Predicting activity noise levels in occupied classrooms by means of cluster analysis
Notice bibliographique
Résumé
Educators have developed innovative teaching strategies in order to maximize learning outcomes in classrooms. Active learning classrooms are new learning spaces that facilitate the teaching strategies with enhanced students’ engagement and collaborative discussions. Previous studies showed that the design of learning spaces impacts on students’ achievement. However, acoustic requirements of the active learning classrooms have not been investigated yet. This study aims to estimate activity noise levels by means of unsupervised learning methods, while active learning is practiced in classrooms. Three clustering algorithms, including K-means clustering, Gaussian mixture model, and spectral clustering algorithms, are employed to analyze the continuous one-third octave band sound pressure levels (SPLs). The data were being collected from five active learning classes and two traditional lecture classes at Concordia University in Montreal, Canada. Based on the spectral characteristics of the speech and non-speech signals, and by using the results of previous studies, a unique decision chart is developed in this study in order to assign the activities in to the clusters obtained from the algorithms. Employing the algorithms along with the decision chart, predicts the acoustic levels of assorted class activities such as lecturer's speech, students’ group work and ambient condition. The predicted activities and their corresponding acoustic levels are then compared with the actual results obtained by the researcher during the measurements and the performance of each algorithm is evaluated. Lastly, this study compares the developed method to predict activity noise levels in occupied classrooms with the two other methods proposed in previous studies and the advantages and disadvantages of the developed method are further discussed. The results obtained from employing the Gaussian Mixture Model (GMM) along with the developed decision chart, indicates the best performance among the other methods investigated in this study.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».