图片来源：Pixabay
过去的研究发现，学生的参与度，或者说学生参与课堂活动的程度，是决定教育项目质量和学生个人学习成绩的关键因素。因此，世界各地的许多教育工作者都在积极尝试设计能够最大限度地提高学生参与度的课程。
然而，有效和可靠地评估学生的参与度可能相当困难。因此，在不干扰学生学习体验的情况下，能长期监测他们在课堂上的投入和参与情况的技术将具有很大的价值，因为这些技术可用于调查课程和教育策略的有效性。
图宾根大学和德国莱布尼茨研究所（Leibniz Institute für Wissensmedien）以及科罗拉多大学博尔德分校（University of Colorado Boulder）的研究人员最近研究了机器学习技术在课堂研究背景下评估学生参与度的潜力。更具体地说，他们设计了一个基于深度神经网络的架构，可以通过分析在课堂环境中收集的视频片段来评估学生的参与度。
“通过使用在上课期间收集的摄像头数据，我们可以教会基于深度神经网络的模型来预测学生的参与度。” Enkelejda Kasneci告诉TechXplore。Kasneci是进行这项研究的多学科团队中的主要HCI研究员：“我们根据真实数据（例如，专家根据课堂上录制的视频对学生参与度的评价）来训练我们的模型。经过这种训练后，该模型能够进行预测，例如，在特定时间点从特定学生那里获得的数据是否表明参与度高或低。”
图片来源：Pixabay
Kasneci和她的同事设计的模型可以扫描在课堂环境中拍摄的大型视频数据集，并识别出学生参与度高或低的情况。根据该团队中的主要认知心理学家Peter Gerjets的说法，这样的方法可以帮助确定与学生注意力高度相关的课堂教学策略，也可以用于教师培训计划。
“对于我们这个研究团队来说，非常重要的一点是要强调我们的目标不是密切监控特定的学生，而是制定智能参与策略，以实现更有效的教学。”Gerjets解释说，“这些技术可以用来提高教学效率，但绝不是用来评价教师。事实上，当涉及关于这些技术应用的目标时，即使用机器学习来支持教学场景，这不仅是一个可以做什么的问题，也是一个应该用这些技术做什么的问题。在我们研究的所有步骤中，我们会密切关注需要讨论的伦理问题，包括隐私、透明度、公平性、问责制和预期用途等。”
几年来，在课堂环境中拍摄的视频一直用作教育相关的研究。然而，到目前为止，这些视频通常是由人工分析，并由人类评级员进行注释，他们需要识别与具体项目相关的模式或细节。然而，计算机视觉和机器学习领域的最新进展使得开发出能够自动分析大量视频并识别其中特定模式的技术成为可能，包括图宾根和加州大学博尔德分校的研究人员开发的技术。
“之前大多数基于人脸分析的作品都是基于小规模的视频数据，并且依赖于良好的人脸对齐和手动调整。”Enkelejda Kasneci和Sidney D'Mello告诉TechXplore，“然而，深度学习为我们提供了从大数据中学习有用表征的机会，并提高了参与分类器的性能。我们的研究旨在使参与度的自动评估尽可能地完善，不需要任何高成本的人工评级或侵入式传感器。”
图片来源：Pixabay
深度神经模型主要是在视觉数据上进行训练。学生的参与程度主要可以通过观察学生的注意力和他/她的情绪反应（即注意力和情感线索）来衡量。因此，研究人员训练了两个残差神经网络，第一个（Attention-Net）用来计算学生头部指向的方向，第二个（Affect-Net）则通过分析学生的面部表情来判断他们的情绪。
“随后，我们基于这两个特征训练了读出分类器，将参与度分为三类：低、中、高。”Kasneci说。这些分类器基于支持向量机、随机森林、多层感知器以及长短期记忆方法。研究人员没有在原始图像上训练他们的算法，而是在深度嵌入（即这些图像的低维表示）上训练它们。这使得算法可以使用非常有限的新数据（60秒的短视频序列）轻松地进行重新训练或个性化。
“综上所述，我们的研究表明，深度学习可以有效地捕捉课堂研究中的参与度。归纳出的参与模式，加上相应的教学内容，可以用来设计更有效的教育策略。”Kasneci说，“这样一来，课堂调查研究就可以更高效地进行，从而帮助提高教学效果。然而，除了伦理方面的考虑，关于深度学习还存在一些开放性的研究问题，例如与数据集和算法的公平性、可解释性和鲁棒性。”
在接下来的研究中，研究人员计划测试该技术的有效性，以评估不同群体的学生参与度。他们还将进一步完善这一方法，以确保其可靠性、公平性和可解释性。
由于该模型是专门为研究目的而设计的，因此视频记录中捕获的学生的匿名性得到了保障。此外，该系统在用于提取深度嵌入后会立即删除原始视频录像，并且只存储与整体学生群体（而不是单个学生）相关的数据。虽然从理论上讲，它可以绘制出单个学生在一段时间内的参与情况，但这可以很容易避免。
“我们计划在接下来的研究中解决一些有趣的问题，涵盖我们研究中更多的计算和更多的内容相关方面。”参与研究的教育心理学家Ulrich Trautwein告诉TechXplore，“我们的目标是更好地理解课堂上不同参与度的前因后果，以及它们如何受到高教学质量的积极影响。在这一点上，我们也强调，参与度是复杂的，目前的技术主要关注基于可见行为的公开行为参与度。衡量更隐蔽的参与状态（如认真学习和思维游离）还有很多工作要做，但让我重申一下：我们强烈反对在现实世界的课堂上使用这种方案对学生和教师进行监控，这既是出于道德上的考虑，也是由于这种安排可能会对学生的学习动机和学习产生负面影响，还有对教师权利的保护。”
翻译：章宁
审校：黄薇
引进来源：techxplore
本文来自：中国数字科技馆
特别声明：本文转载仅仅是出于科普传播信息的需要，并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、网站或个人从本网站转载使用，须保留本网站注明的“来源”，并自负版权等法律责任；作者如果不希望被转载或其它相关事宜，请与我们接洽。
[责任编辑：环球科学]
京公网安备11010502039775号
