論文の概要: DREAMS: Diverse Reactions of Engagement and Attention Mind States Dataset

• arxiv url: http://arxiv.org/abs/2608.06382v1
• Date: Fri, 03 Jul 2026 10:44:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.162102
• Title: DREAMS: Diverse Reactions of Engagement and Attention Mind States Dataset
• Title（参考訳）: DREAMS:エンゲージメントと意識状態データセットのさまざまな反応
• Abstract要約: 本稿では,意識状態と意識状態の相互反応について紹介する。 データセットには、さまざまな感情を誘発するさまざまな刺激を見ている自然主義的な設定で32人のユーザーによる顔のビデオ録画が含まれている。 これらのビデオのユーザエンゲージメントとアテンション状態を、分類問題とみなして分析し、シングルタスク、トランスファー学習タスク、マルチタスク設定を探索する。
• 参考スコア（独自算出の注目度）: 7.164734676863147
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Active attention and engagement are important in improving users' learning experiences. Engagement refers to the level of involvement and interest individuals show towards a particular task. Attention, on the other hand, refers to a state where someone is entirely focused on a particular task with conscious awareness. Engagement and attention are different but closely linked concepts and can influence each other bidirectionally. To explore the relationship between user engagement and attention, we introduce the Diverse Reactions of Engagement and Attention Mind States (DREAMS) dataset. The dataset includes facial video recordings of 32 users in naturalistic settings watching various stimuli to evoke diverse emotions. We then analyze user engagement and attention states in these videos by framing it as a classification problem, exploring single-task, transfer learning task, and multi-task settings. In single and transfer learning task settings, separate networks are applied to predict engagement and attention states. Whereas in multi-task settings a shared network is applied, which jointly learns to predict both engagement and attention states. Moreover, we examine participants' performance on video-based questionnaires and evaluate their perceived cognitive workload. In our findings, we observe (a) better classification performance in predicting engagement states in both transfer and multi-task learning compared to single-task learning and (b) higher engagement and attention states correlate with lower cognitive load and improved task performance. The dataset and the code are publicly available and can be accessed through https://sites.google.com/view/dreams-dataset/dataset.
• Abstract（参考訳）: アクティブアテンションとエンゲージメントは、ユーザの学習体験を改善する上で重要である。 エンゲージメント(Engagement)とは、特定のタスクに対して個人が示す関与と関心のレベルのことである。 一方、注意力とは、意識のある特定のタスクに完全に集中している状態を指す。 エンゲージメントとアテンションは異なるが密接に結びついた概念であり、双方向に影響を及ぼす可能性がある。 ユーザエンゲージメントと注意力の関係を探るため,DREAMS(Diverse Reactions of Engagement and Attention Mind States)データセットを紹介した。 データセットには、さまざまな感情を誘発するさまざまな刺激を見ている自然主義的な設定で32人のユーザーによる顔のビデオ録画が含まれている。 次に、これらのビデオのユーザエンゲージメントとアテンション状態を分析し、それを分類問題とみなし、シングルタスク、トランスファー学習タスク、マルチタスク設定を探索する。 シングルおよびトランスファー学習タスク設定では、エンゲージメントとアテンション状態を予測するために別々のネットワークが適用される。 マルチタスク設定では、共有ネットワークが適用され、エンゲージメントとアテンション状態の両方を予測することが共同で学習される。 さらに,ビデオによる質問紙調査において,被験者のパフォーマンスを調査し,認知負荷の評価を行った。 私たちの発見で、我々は観察する (a)シングルタスク学習やマルチタスク学習と比較して、トランスファーおよびマルチタスク学習におけるエンゲージメント状態の予測におけるより良い分類性能 b) 高いエンゲージメントと注意状態は認知負荷と相関し, タスクパフォーマンスが向上した。 データセットとコードは公開されており、https://sites.google.com/view/dreams-dataset/datasetを通じてアクセスすることができる。

関連論文リスト

• CoMind: Understanding Collaborative Human Activity from Multiple Minds and Views [82.15362247351763]
  調理シナリオにおける現実のコラボレーションをキャプチャする,エゴセントリックでエクソセントリックなビデオデータセットを新たに導入する。 このデータセットは、マルチパースペクティブなビデオ、高品質なオーディオ、視線追跡、および3Dシーンとオブジェクトスキャンを統合する。 我々は,共同注意推定,社会的条件付きオブジェクトインタラクション予測,協調的ハンドオーバ予測のベンチマークを構築した。
  論文  参考訳（メタデータ） (2026-07-07T18:08:45Z)
• EgoPrompt: Prompt Learning for Egocentric Action Recognition [49.12318087940015]
  EgoPromptは、エゴセントリックな行動認識タスクを実行するための、素早い学習ベースのフレームワークである。 EgoPromptは、内部データセット、クロスデータセット、ベース・ツー・ノーベルの一般化ベンチマークで最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-08-05T09:47:07Z)
• Shifting Focus with HCEye: Exploring the Dynamics of Visual Highlighting and Cognitive Load on User Attention and Saliency Prediction [3.2873782624127834]
  本稿では,視覚強調(永続的・動的)と両タスクによる認知負荷が視線行動に及ぼす影響について検討する。 認知負荷の異なる場合、最先端のサリエンシモデルにより、その性能が向上することを示す。
  論文  参考訳（メタデータ） (2024-04-22T14:45:30Z)
• EgoTaskQA: Understanding Human Tasks in Egocentric Videos [89.9573084127155]
  EgoTaskQAベンチマークは、現実世界のエゴセントリックなビデオに対する質問回答を通じて、タスク理解の重要な次元を提供する。 我々は,(1)行動依存と効果,(2)意図と目標,(3)エージェントの他者に対する信念の理解を念頭に設計する。 我々は、我々のベンチマークで最先端のビデオ推論モデルを評価し、複雑なゴール指向のエゴセントリックなビデオを理解する上で、人間の間に大きなギャップがあることを示します。
  論文  参考訳（メタデータ） (2022-10-08T05:49:05Z)
• Learning State-Aware Visual Representations from Audible Interactions [39.08554113807464]
  自己中心型ビデオデータから表現を学習する自己教師型アルゴリズムを提案する。 音声信号を用いて、より学習しやすい対話の瞬間を識別する。 大規模なエゴセントリックな2つのデータセットに対して、これらのコントリビューションを広範囲に検証する。
  論文  参考訳（メタデータ） (2022-09-27T17:57:13Z)
• 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)
• Understanding top-down attention using task-oriented ablation design [0.22940141855172028]
  トップダウンの注目により、ニューラルネットワークは、人工的および生物学的の両方において、与えられたタスクに最も関連性の高い情報に集中することができる。 我々は,タスク指向アブレーション設計と呼ばれる一般的なフレームワークに基づく計算実験により,この問題に対処することを目指している。 2つのニューラルネットワークの性能を比較する。
  論文  参考訳（メタデータ） (2021-06-08T21:01:47Z)
• Exploring Visual Engagement Signals for Representation Learning [56.962033268934015]
  VisEは、クラスタ化されたエンゲージメント信号から派生した擬似ラベルにソーシャルイメージをマップする弱い教師付き学習アプローチである。 この方法でトレーニングされたモデルが、感情認識や政治的バイアス検出といった主観的なコンピュータビジョンタスクにどのように役立つかを研究する。
  論文  参考訳（メタデータ） (2021-04-15T20:50:40Z)
• Memory-augmented Dense Predictive Coding for Video Representation Learning [103.69904379356413]
  本稿では,新しいアーキテクチャと学習フレームワーク Memory-augmented Predictive Coding (MemDPC) を提案する。 本稿では、RGBフレームからの視覚のみの自己教師付きビデオ表現学習や、教師なし光学フローからの学習、あるいはその両方について検討する。 いずれの場合も、トレーニングデータの桁数が桁違いに少ない他のアプローチに対して、最先端または同等のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2020-08-03T17:57:01Z)

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。