DREAMS：參與度與注意力多樣化反應心理狀態資料集
arXiv - Human-Computer InteractionMonisha Singh, Gulshan Sharma, Ximi Hoque, Abhinav Dhall
本研究推出 DREAMS 資料集，透過臉部影片分析使用者在不同刺激下的參與度與注意力狀態及其關聯性。
AI 幫你先抓重點
AI 重點 1
區分「參與度」與「注意力」的心理狀態差異
滑鼠懸停看 AI 判斷理由
雖然兩者密切相關，但本研究強調它們是不同的概念。理解兩者的雙向影響，有助於開發更精準的學習分析系統，避免將專注但不投入（或投入但分心）的狀態混為一談。
AI 重點 2
多任務學習在情緒與認知狀態預測上的優勢
滑鼠懸停看 AI 判斷理由
這顯示了在開發教育 AI 時，同時建模多個相關的心理維度（如注意力與參與度）比單獨建模更有效，這為未來開發整合型學習監測工具提供了技術路徑。
核心研究發現
- 1
研究發現使用遷移學習（Transfer Learning）與多任務學習（Multi-task Learning）在預測參與度狀態時，表現優於單一任務學習。
- 2
實驗結果顯示，較高的參與度與注意力狀態與較低的認知負荷（Cognitive Load）呈正相關。
- 3
高水平的參與度與注意力狀態同時與更佳的任務表現（Task Performance）具有相關性。
對教育工作者的啟發
對於開發智慧學習平台（Intelligent Tutoring Systems）的設計者而言，此研究提供了重要的技術啟發：首先，在設計學習監測演算法時，應考慮整合「注意力」與「參與度」兩個維度，利用多任務學習模型來提升偵測準確度；其次，系統應將「認知負荷」作為關鍵指標，當偵測到使用者注意力下降或參與度降低時，可即時調整教學內容的難度或互動形式，以維持學習者的最佳心理狀態，進而提升學習成效。
原始文獻資訊
- 英文標題：
- DREAMS: Diverse Reactions of Engagement and Attention Mind States Dataset
- 作者：
- Monisha Singh, Gulshan Sharma, Ximi Hoque, Abhinav Dhall
- 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。