TL;DR
- چکیده:.
- مطالعات قبلی پتانسیل تجزیه و تحلیل رفتارهای نگاه را در یادگیری مشارکتی برای ارائه اطلاعات آموزشی معنادار برای.
- دانشآموزان به منظور تأمل در یادگیری خود نشان دادهاند.
چه اتفاقی افتاد
چکیده:. مطالعات قبلی پتانسیل تجزیه و تحلیل رفتارهای نگاه را در یادگیری مشارکتی برای ارائه اطلاعات آموزشی معنادار برای.
دانشآموزان به منظور تأمل در یادگیری خود نشان دادهاند. در دهههای گذشته، رویکردهای یادگیری ماشینی برای تشخیص خودکار رفتارهای نگاه از دادههای ویدیویی توسعه یافتهاند.
با این حال،. از آنجایی که این رویکردها اغلب به مقادیر زیادی از دادههای برچسب دار برای آموزش نیاز دارند،.
حاشیه نویسی انسانی همچنان ضروری است. علاوه بر این،.
محققان استحکام پیکربندی متقابل مدلهای یادگیری ماشین توسعهیافته را مورد تردید قرار دادهاند،. زیرا مجموعه دادههای آموزشی اغلب نمیتوانند طیف کاملی از موقعیتهایی را که در زمینههای آموزشی با آن مواجه.
میشوند را دربرگیرد. برای پرداختن به این چالشها،.
این مطالعه یک رویکرد هوش مصنوعی مقیاسپذیر را پیشنهاد میکند که از مدلهای از پیشآموزشدیده و پایهای. برای شناسایی خودکار رفتارهای خیرهکننده در مشارکت چهره به چهره استفاده میکند.
زمینههای یادگیری بدون نیاز به دادههای مشروح شده توسط انسان. این رویکرد از YOLO11 از پیشآموزش دیده برای ردیابی افراد،.
YOLOE-26 با قابلیت متن سریع برای تشخیص اشیاء مرتبط با آموزش،. و مدل Gaze-LLE برای پیش بینی هدف نگاه استفاده میکند.
نتایج نشان میدهد که رویکرد پیشنهادی به امتیاز F1 0. 829 در تشخیص رفتارهای نگاه دانشآموزان از دادههای ویدیویی،.
با عملکرد قوی برای نگاه لپتاپ و نگاه همتا،. و در عین حال عملکرد ضعیفتر برای سایر اهداف خیرهکننده دست مییابد.
علاوه بر این،. در مقایسه با سایر رویکردهای یادگیری ماشینی تحت نظارت،.
روش پیشنهادی عملکرد برتر و پایدارتری را در زمینههای پیچیده نشان میدهد و استحکام بین پیکربندی بهتر آن. را برجسته میکند.
پیامدهای این رویکرد برای حمایت از یادگیری مشارکتی دانشآموزان در محیطهای دنیای واقعی نیز مورد بحث قرار. میگیرد.
صفحه،. 6 شکل،.
2 جدول،. پذیرفته شده توسط بیست و هفتمین کنفرانس بین المللی هوش مصنوعی در آموزش (AIED 2026) بینایی کامپیوتری و.
تشخیص الگو (cs. CV) استناد بهعنوان: (یا v1 [cs.
CV] برای این نسخه) https:. // شده توسط arXiv از طریق DataCite تاریخچه ارسال از:.
Junyuan Liang [مشاهده ایمیل] [v1] چهارشنبه،. 1 آوریل 2026،.
10:. 22:.
22 UTC (1,. 902 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.