A Study of Human-Computer Interaction in Evaluating Students’ Emotional Behavior and Educational Management under Big Data
Notice bibliographique
Résumé
Students in adolescence are not mature in mind, thought, ability and other aspects, which are easily affected by various emotional behaviors.Positive emotional behavior contributes to students' mental health and academic progress.Negative emotional behavior would lead to psychological problems and academic frustration.If it is not paid attention to, students may act out of control under the control of negative emotions, thus resulting in serious mental illness, which is not conducive to the education and management of students.Due to the rapid development of social information network and science and technology, the analysis of students' emotional behavior and educational management by pure human intervention has fallen behind, and it is impossible to timely feedback, track and predict students' status.This paper introduced the general direction and achievements of human-computer interaction research, and discussed the combination of big data and human-computer interaction.The method of applying human-computer interaction technology to students' emotional behavior analysis and education management was studied.The pure human intervention method was compared with facial emotion recognition, voice emotion recognition, human-computer body feeling interaction and virtual scene education methods under human-computer interaction technology.Five experimental groups were designed to conduct research in three aspects of emotional behavior analysis, education and learning, and supervision and management.It was found that the average accuracy of facial emotion recognition for emotional behavior analysis was 88.0%; the average course learning efficiency of virtual scene education used for students' educational learning was 82.8%, and the total progress was up to 99.81%; the average success rate of human-computer somatosensory interaction for supervision and management was the highest, which was 68.1%.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».