基于机器学习的在线学习注意力定性评估研究

摘 要：本文简要介绍了利用机器学习的算法能够对学生的视觉注意力进行量化，能够通过量化得到的数据对学生的在线学习时的注意力进行评估。多媒体应用为在线学习中的学生提供了优势，但也带来了显著的挑战。其中一个挑战是学生视觉关注度的测量和分析。本文提出了一种机器学习算法，对学生的注意力进行测量。在本文中，主要关注学生眼睛状态分类，提出一种基于机器学习的分类框架。该方法采用Gabor来提取眼部状态的特征，采用SVM算法学习分类器。实验表明这种方法在鲁棒性和正确率方面都达到了很好的性能，具有良好的实际应用价值。

关键词：机器学习；互联网多媒体教学；在线学习

中图分类号：TP391.41 文献标识码：A 文章编号：2096-4706（2019）03-0024-02

Qualitative Assessment of Attention in Online Learning Based on Machine Learning

XIANG Ziqi

（Jiangxi University of Finance and Economics，School of Software and Communication Engineering，Nanchang 330013，China）

Abstract：This paper briefly introduces that the machine learning algorithm can quantify the visual attention of students，and the quantitative data can be used to evaluate the attention of students in online learning. Multimedia application provides advantages for students in online learning，but it also brings significant challenges. One of the challenges is the measurement and analysis of students’visual attention. This paper presents a machine learning algorithm to measure students’attention. In this paper，we focus on the classification of students’eye states，and propose a classification framework based on machine learning. In this method，Gabor is used to extract the features of eye state，and SVM algorithm is used to learn the classifier. Experiments show that this method achieves good performance both in robustness and accuracy and has obvious practical application value.

Keywords：machine learning；internet multimedia teaching；online learning

0 引 言

互聯网时代的浪潮席卷了我们的生活和学习，互联网渐渐地被广泛应用与生活和学习的各个场景，与传统方法相比使用互联网技术能极大地提高效率，互联网技术也对我们的生活提出了更高的要求。随着电脑的普及，互联网技术走进了千家万户，现在越来越多的学校的课程与互联网相关，在线学习应运而生。但是在线学习的教学评价一般是以老师和学生的课后反馈得出的，若利用机器学习可以通过大量的数据进行语义构造。本文对学生上课时的视频源进行分析，进而对学生的注意力进行定性评估。

1 机器学习的应用

近年来，国内有关机器学习的研究迅猛发展，主要表现在对数据特征的提取和分类上。通过对大量的数据进行算法处理，实现智能应用，例如利用机器学习做决策的阿法狗，将机器学习用于无人驾驶汽车，利用人工智能技术对天文数据进行处理，等等。还有在生物学领域的应用，对DNA序列的预测，对蛋白质的空间结构的分析，金融大数据的应用：对股票期货市场进行预测，能够引导投资者更好地进行投资。

综上可知，机器学习在国内外的研究成果都是十分可观的，21世纪是信息化时代，AI技术在蓬勃发展，人工智能越来越走进我们的生活，机器学习是人工智能领域非常重要的一部分，以大数据技术为基础的机器学习在计算机研究领域的重要性越来越突出。大量的资本涌入这个领域，极大地推动了机器学习的发展。机器学习会逐渐反哺人工智能领域，甚至推动整个人类社会发生巨大变革。

2 机器学习究竟是什么？

机器学习是基于概率论、统计学、计算机视觉识别、数据挖掘等领域的研究。

人类在成长的过程中不断学习，在生活的过程中积累了很多的历史和教训，人类对这些经历进行归纳总结得到了经验，人类可以利用人类总结的经验对未来进行合理的预测。

机器学习就是基于上述人类学习的模式，对人类学习的模式进行模仿，给机器传输大量数据，由机器进行模拟，通过归纳总结的思想得到一些相关性的结论，机器学习的思想就是对人类学习的模拟，可近似地看成仿生学的分支。

3 特征提取算法

Gabor函数对傅里叶函数进行了改进，是基于一个窗口傅里叶函数。Gabor函数可以在数据的不同范围、不同方向上提取相关的数据特征。Gabor函数与动物视网膜细胞对光线的刺激的响应非常相似。它在提取数据的空间信息方面具有很好的特性。Gabor函数对于图像的边缘十分敏感，能够提供良好的方向选择和尺度选择特性，而且对于亮度的变化不敏感，不会受到图片亮度不同的干扰。Gabor具有优良的空间局部性和方向选择性，能够抓住图像部分区域中各个方向中的空间区域和重要的图像结构特征，Gabor分解可以看成一个拥有高超技艺的狙击手，对于细节的把握很到位。

PCA即主要成分分析法，是一种用途广泛的特征提取算法，PCA通常用于对数据集进行降维，同时保持数据集中用处最大的数据特征，能够保留重要的数据特征，而舍弃可忽略的数据成分。这样通常可以保留我们需要的数据特征，加快对数据的处理速度并减少对数据进行处理时的GPU消耗。用于分析非随机变量和建模。其主要原理是利用对协方差矩阵进行特征分解，以得出数据的特征向量与它们的权值。PCA提供了一种降低数据维度的有效办法，对分析大量数据有显著效果，例如人脸识别领域。

4 分类模型

KNN是在数据挖掘中最简单的方法之一，是将局部近似和所有计算延迟至分类之后的惰性学习，在多分类的问题中有较好的表现。而且KNN不仅能用于分类模型问题，还能用于各类线性回归问题，其不足在于当样本不平衡时，表现效果不够好。

NBC是以贝叶斯定理为基础的朴素贝叶斯分类。朴素贝叶斯分类器是高度可扩展的，因此需要特征和分类器成线性关系的参数。朴素贝叶斯的思想基础：对于待分类别，对比在此项发生的条件下各个类别发生的概率，如果最大就认为此待分类项属于哪个类别。对于某些类型的概率模型，在许多实际应用中，朴素贝叶斯模型参数估计需要使用最大似然估计。最大似然估计可以通过评估一个封闭的表达式来完成，而不需要其他类型的分类器所使用的迭代逼近。

SVM是一种按照监督学习的方式对数据进行二元分类的学习机，被应用于模式的分类中，特别是图片识别和人脸识别领域，它适用于高维小样本问题，并具有很好的表现。在我们的实验中，使用RBF 径向基函数核函数。

5 实验简要流程

实验的简要流程：根据图片的位置提取人眼图片，图片的宽度为人眼图片的尺寸，然后进行图片的灰度校正，最后缩放到36×36像素大小，如此对样本进行处理，然后用特征提取算法提取特征数据。实验数据采用了包含2000张人脸的图片集。对1000个不同的人像进行采集，人种为黄种人，年龄在10～50岁之间。图片大小为260×340像素。其中1000张闭眼图片和1000张睁眼图片。一共切割得到1000个闭眼样本和1000个睁眼样本。我们就随机选出500个闭眼样本和500个睁眼样本用于训练，剩下的1000个样本用于测试。图片大小为36×36，第一行为闭眼样本，第二行为睁眼样本。

在实验中，将上述2种特征提取算法和3种分类器组合的6种算法进行比较。不同算法的结果比较如表1所示。通过分析我们发现，Gabor特征在眼部的特征提取方面要优于PCA特征。同等条件下，三种分类器都表现了更好的预测准确率。如Gabor+KNN的分類效果要比PCA+KNN高2.9%。另外，通过比较，我们也得到SVM具有更好的分类特性。如同样是Gabor特征，SVM的分类效果优于KNN和NB，分别高25%和8.3%。因此，我们得出Gabor+SVM算法能够实现最高效的分类结果，分类的准确率达到92.5%。

6 总结和展望

为了对在线学习的学生进行注意力评估，评估的标准利用了学生的视觉对于屏幕的关注程度，主要体现在睁眼闭眼。本文就这个问题进行了分析研究，验证了Gabor和SVM的组合分类的准确率达到92.5%，具有潜在的应用前景。为了扩大研究结果的有效性，还需要进行更多横向的研究。未来我们可以通过现有的分类器，分析学生的眨眼频率等眼部状态。希望能够基于本文的研究设计一个能够广泛应用于在线学习的效果评价系统。

参考文献：

[1] 胡艺龄，顾小清，赵春.在线学习行为分析建模及挖掘 [J].开放教育研究，2014，20（2）：102-110.

[2] 谌志华.人工智能技术下的在线学习系统设计 [J].信息与电脑（理论版），2018（1）：46-47+51.

[3] 王勃.网络在线学习情绪检测系统研究与实现 [D].北京：北京交通大学，2017.

作者简介：项子琦（1999.08-），男，汉族，江西鹰潭人，本科，主要研究方向：软件工程。