34:05Z) - JointMatch: A Unified Approach for Diverse and Collaborative
Pseudo-Labeling to Semi-Supervised Text Classification [65.268245109828]
半教師付きテキスト分類(SSTC)は、ラベルのないデータを活用する能力によって注目を集めている。
擬似ラベルに基づく既存のアプローチは、擬似ラベルバイアスと誤り蓄積の問題に悩まされる。
我々は、最近の半教師付き学習からアイデアを統一することでこれらの課題に対処する、SSTCの総合的なアプローチであるJointMatchを提案する。
論文 参考訳（メタデータ） (2023-10-23T05:43:35Z) - Leveraging Demonstrations to Improve Online Learning: Quality Matters [54.98983862640944]
改善の度合いは実演データの品質に左右されることが示されている。
ベイズの法則を通したコヒーレントな方法で実演データを利用する情報TSアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-02-07T08:49:12Z) - Detecting Disengagement in Virtual Learning as an Anomaly [4.706263507340607]
学生エンゲージメントは、仮想学習プログラムの目標を達成する上で重要な要素である。
本稿では,仮想学習における解離を異常検出問題として定式化する。
我々は、時間畳み込みネットワークオートエンコーダ、長期記憶オートエンコーダなど、様々なオートエンコーダを設計する。
論文 参考訳（メタデータ） (2022-11-13T10:29:25Z) - Looking For A Match: Self-supervised Clustering For Automatic Doubt
Matching In e-learning Platforms [1.0705399532413613]
我々は,自己教師型手法を用いて学習した表現に基づいて,ラベルに依存しない疑似マッチングパラダイムを開発する。
本稿では、ドメイン固有の拡張と対照的な目的を、適切に構築されたさまざまなデータビューに対して組み合わせたカスタムBYOLを提案する。
論文 参考訳（メタデータ） (2022-08-20T04:12:19Z) - Online Continual Learning via Multiple Deep Metric Learning and
Uncertainty-guided Episodic Memory Replay -- 3rd Place Solution for ICCV 2021
Workshop SSLAD Track 3A Continual Object Classification [41.35216156491142]
オンライン連続学習における非定常性は、ニューラルネットワークにおける破滅的な忘れを招きかねない。
提案手法は,平均平均クラス精度(AMCA)64.01%,テストセット64.53%のAMCAでかなりの一般化を実現する。
論文 参考訳（メタデータ） (2021-11-04T11:16:42Z) - LANA: Towards Personalized Deep Knowledge Tracing Through
Distinguishable Interactive Sequences [21.67751919579854]
今後の質問に対する学生の回答を予測するために、Leveled Attentive KNowledge TrAcing(LANA)を提案します。
新しい学生関連特徴抽出装置(SRFE)を使用して、学生固有の特性をそれぞれのインタラクティブシーケンスから蒸留します。
ピボットモジュールは、個々の学生のためのデコーダを再構築し、グループのためのレベル付き学習特化エンコーダにより、パーソナライズされたDKTを実現した。
論文 参考訳（メタデータ） (2021-04-21T02:57:42Z) - On Deep Learning with Label Differential Privacy [54.45348348861426]
ラベルは機密性があり、保護されるべきであるとするマルチクラス分類について検討する。
本稿では,ラベル差分プライバシを用いたディープニューラルネットワークのトレーニングアルゴリズムを提案し,いくつかのデータセットで評価を行う。
論文 参考訳（メタデータ） (2021-02-11T15:09:06Z) - Diverse Complexity Measures for Dataset Curation in Self-driving [80.55417232642124]
トラフィックシーンの面白さを定量化する多様な基準を活用した新たなデータ選択手法を提案する。
実験の結果,提案するキュレーションパイプラインは,より汎用的で高いパフォーマンスをもたらすデータセットを選択できることが判明した。
論文 参考訳（メタデータ） (2021-01-16T23:45:02Z) - CoMatch: Semi-supervised Learning with Contrastive Graph Regularization [86.84486065798735]
CoMatchは、支配的なアプローチを統一する、新しい半教師付き学習手法である。
複数のデータセット上で最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2020-11-23T02:54:57Z)
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。