eラーニングにおける認知負荷検出のためのマルチモーダル測度の調査【JST・京大機械翻訳】

Herbig Nico; Duewel Tim; Helali Mossad; Eckhart Lea; Schuck Patrick; Choudhury Subhabrata; Krueger Antonio

文献

J-GLOBAL ID：202002210318214570 整理番号：20A2094789

eラーニングにおける認知負荷検出のためのマルチモーダル測度の調査【JST・京大機械翻訳】

Investigating Multi-Modal Measures for Cognitive Load Detection in E-Learning

出版者サイト複写サービスで全文入手
高度な検索・分析はJDreamⅢで {{ this.onShowJLink("http://jdream3.com/lp/jglobal/index.html?docNo=20A2094789&from=J-GLOBAL&jstjournalNo=D0698C") }}

著者 (7件)： , , , , , ,
資料名：
号： UMAP ’20 ページ： 88-97 発行年： 2020年
JST資料番号： D0698C 資料種別：会議録 (C)
記事区分：原著論文発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

本論文では,eラーニング中の認知負荷(CL)を推定するため,広範囲の生理学的,行動的,性能および主観的尺度を分析した。著者らが知る限りでは,分析センサ測度は,eラーニングドメインでこれまで調査されてきた多様なモダリティから最も多様な特徴集合を構成する。著者らの焦点は,主観的に報告されたCLと困難,ならびに探索された特徴に基づく固有のコンテンツの困難さを予測することにある。モードル環境におけるビデオと質問を通して学習された21人の参加者による研究は,参加者が受動的に消費するビデオの代わりに問題を積極的に解決するビデオよりも,固有のコンテンツの困難さの分類が,ビデオに対してより良い仕事を作れることを示す。CLと困難の主観的に報告されたレベルを予測するための回帰分析も,コンテンツトピックの中で非常に低い誤差で働く。調査した特徴様式の中で,眼ベースの特徴は最良の結果をもたらし,次いで心臓ベースおよび皮膚ベースの測定が続いた。さらに,複数のモダリティを組み合わせることで,単一モダリティと比較してより良い性能が得られる。提示した結果は,困難とCLを推定するために特によく働くモダリティと特徴を示唆することにより,研究者と認知意識e学習環境の開発者を導くことができる。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

, , , , , , ,
, , , 【Automatic Indexing@JST】

著者キーワード (4件)： , , ,

CAI , 人間機械系

, , , ,

前のページに戻る