edtechaiassessmentlearning designmetacognition

人類疲勞偵測之可解釋多模態生理訊號整合神經符號系統

arXiv - Human-Computer InteractionMohammadreza Jamalifard, Yaxiong Lei, Parasto Azizinezhad, Javier Fumanal-Idocin, Javier Andreu-Perez

結合神經符號架構與注意力編碼器，解釋性整合眼動與fNIRS訊號，提升疲勞辨識準確度並可視化概念激活與規則強度

AI 幫你先抓重點

AI 重點 1

神經符號架構結合可微分推理規則，實現可解釋的疲勞偵測

滑鼠懸停看 AI 判斷理由
此結合不僅提升模型準確度，亦提供內部推理過程可視化，符合安全性與可解釋性需求，對於需監測使用者狀態的教育科技應用尤為重要。
AI 重點 2

概念忠實度指標提供離線審核與個別準確率的強相關，能量化模型可靠性

滑鼠懸停看 AI 判斷理由
透過此指標，研究者與實務者可針對每位使用者進行診斷與校正，確保模型在不同個體間的穩定性與可信度，對於個別化學習設計具有實際價值。
AI 重點 3

參與者特定校正提升5.2pp，顯示個體差異對模型效能的重要性

滑鼠懸停看 AI 判斷理由
此發現強調在多模態生理訊號分析中，個體化參數調整能顯著提升效能，提示教育科技產品在部署前需進行個別化校正流程。

核心研究發現

  1. 1

    系統透過神經符號架構學習四項可解釋生理概念：眼動動態、凝視穩定性、前額葉血流與多模態整合。

  2. 2

    採用注意力編碼器處理眼動與fNIRS窗口，並以可微分近似推理規則（學習權重與軟閾值）融合四概念。

  3. 3

    在18位參與者（560筆樣本）的留一參與者交叉驗證中，模型達到72.1%±12.3%準確率，與調參基線相當。

  4. 4

    消除fNIRS概念會使準確率下降1.2pp，參與者特定校正提升5.2pp，Lukasiewicz算子較乘法優勢0.9pp。

  5. 5

    提出概念忠實度指標，離線每位參與者審核可與個別準確率高度相關（r=0.843，p<0.0001），提供安全性檢驗工具。

對教育工作者的啟發

此系統示範將多模態生理訊號與可解釋推理結合，可為學習環境監測疲勞提供即時且透明的評估。教育工作者可利用概念激活圖示，設計針對性休息或調整策略，並透過概念忠實度指標進行個別化教學品質檢核，提升學習者自我監控與調節能力。

原始文獻資訊

英文標題：
A Neuro-Symbolic System for Interpretable Multimodal Physiological Signals Integration in Human Fatigue Detection
作者：
Mohammadreza Jamalifard, Yaxiong Lei, Parasto Azizinezhad, Javier Fumanal-Idocin, Javier Andreu-Perez
來源：
arXiv - Human-Computer Interaction
AI 摘要模型：
openai/gpt-oss-20b
閱讀原文

每週精選研究電子報

每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。