論文の概要: Automated Visual Attention Detection using Mobile Eye Tracking in Behavioral Classroom Studies
- arxiv url: http://arxiv.org/abs/2505.07552v1
- Date: Mon, 12 May 2025 13:30:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-13 20:21:49.403106
- Title: Automated Visual Attention Detection using Mobile Eye Tracking in Behavioral Classroom Studies
- Title（参考訳）: 行動教室における移動眼球追跡による視力自動検出
- Authors: Efe Bozkir, Christian Kosel, Tina Seidel, Enkelejda Kasneci,
- Abstract要約: 教師がどの学生に焦点をあてているかを認識するために、手動で最小限のアノテートデータを必要とする自動処理パイプラインの概念を提案する。
我々は、最先端の顔検出モデルと顔認識機能埋め込みを利用して、教室環境における伝達学習を伴う顔認識モデルを訓練する。
本手法では,手動で注釈付けした大量のデータを必要としないため,教師の視覚的注意を非侵襲的に扱える。
- 参考スコア（独自算出の注目度）: 8.576468112095927
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Teachers' visual attention and its distribution across the students in classrooms can constitute important implications for student engagement, achievement, and professional teacher training. Despite that, inferring the information about where and which student teachers focus on is not trivial. Mobile eye tracking can provide vital help to solve this issue; however, the use of mobile eye tracking alone requires a significant amount of manual annotations. To address this limitation, we present an automated processing pipeline concept that requires minimal manually annotated data to recognize which student the teachers focus on. To this end, we utilize state-of-the-art face detection models and face recognition feature embeddings to train face recognition models with transfer learning in the classroom context and combine these models with the teachers' gaze from mobile eye trackers. We evaluated our approach with data collected from four different classrooms, and our results show that while it is possible to estimate the visually focused students with reasonable performance in all of our classroom setups, U-shaped and small classrooms led to the best results with accuracies of approximately 0.7 and 0.9, respectively. While we did not evaluate our method for teacher-student interactions and focused on the validity of the technical approach, as our methodology does not require a vast amount of manually annotated data and offers a non-intrusive way of handling teachers' visual attention, it could help improve instructional strategies, enhance classroom management, and provide feedback for professional teacher development.
- Abstract（参考訳）: 教師の視覚的注意と教室における学生の分布は、学生のエンゲージメント、達成、専門的な教員養成に重要な意味を持つ。
それにもかかわらず、どこの教師がどこに集中しているかを推測することは簡単ではない。
モバイルアイトラッキングはこの問題の解決に重要な助けとなるが、モバイルアイトラッキングの使用だけでは大量の手動アノテーションが必要である。
この制限に対処するために、教師がどの学生にフォーカスするかを認識するために、手動で最小限のアノテートデータを必要とする自動処理パイプラインの概念を提案する。
この目的を達成するために、最先端の顔検出モデルと顔認識機能埋め込みを用いて、教室内における移動学習を伴う顔認識モデルを訓練し、これらのモデルをモバイルアイトラッカーからの教師の視線と組み合わせる。
本研究は,4つの教室から収集したデータを用いて評価し,全教室で視覚に焦点を絞った学生を合理的に評価できる一方で,U字型教室と小教室は,それぞれ約0.7と0.9の精度で最良の結果を得た。
本手法は,教師と教師のインタラクションの手法を評価せず,技術的なアプローチの有効性に重点を置いているが,手作業による注釈付きデータを大量に必要とせず,教師の視覚的注意を扱えるような非侵襲的な手段を提供するため,指導戦略の改善,授業管理の強化,専門的教員育成へのフィードバックの提供に寄与する可能性がある。
関連論文リスト
- Real-time classification of EEG signals using Machine Learning deployment [0.0]
本研究では,ある話題に対する生徒の理解度を予測するための,機械学習に基づくアプローチを提案する。
システムパラメータの値にアクセスして、選択したトピックに対する生徒の集中度を決定するブラウザインターフェースが導入された。
論文 参考訳（メタデータ） (2024-12-27T08:14:28Z) - Representational Alignment Supports Effective Machine Teaching [81.19197059407121]
GRADEは、教育と表現的アライメントを研究するための新しい制御された実験環境である。
学生との表現的整合性が向上し,生徒の学習成果が向上することがわかった。
しかし、この効果は、教えられているクラスのサイズと表現の多様性によって中和される。
論文 参考訳（メタデータ） (2024-06-06T17:48:24Z) - DriveAdapter: Breaking the Coupling Barrier of Perception and Planning
in End-to-End Autonomous Driving [64.57963116462757]
最先端の手法は通常、教師-学生のパラダイムに従う。
学生モデルは、生のセンサーデータのみにアクセスし、教師モデルによって収集されたデータに基づいて行動クローニングを行う。
本稿では,学生(知覚)と教師(計画)モジュール間の機能アライメント目的関数を持つアダプタを用いたDriveAdapterを提案する。
論文 参考訳（メタデータ） (2023-08-01T09:21:53Z) - A Machine Learning system to monitor student progress in educational
institutes [0.0]
本稿では、機械学習技術を用いて、クレジットスコアと呼ばれる分類器を生成するデータ駆動手法を提案する。
信用スコアを進捗指標として使うという提案は、学習管理システムで使うのに適している。
論文 参考訳（メタデータ） (2022-11-02T08:24:08Z) - Computationally Identifying Funneling and Focusing Questions in
Classroom Discourse [24.279653100481863]
本稿では,授業談話におけるファネリングと集中型質問を計算的に検出するタスクを提案する。
ファネリングと集中型質問にラベル付けされた2,348の教師発話の注釈付きデータセットをリリースする。
我々の最高のモデルである教師付きRoBERTaモデルは、データセットに微調整され、人間の専門家ラベルと.76の強い線形相関と、ポジティブな教育結果を持つ。
論文 参考訳（メタデータ） (2022-07-08T01:28:29Z) - Better Teacher Better Student: Dynamic Prior Knowledge for Knowledge
Distillation [70.92135839545314]
本研究では,教師の持つ特徴の一部を,特徴蒸留前の先行知識として統合した動的事前知識(DPK)を提案する。
DPKは,教員モデルと生徒モデルのパフォーマンスを正に相関させ,より大きな教員を適用することで生徒の精度をさらに高めることができる。
論文 参考訳（メタデータ） (2022-06-13T11:52:13Z) - Representation Consolidation for Training Expert Students [54.90754502493968]
マルチヘッド多タスク蒸留法は,タスク固有の教師の表現を集約し,下流のパフォーマンスを向上させるのに十分であることを示す。
また,本手法では,複数のドメインで訓練された複数の教師の表現的知識を1つのモデルに組み合わせることができる。
論文 参考訳（メタデータ） (2021-07-16T17:58:18Z) - The Wits Intelligent Teaching System: Detecting Student Engagement
During Lectures Using Convolutional Neural Networks [0.30458514384586394]
Wits Intelligent Teaching System (WITS) は、学生の感情に関するリアルタイムフィードバックを講師に支援することを目的としている。
AlexNetベースのCNNはトレーニングが成功し、Support Vector Machineアプローチを大きく上回っている。
論文 参考訳（メタデータ） (2021-05-28T12:59:37Z) - Neural Multi-Task Learning for Teacher Question Detection in Online
Classrooms [50.19997675066203]
教師の音声記録から質問を自動的に検出するエンドツーエンドのニューラルネットワークフレームワークを構築している。
マルチタスク学習手法を取り入れることで,質問の種類によって意味的関係の理解を深めることが可能となる。
論文 参考訳（メタデータ） (2020-05-16T02:17:04Z) - Differentially Private Deep Learning with Smooth Sensitivity [144.31324628007403]
プライバシーに関する懸念を、差分プライバシーのレンズを通して研究する。
このフレームワークでは、モデルのトレーニングに使用されるデータの詳細が曖昧になるようにモデルを摂動することで、一般的にプライバシー保証が得られます。
過去の研究で使われた最も重要なテクニックの1つは、教師モデルのアンサンブルであり、ノイズの多い投票手順に基づいて生徒に情報を返す。
本研究では,イミュータブルノイズArgMaxと呼ばれるスムーズな感性を有する新しい投票機構を提案する。これは,ある条件下では,学生に伝達される有用な情報に影響を与えることなく,教師から非常に大きなランダムノイズを発生させることができる。
論文 参考訳（メタデータ） (2020-03-01T15:38:00Z)
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。