Video-based contactless detection of task-related concentration using advanced machine-learning techniques
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
The present study aimed to test the accuracy of applying machine learning to a novel contactless video-based approach in detecting task-related concentration. Evaluations of concentration on-task have relied on laboratory methodologies, which encounter difficulties when applied to real work scenarios. Video photoplethysmography (VPPG) can present a solution to these difficulties by extracting physiological changes from videos captured by any conventional camera. Applying machine learning to physiological signals from VPPG can enable contactless detection of task-related concentration. Thirty adults completed a simulated task. Physiological changes were recorded via electrocardiogram (ECG) and VPPG. Pre-trained VGG, support vector machine, and XGBoost were performed on ECG and VPPG signals to detect when participants were on- or off-task. The ensemble method, which combined three machine-learning methods, applied to VPPG signals proved to be highly accurate (∼97%). Among individual machine-learning methods, pre-trained VGG applied to VPPG signals performed the best, comparable to the ensembled method. All analyses showed detection based on VPPG signals to significantly outperform ECG signals. Results establish a proof-of-concept that VPPG and machine learning can be used to detect task-related concentration in a contactless, convenient, and inexpensive fashion. VPPG can enable the detection of task-related concentration in natural work settings.
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 | 0,000 | 0,000 |
| 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 découle