Dynamic analysis of classroom engagement sentiment based on multilevel feature extraction and Transformer CNN-LSTM integrated model: personalized behavior prediction for non-English learners in a cross-modal adversarial learning framework
Notice bibliographique
Résumé
The article proposes a novel cross-modal adversarial learning framework for analyzing the emotional dynamics of non-English learners during classroom engagement and predicting their individualized behaviors.The framework combines multilevel feature extraction and Transformer CNN-LSTM integrated model to handle multimodal data more efficiently and capture the complex relationship between emotions and behaviors.Low-level and high-level multilevel features are then extracted from the raw multimodal data.Meanwhile, Transformer is utilized to mine long-distance dependencies between multimodal data, CNN extracts local features, and LSTM is used to model dynamic changes in time series.In addition, the framework introduces adversarial training to learn shared features across modalities.Before 50 rounds of training, the CL-Transformer model loss function, emotion recognition accuracy, and behavior prediction accuracy converge, showing the fastest training speed and training results.The algorithm in this paper has more than 90% precision, recall, and F1 scores for emotion recognition and behavior prediction, and the recognition accuracy for different emotions is up to 0.96.In the fifth stage of the case study, the classroom emotion conversion rate and arousal is up to 0.66, and the model predicts that the probability of cell phone playing behavior is the highest for learners who are in angry moods, which is 64.7%.The learners' classroom emotional acceptance as well as behavioral integration have an impact on their classroom engagement.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 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 ».