Notre recherche vise à explorer la faisabilité de l’utilisation de l’intelligence artificielle pour mesurer et détecter le niveau d’attention de l’élève dans une salle de classe. Nous cherchons à savoir si des algorithmes et des méthodologies développés sur mesure peuvent évaluer efficacement l’engagement des étudiants pendant les cours. Les approches les plus récentes sont basées sur l’intelligence artificielle.
Plus précisément, les algorithmes d’apprentissage sont à la pointe de la technologie. Ce type d’algorithme utilise de grandes quantités de données pour former leurs modèles internes, puis ils peuvent être utilisés pour classer des images, estimer la pose d’une personne ou effectuer une série d’autres tâches intéressantes. Notre étude présente deux principaux défis critiques.
Tout d’abord, il y a des questions techniques qui doivent être résolues. Par exemple, comment configurer les appareils, comment estimer le mouvement à partir de l’image, la pose et le reste des autres paramètres que nous prenons en compte dans notre approche. Et puis il y a une branche subjective car il n’est pas clair si tous les individus expriment le niveau d’attention de la même manière.
Le point fort de notre système est que nous utilisons une approche multimodale. Nous analysons différentes entrées, l’émotion faciale, la posture du corps, la posture de la tête, les données de l’accélérateur et la fréquence cardiaque pour classer automatiquement le niveau d’attention. De plus, nos méthodes s’appuient fortement sur l’intelligence artificielle, qui aurait été utilisée avec beaucoup de succès dans d’autres domaines de recherche connexes.