OPEN: A Benchmark Dataset and Baseline for Older Adult Patient Engagement Recognition in Virtual Rehabilitation Learning Environments
Notice bibliographique
Résumé
Engagement in virtual learning is critical to participant satisfaction, performance, and adherence, particularly in domains such as online education and virtual rehabilitation, where interactive communication is essential for success. However, accurately measuring engagement in virtual group settings remains a significant challenge. There is growing interest in leveraging artificial intelligence for large-scale, real-world, and automated engagement recognition. Although engagement has been widely studied among younger populations in academic contexts, research methods and datasets focused on older adults in virtual and telehealth learning environments remain limited. Existing approaches often overlook the contextual relevance of learning materials and the longitudinal dynamics of engagement across sessions. This paper presents OPEN (Older adult Patient ENgagement), a novel dataset created to support the development of artificial intelligence models for engagement recognition. The dataset was collected from eleven older adults participating in virtual group learning sessions over six weeks as part of their cardiac rehabilitation programs, yielding over 35 hours of data, which represents the largest dataset of its kind. While raw video is withheld to protect privacy, the publicly released data include facial, hand, and body joint landmarks, as well as behavioral and affective features extracted from video. Observational annotations comprise second-level binary engagement states, emotional and behavioral labels, and context-type details, such as whether the instructor addressed the group or an individual. Multiple versions of the dataset were generated using sample lengths of 5, 10, and 30 seconds, as well as variable-length segments. To demonstrate its utility, various machine learning and deep learning models were trained on the annotated data, achieving engagement recognition accuracy as high as 81%. OPEN provides a scalable foundation not only for advancing personalized, artificial intelligence-driven engagement recognition in aging populations but also for contributing to broader engagement recognition research.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,004 |
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 ».