論文の概要: Behavioral Engagement in VR-Based Sign Language Learning: Visual Attention as a Predictor of Performance and Temporal Dynamics
- arxiv url: http://arxiv.org/abs/2603.19535v1
- Date: Fri, 20 Mar 2026 00:24:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 19:48:38.924592
- Title: Behavioral Engagement in VR-Based Sign Language Learning: Visual Attention as a Predictor of Performance and Temporal Dynamics
- Title（参考訳）: VRによる手話学習における行動エンゲージメント:パフォーマンスと時間ダイナミクスの予測因子としての視覚的注意
- Authors: Davide Traini, José Manuel Alcalde-Llergo, Mariana Buenestado-Fernández, Domenico Ursino, Enrique Yeguas-Bolívar,
- Abstract要約: 本研究では,手話学習と検証を目的としたバーチャルリアリティアプリケーションであるSONARにおける行動エンゲージメントを分析する。
視覚的意図(VA)、ビデオ再生頻度(VRF)、ポストプレイバック視聴時間(PPVT)の3つの自動帰属指標に着目し、学習成績との関係について検討した。
- 参考スコア（独自算出の注目度）: 3.1690235522182113
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This study analyzes behavioral engagement in SONAR, a virtual reality application designed for sign language training and validation. We focus on three automatically derived engagement indicators (Visual Attention (VA), Video Replay Frequency (VRF), and Post-Playback Viewing Time (PPVT)) and examine their relationship with learning performance. Participants completed a self-paced Training phase, followed by a Validation quiz assessing retention. We employed Pearson correlation analysis to examine the relationships between engagement indicators and quiz performance, followed by binomial Generalized Linear Model (GLM) regression to assess their joint predictive contributions. Additionally, we conducted temporal analysis by aggregating moment-to-moment VA traces across all learners to characterize engagement dynamics during the learning session. Results show that VA exhibits a strong positive correlation with quiz performance,followed by PPVT, whereas VRF shows no meaningful association. A binomial GLM confirms that VA and PPVT are significant predictors of learning success, jointly explaining a substantial proportion of performance variance. Going beyond outcome-oriented analysis, we characterize temporal engagement patterns by aggregating moment-to-moment VA traces across all learners. The temporal profile reveals distinct attention peaks aligned with informationally dense segments of both training and validation videos, as well as phase-specific engagement dynamics, including initial acclimatization, oscillatory attention cycles during learning, and pronounced attentional peaks during assessment. Together, these findings highlight the central role of sustained and strategically allocated visual attention in VR-based sign language learning and demonstrate the value of behavioral trace data for understanding and predicting learner engagement in immersive environments.
- Abstract（参考訳）: 本研究では,手話学習と検証を目的としたバーチャルリアリティアプリケーションであるSONARにおける行動エンゲージメントを分析する。
視覚的意図(VA)、ビデオ再生頻度(VRF)、ポストプレイバック視聴時間(PPVT)の3つの自動帰属指標に着目し、学習成績との関係について検討した。
参加者は自傷訓練フェーズを完了し、その後に保留を評価するバリデーションクイズが続いた。
我々はピアソン相関分析を用いてエンゲージメント指標とクイズ性能の関係を調べた。
さらに,学習中のエンゲージメントのダイナミクスを特徴付けるために,各学習者間で瞬間的VAトレースを集約して時間的分析を行った。
以上の結果より, VAとクイズ性能は有意な相関を示し, PPVTで追従したが, VRFでは有意な相関は認められなかった。
二項 GLM では,VA と PPVT が学習成功の有意な予測因子であることを確認した。
結果指向分析を超えて、各学習者間で瞬間的VAトレースを集約することで、時間的エンゲージメントパターンを特徴付ける。
時間プロファイルは、トレーニングビデオと検証ビデオの両方の情報密度の高いセグメントに一致した注意ピークと、初期気候化、学習中の振動的注意周期、評価中の注意ピークの発音を含むフェーズ固有のエンゲージメントダイナミクスを明らかにする。
これらの知見は,VRによる手話学習における持続的かつ戦略的に割り当てられた視覚的注意の中枢的役割を強調し,没入型環境における学習者のエンゲージメントの理解と予測のための行動トレースデータの価値を実証する。
関連論文リスト
- Disentangling Learning from Judgment: Representation Learning for Open Response Analytics [0.0]
オープンエンドの回答は学習の中心であるが、自動スコアリングは生徒の書き方と教師の成績を混同することが多い。
本稿では、コンテンツ信号とレーダ傾向を分離し、分析を通じて判断を可視化し、監査可能にする分析ファーストフレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-30T02:06:28Z) - Unleashing Perception-Time Scaling to Multimodal Reasoning Models [60.578179197783754]
推論時間スケーリングの最近の進歩は、LVLM(Large Vision-Language Models)の推論能力を大幅に向上させた。
この成功に触発されて、同様の戦略がマルチモーダル推論に適用されたが、視覚的知覚への影響は未だ不明である。
本稿では,トークンに富む知覚を促進する新しいパラダイムである知覚時間スケーリング(PTS)を提案し,複雑な知覚問題を中間的抽出可能なサブプロブレムに分解する。
論文 参考訳（メタデータ） (2025-10-10T03:17:52Z) - Learning to Focus: Causal Attention Distillation via Gradient-Guided Token Pruning [62.23671919314693]
大規模言語モデル (LLM) は文脈理解において著しく改善されている。
しかし、長いコンテキストの推論と生成の間に真に重要な情報に出席する能力は、まだペースの遅れています。
本稿では,2段階のフレームワークであるLearning to Focus(LeaF)を導入し,コンバウンディング要因を緩和する。
論文 参考訳（メタデータ） (2025-06-09T15:16:39Z) - Dynamic Programming Techniques for Enhancing Cognitive Representation in Knowledge Tracing [125.75923987618977]
認知表現動的プログラミングに基づく知識追跡(CRDP-KT)モデルを提案する。
質問の難易度とそれらの間の性能間隔に基づいて認知表現を最適化する動的プログラミングアルゴリズムである。
これは、その後のモデルトレーニングのためにより正確で体系的な入力機能を提供し、それによって認知状態のシミュレーションにおける歪みを最小限にする。
論文 参考訳（メタデータ） (2025-06-03T14:44:48Z) - Two-Stage Representation Learning for Analyzing Movement Behavior Dynamics in People Living with Dementia [44.39545678576284]
本研究では,認知症高齢者の在宅活動データを,2段階の自己指導型学習アプローチによって分析する。
第1段階は、時系列アクティビティを事前訓練された言語モデルによって符号化されたテキストシーケンスに変換する。
このPageRankベクトルは遅延状態遷移をキャプチャし、複雑な振る舞いデータを簡潔な形式に効果的に圧縮する。
論文 参考訳（メタデータ） (2025-02-13T10:57:25Z) - A General Model for Detecting Learner Engagement: Implementation and Evaluation [0.0]
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。
論文 参考訳（メタデータ） (2024-05-07T12:11:15Z) - Analyzing Participants' Engagement during Online Meetings Using Unsupervised Remote Photoplethysmography with Behavioral Features [50.82725748981231]
エンゲージメント測定は、医療、教育、サービスに応用される。
生理的特徴と行動的特徴の使用は可能であるが、従来の生理的測定の非現実性は接触センサーの必要性により生じる。
コンタクトセンサの代替として, 教師なし光胸腺造影(胸腔鏡)の有用性を実証する。
論文 参考訳（メタデータ） (2024-04-05T20:39:16Z) - An Empirical Study on the Power of Future Prediction in Partially Observable Environments [15.773444560355694]
自己予測補助タスクは、完全に観察された環境でのパフォーマンスを向上させることが示されているが、部分観測性におけるそれらの役割はいまだに解明されていない。
我々は、強化学習から表現学習を明示的に分離するアプローチである$textttDRL2$を導入する。
本研究は,将来予測性能が表現品質の信頼性指標となり,RL性能の向上に寄与するという考えを裏付けるものである。
論文 参考訳（メタデータ） (2024-02-11T04:53:40Z) - Temporal Interest Network for User Response Prediction [33.95334897033641]
本稿では,行動と対象間の意味的・時間的相関を同時に捉えるための時間的関心ネットワーク(TIN)を提案する。
TINは2023年10月から運用に成功し、WeChat Momentsのトラフィックに対応している。
論文 参考訳（メタデータ） (2023-08-15T05:48:44Z) - Self-Regulated Learning for Egocentric Video Activity Anticipation [147.9783215348252]
自己制御学習(SRL)は、中間表現を連続的に制御し、現在のタイムスタンプのフレームにおける新しい情報を強調する表現を作り出すことを目的としている。
SRLは2つのエゴセントリックなビデオデータセットと2つの第三者のビデオデータセットにおいて、既存の最先端技術よりも大幅に優れています。
論文 参考訳（メタデータ） (2021-11-23T03:29:18Z)
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。