Automating Classroom Observation: AI-Enabled Behavior Monitoring for Adaptive Educational Management
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Automated classroom behavior monitoring is pivotal for enhancing pedagogical decision-making and enabling adaptive learning environments. While computer vision techniques offer promising solutions, existing approaches face challenges in recognizing fine-grained behaviors under real-world complexities and translating detections into pedagogically meaningful insights. This study proposes a novel dual-modality framework that synergistically integrates: (1) a Transformer-enhanced YOLO11 detector incorporating lightweight Transformer blocks into the convolutional backbone to model long-range dependencies and contextual cues, significantly improving recognition robustness against occlusion, scale variance, and gesture ambiguity; and (2) the Qwen2.5-VL-7B vision-language model (VLM) that generates natural language summaries, engagement metrics, and instructional recommendations through cross-modal reasoning. Evaluated on the SCB-Dataset, our method achieves state-of-the-art performance with 74.9% recall and 61.9% mAP, while reducing computational cost by 4.5%. Beyond technical superiority, the framework provides educators with actionable insights—including real-time engagement scores and spatial participation patterns—demonstrating significant potential for scalable, evidence-based educational management. This work bridges the gap between low-level behavior perception and high-level pedagogical intelligence, advancing the development of interpretable AI systems for 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.
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 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 découle