論文の概要: Assessing the Impact of Disorganized Background Noise on Timed Stress Task Performance Through Attention Using Machine-Learning Based Eye-Tracking Techniques

• arxiv url: http://arxiv.org/abs/2410.04208v1
• Date: Sat, 5 Oct 2024 15:56:38 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-02 13:31:47.737491
• Title: Assessing the Impact of Disorganized Background Noise on Timed Stress Task Performance Through Attention Using Machine-Learning Based Eye-Tracking Techniques
• Title（参考訳）: 機械学習による視線追跡による時間的ストレスタスク性能に及ぼす背景雑音の影響評価
• Authors: Hubert Huang, Jeffrey Huang,
• Abstract要約: 背景雑音が時間的ストレスタスクのパフォーマンスに与える影響について, 注意を喚起して検討する研究は不十分である。 この研究は、背景ノイズが注意とパフォーマンスを損なうことを裏付けている。 この研究は、騒音がどう影響するかに基づいて、学生にパーソナライズされた治療を推奨している。
• 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: Noise pollution has been rising alongside urbanization. Literature shows that disorganized background noise decreases attention. Timed testing, an attention-demanding stress task, has become increasingly important in assessing students' academic performance. However, there is insufficient research on how background noise affects performance in timed stress tasks by impacting attention, which this study aims to address. The paper-based SAT math test under increased time pressure was administered twice: once in silence and once with conversational and traffic background noise. Attention is negatively attributed to increasing blink rate, measured using eye landmarks from dLib's machine-learning facial-detection model. First, the study affirms that background noise detriments attention and performance. Attention, through blink rate, is established as an indicator of stress task performance. Second, the study finds that participants whose blink rates increased due to background noise differed in performance compared to those whose blink rates decreased, possibly correlating with their self-perception of noise's impact on attention. Third, using a case study, the study finds that a student with ADHD had enhanced performance and attention from background noise. Fourth, the study finds that although both groups began with similar blink rates, the group exposed to noise had significantly increased blink rate near the end, indicating that noise reduces attention over time. While schools can generally provide quiet settings for timed stress tasks, the study recommends personalized treatments for students based on how noise affects them. Future research can use different attention indices to consolidate this study's findings or conduct this study with different background noises.
• Abstract（参考訳）: 騒音汚染は都市化とともに高まっている。 文献によると、無秩序な背景雑音は注意を減らせる。 学生の学業成績を評価する上で,時間的ストレス課題である時間的テストがますます重要になっている。 しかし, 背景雑音が時間的ストレスタスクのパフォーマンスに与える影響について, 注意を喚起することによる研究は不十分であり, 本研究はそれに対処することを目的としている。 紙をベースとしたSAT算定試験は2回実施され,1回は無音,1回は会話背景雑音,2回は交通背景雑音が出現した。 注意は、dLibの機械学習顔検出モデルによる目印を用いて測定される点滅率の増加に起因する。 まず、背景雑音が注意とパフォーマンスを損なうことを確認する。 瞬き率による注意は、ストレスタスク性能の指標として確立される。 第2に、背景雑音による点滅率の上昇は、点滅率の低下と性能の相違がみられ、ノイズが注意に与える影響の自己知覚と関連している可能性が示唆された。 第3に、ケーススタディを用いて、ADHDの学生は、バックグラウンドノイズからパフォーマンスと注意を向上していることがわかった。 第4に、どちらのグループも同様の点滅率で始まったが、ノイズにさらされたグループは、終端付近での点滅率を著しく増加させ、ノイズが時間の経過とともに注意を減少させることが示唆された。 学校は通常、ストレスの時間的タスクに対して静かな設定を提供するが、この研究は、騒音が彼らにどのように影響するかに基づいて、生徒にパーソナライズされた治療を推奨している。 将来の研究は、異なる注意指標を用いて、この研究の発見を統合したり、異なる背景雑音でこの研究を行うことができる。

関連論文リスト

• Robust Deep Hawkes Process under Label Noise of Both Event and Occurrence [29.058557502374544]
  ロバストディープホークスプロセス(RDHP)は、ホークスモデルの強度関数に対するラベルノイズの影響を克服するためのフレームワークである。 RDHPは、イベントやそのタイミングに関するノイズがあっても、分類や回帰処理を効果的に行うことができる。 これは、ディープホークスプロセスモデルにおけるイベントとタイムラベルのノイズに対処する最初の研究である。
  論文  参考訳（メタデータ） (2024-07-24T11:12:01Z)
• Comparative Study on the Effects of Noise in ML-Based Anxiety Detection [0.0]
  ノイズがモデル性能にどのように影響するかを考察し、ノイズの多い実環境に頑健なモデルを開発する。 生理的覚醒のレベルを分類する機械学習モデルにおいて,様々なノイズの強度が与える影響を比較した。
  論文  参考訳（メタデータ） (2023-06-01T19:52:24Z)
• Predicting Students' Exam Scores Using Physiological Signals [0.8138288420049127]
  この研究は、皮膚温度、心拍数、電磁気活動の3つの信号に焦点を当てた。 我々は,特徴として統計を抽出し,それらを様々なバイナリ分類器に入力し,相対的に上位または下位のグレードを予測する。 実験結果は、様々な機械学習アルゴリズムにおいて、k-nearest 近傍アルゴリズムで 0.81 ROC-AUC が得られた。
  論文  参考訳（メタデータ） (2023-01-28T02:04:34Z)
• Inference and Denoise: Causal Inference-based Neural Speech Enhancement [83.4641575757706]
  本研究では、雑音の存在を介入としてモデル化することにより、因果推論パラダイムにおける音声強調(SE)課題に対処する。 提案した因果推論に基づく音声強調(CISE)は,ノイズ検出器を用いて間欠雑音音声中のクリーンフレームとノイズフレームを分離し,両フレームセットを2つのマスクベース拡張モジュール(EM)に割り当て,ノイズ条件SEを実行する。
  論文  参考訳（メタデータ） (2022-11-02T15:03:50Z)
• Sample Noise Impact on Active Learning [77.99796068970569]
  本研究は,アクティブラーニング戦略におけるノイズの多いサンプル選択の効果について検討する。 サンプルノイズの知識がアクティブな学習戦略の性能を著しく向上させることができることを,合成問題と実生活利用事例の両方に示す。
  論文  参考訳（メタデータ） (2021-09-03T08:36:13Z)
• Speech Enhancement for Wake-Up-Word detection in Voice Assistants [60.103753056973815]
  キースポッティング、特にWake-Up-Word(WUW)検出は音声アシスタントにとって非常に重要なタスクである。 本稿では,WUW検出に適応した音声強調モデルを提案する。 これらのノイズの存在下で、認識率を高め、誤報を減らすことを目的としている。
  論文  参考訳（メタデータ） (2021-01-29T18:44:05Z)
• On Dynamic Noise Influence in Differentially Private Learning [102.6791870228147]
  Private Gradient Descent (PGD)は一般的に使用されるプライベート学習フレームワークであり、差分プロトコルに基づいてノイズを発生する。 最近の研究では、emphdynamic privacy schedulesは最終イテレーションで改善できるが、そのようなスケジュールの有効性の理論は限られている。 本稿では,これらの重要な質問に答えるために,動的プライバシスケジュールにおけるノイズの影響を総合的に分析する。
  論文  参考訳（メタデータ） (2021-01-19T02:04:00Z)
• Enhancing and Learning Denoiser without Clean Reference [23.11994688706024]
  本稿では,ノイズ伝達タスクの特別事例として,ノイズ低減タスクに関する新しいディープイメージデノベーション手法を提案する。 実世界のデノナイジングベンチマークの結果から,提案手法は現実的な雑音を除去する上で有望な性能を実現することを示す。
  論文  参考訳（メタデータ） (2020-09-09T13:15:31Z)
• Disturbances in Influence of a Shepherding Agent is More Impactful than Sensorial Noise During Swarm Guidance [0.2624902795082451]
  羊飼いに対する騒音の影響はよく研究されている問題ではない。 羊の生息地に関する羊飼いの知覚情報のノイズを評価する。 第2に、羊飼いが羊の運動中に発生する障害力によって羊に影響を及ぼす能力の騒音を評価する。
  論文  参考訳（メタデータ） (2020-08-28T15:40:40Z)
• CITISEN: A Deep Learning-Based Speech Signal-Processing Mobile Application [63.2243126704342]
  本研究では,CitisENと呼ばれる深層学習に基づく音声信号処理モバイルアプリケーションを提案する。 CitisENは、音声強調(SE)、モデル適応(MA)、背景雑音変換(BNC)の3つの機能を提供している。 雑音の多い音声信号と比較すると、改良された音声信号の約6%と33%の改善が達成された。
  論文  参考訳（メタデータ） (2020-08-21T02:04:12Z)
• Learning Not to Learn in the Presence of Noisy Labels [104.7655376309784]
  ギャンブラーの損失と呼ばれる新しい種類の損失関数は、様々なレベルの汚職にまたがってノイズをラベル付けするのに強い堅牢性をもたらすことを示す。 この損失関数によるトレーニングは、ノイズのあるラベルを持つデータポイントでの学習を"維持"することをモデルに促すことを示す。
  論文  参考訳（メタデータ） (2020-02-16T09:12:27Z)

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。