論文の概要: A General Model for Detecting Learner Engagement: Implementation and Evaluation

• arxiv url: http://arxiv.org/abs/2405.04251v1
• Date: Tue, 7 May 2024 12:11:15 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-08 14:20:03.687119
• Title: A General Model for Detecting Learner Engagement: Implementation and Evaluation
• Title（参考訳）: 学習者のエンゲージメントを検出するための一般的なモデル:実装と評価
• Authors: Somayeh Malekshahi, Javad M. Kheyridoost, Omid Fatemi,
• Abstract要約: 本稿では,学習者のエンゲージメントレベルを検出するための特徴の選択と処理のための,汎用的で軽量なモデルを提案する。 本研究では,DAiSEEデータセットの映像を分析し,学習者のエンゲージメントのダイナミックな意義を捉えた。 提案モデルは,特定の実装において68.57%の精度を達成し,学習者のエンゲージメントレベルを検出する最先端モデルより優れている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Considering learner engagement has a mutual benefit for both learners and instructors. Instructors can help learners increase their attention, involvement, motivation, and interest. On the other hand, instructors can improve their instructional performance by evaluating the cumulative results of all learners and upgrading their training programs. This paper proposes a general, lightweight model for selecting and processing features to detect learners' engagement levels while preserving the sequential temporal relationship over time. During training and testing, we analyzed the videos from the publicly available DAiSEE dataset to capture the dynamic essence of learner engagement. We have also proposed an adaptation policy to find new labels that utilize the affective states of this dataset related to education, thereby improving the models' judgment. The suggested model achieves an accuracy of 68.57\% in a specific implementation and outperforms the studied state-of-the-art models detecting learners' engagement levels.
• Abstract（参考訳）: 学習者のエンゲージメントを考えることは、学習者とインストラクターの両方にとって相互に利益がある。 インストラクターは、学習者の注意、関与、モチベーション、関心を高めるのに役立つ。 一方、教師は、すべての学習者の累積結果を評価し、学習プログラムをアップグレードすることで、指導性能を向上させることができる。 本稿では,時間とともに逐次的関係を保ちながら,学習者のエンゲージメントレベルを検出する機能の選択と処理を行うための,汎用的で軽量なモデルを提案する。 学習者のエンゲージメントのダイナミックな本質を捉えるため、トレーニングとテスト期間中に、公開可能なDAiSEEデータセットからビデオを分析した。 また,このデータセットの教育に関する情緒的状態を利用して,モデルによる判断を改善する新しいラベルを見つけるための適応政策も提案している。 提案モデルは,特定の実装において68.57\%の精度を達成し,学習者のエンゲージメントレベルを検出する技術モデルよりも優れる。

関連論文リスト

• Revisiting Self-supervised Learning of Speech Representation from a Mutual Information Perspective [68.20531518525273]
  我々は、情報理論の観点から、既存の自己教師型音声の手法を詳しく検討する。 我々は線形プローブを用いて、対象情報と学習された表現の間の相互情報を推定する。 我々は、ラベルを使わずに、データの異なる部分間の相互情報を見積もる自己教師型の表現を評価する可能性を探る。
  論文  参考訳（メタデータ） (2024-01-16T21:13:22Z)
• Augmenting Interpretable Knowledge Tracing by Ability Attribute and Attention Mechanism [0.0]
  知識追跡は、学生の過去の回答シーケンスをモデル化し、運動中の知識獲得の変化を追跡することを目的としている。 既存のアプローチのほとんどは、生徒の能力が個人によって常に変化または変化しているという事実を無視している。 本稿では,能力特性と注意機構に基づく新しいモデルを提案する。
  論文  参考訳（メタデータ） (2023-02-04T11:19:55Z)
• Distantly-Supervised Named Entity Recognition with Adaptive Teacher Learning and Fine-grained Student Ensemble [56.705249154629264]
  NERモデルの堅牢性を改善するために,自己学習型教員学生フレームワークを提案する。 本稿では,2つの教員ネットワークからなる適応型教員学習を提案する。 微粒な学生アンサンブルは、教師モデルの各フラグメントを、生徒の対応するフラグメントの時間移動平均で更新し、各モデルフラグメントのノイズに対する一貫した予測を強化する。
  論文  参考訳（メタデータ） (2022-12-13T12:14:09Z)
• Responsible Active Learning via Human-in-the-loop Peer Study [88.01358655203441]
  我々は,データプライバシを同時に保持し,モデルの安定性を向上させるために,Pear Study Learning (PSL) と呼ばれる責任あるアクティブラーニング手法を提案する。 まず,クラウドサイドのタスク学習者(教師)から未学習データを分離する。 トレーニング中、タスク学習者は軽量なアクティブ学習者に指示し、アクティブサンプリング基準に対するフィードバックを提供する。
  論文  参考訳（メタデータ） (2022-11-24T13:18:27Z)
• Predicting student performance using sequence classification with time-based windows [1.5836913530330787]
  本研究では,学生の行動データから得られた逐次的パターンに基づいて,正確な予測モデルを構築することができることを示す。 本稿では,行動データの時間的側面を把握し,モデルの性能予測に与える影響を解析する手法を提案する。 改良されたシーケンス分類手法は,高レベルの精度で生徒のパフォーマンスを予測でき,コース固有のモデルでは90%に達する。
  論文  参考訳（メタデータ） (2022-08-16T13:46:39Z)
• Co$^2$L: Contrastive Continual Learning [69.46643497220586]
  近年の自己教師型学習のブレークスルーは、このようなアルゴリズムが視覚的な表現を学習し、見えないタスクにもっとうまく移行できることを示している。 本稿では、連続的な学習と伝達可能な表現の維持に焦点を当てたリハーサルに基づく連続学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-06-28T06:14:38Z)
• Distill on the Go: Online knowledge distillation in self-supervised learning [1.1470070927586016]
  最近の研究では、より広範でより深いモデルは、小さなモデルよりも自己監督学習の恩恵を受けることが示されている。 単段階オンライン知識蒸留を用いた自己指導型学習パラダイムであるDistill-on-the-Go(DoGo)を提案する。 以上の結果から,ノイズラベルや限定ラベルの存在下でのパフォーマンス向上がみられた。
  論文  参考訳（メタデータ） (2021-04-20T09:59:23Z)
• Teaching with Commentaries [108.62722733649542]
  コメントとメタ情報を用いたフレキシブルな教育フレームワークを提案する。 解説はトレーニングのスピードと/またはパフォーマンスを改善することができる。 パフォーマンスのメリットを得るために、新しいモデルをトレーニングするときに、コメンタリを再利用できる。
  論文  参考訳（メタデータ） (2020-11-05T18:52:46Z)
• Teaching to Learn: Sequential Teaching of Agents with Inner States [20.556373950863247]
  学習者の内的状態が授業の相互作用によって変化するようなマルチエージェントの定式化を導入する。 このような学習者を指導するために,学習者の今後のパフォーマンスを考慮に入れた最適制御手法を提案する。
  論文  参考訳（メタデータ） (2020-09-14T07:03:15Z)
• Dual Policy Distillation [58.43610940026261]
  教員政策を学生政策に転換する政策蒸留は、深層強化学習の課題において大きな成功を収めた。 本研究では,2人の学習者が同じ環境下で活動し,環境の異なる視点を探索する,学生学生による二重政策蒸留(DPD)を導入する。 この二重学習フレームワークを開発する上で重要な課題は、同時代の学習に基づく強化学習アルゴリズムにおいて、ピア学習者から有益な知識を特定することである。
  論文  参考訳（メタデータ） (2020-06-07T06:49:47Z)
• Predicting Engagement in Video Lectures [24.415345855402624]
  本稿では,文脈に依存しないエンゲージメントを予測するための,ビデオ講義の大規模データセットを提案する。 この課題を達成するために、クロスモーダルとモダリティ固有の特徴セットを提案する。 データ不足の場合、我々のアプローチを実演する。
  論文  参考訳（メタデータ） (2020-05-31T19:28:16Z)

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。