用於非同步演講訓練的可解釋閉環多模態情感回饋智慧教學系統
arXiv - Human-Computer InteractionHung-Yue Suen, Kuo-En Hung
開發了一套結合多模態數據與可解釋架構的智慧教學系統，能透過精準回饋顯著提升學習者的口頭演講技能。
AI 幫你先抓重點
AI 重點 1
從「黑箱評分」轉向「可解釋的行為診斷」
滑鼠懸停看 AI 判斷理由
傳統 AI 評分往往只給出分數，缺乏教學意義；本研究透過三層架構將多模態數據轉化為可觀察的行為線索，這對於建立學習者的自我監控與修正能力至關重要。
AI 重點 2
閉環式回饋架構實現了大規模的刻意練習
滑鼠懸停看 AI 判斷理由
透過結合評分、診斷與對話式教練，系統模擬了真人導師的互動，解決了非同步學習中缺乏即時、具體回饋的痛點，讓大規模教學具備高品質的個人化指導潛力。
核心研究發現
- 1
系統利用 XGBoost 模型處理面部、聲音、文本與眼動特徵，其評分準確度與專家評分高度一致（Spearman's rho 為 0.69-0.78）。
- 2
針對 204 名成年學習者的 30 天實驗顯示，參與者在七個行為錨定評量量表（BARS）維度上的表現均有顯著提升。
- 3
研究發現練習頻率與後測表現之間存在強正相關，顯示系統支持的刻意練習對技能習得具有實質成效。
對教育工作者的啟發
課程設計者在設計非同步學習環境時，不應僅追求自動化評分，更應著重於「回饋的可解釋性」。建議整合多模態數據（如語調、眼神、肢體語言）來提供具體的行為建議，而非僅給予分數。此外，系統應設計成能引導學習者進行「刻意練習」的閉環結構，透過對話式教練引導學習者進行自我反思與修正，從而將數據分析轉化為實際的行為改變。
原始文獻資訊
- 英文標題：
- An Interpretable Closed-Loop Intelligent Tutoring System for Multimodal Affective Feedback in Asynchronous Presentation Training
- 作者：
- Hung-Yue Suen, Kuo-En Hung
- 來源：
- arXiv - Human-Computer Interaction
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
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。