Áp dụng mô hình học sâu nhận dạng mức độ hài lòng của người học

Chỉ số đề mục

14

Lĩnh vực nghiên cứu

Khoa học giáo dục học nói chung, bao gồm cả đào tạo, sư phạm học, lý luận giáo dục,..

Dạng tài liệu

Tác giả

Lê Hồng Thúy Vũ, Nguyễn Viết Hưng, Trịnh Huy Hoàng, NGUYỄN VIẾT HƯNG⁽¹⁾

Nhan đề

Áp dụng mô hình học sâu nhận dạng mức độ hài lòng của người học

Nhan đề tiếng anh

Applying deep learning models to identify the satisfaction level of learners

Nguồn trích

Tạp chí Khoa học - Đại học Sư phạm TP Hồ Chí Minh

Năm xuất bản

2022

Số

12

Trang

2053-2063

ISSN

1859-3100

Từ khóa

Phương pháp học sâu, Phát hiện cảm xúc, Mức độ hứng thú, Giảng dạy trực tuyến

Từ khóa tiếng anh

Deep learning methods, Emotion detection, Interest level, Online teaching

Tóm tắt

Giáo viên dựa vào biểu hiện của người học sẽ biết được các hoạt động trong tiết dạy là thu hút hay nhàm chán, qua đó có những điều chỉnh phù hợp để chất lượng giảng dạy ngày càng tốt hơn. Trong giảng dạy trực tuyến, giáo viên và người học tương tác qua màn hình máy tính. Do đó, để đánh giá mức độ hài lòng của người học thì chủ yếu dựa vào cảm xúc trên khuôn mặt. Ngày nay, nhờ vào học sâu (deep learning), việc nhận dạng cảm xúc trên khuôn mặt người đã có những kết quả khả quan và giữ một vị trí quan trọng trong lĩnh vực thị giác máy tính và trí tuệ nhân tạo. Nghiên cứu đề xuất một mô hình học sâu phát hiện các cảm xúc khuôn mặt để từ đó hỗ trợ nhận dạng mức độ hứng thú của người học. Việc huấn luyện dựa trên bộ dữ liệu thu thập riêng là “HSTVK-EMO”.

Tóm tắt tiếng anh

Based on the students’ expressions, teachers will know whether the lesson activities are attractive or boring, appropriately adjust their teaching. In online teaching, teachers and learners interact through computer screens. Therefore, assessing learners' satisfaction is mainly based on facial emotions. Today, thanks to deep learning, the facial recognition of emotions has had positive results and holds an important position in computer vision and artificial intelligence. The study proposes a deep learning model that detects facial emotions to help identify learners’ interest levels. The training is based on the separately collected data set “HSTVK-EMO”.

Kí hiệu kho

TTKHCNQG, CTv 138

File toàn văn

Xem toàn văn

Tài liệu tham khảo

[1] Rinn, W. E. (1984), The neuropsychology of facial expression: a review of the neurological and psychological mechanisms for producing facial expressions.,Psychological bulletin, 95(1), 52.
[2] Tran, S. H., & Le, H. T., & Nguyen, T. T. (2018), Phan lop anh dua tren to hop da dac trung [Image Classification Based On Multiple Feature Combination],Ho Chi Minh City University Of Education Journal Of Science, 15(12), 67-81.
[3] Sfetcu, N. (2020), Models of Emotion, A partial translation of: Sfetcu, Nicolae, "Emoțiile și inteligența emoțională în organizații",MultiMedia Publishing (ISBN 978-606-033-328-9).
[4] Park, B. J., Jang, E. H., Kim, S. H., Huh, C., & Sohn, J. H. (2012), Seven emotion recognition by means of particle swarm optimization on physiological signals: Seven emotion recognition.,In Proceedings of 2012 9th IEEE International Conference on Networking, Sensing and Control (pp. 277-282). IEEE.
[5] Majeed, M. A., & Srayyih, M. N. (2018), Using neural network for recognition handwritten indian numbers.,Misan Journal of Academic Studies, 17(33-2).
[6] Ekman, P. (1971), Universals and cultural differences in facial expressions of emotion.,In Nebraska symposium on motivation. University of Nebraska Press.
[7] Dandıl, E., & Özdemir, R. (2019), Real-time Facial Emotion Classification Using Deep Learning.,Data Science and Applications, 2(1).
[8] Chang, K. Y., Chen, C. S., & Hung, Y. P. (2013), Intensity rank estimation of facial expressions based on a single image.,In 2013 IEEE International Conference on Systems, Man, and Cybernetics (pp. 3157-3162). IEEE.