如何提升學生的專注度，是自古以來在教育研究中不斷被關注的一項議題，因為學生的專注度將一定程度地影響其學習成效。一般來說，教師直接觀察學生上課時的狀態，就能知道學生目前的專注度如何，然而考量到現實層面，教師難以在教課的同時顧及每位學生的狀態，也無法長時間地觀察某一位學生的一舉一動。而這樣的工作，就非常適合交給機器學習來完成。
以科學手段檢測學生專注力
為了協助教師們能夠設計更有效的教學方式，學者們陸續開發許多以科學手段檢測學生專注度的方式，例如頭部姿勢、眼動追蹤、臉部表情、肢體動作等，透過精細的視覺捕捉，學生從眉眼間的拉扯到嘴唇的變化，都能一一被機器識別。
舉例來說，當學生的視線長時間集中於課堂以外的事物時，會被判定為不專注的表現；當學生的頭部有不正常的轉動時，則可能表示對學習內容不感興趣。根據這些檢測方式，教育及心理學領域的專家們能夠更加有效地了解學生的內在態度及外在行為之間的關聯性，並讓教師們在設計課程內容時，有更多得以參考的依據。
異地教學的智慧輔助學習工具
學生專注度這項因素，對遠距教學情境中的教師而言，會是更重大的問題，因為遠端教師無法及時掌握學生的參與及專注度。若將專注度檢測工具直接使用於異地教學，對於遠端教師而言，將會是一項有力工具，更可能成為現代數位教育領域中的關鍵角色。
要打造教學輔助工具，首先需要對專注度檢測模型進行訓練。在蒐集訓練資料時，會需要大量的學生上課片段，並對學生的動作進行專注或是不專注的標籤註釋。在大量的深度學習後，它將能辨別學生的專注狀況，於後續實際上課的情境中，運用影像處理和人工智慧技術，再透過邊緣運算提供全面性的學習分析，並即時追蹤學生上課時的注意力，讓遠端教師能夠進行即時的課間輔助管理，以增強整體教學效果。
圖1 專注程度範例行為量表
資料來源：Attentive or Not? Toward a Machine Learning Approach to Assessing Students’ Visible Engagement in Classroom Instruction
FIND觀點
在對深度學習模型進行訓練時，研發人員將根據過往研究的分類標準中的專注任務（on-task）和脫離任務（off-task）來對學生的上課動作來進行標籤註釋，如圖一所示。當學生表現出的行為符合專注任務中的任一選項時，將該學生的行為註釋為專注；反之，若是學生的行為符合脫離任務的任一選項，則會被註釋為不專注。透過這樣的訓練後，機器將能在實際課堂中識別學生當下專注與否，並成為遠端教師的即時教育助手。
封面圖片來源：本文作者自行拍攝
參考資料來源：
- Attentive or Not? Toward a Machine Learning Approach to Assessing Students’ Visible Engagement in Classroom Instruction
https://link.springer.com/article/10.1007/s10648-019-09514-z
- Sleepers’ Lag: Study on Motion and Attention
https://learning-analytics.info/index.php/JLA/article/view/4266/5597