論文の概要: Preference vs. Performance: EEG-Based Classification of Learner Engagement in Multimodal Instruction
- arxiv url: http://arxiv.org/abs/2610.05178v1
- Date: Sun, 04 Oct 2026 12:40:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 22:53:14.043464
- Title: Preference vs. Performance: EEG-Based Classification of Learner Engagement in Multimodal Instruction
- Title（参考訳）: 選好対パフォーマンス:マルチモーダル教育における学習者のエンゲージメントの脳波に基づく分類
- Abstract要約: 本研究はマルチモーダル・ラーニング・アナリティクスを用いて,自己報告型指導選好とエンゲージメントの客観的神経生理学的指標との関係について検討する。
Emotiv EpocXとOpenBCIの2つの脳波デバイスを用いて,リアルタイムな神経活動の計測を行った。
- 参考スコア（独自算出の注目度）: 1.8261575533659569
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Effective adaptive instructional systems require robust measures of learner engagement that go beyond static user profiles. This study employs Multimodal Learning Analytics (MMLA) to investigate the relationship between self-reported instructional modality preferences and objective neurophysiological markers of engagement. Thirty-seven participants engaged with learning content delivered via varying modalities (visual, auditory, reading/writing, kinesthetic). We captured real-time neural activity using two EEG devices: the Emotiv EpocX (14 channels, 128 Hz) and OpenBCI (16 channels, 125 Hz). Preferences were assessed using the VARK questionnaire. Consistent with literature challenging the "meshing hypothesis," aligning instructional modality with stated preferences did not significantly predict performance gains. However, spectral analysis of EEG data revealed divergent engagement patterns: when content aligned with preferences, distinct neural activity patterns emerged in theta and alpha frequency bands-markers associated with attention and cognitive processing. These signals were used to train a binary logistic regression classifier, achieving a mean accuracy of 83.21% with OpenBCI and 56.27% with Emotiv EpocX. These findings suggest that while self-reported preferences may not dictate learning outcomes, they significantly influence neurophysiological engagement, offering a viable, non-invasive input for adaptive educational algorithms.
- Abstract（参考訳）: 効果的な適応型指導システムは、静的なユーザプロファイルを超える学習者のエンゲージメントの堅牢な測定を必要とする。
本研究では,マルチモーダル学習分析(MMLA)を用いて,自己申告した指導のモダリティ選好と,エンゲージメントの客観的神経生理学的指標との関係について検討する。
学習内容は様々(視覚,聴覚,読み書き,審美)で提供された。
Emotiv EpocX (14チャンネル、128Hz) と OpenBCI (16チャンネル125Hz) の2つの脳波デバイスを用いたリアルタイム神経活動の計測を行った。
評価はVARKで行った。
メッシング仮説」に挑戦する文献と矛盾し、指示的モダリティと指示的モダリティとを一致させることは、性能向上を著しく予測しなかった。
しかし、脳波データのスペクトル分析により、コンテンツが嗜好に合致すると、テータとアルファ周波数帯マーカに異なる神経活動パターンが出現し、注意と認知処理が関与した。
これらの信号はバイナリロジスティック回帰分類器の訓練に用いられ、平均精度はOpenBCIが83.21%、Emotiv EpocXが56.27%であった。
これらの結果は、自己申告された嗜好は学習結果を規定しないかもしれないが、それらは神経生理学的エンゲージメントに大きく影響を与え、適応型教育アルゴリズムに対して実行可能な非侵襲的な入力を提供することを示唆している。
関連論文リスト
- Taming foundation model with invariance-oriented pre-training for broad-spectrum EEG analysis across signal-level, brain-state, and brain-health tasks [46.533103231728724]
INCEPTは11,000時間以上の非競合型臨床脳波をトレーニングした、不変指向の脳波基礎モデルである。
買収後の脳波分析の3段階にまたがる10個のデータセットの広スペクトルベンチマークでINCEPTを評価した。
論文 参考訳（メタデータ） (2026-08-25T14:20:02Z) - Leakage-Safe Empirical Benchmarking of EEG-Based Machine Learning Pipelines for Dementia Classification [1.7471054681673601]
本稿では,安静時脳波による認知症分類のためのリークセーフな経験的ベンチマークを提案する。
このベンチマークで最も優れたパイプラインは、Artifact Subspace Reconstruction(ASR)とIndependent Component Analysis(ICA)を組み合わせたものである。
87.69パーセントの精度、88.89パーセントのF1スコア、91.20%のAUCをアルツハイマー病(AD)と認知正常なコントロール(CN)の分類で達成している。
論文 参考訳（メタデータ） (2026-08-05T19:23:23Z) - A comparative and critical study of EEGNet for fNIRS-driven cognitive load classification [13.599505214902058]
機能近赤外分光(fNIRS)信号から正確な認知負荷の分類は依然として重要な課題である。
本研究は、fNIRSに基づく認知負荷分類のためのEEGNetを包括的に評価する。
論文 参考訳（メタデータ） (2026-06-15T03:20:14Z) - Explainable AI (XAI) for Arrhythmia detection from electrocardiograms [0.0]
深層学習は心電図(ECG)信号から高い精度の不整脈検出を可能にしているが、臨床応用には限界がある。
本研究では,時系列ECG分析に特化して適応した説明可能なAI(XAI)技術の適用について検討する。
論文 参考訳（メタデータ） (2025-08-24T10:44:24Z) - Efficient Machine Unlearning via Influence Approximation [75.31015485113993]
インフルエンサーベースのアンラーニングは、個別のトレーニングサンプルがモデルパラメータに与える影響を再トレーニングせずに推定する顕著なアプローチとして現れてきた。
本稿では,暗記(増分学習)と忘れ(未学習)の理論的関連性を確立する。
本稿では、インフルエンス近似アンラーニングアルゴリズムを導入し、インクリメンタルな視点から効率的なマシンアンラーニングを行う。
論文 参考訳（メタデータ） (2025-07-31T05:34:27Z) - rECGnition_v2.0: Self-Attentive Canonical Fusion of ECG and Patient Data using deep learning for effective Cardiac Diagnostics [0.56337958460022]
この研究は、MIT-BIH Arrhythmia データセットを用いて、様々な不整脈のクラスに対する rECGnition_v2.0 の効率を評価する。
rECGnition_v2.0のコンパクトなアーキテクチャフットプリントは、トレーニング可能なパラメータがより少ないことで特徴付けられ、解釈可能性やスケーラビリティなどいくつかの利点を解き放った。
論文 参考訳（メタデータ） (2025-02-22T15:16:46Z) - Latent Alignment with Deep Set EEG Decoders [44.128689862889715]
本稿では,脳波伝達学習大会のベンチマークで優勝した潜在アライメント手法を紹介する。
我々は,その定式化を,与えられた被験者の試行セットに適用したディープセットとして提示する。
実験の結果,深層学習モデルにおける後段の統計的分布アライメントの実行は,分類精度に有益であることが示唆された。
論文 参考訳（メタデータ） (2023-11-29T12:40:45Z) - ASPEST: Bridging the Gap Between Active Learning and Selective
Prediction [56.001808843574395]
選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。
アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。
本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
論文 参考訳（メタデータ） (2023-04-07T23:51:07Z) - EEGminer: Discovering Interpretable Features of Brain Activity with
Learnable Filters [72.19032452642728]
本稿では,学習可能なフィルタと事前決定された特徴抽出モジュールからなる新しい識別可能なEEGデコーディングパイプラインを提案する。
我々は,SEEDデータセットおよび前例のない大きさの新たな脳波データセット上で,脳波信号からの感情認識に向けたモデルの有用性を実証する。
発見された特徴は、以前の神経科学の研究と一致し、音楽聴取中の左右の時間領域間の機能的接続プロファイルの顕著な相違など、新たな洞察を提供する。
論文 参考訳（メタデータ） (2021-10-19T14:22:04Z) - EEG-based Cross-Subject Driver Drowsiness Recognition with an
Interpretable Convolutional Neural Network [0.0]
我々は,新しい畳み込みニューラルネットワークと解釈手法を組み合わせることで,分類の重要な特徴のサンプルワイズ分析を可能にする。
その結果,11名の被験者に対して平均78.35%の精度が得られた。
論文 参考訳（メタデータ） (2021-05-30T14:47:20Z) - Uncovering the structure of clinical EEG signals with self-supervised
learning [64.4754948595556]
教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。
この現象は脳波(EEG)などの臨床関連データに特に問題となる。
ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
論文 参考訳（メタデータ） (2020-07-31T14:34:47Z)
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。