מערכת מבוססת בינה מלאכותית לאיתור רמות קשב אצל תלמידים
15 בדצמבר 2023
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.
המחקר שלנו מתמקד בבחינת ההיתכנות של שימוש בבינה מלאכותית כדי למדוד ולזהות את רמת הקשב של התלמיד במסגרת כיתתית. אנו בודקים אם אלגוריתמים ומתודולוגיות שפותחו בהתאמה אישית יכולים להעריך ביעילות את מעורבות התלמידים במהלך השיעורים. הגישות האחרונות מבוססות על בינה מלאכותית.
באופן ספציפי, האלגוריתמים הלומדים הם משוכללים. סוג זה של אלגוריתם משתמש בכמויות עצומות של נתונים כדי לאמן את המודלים הפנימיים שלהם, ואז ניתן להשתמש בהם כדי לסווג תמונות, להעריך את התנוחה של אדם, או לבצע מגוון של משימות מעניינות אחרות. יש לנו שני אתגרים קריטיים עיקריים במחקר שלנו.
ראשית, יש עניינים טכניים שצריך לפתור. למשל, איך להגדיר את המכשירים, איך להעריך את התנועה מהתמונה, את התנוחה ועוד שאר הפרמטרים שאנחנו לוקחים בחשבון בגישה שלנו. ויש ענף סובייקטיבי שכן לא ברור אם כל הפרטים מבטאים את רמת תשומת הלב באותו אופן.
הנקודה החזקה ביותר של המערכת שלנו היא שאנו משתמשים בגישה רב-מודאלית. אנו מנתחים קלטים שונים, רגש פנים, תנוחת גוף, תנוחת ראש, נתוני מאיץ וקצב לב כדי לסווג באופן אוטומטי את רמת הקשב. בנוסף, השיטות שלנו מסתמכות במידה רבה על בינה מלאכותית, אשר על פי הדיווחים נעשה בה שימוש בהצלחה רבה בתחומי מחקר קשורים אחרים.
צפו בתמליל המלא וקבלו גישה לאלפי סרטונים מדעיים
סקירה כללית
מחקר זה בוחן את ההיתכנות של שימוש בבינה מלאכותית למדידה וזיהוי של רמות קשב של תלמידים בסביבת הכיתה. באמצעות שימוש באלגוריתמים שפותחו במיוחד, המחקר שואף להגביר את מעורבות התלמידים ולבצע אופטימיזציה של שיטות ההוראה.
מרכיבי מפתח של המחקר
תחום מדעי
- בינה מלאכותית
- טכנולוגיה חינוכית
- מעורבות סטודנטים
רקע
- מדידת קשב היא חיונית להוראה יעילה.
- אלגוריתמים של בינה מלאכותית יכולים לנתח כמויות עצומות של נתונים.
- ההתקדמויות האחרונות באלגוריתמים של למידה משפרות משימות סיווג.
- הבנת המעורבות של סטודנטים עשויה להוביל לתוצאות חינוכיות טובות יותר.
מטרת המחקר
- פיתוח מערכת המזהה קשב של סטודנטים בזמן אמת.
- סיוע למורים בשמירה על מיקוד הסטודנטים במהלך השיעורים.
- שינוי דינמי של תוכניות השיעור בהתבסס על רמת המעורבות של הסטודנטים.
שיטות שנעשה בהן שימוש
- אלגוריתמי AI שפותחו במיוחד לזיהוי קשב.
- איסוף נתונים מסביבות כיתה.
- טכניקות לסיווג תמונות ולאמידת תנוחה (pose estimation).
- הערכת יעילות האלגוריתם בתרחישים בזמן אמת.
תוצאים עיקריים
- מערכת ה-AI מזהה בהצלחה את רמות הקשב של התלמידים.
- מורים יכולים להתאים את השיעורים בהתבסס על משוב בזמן אמת.
- רמות המעורבות השתפרו באמצעות שיטות הוראה מסייעות AI.
- אלגוריתמים מותאמים אישית הדגימו דיוק גבוה בזיהוי קשב.
מסקנות
- בינה מלאכותית יכולה למלא תפקיד משמעותי בשיפור המעורבות בכיתה.
- זיהוי קשב בזמן אמת יכול להוביל לאופטימיזציה של אסטרטגיות הוראה.
- מחקרים עתידיים עשויים להרחיב את יישומי הבינה המלאכותית בחינוך.
שאלות נפוצות
רלוונטיות תעשייתית למנהלים
מערכות לגילוי קשב המונעות על ידי בינה מלאכותית מולטי-מודאלית מדגימות את השילוב של אנליטיקה מתקדמת והיתוך חיישנים לניטור התנהגותי בזמן אמת. במחקר ופיתוח בביופארמה, גישות אלו תורמות לפיתוח נקודות קצה אובייקטיביות וכמותיות למחקרים קוגניטיביים והתנהגותיים, ובכך תומכות במחקר תרגומי ובגילוי של ביו-סמנים דיגיטליים. יכולות אלו מגבירות את הביטחון החזוי ואת הפחתת הסיכונים המכניסטיים בקווי פיתוח של בריאות דיגיטלית וניורו-התנהגות בשלבים מוקדמים.
יישומים אסטרטגיים במחקר ופיתוח בביופארמה
גילוי מוקדם ותיקוף מטרה
- מאפשר כימות אובייקטיבי של פנוטיפים התנהגותיים באמצעות נתוני חיישנים רב-מודאליים.
- תומך בהפחתת סיכונים מכניסטית על ידי ביצוע קורלציה בין אותות פיזיולוגיים והתנהגותיים לבין מצבי קשב.
- מסייע בפיתוח של סמנים ביולוגיים דיגיטליים (digital biomarkers) לצורך תיקוף של מטרות נוירו-קוגניטיביות.
סריקה ופיתוח בדיקה
- מספק מדידה סטנדרטית וניתנת לשחזור של מדדי קצה הקשורים לקשב בקרב קבוצות נבדקים.
- מאפשר איסוף נתונים בתפוקה גבוהה מחיישנים לבישים והדמיה מסונכרנת.
- תומך בפיתוח בדיקות עבור פלטפורמות של פנוטיפ דיגיטלי וסינון התנהגותי.
מחקר תרגומי ופרה-קליני
- מתאימה מדדי קשב דיגיטליים עם נקודות סיום תרגומיות במודלים של הפרעות נוירופסיכיאטריות וקוגניטיביות.
- מאפשר רציפות משלב הגילוי ועד לתיקוף פרה-קליני באמצעות קריאות כמותיות מבוססות מכשיר.
- תומך בהחלטות קידום מותאמות סיכון באמצעות אספקת מאגרי נתונים רב-מודאליים חסונים.
שילוב תהליכי עבודה וצינורות עיבוד
מערכת זו לזיהוי קשב המבוססת על בינה מלאכותית משתלבת ברצף של הביומארקרים הדיגיטליים והניתוחים ההתנהגותיים, החל משלבי הגילוי המוקדמים, דרך זיהוי מועמדים ועד למחקר תרגומי.
- ביולוגיה של גילוי: משלבת זרמי נתונים רב-מודאליים לבדיקת היפותזות לגבי מנגנוני קשב ומודולציה התנהגותית.
- סריקה: מספקת מדדי קשב כמותיים וניתנים לשחזור, המתאימים להערכת תרכובות או התערבויות.
- אנליטיקה: מספקת פלטי סטטיסטיקה וציוני מסווגים להשוואות בין תנאים ולתיקוף נקודות סיום.
- מחקר תרגומי: מגשר בין פנוטיפיקה דיגיטלית בסביבות מבוקרות להקשרי מחקר פרה-קליניים וקליניים.
- שימוש חוזר ארגוני: מבססת פלטפורמה ניתנת להרחבה ולשימוש חוזר עבור אנליטיקה התנהגותית במגוון תוכניות מו"פ.
השפעה תפעולית וארגונית
- ערך מדעי: מגביר את הביטחון החיזוי ומפחית עמימות במדידת נקודות קצה התנהגותיות.
- ערך תפעולי: מבצע סטנדרטיזציה של איסוף וניתוח נתונים על פני מגוון רחב של מודליות חיישנים וסביבות.
- ערך אסטרטגי: מאפשר קבלת החלטות go/no-go מבוססות נתונים ותומך בכישור (qualification) של נקודות קצה דיגיטליות.
- השפעה על הפורטפוליו: מסייע בתעדוף מותאם סיכונים של נכסי בריאות דיגיטליים ונוירו-התנהגותיים.
שיקולי יישום
- דורש מומחיות ב-AI, אינטגרציית חיישנים ואנליזה התנהגותית.
- דורש מיכשור חסון, הכולל מצלמות מסונכרנות ומכשירים לבישים.
- מחייב תיוג נתונים סטנדרטי וסנכרון של הפרוטוקולים בין הצוותים.
- חייב להיות ניתן להתאמה לאוכלוסיות נבדקים שונות ולסביבות ניסוייות משתנות.
- אינטגרציה של זרמי נתונים הטרוגניים וכיול המסווגים הם קריטיים לקבלת תוצאות מהימנות.
