論文の概要: Toward Scalable Co-located Practical Learning: Assisting with Computer Vision and Multimodal Analytics

• arxiv url: http://arxiv.org/abs/2603.13679v1
• Date: Sat, 14 Mar 2026 01:04:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.337771
• Title: Toward Scalable Co-located Practical Learning: Assisting with Computer Vision and Multimodal Analytics
• Title（参考訳）: スケーラブルなコロケーション型実践学習に向けて:コンピュータビジョンとマルチモーダル分析の支援
• Authors: Xinyu Li, Linxuan Zhao, Roberto Martinez-Maldonado, Dragan Gasevic, Lixiang Yan,
• Abstract要約: 本研究では,天井に装着した1台のカメラを用いて,協調学習における微粒な学習行動を捉えることができるかを検討した。 大学生の看護シミュレーションでは、教師はまず7つの観察可能な行動カテゴリーを特定し、その後、YOLOベースの検出器のトレーニングに使用された。 ビデオデータは52セッションから収集され、Scenario Bよりも行動の変化が大きいため、Scenario Aを中心に分析された。 この研究は、単一カメラのコンピュータビジョンアプローチが、ウェアラブルセンサーに頼ることなく、対面の実践的学習におけるチームワークとタスクエンゲージメントの分析を支援することを示している。
• 参考スコア（独自算出の注目度）: 13.632792983535822
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study examined whether a single ceiling-mounted camera could be used to capture fine-grained learning behaviours in co-located practical learning. In undergraduate nursing simulations, teachers first identified seven observable behaviour categories, which were then used to train a YOLO-based detector. Video data were collected from 52 sessions, and analyses focused on Scenario A because it produced greater behavioural variation than Scenario B. Annotation reliability was high (F1=0.933). On the held-out test set, the model achieved a precision of 0.789, a recall of 0.784, and an mAP@0.5 of 0.827. When only behaviour frequencies were compared, no robust differences were found between high- and low-performing groups. However, when behaviour labels were analysed together with spatial context, clear differences emerged in both task and collaboration performance. Higher-performing teams showed more patient interaction in the primary work area, whereas lower-performing teams showed more phone-related activity and more activity in secondary areas. These findings suggest that behavioural data are more informative when interpreted together with where they occur. Overall, the study shows that a single-camera computer vision approach can support the analysis of teamwork and task engagement in face-to-face practical learning without relying on wearable sensors.
• Abstract（参考訳）: 本研究では,天井に装着した1台のカメラを用いて,実践的実践的学習におけるきめ細かい学習行動を捉えることができるかを検討した。 大学生の看護シミュレーションでは、教師はまず7つの観察可能な行動カテゴリーを特定し、その後、YOLOベースの検出器のトレーニングに使用された。 ビデオデータは52セッションから収集され,Scenario Aに着目した分析を行った。 ホールドアウトテストセットでは0.789の精度、0.784のリコール、0.827のmAP@0.5が達成された。 行動周波数のみを比較すると, 高い群と低い群では頑健な差は認められなかった。 しかし,行動ラベルが空間的文脈とともに分析されると,タスクとコラボレーションのパフォーマンスに明らかな違いが生じた。 ハイパフォーマンスチームでは,プライマリワークエリアでは患者との相互作用が増加し,低パフォーマンスチームでは電話関連の活動が増加し,セカンダリエリアでは活動が増加した。 これらの結果から, 行動データは, 発生地と解釈すると, より情報的であることが示唆された。 全体として、シングルカメラのコンピュータビジョンアプローチは、ウェアラブルセンサーに頼ることなく、対面の実践的学習におけるチームワークとタスクエンゲージメントの分析を支援することができる。

関連論文リスト

• Uncovering Memorization Effect in the Presence of Spurious Correlations [19.824897288786303]
  本論文は,ネットワーク内の小さなニューロンの集合における突発的特徴の存在を系統的に示す。 ニューロンの小さなサブセットに集中する急激な記憶は、不均衡なグループパフォーマンスを駆動する上で重要な役割を担っていることを示す。
  論文  参考訳（メタデータ） (2025-01-01T21:45:00Z)
• Self-Supervised Approach to Addressing Zero-Shot Learning Problem [7.125631269067275]
  一般的な前提課題は、画像のペア間の類似性と相似性の尺度である。 本研究では,コントラスト損失を用いたシームズニューラルネットワークの性能について検討した。 その結果、ゼロショットインスタンスではF1スコアが61%、トレーニングセットと交差するクラスでは11%の改善が見られた。
  論文  参考訳（メタデータ） (2022-01-05T00:08:36Z)
• ACP++: Action Co-occurrence Priors for Human-Object Interaction Detection [102.9428507180728]
  ヒューマン・オブジェクト・インタラクション(HOI)検出のタスクにおける一般的な問題は、多数のHOIクラスが少数のラベル付き例しか持たないことである。 我々は、人間と物体の相互作用の間に自然の相関関係と反相関が存在することを観察した。 我々は、これらの先行知識を学習し、特に稀なクラスにおいて、より効果的な訓練に活用する手法を提案する。
  論文  参考訳（メタデータ） (2021-09-09T06:02:50Z)
• Provable Guarantees for Self-Supervised Deep Learning with Spectral Contrastive Loss [72.62029620566925]
  自己教師型学習の最近の研究は、対照的な学習パラダイムを頼りに、最先端の技術の進歩を遂げている。 我々の研究は、正の対の条件的独立性を仮定することなく、対照的な学習を分析する。 本稿では,人口増分グラフ上でスペクトル分解を行う損失を提案し,コントラスト学習目的として簡潔に記述することができる。
  論文  参考訳（メタデータ） (2021-06-08T07:41:02Z)
• Can Active Learning Preemptively Mitigate Fairness Issues? [66.84854430781097]
  データセットバイアスは、機械学習における不公平な原因の1つです。 不確実性に基づくALで訓練されたモデルが保護クラスの決定において公平であるかどうかを検討する。 また,勾配反転(GRAD)やBALDなどのアルゴリズム的公正性手法の相互作用についても検討する。
  論文  参考訳（メタデータ） (2021-04-14T14:20:22Z)
• Learning task-agnostic representation via toddler-inspired learning [19.478820330574628]
  我々は,幼児の行動を通じて,高度に意図的な学習システムからインスピレーションを得た。 幼児の学習手順に触発されて,タスクに依存しない視覚表現を学習し,記憶できる対話型エージェントを設計する。 実験の結果,これらの表現は様々な視覚タスクに拡張可能であることがわかった。
  論文  参考訳（メタデータ） (2021-01-27T06:26:56Z)
• Unsupervised Feature Learning by Cross-Level Instance-Group Discrimination [68.83098015578874]
  我々は、インスタンスグループ化ではなく、クロスレベルな識別によって、インスタンス間の類似性を対照的な学習に統合する。 CLDは、教師なし学習を、自然データや現実世界のアプリケーションに効果的に近づける。 セルフスーパービジョン、セミスーパービジョン、トランスファーラーニングベンチマークに関する新たな最先端技術は、報告されたすべてのパフォーマンスでMoCo v2とSimCLRを上回っている。
  論文  参考訳（メタデータ） (2020-08-09T21:13:13Z)
• Detecting Human-Object Interactions with Action Co-occurrence Priors [108.31956827512376]
  人-物間相互作用(HOI)検出タスクにおける一般的な問題は、多数のHOIクラスが少数のラベル付き例しか持たないことである。 我々は、人間と物体の相互作用の間に自然の相関と反相関が存在することを観察した。 我々はこれらの先行知識を学習し、特に稀なクラスにおいてより効果的な訓練に活用する手法を提案する。
  論文  参考訳（メタデータ） (2020-07-17T02:47:45Z)
• Learning What Makes a Difference from Counterfactual Examples and Gradient Supervision [57.14468881854616]
  ニューラルネットワークの一般化能力を改善するための補助的学習目標を提案する。 我々は、異なるラベルを持つ最小差の例のペア、すなわち反ファクトまたはコントラストの例を使用し、タスクの根底にある因果構造を示す信号を与える。 このテクニックで訓練されたモデルは、配布外テストセットのパフォーマンスを向上させる。
  論文  参考訳（メタデータ） (2020-04-20T02:47:49Z)

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。