EduGage：基於感測器的自主影片學習參與度瞬時評估方法與數據集
arXiv - Human-Computer InteractionZikang Leng, Edan Eyal, Yingtian Shi, Jiaman He, Yaqi Liu, Thomas Pl\"otz
本研究開發了一套結合生理與行為感測器的系統，能有效估算自主學習中的參與度，並釋出多模態數據集。
AI 幫你先抓重點
AI 重點 1
從「全模態感測」轉向「輕量化組合」的設計思維
滑鼠懸停看 AI 判斷理由
這改變了開發教育科技產品的邏輯。研究顯示雖然多種感測器能提供數據，但過度複雜的硬體未必能帶來邊際效益，開發者應專注於最具代表性的行為與生理訊號組合，以平衡精準度與實用性。
AI 重點 2
瞬時評估（Momentary Assessment）在自主學習中的價值
滑鼠懸停看 AI 判斷理由
傳統參與度量測多為事後回顧，容易產生偏差。透過感測器進行即時、高頻率的監測，能捕捉學習者在影片學習過程中的動態變化，這對於開發能即時介入的適應性學習系統至關重要。
核心研究發現
- 1
開發出的多模態參與度估算模型表現優異，其二元分類準確率達 73.93%，且在多項基準測試中超越了僅使用統計、深度時間模型或大型語言模型（LLM）的方法。
- 2
研究發現精細化的參與度估算雖然可行，但數據本身具有高度雜訊，因此實務上應優先考慮行為與生理訊號的輕量化組合，而非追求全模態感測。
- 3
研究團隊釋出了 EduGage 數據集，包含同步的多模態感測訊號、與探針對齊的參與度標籤、影片元數據、測驗及學習教材，以支持後續研究。
對教育工作者的啟發
對於課程設計者與 EdTech 開發者而言，本研究提供了兩大啟發：首先，在設計數位學習平台時，不一定要依賴昂貴的醫療級感測器，結合簡單的行為數據（如眼動、動作）與基礎生理訊號即可達到不錯的參與度監測效果；其次，應著重於「即時性」，開發能根據學習者參與度波動進行即時反饋或調整難度的系統，這比單純的學習紀錄更有助於促進學習者的自我調節能力（SRL）。
原始文獻資訊
- 英文標題：
- EduGage: Methods and Dataset for Sensor-Based Momentary Assessment of Engagement in Self-Guided Video Learning
- 作者：
- Zikang Leng, Edan Eyal, Yingtian Shi, Jiaman He, Yaqi Liu, Thomas Pl\"otz
- 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。