科學研究：基於深度學習的學生參與度評價可助力課堂研究


圖片來源：Pixabay
過去的研究發現，學生的參與度，或者說學生參與課堂活動的程度，是決定教育項目質量和學生個人學習成績的關鍵因素。因此，世界各地的許多教育工作者都在積極嚐試設計能夠最大限度地提高學生參與度的課程。
然而，有效和可靠地評估學生的參與度可能相當困難。因此，在不幹擾學生學習體驗的情況下，能長期監測他們在課堂上的投入和參與情況的技術將具有很大的價值，因為這些技術可用於調查課程和教育策略的有效性。
圖賓根大學和德國萊布尼茨研究所（Leibniz Institute für Wissensmedien）以及科羅拉多大學博爾德分校（University of Colorado Boulder）的研究人員最近研究了機器學習技術在課堂研究背景下評估學生參與度的潛力。更具體地說，他們設計了一個基於深度神經網絡的架構，可以通過分析在課堂環境中收集的視頻片段來評估學生的參與度。
“通過使用在上課期間收集的攝像頭數據，我們可以教會基於深度神經網絡的模型來預測學生的參與度，” Enkelejda Kasneci告訴TechXplore。Kasneci是進行這項研究的多學科團隊中的主要HCI研究員 “我們根據真實數據（例如，專家根據課堂上錄製的視頻對學生參與度的評價）來訓練我們的模型。經過這種訓練後，該模型能夠進行預測，例如，在特定時間點從特定學生那裏獲得的數據是否表明參與度高或低。”


圖片來源：Pixabay
Kasneci和她的同事設計的模型可以掃描在課堂環境中拍攝的大型視頻數據集，並識別出學生參與度高或低的情況。根據該團隊中的主要認知心理學家Peter Gerjets的說法，這樣的方法可以幫助確定與學生注意力高度相關的課堂教學策略，也可以用於教師培訓計劃。
"對於我們這個研究團隊來說，非常重要的一點是要強調我們的目標不是密切監控特定的學生，而是製定智能參與策略，以實現更有效的教學。"Gerjets解釋說。"這些技術可以用來提高教學效率，但絕不是用來評價教師。事實上，當涉及到關於這些技術應用的目標時，即使用機器學習來支持教學場景，這不僅是一個可以做什麽的問題，也是一個應該用這些技術做什麽的問題。在我們研究的所有步驟中，我們會密切關注需要討論的倫理問題，包括隱私、透明度、公平性、問責製和預期用途等。"
幾年來，在課堂環境中拍攝的視頻一直用作教育相關的研究。然而，到目前為止，這些視頻通常是由人工分析，並由人類評級員進行注釋，他們需要識別與具體項目相關的模式或細節。然而，計算機視覺和機器學習領域的最新進展使得開發出能夠自動分析大量視頻並識別其中特定模式的技術成為可能，包括圖賓根和加州大學博爾德分校的研究人員開發的技術。
“之前大多數基於人臉分析的作品都是基於小規模的視頻數據，並且依賴於良好的人臉對齊和手動調整，"Enkelejda Kasneci和Sidney D'Mello告訴TechXplore。"然而，深度學習為我們提供了從大數據中學習有用表征的機會，並提高了參與分類器的性能。我們的研究旨在使參與度的自動評估盡可能地完善，不需要任何高成本的人工評級或侵入式傳感器。”


圖片來源：Pixabay
深度神經模型主要是在視覺數據上進行訓練。學生的參與程度主要可以通過觀察學生的注意力和他/她的情緒反應（即注意力和情感線索）來衡量。因此，研究人員訓練了兩個殘差神經網絡，第一個（Attention-Net）用來計算學生頭部指向的方向，第二個（Affect-Net）則通過分析學生的麵部表情來判斷他們的情緒。
“隨後，我們基於這兩個特征訓練了讀出分類器，將參與度分為三類：低、中、高，”Kasneci說。這些分類器基於支持向量機、隨機森林、多層感知器以及長短期記憶方法。研究人員沒有在原始圖像上訓練他們的算法，而是在深度嵌入（即這些圖像的低維表示）上訓練它們。這使得算法可以使用非常有限的新數據（60秒的短視頻序列）輕鬆地進行重新訓練或個性化。
“綜上所述，我們的研究表明，深度學習可以有效地捕捉課堂研究中的參與度。歸納出的參與模式，加上相應的教學內容，可以用來設計更有效的教育策略。”Kasneci說。“這樣一來，課堂調查研究就可以更高效地進行，從而幫助提高教學效果。然而，除了倫理方麵的考慮，關於深度學習還存在一些開放性的研究問題，例如與數據集和算法的公平性、可解釋性和魯棒性。”
在接下來的研究中，研究人員計劃測試該技術的有效性，以評估不同群體的學生參與度。他們還將進一步完善這一方法，以確保其可靠性、公平性和可解釋性。
由於該模型是專門為研究目的而設計的，因此視頻記錄中捕獲的學生的匿名性得到了保障。此外，該係統在用於提取深度嵌入後會立即刪除原始視頻錄像，並且隻存儲與整體學生群體（而不是單個學生）相關的數據。雖然從理論上講，它可以繪製出單個學生在一段時間內的參與情況，但這可以很容易避免。
"我們計劃在接下來的研究中解決一些有趣的問題，涵蓋我們研究中更多的計算和更多的內容相關方麵，"參與研究的教育心理學家Ulrich Trautwein告訴TechXplore。"我們的目標是更好地理解課堂上不同參與度的前因後果，以及它們如何受到高教學質量的積極影響。在這一點上，我們也強調，參與度是複雜的，目前的技術主要關注基於可見行為的公開行為參與度。衡量更隱蔽的參與狀態（如認真學習和思維遊離）還有很多工作要做，但讓我重申一下：我們強烈反對在現實世界的課堂上使用這種方案對學生和教師進行監控，這既是出於道德上的考慮，也是由於這種安排可能會對學生的學習動機和學習產生負麵影響，還有對教師權利的保護。"
翻譯：章寧
審校：黃薇
引進來源：techxplore
引進鏈接：https://techxplore.com/news/2021-01-deep-learning-based-student-engagement-aid.htm


關注【深圳科普】微信公眾號，在對話框：
回複【最新活動】，了解近期科普活動
回複【科普行】，了解最新深圳科普行活動
回複【研學營】，了解最新科普研學營
回複【科普課堂】，了解最新科普課堂
回複【科普書籍】，了解最新科普書籍
回複【團體定製】，了解最新團體定製活動
回複【科普基地】，了解深圳科普基地詳情
回複【觀鳥星空体育官网入口网站】，學習觀鳥相關科普星空体育官网入口网站
回複【博物學院】，了解更多博物學院活動詳情