TL;DR
- چکیده:.
- درک مشارکت دانشآموز معمولاً مستلزم مشاهده دستی زمانبر یا ضبط تهاجمیاست که نگرانیهایی را در مورد حفظ.
- حریم خصوصی ایجاد میکند.
چه اتفاقی افتاد
چکیده:. درک مشارکت دانشآموز معمولاً مستلزم مشاهده دستی زمانبر یا ضبط تهاجمیاست که نگرانیهایی را در مورد حفظ.
حریم خصوصی ایجاد میکند. ما خط لوله حفظ حریم خصوصی را ارائه میکنیم که ویدیوهای کلاس درس را تجزیه و تحلیل میکند.
تا بینشهایی در مورد توجه دانشآموزان استخراج کند،. بدون اینکه هیچ فیلم قابل شناسایی را ذخیره کند.
سیستم ما با استفاده از OpenPose برای استخراج اسکلتی و Gaze-LLE برای تخمین توجه بصری روی یک GPU. اجرا میشود.
فریمهای ویدیوی اصلی بلافاصله پس از استخراج پوز حذف میشوند،. بنابراین فقط مختصات هندسی (ذخیرهشده بهعنوان JSON) حفظ میشوند و از انطباق با FERPA اطمینان حاصل میشود.
دادههای ژست و نگاه استخراجشده توسط QwQ-32B-Reasoning پردازش میشوند،. که تجزیه و تحلیل صفر شات رفتار دانشآموز را در بخشهای سخنرانی انجام میدهد.
مربیان از طریق داشبورد وب دارای نقشههای حرارتی توجه و خلاصههای رفتاری به نتایج دسترسی دارند. یافتههای اولیه ما نشان میدهد که LLMها ممکن است نویدبخش درک رفتار چندوجهی باشند،.
اگرچه هنوز با استدلال فضایی در مورد چیدمان کلاس درس مبارزه میکنند. ما در مورد این محدودیتها بحث میکنیم و دستورالعملهایی را برای بهبود درک فضایی LLM در زمینههای تحلیل.
آموزشی بیان میکنیم. صفحه، 2 شکل.
پیش چاپ تعامل انسان و کامپیوتر (cs. HC)؛ هوش مصنوعی (cs.
AI)؛ بینایی کامپیوتری و تشخیص الگو (cs. CV) کلاسهای ACM: H.
5. 2; I.
2. 7 استناد بهعنوان: (یا v1 [cs.
HC] برای این نسخه) https:. // شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:.
Nolan Platt [مشاهده ایمیل] [v1] جمعه،. 3 آوریل 2026،.
19:. 04:.
31 UTC (2,. 917 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.