Predicting reading comprehension scores from eye movements using artificial neural networks and fuzzy output error
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Predicting reading comprehension from eye gaze data is a difficult task. We investigate the use of artificial neural networks(ANNs) to predict reading comprehension scores from eye gaze collected from participants who read and completed an onlinetutorial in our lab. Problems such as large feature sets and small highly imbalanced data sets compound to make this task evenmore complex. We propose using fuzzy output error (FOE) as an alternative performance function to mean square error (MSE)for training feed-forward neural networks to overcome these problems. We show that the use of FOE as the performance functionfor training ANNs provides significantly better classification of eye movements to reading comprehension scores. ANNs withthree hidden layers of neurons gave the best classification results especially when FOE is used as the performance functionfor training. In these cases we found up to 50% reduction in misclassification rates compared to using MSE. We found thatANNs give optimal classification results in comparison to other classification techniques. When FOE is used as the performancefunction for training the ANNs the misclassification rates are halved compared to the other techniques. Cluster analysis wasperformed on one of the more complex data sets. Interesting reading behaviour properties were found within the data set.The intended use of this research is in the design of adaptive online learning environments that use eye gaze to predict usercomprehension from reading behavior.
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.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle