文摘

网络信息技术和远程技术学习提供便利为大学生学习在线课程,但在实践中还发现了一些问题,和学校需要注意提高学生的学习质量和监督。cross-spatial性质的研究可以用来研究如何检测学生学习疲劳和学习集中在网络教室。本文首先设计一个轻量级的卷积神经网络模型对眼睛状态分类和验证模型的性能。设计模型具有结构紧凑和较高的识别率。结合人眼定位算法,识别眼睛的打开和关闭状态的实现。最后,使用PERCLOS值疲劳检测的可行性,欧拉角,并通过实验验证了模型的偏航。角可以用来检测学生的关注。其他合作的方法可以提高协同监督方法,从而提高大学生网络学习的质量和效率,促进数字现代教学管理的发展模式,并探索未来可能的技术和相应的教学方法和管理模式的变化。

1。介绍

在线课程有明显的优势,如在线方便,广泛的观众,易于使用的课程,和全面、多样化的课程资源1]。中国防疫和控制的需求驱动的在线课程的需求和快速发展2]。欧洲和美国的大学,中国大学和社会机构都是促进网络课程的建设(3]。近年来,大学生的典型网络开放课程资源组织或参与由中国教育部全国高等教育包括智能教育平台(4,5),根据中国教育部公布的数据(6,7]。

所谓的在线学习,也称为网络学习是一种学习方法,主要是在互联网上建立了一个教育平台和使用互联网自由选择学习时间,地点,和学习方法,最后完成特定的学习任务(8]。在线学习可以让学生充分个性化学习。在传统的教室环境中,很难实现理想化的追求个性化学习和个性化的教学9]。在互联网的帮助下,个性化的学习可能成为现实,使学习过程中,学生获得他们所需要的和真正实现个性化学习10]。学习者可以从互联网上自由地选择合适的学习资源,选择适合自己的学习方法11]。

由于缺少面对面的实时监控的学生,许多学生不适应在线课程的学习方法,特别是自控能力不满足在线课程的学习要求,导致表现不佳的学生由于学习积极性较低,没有监测情况(12]。因此,有必要设计一个方法来监控学习中学生的在线学习质量以促进所需的学习效果和质量13]。

当学生登录到在线学习平台,他们必须首先做一个学习计划,然后根据自己的情况选择他们想学的课程14,15]。监督学生的在线学习的过程是一个过程,从学生登录学习平台,当学生结束退出学习平台(16- - - - - -18]。如何有效监督大学生的网上学习和提高他们的学习质量,政府、大学、教师、学生和社会都有巨大的利益或责任,这也是在中国高校德育教学的一个重要方面(19]。因此,技术新颖的在线课程应注重通过技术手段实现和加强监督管理(20.- - - - - -24]。

2。相关工作

自1990年代以来,大量的文章和论文的整合和课程已发表在国际会议和相关文献,但很少发表任何真正的理论深度。然而,很少有研究与任何真实的理论深度,甚至更少的文章能给一个全面和深刻的讨论上面提到的三个问题。有两个重要的工作,讨论了信息技术与课程整合的理论和方法以更系统和完整的方式从上述三个方面。文献[8)是国际教育社会公认的最权威的、有代表性的文献信息技术和课程整合在一个更系统和完整的方式。三个主要的集成模型(详细描述10]。为了帮助教师解决问题如何有效实现信息技术与学科教学的整合,魏et al。11]提出有效集成和提供清晰的具体步骤和方法所面临的三个主要问题的答案信息技术和课程整合的理论(的目标集成、集成的内涵和方法的集成)。虽然结果并不理想,他们对未来的学者提供一个好的参考,探索信息技术与课程的整合。

大多数学者认为,信息技术的集成的本质和公民的教学研究在大学是改变teacher-centred教学的传统教学模式,形成新的教学概念和产生新的教学模式,而不是简单的本质信息技术与教学的整合的公民和政治科学是改变传统的以教师为中心的教学模式(12),产生新的教学理念和新的教学模式,而不是简单地覆盖信息技术与公民和政治科学。杨和Dazhi [14]提出思想政治教学的科学课程,我们不能使用“目标内容”之间的关系处理”一般方法”,但必须考虑思想政治理论课程的性质和特点,深入分析了多媒体教学和多媒体类之间的关系。我们必须考虑思想政治理论课程的性质和特点,深入分析多媒体教学,多媒体课件和困惑的边界的理论和技术逻辑学习技术学习和技术之间的冲突。瓦诺et al。15]专门描述的几个方面,包括特定性能的应用程序,应用程序的原则,应用程序的想法。他们提到有必要完全遵循的基本原则,充分阐明了思想,改变思想,完全信息技术应用于思想政治教育,并加强教育的生命力。

在[16),需要采取的培养学生的核心素养为核心,指导思想政治教育工作者突破传统思维刻板印象,建立“大数据的思想,遵循和把握“microcommunication定律”,创新的想法,渠道,和方法的宣传和教育。钱德拉et al。17)表示,它需要分为明确的目标和需要实现的步骤和阶段。其次,关键是选择正确的信息技术教学的工具,适当的利用多媒体课件,利用电影来提高在正确的时间的问题,引发学生思考,加深他们对知识的理解会收到两次结果与一半的努力。

3所示。学习疲劳检测方法

在本文中,我们积极加强监督管理的在线课程学习的技术:机器学习,人脸识别,等等。具体监督包括(1)学习行为的监督管理:学生是否选择网上课程,无论是值班,完成随堂作业的影响,在课堂上随机点名,防止疏忽学习和检测。(2)检查监督管理行为:监督代替考试,考试违规、作弊。(3)确保数据安全。

为了有效地使用数据,我们设计了一种数据分析方案,本节将详细描述。

本文主要关注学生疲劳检测视频图像的基础上,首先,面对从视频图像中提取帧,然后眼睛面积是本地化的脸,脸和实现原则定位和描述了人眼定位。流学习疲劳检测如图1。

在本文中,我们选择的团队收集的经济网的数据集6),其中包含2425例。人眼数据自动从图像中提取的人脸检测器和眼睛定位器,分别。面对图像大小为100×100像素大小,和提取的眼部图像均匀缩放24×24像素大小。

3.1。眼睛状态识别

执行眼睛状态识别,它也是很有必要来定位人脸区域,然后眼睛区域,然后调用设计眼的眼睛状态识别状态分类模型,和眼睛打开和眼睛关闭识别算法如图2。

眼睛状态识别算法执行检测开启和关闭的眼睛,和最终的识别结果如图3。眼睛状态识别算法提出了可以更好地确定学生的开放和关闭状态的眼睛在网络教室。

造成检测模型是适应特定的部署场景的数据分布调整模型参数在两个阶段:离线学习和在线学习,不增加额外的网络分支或改变网络结构。在离线学习阶段,造成列车的方法检测元模型和适应优化器参数根据不同的课堂数据;在网上学习阶段,造成检测的方法达到快速领域适应模型在小样本条件下通过加载元模型的初始化参数对检测模型和优化器使用适应指导构成检测模型参数训练过程。如图4,本节将集中在离线学习阶段和介绍的方法四个方面,即基本框架的选择构成的检测模型,元模型的训练方法,训练和应用领域的适应优化器,和外部培训优化器在两层的设计训练。

multiscene学生提出检测方法利用元学习如图4。

4所示。基本模型框架

可可数据集是计算机视觉的权威数据集,它定义了目标与像素值小于32×32小目标。的距离后排的学生教学场景的监控摄像头是相对较远,导致后排人类目标的监控图像通常很小,postcategories很难区分。multiscene学生构成的检测数据集使用本文分为小目标成像目标的比例达到20%,这使得它准确。这对准确的检测带来了困难。如图5面具的,目标检测分支Region-CNN(面具R-CNN) [8)用作postdetection模型的框架。的特征提取网络更快Region-CNN(快R-CNN) [10)被残余网络50 (ResNet-50) [11),特征金字塔网络添加到地址的问题严重的信息损失小目标高维特征图。网络(红外系统)(13)来预测人类的姿势从不同尺度的特征图谱。实验表明,目标探测的面具R-CNN大大提高了检测的小后排R-CNN目标相比更快。

造成检测元模型是一个初始域适应模型设计领域适应训练不同的教学场景的在线学习阶段。本文的方法离线训练姿势探测元模型是基于model-agnostic元学习(MAML)算法(14]。通过结合测试损失模型的训练后在各种教学场景中,模型参数梯度引导位置最适合随后的领域适应气候变化。如图6,造成探测元模型不是针对一个特定的教学情景,但旨在好域适应所有类型的教学场景。

N场景构成检测数据集构建基于multiscene姿势的训练数据检测数据集 。每个场景数据集由一个支持组和一组查询相互排斥的分布。探测元模型参数作为初始值,然后元模型的优化目标参数在N场景构成检测数据如下:

在这种情况下,单一场景测试损失函数 定义如下:

是测试造成的损失检测模型支持设置与造成检测模型参数。测试造成的损失检测模型面具R-CNN由四部分组成,包括积极的和消极的样本分类和边境地区建议网络的回归损失(RPN) [10)在图3和构成分类和候选帧回归损失最终模型的输出。

场景测试纸要求元模型参数在场景支持组训练一次在测量前对查询集 。培训前测试直接损失,而不是测试数据集意味着元模型将更加关注postdetection模型的性能后,一直在训练领域适应一个特定的场景。这个操作是使用模型的近似二阶导数优化后续梯度下降的模型参数15),导致更好的性能后的元模型领域适应特定的教学情景。

5。领域适应优化器

模型参数通常难以收敛到理想的位置,当模型参数优化的小样本条件下直接由梯度下降法。因此,parameter-learning领域适应优化设计,并通过嵌入域的训练适应优化器的两层训练模式MAML在离线学习阶段,适应域优化器可以提供指导的优化方向和步长,每个参数的元模型在随后的领域适应过程(16]。

图7说明了两层培训过程添加域后适应优化器。单一的训练步骤包括以下:首先,n场景数据集随机选择;然后,检测模型内部的培训支持的我数据集的元模型参数作为初始值,更新后的模型参数 ;然后,该模型参数测试设置的查询吗获得内部培训损失现场,内部培训的损失n场景是平均获取multiscene培训损失;最后,基于此multiscene培训损失,元模型参数和域适应优化器平均体重参数获取multiscene培训损失。最后,在此基础上多场景训练损失,元模型参数和重量参数 , 领域的适应性优化器可以外部培训。

假设单位时间图像帧的总数米和图像帧的数量,发现眼睛是单位时间内关闭一些检测标准(P80之一、P70或EM) / m, PERCLOS值的比值图像帧的数量,眼睛是封闭的单位时间内单位时间的图像帧总数,定义由以下方程:

疲劳测试可以在课堂学习是有价值的。例如,一些学生可能会经历睡眠和其他行为随着疲劳水平增加上课时间的流逝。图8显示了算法获取PERCLOS参数和P80标准用于PERCLOS本文。由于帧图像摄像机的数量相对固定的时间单位,450年时间来捕捉图像帧将被定义为一个时间单位。

可以看出从PERCLOS参数采集的算法流程设计摘要,每个捕获图像首先决定一脸图像帧,从而增加了统计PERCLOS价值。当捕获的图像等于或大于450帧,系统将自动计算PERCLOS值在当前450帧并将其保存和清晰的捕捉的图像数据为0,等待下一个统计周期。下课后,如果小于450帧的图片,它还将被丢弃,以确保PERCLOS值统计单位时间是固定的。在这个算法中,统计数据是图像帧的总数和欧喷爱图像帧的数量,和闭眼图像帧的图像帧总数-欧喷爱图像帧的数量。

6。课堂讨论和问答

如表所示1在教室里,有三种类型的数据的讨论和问答:老师设定的目标值,学习者的参与,统计和经验的学习者的价值。其中,教师设定的目标值包括讨论和问答环节的总数和总经验值的讨论和问答会话;统计数据包括学习者参与讨论和问答会话的数量,总数的演讲,和他们喜欢的老师的次数;经验值的数据包括被老师喜欢的经验值,经验值的参与,和总经验值。

表2显示的频率和数量的统计问题和答案。大多数的学习者能够参与互动问答活动。可以看出,大多数学习者参与了互动问答活动的前提,教师设置4讨论和问答环节,而30名学生更被动,没有积极参与。学生参与的数量比例最高的学生参加了一次,四次,所以仍有许多改进的空间在学习者的动机。

表3显示了问答会话的数量的分布统计信息,这表明之间有正相关问答会话的数量和获得的经验值。一般而言,学习者参与问答的次数越多,他们获得经验值越高;相反,学习者参与问答的次数越少,他们获得的经验值越低。例如,大多数学习者参与只有一个问答环节收到少于5的经验值。有趣的是,总有一小部分学习者接受一个经验值超过平均的总经验的问答环节。例如,在学习者参与两个讨论,一个学习者有一个经验值大于10岁和小于15岁,和一个有经验值大于25,这是一样的总经验值两个学习者参与四个六学习者参与讨论和四个讨论。

7所示。结论

本文结合人眼定位算法,实现了识别的打开和关闭状态的眼睛,最后验证的可行性PERCLOS价值在疲劳检测实验。nonface-to-face和非均匀空间交叉的在线课程可以学习如何检测学生学习疲劳和注意力在网络教室学习。然而,这项研究的缺点,加强协作监督其他的合作方式,从而促进大学生网络学习的质量和效果,促进数字现代教学管理的发展模式。

数据可用性

没有数据被用来支持本研究。

的利益冲突

作者宣称没有利益冲突。