Detecting Disengagement in Virtual Learning as an Anomaly using Temporal Convolutional Network Autoencoder
KITE, University Health Network(KITE,大学健康网络)
学生参与度是实现虚拟学习计划目标的重要因素。学生参与度的自动测量为教师提供了有用的信息,以满足学习计划的目标和个性化的计划交付。许多现有方法使用二元分类(将视频片段分类为参与或脱离类别)、多类别分类(将视频片段分类为对应于不同参与水平的多个类别)或回归(估计对应于参与水平的连续值)的传统框架来解决基于视频的参与测量。然而,我们观察到,虽然参与行为大多是明确定义的(例如,注意力集中,不分心),脱离可以以各种方式表达。此外,在某些情况下,用于脱离类别的数据可能不足以训练可推广的二进制或多类别分类器。为了处理这种情况,在本文中,我们第一次制定检测脱离虚拟学习作为一个异常检测问题。我们设计了各种自动编码器,包括时间卷积网络自动编码器,长短期记忆自动编码器,和前馈自动编码器使用不同的行为和影响功能的基于视频的学生脱离检测。我们在两个公开的学生参与数据集DAiSEE和AsitiW上的实验结果,显示了所提出的方法的优越性脱离检测作为一个异常相比,二进制分类器的视频分类到从事与脱离类(受试者工作特性曲线下面积平均提高9%,精密度曲线下面积平均提高22%,召回曲线)。
2023-02-04 cs.CV
A Biometric Sensor Network to Enable Real-Time Measurement of Individual Student Engagement in STEM Lecture Environments
J.B. Speed School of Engineering(J.B. 斯皮德工程学院);Apple(苹果公司)
本研究针对STEM课堂学生参与度测量的侵入性问题,提出由学生处理单元构成的生物传感器网络,支持设备端实时分析与隐私保护,可实现非侵入式的学生参与度实时测量。
2026-08-03 cs.CR cs.CV cs.SE
Attention-Guided Dual-Stream Learning for Group Engagement Recognition: Fusing Transformer-Encoded Motion Dynamics with Scene Context via Adaptive Gating
University of Dhaka(达卡大学);Qatar University(卡塔尔大学)
本文提出DualEngage双流框架,通过融合变换器编码的运动动态与场景上下文,实现课堂群体参与识别,采用自适应门控融合提升识别精度,实验表明在五折交叉验证中达到96.21%的平均分类准确率。
2026-04-11 cs.CV cs.LG
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
Automatic Recognition of Student Engagement using Deep Learning and Facial Expression
Macquarie University(麦考瑞大学);CSIRO’s Data61(联邦科学与工业研究组织数据61研究所)
参与度是学习体验质量的一个关键指标,在开发智能教育界面方面发挥着重要作用。任何此类接口都需要能够识别参与程度,以便做出适当的反应;然而,可供借鉴的现有数据很少,而且新数据既昂贵又难以获取。本文提出了一种深度学习模型来改进图像中的参与识别,该模型通过在专门的参与数据上进行训练之前对现成的基本面部表情数据进行预训练来克服数据稀疏性挑战。在两个步骤中的第一个步骤中,使用深度学习训练面部表情识别模型以提供丰富的面部表示。在第二步中,我们使用模型的权重来初始化基于深度学习的模型,以识别参与度;我们称之为参与度模型。我们训练我们的新的参与识别数据集与4627从事和脱离样本的模型。我们发现,参与模型优于我们首次应用于参与识别的有效深度学习架构,以及使用方向梯度直方图和支持向量机的方法。
2019-07-08 cs.CV cs.HC
Individual and Group-wise Classroom Seating Experience: Effects on Student Engagement in Different Courses
教室中的座位位置可以通过提供更好的可见性,改善运动和参与讨论来影响学生的参与度,注意力和学习成绩。现有的研究通常探讨传统的座位安排(如分组表或传统的行)如何影响学生的感知参与,没有考虑更灵活的座位安排下的群体座位行为。此外,以调查为基础的学生参与度的测量容易受到主观性和各种反应偏差的影响。因此,在这项研究中,我们调查了个人和群体的教室座位经验如何影响学生的参与使用可穿戴生理传感器。我们在一所高中进行了一项实地研究,并在四周内收集了10门课程中23名学生的调查和可穿戴数据。本文旨在回答以下研究问题:1.学生之间的座位接近度与他们感知的学习参与度有什么关系?2.学生的集体就座行为与他们基于生理学的参与度测量(即生理唤醒和生理同步)有何关系?实验结果表明,个人和团体明智的教室座位体验与感知的学生参与和生理为基础的参与从皮肤电活动测量。我们还发现,坐在一起的学生更有可能有类似的学习参与,往往有较高的生理同步性。这项研究开辟了机会,探索灵活的座位安排的影响,并有很大的潜力,以最大限度地提高学生的参与,建议在未来的智能座位选择。
2022-07-23 cs.HC
Supervised Contrastive Learning for Ordinal Engagement Measurement
KITE Research Institute, University Health Network, Toronto, Canada(KITE研究机构、大学健康网络、多伦多,加拿大);Institute of Biomedical Engineering, University of Toronto, Toronto, Canada(生物医学工程研究所、多伦多大学、多伦多,加拿大);College of Engineering and Technology, American University of the Middle East, Kuwait(工程与技术学院、中东美国大学、科威特)
针对学生参与度测量中的类别不平衡与有序分类问题,提出基于监督对比学习与时间序列增强的视频参与度分类方法,在DAiSEE数据集上验证了其有效性。
2025-05-27 cs.CV cs.HC
I Cannot See Students Focusing on My Presentation; Are They Following Me? Continuous Monitoring of Student Engagement through "Stungage"
在学生和教师之间没有直接眼神接触的情况下,在虚拟教室中监测学生的参与度并了解他们的学习进度变得具有挑战性。当学生被允许进行生产性的多任务处理时,例如记笔记或浏览相关内容,对眼睛注视和注视姿势的连续监测可能会产生不准确的结果。本文提出了Stungage -一个软件包装在现有的在线会议平台,实时监控学生的参与,利用面部视频饲料从学生和教师再加上本地设备上的演示内容的分析。Stungage的关键是要确定一些机会的时刻,当学生应该在视觉上专注于演示内容,如果他们可以遵循讲座。我们调查这些情况,并分析学生的视觉,上下文和认知的存在,以评估他们的参与在虚拟教室,而不是直接分享视频捕捉的参与者和他们的屏幕在网络上。我们的系统实现了0.88的整体F2分数检测学生的参与。此外,我们从可用性研究中获得了92份回复,平均SU得分为74.18。
2022-04-18 cs.HC
Bag of States: A Non-sequential Approach to Video-based Engagement Measurement
KITE, University Health Network(KITE,大学健康网络)
学生参与度的自动测量为教师提供了有用的信息,以满足学习计划的目标和个性化的计划交付。学生的行为和情绪状态需要在细粒度的时间尺度上进行分析,以衡量他们的参与程度。许多现有的方法已经开发了用于从视频测量学生参与度的顺序和时空模型,诸如递归神经网络、时间卷积网络和三维卷积神经网络。这些模型经过训练,将学生的行为和情绪状态的顺序纳入视频分析,并输出他们的参与程度。本文以教育心理学为理论基础,探讨了在测量学生参与度时,对学生行为和情绪状态的顺序进行建模的必要性。我们开发了基于词袋的模型,其中只有学生的行为和情绪状态的发生被建模和分析,而不是它们发生的顺序。从视频中提取的行为和情感特征和分析所提出的模型,以确定在一个顺序输出分类设置的参与程度。与现有的序列和时空方法相比,所提出的非序列方法改善了最先进的结果。根据实验结果,与序列模型相比,我们的方法将IIITB Online SE数据集上的参与度分类准确率显著提高了26%,并且在DAiSEE学生参与度数据集上实现了高达66.58%的参与度分类准确率。
2023-01-17 cs.AI cs.CV cs.HC
n-Gage: Predicting in-class Emotional, Behavioural and Cognitive Engagement in the Wild
学生参与度的研究吸引了越来越多的兴趣,以解决诸如学习成绩低,不满,辍学率高等问题。衡量学生参与度的现有方法通常依赖于基于调查的工具。这些办法虽然有效,但费时费力。同时,调查的答复率和质量通常都很差。作为一种替代方案,在本文中,我们研究了我们是否可以推断和预测在多个维度的参与,只是使用传感器。我们假设多维的学生参与可以转化为课堂上的生理反应和活动变化,也受到环境变化的影响。因此,我们的目标是探索以下问题:我们可以测量高中生的学习参与的多个维度,包括情感,行为和认知参与感测数据在野外?我们能否推导出影响学生参与度不同维度的活动、生理和环境因素?如果是,哪些传感器在区分参与的每个维度方面最有用?然后,我们在一所高中进行了为期4周的11门课程的144个班级的23名学生和6名教师的现场研究。我们提出了n-Gage,一个学生参与感测系统,使用可穿戴设备和环境中的传感器组合来自动检测学生在课堂上的多维学习参与。实验结果表明,n-Gage可以准确地预测多维学生参与在现实世界中的场景与平均MAE为0.788和RMSE为0.975使用所有的传感器。我们还展示了一组有趣的发现,不同的因素(例如,传感器组合、学校科目、CO2水平)影响学生学习参与度的每个维度。
2020-07-23 cs.HC
AI-Driven Interface Design for Intelligent Tutoring System Improves Student Engagement
智能辅导系统(ITS)已被证明可以通过提供满足每个学生个人需求的个性化课程来提高学生的学习成果。然而,尽管ITS为学生的学习过程带来了有效性和效率,但大多数ITS研究都没有努力设计ITS界面,以更好地利用AI功能来提高学生的学习兴趣,动机和参与度。在本文中,我们探讨了人工智能驱动的界面设计的ITS描述诊断反馈的学生的问题解决过程,并调查其对他们的参与的影响。我们提出了几个由不同的AI组件驱动的界面设计,并通过一个活跃的移动ITS圣诞老人来实证评估它们对学生参与度的影响。对超过2万名学生进行的受控A/B测试表明,人工智能驱动的界面设计将参与度提高了25.13%。
2020-09-18 cs.CY cs.HC
Assessment of Personalized Learning in Immersive and Intelligent Virtual Classroom on Student Engagement
本研究聚焦沉浸式智能虚拟课堂场景,采用眼动范式评估个性化学习对学生参与度的影响,通过文献综述、案例研究与数据分析验证了该方法在提升学习效果方面的潜力。
2025-01-14 cs.CY cs.HC
TutorUp: What If Your Students Were Simulated? Training Tutors to Address Engagement Challenges in Online Learning
针对在线学习中新手导师缺乏远程调动学生参与度经验的问题,本研究提出基于LLM的TutorUp系统,通过模拟学生场景化培训、动态对话模拟及循证反馈,经评估证实其在培训有效性和可用性上优于无模拟基线系统,助力新手导师掌握提升在线学生参与度的教学策略。
2025-02-22 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
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
Characterizing Student Engagement Moods for Dropout Prediction in Question Pool Websites
Hong Kong University of Science and Technology(香港科技大学);University of Helsinki(赫尔辛基大学)
基于问题的学习(PBL)是一种流行的教学方法,支持学生通过解决问题来获得实践培训。问题库网站(QP),如LeetCode,Code Chef和Math Playground,通过向学生提供真实,多样化和情境化的问题来帮助PBL。尽管如此,实证研究结果表明,40%至80%的学生在注册合格证书后不到两个月就辍学了。本研究是首次尝试利用学生的参与情绪来理解和预测学生的退出。采用数据驱动的方法,我们确定了五种不同的参与情绪的QP学生,即挑战寻求者,主题寻求者,兴趣寻求者,快乐寻求者和非寻求者。我们发现,学生在每种参与情绪下回答问题时都有集体偏好,偏离这些偏好会显着增加他们辍学的概率。最后但并非最不重要的是,本文的贡献,介绍了一个新的混合机器学习模型(我们称之为Dropout-Plus)预测学生辍学的QP。在中国流行的QP上的测试结果显示,Dropout-Plus在准确性,F1测量和AUC方面超过了竞争对手的辍学预测性能。最后,我们给QP经理和在线学习专业人员一些设计建议,以减少他们的学生辍学。
2021-02-02 cs.HC cs.LG
Augmenting Online Classes with an Attention Tracking Tool May Improve Student Engagement
在线远程学习具有一定的优势,例如更高的灵活性和更大的包容性。然而,需要注意的是,教师在在线课堂上监控学生互动的能力有限,特别是当教师共享屏幕时。我们已经从12位在本科水平的在线课程教学中经验丰富的教师那里获得了反馈,这些教师认为有必要使用注意力跟踪工具来了解学生在在线课程中的参与度。本文概述了这样一个监控工具,自动跟踪全班学生的注意力,通过跟踪学生在屏幕上的目光,并提醒老师时,注意力分数低于一定的阈值的设计。我们认为好处是双重的; 1)教师将能够确定学生是否专心或参与讲座内容,2)由于这种被动监控系统,学生在在线课程中将变得更加专心。在本文中,我们提出了初步的设计和使用所提出的工具的可行性,并讨论其适用性,在增加在线课程。最后,我们调查了31名学生,询问他们对使用这种监控工具的可用性以及道德和隐私问题的看法。
2022-10-13 cs.HC
Teachers' Vocal Expressions and Student Engagement in Asynchronous Video Learning
National Taiwan Normal University(台湾师范大学);National Chung Cheng University(中正大学);National Taiwan Ocean University(台湾海洋大学)
本研究探讨了教师的语音表达如何影响学生的情感参与度,发现积极情感表达如喜悦和惊讶能提升参与度,而愤怒等负面情绪则降低参与度。
2026-05-17 cs.CY cs.HC
Understanding Physiological Responses of Students Over Different Courses
本研究通过分析23名学生在不同课程中的皮肤电活动和心搏间期信号,发现学生存在独特的生理反应模式,为基于非侵入性传感数据定制教育策略提供了依据。
2024-07-19 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
A Quasi-experimental Study of Conversational AI-supported Engagement in Large CS Courses
University of Florida(佛罗里达大学);Georgia Institute of Technology(佐治亚理工学院)
本研究通过软件工程大班课堂活动中的受试者内实验,比较使用与不使用ChatGPT的参与度,发现对话式AI有潜力提升大班学生对学习内容的参与。
2026-11-20 cs.AI cs.CY cs.ET
Mind the Student: Behavioral and Contextual Cues for Automated Engagement Prediction in Online Learning
Goethe University Frankfurt(法兰克福大学);The Hessian Center for Artificial Intelligence(黑森人工智能中心)
本研究针对在线学习中自动参与度预测的多维构念与标注主观性等挑战,提出整合多模态特征与不确定性感知预测的Perceiver IO框架,在CASED数据集上取得具竞争力性能且提供校准良好的不确定性指标。
2026-08-26 cs.AI cs.CV cs.HC
Student Engagement with GenAI's Tutoring Feedback: A Mixed Methods Study
University of Siegen(锡根大学)
针对学生参与编程辅导反馈研究有限的问题,该研究开发含AI生成多类型反馈的学习环境,结合出声思考与眼动追踪方法分析20名本科生的反馈参与情况,揭示学生想法主题及反馈与行动的关联,为辅导反馈设计提供启示。
2025-09-26 cs.CY cs.HC
Integrating AI for Enhanced Feedback in Translation Revision- A Mixed-Methods Investigation of Student Engagement
The Hong Kong Polytechnic University(香港理工大学)
本研究采用混合方法,探讨翻译专业硕士生在修改过程中对ChatGPT生成反馈的参与度,揭示认知、情感和行为维度的复杂关系,为AI反馈在翻译教学中的应用提供新见解。
2024-10-11 cs.AI cs.HC
Thinking Less, Trusting More: GenAI's Impacts on Students' Cognitive Habits
Oregon State University(俄勒冈州立大学)
研究探讨生成式AI对学生在STEM课程中的认知习惯影响,发现高技术动机学生更易出现认知脱节,提示需改进课程与AI系统设计以促进认知参与。
2026-04-10 cs.HC
Prescribing Deep Attentive Score Prediction Attracts Improved Student Engagement
Riiid! AI Research(Riiid! AI研究院);University of Michigan(密歇根大学);Yale University(耶鲁大学)
智能辅导系统(ITS)已经被开发为通过自适应地生成针对每个个体优化的学习路径来向学生提供个性化的学习体验。在ITS的广阔范围内,分数预测作为一个研究领域脱颖而出,使学生能够根据当前的位置构建个人现实的目标。通过ITS提供的预期分数,学生可以即时将自己的预期分数与自己的实际分数进行比较,这直接对应于ITS可以灌输的可靠性。换句话说,改进预测分数的精度与学生可能对ITS的信心水平密切相关,这显然会提高学生的参与度。然而,以前的研究仅仅集中在提高预测模型的性能,在很大程度上缺乏关注其实际应用所产生的好处。在本文中,我们通过提供经验证据证明,在现实世界中部署的分数预测模型的准确性会显著影响用户参与度。为此,我们将最先进的基于深度专注神经网络的分数预测模型应用于Santa,Santa是一个多平台英语ITS,在韩国拥有约78万用户,专门专注于TOEIC(国际交流英语考试)标准化考试。我们运行一个受控的A/B测试的ITS与两个模型,分别基于协同过滤和深度专注神经网络,以验证是否更准确的模型产生任何学生的参与。结果表明,注意力模式不仅能提高学生的士气(例如,更高的诊断测试完成率,回答问题的数量等),而且还鼓励积极参与(例如,更高的购买率,改善的总利润等)圣诞老人。
2020-07-01 cs.AI cs.HC cs.LG
Hint-Writing with Deferred AI Assistance: Fostering Critical Engagement in Data Science Education
The University of Texas at Austin(德克萨斯大学奥斯汀分校);University of Michigan(密歇根大学);Learning Data Insights(学习数据洞察);KAIST(韩国科学技术院)
本研究探讨了三种个性化、可扩展且反思性的提示写作活动设计,发现延迟AI辅助能产生最高质量的提示,帮助学生识别更多错误,提升调试和批判性思考能力。
2026-04-21 cs.HC
Student-AI Interaction in an LLM-Empowered Learning Environment: A Cluster Analysis of Engagement Profiles
Tsinghua University(清华大学)
本研究通过聚类分析312名本科生的互动数据,识别出LLM赋能学习环境中的五类参与概况,发现互动水平与学习成效并非直接对应,多智能体环境能有效支持个性化学习。
2025-10-10 cs.CY cs.HC
Student Engagement in AI Assisted Complex Problem Solving: A Pilot Study of Human AI Rubik's Cube Collaboration
Cornell University(康奈尔大学);University of Houston(休斯顿大学);University of South Carolina(南卡罗来纳大学)
本文提出ALLURE系统,利用AI算法DeepCubeA指导学生解决魔方第一步,通过试点研究分析学生行为与STEM技能的关联,为未来教育数据挖掘提供基础。
2025-11-03 cs.AI cs.HC
Evaluating AI-Powered Learning Assistants in Engineering Higher Education: Student Engagement, Ethical Challenges, and Policy Implications
ByWater Institute, Tulane University(杜兰大学拜沃特研究所);Office of Teaching, Learning, and Technology, University of Iowa(爱荷华大学教学、学习与技术办公室);River-Coastal Science and Engineering, Tulane University(杜兰大学河流与海岸科学与工程系)
本研究评估了在R1公立大学工程本科课程中应用的AI学习框架Educational AI Hub,通过混合方法发现学生认可其便利性但存在伦理顾虑,强调需提升可用性、伦理透明度并辅以教师指导以促进有效AI学习参与。
2025-10-27 cs.AI cs.CY cs.HC
Enhancing User Engagement in Large-Scale Social Annotation Platforms: Community-Based Design Interventions and Implications for Large Language Models (LLMs)
本文通过在社交标注平台NB上开展基于社区的设计干预和两项大规模实验,提出有针对性的评论可见性控制策略,以缓解大型在线课程中的讨论过载并改善同伴互动,同时探讨了大语言模型在标注总结、写作改进和评论策展中的应用前景。
2025-01-02 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
Investigating the Reliability of Self-report Data in the Wild: The Quest for Ground Truth
推断人的精神状态(例如,情感、抑郁、参与)与感测技术的交互是情感计算领域中最有价值的挑战之一,其在与人类交互的所有行业中具有深远的影响。自我报告调查是量化人们思考方式的最常用方法,但容易产生主观性和各种反应偏差。它通常被用作人类心理状态预测的真值。近年来,许多数据驱动的机器学习模型都是基于自我报告注释作为目标值来构建的。在本研究中,我们通过研究回答的置信水平和调查完成时间来研究野外自我报告调查的可靠性。我们进行案例研究(即,学生参与推断)通过在4周的时间内在高中环境中招募23名学生来进行。我们的参与者自愿提供了488份自我报告的回答和来自可穿戴传感器的数据。我们还发现,生理测量的学生参与和感知的学生参与并不总是一致的。这项研究的发现有很大的潜力,有利于未来的研究在预测参与,抑郁,压力和其他情感相关的状态在情感计算和传感技术领域。
2021-11-30 cs.HC
MotiBo: The Impact of Interactive Digital Storytelling Robots on Student Motivation through Self-Determination Theory
The Education University of Hong Kong(香港教育大学)
MotiBo通过人形机器人增强学生参与度和创造力,基于自我决定理论提升学习动机和自主学习能力。
2026-01-03 cs.HC cs.MM cs.RO
Confident yet Concerned: Inconsistencies in Computing Students' Attitudes on Cybersecurity
University of Auckland(奥克兰大学);Carleton University(卡尔顿大学);The Royal Melbourne Institute of Technology(皇家墨尔本理工大学)
通过调查236名计算机专业大学生,结合主题分析和定量数据,发现学生虽有一定网络安全意识,但存在实践、责任认知和支持结构上的不一致,并识别出四种关键主题张力及两个态度聚类。
2026-06-18 cs.CR cs.CY cs.HC
A Hierarchy-based Analysis Approach for Blended Learning: A Case Study with Chinese Students
本文针对混合式学习评价缺乏完整性和客观性的问题,提出一种基于层次的分析方法,利用梯度提升模型和特征重要性评价分析学生参与度的三个维度,发现认知参与和情感参与对学习与教学质量更为关键。
2023-09-19 cs.CY cs.HC
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
Bridging LMS and generative AI: dynamic course content integration (DCCI) for enhancing student satisfaction and engagement via the ask ME assistant
Eötvös Loránd University(罗兰大学)
针对LLM集成LMS时的幻觉问题,提出DCCI机制构建Ask ME助手,经120名学生试点验证,该机制可有效缓解幻觉,提升学生满意度与学习参与度。
2025-11-13 cs.AI cs.CY cs.ET
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
From Written Response to Dialogue with AI: How Activity Format, Interaction Modality, and Language Impact Student Learning and Engagement
Cornell University(康奈尔大学)
本研究通过实地实验比较书面回答与文本/语音对话式AI活动,发现对话式活动提升参与度和自我效能,双语语音对话尤其有益,但知识增益无显著差异,建议给予学习者模态控制并利用母语作为跨语言支持。
2026-10-07 cs.CY cs.HC
The Reliance Negotiation Framework: A Dynamic Process Model of Student LLM Engagement in Academic Writing
Department of Language, Literacy and Culture(语言、 literacy 与文化系)
本文提出依赖协商框架,用于解释学生与大语言模型在学术写作中的动态互动过程,考虑了学生在不同任务中的变化性、经验带来的习惯化现象以及伦理非使用作为伦理推理的形式。
2026-04-18 cs.AI cs.CY cs.HC
How College Students Use AI to Navigate Course Readings: Evidence from an Eight-Week Study
University of Washington(华盛顿大学);University of Copenhagen(哥本哈根大学);Aalborg University(奥胡斯大学)
本研究探讨了AI支持下学生自主阅读的认知过程,发现学生在阅读中表现出从理解到推理的认知发展,但受效率驱动,倾向于使用AI生成摘要来筛选阅读内容。
2026-07-28 cs.AI cs.CY cs.HC
Learning to Prompt: Improving Student Engagement with Adaptive LLM-based High-School Tutoring
Leiden University(莱顿大学);FutureWhiz
提出一种基于14个教学特征的主题感知提示路由模型,通过模拟训练和在线A/B测试,在高中辅导中实现自适应策略切换,提高教学效率并减少交互轮次。
2026-08-27 cs.AI cs.CL cs.HC
Assessing the Impact and Underlying Pathways of Sequenced AI feedback on Student Learning
The University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校);Carnegie Mellon University(卡内基梅隆大学);The University of Pittsburgh(匹兹堡大学);The University of Hong Kong(香港大学)
研究探讨了序列AI反馈对学习效果的影响,发现其虽提升参与度但增加认知负担,最终学习效果不如直接反馈。
2026-04-14 cs.HC
Through the Looking Glass: Insights into Visualization Pedagogy through Sentiment Analysis of Peer Review Text
同行评议是一种广泛使用的反馈机制,以吸引学生。作为一种教学方法,它已被证明可以提高教育成果,但我们发现有限的经验测量可视化课程的同行评议。除了提高参与度外,同行评审还提供了多样化的反馈,并通过对他人工作的批判性评价来加强最近学到的课程概念。我们讨论的建设和应用同行评议在两个可视化课程从不同的学院在南佛罗里达大学。然后,我们通过情感分析来分析学生项目和同行评议文本,以推断可视化教育工作者的见解,包括课程内容的重点,学生群体的参与,学生对概念的掌握,随着时间的推移,课程趋势和专家干预的有效性。最后,我们提供了建议,以适应同行评审其他可视化课程,让学生和教师同行评审过程中的理解增加。
2021-08-05 cs.HC
Study of mental health and learning engagement during COVID-19 pandemic based on an electroencephalogram headset
新型冠状病毒疫情及所采取的措施对人士的心理健康产生影响。本文通过分析远程学习的三种方式,即文本、文本和插图,包括图表、视频,提出了支持学生表现的概念。脑电图耳机可以检测脑电波,开发的网络应用程序可以增强远程学习的过程。头戴式耳机的电极与用户头部接触,并监测左右额叶以及颞叶的活动。通过使用耳机,情绪、专注、压力、放松、参与、兴奋和兴趣都以数值的形式被触发。用户提供有关其日常活动的信息,包括学习和评估过程。根据这项研究,用户在使用文本和插图时的长期注意力最高,其次是观看视频。这是由于文本包含视频中呈现的程序的代码。此外,用户在使用应用程序时感到舒适,他们开始更加关注压力,健康,教育和幸福之间的联系。当学生第一次使用视频学习时,耳机触发的结果具有更高的值。当他们想记住信息时,文字和插图的学习方式是最好的选择。根据研究结果,可以加强教学设计。此外,随着学生变得更加平衡和自信,结果也有所改善。教师、教授和家长能够合作并加强培训。在封锁状态下在线学习时,学生们发现提出的解决方案很好,因为他们的内心状态影响了他们解决问题的效率。
2021-01-02 cs.HC
To Tab or Not to Tab: Measuring Critical Engagement in AI Code Completion Tools Using Behavioral Signals and Attention Checks
Temple University(特拉华大学)
提出Clover工具记录学生与代码建议的交互,并通过注意力检查探究反思性参与,发现Tab接受率高与注意力检查表现差相关,而停留时间长则与表现好相关。
2026-06-29 cs.AI cs.HC cs.SE
Directive, Metacognitive or a Blend of Both? A Comparison of AI-Generated Feedback Types on Student Engagement, Confidence, and Outcomes
School of Electrical Engineering and Computer Science(电气工程与计算机科学学院);The University of Queensland(昆士兰大学);Department of Computer Science, College of Science and Arts(计算机科学系,科学与艺术学院);Najran University(纳杰兰大学);School of Education(教育学院);Faculty of Education and Learning Sciences(教育与学习科学学院);Wageningen University and Research(瓦赫宁根大学与研究中心);Faculty of Information Technology(信息技术学院);Monash University(墨尔本大学);Institute for Teaching and Learning Innovation(教学与学习创新研究所)
本研究通过329名学生的随机对照试验,比较指令性、元认知及混合型AI生成反馈对学习的影响,发现混合型反馈促使最多修订,兼具即时指导与自我反思优势。
2025-10-22 cs.AI cs.HC
Examining the Role of LLM-Driven Interactions on Attention and Cognitive Engagement in Virtual Classrooms
Human-Centered Technologies for Learning, Technical University of Munich(慕尼黑技术大学);School of Future Science and Engineering, Soochow University(苏州大学)
该研究构建完全由 LLM 驱动同伴与教师的 VR 学习环境,发现同伴提问可增强学生对学习内容的注意力且不直接增加外在认知负荷,并据此提出 VR 课堂设计建议。
2025-05-12 cs.AI cs.HC
Supporting Students' Reading and Cognition with AI
University of Washington(华盛顿大学);Information School(信息学院)
本研究通过分析124次学生与AI工具的会话,发现用户随时间趋于被动阅读,并提出结构化支架和主动提示等设计建议,以促进高阶思维。
2025-04-07 cs.AI 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
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
Exploring Artificial Intelligence Tutor Teammate Adaptability to Harness Discovery Curiosity and Promote Learning in the Context of Interactive Molecular Dynamics
Arizona State University(亚利桑那州立大学)
本研究基于Wizard-of-Oz范式与混合方法,探讨AI导师队友在交互式分子动力学任务中对高中生好奇心驱动参与度和学习效果的影响,证实AI适应性反馈能促进团队动态同步与认知好奇心。
2025-06-26 cs.AI cs.CE cs.CY
Comparative Design-Based Research: How Afterschool Programs Impact Learners' Engagement with a Video Game Codesign
本研究针对课后项目差异可能影响协同设计成效的问题,在五个课后项目开展二十周游戏协同设计工作坊,归纳出三类项目特征,提出比较设计式研究(cDBR)作为协同设计的有效研究视角。
2023-07-21 cs.HC