view in publisher's site

Assessing the attention levels of students by using a novel attention aware system based on brainwave signals

Abstract Rapid progress in information and communication technologies (ICTs) has fueled the popularity of e‐learning. However, an e‐learning environment is limited in that online instructors cannot monitor immediately whether students remain focus during online autonomous learning. Therefore, this study tries to develop a novel attention aware system (AAS) capable of recognizing students' attention levels accurately based on electroencephalography (EEG) signals, thus having high potential to be applied in providing timely alert for conveying low‐attention level feedback to online instructors in an e‐learning environment. To construct AAS, attention responses of students and their corresponding EEG signals are gathered based on a continuous performance test (CPT), ie, an attention assessment test. Next, the AAS is constructed by using training and testing data by the NeuroSky brainwave detector and the support vector machine (SVM), a well‐known machine learning model. Additionally, based on the discrete wavelet transform (DWT), the collected EEG signals are decomposed into five primary bands (ie, alpha, beta, gamma, theta, and delta). Each primary band contains five statistical parameters (including approximate entropy, total variation, energy, skewness, and standard deviation), thus generating 25 potential brainwave features associated with students' attention level for constructing the AAS. An attempt based on genetic algorithm (GA) is also made to enhance the prediction performance of the proposed AAS in terms of identifying students' attention levels. According to GA, the seven most influential features are selected from 25 considered features; parameters of the proposed AAS are also optimized. Analytical results indicate that the proposed AAS can accurately recognize individual student's attention state as either a high or low level, and the average accuracy rate reaches as high as 89.52%. Moreover, the proposed AAS is integrated with a video lecture tagging system to examine whether the proposed AAS can accurately detect students' low‐attention periods while learning about electrical safety in the workplace via a video lecture. Four experiments are designed to assess the prediction performance of the proposed AAS in terms of identifying the periods of video lecture with high‐ or low‐attention levels during learning processes. Analytical results indicate that the proposed AAS can accurately identify the low‐attention periods of video lecture generated by students when engaging in a learning activity with video lecture. Meanwhile, the proposed AAS can also accurately identify the low‐attention periods of video lecture generated by students to some degree even when students engage in a learning activity by a video lecture with random disturbances. Furthermore, strong negative correlations are found between the students' learning performance (ie, posttest score and progressive score) and the low‐attention periods of video lecture identified by the proposed AAS. Results of this study demonstrate that the proposed AAS is effective, capable of assisting online instructors in evaluating students' attention levels to enhance their online learning performance.

ارزیابی سطح توجه دانش آموزان با استفاده از یک سیستم اطلاع توجه جدید براساس سیگنال‌های brainwave

چکیده پیشرفت سریع در فن‌آوری‌های اطلاعاتی و ارتباطی (ICT ها)به محبوبیت یادگیری الکترونیکی دامن زده‌است. با این حال، یک محیط یادگیری الکترونیکی محدود است به این که مربیان آنلاین نمی‌توانند بلافاصله کنترل کنند که آیا دانش آموزان در طول یادگیری آنلاین آنلاین در حال تمرکز هستند یا نه. بنابراین، این مطالعه تلاش می‌کند تا یک سیستم آگاه از توجه (AAS)را که قادر به تشخیص دقیق سطوح توجه دانش آموزان براساس سیگنال‌های EEG (EEG)باشد، ایجاد کند، بنابراین داشتن پتانسیل بالایی برای انتقال بازخورد سطح توجه به مربیان آنلاین در محیط یادگیری الکترونیکی دارد. برای ایجاد AAS، واکنش‌های توجه دانش آموزان و سیگنال‌های EEG متناظر آن‌ها براساس آزمون عملکرد پیوسته (CPT)، یعنی آزمون ارزیابی توجه جمع‌آوری می‌شوند. سپس، AAS با استفاده از آموزش و تست داده‌ها توسط آشکارساز brainwave NeuroSky و ماشین بردار پشتیبان (SVM)، یک مدل یادگیری ماشین مشهور ساخته شده‌است. علاوه بر این، براساس تبدیل موجک گسسته، سیگنال‌های EEG جمع‌آوری‌شده به پنج باند اصلی (یعنی آلفا، بتا، گاما، تتا، دلتا و دلتا)تجزیه می‌شوند. هر گروه اصلی شامل پنج پارامتر آماری است (شامل آنتروپی تقریبی، تغییرات کلی، انرژی، چولگی، و انحراف استاندارد)، و بنابراین ۲۵ ویژگی بالقوه بالقوه مرتبط با سطح توجه دانش آموزان برای ساخت the ایجاد می‌کند. یک تلاش مبتنی بر الگوریتم ژنتیک (GA)نیز برای افزایش عملکرد پیش‌بینی AAS پیشنهادی از نظر شناسایی سطوح توجه دانش آموزان ساخته شده‌است. با توجه به GA، هفت ویژگی مهم از ۲۵ ویژگی در نظر گرفته می‌شوند؛ پارامترهای of پیشنهادی نیز بهینه می‌شوند. نتایج تحلیلی نشان می‌دهد که AAS پیشنهادی می‌تواند به طور دقیق حالت توجه فرد student's را به عنوان سطح بالا یا پایین به رسمیت بشناسد و نرخ دقت متوسط به میزان ۸۹.۵۲ % می‌رسد. علاوه بر این، AAS پیشنهادی با یک سیستم برچسب گذاری کنفرانس ویدیویی ادغام می‌شود تا بررسی کند که آیا the پیشنهادی می‌تواند به درستی دوره‌های توجه کم دانشجویان را در هنگام یادگیری در مورد ایمنی الکتریکی در محل کار از طریق یک سخنرانی ویدئویی بررسی کند. چهار آزمایش برای ارزیابی عملکرد پیش‌بینی the پیشنهادی از نظر شناسایی دوره‌های سخنرانی ویدیویی با سطوح بالای توجه یا کم در طول فرایندهای یادگیری طراحی شده‌اند. نتایج تحلیلی نشان می‌دهد که the پیشنهادی، زمانی که در یک فعالیت یادگیری با سخنرانی ویدیویی شرکت می‌کنند، می‌تواند دوره‌های توجه پایین را به طور دقیق شناسایی کند. در همین حال، the پیشنهادی همچنین می‌تواند به طور دقیق دوره‌های توجه پایین سخنرانی ویدیویی تولید شده توسط دانشجویان را تا حدی تشخیص دهد حتی زمانی که دانش آموزان در یک فعالیت یادگیری با یک سخنرانی ویدیویی با اختلالات تصادفی درگیر می‌شوند. علاوه بر این، همبستگی منفی قوی بین عملکرد یادگیری دانشجویان (یعنی، نمره پس‌آزمون و نمره پیشرونده)و دوره توجه پایین سخنرانی ویدئویی که توسط the پیشنهاد شده‌است، یافت می‌شود. نتایج این مطالعه نشان می‌دهد که AAS پیشنهادی، قادر به کمک به مربیان آنلاین در ارزیابی سطوح توجه دانشجویان به منظور افزایش عملکرد یادگیری آنلاین آن‌ها است.

ترجمه شده با

Download PDF سفارش ترجمه این مقاله این مقاله را خودتان با کمک ترجمه کنید
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.