Preview

Информатика и образование

Расширенный поиск
Доступ открыт Открытый доступ  Доступ закрыт Только для подписчиков

Применение технологий компьютерного зрения для автоматического сбора данных об эмоциях обучающихся во время групповой работы

https://doi.org/10.32517/0234-0453-2020-35-5-56-63

Полный текст:

Аннотация

Сегодня мировое научное сообщество активно обсуждает вопросы применения искусственного интеллекта в образовании. Одна из наименее изученных технологий, в части ее применения в сфере образования, — компьютерное зрение. Разработка и внедрение интеллектуальных систем на основе алгоритмов анализа видео и машинного обучения предоставляют преподавателям и сотрудникам администрации образовательной организации новые возможности для понимания образовательного процесса и его трансформации. В статье рассматривается применение технологий анализа видео с камер с углом обзора, равным 360 градусам, для сбора данных об эмоциональном состоянии обучающихся во время групповой работы на учебных занятиях. В ходе описываемого исследования было разработано программное решение для автоматического сбора данных об эмоциях обучающихся во время работы в группах на учебных занятиях, которое может быть применено для проведения дальнейших исследований, направленных на изучение влияния эмоционального состояния обучающихся на их образовательные успехи. Результаты исследования могут быть использованы для формирования повестки научных исследований российских вузов в целях реализации задач раздела «Образование и кадры» программы «Цифровая экономика Российской Федерации», утвержденной Правительством Российской Федерации.

Об авторе

Р. Б. Куприянов
Московский городской педагогический университет
Россия

Куприянов Роман Борисович, зам. начальника управления информационных технологий

129226, г. Москва, 2-й Сельскохозяйственный проезд, д. 4



Список литературы

1. Afsar P., Cortez P., Santos H. Automatic visual detection of human behavior: A review from 2000 to 2014 // Expert Systems with Applications. 2015. Vol. 42. Is. 20. P. 6935–6956. DOI: 10.1016/j.eswa.2015.05.023

2. Уваров А. Ю., Гейбл Э., Дворецкая И. В., Заславский И. М., Карлов И. А., Мерцалов Т. А., Сергоманов П. А., Фрумин И. Д. Трудности и перспективы цифровой трансформации образования. М.: ВШЭ, 2019. 343 с. DOI: 10.17323/978-5-7598-1990-5

3. Rizzotto L. The future of education: How A.I. and immersive tech will reshape learning forever. Medium, 2017. https://medium.com/futurepi/a-vision-for-education-andits-immersive-a-i-driven-future-b5a9d34ce26d

4. Faggella D. Examples of artificial intelligence in education. Emerj, 2019. https://www.techemergence.com/examples-of-artificial-intelligence-in-education

5. Daria R. AI in education or How to create an advanced artificial intelligence program. Cleveroad, 2017. https://www.cleveroad.com/blog/ai-in-education-or-whatadvantages-of-artificial-intelligence-in-education-you-cangain-

6. Уваров А. Ю. Технологии искусственного интеллекта в образовании // Информатика и образование. 2018. № 4. С. 14–22.

7. Wagner W., Göllner R., Werth S., Voss T., Schmitz B., Trautwein U. Student and teacher ratings of instructional quality: Consistency of ratings over time, agreement, and predictive power // Journal of Educational Psychology. 2016. Vol. 108. No. 5. P. 705–721. DOI: 10.1037/edu0000075

8. Kunter M., Klusmann U., Baumert J., Richter D., Voss T., Hachfeld A. Professional competence of teachers: Effects on instructional quality and student development // Journal of Educational Psychology. 2013. Vol. 105. Is. 3. P. 805–820. DOI: 10.1037/a0032583

9. Fox A. S., Lapate R. C., Shackman A. J., Davidson R. J. The nature of emotion: Fundamental questions. Oxford: Oxford University Press, 2018. 632 p.62

10. Bidwell J., Fuchs H. Classroom analytics: Measuring student engagement with automated gaze tracking. 2011. 17 p. DOI: 10.13140/RG.2.1.4865.6242

11. Helmke A., Helmke T., Heyne N., Hosenfeld A., Schrader F.-W., Wagner W. Allgemeine beobachtungsinstrumente der unterrichtsstudie “VERA — gute unterrichtspraxis”. Landau: Universität Koblenz-Landau, 2007. (In German.)

12. Klieme E., Eichler W., Helmke A., Lehmann R. H., Nold G., Rolff H.-G., Schröder K., Thomé G., Willenberg H. Unterricht und kompetenzerwerb in Deutsch und Englisch. Ergebnisse der DESI-Studie. Weinheim: Beltz, 2008. 459 p. (In German.)

13. Ainley M. Connecting with learning: Motivation, affect and cognition in interest processes // Educational Psychology Review. 2006. Vol. 18. P. 391–405. DOI: 10.1007/s10648-006-9033-0

14. Appleton J. J., Lawrenz F. Student and teacher perspectives across mathematics and science classrooms: The importance of engaging contexts // School Science and Mathematics. 2011. Vol. 111. Is. 4. P. 143–155. DOI: 10.1111/j.1949-8594.2011.00072.x

15. Aung A. M., Ramakrishnan A., Whitehill J. R. Who are they looking at? Automatic eye gaze following for classroom observation video analysis // Proc. 11th Int. Conf. on Educational Data Mining. 2018. P. 252–258.

16. Santini T., Kubler T., Draghetti L., Gerjets P., Wagner W., Trautwein U., Kasneci E. Automatic mapping of remote crowd gaze to stimuli in the classroom. https://pdfs.semanticscholar.org/581e/920ddb6ecfc2a313a3aa6fed3d933b917ab0.pdf

17. Soloviev V. Machine learning approach for student engagement automatic recognition from facial expressions // Scientific Publications of the State University of Novi Pazar. Series A: Applied Mathematics, Informatics and Mechanics. 2018. Vol. 10. Is. 2. P. 79–86. DOI: 10.5937/SPSUNP1802079S

18. Reilly J. M., Ravenell M., Schneider B. Exploring collaboration using motion sensors and multi-modal learning analytics // Proc. 11th Int. Conf. on Educational Data Mining. 2018. P. 333–341.

19. Rajendran Ramkumar, Kümar Anurag, Carter Kelly E., Levin Daniel T., Biswas Gautam. Predicting learning by analyzing eye-gaze data of reading behavior // International Conference on Educational Data Mining (EDM) 2018. Proceedings of the 11th International Conference on Educational Data Mining, Kristy Elizabeth Boyer and Michael Yudelson (Eds.). Buffalo, NY, July 16–20, 2018, С. 455–462. https://educationaldatamining.org/files/conferences/EDM2018/papers/EDM2018_paper_205.pdf

20. D’Mello S., Graesser A. Dynamics of affective states during complex learning // Learning and Instruction. 2012. Vol. 22. Is. 2. P. 145–157. DOI: 10.1016/j.learninstruc.

21. 10.001 21. Bosch N. Detecting student engagement: Human versus machine // UMAP ‘16: Proc. 2016 Conf. on User Modeling Adaptation and Personalization. New York: ACM, 2016. P. 317–320. DOI: 10.1145/2930238.2930371

22. Hallion L. S., Steinman S. A., Kusmierski S. N. Difficulty concentrating in generalized anxiety disorder: An evaluation of incremental utility and relationship to worry // Journal of Anxiety Disorders. 2018. Vol. 53. P. 39–45. DOI: 10.1016/j.janxdis.2017.10.007

23. Whitehill J., Serpell Z., Lin Y.-C., Foster A., Movellan J. R. The faces of engagement: Automatic recognition of student engagement from facial expressions // IEEE Transactions on Affective Computing. 2014. Vol. 5. Is. 1. P. 86–98. DOI: 10.1109/TAFFC.2014.2316163

24. Shuman V., Clark-Polner E., Meuleman B., Sander D., Scherer K. Emotion perception from a componential perspective // Cognition and Emotion. 2017. Vol. 31. Is. 1. P. 47–56. DOI: 10.1080/02699931.2015.1075964

25. Распоряжение Правительства Российской Федерации от 28 июля 2017 года № 1632-р «Об утверждении программы “Цифровая экономика Российской Федерации”». http://www.consultant.ru/document/cons_doc_LAW_221756/


Для цитирования:


Куприянов Р.Б. Применение технологий компьютерного зрения для автоматического сбора данных об эмоциях обучающихся во время групповой работы. Информатика и образование. 2020;(5):56-63. https://doi.org/10.32517/0234-0453-2020-35-5-56-63

For citation:


Kupriyanov R.B. Application of computer vision technologies for automatic data collection about emotions of students during group work. Informatics and education. 2020;(5):56-63. (In Russ.) https://doi.org/10.32517/0234-0453-2020-35-5-56-63

Просмотров: 24


ISSN 0234-0453 (Print)
ISSN 2658-7769 (Online)