Personalizacja systemów e-learningowych staje się kluczowym elementem nowoczesnej edukacji. Choć cyfrowi asystenci obiecują idealne dopasowanie materiałów, ich utrzymanie wymaga ogromnego nakładu pracy. Wyszukiwanie luk w wiedzy opiera się zazwyczaj na żmudnych testach. Właśnie dlatego naukowcy postanowili sprawdzić, czy da się ten proces w pełni zautomatyzować. Wykorzystując zaawansowany eye tracking oraz analizę ekspresji twarzy, stworzyli unikalny eksperyment. Sprawdzili oni, czy system komputerowy może automatycznie oszacować poziom wiedzy ucznia.

Personalizacja systemów e-learningowych staje się kluczowym elementem nowoczesnej edukacji. Choć cyfrowe asystenty obiecują idealne dopasowanie materiałów, ich utrzymanie wymaga ogromnego nakładu pracy. Wyszukiwanie luk w wiedzy opiera się zazwyczaj na żmudnych testach. Właśnie dlatego naukowcy postanowili sprawdzić, czy da się ten proces w pełni zautomatyzować. Wykorzystując zaawansowany eye tracking oraz analizę ekspresji twarzy, stworzyli unikalny eksperyment. Sprawdzili oni, czy system komputerowy może automatycznie oszacować poziom wiedzy ucznia.

Wyzwania cyfrowego modelu ucznia

Nowoczesne platformy edukacyjne, takie jak inteligentny asystent ALeA, opierają się na zaawansowanych algorytmach adaptacyjnych. System ten precyzyjnie przypisuje stopień opanowania poszczególnych umiejętności według taksonomii Blooma do tysięcy pojęć naukowych. Jednakże ręczne zbieranie takich danych jest niezwykle uciążliwe. Z jednej strony ciągłe pytania o poziom zrozumienia materiału odciągają od nauki. Z drugiej strony uczniowie rzadko potrafią obiektywnie ocenić swoje własne umiejętności. W związku z tym pojawia się kluczowe pytanie. Czy technologia potrafi automatycznie zastąpić czujne oko nauczyciela?

Przebieg badania – eksperyment „Data-to-Bloom”

Naukowcy zdecydowali się przeprowadzić badanie za pomocą mobilnego zestawu biometrycznego. W projekcie wzięło udział ponad 50 studentów i absolwentów kierunków ścisłych. Ruch ich oczu śledził precyzyjny eye tracker Tobii Pro Nano o częstotliwości 60 Hz. W międzyczasie mimikę twarzy analizowało oprogramowanie iMotions Affectiva Affdex. Badacze chcieli dokładnie sprawdzić, jak układ nerwowy reaguje na pojęcia matematyczne. Eksperyment podzielono na następujące kroki:

  • Pierwszy etap: Uczestnikom wyświetlano całkowicie zmyślone terminy, takie jak „Twierdzenie Kartezjusza”, aby wywołać stan braku zapamiętania i zmusić mózg do bezskutecznego przeszukiwania pamięci.
  • Drugi etap: Badani analizowali autentyczne, sformalizowane teksty matematyczne oraz zadania wielokrotnego wyboru dotyczące dobrze znanego Twierdzenia Pitagorasa.

Emocjonalny wzorzec niewiedzy

Połączenie śledzenia wzroku z analizą mikrominiatury ekspresji twarzy przyniosło fascynujące rezultaty. Kluczowa hipoteza opiera się na założeniu, że każdemu poziomowi wiedzy odpowiada unikalny stan emocjonalny. Badając reakcje uczestników na nieznane pojęcia, naukowcy zidentyfikowali cztery wyraźne fazy przetwarzania informacji. Niestety, tradycyjne metody deklaratywne nie potrafią wychwycić ułamków sekund, w których decyduje się nasz proces poznawczy. W momencie uświadomienia sobie braku wiedzy na twarzach badanych pojawiała się specyficzna kombinacja mikroekspresji. Algorytmy iMotions zarejestrowały jednoczesny wzrost wskaźników złości, obrzydzenia, strachu oraz dezorientacji. W konsekwencji komputer potrafił zidentyfikować moment, w którym uczeń poddał się podczas próby odtworzenia definicji.

Przyszłość edukacji z asystentem AI

Podsumowując, wyniki tego eksperymentu otwierają zupełnie nowy rozdział w projektowaniu oprogramowania edukacyjnego. Automatyczna ocena kompetencji za pomocą zwykłej kamery internetowej w laptopie jest już technicznie możliwa. Co niezwykle ważne, cały proces analizy wideo może odbywać się lokalnie na urządzeniu użytkownika. Dzięki temu system gwarantuje pełną prywatność, ponieważ do serwera wysyłany jest jedynie gotowy strumień danych o poziomie wiedzy.

Przyszłość e-learningu należy do nieinwazyjnych systemów biometrycznych. Integracja eye trackingu i analizy emocji na poziomie urządzeń mobilnych pozwoli na stworzenie asystentów, którzy dostosują tempo nauki bez zmuszania użytkownika do wypełniania jakichkolwiek ankiet czy testów sprawdzających.

Bibliografia

Kohlhase, A., & Kohlhase, M. (2024). Towards automated competency estimation for math education – An eye tracking and emotion analysis study. CEUR Workshop Proceedings, MathUI 2024.