Key points are not available for this paper at this time.
Online-Lernen ist in den letzten Jahren immer beliebter geworden, doch das häufige Auftreten von kognitiver Überlastung hat sowohl die Lernerfahrung als auch die Effektivität erheblich beeinträchtigt. Daher schlägt diese Studie basierend auf der Optimierung des Online-Lernens ein Forschungsrahmen zur Beurteilung der kognitiven Belastung des Online-Lernens vor, der auf drei modalitäten Daten basiert: Elektroenzephalographie (EEG), Eye-Tracking und Gesichtserkennung. Nach diesem Rahmen wurde ein neuronales Netzwerk verwendet, um ein Modell zur Beurteilung der kognitiven Belastung für das Online-Lernen zu konstruieren, das multimodale Daten integriert. Nach der Validierung erreicht die Beurteilungsgenauigkeit des Modells 91,52%. Darüber hinaus können die Ergebnisse der Analyse multimodaler Daten als Referenz für die Entwicklung von Lernressourcen und die Optimierung von Online-Kursen auf intelligenten Online-Lernplattformen verwendet werden. Das in dieser Studie konstruierte Bewertungsmodell kann auch auf die Online-Lernplattform angewendet werden, die voraussichtlich eine verschreibungsgesteuerte adaptive Online-Lernbasis auf der Beurteilung der kognitiven Belastung realisieren wird. Aufgrund der aktuellen Forschungseinschränkungen wurden nur spezifische thematische Lernmodelle untersucht. Zukünftige Forschungen werden sich auf die Feinabstimmung des Modells, komplexe Lernszenarien und Themenentwicklung sowie die Erweiterung des Forschungsspektrums konzentrieren, um die Generalisierungsfähigkeiten des Modells zu verbessern.
Xue et al. (Fri,) haben diese Frage untersucht.