内容概要图

一、弁言

学习参与度识别是研究如何量化评估学生的学习参与情形，被一些研究者看作是在线学习的先决条件。
此文试图采取“文献+实验”的方法，在目前已有单模态识别方案的根本上，设计学习参与度识别的多模态领悟深度学习模型，并在实验中进行拟合演习，核阅该方法与单模态方法的性能比较，以期为干系研究与实践供应借鉴。

二、研究背景与目的（一）研究背景

从学习参与度及其范例的丈量方法，人工智能在学习参与度识别中的运用现状与问题，基于多模态进行学习参与度识别的可行性剖析三方面展开综述。

（二）研究目的

基于未办理的关键问题，确定研究目的：（1）磋商依托深度学习开展学习参与度识别的系统化的方案（2）通过实验，考验提出的多模态学习参与度识别模型的有效性；（3）形成一个针对开放教诲领域的学习参与度识别多模态数据集。

三、实验的过程与方法（一）实验的组织

被试的组成与特色，实验的步骤。

（二）模态选择

附着面部表情的图片是第一模态，脑电数据则作为学习参与度识别的第二模态。

（三）数据预处理（四）特色数据集的构建与数据标记（五）多模态领悟模型的设计

多模态领悟策略的选择，深度学习模型设计

（六）模型演习与选择四、研究结果

候选模型演习结果，最优模型的选择及测试集验证结果，学习参与度与学习效果的关联结果。

五、谈论与反思（一）基于多模态领悟的模型及基于眼部的模型准确率较高（二）基于脑电的预测模型准确率较低（三）容量自动调节机制支持高效的模型选择（四）模型具有一定预测能力，但其泛化能力不足空想（五）模型泛化能力不敷的缘故原由探究六、研究结论

图像模态的准确率可达 80%；脑电模态的准确率为60%旁边，将两者领悟可达到 87% 的多模态领悟准确率。

七、未来展望与建议

通过协作机制建立更大规模的本土数据集，通过众包的方法提高数据标记的质量，扩展学习参与度识别的技能方法，从看重切片转向看重时序。

2 总结反思

上述文章面向学生学习参与度开展研究，数据来源为多模态数据，包括被试脸部图像、脑电波数据，终极得到准确率为87%。

类似的实验研究在遵照一定研究范式开展的根本上，该当看重评价指标的描述、选用，应呈现多种丈量指标（例如准确率，召回率，f1分数等），并规范化终极的丈量数据呈现办法。

其余，由于深度学习实验共同面临的数据集限定，研究者可关注批量数据获取、利用GAN促进虚拟数据天生等领域，实现数据集的扩充，使模型的效力得到进一步提升。