Method Article

Op kunstmatige intelligentie gebaseerd systeem voor het detecteren van aandachtsniveaus bij studenten

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

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

Dit artikel stelt een op kunstmatige intelligentie gebaseerd systeem voor om automatisch te detecteren of studenten aandacht besteden aan de klas of afgeleid zijn. Dit systeem is ontworpen om docenten te helpen de aandacht van studenten vast te houden, hun lessen te optimaliseren en dynamisch aanpassingen door te voeren zodat ze boeiender zijn.

Abstract

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

Het aandachtsniveau van leerlingen in een klaslokaal kan worden verbeterd door het gebruik van kunstmatige intelligentie (AI) technieken. Door automatisch het aandachtsniveau te identificeren, kunnen docenten strategieën gebruiken om de focus van studenten terug te krijgen. Dit kan worden bereikt door middel van verschillende informatiebronnen.

Een van de bronnen is het analyseren van de emoties die op de gezichten van de studenten worden weerspiegeld. AI kan emoties detecteren, zoals neutraal, walging, verrassing, verdriet, angst, geluk en woede. Bovendien kan de richting van de blik van de studenten mogelijk ook hun aandachtsniveau aangeven. Een andere bron is het observeren van de lichaamshouding van de studenten. Door gebruik te maken van camera's en deep learning-technieken kan de houding worden geanalyseerd om het aandachtsniveau te bepalen. Studenten die bijvoorbeeld onderuitgezakt zitten of hun hoofd op hun bureau laten rusten, kunnen een lager aandachtsniveau hebben. Smartwatches die aan de studenten worden uitgedeeld, kunnen biometrische en andere gegevens verstrekken, waaronder hartslag- en traagheidsmetingen, die ook kunnen worden gebruikt als aandachtsindicatoren. Door deze informatiebronnen te combineren, kan een AI-systeem worden getraind om het aandachtsniveau in de klas te identificeren. Het integreren van de verschillende soorten gegevens vormt echter een uitdaging die het maken van een gelabelde dataset vereist. Input van experts en bestaande studies worden geraadpleegd voor een nauwkeurige etikettering. In dit artikel stellen we de integratie van dergelijke metingen voor en het creëren van een dataset en een mogelijke aandachtsclassificatie. Om feedback te geven aan de docent, verkennen we verschillende methoden, zoals smartwatches of directe computers. Zodra de leraar zich bewust wordt van aandachtsproblemen, kan hij zijn onderwijsaanpak aanpassen om de leerlingen opnieuw te betrekken en te motiveren. Samenvattend kunnen AI-technieken automatisch het aandachtsniveau van de studenten identificeren door hun emoties, blikrichting, lichaamshouding en biometrische gegevens te analyseren. Deze informatie kan leerkrachten helpen bij het optimaliseren van het onderwijsleerproces.

Introduction

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

In moderne onderwijsomgevingen is het nauwkeurig beoordelen en vasthouden van de aandacht van studenten cruciaal voor effectief lesgeven en leren. Traditionele methoden om de betrokkenheid te meten, zoals zelfrapportage of subjectieve observaties van docenten, zijn echter tijdrovend en vatbaar voor vooroordelen. Om deze uitdaging aan te gaan, zijn kunstmatige intelligentie (AI)-technieken naar voren gekomen als veelbelovende oplossingen voor geautomatiseerde aandachtsdetectie. Een belangrijk aspect om inzicht te krijgen in de betrokkenheidsniveaus van studenten is emotieherkenning1. AI-systemen kunnen gezichtsuitdrukkingen analyseren om emoties....

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

Protocol

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

Het volgende protocol volgt de richtlijnen van de ethische commissie voor menselijk onderzoek van de Universiteit van Alicante met het goedgekeurde protocolnummer UA-2022-11-12. Van alle deelnemers is geïnformeerde toestemming verkregen voor dit experiment en voor het gebruik van de gegevens hier.

1. Hardware, software en lesinstellingen

  1. Stel een router met wifi-mogelijkheden in (de experimenten werden uitgevoerd met behulp van een DLink DSR 1000AC) op de gewenste locatie zodat het bereik de hele kamer bestrijkt. Hier waren 25m2 klaslokalen met 30 leerlingen overdekt.
  2. Stel voor elke studentenl....

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

Results

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

De doelgroep van deze studie zijn bachelor- en masterstudenten, en dus is de belangrijkste leeftijdsgroep tussen de 18 en 25 jaar oud. Deze populatie is geselecteerd omdat ze elektronische apparaten met minder afleiding kunnen omgaan dan jongere studenten. In totaal bestond de groep uit 25 personen. Deze leeftijdsgroep kan de meest betrouwbare resultaten leveren om het voorstel te testen.

De resultaten van het aandachtsniveau dat aan de leerkracht wordt getoond, bestaan uit 2 delen. Deel A van.......

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

Discussion

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

Dit werk presenteert een systeem dat het aandachtsniveau van een leerling in een klaslokaal meet met behulp van camera's, smartwatches en kunstmatige intelligentie-algoritmen. Deze informatie wordt vervolgens aan de leraar gepresenteerd, zodat deze een idee krijgt van de algemene toestand van de klas.

Een van de belangrijkste kritieke stappen van het protocol is de synchronisatie van de smartwatch-informatie met het kleurencamerabeeld, aangezien deze verschillende frequenties hebben. Dit werd .......

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

Disclosures

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

De auteurs verklaren dat ze geen bekende concurrerende financiële belangen of persoonlijke relaties hebben die het werk in dit artikel zouden kunnen hebben beïnvloed.

Acknowledgements

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

Dit werk is ontwikkeld met financiering van Programa Prometeo, project-ID CIPROM/2021/017. Prof. Rosabel Roig is de voorzitter van de UNESCO "Onderwijs, Onderzoek en Digitale Inclusie".

....

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

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
4 GPUs  Nvidia A40 AmpereNVIDIATCSA40M-PBGPU voor gecentraliseerde modelverwerkingsserver
FusionServer 2288H V5X-Fusion02311XBKPlatform die voeding en moederbord voor gecentraliseerde modelverwerkingsserver omvat
Memory Card Evo Plus 128 GBSamsungMB-MC128KA/EUGeheugenkaart voor de werking van de raspberry pi 4b 2gb.  Een voor elke raspberry. 
NEMIX RAM - 512 GB Kit DDR4-3200 PC4-25600 8Rx4 ECNEMIXM393AAG40M32-CAERAM voor gecentraliseerde modelverwerkingsserver
Processor Intel Xeon Gold 6330IntelCD8068904572101Processor voor gecentraliseerde modelverwerkingsserver
Raspberry PI 4B 2GBRaspberry1822095Lokale server die verzoeken van de klokken ontvangt en deze naar de algemene server stuurt. Eén voor elke twee studenten.
Samsung Galaxy Watch 5 (40mm)SamsungSM-R900NZAAPHEKlok die de activiteit van elke student bewaakt. Voor elke student. 
Samsung MZQL23T8HCLS-00B7C PM9A3 3.84Tb Nvme U.2 PCI-Express-4 x4 2.5inch SsdSamsungMZQL23T8HCLS-00B7CInterne opslag voor gecentraliseerde modelverwerkingsserver
WebCam HD Pro C920 Webcam FullHDLogitech960-001055Webcam HD. Een voor elke student plus twee voor studentenposes.

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