| 研究課題/領域番号 |
24K03052
|
|---|
| 研究種目 |
基盤研究(B)
|
| 配分区分 | 基金 |
|---|
| 応募区分 | 一般 |
|---|
| 審査区分 |
小区分62030:学習支援システム関連
|
|---|
| 研究機関 | 名古屋工業大学 |
|---|
研究代表者 |
大囿 忠親 名古屋工業大学, 工学(系)研究科(研究院), 教授 (90324475)
|
|---|
| 研究分担者 |
菊地 真人 名古屋工業大学, 工学(系)研究科(研究院), 助教 (60909878)
白松 俊 名古屋工業大学, 工学(系)研究科(研究院), 教授 (80548595)
|
|---|
| 研究期間 (年度) |
2024-04-01 – 2028-03-31
|
| 研究課題ステータス |
交付 (2024年度)
|
| 配分額 *注記 |
18,460千円 (直接経費: 14,200千円、間接経費: 4,260千円)
2027年度: 3,250千円 (直接経費: 2,500千円、間接経費: 750千円)
2026年度: 5,200千円 (直接経費: 4,000千円、間接経費: 1,200千円)
2025年度: 3,380千円 (直接経費: 2,600千円、間接経費: 780千円)
2024年度: 6,630千円 (直接経費: 5,100千円、間接経費: 1,530千円)
|
|---|
| キーワード | ラーニングアナリティクス / クラス受講態度 / 微表情認識 / 講義難易度推定 / 意外なイベント推定 / 受講態度推定 / 受講反応分析 |
|---|
| 研究開始時の研究の概要 |
データに基づく学習支援において，非積極的で無反応な学生への対応が求められている．そのような学生への有効性が期待される微表情認識技術が発展途上であり，教育への応用には研究余地がある．本課題の予備研究では，学生の動作と表情を複合的に利用した学習支援システムにより，個々の学生に対する微表情認識性能が不十分な状況でも，クラス全体の講義への反応の推定に成功した．さらに本研究により，理論モデルの構築，データセット構築，実用的なシステムの実装の発展を目指す．本課題では，学生が発する微弱な反応をも利用可能な分析手法を実現するために研究規模を拡大し，新たな理論モデルの構築やシステムの実装をスパイラルに推進する．
|
| 研究実績の概要 |
本研究は，微細な顔の手がかりとマクロレベル（教室などの受講生の集合）の学習者エンゲージメントを結びつけ，ポジティブおよびネガティブに2値化した講義態度指標 r および rho を用いて講義の難易度評価と予期せぬ意外な事象の予測精度を向上させることを試みた．本技術は，個々の受講者から得られた FER の結果を統合することで，個々の受講者の表情が微細で FER の結果が不正確であったとしても，クラス全体の受講態度を推定する技術である．の従来の研究では，表情認識（FER）の判定結果を統合して教室内エンゲージメントを推定してきたが，微細な表情変化とマクロなエンゲージメントとの関係は未解明であった．本研究では，ソフトマックス出力などの「ソフトな出力値」を活用した．すなわち，表情認識モデルの出力確率を直接用いることで微細な表情の手がかりをより効果的に捉える手法を開発した．模擬講義を用いた評価実験の結果，ソフト出力確率ベースの指標 rho は，予期せぬ意外な事象を検出する性能において，従来指標 r を大きく上回る（rho: 0.317, r: 0.000）有用性を示した．これらの成果は，ソフト出力を活用することで微細な表情変化を捉える優位性を明らかにするとともに，リアルタイムな教室モニタリングや介入支援への応用可能性を示唆している．本成果は，The 26th International Conference
on Artificial Intelligence in Education (AIED 2025) に採択された．
|
| 現在までの達成度 |
現在までの達成度
2: おおむね順調に進展している
理由
小規模な実験に基づく概念実証に成功したため，概ね順調に進展しているといえる．
|
| 今後の研究の推進方策 |
今年度は，前年度の結果をより詳細に分析するために，被験者数や被験者の多様性を増やした上で評価実験を行う．また，これまでの知見に基づき，講義の難易度や意外なイベントの推定を用いて，適応的にコンテンツの難易度を変更するための技術開発に取り組む．
|
