Multimodal Perception and Statistical Modeling of Pedagogical Classroom Events Using a Privacy-safe Non-individual Approach

Les interactions entre humains sont fortement impactées par leur comportement. Ces comportements peuvent être caractérisés par des signaux tels que le sourire, la parole, le regard, la posture, le geste, etc. Également par l’espace, l’environnement, le temps, la situation et le contexte créés pour une activité particulière. Ces signaux définissent également l’émotion puisqu’il s’agit de réactions que les êtres humains éprouvent en réponse à un événement ou à une situation particulière. Selon l’événement ou la circonstance, la plupart de ces signaux peuvent être déclenchés. Cela se produit également dans les activités pédagogiques en classe. L’apprentissage social est multimodal et l’enseignement lui-même est complexe, ces indices sous-jacents ne sont ni entièrement visibles ni immédiats. Nous étudions Context-Aware Classroom (CAC) pour fournir un système de perception multimodal permettant de capturer les événements pédagogiques qui s’y déroulent, afin d’aider les (jeunes) enseignants à améliorer leurs pratiques

pédagogiques. Grâce au deep learning, qui a fait de grands progrès ces deux dernières décennies, et à la modélisation statistique, il est possible d’extraire et d’analyser les signaux évoqués plus haut pour caractériser ces événements. Le principal problème de cette enquête est le fait que la vie privée des participants peut ne pas être préservée. D’un point de vue éthique, de nombreux problèmes peuvent être causés, c’est-à-dire que la vie privée doit être prise en compte lors de la conception de modèles d’intelligence artificielle. Ainsi, au lieu de surveiller le comportement individuel, l’accent sera mis sur l’émotion globale, l’engagement global des étudiants et le niveau d’attention global de toute la classe en utilisant les signaux mentionnés ci-dessus.