تحقیقات گذشته، میزان مشارکت و دخالت دانش آموزان در فعالیت‌های کلاسی را به عنوان یک عامل مهم و تعیین کننده در کیفیت برنامه‌های آموزشی و عملکرد تحصیلی دانش‌آموزان تعیین کرده است. در نتیجه بسیاری از مربیان و معلمان در سراسر جهان به طور فعال در تلاشند تا دوره‌هایی را طراحی کنند که مشارکت دانش آموزان را به حداکثر برساند.
ارزیابی و ثبت اطلاعات میزان مشارکت دانش آموزان به طور مستمر و موثر نسبتاً امری چالش برانگیز است. بنابراین، ایجاد تکنیک‌هایی برای نظارت بر میزان مشارکت دانش آموزان در کلاس بدون ایجاد مزاحمت یا تأثیر منفی بر روی تجربه یادگیری آنها، از اهمیت بالایی برخوردار است زیرا این تکنیک‌ها می‌توانند برای بررسی و بهبود اثربخشی دوره‌ها و استراتژی‌های آموزشی استفاده شده و بسیار سودمند باشند.
محققان دانشگاه توبینگن و انستیتوی لایب نیتس در آلمان با همکاری دانشگاه کلرادو بولدر آمیکا اخیراً پتانسیل تکنیک‌های یادگیری ماشین برای ارزیابی مشارکت دانش آموزان در چارچوب تحقیقات کلاس بررسی کرده‌اند. آنها یک سیستم مبتنی بر شبکه عصبی ابداع کردند که می‌تواند با تجزیه و تحلیل فیلم‌های ویدئویی جمع‌آوری شده از محیط کلاس، میزان تعامل دانش آموزان را مشخص کند.
Enkelejda Kasneci، یکی از محققان درگیر در این مطالعه به TechXplore گفت: “ما از داده‌های جمع آوری شده توسط دوربین‌های موجود در کلاس‌های درسی در طول یک دوره آموزشی برای آموزش یک مدل مبتنی بر یادگیری عمیق جهت تعیین سطح تعامل دانش آموزان استفاده کردیم. ما مدل خود را بر اساس داده‌های حقیقی (رتبه‌بندی سطح دانش‌آموزان از خبره‌ترین تا ضعیف‌ترین بر اساس فیلم‌های ضبط شده در کلاس) آموزش دادیم. پس از آموزش، این مدل قادر به پیش‌بینی میزان تعامل یک دانش‌آموز خاص در یک مقطع زمانی خاص است و به راحتی می‌تواند سطح بالا یا پایین تعاملات وی را مشخص کند. مدلی که ابداع شده می‌تواند مجموعه وسیعی از فیلم‌های ضبط شده در محیط کلاس را اسکن کرده و مواردی که تعاملات دانش آموزان زیاد یا کم بوده را شناسایی کند.”
به گفته پیتر گرجتس روانشناس برجسته که با تیم همکاری می‌کند، چنین روشی می‌تواند به شناسایی و بهبود استراتژی‌های آموزشی در کلاس‌های درسی کمک کند که به توجه بیشتر دانش‌آموزان در کلاس‌های درسی ختم خواهد شد و همچنین می‌تواند در برنامه‌های مربوط به تربیت معلم مورد استفاده قرار گیرد.
گرجتس توضیح داد: “بعنوان یک تیم تحقیقاتی این موضوع بسیار مهم است تا تأکید کنیم که هدف ما نظارت بر دانشجویان نیست، بلکه هدف تولید استراتژی‌های تعاملی هوشمند برای آموزشی موثرتر است. این سیستم می‌تواند برای بهبود اثربخشی دوره‌های آموزشی استفاده شود، اما هرگز برای ارزیابی معلم‌ها طراحی نشده است. در حقیقت، وقتی صحبت از اهداف این فناوری می‌شود بدان معناست که یادگیری ماشین صرفا برای پشتیبانی از سناریوهای آموزشی ساخته شده و این تنها کاری است باید انجام دهد. در تمام مراحل تحقیق ما از نزدیک به موضوعات اخلاقی می‌پردازیم و مواردی نظیر حفظ حریم خصوصی، شفافیت، انصاف و پاسخگویی مدام مورد بحث قرار می‌گیرند.”
سال‌هاست که فیلم‌های فیلمبرداری شده در محیط کلاس برای انجام تحقیقات مرتبط با آموزش استفاده می‌شوند. با این حال تاکنون این فیلم‌ها همواره به طور دستی مورد تجزیه و تحلیل قرار گرفته و توسط رأی دهنده‌های انسانی بررسی شده بودند. پیشرفت‌های اخیر در زمینه تشخیص چهره رایانه‌ای و یادگیری ماشین، تکنیک‌هایی را ایجاد کرده که می‌تواند به طور خودکار مقدار زیادی از فیلم‌ها را تجزیه و تحلیل کند و الگوهای خاصی را در آنها شناسایی کند که از جمله این سیستم‌ها می‌توان به سیستمی که محققان در توبینگن و بولدر توسعه داده‌اند اشاره کرد.
تیم تحقیقاتی این پروژه به TechXplore گفتند: “بیشتر کارهای قبلی انجام شده در این حوزه مبتنی بر آنالیز چهره ومربوط به داده‌های ویدئویی در مقیاس کوچک بود و به چیدمان و ویژگی‌های دست ساز بستگی داشت. یادگیری عمیق این فرصت را به ما می‌دهد تا اطلاعات بسیار مفیدی را از مجموعه داده‌های بزرگ بیاموزیم. هدف ما این بود که تخمین خودکار میزان تعامل را به صورت یکپارچه و بدون نیاز به رتبه‌بندی وقت گیر و گران قیمت دستی امکان پذیر کنیم.”
مدل یادگیری عمیق در درجه اول در مورد داده‌های بصری آموزش دیده است. سطح مشارکت یک دانشجو را می‌توان با بررسی به توجه و میزان تعاملات او و پاسخ‌های عاطفی وی ارزیابی کرد. بنابراین محققان دو شبکه عصبی را آموزش دادند. شبکه اول که شبکه توجه نام گرفت برای تخمین میزان توجه دانش آموزان و شبکه دوم برای تعیین احساسات آنها که با استفاده از تجزیه و تحلیل حالات چهره آنها آموزش داده شد.
Kasneci در همین رابطه به TechXplore گفت: “به طور خلاصه مطالعه ما نشان داد که یادگیری عمیق می‌تواند به گونه‌ای موثر درگیر تحقیق در کلاس‌های درسی شود. الگوهای تعاملی همراه با محتوای آموزشی مربوطه، می‌توانند برای تدوین استراتژی‌های آموزشی بسیار موثر واقع شوند و به این طریق می‌توان مطالعات تحقیقاتی در کلاس‌ها را با کارآیی بیشتری انجام داد که در نتیجه به بهبود اثربخشی آموزش کمک خواهد کرد.”
محققان در مطالعات بعدی خود قصد دارند اعتبار و اثربخشی سیستم خود را برای ارزیابی میزان تعامل دانش‌آموزان در گروه‌های مختلف سنی دانش‌آموزان آزمایش کنند. همچنین آنها برای اطمینان از قابلیت اطمینان، انصاف و تفسیر پذیری بیشتر، سیسستم خود را توسعه خواهند داد.
از آن‌جا که این سیستم به طور خاص برای اهداف تحقیقاتی طراحی شده، گمنامی دانش‌آموزان حاضر در تصاویر ویدئویی را تضمین می‌کند. بعلاوه این سیستم بلافاصله پس از استفاده از داده‌ها برای استخراج اطلاعات، فیلم‌های خام را حذف کرده و فقط داده‌های مربوط به یک گروه کلی از دانشجویان را ذخیره می‌کند.
اولریش تراوت، روانشناس آموزشی که در این مطالعه همکاری می‌کند به TechXplore گفت: “تعدادی سوال جذاب وجود دارد که ما قصد داریم در مطالعات بعدی خود به آنها بپردازیم و آن سوال‌ها جنبه‌های محاسباتی و جنبه‌های بیشتری در ارتباط با محتوای تحقیق ما ارائه می‌دهند. هدف ما درک بهتر از سطوح مختلف تعامل در کلاس‌ها و ارائه تأثیر مثبت بر کیفیت آموزش است. ما تأکید می‌کنیم که تعامل امری پیچیده است و فناوری حاضر عمدتا بر روی تعامل رفتاری آشکار تمرکز دارد ونتایج خود را بر اساس رفتارهای مشهود تعیین می‌کند. هنوز کارهای زیادی برای اندازه‌گیری وضعیت‌های مخفی مانند سرگردانی ذهنی باید انجام شود، اما بگذارید دوباره تکرار کنم؛ ما به شدت مخالف هرگونه استفاده از چنین راه حل‌هایی برای نظارت بر دانش‌آموزان و معلمان در کلاس‌های درسی واقعی هستیم.”
