CN111563633A - 基于眼动仪的阅读训练系统及方法 - Google Patents
基于眼动仪的阅读训练系统及方法 Download PDFInfo
- Publication number
- CN111563633A CN111563633A CN202010409888.XA CN202010409888A CN111563633A CN 111563633 A CN111563633 A CN 111563633A CN 202010409888 A CN202010409888 A CN 202010409888A CN 111563633 A CN111563633 A CN 111563633A
- Authority
- CN
- China
- Prior art keywords
- eye movement
- module
- training
- user
- reading
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000004424 eye movement Effects 0.000 claims abstract description 82
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000012552 review Methods 0.000 claims description 3
- 230000004434 saccadic eye movement Effects 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 2
- 210000001508 eye Anatomy 0.000 description 19
- 210000005252 bulbus oculi Anatomy 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Rehabilitation Tools (AREA)
Abstract
本发明公开了一种基于眼动仪的阅读训练系统及方法,其系统包括:标注模块,采集模块,预测模块,触发模块和调用模块。标注模块用于在训练资料上标注兴趣区和干扰区;采集模块用于采集用户的眼动数据;预测模块对用户答题结果赋予正误标签,以正误标签与及用户答题过程中的眼动数据作为特征,作为xgboost模型的输入进行运算;触发模块读取xgboost模型的输出,在达到触发条件时启动调用模块;调用模块用于调用眼动训练资料发送至用户。本发明能够在测试过程中对因阅读问题造成的失分进行准确判定,并对存在阅读问题的用户精准触发阅读训练。
Description
技术领域
本发明属于在线教育技术领域,具体来说涉及一种基于眼动仪的阅读训练系统,以及基于该系统实现的一种阅读训练方法。
背景技术
随着技术的进步,网络化的学习方式开始兴起。而在线模拟答题测试是网络学习不可或缺的重要一环。现有的教学系统中只能机械的通过用户在答题过程中的正误结果来判断用户知识点掌握情况。但是无法对用户答错原因作进一步原因分析和针对性训练。实践中,部分用户因为没有快速准确得识别到目标信息而失分而部分用户则因为其他原因失分。而单纯依靠答题的正误结果来判断用户是否需要进行阅读训练可能存在较大的误判。造成没有阅读问题的用户也需要进行阅读训练。因此,如何开发出一种新型的学习测试系统,以克服上述问题,是本领域技术人员需要研究的方向。
发明内容
本发明的目的是提供一种基于眼动仪的学习测试系统,能够在测试过程中对因阅读问题造成的失分进行准确判定,并对存在阅读问题的用户精准触发阅读训练。
其采用的技术方案如下:
一种基于眼动仪的阅读训练系统,其包括:标注模块,采集模块,预测模块,触发模块和调用模块;所述标注模块用于在训练资料上标注兴趣区和干扰区;所述兴趣区为包含目标信息的区域;所述干扰区为包含迷惑信息的区域;所述采集模块用于采集用户的眼动数据,所述眼动数据包括:首次注视兴趣区前次数、兴趣区注视次数和回视次数、首次注视兴趣区时间、平均注视停留时间和干扰区时间;所述预测模块用于读取用户答题结果和用户答题过程中的眼动数据,根据用户答题结果赋予正误标签,以正误标签与及用户答题过程中的眼动数据作为特征,作为经过训练的xgboost模型的输入进行运算;所述触发模块中预存有触发条件,用于读取xgboost模型的输出结果,在该输出结果达到触发条件时对调用模块输出触发信号;所述调用模块中预存有眼动训练资料,用于读取触发模块,在触发模块输出触发信号时调用眼动训练资料发送至用户。
通过采用这种技术方案:首先通过标注模块对答题训练资料和眼动训练资料等训练资料上预先划分出兴趣区和干扰区。在对学生用户推送在线测试题时,在采集用户的反馈答题同时,通过采集模块采集用户在答题过程中的眼动数据,结合该眼动数据与答题反馈的正误情况,综合判断用户因阅读问题造成的答题失分。并对符合上述条件的用户触发推送眼动训练资料。
优选的是,上述基于眼动仪的阅读训练系统中:还包括标记模块,所述标记模块中预存有完成阈值,用于读取用户在使用眼动训练资料时产生的眼动数据,并在该眼动数据达到完成阈值时对眼动训练资料标上完成标记。所述完成标记用于屏蔽调用模块的调用。
通过采用这种技术方案:设置标记模块对用户在眼动训练过程中产生的眼动数据进行采集,对完成且通过的眼动训练资料进行标记。从而避免用户在答题过程中多次进行重复的眼动训练项目。
更优选的是,上述基于眼动仪的阅读训练系统中:所述眼动训练资源包括快速扫视训练,准确性训练和注视训练。
进一步优选的是,上述基于眼动仪的阅读训练系统中:所述采集模块采用眼动仪实现;所以标注模块,预测模块,触发模块,标记模块和调用模块集成于PC中;所述眼动仪与PC电性连接。所述PC即为个人电脑。
本发明还公开了一种基于上述学习眼动仪的阅读训练方法,其包括如下步骤:S1:对用户发送在线试题;S2:接受用户对在线试题的答题反馈并根据该答题反馈赋予正误标签,同时读取用户在答题过程中产生的眼动数据;S3:以正误标签与及用户答题过程中的眼动数据作为特征,作为经过训练的xgboost模型的输入进行运算;S4:根据xgboost模型的输出,判定是否触发眼动训练,若为是,跳转至S5;若为否,进程结束;S5:调用眼动训练资料发送至用户;S6:读取用户在使用眼动训练资料时产生的眼动数据,并根据该眼动数据对眼动训练资料标上完成标记。
优选的是,上述基于眼动仪的教学评分方法中,其步骤S4为:当正误标签为错误,且眼动训练资源标记为未完成时,判定触发眼动训练。
与现有技术相比,本发明能够在测试过程中对因阅读问题造成的失分进行准确判定,并对存在阅读问题的用户精准触发阅读训练。
附图说明
下面结合附图与具体实施方式对本发明作进一步详细的说明:
图1为本发明的结构框图;
图2为本发明的工作流程图。
具体实施方式
为了更清楚地说明本发明的技术方案,下面将结合各个实施例作进一步描述。
如图1-2所示为实施例1:
一种基于眼动仪的阅读训练系统,其包括:标注模块,采集模块,预测模块,触发模块,调用模块和标记模块。
所述标注模块用于在训练资料上标注兴趣区和干扰区;所述兴趣区为包含目标信息的区域;所述干扰区为包含迷惑信息的区域;所述采集模块用于采集用户的眼动数据,所述眼动数据包括:首次注视兴趣区前次数、兴趣区注视次数和回视次数、首次注视兴趣区时间、平均注视停留时间和干扰区时间;所述预测模块用于读取用户答题结果和用户答题过程中的眼动数据,根据用户答题结果赋予正误标签,以正误标签与及用户答题过程中的眼动数据作为特征,作为经过训练的xgboost模型的输入进行运算;所述触发模块中预存有触发条件,用于读取用户眼动数据输入xgboost模型后的输出结果,在该输出结果达到触发条件时对调用模块输出触发信号;所述调用模块中预存有眼动训练资料,用于读取触发模块,在触发模块输出触发信号时调用眼动训练资料发送至用户。所述标记模块中预存有完成阈值,用于读取用户在使用眼动训练资料时产生的眼动数据,并在该眼动数据达到完成阈值时对眼动训练资料标上完成标记。
其中,所述采集模块采用眼动仪实现;所以标注模块,预测模块,触发模块,标记模块和调用模块集成于PC中;所述眼动仪与PC电性连接。其中,眼动仪是一种公知的能够跟踪测量眼球位置及眼球运动信息的设备,其工作原理是通过测量眼睛的注视点位置或眼球相对头部运动实现对眼球的追踪。在使用过程中,将眼动仪和电脑连接并完成校准,将眼动仪的硬件驱动安装好,眼动数据收集SDK接入到电脑。
实践中,其工作过程如下:
准备工作:在训练资料上标注兴趣区和干扰区。在线试题标注如下例:
小学数学应用题:小明看一本故事书,第一天看了全书的1/9,第二天看了24页,两天看了的页数与剩下页数的比是1:4,这本书共有多少页?
兴趣区标注:与解题密切相关的数字和词语:“1/9”,“24”,“1:4”,“全书的”,“看了的”,“剩下”,“比”,“共”。干扰区标注:一本。。
将完成标注的在线试题发送至用户端;
用户登录用户端读取在线试题并输出答题反馈,系统对正确的答题反馈生成正确标签,对错误的答题反馈生成错误标签,并同时读取用户在答题过程中产生的眼动数据;
以正误标签与及用户答题过程中的眼动数据作为特征,作为经过训练的xgboost模型的输入进行运算;
输入是训练集样本I={(x1,y1),(x2,y2),...(xm,ym)},最大迭代次数T,损失函数L,正则化系数λ,γ。
输出是强学习器f(x);
对迭代轮数t=1,2,...T有:
2)基于当前节点尝试分裂决策树,默认分数score=0,G和H为当前需要分裂的节点的一阶二阶导数之和。
对特征序号k=1,2...K:
a)GL=0,=0
b.1)将样本按特征k从小到大排列,依次取出第i个样本,依次计算当前样本放入左子树后,左右子树一阶和二阶导数和:
GL=GL+gti,GR=G-GL
HL=HL+hti,HR=H-HL
b.2)尝试更新最大的分数:
3)基于最大score对应的划分特征和特征值分裂子树。
4)如果最大score为0,则当前决策树建立完毕,计算所有叶子区域的wtj,得到弱学习器ht(x),更新强学习器ft(x),进入下一轮弱学习器迭代.如果最大score不是0,则转到第2步继续尝试分裂决策树。
根据xgboost模型的输出,判定是否触发眼动训练。所述触发的条件需同时满足以下两个条件:
a)用户该道题答错或者超时,产生错误标签。
b)用户有标记尚未完成的眼动训练资源。
用户的眼动数据经过xgboost模型得到输出结果为是,表示用户的眼动特征落在应做眼动训练的类别中,由于尚有未完成的眼动训练资源,满足触发的条件,故产生触发信号。
调用眼动训练资料发送至用户:所述眼动训练资源包括快速扫视训练,准确性训练和注视训练。
其中,所述快速扫视的训练是指要求用户在一组数字或词语中读出有下划线的数字或词语。例如:378比783小。
所述准确性训练是指从一堆无关信息中快速找到目标词并识别出来,要求用户在右侧词群中点击出现的每个与左边单词相同的词语。例如:目标词sought,右侧词群brought bought ought source sought fought。
所述注视训练是指从一堆信息中快速找到与目标词关联的词语并识别出来。例如:目标词“剩下”,关联的信息“减法”、“差”。
最后,读取用户在使用眼动训练资料时产生的眼动数据,记录用户在眼动训练活动的完成用时和结果,根据是否达到目标标准判断是否完成眼动训练任务,当该眼动训练结果达到目标标准,则该眼动训练资源标记已完成。
以上所述,仅为本发明的具体实施例,但本发明的保护范围并不局限于此,任何熟悉本领域技术的技术人员在本发明公开的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。本发明的保护范围以权利要求书的保护范围为准。
Claims (6)
1.一种基于眼动仪的阅读训练系统,其特征在于包括:标注模块,采集模块,预测模块,触发模块和调用模块;
所述标注模块用于在训练资料上标注兴趣区和干扰区;所述兴趣区为包含目标信息的区域;所述干扰区为包含迷惑信息的区域;
所述采集模块用于采集用户的眼动数据,所述眼动数据包括:首次注视兴趣区前次数、兴趣区注视次数和回视次数、首次注视兴趣区时间、平均注视停留时间和干扰区时间;
所述预测模块用于读取用户答题结果和用户答题过程中的眼动数据,根据用户答题结果赋予正误标签,以正误标签与及用户答题过程中的眼动数据作为特征,作为经过训练的xgboost模型的输入进行运算;
所述触发模块中预存有触发条件,用于读取xgboost模型的输出结果,在该输出结果达到触发条件时对调用模块输出触发信号;
所述调用模块中预存有眼动训练资料,用于读取触发模块,在触发模块输出触发信号时调用眼动训练资料发送至用户。
2.如权利要求1所述基于眼动仪的阅读训练系统,其特征在于:还包括标记模块,所述标记模块中预存有完成阈值,用于读取用户在使用眼动训练资料时产生的眼动数据,并在该眼动数据达到完成阈值时对眼动训练资料标上完成标记。
3.如权利要求2所述基于眼动仪的阅读训练系统,其特征在于:所述眼动训练资源包括快速扫视训练,准确性训练和注视训练。
4.如权利要求3所述基于眼动仪的阅读训练系统,其特征在于:所述采集模块采用眼动仪实现;所以标注模块,预测模块,触发模块,标记模块和调用模块集成于PC中;所述眼动仪与PC电性连接。
5.一种基于眼动仪的阅读训练方法,其特征在于包括如下步骤:
S1:对用户发送在线试题;
S2:接受用户对在线试题的答题反馈并根据该答题反馈赋予正误标签,同时读取用户在答题过程中产生的眼动数据;
S3:以正误标签与及用户答题过程中的眼动数据作为特征,作为经过训练的xgboost模型的输入进行运算;
S4:根据xgboost模型的输出,判定是否触发眼动训练,若为是,跳转至S5;若为否,进程结束;
S5:调用眼动训练资料发送至用户;
S6:读取用户在使用眼动训练资料时产生的眼动数据,并根据该眼动数据对眼动训练资料标上完成标记。
6.如权利要求5所述基于眼动仪的阅读训练方法,其特征在于步骤S4中,当正误标签为错误,且眼动训练资源标记为未完成时,判定触发眼动训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010409888.XA CN111563633A (zh) | 2020-05-15 | 2020-05-15 | 基于眼动仪的阅读训练系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010409888.XA CN111563633A (zh) | 2020-05-15 | 2020-05-15 | 基于眼动仪的阅读训练系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111563633A true CN111563633A (zh) | 2020-08-21 |
Family
ID=72072146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010409888.XA Pending CN111563633A (zh) | 2020-05-15 | 2020-05-15 | 基于眼动仪的阅读训练系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111563633A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116246332A (zh) * | 2023-05-11 | 2023-06-09 | 广东工业大学 | 一种基于眼球追踪的数据标注质量检测方法、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107515677A (zh) * | 2017-08-31 | 2017-12-26 | 杭州极智医疗科技有限公司 | 注意力检测方法、装置和存储介质 |
WO2019033569A1 (zh) * | 2017-08-17 | 2019-02-21 | 平安科技(深圳)有限公司 | 眼球动作分析方法、装置及存储介质 |
CN110623629A (zh) * | 2019-07-31 | 2019-12-31 | 毕宏生 | 一种基于眼球运动的视觉注意检测方法及系统 |
CN110634356A (zh) * | 2019-04-13 | 2019-12-31 | 北京一目了然教育科技有限公司 | 一种基于眼动追踪技术训练阅读能力的方法 |
CN110970130A (zh) * | 2019-12-30 | 2020-04-07 | 段新 | 一种注意缺陷多动障碍的数据处理方法 |
-
2020
- 2020-05-15 CN CN202010409888.XA patent/CN111563633A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019033569A1 (zh) * | 2017-08-17 | 2019-02-21 | 平安科技(深圳)有限公司 | 眼球动作分析方法、装置及存储介质 |
CN107515677A (zh) * | 2017-08-31 | 2017-12-26 | 杭州极智医疗科技有限公司 | 注意力检测方法、装置和存储介质 |
CN110634356A (zh) * | 2019-04-13 | 2019-12-31 | 北京一目了然教育科技有限公司 | 一种基于眼动追踪技术训练阅读能力的方法 |
CN110623629A (zh) * | 2019-07-31 | 2019-12-31 | 毕宏生 | 一种基于眼球运动的视觉注意检测方法及系统 |
CN110970130A (zh) * | 2019-12-30 | 2020-04-07 | 段新 | 一种注意缺陷多动障碍的数据处理方法 |
Non-Patent Citations (1)
Title |
---|
刘建平PINARD: "XGBoost算法原理小结", 《HTTPS://WWW.CNBLOGS.COM/PINARD/P/10979808.HTML》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116246332A (zh) * | 2023-05-11 | 2023-06-09 | 广东工业大学 | 一种基于眼球追踪的数据标注质量检测方法、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ford | Levels and types of mediation in instructional systems: An individual differences approach | |
van Alten et al. | Secondary students’ online self-regulated learning during flipped learning: A latent profile analysis | |
CN109189535B (zh) | 教学方法和装置 | |
Mehmood et al. | Curriculum, teaching and learning, and assessments for introductory programming course | |
CN109147434B (zh) | 教学方法和装置 | |
Binh et al. | Predicting students' performance based on learning style by using artificial neural networks | |
Dorça et al. | A stochastic approach for automatic and dynamic modeling of students' learning styles in adaptive educational systems | |
Lazarides et al. | Tracing the signal from teachers to students: How teachers’ motivational beliefs longitudinally relate to student interest through student-reported teaching practices. | |
CN112767756A (zh) | 一种基于现代信息技术的协同教育平台 | |
CN115600922A (zh) | 一种多维度智能化教学质量评估方法及系统 | |
JP2024511355A (ja) | 理科教授システム、その使用方法、及びコンピュータ読み取り可能な記憶媒体 | |
CN111507584A (zh) | 一种数据分析系统及方法 | |
CN111563633A (zh) | 基于眼动仪的阅读训练系统及方法 | |
JP2020177507A (ja) | 試験問題予測システム及び試験問題予測方法 | |
Gorson et al. | An approach for detecting student perceptions of the programming experience from interaction log data | |
Bologna et al. | Monitoring PCK physics teachers’ strategies for Math and Physics Languages Integration: the teacher footprint. | |
Birenbaum et al. | Applying an IRT-based cognitive diagnostic model to diagnose students' knowledge states in multiplication and division with exponents | |
Felipe et al. | Towards the development of intelligent agent for novice C/C++ programmers through affective analysis of event logs | |
Kenney et al. | Formative assessment in secondary mathematics: Moving theory to recommendations for evidence-based practice | |
Poturić et al. | Identification of predictive factors for student failure in STEM oriented course | |
Englisch et al. | Adaptive learning system in automotive software engineering | |
Andersson et al. | Methods of applying machine learning to student feedback through clustering and sentiment analysis | |
Vimalaksha et al. | Digen: Distractor generator for multiple choice questions in code comprehension | |
Altieri et al. | Multi-step procedures in STACK tasks with adaptive flow control | |
Kansızoğlu et al. | Süreç odaklı yazma yaklaşımlarının yazma başarısına etkisi: bir meta analiz |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200821 |