Introducing and Evaluating the Behavior of Non-verbal Features in the Virtual Learning
Notice bibliographique
Résumé
The objective of this research is to introduce the behavior of non-verbal features of e-Learners in the virtual learning environment to establish a fair representation of the real user by an avatar who represents the e-Learner in the virtual environment and to distinguish the deportment of the non-verbal features during the virtual learning session. The eye blink and the head pose, which can be considered as important non-verbal cues are detected by using a web-camera utilizing mainly the geometric method. Then the detected non-verbal cues are transferred to the virtual environment. When the e-Learner blinks eyes or/and moves his/her head, the movements are appeared in the virtual environment through an identical avatar. The result of the experiment depicts that the avatar appearance which can detect the real user non-verbal behavior has got a notable impact on the viewers’ impression. In addition to that, the successful establishment of the real user’s non-verbal behavior in the virtual environment enhances the effectiveness of the communication since avatar is able to facilitate the fair representation to the real user with visualizing the real user non-verbal behavior in the virtual environment. The analysis of the non-verbal behavior during the virtual learning activity specified that the eye blinking rate has decreased by 35% during the problem based learning session than the relaxing time in virtual learning due to low stress level, attractive environment and visual fixation. Furthermore, results demonstrate that there is a relationship between the internal statuses of an e- Lerner with the rate of eye blinking.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».