論文の概要: EduGage: Methods and Dataset for Sensor-Based Momentary Assessment of Engagement in Self-Guided Video Learning
- arxiv url: http://arxiv.org/abs/2605.01238v1
- Date: Sat, 02 May 2026 04:29:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-05 20:33:49.659721
- Title: EduGage: Methods and Dataset for Sensor-Based Momentary Assessment of Engagement in Self-Guided Video Learning
- Title（参考訳）: EduGage:自己指導型ビデオ学習におけるエンゲージメントのセンサベースモーメント評価のための方法とデータセット
- Authors: Zikang Leng, Edan Eyal, Yingtian Shi, Jiaman He, Yaqi Liu, Thomas Plötz,
- Abstract要約: 本研究では,学習者のエンゲージメントを特徴付けるためのマルチモーダルモデリングの有効性と有効性について,エンゲージメント推定システムを開発し評価する。
本研究の結果から,細粒度エンゲージメント推定は本質的にノイズが多いことが示唆され,実用システムはマルチモーダル・インスツルメンテーションよりも行動信号と生理信号の軽量な組み合わせを優先すべきである。
- 参考スコア（独自算出の注目度）: 6.377791358687315
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Engagement, which links to attentional, emotional, and cognitive dimensions, plays an important role in learning. In online and video-based learning environments, learners often need to regulate their own interactions with instructional materials. Measuring and reflecting on engagement can therefore support both learners and adaptive learning systems. In this study, we use wearable and camera-based sensing devices to collect physiological and motion signals, including PPG, ECG, EDA, EEG, IMU, heart rate, temperature, and eye-tracking data, to estimate learner engagement. We conducted a user study with 16 participants in a video-based learning scenario, where participants completed learning tasks and provided repeated in-situ self-reports of engagement through brief probes. We develop and evaluate a system for engagement estimation, compare different sensing modalities, and further analyze the feasibility and effectiveness of multimodal modeling for characterizing learner engagement. Across participant-based cross-validation, our model achieves an MAE of 0.81, 83.75% within-1 accuracy, 73.93% binary accuracy, and 68.45% binary Macro-F1, outperforming sensor-free, statistical, deep temporal, foundation-model, and LLM-based baselines. Our results suggest that fine-grained engagement estimation is feasible but inherently noisy, and that practical systems should prioritize lightweight combinations of behavioral and physiological signals over full multimodal instrumentation. We release the EduGage dataset, including synchronized multimodal sensor signals, probe-aligned momentary engagement labels, video metadata, quizzes, and study materials, to support reproducible research on fine-grained sensor-based engagement modeling in self-guided learning.
- Abstract（参考訳）: 注意的、感情的、認知的な次元に結びつくエンゲージメントは、学習において重要な役割を果たす。
オンラインやビデオベースの学習環境では、学習者は教材との相互作用を自分で調整する必要があることが多い。
したがって、エンゲージメントの測定と反映は、学習者と適応学習システムの両方をサポートすることができる。
本研究では, PPG, ECG, EDA, EEG, IMU, 心拍数, 温度, 視線追跡データなどの生理的, 運動的な信号を収集するために, ウェアラブルおよびカメラを用いたセンシング装置を用いて, 学習者のエンゲージメントを推定する。
ビデオベースの学習シナリオにおいて,16人の参加者を対象にユーザスタディを行い,参加者が学習タスクを完了し,短時間の調査を通じて,自身のエンゲージメントの報告を繰り返した。
我々は,学習者のエンゲージメントを特徴付けるためのマルチモーダルモデリングの有効性と有効性について,エンゲージメント推定システムを開発し評価する。
参加者によるクロスバリデーションでは,1つの精度で0.81,83.75%のMAE,73.93%のバイナリ精度,68.45%のバイナリマクロF1が達成され,センサレス,統計,深部時間,基礎モデル,LLMベースベースラインよりも優れていた。
本研究の結果から,細粒度エンゲージメント推定は本質的にノイズが多いことが示唆され,実用システムはマルチモーダル・インスツルメンテーションよりも行動信号と生理信号の軽量な組み合わせを優先すべきである。
EduGageデータセットは、マルチモーダルセンサ信号、プローブアライメントされた瞬間的エンゲージメントラベル、ビデオメタデータ、クイズ、研究資料を含む、自己誘導学習における微細なセンサベースエンゲージメントモデリングの再現可能な研究を支援する。
関連論文リスト
- Real-Time Multimodal Data Collection Using Smartwatches and Its Visualization in Education [0.0]
本稿では、Fitbit Sense 2スマートウォッチのデータ取得アプリケーションであるWatch-DMLTと、プレゼンテーション中に収集した同期マルチモーダルデータを分析するダッシュボードベースの可視化システムであるViSeDOPSを提案する。
本稿では,65名の生徒と16名のスマートウォッチを対象とする教室で,心拍,運動,視線,ビデオ,コンテキストアノテーションなどのデータストリームを収集,分析し,提案システムの有効性と実用性を実証し,より微細でスケーラブルで解釈可能なマルチモーダル・ラーニング・アナリティクスを現実の学習環境で支援する。
論文 参考訳（メタデータ） (2025-12-02T11:12:46Z) - From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。
メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
論文 参考訳（メタデータ） (2025-09-25T14:15:43Z) - Enhancing Online Learning by Integrating Biosensors and Multimodal Learning Analytics for Detecting and Predicting Student Behavior: A Review [0.0]
本稿では,バイオセンサとマルチモーダルラーニングアナリティクスの統合について検討する。
本研究は, 心拍数, 脳活動, 視線追跡などの生理的シグナルの増大にともなう役割を明らかにする。
このレビューは、この分野における現在の研究動向、限界、および新たな方向性を明らかにしている。
論文 参考訳（メタデータ） (2025-09-09T13:41:40Z) - Improving Out-of-distribution Human Activity Recognition via IMU-Video Cross-modal Representation Learning [3.177649348456073]
ウェアラブル慣性センサーに基づくヒューマンアクティビティ認識(HAR)は,遠隔健康モニタリングにおいて重要な役割を担っている。
我々は,大規模未ラベルIMUビデオデータから表現を学習するための,クロスモーダルな自己教師型事前学習手法を提案する。
以上の結果から,提案手法は現状のIMU-ビデオ事前訓練手法よりも優れていたことが示唆された。
論文 参考訳（メタデータ） (2025-07-17T18:47:46Z) - Supervised Contrastive Learning for Ordinal Engagement Measurement [2.166000001057538]
学生のエンゲージメントは、教育プログラムの納入を成功させる上で重要な役割を担っている。
本稿では、クラス不均衡とエンゲージメントレベルへの秩序導入という、この問題における2つの重要な課題を明らかにする。
仮想学習環境におけるビデオベースの学生エンゲージメント測定への新しいアプローチを提案する。
論文 参考訳（メタデータ） (2025-05-27T03:49:45Z) - Uncovering Student Engagement Patterns in Moodle with Interpretable Machine Learning [0.0]
本研究では,仮想学習環境(VLE)のアクティビティログデータを用いて,モジュール全体のエンゲージメントを定量化する手法を提案する。
学習セッション頻度,即時性,多様性を用いて,累積エンゲージメント尺度を作成する。
ユニヴァーシティ・カレッジ・カレッジ・ロンドンの統計科学科における計算モジュールのケーススタディにおいて、デリバリー手法が学生の行動にどのように影響するかを検討する。
論文 参考訳（メタデータ） (2024-12-16T14:47:25Z) - 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) - 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) - Motivating Learners in Multi-Orchestrator Mobile Edge Learning: A
Stackelberg Game Approach [54.28419430315478]
Mobile Edge Learningは、異種エッジデバイス上で機械学習モデルの分散トレーニングを可能にする。
MELでは、十分なトレーニングデータやコンピューティングリソースを入手することなく、トレーニング性能が低下する。
そこで我々は2ラウンドのStackelbergゲームとしてオーケストレータとラーナーの相互作用を定式化するインセンティブ機構を提案する。
論文 参考訳（メタデータ） (2021-09-25T17:27:48Z) - Relational Graph Learning on Visual and Kinematics Embeddings for
Accurate Gesture Recognition in Robotic Surgery [84.73764603474413]
本稿では,マルチモーダルグラフネットワーク(MRG-Net)の新たなオンラインアプローチを提案し,視覚情報とキネマティクス情報を動的に統合する。
本手法の有効性は, JIGSAWSデータセット上での最先端の成果で実証された。
論文 参考訳（メタデータ） (2020-11-03T11:00:10Z) - Semantics-aware Adaptive Knowledge Distillation for Sensor-to-Vision
Action Recognition [131.6328804788164]
本稿では,視覚・センサ・モダリティ(動画)における行動認識を強化するためのフレームワーク,Semantics-Aware Adaptive Knowledge Distillation Networks (SAKDN)を提案する。
SAKDNは複数のウェアラブルセンサーを教師のモダリティとして使用し、RGB動画を学生のモダリティとして使用している。
論文 参考訳（メタデータ） (2020-09-01T03:38:31Z)
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。