Method Article

מערכת מבוססת בינה מלאכותית לאיתור רמות קשב אצל תלמידים

DOI:

10.3791/65931

⸱

December 15th, 2023

 ,  ,  ,  ,  ,  , 
1University Institute for Computer Research, University of Alicante, 2Department of General and Specific Didactics, University of Alicante

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

מאמר זה מציע מערכת מבוססת בינה מלאכותית כדי לזהות באופן אוטומטי אם התלמידים שמים לב לכיתה או מוסחים. מערכת זו נועדה לסייע למורים לשמור על תשומת הלב של התלמידים, לייעל את השיעורים שלהם ולהכניס שינויים באופן דינמי על מנת שהם יהיו מרתקים יותר.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

ניתן לשפר את רמת הקשב של התלמידים בכיתה באמצעות שימוש בטכניקות בינה מלאכותית (AI). על ידי זיהוי אוטומטי של רמת הקשב, מורים יכולים להשתמש באסטרטגיות כדי להחזיר את המיקוד של התלמידים. ניתן להשיג זאת באמצעות מקורות מידע שונים.

מקור אחד הוא לנתח את הרגשות המשתקפים על פניהם של התלמידים. בינה מלאכותית יכולה לזהות רגשות, כגון ניטרלי, גועל, הפתעה, עצב, פחד, שמחה וכעס. בנוסף, כיוון המבט של התלמידים יכול גם להצביע על רמת הקשב שלהם. מקור נוסף הוא התבוננות בתנוחת הגוף של התלמידים. באמצעות מצלמות וטכניקות למידה עמוקה, ניתן לנתח יציבה כדי לקבוע את רמת הקשב. לדוגמה, תלמידים שרועים או מניחים את ראשם על שולחנם עשויים להיות בעלי רמה נמוכה יותר של תשומת לב. שעונים חכמים המופצים לתלמידים יכולים לספק נתונים ביומטריים ואחרים, כולל מדידת דופק ומדידות אינרציאליות, שיכולים לשמש גם כאינדיקטורים לתשומת לב. על ידי שילוב מקורות מידע אלה, ניתן לאמן מערכת AI לזהות את רמת הקשב בכיתה. עם זאת, שילוב סוגי הנתונים השונים מציב אתגר הדורש יצירת ערכת נתונים מתויגת. מומחים ומחקרים קיימים מתייעצים לגבי תיוג מדויק. במאמר זה, אנו מציעים שילוב של מדידות כאלה ויצירת מערך נתונים ומסווג תשומת לב פוטנציאלי. כדי לספק משוב למורה, אנו חוקרים שיטות שונות, כגון שעונים חכמים או מחשבים ישירים. ברגע שהמורה הופך מודע לבעיות קשב, הוא יכול להתאים את גישת ההוראה שלו כדי לעורר מחדש מעורבות ולהניע את התלמידים. לסיכום, טכניקות AI יכולות לזהות באופן אוטומטי את רמת הקשב של התלמידים על ידי ניתוח רגשותיהם, כיוון מבטם, תנוחת הגוף ונתונים ביומטריים. מידע זה יכול לסייע למורים לייעל את תהליך ההוראה-למידה.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

במסגרות חינוכיות מודרניות, הערכה מדויקת ושמירה על תשומת הלב של התלמידים היא חיונית להוראה וללמידה אפקטיביות. עם זאת, שיטות מסורתיות למדידת מעורבות, כגון דיווח עצמי או תצפיות סובייקטיביות של מורים, גוזלות זמן רב ומועדות להטיות. כדי להתמודד עם אתגר זה, טכניקות בינה מלאכותית (AI) התגלו כפתרונות מבטיחים לזיהוי קשב אוטומטי. היבט משמעותי אחד של הבנת רמות המעורבות של התלמידים הוא זיהוי רגש1. מערכות AI יכולות לנתח הבעות פנים כדי לזהות רגשות, כגון ניטרלי, גועל, הפתעה, עצב, פחד, שמחה וכעס2.

כיוון המבט ותנוחת הגוף הם גם אינדיקטורים מכריעים לתשומת הלב של התלמידים3. על ידי שימוש במצ....

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

הפרוטוקול הבא עוקב אחר הנחיות ועדת האתיקה למחקר אנושי של אוניברסיטת אליקנטה עם מספר הפרוטוקול המאושר UA-2022-11-12. התקבלה הסכמה מדעת מכל המשתתפים לניסוי זה ולשימוש בנתונים כאן.

1. חומרה, תוכנה והגדרת מחלקה

  1. הגדר נתב עם יכולות WiFi (הניסויים בוצעו באמצעות DLink DSR 1000AC) במיקום הרצוי, כך שהטווח שלו מכסה את כל החדר. כאן, 25 מ'2 כיתות עם 30 תלמידים כוסו.
  2. הגדר שעון חכם אחד (כאן Samsung Galaxy Smartwatch 5) ומצלמה אחת (כאן Logitech C920 מצלמות) עבור כל מיקום סטודנט. הגדר התקן מוטבע אחד לכל שני תלמידים. תקנו שתי מצלמות על שתי חצובות וחברו אותן למכשיר משובץ אחר (להלן מצלמות זניטל).
  3. חבר את....

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

קבוצת היעד של מחקר זה היא סטודנטים לתואר ראשון ושני, ולכן קבוצת הגיל העיקרית היא בין 18 ל -25 שנים. אוכלוסייה זו נבחרה מכיוון שהם יכולים להתמודד עם מכשירים אלקטרוניים עם פחות הסחות דעת מאשר תלמידים צעירים. בסך הכל כללה הקבוצה 25 איש. קבוצת גיל זו יכולה לספק את התוצאות האמינות ביותר כדי לבחון את ההצעה.

לתוצאות רמת הקשב המוצגת למורה יש 2 חלקים. חלק א' של התוצאה מציג מידע פרטני על רמת הקשב הנוכחית של כל תלמיד. חלק ב' נועד להשיג את תשומת הלב הממוצעת של כל הכיתה ואת ההיסטוריה הזמנית שלה לאורך השיעו.......

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

עבודה זו מציגה מערכת המודדת את רמת הקשב של תלמיד בכיתה באמצעות מצלמות, שעונים חכמים ואלגוריתמים של בינה מלאכותית. מידע זה מוצג לאחר מכן למורה כדי שיהיה להם מושג על המצב הכללי של הכיתה.

אחד השלבים הקריטיים העיקריים של הפרוטוקול הוא סנכרון של מידע השעון החכם עם תמונת המצלמה הצבעונית, שכן אלה יש תדרים שונים. זה נפתר על ידי פריסת פטל כשרתים שמקבלים מידע מהשעון החכם והמצלמות עם חותמות הזמן שלהם בהתאמה ומבצעים התאמה גסה של מידע זה. לבסוף, מידע זה נשלח לשרת מרכזי לעיבוד נוסף. השלב הקריטי השני של הפרו.......

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

המחברים מצהירים כי אין להם אינטרסים כלכליים מתחרים ידועים או קשרים אישיים שיכלו להשפיע לכאורה על העבודה המדווחת במאמר זה.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

עבודה זו פותחה במימון Programa Prometeo, מזהה פרויקט CIPROM/2021/017. פרופ' רוזבל רויג היא יו"ר אונסק"ו "חינוך, מחקר והכללה דיגיטלית".

....

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
4 מעבדים גרפיים  Nvidia A40 AmpereNVIDIATCSA40M-PBGPU לשרת עיבוד דגמים מרכזי
FusionServer 2288H V5X-Fusion02311XBKפלטפורמה הכוללת ספק כוח ולוח אם לעיבוד דגמים מרכזי שרת
זיכרון Evo Plus 128 ג'יגה בייטSamsungMB-MC128KA/EUכרטיס זיכרון להפעלת Raspberry Pi 4B 2GB.  אחד לכל פטל. 
NEMIX RAM - 512 ג'יגה בייט ערכת DDR4-3200 PC4-25600 8Rx4 ECNEMIXM393AAG40M32-CAERAM לשרת עיבוד מודלים מרכזי
מעבד Intel Xeon Gold 6330מעבד IntelCD8068904572101לשרת מרכזי לעיבוד דגמים
Raspberry PI 4B 2GBRaspberry1822095שרת מקומי המקבל בקשות מהשעונים ושולח אותן לשרת הכללי. אחד מכל שני תלמידים.
שעון גלקסי סמסונג 5 (40 מ"מ)שעון SM-R900NZAAPHE של סמסונגהעוקב אחר הפעילות של כל תלמיד. לכל תלמיד. 
סמסונג MZQL23T8HCLS-00B7C PM9A3 3.84Tb Nvme U.2 PCI-Express-4 x4 2.5inch SsdסמסונגMZQL23T8HCLS-00B7Cאחסון פנימי לשרת עיבוד דגמים
מרכזי WebCam HD Pro C920 מצלמת אינטרנט FullHDLogitech960-001055מצלמת אינטרנט HD. אחד לכל תלמיד ועוד שניים לתנוחות התלמידים.
כרטיס

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Hasnine, M. N., et al. Students' emotion extraction and visualization for engagement detection in online learning. Procedia Comp Sci. 192, 3423-3431 (2021).
  2. Khare, S. K., Blanes-Vidal, V., Nadimi, E. S., Acharya, U. R.

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Artificial IntelligenceAttention DetectionStudent EngagementEmotion RecognitionBody Pose EstimationGaze DirectionBiometric Data AnalysisDeep LearningSmartwatch MonitoringClassroom Analytics

Related Articles