请选择 进入手机版 | 继续访问电脑版
 找回密码
 立即注册
搜索

人工智能教育应用与研究摘要与反思

lie174 2022-10-31 10:01:49 显示全部楼层 阅读模式
摘要论文:[1]曹晓明,张永和,潘萌,朱姗,闫海亮.人工智能视域下的学习参与度识别方法研究——基于一项多模态数据融合的深度学习实验分析[J].远程教育杂志,2019,37(01):32-44.DOI:10.15881/j.cnki.cn33-1304/g4.2019.01.003.
1 阅读摘要




人工智能教育应用与研究摘要与反思-1.jpg

内容概要图
一、引言

学习参与度识别是研究如何量化评估学生的学习参与情况,被一些研究者看作是在线学习的先决条件。此文试图采用“文献+实验”的方法,在目前已有单模态识别方案的基础上,设计学习参与度识别的多模态融合深度学习模型,并在实验中进行拟合训练,审视该方法与单模态方法的性能比较,以期为相关研究与实践提供借鉴。
二、研究背景与目的

(一)研究背景

从学习参与度及其典型的测量方法,人工智能在学习参与度识别中的应用现状与问题,基于多模态进行学习参与度识别的可行性分析三方面展开综述。
(二)研究目的

基于未解决的关键问题,确定研究目的:(1)探讨依托深度学习开展学习参与度识别的系统化的方案(2)通过实验,检验提出的多模态学习参与度识别模型的有效性;(3)形成一个针对开放教育领域的学习参与度识别多模态数据集。
三、实验的过程与方法

(一)实验的组织

被试的组成与特征,实验的步骤。
(二)模态选择

附着面部表情的图片是第一模态,脑电数据则作为学习参与度识别的第二模态。
(三)数据预处理

(四)特征数据集的构建与数据标记

(五)多模态融合模型的设计

多模态融合策略的选择,深度学习模型设计
(六)模型训练与选择

四、研究结果

候选模型训练结果,最优模型的选择及测试集验证结果,学习参与度与学习效果的关联结果。
五、讨论与反思

(一)基于多模态融合的模型及基于眼部的模型准确率较高

(二)基于脑电的预测模型准确率较低

(三)容量自动调节机制支持高效的模型选择

(四)模型具有一定预测能力,但其泛化能力不够理想

(五)模型泛化能力不足的原因探究

六、研究结论

图像模态的准确率可达 80%;脑电模态的准确率为60%左右,将两者融合可达到 87% 的多模态融合准确率。
七、未来展望与建议

通过协作机制建立更大规模的本土数据集,通过众包的方法提高数据标记的质量,扩展学习参与度识别的技术方法,从注重切片转向注重时序。
2 总结反思

上述文章面向学生学习参与度开展研究,数据来源为多模态数据,包括被试脸部图像、脑电波数据,最终得到准确率为87%。
类似的实验研究在遵循一定研究范式开展的基础上,应该注重评价指标的描述、选用,应呈现多种测量指标(例如准确率,召回率,f1分数等),并规范化最终的测量数据呈现方式。
另外,由于深度学习实验共同面临的数据集限制,研究者可关注批量数据获取、使用GAN促进虚拟数据生成等领域,实现数据集的扩充,使模型的效力得到进一步提升。
回复

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册