Penilaian keterlibatan siswa berbasis pembelajaran mendalam dapat membantu penelitian kelas
Machine

Penilaian keterlibatan siswa berbasis pembelajaran mendalam dapat membantu penelitian kelas


Contoh adegan kelas. Tiga kamera sinkron merekam pelajaran secara bersamaan. Kredit: Sümer et al.

Penelitian sebelumnya telah mengidentifikasi keterlibatan siswa, atau sejauh mana siswa berpartisipasi dan terlibat dalam kegiatan kelas, sebagai faktor penting yang menentukan kualitas program pendidikan dan kinerja akademik siswa secara individu. Hasilnya, banyak pendidik di seluruh dunia secara aktif mencoba merancang kursus yang memaksimalkan keterlibatan siswa.

Namun, menilai keterlibatan siswa secara efektif dan andal bisa jadi cukup menantang. Teknik untuk memantau keterlibatan dan partisipasi siswa di dalam kelas dari waktu ke waktu, dan tanpa mengganggu atau berdampak buruk pada pengalaman belajar mereka, dengan demikian akan sangat berharga, karena dapat digunakan untuk menyelidiki keefektifan kursus dan strategi pendidikan.

Peneliti di Universitas Tübingen dan Institut Leibniz für Wissensmedien di Jerman, serta Universitas Colorado Boulder, baru-baru ini menyelidiki potensi teknik pembelajaran mesin untuk menilai keterlibatan siswa dalam konteks penelitian kelas. Lebih khusus lagi, mereka merancang arsitektur berbasis jaringan saraf dalam yang dapat memperkirakan keterlibatan siswa dengan menganalisis rekaman video yang dikumpulkan di lingkungan kelas.

“Kami menggunakan data kamera yang dikumpulkan selama pelajaran untuk mengajarkan model berbasis jaringan saraf dalam untuk memprediksi tingkat keterlibatan siswa,” Enkelejda Kasneci, peneliti HCI terkemuka di tim multidisiplin yang melakukan penelitian, mengatakan kepada TechXplore. “Kami melatih model kami pada data kebenaran dasar (misalnya, peringkat ahli tingkat keterlibatan siswa berdasarkan video yang direkam di kelas). Setelah pelatihan ini, model dapat memprediksi, misalnya, apakah data diperoleh dari siswa tertentu pada titik waktu tertentu menunjukkan tingkat keterlibatan yang tinggi atau rendah. “

Model yang dirancang oleh Kasneci dan koleganya dapat memindai kumpulan data besar dari video yang direkam di lingkungan kelas dan mengidentifikasi contoh di mana keterlibatan siswa tinggi atau rendah. Menurut Peter Gerjets, psikolog kognitif terkemuka dalam tim, metode semacam itu dapat membantu mengidentifikasi strategi pengajaran di kelas yang terkait dengan perhatian siswa yang tinggi dan juga dapat digunakan dalam program pelatihan guru.

“Bagi kami sebagai tim peneliti, sangat penting untuk menekankan bahwa tujuannya bukan untuk memantau siswa tertentu secara dekat, melainkan untuk mengembangkan strategi keterlibatan cerdas untuk pengajaran yang lebih efektif,” jelas Gerjets. “Ini dapat digunakan untuk meningkatkan keefektifan pengajaran, tetapi tidak pernah untuk evaluasi guru. Faktanya, dalam hal tujuan terkait penerapan teknologi ini, menggunakan pembelajaran mesin untuk mendukung skenario instruksional bukan hanya pertanyaan tentang apa yang bisa, tetapi juga tentang apa yang harus dilakukan dengan teknologi ini. Dalam semua langkah penelitian kami, kami memperhatikan masalah etika yang perlu didiskusikan terkait topik privasi, transparansi, keadilan, akuntabilitas, dan tujuan penggunaan. “

Video yang direkam di lingkungan kelas telah digunakan untuk melakukan penelitian terkait pendidikan selama beberapa tahun sekarang. Namun, sejauh ini, video tersebut biasanya dianalisis secara manual dan diberi anotasi oleh penilai manusia, yang diminta untuk mengidentifikasi pola atau detail yang relevan dengan proyek spesifik tempat video tersebut digunakan. Kemajuan terbaru di bidang visi komputer dan pembelajaran mesin, bagaimanapun, telah memungkinkan pengembangan teknik yang secara otomatis dapat menganalisis video dalam jumlah besar dan mengidentifikasi pola tertentu di dalamnya, termasuk yang dikembangkan oleh para peneliti di Tübingen dan UC Boulder.

Strategi berbasis pembelajaran yang mendalam untuk menilai keterlibatan siswa dapat membantu penelitian kelas

Dua tulang punggung ResNet-50 dilatih secara terpisah untuk mengenali ekspresi wajah dan memperkirakan pose kepala. Fitur yang mereka pelajari digunakan untuk memperkirakan keterlibatan siswa di lingkungan kelas. Kredit: Sümer et al.

“Sebagian besar karya sebelumnya berdasarkan analisis wajah menggunakan data video skala kecil dan bergantung pada keselarasan wajah yang baik dan fitur buatan tangan,” kata Enkelejda Kasneci dan Sidney D’Mello kepada TechXplore. “Pembelajaran mendalam, bagaimanapun, menawarkan kami kesempatan untuk mempelajari representasi yang berguna dari data besar dan meningkatkan kinerja pengklasifikasi keterlibatan. Studi kami ditujukan untuk memungkinkan estimasi otomatis keterlibatan semulus mungkin tanpa memerlukan peringkat manual yang mahal atau sensor yang mengganggu. “

Model saraf dalam terutama dilatih pada data visual. Tingkat keterlibatan siswa dapat diukur terutama dengan melihat perhatian siswa dan tanggapan emosionalnya (yaitu, isyarat perhatian dan afektif). Para peneliti kemudian melatih dua jaringan saraf sisa, yang pertama (Jaringan Perhatian) dilatih untuk memperkirakan arah yang ditunjukkan oleh kepala siswa dan yang kedua (Jaringan Pengaruh) untuk menentukan emosi mereka dengan menganalisis ekspresi wajah mereka.

“Selanjutnya, kami melatih pengklasifikasi pembacaan berdasarkan kedua fitur ini untuk mengklasifikasikan interaksi dalam tiga kategori: rendah, sedang, dan tinggi,” kata Kasneci. “Pengklasifikasi ini didasarkan pada mesin vektor dukungan, hutan acak, perceptron multilayer, dan pendekatan memori jangka panjang dan pendek.”

Alih-alih melatih algoritme mereka pada gambar mentah, para peneliti melatih mereka pada embeddings yang dalam (yaitu, representasi berdimensi rendah dari gambar-gambar ini). Hal ini memungkinkan mereka untuk dengan mudah dilatih ulang atau dipersonalisasi menggunakan data baru yang sangat terbatas (urutan video singkat 60 detik).

“Untuk meringkas, penelitian kami menunjukkan bahwa pembelajaran mendalam dapat secara efisien menangkap keterlibatan dalam penelitian kelas. Pola keterlibatan umum, bersama dengan konten pengajaran yang sesuai, dapat digunakan untuk merancang strategi pendidikan yang lebih efektif,” kata Kasneci. “Dengan cara ini, studi penelitian kelas dapat dilakukan dengan lebih efisien, sehingga membantu meningkatkan efektivitas pengajaran. Namun, selain pertimbangan etis, juga terdapat pertanyaan penelitian terbuka terkait deep learning, misalnya yang terkait dengan dataset dan keadilan algoritmik, interpretabilitas, dan ketahanan. . “

Dalam studi berikutnya, para peneliti berencana untuk menguji validitas dan keefektifan teknik mereka untuk menilai keterlibatan siswa pada kelompok siswa yang berbeda. Mereka juga akan mengembangkan pendekatan mereka lebih lanjut, untuk memastikan keandalan, keadilan, dan interpretabilitasnya.

Karena dirancang khusus untuk tujuan penelitian, model tersebut memastikan anonimitas siswa yang ditangkap dalam rekaman video. Selain itu, sistem menghapus footage video mentah segera setelah digunakan untuk mengekstrak deep embeddings dan hanya menyimpan data yang terkait dengan grup siswa secara keseluruhan (bukan siswa individu). Meskipun secara teoritis dapat memetakan keterlibatan siswa dari waktu ke waktu, ini dapat dengan mudah dihindari.

“Ada sejumlah pertanyaan menarik yang kami rencanakan untuk dibahas dalam studi kami berikutnya, dan mereka mencakup aspek yang lebih komputasi dan lebih terkait konten dari penelitian kami,” Ulrich Trautwein, seorang psikolog pendidikan yang terlibat dalam studi tersebut, mengatakan kepada TechXplore . “Tujuan kami adalah untuk lebih memahami anteseden dari berbagai tingkat keterlibatan di ruang kelas dan bagaimana mereka dapat dipengaruhi secara positif oleh kualitas pengajaran yang tinggi. Pada titik ini, kami juga menekankan bahwa keterlibatan itu kompleks dan bahwa teknologi saat ini terutama berfokus pada keterlibatan perilaku terbuka. berdasarkan perilaku yang terlihat. Masih banyak yang harus dilakukan untuk mengukur lebih banyak keadaan keterlibatan terselubung seperti pemrosesan elaboratif dan pengembaraan pikiran, tapi izinkan saya tegaskan: Kami sangat menentang penggunaan solusi semacam itu untuk pemantauan kelas dunia nyata terhadap siswa dan guru, baik untuk alasan etis dan karena kemungkinan efek samping negatif dari pengaturan tersebut pada motivasi dan pembelajaran siswa dan untuk hak-hak guru. ”


Mengukur keterlibatan siswa dapat membantu guru, administrator menyesuaikan strategi


Informasi lebih lanjut:
Analisis keterlibatan multimodal dari video wajah di kelas. arXiv: 2101.04215 [cs.CV]. arxiv.org/abs/2101.04215

© 2021 Science X Network

Kutipan: Penilaian keterlibatan siswa berbasis pembelajaran mendalam dapat membantu penelitian kelas (2021, 28 Januari) diambil 28 Januari 2021 dari https://techxplore.com/news/2021-01-deep-learning-based-student-engagement-aid. html

Dokumen ini memiliki hak cipta. Selain dari transaksi yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten disediakan untuk tujuan informasi saja.


Halaman Ini Di Persembahkan Oleh : Result SGP