A funcionalidade de pesquisa está em construção.
A funcionalidade de pesquisa está em construção.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Subjective Difficulty Estimation of Educational Comics Using Gaze Features Estimativa subjetiva de dificuldade de quadrinhos educacionais usando recursos de olhar

Kenya SAKAMOTO, Shizuka SHIRAI, Noriko TAKEMURA, Jason ORLOSKY, Hiroyuki NAGATAKI, Mayumi UEDA, Yuki URANISHI, Haruo TAKEMURA

  • Exibições de texto completo

    9

  • Cite isto

Resumo:

Este estudo explora características significativas do olhar que podem ser usadas para estimar a dificuldade subjetiva durante a leitura de quadrinhos educacionais. Os quadrinhos educacionais têm crescido rapidamente como uma forma promissora de ensinar tópicos difíceis usando ilustrações e textos. No entanto, os quadrinhos incluem uma variedade de informações em uma página, portanto, detectar automaticamente os estados dos alunos, como dificuldades subjetivas, é difícil com abordagens como a detecção baseada em registros do sistema, que é comum no campo da Análise de Aprendizagem. Para resolver este problema, este estudo concentrou-se em 28 características do olhar fixo, incluindo a proposta de três novas características chamadas “Variação na Convergência do Olhar”, “Movimento entre Painéis” e “Movimento entre Ladrilhos” para estimar dois graus de subjetividade. dificuldade. Em seguida, realizamos um experimento em um ambiente simulado usando Realidade Virtual (VR) para coletar informações do olhar com precisão. Extraímos recursos em dois níveis de unidade, unidades de página e de painel, e avaliamos a precisão de cada padrão em configurações dependentes e independentes do usuário, respectivamente. Nossos recursos propostos alcançaram uma pontuação média de classificação F1 de 0.721 e 0.742 em modelos dependentes e independentes do usuário em níveis de unidade de painel, respectivamente, treinados por uma Máquina de Vetores de Suporte (SVM).

Publicação
IEICE TRANSACTIONS on Information Vol.E106-D No.5 pp.1038-1048
Data de publicação
2023/05/01
Publicitada
2023/02/03
ISSN online
1745-1361
DOI
10.1587/transinf.2022EDP7100
Tipo de Manuscrito
PAPER
Categoria
Tecnologia Educacional

autores

Kenya SAKAMOTO
  Osaka University
Shizuka SHIRAI
  Osaka University
Noriko TAKEMURA
  Osaka University,Kyushu Institute of Technology
Jason ORLOSKY
  Osaka University,Augusta University
Hiroyuki NAGATAKI
  Osaka University
Mayumi UEDA
  Osaka University,University of Marketing and Distribution Sciences
Yuki URANISHI
  Osaka University
Haruo TAKEMURA
  Osaka University

Palavra-chave