AffectAI-Capture：小組會議研究的可重現多模態協調協議
arXiv - Human-Computer InteractionMeisam Jamshidi Seikavandi, Alice Modica, Anna Obara, Fabricio Batista Narcizo, Tanya Ignatenko, Ted Vucurevich, Jesper B\"unsow Boldt, Paolo Burelli, Andrew Burke Dittberner
提出一套可重現的多模態資料收集協議，結合眼動、可穿戴生理、音訊、視訊與自評，為小組互動研究提供統一時間線與標準化輸出。
AI 幫你先抓重點
AI 重點 1
協議的單一權威事件時間線是多模態同步的關鍵，避免了傳統分散式時間戳帶來的誤差。
滑鼠懸停看 AI 判斷理由
時間線統一使得不同感測器資料能精確對齊，提升後續情緒與行為分析的可信度，對於需要高時間精度的教育互動研究尤為重要。
AI 重點 2
將任務設計與資料封裝標準化，為跨實驗比較與大規模資料庫建立提供基礎。
滑鼠懸停看 AI 判斷理由
標準化輸出降低了資料處理成本，允許研究者快速整合多場實驗結果，促進影響力研究的累積與應用。
核心研究發現
- 1
協議將眼動追蹤、可穿戴生理、近距離與房間音訊、多視角視訊、事件記錄及結構化自評整合於同一時間線，確保資料同步。
- 2
採用固定任務區塊，基於已驗證的群體互動範式，提升實驗設計的可比性與重現性。
- 3
實驗驗證顯示音訊品質與視訊同步經受得住受控測試，證實協議在技術層面可行。
- 4
協議將任務設計、儀器配置、時間來源與資料封裝緊密結合，為情緒、行為與會議分析提供完整框架。
對教育工作者的啟發
此協議提供一套完整的多模態資料收集與同步流程，教育工作者可利用其捕捉小組互動中的情緒與行為模式，進而設計更具針對性的協作活動。實務上，教師可透過眼動與生理指標辨識學生在討論中的注意力分散，並即時調整教學節奏；學習分析師可將標準化輸出匯入分析平台，建立學生互動行為的長期資料庫，支援個別化學習路徑的建議。為確保可行性，建議先在小規模課堂試點，驗證設備與資料同步的穩定性，再擴大至多班級或跨校研究。
原始文獻資訊
- 英文標題：
- AffectAI-Capture: A Reproducible Multimodal Protocol for Small-Group Meeting Research
- 作者：
- Meisam Jamshidi Seikavandi, Alice Modica, Anna Obara, Fabricio Batista Narcizo, Tanya Ignatenko, Ted Vucurevich, Jesper B\"unsow Boldt, Paolo Burelli, Andrew Burke Dittberner
- 來源：
- arXiv - Human-Computer Interaction
- AI 摘要模型：
- openai/gpt-oss-20b
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。