تقيم هذه الدراسة تفاعل الطلاب السلوكي من خلال اكتشاف سلوكياتهم في فيديوهات الفصول الدراسية الجامعية باستخدام خوارزمية التعلم العميق. تم تحديد سبعة سلوكيات مرتبطة إيجابيا بالمشاركة التعليمية، ويستخدم نموذج تقييم لتقييم التفاعل العام لكل طالب وللصف.
يتطلب اشتراك JoVE لعرض هذا المحتوى. تسجيل الدخول أو ابدأ نسخة تجريبية مجانية
مقالة بحثية
تقييم الانخراط السلوكي في صفوف الجامعات عبر اكتشاف الكائنات بالفيديو القائم على التعلم العميق
في هذه المقالة
ملخص
الملخص
تهدف هذه الدراسة إلى تقييم تفاعل الطلاب في التعلم في صفوف الجامعات باستخدام اكتشاف الكائنات بالفيديو القائم على التعلم العميق. ولتحقيق ذلك، ومن خلال تحليل الارتباط، حدد هذا البحث أولا سبعة سلوكيات صفية تقدم ارتباطا إيجابيا للغاية مع تفاعل التعلم كمؤشرات لقياس تفاعل الطلاب في التعلم؛ ثم جمع 30 فيديو متزامن لتدريس حقيقي في الفصول الدراسية من 6 صفوف من جامعة شاندونغ للعلوم والتكنولوجيا (SDUST) وقسمها إلى مجموعة تدريب ومجموعة اختبار. بعد أن تم تدوين السلوكيات السبعة يدويا في بيانات التدريب، يتم تدريب خوارزمية تعلم آلي بطريقة خاضعة للإشراف على هذه المجموعة. بعد التدريب، يولد النموذج تعليقات أولية للبيانات المتبقية غير المعنونة. لتحقيق تعرف أكثر دقة وكفاءة في سلوك الصف، اختارت هذه الدراسة خوارزميتين ممثلتين، وهما R-CNN الأسرع وYOLOv5s، لتجارب كشف السلوك. استنادا إلى مقارنة أدائهم في الكشف من حيث الدقة وتكلفة الوقت، تم اختيار YOLOv5s لكشف سلوك الفصل في هذه الدراسة. وأخيرا، استخدمت هذه الدراسة طريقة مجموعة التركيز لتحديد الدرجات لكل سلوك وتطوير نموذج تقييم تفاعل التعلم من ثلاثة مستويات. استنادا إلى بيانات سلوكية مقاسة تلقائيا، يتيح النموذج تقييما آليا وفوريا للتفاعل التعليمي على المستويين الفردي والصفي.
المقدمة
المشاركة التعلمية، التي تشير إلى مشاركة الطلاب وتركيزهم وجهودهم في التعلم، تتكون من التفاعل السلوكي، والتفاعل العاطفي، والتفاعل المعرفي1. يكشف تفاعل الطلاب في التعلم عن وضعهم التعليمي ويساعد المعلمين على تعديل استراتيجيات التدريس2. ومع ذلك، يتم تقييم المشاركة في التعلم في الصف بشكل رئيسي من خلال تقارير الطلاب الذاتية وملاحظات المعلمين3. نسبة المعلمين إلى الطلاب العالية في جامعات الصين تعني أن استخدام الطرق اليدوية التقليدية لتقييم التفاعل في التعلم يتطلب الكثير من الوقت والجهد.
في السنوات الأخيرة، ومع تزايد شعبية الفصول الدراسية للتسجيل والبث الذكي في الصين،أصبح القياس التلقائي للتفاعل التعليمي بناء على فيديوهات الصف ممكنا. من منظور التدريس الدراسي المعزز بالتكنولوجيا الذكية، طبقت هذه الدراسة طرق التعلم العميق لاكتشاف سلوكيات الطلاب في فيديوهات الفصول الدراسية الجامعية واقترحت نموذج تقييم لقياس تفاعل الطلاب السلوكي تلقائيا.
مراجعة موجزة لدراسات الانخراط السلوكي
هناك ثلاثة مستويات رئيسية للمشاركة السلوكية: (1) على مستوى المدرسة، يشير ذلك إلى حماس الطلاب للمشاركة في الأنشطة اللامنهجية5. (2) على مستوى الصف، يشمل ذلك السلوكيات الإيجابية للطلاب في الصف، مثل الامتثال لترتيب الصف، والسلوكيات المدمرة مثل التغيب عن الصف أو التحدث في الصفالسادس. (3) على مستوى عملية التعلم، يشير إلى مشاركة الطلاب وسلوكيات الطلاب في مهام التعلم، مثل طرح الأسئلة وإكمال الواجباتالمنزلية 7. حاليا، يمكن تصنيف طرق تقييم الانخراط السلوكي بشكل عام إلى ثلاث فئات: الطرق اليدوية، شبه التلقائية، والطرق الآلية8.
الطرق اليدوية، بما في ذلك التقرير الذاتي، والمقابلات، ومراقبة المعلمين، وطرق التقييم التقليدية الأخرى، تتطلب جهدا كبيرا ويصعب ضمان الموضوعية والدقة. تحليل السجلات هو طريقة تقييم شبه آلية تمثيلية تحلل بشكل أساسي بيانات سجلات التعلم التي يجمعها الطلاب من منصات التعلم، بما في ذلك مؤشرات مثل تكرار تسجيل الدخول، ومدة اللعب عبر الإنترنت، ودقة الإجابات. يمكن لهذه الطريقة تقييم تفاعل الطلاب في التعلم بشكل أكثر موضوعية؛ ومع ذلك، فإن الحجم الكبير والتعقيد للبيانات يشكلان تحديات للمعالجة اللاحقة4. تعتمد الطريقة التلقائية على رؤية الحاسوب، باستخدام أجهزة ذكية مثل منصات التسجيل والبث، لالتقاط تعبيرات الطلاب وإيماءاتهم وسلوكياتهم والإشارات البصرية الأخرى في الصف، وذلك بشكل أساسي لتقييم سلوك الصف. مقارنة بالطريقتين السابقتين، تتيح هذه الطريقة قياس سريع للتفاعل السلوكي عبر الحواسيب والخوارزميات، وهي أقل عرضة للتداخل الذاتي9.
مراجعة موجزة لتقييم الانخراط السلوكي بناء على اكتشاف الأجسام
مع صعود التعلم العميق، أصبحت تقنيات اكتشاف الكائنات تطبق بشكل متزايد في تحليل تفاعل التعلم. تقوم خوارزميات اكتشاف الأجسام بتصنيف الكائنات وتحديد موقعها في الصور المبنية على شبكات عصبية الالتفافية. في الفصول الذكية المجهزة بأنظمة تسجيل فيديو، يمكن لمثل هذه الخوارزميات التعرف على المعلومات البصرية المتعلقة بوضعيات الطلاب وإيماءاتهم وتعبيرات وجوههم من فيديوهات الصف، مما يمكن من التعرف التلقائي على سلوكيات الطلاب وتقييم تفاعلهم السلوكي. وبالتالي، يمكن تفسير حالة التعلم في الصف التي تعكسها سلوكيات الطلاب غير اللفظية بشكل فعال9.
تم استخدام مجموعة متنوعة من المعدات والخوارزميات لجمع وتحديد السلوكيات غير اللفظية المتعددة للطلاب من الفيديوهات. استخدم رحمن وآخرون 10 وزاليتيلج وكوشير11 حساسات كينكت لجمع خط رؤية الطلاب، ومعلومات الوجه، وملامح وضعية الجسم، وغيرها، وحللوا مستوى انتباههم باستخدام خوارزميات التعلم الآلي. استخدم وايتهيل وآخرون كاميرا آيباد لتسجيل تعابير وجوه الطلاب لتدريب نموذج التعرف، مما أثب أن تقنية التعلم الآلي تعادل الملاحظة البشرية في دقة تقييم التفاعل العلمي. اكتشف سوكوماران ومانوهاران12 تفاعل الطالب باستخدام إشارات EGG. استخدم أشوين وجوديتي13 الشبكات العصبية الالتفافية لتحليل مقاطع الفيديو الصفية في بيئة مختبرية لاكتشاف السلوكيات غير اللفظية، مثل تعبيرات الوجه، وضعيات اليد، ووضعيات الجسم، لتقييم تفاعل التعلم. استخدم باي وآخرون Faster R-CNN مع دمج الميزات متعددة الإرسال لتحقيق اكتشاف سلوكيات الصف، مثل الدراسة، والنوم، والانحناء، من خلال التعلم التحويلي. قام دينغ وآخرون بتحليل مقاطع الفيديو الصفية عن بعد من خلال دمج تقنيات التعلم العميق الأسرع من R-CNN واقترحوا طريقة لتحقيق التعرف على السلوك وقياس التفاعل في الفصل بناء على أوضاع رأس وأيدي وأجسام الطلاب.
أجريت الدراسات المبكرة بشكل أساسي في بيئات مختبرية، حيث ركز العديد منها على فرد واحد في سيناريوواحد 10,11,12,13، في حين أن الدراسات الحديثة تناولت بشكل متزايد بيئات الفصول الدراسية الحقيقية 9,14,15,16,17,18,19 . بالإضافة إلى ذلك، أصبح نطاق السلوكيات التي تم فحصها أكثر تنوعا. على سبيل المثال، قام باي وآخرون 14 وأويانغ وآخرون بتحليل مقاطع فيديو صفية تم فيها تحديد سلوكين فقط — الرأس للأعلى والرأس للأسفل. قام دنغ وآخرون بدراسة فيديوهات الفصول الدراسية في المدارس الابتدائية ووسعوا فئات السلوك المكتشفة من حركات الرأس لتشمل حركات اليد والجسم. جمع تشانغ وزملاؤه16 خمسة أنواع من سلوكيات الطلاب، بما في ذلك النظر للأعلى، والنظر للأسفل، والنوم، والنظر حولهم، والتثاؤب.
ومع ذلك، وبما أن البيانات جمعت من فصول المدارس الابتدائية، حيث يجلس الطلاب عادة في أوضاع ثابتة، ظل نطاق السلوكيات الملحوظة محدودا نسبيا. لذلك، ركزت الدراسات اللاحقة بشكل متزايد على الفصول الدراسية الجامعية. العديد من فصول الجامعات كبيرة، حيث يجلس حوالي مئة طالب غالبا بشكل عشوائي، مما يجعل من الصعب اكتشاف سلوك الطلاب. علاوة على ذلك، في بيئات الفصول الدراسية الجامعية الحقيقية، يظهر الطلاب تنوعا سلوكيا وتفاعلا أكبر، بما في ذلك التفاعل مع المعلمين وزملاء الدراسة والسبورات والكتب المدرسية. اقترح يان وآخرون طريقة للتعرف على الوضعية القائمة على التعلم العميق، BetaPose، والتي صممت لتحسين دقة التعرف على الوضعية في مشاهد الفصول الدراسية المزدحمة. دمج تان وآخرون وحدة الانتباه الإحداثي (CA) في شبكة YOLOv9، وتم تطبيق نموذج CA-YOLOv9 الناتج على التعرف على سبعة سلوكيات صفية في بيئات جامعية معقدة ذات أعداد طلابية كبيرة. اقترح وانغ وآخرون شبكة تعزيز الميزات ثنائية الاتجاه (BATNet) لتحديد سلوكيات الطلاب في الفصول الذكية، خاصة للأهداف الصغيرة والمحجوبة.
مع تطوير الخوارزميات، تحسنت سرعة ودقة كشف السلوك بشكل كبير؛ ومع ذلك، تجاهلت الدراسات الحالية تفسير ما إذا كان هناك ارتباط بين سلوكيات الفصل المكتشفة وتفاعل الطلاب، مما ترك أسئلة مثل ما إذا كان يمكن استخدام سلوكيات معينة كمعايير لقياس التفاعل السلوكي، وأي السلوكيات يمكن أن تعكس تفاعل التعلم بفعالية، دون إجابة. بالإضافة إلى ذلك، يجب إيجاد طريقة لإظهار تفاعل الطلاب السلوكي بشكل صريح. لذا، حددت هذه الدراسة سلوكيات صفية مرتبطة ارتباطا وثيقا بتفاعل الطلاب في التعلم من خلال تحليل الارتباط؛ وفي الوقت نفسه، تم تطوير نظام تقييم لبناء نموذج تقييم للتفاعل السلوكي. وبالتالي، يمكن تحقيق قياس تلقائي للتفاعل السلوكي لكل من الطلاب الفرديين وللصف ككل.
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
البروتوكول
تم الحصول على جميع الفيديوهات واستخدامها وفقا للممارسات الأخلاقية الحالية للبحث البشري كما تحدد من قبل جامعة شاندونغ للعلوم والتكنولوجيا. تم الحصول على الموافقة على استخدام البيانات.
أولا، تم إجراء تحليل الارتباط لتحديد سلوكيات الطلاب التي يمكن أن تكون مؤشرات على الانخراط السلوكي. بعد إنشاء مجموعة البيانات عن طريق استخراج الإطارات وتقسيمها إلى مجموعة تدريب ومجموعة اختبار، تم تشغيل خوارزميتين ممثلتين لاكتشاف الكائنات في مجموعة التدريب ومقارنتين من حيث الدقة والكفاءة. وأخيرا، تم اختيار الخوارزمية ذات الأداء الأفضل (YOLO-v5s) لتعمل على مجموعة الاختبار لإجراء اكتشاف السلوك. يعرض الشكل 1 مخطط تدفق عملية تحديد واكتشاف سلوكيات الطلاب.
الشكل 1. مخطط انسيابي لتحديد واكتشاف سلوكيات الطلاب. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.
تحديد المؤشرات
قبل إجراء تجارب اكتشاف الأشياء، كان يجب تحديد السلوكيات غير اللفظية التي تشير إلى تفاعل الطلاب السلوكي. حتى الآن، حققت دراسات التفاعل السلوكي المبني على اكتشاف الأشياء نجاحا في اكتشاف مجموعة متنوعة من السلوكيات غير اللفظية، بما في ذلك خط الرؤية، ومعلومات الوجه، ووضعية الجسم 9,10,11,12,13,14. ومع ذلك، لم يناقش بعد ما إذا كانت السلوكيات المحددة مبررة كمؤشرات على تفاعل الطلاب السلوكي. لذا، في هذه الدراسة، تم استخدام تحليل الارتباط بين سلوكيات الطلاب ومستوى تفاعلهم السلوكي لتحديد السلوكيات التي تدل على الانخراط السلوكي.
(1) اختبار التفاعل السلوكي
اختارت هذه الدراسة 122 طالبا جامعيا من أربع دفعات طبيعية من التخصصات غير الإنجليزية في SDUST-Jinan كعينة لدراسة ارتباطية. أولا، تم استخدام مقاييس التقرير الذاتي لجمع بيانات التفاعل السلوكي من 122 طالبا، بهدف فهم حالة المشاركة السلوكية لديهم من منظور التجربة الداخلية. نظرا لأن بيانات الفيديو في الصف لهذه الدراسة تم الحصول عليها من صفوف "اللغة الإنجليزية الأكاديمية"، تم اعتماد أداة التقييم متعددة الأبعاد للتفاعل التعليمي في صفوف اللغة الإنجليزية الجامعية التي طورها رين تشينغمي20 . تم تصميم هذه الأداة خصيصا لبيئة تدريس اللغة الأجنبية الصينية وتستخدم نفس التصنيف الكلاسيكي للتفاعل التعليمي في هذه الدراسة، حيث تشمل ثلاثة أبعاد: التفاعل السلوكي، والتفاعل العاطفي، والمعرفي. من بينها، تتكون أداة التفاعل السلوكي من تسعة عناصر، تتوافق مع تفاعل المعلم مع الطالب (مثل: "أجيب بنشاط على الأسئلة التي يطرحها المعلم في صف اللغة الإنجليزية"), والجهد الفردي (مثل: "أفكر بعناية في الصعوبات التي أواجهها أثناء تعلم اللغة الإنجليزية"), والتفاعل بين الأقران (مثل: "أتعاون مع طلاب آخرين لإكمال مهام تعلم اللغة الإنجليزية"), وغيرها. يتم تقديم كل بند بصيغة ليكرت ذات مقياس 5 نقاط، مع خيارات استجابة مثل "نادرا ما ينادرا، أحيانا، غالبا، دائما"، مع درجات من 1 إلى 5، مما يتطلب من الطلاب اختيار الخيار الذي يتوافق بشكل أفضل مع تجربتهم التعليمية. تم تصنيف الطلاب الذين حصلوا على 15 نقطة أو أقل كطلاب منخفضي التفاعل، والطلاب الذين حصلوا على 16-30 نقطة كطلاب متوسط التفاعل، والطلاب الذين حصلوا على 31-45 نقطة كطلاب ذوي تفاعل عالي. وأخيرا، تم جمع 120 مقياسا صالحا، منهم 17 طالبا في فئة التفاعل المنخفض، و45 في فئة التفاعل المتوسط، و58 في فئة التفاعل العالي.
(2) تحديد السلوك
وفي الوقت نفسه، تم جمع أربعة فيديوهات مسجلة بمجموع 50 دقيقة من حصص "اللغة الأكاديمية" التي حضرها بالكامل في هذه الفصول. مع رسم إطار كل 15 ثانية، تم استخراج 200 صورة أخيرا للمراقبة. استنادا إلى مشاهدات متكررة لعينات الفيديو من قبل ثلاثة طلاب، حددت هذه الدراسة في البداية 12 نوعا من سلوكيات الطلاب في الصف، وهي: النظر حولهم، استخدام الهاتف المحمول، النقاش، التجول، التجول، الأكل أو الشرب، تدوين الملاحظات أو القراءة، الاستماع بعناية، الوقوف (للإجابة على سؤال)، التثاؤب، النوم، واستخدام الكمبيوتر. تظهر أمثلة على السلوك الاثني عشر في الشكل 2.
الشكل 2. أمثلة على 12 سلوكا. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.
كان كل نوع مصحوبا بوصف مفصل للميزات البصرية والسياق الزماني المكاني، مما شكل الإجراء التشغيلي القياسي لتعليقات سلوك الصف، الذي ضمن الاتساق المفاهيمي عبر التعليقات. يوضح الجدول 1 12 فئة لسلوك الطلاب ووصف كل سلوك.
كان النظر حوله يشمل تدوير الرأس إلى اليسار واليمين والخلف بشكل ملحوظ. كان يعتبر الطلاب في نقاش إذا أداروا رؤوسهم وفتحوا أفواههم. في سيناريو الصف، كان الاستماع بعناية مرتبطا بالنظر مباشرة إلى السبورة أو إلى المعلم الواقف أمامهم؛ عندما توجه النظرة إلى مكان آخر، كان من المرجح جدا أن يكون الطالب يتجول. عندما يظهر الطالب وضعية الرأس للأسفل، وكان هناك شيء مثل كتاب أو دفتر ملاحظات، يمكن التعرف على هذا السلوك على أنه تدوين ملاحظات أو قراءة كتاب. عندما يتضمن السلوك وضعية الوقوف وكان الطالب واقفا في مقعده وفمه مفتوح، كان يعتبر يجيب على سؤال في وضعية الوقوف؛ إذا كان الطالب خارج مقعده، يعتبر أنه يتجول، مما قد يشير إلى أن الطالب متأخر عن الصف أو غادر الفصل، وما إلى ذلك. عندما كان الطالب مستلقيا رأسه على المكتب، تم التعرف عليه على أنه نائم. عندما كان الطالب يمسك بالطعام أو الشراب في يديه، كان يتم تحديد السلوك على أنه أكل أو شرب. كان الفم المفتوح على مصراعيه أو وضعية تمدد الجسم يشير إلى أن الطالب يتثاءب.
| فئة السلوك | وصف السلوك |
| تنظر حولك | حركة واضحة للرأس إلى اليمين أو اليسار أو الخلف |
| استخدام الهاتف المحمول | لمس الهاتف المحمول باليدين |
| مناقشة | فم مفتوح، مصحوبا بحركة للرأس |
| التجوال | نظرة زجاجية في أماكن غير ذات صلة |
| الدوران | الانتقال من المقعد |
| الأكل أو الشرب | الفم مفتوح وملامسة للطعام أو الماء |
| تدوين الملاحظات أو القراءة | تدوين الملاحظات أو النظر إلى كتاب |
| الاستماع بعناية | التحديق في السبورة أو المعلم |
| الوقوف (للإجابة على الأسئلة) | واقفا على المقعد وفمه مفتوح |
| التثاؤب | الفم المفتوح أو تمدد الجسم |
| النوم | رأسه على المكتب |
| استخدام الحاسوب | كمبيوتر مفتوح على المكتب |
الجدول 1: فئات ووصف سلوكيات الطلاب.
(3) تحليل الارتباط
وباستخدام المعايير السابقة، دعي 12 معلما ذا خبرة لمشاهدة مقاطع فيديو لهؤلاء الطلاب البالغ عددهم 120 وتسجيل أنواع سلوكهم وتكراراتهم. تم تحديد السلوكيات وفقا للجدول 1. تم تقسيم المعلمين إلى أربع مجموعات، مع ثلاثة معلمين في كل مجموعة. كانت كل مجموعة مسؤولة عن تسجيل 30 طالبا، حيث قام كل معلم من الثلاثة بتسجيل سلوكيات 30 طالبا بشكل مستقل. ألفا كرونباخ (المعروف باسم α) هو مؤشر لقياس الاتساق الداخلي لمقياس أو استبيان. نطاق قيم ألفا كرونباخ هو من 0 إلى 1، وعادة ما يفسر α ≥ 0.8 على أنه اتساق داخلي جيد21. إذا كان هناك درجة عالية من الاتساق (α > 0.8، أي درجة عالية من الاتساق) في تكرار نوع معين من السلوك بين جميع المعلمين الثلاثة، يتم تسجيل تكرار السلوك كمتوسط الترددات الثلاثة. لاحقا، مع تمثيل البيانات من جهة لتكرار السلوكيات المختلفة لكل طالب، ومن جهة أخرى مستويات تفاعلهم السلوكية، تم إجراء تحليل الارتباط بين العاملين. النتيجة موضحة في الجدول 2.
| السلوكيات | الانخراط السلوكي | |
| الأكل أو الشرب | ارتباط بيرسون | .319** |
| سيغ. (ذيل ذيلين) | 0.004 | |
| N | 120 | |
| التثاؤب | ارتباط بيرسون | -.335** |
| سيغ. (ذيل ذيلين) | 0 | |
| N | 120 | |
| مناقشة | ارتباط بيرسون | .546** |
| سيغ. (ذيل ذيلين) | 0 | |
| N | 120 | |
| الدوران | ارتباط بيرسون | -.774** |
| سيغ. (ذيل ذيلين) | 0 | |
| N | 120 | |
| التجوال | ارتباط بيرسون | .293** |
| سيغ. (ذيل ذيلين) | 0.008 | |
| N | 120 | |
| تنظر حولك | ارتباط بيرسون | -.834** |
| سيغ. (ذيل ذيلين) | 0 | |
| N | 120 | |
| القراءة أو تدوين الملاحظات | ارتباط بيرسون | .912** |
| سيغ. (ذيل ذيلين) | 0 | |
| N | 120 | |
| الاستماع بعناية | ارتباط بيرسون | .881** |
| سيغ. (ذيل ذيلين) | 0 | |
| N | 120 | |
| الوقوف | ارتباط بيرسون | .330** |
| (للإجابة على سؤال) | سيغ. (ذيل ذيلين) | 0 |
| N | 120 | |
| النوم | ارتباط بيرسون | -.411** |
| سيغ. (ذيل ذيلين) | 0 | |
| N | 120 | |
| الاستخدام | ارتباط بيرسون | .591** |
| الهاتف المحمول | سيغ. (ذيل ذيلين) | 0 |
| N | 120 | |
| استخدام الحاسوب | ارتباط بيرسون | .362** |
| سيغ. (ذيل ذيلين) | 0.001 | |
| N | 120 |
الجدول 2: نتائج تحليل الارتباط.
في تحليل الترابط، r هو معامل الترابط، ويشير إلى درجة الارتباط الخطي بين متغيرين، يتراوح من −1 إلى 1. وفقا لدرجة العلاقة، يمكن تصنيف الارتباط إلى الأنواع التالية:
ارتباط عالي (│r│ ≥ 0.70)
الارتباط المتوسط (0.40 ≤ │r│ ≤ 0.70)
ارتباط منخفض (│r│ ≤ 0.40)
اعتمادا على اتجاه العلاقة، يمكن تصنيفها إلى الأنواع التالية:
الارتباط الإيجابي (r > 0)
الارتباط السلبي (r < 0)
لا يوجد ارتباط (r = 0)
من الجدول 1، يمكن ملاحظة سبعة سلوكيات، منها النظر حوله (r = −0.834**، p < 0.05)، واستخدام الهاتف المحمول (r = 0.591**، p < 0.05)، والنقاش (r = 0.546، p < 0.05)، والتنقل (r = −0.774**، p < 0.05)، تدوين الملاحظات أو القراءة (r = 0.912**، p < 0.05)، الاستماع بعناية (r = −0.881**، p < 0.05)، والنوم (r = −0.411**، P < 0.05)، كان لها ارتباط مرتفع أو متوسط مع الانخراط السلوكي، بينما أظهرت سلوكيات مثل الأكل أو الشرب (r = 0.319**، p = 0.04)، الوقوف (للإجابة على سؤال) (r = 0.330**، p = 0.00)، التثاؤب (r = −0.335**، p < 0.05)، التجوال (r = 0.293، p > 0.05)، واستخدام الحاسوب (r = 0.362، p < 0.05) علاقة منخفضة أو معدومة مع الانخراط السلوكي. استنادا إلى تحليل الارتباط، حددت هذه الدراسة في النهاية سبعة سلوكيات كمؤشرات على التفاعل العلمي، وهي النظر حولك، استخدام الهاتف المحمول، النقاش، التجول، تدوين الملاحظات أو القراءة، الاستماع بعناية، والنوم.
تأسيس مجموعة البيانات
تم جمع بيانات الفيديو المستخدمة في هذه الدراسة من منصة التسجيل المباشر ل SDUST، التي وفرت فيديوهات متزامنة لتدريس حقيقي في الفصل الدراسي لدورة "اللغة الإنجليزية الأكاديمية". تم جمع عشرة فيديوهات من أربع صفوف لطلاب غير تخصص اللغة الإنجليزية، كل منها يبلغ طوله حوالي 50 دقيقة، لتأسيس مجموعة بيانات قابلة للتدريب لسلوك الطلاب في الصف. مع رسم إطار كل 15 ثانية، تم استخراج 2000 صورة بدقة 1920 × 1080.
تقسيم مجموعة البيانات
قسمت التجربة مجموعة بيانات سلوك الطالب إلى جزئين مستقلين تماما: مجموعة تدريب ومجموعة اختبار، كما هو موضح في الجدول 3، دون صور مشتركة. شملت مجموعة البيانات جميع سلوكيات الطلاب السبعة. تم استخدام مجموعة التدريب ومجموعة الاختبار لمعايير نموذج التدريب وتقييم الدقة على التوالي. تم تعيين معايير التدريب كما هو موضح في الجدول 4.
| مجموعة البيانات | عدد الصور |
| المجموع | 2830 |
| مجموعة التدريب | 2111 |
| مجموعة الاختبار | 719 |
الجدول 3: تقسيم مجموعة بيانات سلوك الطلاب.
| المعلمة | القيمة |
| معدل التعلم | 0.01 |
| الزخم | 0.937 |
| تآكل الوزن | 0.0005 |
| إيبوك | 100 |
| حجم الدفعة | 16 |
الجدول 4: تحديد المعايير التجريبية.
لمنع تسرب البيانات الناتج عن ظهور نفس الطالب في مجموعات فرعية مختلفة وللحفاظ على الاستمرارية الزمنية الطبيعية للسلوكيات، تم اعتماد طريقة "الانقسام الزمني الطبقي".
فصل الموضوع: تم تقسيم مجموعة البيانات حسب معرفات الطلاب الفريدة، مما ضمن أن الطلاب في مجموعات التدريب والتحقق والاختبار كانوا متعارضين مع بعضهم البعض.
التقسيم الزمني: تم ترتيب الفيديوهات حسب التسلسل الزمني. تم استخدام أول 70٪ من المقاطع الزمنية للتدريب، وال15٪ التالية للتحقق، وال15٪ الأخيرة للاختبار. هذه الطريقة حاككت بشكل أفضل التعميم الزمني في العالم الحقيقي مقارنة بالتقسيم العشوائي.
توازن الفئات: بالنسبة للفئات الممثلة تمثيلا ناقصا مثل "النوم" و"استخدام الهاتف المحمول"، تم تطبيق أخذ عينات مفرطة معتدلة ضمن مجموعة التدريب لضمان تعلم النموذج ميزات من جميع الفئات.
شرح مجموعة بيانات التدريب
تم استخدام أداة تعليق مفتوحة المصدر لتدوين بيانات التدريب يدويا. تم استخدام الأداة لتوضيح الصناديق المحيطة. كان سير العمل المحدد كما يلي: (1) تم استخراج الإطارات الرئيسية بمعدل ثابت (1 إطار/ثانية) من فيديوهات المراقبة التي تغطي مدارس مختلفة، وفترات زمنية وأنواع دورات، تليها معالجة إخفاء الهوية مثل تمويه الوجوه؛ (2) بعد بيان الملاحظة التوضيحية، استخدم المعلقون صناديق مستطيلة لتحديد الطالب الذي يؤدي سلوكا محددا بدقة وخصصوا تسمية الفئة المقابلة؛ (3) تم تصدير التعليقات كملفات XML بصيغة PASCAL VOC.
لضمان جودة التصنيف، خاصة لتجنب الأخطاء في التمييز بين السلوكيات الغامضة (مثل المناقشة مقابل التجوال)، تم تنفيذ آلية تعاونية "التحكيم التوضيحي الثلاثي مراحل":
التعليق الأولي: تم تعليق كل إطار رئيسي بشكل مستقل بواسطة ثلاثة معلقين مدربين. يتكون كل تسمية من ملصق فئة وصندوق محيط.
التحقق من الاتساق: تم حساب التقاطع فوق الاتحاد واتساق الفئات بين التعليقات. كانت الصناديق المحيطة، وهي نتائج التعليق الأولي مع IoU > 0.8 وتسميات الفئات المتطابقة، تعتبر "تعليقات متسقة". كانت الصناديق المحيطة التي تحمل IoU ≤ 0.8 أو تسميات فئات غير متطابقة تعتبر "تعليقات غير متسقة".
التحكيم الخبير: بالنسبة للتعليقات غير المتسقة (مثل الحالات الغامضة مثل "النظر حولها" مقابل "مناقشة"), اتخذ فريق من الخبراء ذوي الخبرة في التدريس القرار النهائي بناء على مقطع الفيديو، والسياق السلوكي، والمعرفة التربوية السابقة. يتم التحديد النهائي من خلال التحقق من دقة الملصق من خلال فحص مقطع الفيديو المصدر في الإطار الرئيسي.
كشفت التعليقات أن سلوكيات الطلاب كانت تتسم بأهداف متعددة ومكثفة وصغيرة، كما هو موضح في الشكل 3.
الشكل 3. مثال على تعليق الصور في الصف الدراسي. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.
أظهر الطلاب في الصف سلوكيات مثل الاستماع بعناية، واستخدام الهاتف المحمول، والقراءة أو تدوين الملاحظات بشكل متكرر، بينما كانت وتيرة التجول والتجول منخفضة نسبيا. يوضح الشكل 4 توزيع سلوكيات الفصول الدراسية في مجموعة بيانات التدريب.
الشكل 4. توزيع السلوكيات في مجموعة بيانات التدريب. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.
اكتشاف سلوكيات الطلاب
تم تقسيم أطر اكتشاف الكائنات القائمة على التعلم العميق بشكل رئيسي إلى فئتين22: طرق ذات مرحلتين، ممثلة بسلسلة Faster R-CNN، وطرق المرحلة الواحدة، الممثلة ب YOLO. بالنسبة للفئة الأولى، تولد طرق الكشف ذات المرحلتين أولا مقترحات المناطق باستخدام شبكة اقتراحات المنطقة (RPN) قبل إجراء حسابات احتمالية الفئة التفصيلية وانحدار صندوق الحدود. بالنسبة للفئة الثانية، قامت الطرق ذات المرحلة الواحدة بتبسيط عملية الكشف من خلال التنبؤ بفئات الكائنات وصناديق الحدود في مرحلة واحدة في نفس الوقت. بينما ظهرت طرق المرحلتين في وقت مبكر من تطور المجال، اكتسبت الأساليب ذات المرحلة الواحدة شعبية بسبب بنيتها المبسطة وكفاءتها الحاسوبية. لتحقيق تعرف أكثر دقة وكفاءة في سلوك الصف، اختارت هذه الدراسة خوارزميات تمثيلية من كلا الفئتين، وهما R-CNNالأسرع 23,24 وYOLO-v525,26، لإجراء تجارب كشف سلوك الصف، وقارنت نتائج الكشف بين الخوارزميتين قبل اتخاذ قرار نهائي بشأن الخوارزمية المستخدمة لكشف السلوك في هذه الدراسة.
ولتقييم نتائج التجارب بكفاءة، تم التركيز على دقة الكشف العامة مقابل تكلفة الوقت لكل نموذج خوارزمي. تم استخدام متوسط الدقة المتوسطة (mAP) ووقت التدريب (h) لقياس النموذجين.
تم اكتشاف سبع فئات من السلوكيات للتعرف عليها باستخدام الطريقتين، وتم تسجيل متوسط قيم دقة الكشف (AP) في الجدول 5. من بينها، تفوقت YOLO-v5s على R-CNN الأسرع في اكتشاف ثلاث فئات من الإجراءات، وهي التجول، والاستماع الانتباهي للمحاضرات، واستخدام الهواتف المحمولة، بقيم AP تبلغ 100٪، 62.7٪، و31.8٪ على التوالي.
| نموذج الشبكة | مناقشة | الدوران حول | الاستماع بعناية | ننظر حولك | النوم | تدوين الملاحظات أو القراءة | استخدام الهاتف المحمول |
| R-CNN أسرع | 32.6 | 99.5 | 45.4 | 9.3 | 22 | 52.6 | 26.8 |
| YOLO-v5s | 17.8 | 100 | 62.7 | 3.8 | 19 | 51 | 31.8 |
الجدول 5: متوسط الدقة بين الخوارزميتين لفئة واحدة.
يتم عرض وقت التدريب ودقة الكشف المتوسطة لشبكتي الكشف الكلاسيكيتين على مجموعة الاختبار عند IoU مقداره 0.5 في الجدول 6. على الرغم من أن شبكة R-CNN الأسرع كانت ذات دقة أعلى، إلا أن وقت تشغيلها كان طويلا نسبيا. بالمقارنة، كانت YOLO-v5 أقصر بنسبة 30٪ مع انخفاض في الدقة بنسبة 0.3٪ فقط، مما يدل على تحسن أكبر في الكفاءة. نظرا للحاجة إلى الكشف المباشر عن سلوك الطلاب في الفصل في هذه الدراسة، كان من المتوقع أن يكون وقت التدريب للشبكة قصيرا قدر الإمكان. وبالنظر إلى دقة الكشف وتكلفة الوقت للنماذج المدربة على مجموعة التدريب، خلصت هذه الورقة إلى أن YOLO-v5s كان أكثر ملاءمة لكشف سلوك الطلاب في الصف.
| نموذج الشبكة | h | mAP@0.5 (٪) |
| R-CNN أسرع | 2.88 | 41.17 |
| YOLO-v5s | 2.016 | 40.87 |
الجدول 6: مقارنة أداء الكشف.
لذلك، تم اختيار YOLO-v5s لإجراء كشف سلوك الفصل في هذه الدراسة. تظهر نتائج الكشف التي تنتجها YOLO-v5s في الشكل 5، حيث يظهر اكتشاف سلوك متعدد الأهداف المستمر مع التسميات المقابلة.
الشكل 5. أمثلة على نتائج الكشف لمجموعة الاختبار. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.
(1) تعزيز البيانات والمعالجة المسبقة
لتعزيز متانة النموذج وتعميمه، تم استخدام استراتيجية تعزيز البيانات المركبة أثناء التدريب، بما في ذلك التحولات الأفينية العشوائية، وتذبذب الألوان، والانسداد العشوائي. تم تغيير حجم جميع الصور بشكل موحد إلى 640 × 640 بكسل.
(2) استراتيجية التدريب
تم تقسيم عملية التدريب إلى ثلاث مراحل:
مرحلة العمود الفقري المجمدة (العصور 1-100): تم تجميد شبكة العمود الفقري، وكان فقط رأس الكشف مدربا، باستخدام معدل تعلم منخفض للإحماء.
مرحلة الضبط الدقيق الكامل للشبكة (العصور 101-250): تم رفع تجميد جميع طبقات الشبكة. قام مجدول تعليق جيب التمامات بضبط معدل التعلم.
مرحلة التحسين (العصور 251-300): تم تطبيق المتوسط المتحرك الأسي لتثبيت التدريب، وتم تقليل شدة تعزيز البيانات لتحسين النماذج.
لمعالجة اختلال الفئة، تم تطبيق أوزان خاصة بالفئة تتناسب عكسيا مع ترددها في مجموعة التدريب على دالة الخسارة.
(3) المعالجة اللاحقة والتحسين الزمني
للحفاظ على الاتساق الزمني في سلوكيات الصف، تم تطبيق مرشح اتساق زمني بعد استنتاج النموذج. تحديدا، بالنسبة لهدف تم اكتشافه في تسلسل فيديو، كان يجب تحديد فئة سلوكه في ثلاثة إطارات متتالية على الأقل ليتم تأكيده، مما يؤدي إلى تصفية الإيجابيات الكاذبة العابرة بشكل فعال.
تأسيس طريقة تقييم التفاعل السلوكي
استخدمت هذه الدراسة طريقة مجموعة التركيز لمنح الدرجات لكل سلوك. تمت دعوة عشرين أستاذا جامعيا من الدرجة الأولى لتقييم مشاركة الفئات السبع للسلوك بناء على خبرتهم في إدارة الصف. جميع المعلمين العشرين كانوا يدرسون لأكثر من 10 سنوات وقاموا بتدريس مجموعة واسعة من الدورات عبر تخصصات متعددة. تراوحت درجات الاشتباك بين 0 و3، حيث تشير 0-1 إلى اشتباك منخفض، و1-2 تشير إلى اشتباك متوسط، و2-3 تشير إلى اشتباك عالي. إذا كان هناك درجة عالية من الاتساق (α > 0.8) في تقييمات عدة مقيمين لنوع معين من السلوك، يتم قياس تفاعل ذلك السلوك من خلال متوسط تقييمات المعلمين الفردية. التقييمات النهائية لكل نوع من السلوك موضحة في الجدول 7.
| نوع السلوك | تنظر حولك | استخدام الهاتف المحمول | مناقشة | يدور حول | تدوين الملاحظات أو القراءة | استمع بعناية | النوم |
| درجة التفاعل | 0.9 | 1.2 | 1.9 | 0.6 | 2.7 | 2.8 | 0.2 |
الجدول 7: تقييمات السلوك.
الصيغة للتفاعل السلوكي لكل طالب هي
ESi= تفاعل سلوكي للطالب، Sj = درجة السلوك، fj = تكرار السلوك j.
بافتراض أن عدد السلوكيات التي تم اكتشافها لطالب في الصف كان 100، بما في ذلك 4 "مناقشة"، 68 "استماع بانتباه"، 25 "قراءة/تدوين ملاحظات"، و3 "النظر حوله"، كانت درجة التفاعل الشخصية الإجمالية للطالب (1.9 × 4 + 2.8 × 68 + 2.7 × 25 + 0.9 × 3) / 100 = 2.68. وبالنظر إلى المحاضرة كاملة كمعيار، تم تقسيم التفاعل السلوكي إلى أربعة مستويات وفقا لتقسيم الفترات المتساوية من مقياس 0-3: حيث تم تعريف الدرجة دون 0.75 بأنها "غير مشاركة"، و0.76-1.5 بأنها "متفاعلة قليلا"، و1.6-2.25 بأنها "منخرطة جدا"، و2.26-3 بأنها "منخرطة جدا"؛ لذا، تم تقييم الطالب على أنه "متفاعل جدا" في الصف.
كان التفاعل السلوكي للصف بأكمله يشير إلى متوسط درجة جميع الطلاب. صيغة الانخراط السلوكي للفئة هي:
Ec = التفاعل السلوكي للصف، ES = التفاعل السلوكي لطالب معين، n=عدد الطلاب
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
النتائج
من خلال اكتشاف السلوكيات واستخدام نموذج التقييم، تم تحقيق قياس تلقائي لتفاعل الطلاب السلوكي. بأخذ مادة واحدة في الفيديو كمثال، يمكن حساب التفاعل السلوكي في الوقت الحقيقي لكل طالب بناء على نتائج الكشف السلوكي ونموذج التقييم. يوضح الشكل 6 التفاعل السلوكي لطالبين في هذا الفصل، مع عرض مستويات تفاعلهما في نقاط زمنية مختلفة. وجد أن الطالب أ أظهر في المتوسط مستوى أعلى من التفاعل مقارنة بالطالب ب طوال الصف. أظهر الطالبان تفاعلا عاليا خلال المرحلة ا...
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
المناقشة
حققت هذه الدراسة التعرف التلقائي والقياس على الانخراط السلوكي. مقارنة بالدراسات السابقة، كانت السلوكيات التي تم تحديدها أكثر تمثيلا لفصول الجامعات (مثل استخدام الهاتف المحمول)، وتم عرض تقييم الانخراط السلوكي في أرقام، مما جعل من السهل رؤيته. مكن هذا النهج التلقائي للقياس المعلمين من تقييم تفاعل الطلاب الفرديين وكذلك الصف ككل بكفاءة وواضح، مما دعم التعليم المخصص وتحسين كفاءة التدريس في الصف. على سبيل المثال، في الشكل 7، يمكن ملاحظة أن كلا الصفين كان لهما تمهي...
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
الإفصاحات
المؤلفون لا يفرضون أي تضارب مصالح.
شكر وتقدير
وقد دعم هذا البحث برنامج صندوق تخطيط العلوم الاجتماعية في شاندونغ (23CRWJ11).
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
المواد
| الاسم | الشركة | رقم فهرسي | التعليقات |
|---|---|---|---|
| فيديوهات الفصل الدراسي | تم جمع بيانات الفيديو المستخدمة في هذه الدراسة من منصة التسجيل المباشر لجامعة شاندونغ للعلوم والتكنولوجيا (SDUST)، وهي مقاطع فيديو متزامنة لتدريس الصف الحقيقي لدورة اللغة الإنجليزية الأكاديمية. تم جمع 30 فيديو من 6 فصول من غير تخصصات اللغة الإنجليزية، مدة كل منها حوالي 50 دقيقة، لإنشاء مجموعة بيانات قابلة للتدريب للطلاب سلوك الصف. | ||
| إحصائيات IBM SPSS 26 | آي بي إم | SPSS لنظام ويندوز هو حزمة برمجية معيارية تدمج وظائف إدخال البيانات والتنظيم والتحليل. تشمل وظائفه الأساسية إدارة البيانات، التحليل الإحصائي، تحليل الرسوم البيانية، إدارة المخرجات، وغيرها. يستخدم SPSS بشكل رئيسي لتحليل الاتساق وتحليل الارتباط في هذا المقال. | |
| تصنيف 1.8.6 | التصنيف هو أداة لتوضيح الصور البصرية. مكتوبة بلغة بايثون وتستخدم Qt كواجهة رسومية. يتم حفظ التعليقات كملفات XML بصيغة PASCAL VOC، والتي تستخدمها ImageNet. بالإضافة إلى ذلك، يدعم صيغة YOLO. يستخدم لمجموعات البيانات المطلوبة لشبكات كشف الكائنات مثل Faster R-CNN وYOLO وSSD لتعليق الكائنات في الصور. | ||
| MMDetection 2.22.0 | MMDetection، 2.22.0، MMDetection هو صندوق أدوات لاكتشاف الكائنات يشمل طرق اكتشاف الأجسام الغني، وتقسيم الممثلات، وطرق تقسيم البانوراما، بالإضافة إلى المكونات والوحدات ذات الصلة. |
المراجع
- Fredricks, J. A., Blumenfeld, P. C., Paris, A. H. School engagement: potential of the concept, state of the evidence. Rev Educ Res. 74 (1), 59-109 (2004).
- Xu, J. F., Qiu, Y. J. Development and validation of an online English learning engagement scale for college students. Foreign Lang Their Teach. 42 (1), 39-50 (2025).
- Xing, C. B., Xu, M. B. Higher education expansion, teacher–student ratio and education quality. Econ Educ Rev. 8 (1), 59-88 (2023).
- Li, X., Li, Y. Y., Bao, H. G., Cheng, L. New developments in learning engagement evaluation: from one-dimensional analysis to multimodal fusion. Res Audiovis Educ. 42 (10), 100-107 (2021).
- Finn, J. D., Pannozzo, G. M., Voelkl, K. E. Disruptive and inattentive-withdrawn behavior and achievement among fourth graders. Elem Sch J. 95 (5), 421-434 (1995).
- Finn, J. D., Rock, D. A. Academic success among students at risk for school failure. J Appl Psychol. 82 (2), 221-234 (1997).
- Skinner, E. A., Belmont, M. J. Motivation in the classroom: reciprocal effects of teacher behavior and student engagement across the school year. J Educ Psychol. 85 (4), 571-581 (1993).
- Whitehill, J., Serpell, Z., Lin, Y. C., Foster, A., Movellan, J. R. The faces of engagement: automatic recognition of student engagement from facial expressions. IEEE Trans Affect Comput. 5 (1), 86-98 (2014).
- Deng, W., Xia, L. J., Liu, Q. T., Zhang, S., Wei, Y. T. Analysis of distance classroom learning engagement based on video recognition. J Contin High Educ. 35 (6), 15-24 (2022).
- Designing an empirical framework to measure the level of interest of humans. Rahman, M., et al. Proc Int Conf Electr Inf Commun Technol (EICT), , 581-585 (2015).
- Zaletelj, J., Košir, A. Predicting students’ attention in the classroom from Kinect facial and body features. EURASIP J Image Video Process. 2017 (1), 80-82 (2017).
- Sukumaran, A., Manoharan, A. Student engagement recognition: comprehensive analysis through EEG and verification by image traits using deep learning techniques. IEEE Access. 13 (1), 11639-11662 (2025).
- Unobtrusive students’ engagement analysis in computer science laboratories using deep learning techniques. Ashwin, T. S., Guddeti, R. M. R. Proc IEEE Int Conf Adv Learn Technol (ICALT), , 436-440 (2018).
- Bai, J., et al. Detection of students’ classroom performance based on Faster R-CNN and transfer learning with multi-channel feature fusion. J Guangxi Norm Univ Nat Sci Ed. 38 (5), 1-11 (2020).
- Ouyang, W. X., Fan, W. S., Chen, L. W. Classroom head-up and head-down behavior recognition based on YOLOv5. Comput Knowl Technol. 19 (29), 9-12 (2023).
- Classroom behavior recognition and detection based on deep learning. Zhang, J. P., Zhang, Z. Y., Guan, L. T., Hu, H. M. Proc Int Conf Comput Vis Image Deep Learn (CVIDL), , 430-433 (2024).
- Yan, X. Y., Kuang, Y. X., Bai, G. R., Li, Y. Student classroom behavior recognition based on deep learning. Comput Eng. 49 (7), 251-258 (2023).
- Tan, S. Y., Wang, Z. X., He, G. D. Real-time panoramic multi-scale classroom behavior recognition based on the CA-YOLOv9 network. Mod Educ Technol. 34 (7), 123-130 (2024).
- Wang, S. B., Lin, Z. J., Huang, J., Ju, J. H. A real-time network-based method for analyzing student classroom behavior. J Zhejiang Univ Sci Technol. 37 (3), 259-269 (2025).
- Ren, Q. M. Formulation and verification of a multidimensional evaluation scale for student engagement in college English classrooms. Shandong Foreign Lang Teach. 43 (4), 58-66 (2022).
- Cronbach, L. J. Coefficient alpha and the internal structure of tests. Psychometrika. 16 (3), 297-334 (1951).
- Zhou, J. Y., Zhao, Y. M. Application of convolutional neural networks in image classification and object detection. Comput Eng Appl. 53 (13), 34-41 (2017).
- Fast R-CNN. Girshick, R. Proc IEEE Int Conf Comput Vis, , 91-99 (2015).
- Ren, S. P., He, K. M., Girshick, R., Sun, J. Faster R-CNN: toward real-time object detection with region proposal networks. Adv Neural Inf Process Syst (NeurIPS). 29, 91-99 (2016).
- Multiple object tracking based on YOLOv5 and an optimized DeepSORT algorithm. Bai, T. J Phys Conf Ser, 2547 (1), 012001(2023).
- Wang, Y. P., Chi, Z. Z., Liu, M., Li, G., Ding, S. High-performance lightweight fall detection using an improved YOLOv5s algorithm. Machines. 11 (8), 818(2023).
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.