論文の概要: SetEasy: A Multi-Modal Classroom Engagement Assessment and Seating Optimization Framework

• arxiv url: http://arxiv.org/abs/2608.07188v1
• Date: Fri, 07 Aug 2026 13:05:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 16:21:25.500375
• Title: SetEasy: A Multi-Modal Classroom Engagement Assessment and Seating Optimization Framework
• Title（参考訳）: SetEasy: マルチモーダルなクラスルームエンゲージメントアセスメントとシーティング最適化フレームワーク
• Abstract要約: SetEasyは固定席グリッドでの教室のエンゲージメントを最適化する。 マルチモーダルセンシング(リストバンド生理学、4Kビデオ、環境データ)を融合させ、改訂されたISEQに接地したVゲージモデルを訓練する。 v-Gage は感情、行動、認知、全体次元に収束し、RMSE を 0.75 から 0.53 に削減した。
• 参考スコア（独自算出の注目度）: 2.007262412327553
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: SetEasy optimizes classroom engagement in fixed seating grids. It fuses multimodal sensing (wristband physiology, 4K video, environmental data) and trains a v-Gage model grounded in a revised ISEQ. Each week, two-week engagement forecasts are mapped to a student-seat utility matrix, and CP-SAT generates seating plans under visual-access and social-dynamics constraints. In a four-week deployment (23 students, 331 classes), v-Gage converged across affective, behavioral, cognitive, and overall dimensions, cutting RMSE from 0.75 to 0.53. Optimization raised mean engagement from 0.30 to 0.70, with over two-thirds of seats reaching high engagement and back-row low-activity patterns markedly reduced. These results show that, without hardware changes, interpretable, data-driven seating strategies can substantially enhance engagement. The multimodal "assessment + optimization" paradigm offers a transferable, sustainable path to culturally responsive, differentiated spatial design amid global homogenization.
• Abstract（参考訳）: SetEasyは、固定席グリッドにおける教室のエンゲージメントを最適化する。 マルチモーダルセンシング(リストバンド生理学、4Kビデオ、環境データ)を融合させ、改訂されたISEQに接地したVゲージモデルを訓練する。 毎週2週間のエンゲージメント予測は学生席のユーティリティマトリックスにマッピングされ、CP-SATは視覚的アクセスと社会力学の制約の下で座席計画を生成する。 4週間の展開(23人の学生、331のクラス)では、v-Gageは感情、行動、認知、全体次元に収束し、RMSEを0.75から0.53に削減した。 最適化によりエンゲージメントは0.30から0.70に上昇し、座席の3分の2以上は高いエンゲージメントに達し、バックローの低活性パターンは著しく減少した。 これらの結果から,ハードウェア変更がなければ,解釈可能でデータ駆動型シート戦略は,エンゲージメントを大幅に向上させる可能性が示唆された。 マルチモーダルな「アセスメント+最適化」パラダイムは、グローバルな均質化の中で文化的に応答し、差別化された空間デザインへの伝達可能で持続可能な経路を提供する。

関連論文リスト

• Cross-Stage Coherence in Hierarchical Driving VQA: Explicit Baselines and Learned Gated Context Projectors [0.688204255655161]
  本稿では,2つの相補的なメカニズムを用いて,DriveLM-nuScenes上でのクロスステージ・コンテクストパスの比較研究を行う。 明示的な変種は、追加のトレーニングなしでドメイン適応4B VLM上の3つのプロンプトベースの条件付け戦略を評価する。 暗黙の変種はゲート型コンテキストプロジェクタを導入し、あるステージから隠れ状態ベクトルを抽出し、正規化されたゲート型プロジェクションを次のステージの入力埋め込みに注入する。
  論文  参考訳（メタデータ） (2026-04-24T13:54:48Z)
• GIRL: Generative Imagination Reinforcement Learning via Information-Theoretic Hallucination Control [0.0]
  GIRL(Generative Imagination Reinforcement Learning)は、この障害モードに2つの重要なコンポーネントで対処する潜在的世界モデルフレームワークである。 GIRLは、DreamerV3に対するタスク間の遅延ロールアウトドリフトを38～61%削減し、リターンを改善し、長距離タスクでの環境相互作用を少なくする。 蒸留前の変種はオーバーヘッドを減らし、フルモデルに対する計算効率を向上させる。
  論文  参考訳（メタデータ） (2026-04-08T17:14:21Z)
• Enhancing Lightweight Vision Language Models through Group Competitive Learning for Socially Compliant Navigation [29.741263131312547]
  社会ロボットナビゲーションには、シーンセマンティクスと人間の社会規範の洗練された統合が必要である。 軽量ビジョン言語モデル(VLM)は効率的な推論を可能にするが、しばしばより弱い推論と意思決定性能を示す。 本稿では,軽量VLMの能力向上を目的としたGCL(Group Competitive Learning)を提案する。
  論文  参考訳（メタデータ） (2026-03-12T02:16:04Z)
• Infinite-World: Scaling Interactive World Models to 1000-Frame Horizons via Pose-Free Hierarchical Memory [101.2076718776139]
  複雑な実環境において,1000フレーム以上のコヒーレントな視覚記憶を維持することのできる,堅牢な対話型世界モデルを提案する。 我々は,歴史的潜水剤を固定予算の幾何学的表現に蒸留するpose-free Memory (HPMC)を導入する。 また,連続動作を三状態論理に識別する不確実性認識型アクションラベルモジュールを提案する。
  論文  参考訳（メタデータ） (2026-02-02T17:52:56Z)
• Optimization-Guided Diffusion for Interactive Scene Generation [52.23368750264419]
  本稿では,拡散型サンプリングにおける構造的一貫性と相互作用認識を実現するための,最適化誘導型トレーニングフリーフレームワークであるOMEGAを提案する。 OMEGAは生成リアリズム,一貫性,可制御性を向上し,身体的および行動学的に有効なシーンの比率を増大させることを示す。 当社のアプローチでは,3秒未満の時間対コリションで,より近いコリジョンフレームを5ドル(約5,500円)で生成することも可能だ。
  論文  参考訳（メタデータ） (2025-12-08T15:56:18Z)
• Social LSTM with Dynamic Occupancy Modeling for Realistic Pedestrian Trajectory Prediction [2.1711205684359247]
  本稿では,新しい動的空間損失関数を用いたソーシャルLSTMを改良した新しい深層学習モデルを提案する。 この損失関数は学習における社会的LSTMを導いており、群衆密度の異なる変位誤差を増大させることなく現実的な衝突を避けることができる。 提案したモデルは、ほとんどのテストセットにおいて、最先端のディープラーニングモデルよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-11-12T20:49:58Z)
• Variational Supervised Contrastive Learning [50.79938854370321]
  本稿では,教師付きコントラスト学習を潜在クラス変数に対する変分推論として再構成した変分教師付きコントラスト学習(VarCon)を提案する。 VarConは対照的な学習フレームワークの最先端のパフォーマンスを達成し、ImageNet-1Kでは79.36%、CIFAR-100では78.29%、ResNet-50エンコーダでは78.29%に達した。
  論文  参考訳（メタデータ） (2025-06-09T04:19:12Z)
• Structural Design Through Reinforcement Learning [0.7874708385247352]
  Sogymは、トポロジ最適化(TO)における機械学習を促進するために設計された、オープンソースの強化学習環境である。 これは、TOの物理学を報酬関数に統合することで、物理的に実現可能で構造的に堅牢な設計を生成する。
  論文  参考訳（メタデータ） (2024-07-10T00:38:08Z)
• Unleashing Network Potentials for Semantic Scene Completion [50.95486458217653]
  本稿では,新しいSSCフレームワーク - Adrial Modality Modulation Network (AMMNet)を提案する。 AMMNetは、モダリティ間の勾配流の相互依存性を可能にするクロスモーダル変調と、動的勾配競争を利用するカスタマイズされた逆トレーニングスキームの2つのコアモジュールを導入している。 AMMNetは最先端のSSC法よりも大きなマージンで優れていた。
  論文  参考訳（メタデータ） (2024-03-12T11:48:49Z)
• Ada-Segment: Automated Multi-loss Adaptation for Panoptic Segmentation [95.31590177308482]
  我々は,トレーニング期間中に複数のトレーニング損失を柔軟に調整する自動マルチロス適応(ada-segment)を提案する。 エンドツーエンドアーキテクチャにより、ada-segmentはハイパーパラメータを再チューニングすることなく、異なるデータセットに一般化する。 Ada-Segmentは、バニラベースラインからCOCOval分割に2.7%のパノラマ品質(PQ)改善をもたらし、COCOテストデブ分割に最新の48.5%PQ、ADE20Kデータセットに32.9%PQを達成しました。
  論文  参考訳（メタデータ） (2020-12-07T11:43:10Z)
• Distributed Multi-agent Meta Learning for Trajectory Design in Wireless Drone Networks [151.27147513363502]
  本稿では,動的無線ネットワーク環境で動作するエネルギー制約型ドローン群に対する軌道設計の問題点について検討する。 値ベース強化学習(VDRL)ソリューションとメタトレイン機構を提案する。
  論文  参考訳（メタデータ） (2020-12-06T01:30:12Z)

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。