論文の概要: Mind the Student: Behavioral and Contextual Cues for Automated Engagement Prediction in Online Learning

• arxiv url: http://arxiv.org/abs/2608.24340v1
• Date: Tue, 25 Aug 2026 10:03:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:34.929386
• Title: Mind the Student: Behavioral and Contextual Cues for Automated Engagement Prediction in Online Learning
• Title（参考訳）: 学生の心:オンライン学習における行動的・文脈的行動予測
• Authors: Alperen Kantarci, Visvanathan Ramesh, Gemma Roig,
• Abstract要約: 我々は,映像,音声,画像エンコーダから抽出した暗黙的特徴と,頭部ポーズ,視線,顔の動き,感情,ウェーブレットに基づく音声特徴などの構造化された行動モダリティを統合するフレームワークを開発した。 我々は、不確実性を考慮した予測のために、顕在回帰およびスペクトル正規化ガウス過程分類ヘッドを用いて、ロバスト性の改善と校正を行う。
• 参考スコア（独自算出の注目度）: 9.31020526280198
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The prediction of student engagement from the online tutoring videos is difficult because engagement is a multidimensional construct comprising distinct behavioral, emotional, and cognitive states. A reliable prediction requires bringing together different types of behavioral signals as well as expressive cues. Through our analysis of the CASED dataset, it is clear that engagement prediction gets even harder due to the high inter-person variability as well as the subjectivity of the engagement annotation. To tackle these challenges, we develop a multimodal framework that integrates the implicit spatiotemporal features extracted from pretrained video, audio, and image encoders along with structured behavioral modalities like head pose, gaze, facial action units, emotion, and wavelet-based audio features. We integrate these modalities via a Perceiver IO latent bottleneck. Moreover, student and instructor personalities are modeled as variational posteriors over learnable embeddings to enable partial pooling across participants. We employ evidential regression and spectral-normalized Gaussian process classification heads for uncertainty-aware prediction to further improve robustness and calibration. Benchmark on the CASED challenge test set shows that all participating methods converge near random-chance performance, revealing the difficulty of the dataset. In this highly ambiguous regime, our framework achieves competitive performance while uniquely offering well-calibrated uncertainty metrics, demonstrating that reliable risk-quantification is an essential prerequisite for deploying engagement models in real-world educational tools.
• Abstract（参考訳）: オンライン授業ビデオから学生のエンゲージメントを予測することは困難である。なぜなら、エンゲージメントは、異なる行動的、感情的、認知的な状態からなる多次元的な構成であるからである。 信頼できる予測は、様々な種類の行動信号と表現力のある手がかりをまとめることを必要とする。 我々は,CASEDデータセットの分析を通じて,係合アノテーションの主観性だけでなく,個人間の多様性も高いため,係合予測がさらに難しくなることが明らかとなった。 これらの課題に対処するため、事前訓練されたビデオ、音声、画像エンコーダから抽出した暗黙の時空間的特徴と、頭部ポーズ、視線、顔の動き単位、感情、ウェーブレットに基づく音声特徴などの構造化された行動モダリティを統合するマルチモーダルフレームワークを開発した。 私たちはこれらのモダリティをPerceiver IO潜在ボトルネックを通じて統合します。 さらに、学生と教員の個人性は、学習可能な埋め込みよりも後方の変化としてモデル化され、参加者間の部分的なプールを可能にする。 我々は、不確実性を考慮した予測のために、顕在回帰およびスペクトル正規化ガウス過程分類ヘッドを用いて、ロバスト性および校正性をさらに向上する。 CASEDチャレンジテストセットのベンチマークでは、すべての参加メソッドがランダムチャンスに近いパフォーマンスに収束し、データセットの難しさを明らかにしている。 この極めて曖昧な体制では、我々のフレームワークは競争性能を達成しつつ、信頼性の高いリスク定量化が現実の教育ツールにエンゲージメントモデルをデプロイする上で必須の前提であることを示す。

関連論文リスト

• Uncertainty-Aware and Decoder-Aligned Learning for Video Summarization [0.0]
  ビデオ要約の目的は、時間的に重要なセグメントのサブセットを選択することで、長いビデオのコンパクトな表現を作ることである。 この課題は、強い注釈主観性と離散復号法に依存するため本質的に困難である。 本稿では,ビデオ要約のための不確実性とデコーダ対応の学習フレームワークであるVASTSumを提案する。
  論文  参考訳（メタデータ） (2026-05-10T12:31:02Z)
• Heterogeneous Uncertainty-Guided Composed Image Retrieval with Fine-Grained Probabilistic Learning [49.28548464288051]
  Composed Image Retrieval (CIR)は、参照画像と修正テキストを組み合わせることで、画像検索を可能にする。 CIR三重項の内在ノイズは内在的不確実性を引き起こし、モデルの堅牢性を脅かす。 本稿では,これらの制約を克服するための不確実性誘導(HUG)パラダイムを提案する。
  論文  参考訳（メタデータ） (2026-01-16T16:05:49Z)
• Pseudo-D: Informing Multi-View Uncertainty Estimation with Calibrated Neural Training Dynamics [3.8836478189829164]
  1ホットラベルは、層間変動を消し、モデルに過信予測を強制する。 ラベル空間に不確実性をもたらす新しいフレームワークを導入する。
  論文  参考訳（メタデータ） (2025-09-15T11:30:12Z)
• Stochastic Encodings for Active Feature Acquisition [100.47043816019888]
  Active Feature Acquisitionは、インスタンスワイドでシーケンシャルな意思決定問題である。 目的は、テストインスタンスごとに独立して、現在の観測に基づいて計測する機能を動的に選択することである。 一般的なアプローチは強化学習(Reinforcement Learning)であり、トレーニングの困難を経験する。 我々は、教師付きで訓練された潜在変数モデルを導入し、潜在空間における観測不能な実現の可能性の多くにまたがる特徴を推論することで獲得する。
  論文  参考訳（メタデータ） (2025-08-03T23:48:46Z)
• MIRRAMS: Learning Robust Tabular Models under Unseen Missingness Shifts [2.5357049657770516]
  欠落した値はしばしばデータ収集ポリシーのバリエーションを反映し、時間や場所によって変化することがある。 このようなトレーニングとテストインプットの間の不足分布の変化は、堅牢な予測性能を達成する上で大きな課題となる。 この課題に対処するために設計された,新しいディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-11T03:03:30Z)
• Hierarchical Decomposition of Prompt-Based Continual Learning: Rethinking Obscured Sub-optimality [55.88910947643436]
  大量のラベルのないデータを実際に扱うためには、自己教師付き事前トレーニングが不可欠である。 HiDe-Promptは、タスク固有のプロンプトと統計のアンサンブルで階層的なコンポーネントを明示的に最適化する革新的なアプローチである。 実験では,HiDe-Promptの優れた性能と,継続学習における事前学習パラダイムへの頑健さを実証した。
  論文  参考訳（メタデータ） (2023-10-11T06:51:46Z)

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。