即时发布
在概念上的验证研究中，教育和人工智能研究人员已经证明了使用机器学习模型来预测个体博物馆游客将如何与给定的展览会互动。该发现为提高用户参与与非正式学习工具来开辟了一系列新工作。
“教育是大多数博物馆代表团声明的重要组成部分，”北卡罗来纳州立大学教育信息学中心（CEI）的研究科学家Jonathan Rowe说Jonathan Rowe说。“花费与展览的人们用作参与的代理人，帮助我们评估博物馆环境中的学习体验的质量。这不像学校 - 你不能让游客参加考试。“
“如果我们可以确定人们在展览会上花费了多长时间，或者当展览开始失去注意力时，我们可以使用该信息来开发和实施响应用户行为的适应性展品，以便让游客参与订婚，”安德鲁说艾默生，研究的第一作者和博士学位。在NC状态的学生。
“我们还可以将相关数据送到博物馆工作人员，以上工作以及人们没有回应的东西，”Rowe说。“这可以帮助他们分配人员或其他资源来塑造博物馆体验，基于哪些游客在任何时候都在地板上。”
为了确定机器学习计划如何能够预测用户互动时间，研究人员密切监测85名博物馆访客，因为他们从事环境科学的互动展览。具体而言，研究人员收集了关于研究参与者面部表情的数据，姿势，他们在展览屏幕上看，他们触摸了哪些部分。
将数据送入五种不同的机器学习模型，以确定数据和模型的哪些组合导致最准确的预测。
“我们发现，一个特定的机器学习方法，即众所周心的姿势和面部表情数据也很好地工作了，”艾默生说。
研究人员还发现，该模型更好地与展览会互动的人更好，因为这给了他们更多的数据来解决。例如，几分钟后的预测比30秒后的预测更准确。对于上下文，用户与展览的交互持续只要12分钟。
“我们对此感到兴奋，因为它为研究参观者在博物馆学习的新方法铺平了道路，”Rowe说。“最终，我们希望使用技术来使学习更有效，更具吸引力。”
本文将在第22届ACM多式联合互动国际会议（ICMI'20）中展示在2012年10月25日至29日在线举行的第22届ACM国际会议上提出了“科学博物馆访客参与的早期预测”。本文由博士亨德森（Nathan Henderson）共同撰写。纳邦国家的学生;Wookhee Min和Seung Lee，NC州CEI的研究科学家;James Minogue，教师教育副教授和NC州的学习科学;詹姆斯莱斯特，杰出大学计算机科学教授和欧盟州欧盟州校长董事。
该工作是通过“国家科学基金”的支持，授予1713545。
- 船员 -
编辑注：研究摘要跟随。
“多式化学习分析科学博物馆访客参与的早期预测”
作者：安德鲁·艾默森，内森亨德森，乔纳森·罗德，Wookhee Min，Seung Lee，James Minogue和James Lester，北卡罗来纳州立大学
提出了：2010年10月25日至29日，ACM多式联互互动国际会议（在线）
迪伊：10.1145 / 3382507.3418890
抽象的：建模访客参与是非正式学习环境中的关键挑战，例如博物馆和科学中心。设计了访客参与的预测模型，即准确预测访客行为的突出特征，例如停留时间，对博物馆和科学中心启用自适应学习环境和访客分析具有重要潜力。在本文中，我们向互动科学博物馆展览建模访客参与的多模阶早期预测方法。我们利用多模式传感器数据 - 包括在与环境科学教育的互动博物馆展览期间在访客互动期间捕获的眼睛凝视，面部表情和互动日志数据，以诱导访客停留时间的预测模型。我们调查机器学习技术（随机森林，支持向量机，套索回归，渐变促进树木和多层Perceptron），以引起来自85个博物馆访客的数据的游客参与的多式化预测模型。一系列消融实验的结果表明，将额外的方式纳入访客接合的预测模型提高了模型精度。此外，该模型显示出改进的预测性能随着时间的推移，表明可以实现对访客停留时间的越来越准确的预测，因为更多的证据可以从与互动科学博物馆展览的访客互动获得更多的证据。这些发现突出了博物馆展览访客参与的多模式数据的功效。
- 类别：
