机器学习在协作学习环境中效率评估和行为预测外文翻译资料

英语原文共 6 页，剩余内容已隐藏，支付完成后下载完整资料

机器学习在协作学习环境中效率评估和行为预测

Pravin Chopade，Saad M Khan，David Edwards和Alina von Davier

人工智能和机器学习

ACTNext，ACT Inc.

美国爱荷华州爱荷华州

摘要 - 这项工作的目的是提出一种基于机器学习的方法体系结构和算法，以找到学习，交互和关系的模式，并对涉及可从建议的协作学习环境中获得的海量数据的复杂系统进行效率评估。 （CLE）。可以在二元组或更大的团队成员之间进行协作学习，以找到实时事件或问题的解决方案，并在情境判断任务（SJT）中讨论概念或交互。对涉及多模态数据的协作网络系统建模提出了许多挑战。本文的重点是提出一种基于机器学习 - （ML）的系统架构，以促进对CLE中行为，群体动态和相互作用的理解。我们的框架集成了计算心理测量学（CP）和深度学习模型的技术，包括利用卷积神经网络（CNN）进行特征提取，技能识别和模式识别。我们的框架还可以在微观层面上识别行为组件，并可以帮助我们模拟参与学习的群体的行为。

关键词 - 机器学习，协作学习，深度学习，计算心理测量学，技能，人类行为。

1. 引言

各个组织在各个阶段广泛实施了协作学习方法，因为研究表明，积极的人类参与凝聚力和微观群体沟通对于有效学习至关重要[1]。在目前的研究中，一个重要的探究线侧重于寻找准确的证据和对这些支持协作学习的微观层面互动的效率评估。尽管使用数学模型对人类行为进行建模的长期实践，Cipresso（2015）[2]引入了一种基于计算心理测量学的方法来模拟真实行为的特征。Cipresso的[2]文章为我们提供了一种从多模态数据中提取动态交互特征的方法，用于建模和分析实际情况。

在本文中，我们提出了一个三阶段方法来探索和研究协作组行为。第一阶段集成并处理在协作学习环境（CLE）中获得的多模态数据，其包括传感器输入，音频，视频，眼睛跟踪，面部表情，运动，姿势，手势和行为交互日志数据。第二阶段使用执行特征提取和云计算

计算心理测量学（CP）和卷积神经网络（CNN） - 基于技能，模式和趋势识别的深度学习。最后，第三阶段使用前两个阶段测量的参数来理解和模拟微观层面的群体互动，能力和协作行为。第三阶段使用机器学习来效率评估和可视化群体动态，例如正确评估群体对不同观点的共同理解水平的提高，以及澄清误解的能力。

本文是我们正在进行的工作的扩展[3],[4]，这里我们提供有关数据广泛计算和效率评估的ML架构的详细信息。我们的论文安排如下：在第II部分中，我们简要讨论了我们关于多模态人机交互分析的ML的相关工作。在第III节中，我们讨论了大规模CLE的三阶段架构和功能组件的布局。基于第III节中讨论的架构，第IV节讨论了初步实验分析。在第V部分，我们将讨论我们的框架在下一代协作学习和评估系统以及国土安全部（DHS）和国防部（DoD）的可扩展应用。第VI节总结了未来工作的方向。

1. 相关工作

在过去几年中，人工智能（AI）和机器学习（ML）社区一直致力于展示和发布用于处理和分析与人类行为相关的多模态数据的高级方法。由于页面限制，不可能涵盖和引用所有这些作品，但我们将提供有关我们自己的工作的简要亮点。

在我们最近的工作中，Chopade等[3]，[4]，[5]提出了一个框架，它结合了计算心理测量学（CP），人工智能（AI）和基于机器学习（ML）的系统架构，方法和相关算法，以找到交互模式，学习，团队关系，以及协作问题解决（CPS）和协作学习环境（CLE）的有效团队评估。

Khan [6]提出了一种方法，该方法使用多模式遥测数据进行两个领域的试验研究

copy;ACT，Inc。2018.获得IEEE出版许可。保留所有其他权利。

协作学习并说明了通过时间动态分析参与者行为模式的框架。

Polyak等[7]，[8]介绍了CP在测量CPS技能方面的应用。他们对实际的行为和游戏后研究数据进行了机器学习分析。他们的CPS游戏任务是基于以证据为中心的设计（ECD）的心理测量原理设计和开发的，这些原理与ACT的整体框架（HF）相关[9]。在他们的实验中，他们对参与者的子技能表现得分和从参与者的游戏数据获得的特定对话响应的配置进行了聚类分析。

在本文中，我们扩展了我们最近工作中的基础，以实施CP，AI和ML，以效率评估团队合作技能。接下来的部分将详细讨论数据密集型计算和高效评估的三阶段架构。

1. 架构

大规模数据密集型，高性能，可扩展的计算正在改变我们以不同形式收集和分析数据的能力。这可能会带来教育，科学和技术方面的新发明和新发现。这也可能影响学习和评估（LAS）平台。数据密集型计算通过加速执行高级数据收集和计算的能力，改变了我们对教育，科学和技术的思考[10]。数据密集型可扩展计算具有独特应用程序的高潜力。当我们需要扩展平台来处理大规模数据集（Terabyte，Petabyte，Zettabyte规模）时，这将更具挑战性。最近的计算改进导致了对这种数据的可视化能力的实质性进展。通过准确识别数据中的模式和关系，数据分析和可视化将成为验证预期结果的重要工具。可视化可以在理解CLE内的群体交互中的大图中起到重要作用，并且可以帮助检测隐藏因素。卷积神经网络（CNN）及其方法深度学习（DL）可能需要使用高效的图形处理单元（GPU）实现或用于多GPU（11），[12]，[13]的训练，或者用于该架构对大量学习人群的应用。

图1示出了用于基于机器学习（ML）的数据密集型计算和效率评估的组件的可能布置。这里列出了一些组件：

1. 数据集成和处理
2. 大规模数据密集型CNN（深度学习）云计算和计算心理测量学（CP）
3. 效率评估（EA）
4. 数据集成和处理

从不同来源获得的大量CLE交互多模态数据建立身份是数据分析和计算架构的重要任务[14]，[15]。提供从不同来源收集的人，机器，传感器等身份的大量CLE多模式交互数据将通过一组解决方案进行处理。

基于Hadoop数据分析平台构建。这种安排考虑了个人的身份，例如用户名，电子邮件，真实姓名，性别，眼睛颜色，指纹和用户的输入数据，如眼动追踪和行为模型[16]。数据集群将实现海量数据集成，处理和执行诸如数据收集，信息提取和存储大型分布式数据集以进行长期访问等任务。数据收集是从多个来源获取数据，对其进行分类，并将其传递到流程的下一阶段的重要阶段，如图1所示。人，机器和其他实体的数据可分为结构化或非结构化，并入分布式Hadoop基础架构。

1. 大规模数据密集型CNN（深度学习）云计算和计算心理测量学（CP）

一旦数据被分类（如A部分所述），我们就可以使用计算集群来分析云平台上的数据，以了解个人和团队的能力。我们计划使用Python/R使用ACT的企业学习分析平台（LEAP）在云中运行深度学习。我们计划部署一种特征提取算法，包括基于CNN的技能，模式，趋势识别的深度学习，以及实现特征分类中最先进的准确性。我们计划随着时间的推移更新此网络结构，以使其成为动态系统。

云计算使计算更接近数据。该过程的主要优点是该方法可扩展到数百个计算节点，每个计算节点至少提供适度的性能。数据密集型云计算平台由3层组成，即Hadoop之上的map / reduce，用于海量数据处理的HPC（高性能计算）基础架构和基于CNN深度学习的云计算。对于HPC，我们使用一种方法来动态分区进程。网络更新程序在任何实时事件（例如团队及其活动的更改）的情况下添加新的网络特定数据条目。

计算心理测量学（CP）：协同问题解决（CPS）被确定为交叉能力，是ACT整体框架[9]的一部分 - 全面描述个人需要知道和能够成功的知识和21世纪技能在学校和工作[9]，[17]。计算技术和分析工具的高级开发在CPS研究中产生了新的途径[18]。同时，心理测量学研究人员开始使用先进的计算技术和分析工具开发评估，这些技术和分析工具已成为一种新的跨学科领域的著名研究，称为“计算心理测量学（CP）”[19]，[20]，[21]。CP是一个新的学习和评估（LAS）研究领域，包括数据驱动的机器学习和信息查询计算机科学方法，理论驱动的心理测量学和随机理论 - 所有这些都用于实时测量学习者的潜在能力[7]，[19]，[20]，[22]。如图1所示，计算集群集成了CP和CLE组件。

提取和上传数据

检查/匹配UID？

用户输入数据/收集数据/记录

数据集群

（数据清理/整合/表示）

CP和CLE模块

数据和计算中心

聚集指数

找到并检索数据

计算集群（分析数据 - CNN模式趋势）

商店（未来模式识别

-)

基于ML的评估的过程数据

基于ML的评估 可视化

（空间/时间）

图1.基于ML的数据密集型计算和效率评估的框架。

版权所有ACTNext，ACT Inc，USA

1. 效率评估（EA）

在使用第II-B部分中所示的CNN和CP模块完成计算之后，效率评估（EA）模块定位和检索数据。CNN和CP模块通过两个玩家二元游戏日志和行为数据进行特征提取，模型训练和模式识别。通过有效的评估，我们的目标是分析与游戏中的特定情况相关的人类行为，以检测群体行为的动态，例如在微观层面上的共同理解和参与。

为了实现我们的目标，EA模块识别/检测交互集群，基于程度，连接组件的能力，并执行协作学习技能分析，即，对于给定问题或情况，是否存在组理解的任何变化（增加） 。例如，它执行实时定期和关键事件/人员分析，例如情境数据处理和实时数据关联（技能相关性，组间达成水平）。使用机器学习，我们分析协作学习网络属性，例如用户（节点），交互（链接，加权流），知识（技能/能力），本地和全球系统参数（参与，共享理解），行为，组密度和集群形成和中心性。

EA模块还基于组行为执行预测决策。该模块存储未来模式，可用于任何探索性分析以及过去和现在的组交互和相对性能的有效可视化。分析生物特征数据的生物特征数据库匹配和生物特征图像处理。生物特征数据是独特的物理特征，如面部，眼睛跟踪/虹膜和指纹，可用于自动识别[2]，[6]，[23]。

基于本节中讨论的三阶段架构，第IV部分展示了初步实验分析。

1. 初步实验分析

在本节中，我们将演示一些初步实验步骤。研究参与者扮演的“太空危机”（CIS）是一个协作问题解决网络游戏，由位于加利福尼亚州雷德伍德市的非盈利组织GlassLab，Inc。[24]发布。CIS是一个双人（二元）CPS游戏，在协作学习环境（CLE）中播放，在通过Skype进行通信的单独房间中，如果他们这样选择，则使用游戏中的聊天机制。房间的设置将是相同的。它们将包括安装了Tobii软件[25]的笔记本电脑，一个安装在屏幕下方的Tobii眼动跟踪[25]单元的外部监视器，屏幕上方安装有网络摄像头（带内置麦克风）。无线键盘和鼠标也将连接到笔记本电脑。如图2所示，本研究的重点是收集以下内容：游戏日志数据，用户眼动追踪，用户肖像视频/音频，聊天记录（对话流），行为表达，对象点击，游戏时间和游戏之间。我们的目标是使用此CPS人 - 人（HH）游戏日志数据

用于团队互动分析和基于CPS结构查找团队合作技能证据。

图2. CLE多模态数据分析和技能映射过程。

版权所有ACTNext，ACT Inc，USA

如图2所示，从双人二元CPS游戏交互中，我们提取四种类型的数据文件：视频，眼睛跟踪，音频和聊天/文本。然后，我们使用所有这些源文件进行身份匹配或命名约定。然后我们执行基于CNN的机器学习分析，用于特征提取，相关和模式识别。我们通过Noldus Facereader和观察者分析[26]处理了视频文件它为二元游戏玩法产生不同的行为标记和情绪状态（图2中的第三个区块）。我们还使用从数值和行为分析中获得的细粒度数据进行了深入的学习分析

MATLAB统计和机器学习工具箱[27],[28]。之后，我们将这些行为标记和情绪状态用于CPS团队合作技能映射。

1. 扩展应用

我们基于ML的数据密集型计算框架具有广泛的可扩展应用程序，包括下一代协作学习和评估系统，DHS，国防军，空军，海军士兵/团队培训和开发。

美国陆军正在考虑以学习者和以团队为中心的培训，这将培养具有使命能力的军队，并组织团队在复杂的情况下走向胜利[29]，[30]，[31]，[32]。

1. 结论和未来的工作

在本文中，我们提出了一个基于机器学习（ML）的系统架构，以从CLE中的行为，群体动态和交互中识别团队技能的证据。我们开发了一个三阶段强大的架构，用于数据广泛的计算和对团队CPS技能的效率评估。

在我们未来的工作中，我们将尝试构建基于文本的自然语言处理（NLP）/机器学习（ML）模型，以从聊天日志，整个研究中收集的音频/视频交互数据中识别或分类CPS单项技能的各种表现。可以在该阶段期间使用的附加特征提取将被实现用于基于CNN的模式识别。在开发此基线模型时获得的知识将为进展阶段和可能的研究提供重要指导。

致谢

作者要感谢Andrew Cantine-Communications和出版经理，ACTNext和Jennah Davison-实习生，通讯和出版物，ACTNext编辑这项工作。我们也感谢ACT，Inc。在本文成型时给予

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[19036]，资料为PDF文档或Word文档，PDF文档可免费转换为Word