37、学生参与度预测与人机交互界面创新

学生参与度预测与人机交互界面创新

1. 学生参与度相关事件的早期预测

在学生参与度预测方面，有一个有趣的发现：仅使用上下文特征在两种情况下都比仅使用面部特征更早做出预测，且 F1 分数没有显著差异。这看似有悖直觉，因为面部特征在情感识别中被广泛应用。上下文特征并不直接编码学生的任何信息，而是记录活动的进展情况，所以它们似乎不太可能优于面部特征。

1.1 上下文特征表现更好的原因

• 面部特征数据噪声大 ：OpenFace 输出的面部特征数据存在噪声。学生在摄像头画面中快速移动，并且在活动期间偶尔会有其他学生出现在画面中。
• 上下文特征更稳定 ：相比之下，上下文特征的噪声较小，因为它们是根据活动期间平板电脑屏幕上相对静态和可预测的项目计算得出的。
• 参与度与使用时间相关 ：学生的参与度可能与使用平板电脑的时间密切相关（使用时间是上下文特征之一），这可能是由于疲劳导致的。

1.2 预测学生参与度的方法

采用了高斯混合模型（GMMs）和贝叶斯更新的方法，并基于预测的准确性和及时性来优化性能。研究结果表明，在给定合适的概率阈值的情况下，可以在较早阶段对学生的参与度做出合理准确的预测。

1.3 方法的局限性与优势

• 局限性 ：
  • 由于不存在“真实”的参与度，该方法使用反馈和返回按钮事件作为代理，这意味着结果的解释可能存在歧义。