Acceso usuarios
Julian Rojas, Erika María Londoño Montoya, Eduardo Duque, Lina Jimenez, Julian Patiño, Leonardo Serna-Guarín, Miguel A. Becerra
La atención es uno de los factores más influyentes en el proceso de aprendizaje, pero su valoración en tiempo real es compleja. Existen estrategias para medirla usando visión artificial (VA) como la basada en la postura de los estudiantes en el aula. Sin embargo, esta es un área que demanda más estudios con mayor población en contexto con las dinámicas de los procesos de enseñanza-aprendizaje.
En este trabajo, se presenta un estudio del nivel de atención basado en VA usando redes neuronales convolucionales para la identificación postural alcanzando una exactitud del 85%. El sistema se complementa con un sistema de inferencia difuso, el cual establece reglas dadas por expertos considerando los rasgos de postura junto con variables complementarias. La funcionalidad, ventajas y limitaciones del sistema propuesto es demostrada con una muestra de estudiantes seleccionada a conveniencia de un curso de inteligencia artificial a nivel de maestría.
Attention is one of the most influential factors in the learning process, but its real-time assessment is complex and subjective. There are strategies to measure it using artificial vision (VA) such as the one based on the posture of the students in the classroom. However, this is an area that requires more studies with a larger population in the context of the dynamics of the teaching-learning processes.
In this paper, a VA-based attention level study using convolutional neural networks for postural identification is presented, reaching an accuracy of 85%. The system is complemented by a fuzzy inference system, which establishes rules given by experts considering posture traits together with complementary variables. The functionality, advantages and limitations of the proposed system is demonstrated with a sample of students selected at the convenience of an artificial intelligence course at the master’s level.
