Ocena zaangażowania behawioralnego w klasach uniwersyteckich za pomocą detekcji obiektów wideo opartej na głębokim uczeniu

Podsumowanie

Badanie to ocenia zaangażowanie w zachowania uczniów poprzez wykrywanie ich zachowań w materiałach wideo z zadawanych zajęć uniwersyteckich za pomocą algorytmu głębokiego uczenia. Zidentyfikowano siedem zachowań pozytywnie skorelowanych z zaangażowaniem w naukę, a do oceny ogólnego zaangażowania poszczególnych uczniów i klasy stosuje się model punktacji.

Streszczenie

Celem tego badania jest ocena zaangażowania uczniów w naukę na zajęciach uniwersyteckich za pomocą detekcji obiektów wideo opartej na głębokim uczeniu. Aby to zrobić, poprzez analizę korelacyjną, badania te najpierw zidentyfikowały siedem zachowań w klasie, które wykazują wysoce pozytywną korelację z zaangażowaniem w naukę jako wskaźniki mierzące zaangażowanie uczniów; następnie zebrano 30 zsynchronizowanych nagrań z rzeczywistym nauczaniem w klasie z 6 klas Uniwersytetu Nauki i Technologii w Shandong (SDUST) i podzielono je na zestaw szkoleniowy oraz zestaw testowy. Po ręcznym zaznaczeniu siedmiu zachowań w danych treningowych, algorytm uczenia maszynowego był trenowany w sposób nadzorowany na tym zbiorze. Po wytrenowaniu model generował początkowe adnotacje dla pozostałych nieoznaczonych danych. Aby osiągnąć dokładniejsze i bardziej efektywne rozpoznawanie zachowań w klasie, badanie to wybrało dwa reprezentatywne algorytmy, mianowicie Faster R-CNN i YOLOv5s, do eksperymentów wykrywania zachowań. Na podstawie porównania ich wyników wykrywania pod względem dokładności i kosztu czasu, YOLOv5s zostały wybrane do wykrywania zachowań w klasie w tym badaniu. Na koniec badanie wykorzystało metodę grup fokusowych do przypisania punktów każdemu zachowaniu i opracowania trzypoziomowego modelu punktacji zaangażowania w naukę. Na podstawie automatycznie mierzonych danych behawioralnych model umożliwia w czasie rzeczywistym, automatyczną ocenę zaangażowania w naukę zarówno na poziomie indywidualnym, jak i klasowym.

Wprowadzenie

Zaangażowanie w naukę, czyli uczestnictwo, koncentrację i wysiłek uczniów w nauce, obejmuje zaangażowanie behawioralne, emocjonalne oraz poznawcze^{zaangażowanie 1}. Zaangażowanie uczniów w naukę ujawnia ich sytuację edukacyjną i pomaga nauczycielom dostosować strategie nauczania². Jednak zaangażowanie w naukę w klasie oceniane jest głównie na podstawie samoocen uczniów oraz obserwacji nauczycieli³. Wysoki stosunek nauczycieli do uczniów na chińskich uniwersytetach oznacza, że stosowanie tradycyjnych metod manualnych do oceny zaangażowania w naukę wymaga od nauczycieli ogromnego czasu i wysiłku.

....

Protokół

Wszystkie filmy zostały pozyskane i wykorzystane zgodnie z obowiązującymi praktykami etycznymi badań nad ludźmi, zgodnie z zaleceniami Uniwersytetu Nauki i Technologii w Shandong. Uzyskano zgodę na wykorzystanie tych danych.

Po pierwsze, przeprowadzono analizę korelacji w celu zidentyfikowania zachowań uczniów, które mogą służyć jako wskaźniki zaangażowania behawioralnego. Po ustaleniu zbioru danych przez ekstrakcję ramek i podziale na zestaw treningowy oraz testowy, w zbiorze treningowym uruchamiano dwa reprezentatywne algorytmy wykrywania obiektów, które porównano pod względem dokładności i efektywności. Na koniec wybrano algorytm o lepsz....

Wyniki

Dzięki wykrywaniu zachowań i wykorzystaniu modelu punktacji osiągnięto automatyczne pomiary zaangażowania behawioralnego uczniów. Weźmy na przykład jedną klasę z filmu, gdzie zaangażowanie behawioralne każdego ucznia w czasie rzeczywistym można obliczyć na podstawie wyników detekcji zachowań oraz modelu punktacji. Rysunek 6 ilustruje zaangażowanie behawioralne dwóch uczniów na tych zajęciach, prezentując ich poziom zaangażowania w różnych momentach. Stwierdzono, że średnio u.......

Dyskusja

To badanie umożliwiło automatyczne rozpoznawanie i pomiar zaangażowania behawioralnego. W porównaniu z wcześniejszymi badaniami, zidentyfikowane zachowania były bardziej reprezentatywne dla sal wykładowych na uczelni (np. korzystanie z telefonów komórkowych), a ocena zaangażowania behawioralnego była przedstawiona w formie wykresów, co czyniło je intuicyjnymi do zobaczenia. To automatyczne podejście do pomiaru pozwoliło nauczycielom efektywnie i jasno oceniać zaangażowanie poszczególnych uczniów, jak i całej klasy, wspie.......

Materiały

Lista materiałów użytych w tym artykule

Nazwa	Firma	Numer katalogowy	Komentarze
Filmy z klas			Dane wideo użyte w tym badaniu pochodzą z platformy bezpośredniego nagrywania Uniwersytetu Nauki i Technologii w Shandong (SDUST), które są zsynchronizowanymi nagraniami z rzeczywistej lekcji kursu Akademicki angielski. Zebrano 30 filmów z 6 klas studentów niebędących anglistyką, każdy trwający około 50 minut, aby utworzyć możliwy do wytrenowania zestaw danych studentów Zachowania w klasie.
IBM SPSS Statystyki 26	IBM		SPSS dla Windows to modułowy pakiet oprogramowania, który integruje funkcje wprowadzania, organizacji i analizy. Do jego podstawowych funkcji należą zarządzanie danymi, analiza statystyczna, analiza wykresów, zarządzanie wynikami i inne. SPSS jest głównie wykorzystywany do analizy spójności i korelacji w tym artykule.
Oznaczenie 1.8.6			Etykietowanie to narzędzie do wizualnej adnotacji obrazów. Jest napisany w Pythonie i wykorzystuje Qt jako interfejs graficzny. Adnotacje są zapisywane jako pliki XML w formacie PASCAL VOC, który jest używany przez ImageNet. Dodatkowo obsługuje format YOLO. Jest używany w zbiorach danych potrzebnych w sieciach detekcji obiektów, takich jak Faster R-CNN, YOLO i SSD, do adnotacji obiektów na obrazach.
MMDetection 2.22.0			MMDetection, 2.22.0, MMDetection to zestaw narzędzi do wykrywania obiektów, który obejmuje bogate metody wykrywania obiektów, segmentacji instancji oraz segmentacji panoramicznej, a także powiązane komponenty i moduły.