EEG in the classroom: Synchronised neural recordings during video presentation
我们进行了同步记录的脑电图(EEG)从多个学生在教室里,并测量了一个共同的视频刺激引起的活动的主体间相关性(ISC)。ISC量化的神经可靠性与早期在实验室环境中使用高级设备的研究中的参与和注意力调节有关。在这里,我们重现了许多结果,从这些研究中使用便携式低成本的设备,专注于使用ISC的鲁棒性的主题经历自然刺激。目前的数据表明,刺激诱发的神经反应,已知被调制的注意,可以跟踪的学生群体与同步EEG采集。这是朝着实时推断课堂参与度迈出的一步。
2016-12-27 cs.HC q-bio.NC stat.AP
Learning Engagement Assistant (LEA): Cross-Course Scalability and Classroom Evaluation of an Agentic AI Tutoring System
Faculty of Design, Informatics and Business(设计、信息学与商业学院)
研究LEA智能AI辅导系统,首次在真实学生中进行课堂部署并测试跨课程可扩展性,发现模拟与实际有差异,基于RAGAS评估答案相关性等指标,表明编排层无需改,下游组件课程无关性待进一步研究。
2026-07-16 cs.AI cs.CY cs.HC
Characterizing Questioning Patterns and Student Engagement Through Contextual Analysis of Real-Time Classroom Interactions
Indian Institute of Technology Ropar(鲁尔基印度理工学院(罗巴尔印度理工学院))
本研究通过分析47场实时课堂的604个投票问题,结合讲座转录上下文,揭示投票功能需情境解读,提问以低阶认知为主,且学生自评正确性与实际表现存在显著差距。
2026-10-01 cs.AI cs.CY cs.HC
Visualizing Engineering Fundamentals: Design of Mixed Reality and Physical Toolkits for Effective Learning
The University of Texas at Arlington(阿灵顿得克萨斯大学)
本研究通过用户实验比较了课堂讲授、混合现实应用和物理工具包三种教学方式,发现结合可视化与动手交互的多模态体验最受学生欢迎,为工程教育工具的人本设计提供了指导。
2026-07-02 cs.HC
Unobtrusive and Multimodal Approach for Behavioral Engagement Detection of Students
Intel Labs(英特尔实验室)
我们提出了一种多模态方法来检测学生的行为参与状态(即,任务中与任务外),基于三个不显眼的模态:外观,上下文性能和鼠标。最终的行为参与状态是通过融合模态特定的分类器在决策层。在真实教室收集的学生数据集上进行了各种实验。
2019-01-16 cs.HC cs.LG stat.ML
Hapster: Using Apple Watch Haptics to Enable Live Low-Friction Student Feedback in the Physical Classroom
针对现有学生反馈系统仅依赖视觉界面的局限,本文设计并评估了Hapster系统,通过Apple Watch以视觉和振动触觉向教师传递实时聚合反馈,实验显示其能有效促进师生互动,但存在触觉感知挑战,为相关研究提供参考。
2025-07-08 cs.HC
Sticky Help, Bounded Effects: Session-by-Session Analytics of Teacher Interventions in K-12 Classrooms
North Carolina State University(北卡罗来纳州立大学);Carnegie Mellon University(卡内基梅隆大学)
本研究通过分析K-12教室中教师干预的会话间数据,发现帮助具有粘性,但学习收益局限于当前会话,为设计更公平的教师注意力分配提供了启示。
2026-01-20 cs.CY cs.HC
Surprising Performances of Students with Autism in Classroom with NAO Robot
School of Computer and Information Technology(计算机与信息学院);Northeast Petroleum University(东北石油大学);School of Computer Science and Engineering(计算机科学与工程学院);Changshu Institute of Technology(常州职业技术学院);Changshu Special Education School(常州特殊教育学校);School of Chinese Language and Literature(中文语言文学学院);Nanjing Normal University(南京师范大学)
本研究通过NAO机器人辅助的集体课堂实验,发现自闭症谱系障碍学生在机器人课堂中表现出更高的参与度和更少的刻板行为,表明社交机器人能显著提升其课堂专注力和教育表现。
2024-06-27 cs.CY cs.HC cs.RO
CodeAid: Evaluating a Classroom Deployment of an LLM-based Programming Assistant that Balances Student and Educator Needs
University of Toronto(多伦多大学);Microsoft Research(微软研究院);The University of Auckland(奥克兰大学)
本文开发并部署了不直接泄露代码答案的编程助手CodeAid,基于700名学生一学期的使用数据与师生访谈,提出四项面向未来教育AI助手的设计原则。
2024-02-25 cs.AI cs.HC
Understanding occupants' behaviour, engagement, emotion, and comfort indoors with heterogeneous sensors and wearables
RMIT University(皇家墨尔本理工大学);Swinburne University of Technology(斯威本科技大学);University of New South Wales (UNSW)(新南威尔士大学(UNSW))
我们在澳大利亚墨尔本郊区的一所K-12私立学校进行了实地研究。数据采集包含两个要素:第一,为期5个月的纵向实地研究In-Gauge使用两个室外气象站,以及17个教室的室内气象站和居住者控制的房间空调通风口上的温度传感器;这些数据以5分钟的记录频率整理成每个教室的单独数据集,包括关于居住者存在的其他数据。该数据集用于推导居住者如何操作房间空调机组的预测模型。其次,我们在为期4周的横断面研究En-Gage中跟踪了23名学生和6名教师,使用可穿戴传感器记录生理数据,以及每日调查以查询居住者的热舒适度,学习参与度,情绪和座位行为。总体而言,综合数据集可用于分析室内/室外气候与学生在校园内的行为/精神状态之间的关系,这为未来设计智能反馈系统提供了机会,使学生和员工受益。
2022-04-22 cs.CY cs.HC cs.LG
StuArt: Individualized Classroom Observation of Students with Automatic Behavior Recognition and Tracking
Shanghai Jiao Tong University(上海交通大学)
每个学生都很重要,但教师很难在课程期间观察所有学生并立即提供帮助。在本文中,我们提出了StuArt,一种新颖的自动系统设计的个性化课堂观察,它使教师关心每个学生的学习状态。StuArt可以识别与参与度高度相关的五种代表性学生行为(举手、站立、睡觉、打哈欠和微笑),并跟踪其在课程期间的变化趋势。为了保护学生的隐私,所有的变化趋势都是由座位号索引的,没有任何个人身份信息。此外,StuArt采用各种人性化的可视化设计,帮助教师快速了解个人和整体的学习状态。在真实课堂视频上的实验结果证明了嵌入式算法的优越性和鲁棒性。期望本系统能促进大规模学生个性化辅导的发展。更多信息请访问https://github.com/hnuzhy/StuArt。
2023-03-13 cs.CV cs.HC
LEAP -- Live Experiments for Active Pedagogy
California Academy of Mathematics and Science(加州数学与科学学院);University of Southern California(南加州大学)
LEAP通过远程可调用教师定义函数,为实时课堂提供交互式实验框架,促进学生主动参与和学习反馈。
2026-01-30 cs.HC
Improving state-of-the-art in Detecting Student Engagement with Resnet and TCN Hybrid Network
Toronto Rehabilitation Institute(多伦多康复研究所);University Health Network(大学健康网络)
自动检测学生在在线学习环境中的参与度是提高学习质量并向他们提供个性化学习材料的关键因素。学生在网上课堂上表现出的不同程度的参与是一种在空间和时间上发生的情感行为。因此,我们制定检测学生的参与度从视频作为一个时空分类问题。本文提出了一种新的端到端残差网络(ResNet)和时间卷积网络(TCN)混合神经网络架构,用于视频中学生参与度的检测。2D ResNet从连续的视频帧中提取空间特征,TCN分析视频帧中的时间变化以检测参与程度。混合网络的空间和时间臂在大型公开学生参与度检测数据集DAiSEE的原始视频帧上进行联合训练。我们在这个数据集上将我们的方法与几个竞争学生的参与度检测方法进行了比较。ResNet+TCN架构优于所有其他研究方法,提高了最先进的参与水平检测精度,并为未来的研究设定了新的基准。
2021-10-16 cs.CV cs.HC
HoloBoard: a Large-format Immersive Teaching Board based on pseudo HoloGraphics
在本文中,我们提出了全息板,一个交互式的大幅面伪全息显示系统的讲座为基础的类。凭借其独特的沉浸式视觉显示和透明屏幕的特性,我们设计并实现了一套丰富的新颖的交互技术,如沉浸式演示,角色扮演和幕后授课,这对课堂授课具有潜在的价值。我们进行了一项对照实验研究,通过测量学生的学习成果和参与的三个维度(即,行为、情感和认知参与)。我们使用前/后知识测试和多模态学习分析来衡量学生的学习成果和学习体验。结果表明,利用HoloBoard的基于讲座的课程会导致更好的学习效果和更高水平的学生参与度。鉴于这些结果,我们讨论了HoloBoard作为沉浸式媒体在课堂环境中的影响,并提出了在沉浸式教学实践中部署HoloBoard的几个设计建议。
2021-10-05 cs.HC
When Peers Outperform AI (and When They Don't): Interaction Quality Over Modality
MIT Media Lab(麻省理工学院媒体实验室)
研究探讨了同伴与AI在学习图论时的互动质量差异,发现高质量同伴互动更具参与度,而AI在知识建立上表现矛盾,但无法匹敌高质量互动。
2026-01-16 cs.HC
Can LLMs Reason About Attention? Towards Zero-Shot Analysis of Multimodal Classroom Behavior
Virginia Tech(弗吉尼亚理工大学);University of Virginia(弗吉尼亚大学);University of Pennsylvania(宾夕法尼亚大学)
本文提出一个隐私保护的分析流程,利用OpenPose和Gaze-LLE提取学生注意力信息,并通过QwQ-32B-Reasoning进行零样本分析,探讨LLMs在多模态行为理解中的潜力与局限。
2026-06-29 cs.AI cs.CV cs.HC
Relationship between Student Engagement and Performance in e-Learning Environment Using Association Rules
Western University(韦仕敦大学)
由于使用智能手机和无线设备访问互联网越来越容易,电子学习领域已经成为学术界感兴趣的话题。电子学习平台面临的挑战之一是如何保持学生的积极性和参与度。此外,确定可能需要帮助的学生以确保他们的学习成绩不会受到影响也很重要。为此,本文试图探讨学生投入与学业成绩之间的关系。Apriori关联规则算法被用来推导出一组将学生参与度与学习成绩联系起来的规则。实验结果的分析表明,学生的参与水平和他们的学习成绩之间存在着正相关关系,在混合式电子学习环境。特别是,它表明,更高的参与往往会导致更好的学习成绩。这巩固了以前在传统课堂上将参与度和学习成绩联系起来的工作。
2020-12-25 cs.CY cs.HC cs.LG
Personalized Parsons Puzzles as Scaffolding Enhance Practice Engagement Over Just Showing LLM-Powered Solutions
针对学生使用LLM学习编程可能直接获取答案而缺乏学习投入的问题,研究将LLM驱动的个性化Parsons谜题作为编程练习脚手架,通过80分钟随机对照实验发现,该方式比直接展示完整LLM解决方案更能提升学生遇困时的练习投入时长。
2025-01-16 cs.CY cs.HC
Automated Visual Attention Detection using Mobile Eye Tracking in Behavioral Classroom Studies
提出一种基于移动眼动与迁移学习人脸识别的自动化流水线,以最少人工标注识别教师视觉关注的学生,在U形和小型教室中准确率分别约0.7和0.9,可辅助教学改进。
2025-09-25 cs.AI cs.CV cs.HC
How assigned AI use before class shapes active student engagement in class
Columbia University(哥伦比亚大学);Columbia Business School(哥伦比亚商学院)
本研究通过实地实验发现,课前使用基于语音的人工智能讨论伙伴可显著提升MBA学生在课堂讨论中的主动参与度,增加约31%的自愿贡献,并提高发言舒适度和感知学习效果。
2026-10-08 cs.AI cs.HC
GLITTER: An AI-assisted Platform for Material-Grounded Asynchronous Discussion in Flipped Learning
针对翻转课堂课前异步讨论难以关联材料、促进反思和贡献的问题,提出 GLITTER 平台,通过概念关联、融合与个性化反思报告提升参与度、反思及课堂准备。
2025-08-30 cs.HC
Large Language Model-Driven Classroom Flipping: Empowering Student-Centric Peer Questioning with Flipped Interaction
Nanyang Technological University(南洋理工大学)
本文提出一种基于LLM翻转交互的课堂翻转教学法,结合同伴教学与即时教学,开发聊天机器人软件以生成同伴问题,有效优化大班教学节奏并提升师生互动体验。
2023-11-14 cs.AI cs.CL cs.CY
Towards AI Agents for Course Instruction in Higher Education: Early Experiences from the Field
Department of Computational and Data Sciences, Indian Institute of Science (IISc), Bangalore 560012 India(计算与数据科学系,印度科学研究院(IISc),班加罗尔)
本文报告在IISc研究生云计算课程中部署LLM驱动的讲师智能体作为主要授课者的早期经验,提出教学与分析框架,并通过参与度指标揭示学生从广泛探索到深入探究的参与演变,证明其可促进反思性学习与可扩展的高质量教育。
2025-10-23 cs.AI cs.CY cs.HC
VTutor for High-Impact Tutoring at Scale: Managing Engagement and Real-Time Multi-Screen Monitoring with P2P Connections
本文提出 VTutor 平台,通过 P2P 屏幕共享、多学生监控仪表板和 AI 虚拟化身,帮助一名辅导者实时发现并干预困难学生,实现规模化高影响力辅导。
2025-05-13 cs.HC
Performance comparison of an AI-based Adaptive Learning System in China
自适应学习系统不同于传统的学习系统,它根据学生不同的知识状态为他们提供个性化的学习体验。自适应系统收集和分析学生的行为数据,更新学习者档案,然后相应地向每个学生提供及时的个性化反馈。学习系统和学生之间的这种交互可以提高学生的参与度和学习效率。本文评估了一个自适应学习系统“易学松鼠AI”(或易学)在中学英语和数学学习中的有效性。Yixue的数学和英语学习系统的有效性分别与(1)由专家人类教师进行的传统课堂数学教学和(2)BOXFiSH,另一种用于英语学习的自适应学习平台进行了比较。结果表明,学生取得了更好的表现,使用易学自适应学习系统比传统的课堂教学专家教师和另一个自适应学习平台。
2019-01-29 cs.CY cs.HC
Pilot Study on Student Public Opinion Regarding GAI
College of Science(科学学院);George Mason University(乔治·梅森大学)
本研究通过初步调查探讨大学生对生成式人工智能在高等教育课堂中的看法,发现学生参与率低,需进一步扩大样本量以深入理解相关态度。
2026-01-07 cs.AI cs.HC stat.AP
"Would You Want an AI Tutor?" Understanding Stakeholder Perceptions of LLM-based Systems in the Classroom
Khan Academy;New York City Department of Education(纽约市教育部);Learning Innovation Catalyst(学习创新催化剂)
本文研究了在课堂中部署基于大语言模型(LLM)系统的利益相关者观点,提出了一种以利益相关者为中心的框架,以支持更谨慎的决策。
2026-05-21 cs.CL cs.CY cs.HC
Understanding Teacher Perspectives and Experiences after Deployment of AI Literacy Curriculum in Middle-school Classrooms
Massachusetts Institute of Technology(麻省理工学院)
本研究通过半结构化访谈考察七名中学教师实施 MIT RAICA 课程模块后的经验,揭示其 AI 认知、教学策略与支持需求,为优化 AI 素养课程及教师 PD 资源提供依据。
2023-12-08 cs.AI cs.CY cs.HC
AI-Driven Analytics of Team-Teaching Talk: Acoustic Patterns across Experience, Cohorts and the Learning Design
Monash University(莫纳什大学);EPFL(瑞士联邦理工学院)
本文提出基于AI的语音处理方法,分析团队教学中的课堂对话,发现经验丰富的教师、本科生班级和协作学习任务中音量变化更大,表明教师更频繁调节音量以突出关键信息并促进互动。
2026-06-24 cs.AI cs.HC
Designing Gaze Analytics for ELA Instruction: A User-Centered Dashboard with Conversational AI Support
Trinity University(特里尼蒂大学);St. Mary's University(圣玛丽大学);Vanderbilt University(范德比大学)
本研究针对眼动数据在课堂教育技术中应用不足的问题,通过五项师生参与的研究迭代设计了带LLM驱动对话智能体的ELA眼动学习分析仪表盘,验证了其教学价值并给出设计启示。
2025-09-03 cs.AI cs.HC
Smart Education: Higher Education Instruction and the Internet of Things (IoT)
物联网(IoT)在我们的日常生活中有许多应用。特别是物联网如何对教育和学习产生重大影响;随着我们进入“智能教育”时代。本文探讨了物联网如何继续改变教育格局,从课堂和评估到文化和态度。智能教育是应对未来教育挑战的关键工具。物联网工具在教育领域的使用越来越频繁,旨在提高学生的参与度,满意度和学习质量。物联网将重塑学生的文化和习惯。由于智能教育不仅仅是使用技术,它涉及一系列因素,从教育管理到教学技术和有效性。21世纪的教育工作者现在可以使用游戏化、智能设备、数据管理和沉浸式技术。使学者能够从学生那里收集各种信息。从监控学生参与到调整学习策略以提高学习效率。通过智能教育,教育工作者将能够更好地监测个别学生的需求,并相应地调整他们的学习负荷(即,最佳的学习环境/工作量,以支持和防止学生失败)。教育工作者面临的最大挑战之一是新技术将如何解决日益增长的问题(参与和成就)。变化的规模和速度(技术物联网时代)是前所未有的。通常,学生今天接受培训的工作明天就不会出现。教育不仅仅是知识获取,还包括数字技能、适应性和创造力(如果学生要在新世界中茁壮成长,这些都是必不可少的)。
2022-07-06 cs.CY cs.HC
Writing With Machines and Peers: Designing for Critical Engagement with Generative AI
University of Illinois Urban-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本研究提出一种整合AI与同伴反馈的教学设计,通过八周的写作活动,探讨学生如何批判性地使用生成式AI并建立与AI和人类的协作关系。
2025-11-19 cs.AI cs.CY cs.ET
Natural Language Communication with a Teachable Agent
Monash University(莫纳什大学);University of Waterloo(滑铁卢大学);Openstream, Inc.(奥普斯特里姆公司)
本文基于 Curiosity Notebook 比较句子选择与释义文本输入两种教学方式,发现自然语言释义教学能提升学习结果与情感参与,且释义投入越高学习效果越好。
2022-03-17 cs.CL cs.HC
What Do You Get from Turning on Your Video? Effects of Videoconferencing Affordances on Remote Class Experience During COVID-19
COVID-19的爆发迫使学校迅速从面对面课程过渡到在线或远程课程,使教育工作者和学习者都依赖在线视频会议平台。像Zoom这样的平台提供视听交流渠道,并包括旨在近似课堂体验的功能。然而,目前还不清楚学生的学习体验是如何受到视频会议平台的启示的影响,或者是什么潜在的因素解释了这些启示对课堂参与,互动和满意度的不同影响。为了找到答案,我们进行了两项在线调查研究:研究1(N = 176)调查了三种类型的视频会议启示的影响(即,在过渡到在线学习后的头两个月期间,对课堂体验的模式、互动性和机构启示)进行评估。结果显示,三种示能的使用与学生的课堂参与、互动和满意度呈正相关。知觉匿名,非语言线索,舒适度被认为是关键的调解人。此外,学生在课堂上使用摄像机的情况受到同学的影响。研究2(N = 256)在大流行后期测试了所提出的关系,发现了类似的结果,因此可以作为一个建设性的复制。本文着重报道研究1的结果,因为它捕捉了学生第一次上网时的即时反应,而研究2则起到了补充作用,验证了研究1,从而扩展了其外部效度。这两项研究为教师提供了关于如何利用不同视频会议功能来增强虚拟学习体验的见解。设计的数字化工具在网上教育的影响进行了讨论。
2023-01-19 cs.HC
Bridging GenAI policy and practice: Brief instruction improves learning-oriented prompting in an introductory programming course
Carnegie Mellon University(卡内基梅隆大学);University of Toronto(多伦多大学);University of Michigan(密歇根大学);University of Toronto Mississauga(多伦多大学滑铁卢分校)
本研究通过随机对照试验验证了基于ICAP框架的提示干预在提升学生提示技能和考试成绩方面的有效性,为生成式AI教育政策的改进提供了理论和实践指导。
2026-11-13 cs.AI cs.HC
Real-time classification of EEG signals using Machine Learning deployment
Institute of Engineering & Management(工程与管理学院);University of Engineering & Management (UEM)(工程与管理大学(UEM))
本文提出一种基于机器学习与脑电信号监测的实时学生专注度评估系统,通过浏览器界面预测学生对特定主题的理解水平,以提升课堂参与度和教学质量。
2024-12-27 cs.HC cs.LG
"My Unconditional Homework Buddy:'' Exploring Children's Preferences for a Homework Companion Robot
University of Wisconsin-Madison(威斯康星大学麦迪逊分校);University of Illinois Chicago(伊利诺伊大学芝加哥分校)
本研究通过对10名10-12岁儿童开展参与式设计研究,探究儿童对作业陪伴机器人的设计需求,明确其功能定位并提出相关设计建议,以开发能提升学习动机与体验的机器人教育支持系统。
2023-05-04 cs.HC cs.RO