Multimodal Image Processing and Learning Behavior Pattern Visualization for Educational Management
Notice bibliographique
Résumé
The development of smart education has created an urgent demand for fine-grained and intelligent management of classroom teaching.Traditional educational evaluation methods are highly subjective and lack objective quantification.Leveraging computer vision techniques to analyze classroom image data provides a new solution for contactless and accurate assessment of learning behaviors.Multimodal image data, with its complementary strengths in capturing appearance, spatial, and physiological information, lays a solid foundation for comprehensively interpreting classroom behavior patterns.However, existing studies are often limited to unimodal analysis, which is vulnerable to environmental interference, or, when employing multimodal data, rely on simplistic fusion strategies that fail to fully exploit the deep complementarity among modalities.Moreover, the interpretability and visualization of analysis results remain insufficient, hindering their practical application in educational management.To address these challenges, this paper investigates multimodal image processing and learning behavior pattern visualization methods tailored for educational management.The main contributions are as follows: (1) a novel multimodal feature integration model is proposed, employing an encoder-decoder architecture that incorporates tri-modal feature fusion, adjacent-layer feature enhancement, and multi-level cascaded feature integration, aiming to generate high-quality saliency maps for robust representation of learning behaviors; (2) a visualization framework for learning behavior patterns is developed, transforming model outputs into intuitive forms such as heatmaps and behavioral trajectories to support educational management decision-making.The key innovations of this study lie in the following: the design of a hierarchical and guided multimodal feature integration model tailored to educational management scenarios, enabling deep complementarity and enhancement across multiple information sources; the development of a visualization paradigm closely coupled with the feature integration model, significantly improving the interpretability and usability of the analysis results; and the deep integration of advanced computer vision technologies with the specific needs of educational management, providing an end-to-end solution from algorithm to application for precise supervision in smart classrooms.
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 | 0,001 | 0,000 |
| 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 | 0,000 |
| 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) | 0,000 | 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 ».