Computational intelligence techniques, pattern recognition and machine learning in audiovisual and biometric data analysis

Abstract

Η ανάλυση της οπτικής απεικόνισης ανθρώπων μας οδηγεί σε χρήσιμα συμπεράσματα σε σχέση με βασικά εξωτερικά χαρακτηριστικά τους, όπως για παράδειγμα το φύλο, την χρωματική απόχρωση κ.α.. Επίσης, συγκεκριμένοι μορφασμοί του προσώπου, συστολές και διαστολές χαρακτηριστικών αλλά και ακολουθίες από κινήσεις του προσώπου, μας δίνουν επίσης χρήσιμες πληροφορίες σε σχέση με την συναισθηματική κατάσταση κάθε ανθρώπου. Όπως είναι λογικό, κάποια συμπεράσματα μπορούν να δίνουν ψευδείς πληροφορίες σε συγκεκριμένες περιπτώσεις αλλά σε καταστάσεις που η ανίχνευση πραγματοποιείται σε ανθρώπους που συμμετέχουν σε κάποια δραστηριότητα, το επίπεδο λάθους μειώνεται αρκετά και τα συμπεράσματα για την συναισθηματική κατάσταση του εκάστοτε ανθρώπου μας δίνουν πολύ χρήσιμες πληροφορίες που μπορούν να βοηθήσουν πάρα πολύ στην βελτίωση της ποιότητας των συγκεκριμένων δραστηριοτήτων. Όσο σημαντική είναι η ανίχνευση συναισθημάτων μεμονωμένων ανθρώπων άλλο τόσο είναι και η ανίχνευση τους βασιζόμενοι στις ομάδες που συμμετέχουν στην κάθε δραστηριότητα, διότι η «ομάδα επηρεάζει τα τελικά συμπεράσματα και την συνολική ανίχνευσή τους». Συγκεκριμένα, σε αυτή την έρευνα μελετήσαμε μέσα από μια σειρά σημαντικών «βημάτων» την ανίχνευση συναισθημάτων ομάδων ανθρώπων από λογισμικά υπολογιστών προσαρμοσμένοι στην απομακρυσμένη μάθηση (e-learning) και σε συστήματα αυτόματης διδασκαλίας (tutoring systems). Αυτή η έρευνα είχε σκοπό να εξάγουμε χρήσιμα συμπεράσματα σε ηλεκτρονικές διδασκαλίες παρόμοια με αυτά που καταλαβαίνουν έμπειροι καθηγητές μέσα σε πραγματικές τάξεις με την φυσική παρουσία μαθητών-φοιτητών και αντίστοιχα να προσαρμόζουν το μάθημα τους. Δηλαδή, όταν οι καθηγητές καταλαβαίνουν ότι οι φοιτητές αρχίζουν να «κουράζονται» ή αρχίζει το μάθημα να τους φαίνεται βαρετό, προσπαθούν να προσαρμόσουν το μάθημα έτσι ώστε να πετύχουν τα καλύτερα αποτελέσματα από πλευράς μετάδοσης γνώσης, κάτι το οποίο είναι αρκετά αποδοτικό και κερδοφόρο και για τις δύο πλευρές (φοιτητές – καθηγητές), βελτιώνοντας έτσι την ποιότητα διδασκαλίας. Τοιουτοτρόπως, καταφέραμε να φτιάξουμε ένα ολοκληρωμένο σύστημα αποτελούμενο από όλα τα ξεχωριστά κομμάτια της εργασίας, το οποίο μας δίνει σε πραγματικό χρόνο πληροφορίες για την κατάσταση συγκέντρωσης της κάθε ομάδας που παρακολουθεί ένα διαδικτυακό μάθημα. Επίσης, αυτό μπορεί να χρησιμοποιηθεί σε όλες τις εφαρμογές διαδικτυακής μάθησης που μας δίνουν τα δεδομένα από τα πρόσωπα των συμμετεχόντων, διότι μπορούμε να παίρνουμε τα δείγματα απευθείας από την οθόνη που χρησιμοποιείται για την εκάστοτε διαδικτυακή διδασκαλία.