机器学习预测博物馆观众与展品的互动时间

• MPR
• 时间：2020-12-16 13:43

       为了确定机器学习程序如何预测用户的交互时间，研究人员密切监测了85名博物馆观众与一个环境科学交互展品中的互动情况。具体来说，研究人员收集了研究参与者的面部表情、姿势、观看展品屏幕的位置以及触摸屏幕位置等数据。

       研究人员还发现，人们与展品互动的时间越长，模型的效果越好，因为这给模型提供了更多的数据。例如，模型几分钟后做出的预测会比30秒后做出的预测更准确。就这次研究来看，用户与展品的互动时间长达12分钟。

以下是研究摘要：

利用多模态学习分析对科学博物馆观众参与度进行早期预测》

摘要：在博物馆和科学中心等非正式学习环境中，建立观众参与模型是一项重要的挑战。设计观众参与度的预测模型，准确预测如停留时间等观众行为的显著特征，在博物馆和科学中心合理设计学习环境、进行观众分析方面有很大潜力。本文介绍了一种多模态早期预测方法，可以模拟观众对环境科学交互展品的参与度。我们在参观者与环境科学交互展品互动过程中采集到多模态传感器数据，包括视线焦点、面部表情、姿势和交互日志数据等，利用这些数据归纳出参观者停留时间的预测模型。本文研究了几种机器学习技术（随机森林、支持向量机、套索回归、梯度提升树和多层感知机），使用85名博物馆观众的数据，归纳出观众参与度的多模态预测模型。一系列消融实验（ablation experiments）的结果表明，将额外的模态纳入观众参与的预测模型中，可以提高模型的准确性。另外，随着时间的推移，模型显示的预测性能有所提高，表明随着模型从观众与环境科学交互展品的互动中获得越来越多的数据，它可以对观众停留时间作出越来越准确的预测。这些发现凸显了多模态数据对博物馆展品观众参与度建模的积极作用。

2020-11-18 

编辑：南瓜