17、利用运动传感器与机器学习助力教育：洞察学生表现与预测辍学风险

利用运动传感器与机器学习助力教育：洞察学生表现与预测辍学风险

在当今教育领域，利用先进技术来提升教学质量和了解学生学习情况变得愈发重要。本文将探讨如何通过运动传感器（如Kinect传感器）来理解学生在创客空间中的协作互动，以及如何利用机器学习技术预测学生辍学风险。

1. 数据处理与协作互动定义

• 个体标注算法 ：使用特定算法对每个数据收集实例中的个体进行标注。将该算法应用于每周的面部图像数据集时，通过每周手动验证100张面部图像，其准确率约为88%。
• Kinect数据预处理 ：
  • 标准化与去重 ：研究同时使用两个Kinect传感器，预处理的第一步是将数据转换到一个参考坐标系。使用自定义视频生成脚本进行数据清理，便于手动检查以进一步检测错误数据。通过计算两个骨架头部关节之间的欧几里得距离和余弦距离，并与较低阈值进行比较来识别重复数据。识别出重复数据后，使用决策树确定是对两个传感器收集的数据取平均值，还是选择其中一个并丢弃另一个。
  • 协作互动实例 ：如果学生与另一名学生或教师的距离在一米以内，则认为该学生与他人进行了协作互动。虽然使用物理接近度作为协作互动的条件是必要但不充分的，但先前的研究表明，使用接近度作为协作互动的代理是可靠和有效的。根据空间关系理论，个体通常在一米的最佳距离进行互动。我们将协作互动的不同实例分为学生单独工作、学生小组工作以及与教师互动。
• 教师评分数据