Ten artykuł proponuje system oparty na sztucznej inteligencji, który automatycznie wykrywa, czy uczniowie zwracają uwagę na klasę, czy są rozproszeni. System ten ma za zadanie pomóc nauczycielom utrzymać uwagę uczniów, zoptymalizować ich lekcje i dynamicznie wprowadzać modyfikacje, aby były one bardziej angażujące.
Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.
Artykuł metodologiczny
Oparty na sztucznej inteligencji system do wykrywania poziomu uwagi u uczniów
W tym artykule
Podsumowanie
Streszczenie
Poziom koncentracji uczniów w klasie może być poprawiony dzięki zastosowaniu technik sztucznej inteligencji (AI). Automatycznie identyfikując poziom uwagi, nauczyciele mogą stosować strategie, aby odzyskać koncentrację uczniów. Można to osiągnąć za pomocą różnych źródeł informacji.
Jednym ze źródeł jest analiza emocji odbitych na twarzach uczniów. Sztuczna inteligencja może wykrywać emocje, takie jak neutralne, wstręt, zaskoczenie, smutek, strach, szczęście i złość. Dodatkowo, kierunek wzroku uczniów może również potencjalnie wskazywać na ich poziom uwagi. Innym źródłem jest obserwacja postawy ciała uczniów. Korzystając z kamer i technik głębokiego uczenia, można analizować postawę w celu określenia poziomu uwagi. Na przykład uczniowie, którzy się garbią lub opierają głowy na ławkach, mogą mieć niższy poziom uwagi. Smartwatche rozdawane uczniom mogą dostarczać danych biometrycznych i innych, w tym pomiarów tętna i bezwładności, które mogą być również wykorzystywane jako wskaźniki uwagi. Łącząc te źródła informacji, system sztucznej inteligencji można wytrenować w celu określenia poziomu uwagi w klasie. Jednak integracja różnych typów danych stanowi wyzwanie, które wymaga utworzenia zestawu danych z etykietą. Opinie ekspertów i istniejące badania są konsultowane w celu dokładnego etykietowania. W tym artykule proponujemy integrację takich pomiarów oraz stworzenie zestawu danych i potencjalnego klasyfikatora uwagi. Aby przekazać nauczycielowi informację zwrotną, badamy różne metody, takie jak smartwatche lub bezpośrednie komputery. Gdy nauczyciel zda sobie sprawę z problemów z uwagą, może dostosować swoje podejście do nauczania, aby ponownie zaangażować i zmotywować uczniów. Podsumowując, techniki sztucznej inteligencji mogą automatycznie identyfikować poziom uwagi uczniów, analizując ich emocje, kierunek spojrzenia, postawę ciała i dane biometryczne. Informacje te mogą pomóc nauczycielom w optymalizacji procesu nauczania-uczenia się.
Wprowadzenie
W nowoczesnych środowiskach edukacyjnych, dokładna ocena i utrzymanie uwagi uczniów jest kluczowe dla efektywnego nauczania i uczenia się. Jednak tradycyjne metody mierzenia zaangażowania, takie jak samoocena lub subiektywne obserwacje nauczycieli, są czasochłonne i podatne na uprzedzenia. Aby sprostać temu wyzwaniu, techniki sztucznej inteligencji (AI) okazały się obiecującymi rozwiązaniami w zakresie automatycznego wykrywania uwagi. Jednym z istotnych aspektów zrozumienia poziomu zaangażowania uczniów jest rozpoznawanie emocji1. Systemy sztucznej inteligencji mogą analizować mimikę twarzy, aby zidentyfikować emocje, takie jak neutralne, wstrę....
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Protokół
Poniższy protokół jest zgodny z wytycznymi komisji etyki badań naukowych nad ludźmi Uniwersytetu w Alicante, zatwierdzony numerem protokołu UA-2022-11-12. Od wszystkich uczestników uzyskano świadomą zgodę na udział w tym eksperymencie oraz na wykorzystanie danych w niniejszej publikacji.
1. Konfiguracja sprzętu, oprogramowania i klasy
- Umieść ruter z funkcją WiFi (eksperymenty przeprowadzono z użyciem DLink DSR 1000AC) w wybranym miejscu tak, aby jego zasięg obejmował całe pomieszczenie. W tym przypadku objęto sale lekcyjne o powierzchni 25 m2 z 30 studentami.
- Przygotuj jeden smartwatch (tuta....
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Wyniki
Grupą docelową niniejszego badania są studenci studiów licencjackich i magisterskich, w związku z czym główna grupa wiekowa mieści się w przedziale od 18 do 25 lat. Populacja ta została wybrana, ponieważ osoby w tym wieku potrafią obsługiwać urządzenia elektroniczne przy mniejszej liczbie rozpraszaczy niż młodsi studenci. Łącznie grupa składała się z 25 osób. Grupa wiekowa ta może dostarczyć najbardziej wiarygodnych wyników niezbędnych do przetestowania przedstawionej propozycji.
Wyniki poziom.......
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Dyskusja
W pracy przedstawiono system, który mierzy poziom uwagi ucznia w klasie za pomocą kamer, smartwatchy i algorytmów sztucznej inteligencji. Informacje te są następnie przedstawiane nauczycielowi, aby miał on wyobrażenie o ogólnym stanie klasy.
Jednym z głównych krytycznych etapów protokołu jest synchronizacja informacji ze smartwatcha z obrazem z kolorowej kamery, ponieważ mają one różne częstotliwości. Problem ten został rozwiązany poprzez wdrożenie malin jako serwerów, które odbierają informac.......
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Oświadczenia
Autorzy oświadczają, że nie są im znane żadne konkurencyjne interesy finansowe ani powiązania osobiste, które mogłyby mieć wpływ na pracę opisaną w tym artykule.
Podziękowania
Ta praca została opracowana dzięki finansowaniu z Programa Prometeo, numer projektu CIPROM/2021/017. Prof. Rosabel Roig jest przewodniczącą UNESCO "Edukacja, Badania i Integracja Cyfrowa".
....Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Materiały
| Nazwa | Firma | Numer katalogowy | Komentarze |
|---|---|---|---|
| 4 procesory graficzne Nvidia A40 Ampere | Procesor graficzny NVIDIA | TCSA40M-PB | do scentralizowanego serwera przetwarzania modeli |
| FusionServer 2288H V5 | X-Fusion | 02311XBK | Platforma zawierająca zasilacz i płytę główną dla scentralizowanego serwera przetwarzania modeli |
| Karta pamięci Evo Plus 128 GB | Samsung | MB-MC128KA/EU | Karta pamięci do obsługi Raspberry Pi 4b 2GB. Po jednym dla każdej maliny. |
| NEMIX RAM - 512 GB Kit DDR4-3200 PC4-25600 8Rx4 EC | NEMIX | M393AAG40M32-CAE | RAM do scentralizowanego serwera przetwarzania modeli |
| Procesor Intel Xeon Gold 6330 | Intel | CD8068904572101 | Procesor dla scentralizowanego serwera przetwarzania modeli |
| Raspberry PI 4B 2GB | Raspberry | 1822095 | Serwer lokalny, który odbiera żądania z zegarów i wysyła je do serwera ogólnego. Jeden na dwóch uczniów. |
| Samsung Galaxy Watch 5 (40 mm) | Zegar Samsung | SM-R900NZAAPHE | , który monitoruje aktywność każdego ucznia. Dla każdego studenta. |
| Samsung MZQL23T8HCLS-00B7C PM9A3 3.84Tb Nvme U.2 PCI-Express-4 x4 2.5-calowy dysk SSD | Samsung | MZQL23T8HCLS-00B7C | Pamięć wewnętrzna dla scentralizowanego serwera przetwarzania modeli |
| Kamera internetowa HD Pro C920 Kamera internetowa FullHD | Logitech | 960-001055 | Kamera internetowa HD. Po jednym dla każdego ucznia plus dwa dla póz uczniów. |
Bibliografia
- Hasnine, M. N., et al. Students' emotion extraction and visualization for engagement detection in online learning. Procedia Comp Sci. 192, 3423-3431 (2021).
- Khare, S. K., Blanes-Vidal, V., Nadimi, E. S., Acharya, U. R.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Przedruki i uprawnienia
