5. Phương pháp nghiên cứu
3.5. Kết luận chương 3
Chương 3 đã trình bày thực nghiệm trên bài toán đánh giá sự tập trung học tập của học sinh theo kỹ thuật đánh giá dựa trên hướng đầu và phân tích một số yếu tố ảnh hưởng trong quá trình thu nhận dữ liệu hình ảnh từ camera. Các kết quả thực nghiệm đạt được đã minh họa cho nội dung lý thuyết được trình bày trong chương 2, lựa chọn một kỹ thuật với những cài dặt cụ thể. Kết quả đạt được với độ chính xác tương đối tốt. Bên cạnh đó để đánh giá mức độ tập trung chính xác cao cần kết hợp nhiều kỹ thuật và yếu tố từ nguồn dữ liệu đủ lớn cũng ảnh hưởng tới quá trình phát hiện và đánh giá thuật toán.
KẾT LUẬN
Nghiên cứu kỹ thuật đánh giá sự tập trung học tập của học sinh là một trong những bài toán quan trọng của thị giác máy. Ngoài ra, bài toán còn có ý nghĩa khoa học lẫn thực tiễn nhằm tạo ra một giải pháp giúp học sinh tập trung học tích cực hơn và giáo viên có cơ sở thu thập được thông tin mức độ tập trung từ học sinh sau mỗi nội dung dạy. Luận văn đã hệ thống một số vấn đề cơ bản trong bài toán đánh giá mức độ tập trung của học sinh thông qua camera về nghiên cứu lý thuyết cũng như trong cài đặt thực nghiệm. Những vấn đề này có thể tóm tắt lại như sau:
Tổng quan về hệ thống camera giám sát và bài toán đánh giá sự tập trung. Bài toán phát hiện đối tượng chuyển động, phân loại đối tượng, theo vết đối tượng, phân tích, nhận biết hành vi của đối tượng giám sát và nhận dạng đối tượng, đối tượng ở đây là khuôn mặt của học sinh. Luận văn cũng đưa ra mô hình chung đánh giá sự tập trung học tập của học sinh thông qua dữ liệu video thu thập từ camera.
Giới thiệu lý thuyết về một số kỹ thuật đánh giá sự tập trung học tập của học sinh cụ thể là kỹ thuật đánh giá dựa vào xác định hướng đầu, sử dụng một tập dữ liệu bao gồm ảnh khuôn mặt đã được đánh dấu tập điểm và gán nhãn ngẩn đầu hay gục đầu sử dụng mô hình pháp tuyến khuôn mặt dựa trên các đặc điểm.
Xây dựng chương trình thử nghiệm cho bài toán đánh giá sự tập trung của học sinh dưới sự hỗ trợ của camera. Phần thử nghiệm, luận văn áp dụng một số kỹ thuật đánh giá dựa vào biểu cảm, dựa vào hướng đầu và trạng thái đóng mở của mắt. Kết quả thử nghiệm, bước đầu được đánh giá khá hiệu quả đối với học sinh mất tập trung gục đầu.
Luận văn đạt được một số kết quả nhất định về lý thuyết và thực nghiệm. Tuy nhiên, trong thời gian ngắn để thực hiện đề tài luận văn, chắc chắn có nhiều sai sót và cũng chưa thể đánh giá kỹ thuật cũng như chương trình thử
nghiệm một cách hoàn thiện. Luận văn là tiền đề để thực hiện nghiên cứu phát triển tiếp theo đánh ứng nhu cầu phát triển hiện nay trong ngành giáo dục. Điều này sẽ góp phần làm phong phú hiệu quả thiết thực hơn trong môi trường học tập.
Kiến nghị và hướng nghiên cứu tiếp theo
Đánh giá sự tập trung của học sinh có ý nghĩa quan trọng trong khoa học và thực tiễn áp dụng trong ngành giáo dục. Đặc biệt ở Việt Nam chưa có hệ thống đánh giá sự tập trung của học sinh để hỗ trợ cho giáo viên và học sinh trong quá trình học tập. Hướng nghiên cứu tiếp theo của luận văn là tiếp tục nghiên cứu sâu hơn nữa các kỹ thuật đánh giá sự tập trung của học sinh một cách hiệu quả hơn hành vi, trạng thái, cảm xúc…để đạt kết quả tốt hơn trong việc đánh giá mức độ tập trung của học sinh. Trên cơ sở đó, sẽ nghiên cứu ứng dụng của bài toán phân tích các trạng thái học tập của học sinh trong các hệ thống ứng dụng thực tế có ý nghĩa thiết thực trong khoa học và trong đời sống xã hội như các hành vi liên quan đến chuyển động gật, lắc của đầu sẽ được nghiên cứu để làm tăng tính chính xác trong việc đánh giá sự tập trung của học sinh.
Trong tương lai, muốn hợp nhất thông tin hiện được cung cấp bởi hệ thống với thông tin được truy xuất với sự trợ giúp của các cảm biến khác, chẳng hạn như nhịp tim, các tín hiệu điện não đồ và mức độ oxy đặc biệt là chuyển đổi sang phát hiện biểu cảm khuôn mặt 3D những biểu hiện của bệnh covid 19 như ho, hắc xì hơi, mệt mỏi …giúp hệ thống phát hiện và thông báo cho giáo viên biết giúp các em đảm bảo sức khỏe. Tuy nhiên, điều này sẽ gây thêm khó khăn và cần phải sử dụng các máy ảnh chụp khác, bên cạnh máy ảnh web tích hợp thông thường của máy tính xách tay.
DANH MỤC TÀI LIỆU THAM KHẢO
[1] Lê Đức Hạnh (2011) “Thuật toán Adaboost và mạng neural trong nhận dạng và bám đuổi biển số xe” ĐH quốc gia TP Hồ Chí Minh.
[2] Lâm Thành Hiển, Đỗ Năng Toàn, Trần Văn Lăng (2015) “Một cải tiến cho bài toán phát hiện hướng đầu dựa trên mô hình pháp tuyến khuôn mặt” Trường ĐH Lạc Hồng, 2Viện Công nghệ Thông tin - Viện HLKH&CNVN,
3Viện Cơ Học & Tin Học Ứng Dụng - Viện HLKH&CNVN.
[3] Nguyễn Ngọc Hưng (2017) “Nghiêng cứu nhận dạng biểu cảm” ĐH Quy Nhơn.
[4] Trần Thanh Phương & Trần Văn Lăng, Đỗ Văn Toàn “Một kỹ thuật đánh giá sự tập trung của sinh viên dựa trên trạng thái đóng/mở của mắt” Đại học Quốc gia Hà nội.
[5] Nguyễn Xuân Thức (2017) “Giáo trình tâm lý học đại cương” Nhà Xuất bản Đại học Sư Phạm.
[6] Nguyễn Thị Thủy (2018) “Phương pháp nhận dạng khuôn mặt người và ứng dụng trong quản lý nhân sự” Đại học quốc gia Hà nội.
[7] Ngô Đức Vĩnh (2016) “Kỹ thuật xử lý vùng quan sát và phát hiện bất thường của các đối tượng trong hệ thống camera giám sát” Học viện khoa học và công nghệ. Hà Nội.
[8] Bohong Yang, Zeping Yao, Hong Lu, Yaqian Zhou, Jinkai XBohong Yang, Zeping Yao, Hong Lu∗, Yaqian Zhou, Jinkai X (2020) “In-classroom learning analytics based on student behavior, topic and teaching characteristic mining” Shanghai Key Lab of Intelligent Information Processing, School of Computer Science, Fudan University, China.
classroom from Kinect facial and body features”EURASIP Journal on Image and Video Processing.
[10] Prabin Sharma 1,2, Shubham Joshi 2, Subash Gautam 2, Sneha Maharjan 4, Vitor Filipe 1, Manuel Cabral Reis (2019) “Student Engagement Detection Using Emotion Analysis, Eye Tracking and HeadMovement with Machine Learning” Preprint · September 2019.
[11] Timothy F. Cootes, et al. (2001). "Active Appearance Models" IEEE transactions on pattern analysis and machine intelligence.pp. 681-685, vol 23, no 6, June.
[12] Viola, Paul, and Michael Jones. "Rapid object detection using a boosted cascade of simple features." Proceedings of the 2001 IEEE computer society conference on computer vision and pattern recognition. CVPR 2001. Vol. 1. IEEE, 2001.