要約
本稿では、eラーニング環境における学生の行動を分析する。著者らは、動画顔認識処理に基づく新しいパイプラインを提案する。まず、顔検出、追跡、クラスタリング技術を用いて各学生の顔の連続フレームを抽出する。次に、各フレームにおける感情特徴を抽出するために、単一の効率的なニューラルネットワークを用いる。このネットワークは、AffectNetから得た静止画像データを用いて、顔認識のための事前学習を行い、独自に開発されたロバストな最適化手法により感情認識タスクに微調整されている。実験結果から、得られた顔特徴量を用いて、学生の参加度（無関心から極めて関与している状態まで）の高速かつ同時予測、個々の感情（喜び、悲しみなど）の推定、およびグループレベルの感情状態（肯定的、中立的、否定的）の推定が可能であることが示された。このモデルは、学生のモバイル端末上でリアルタイムの動画処理が可能であり、顔映像をリモートサーバーや教師のPCに送信する必要がない。さらに、全学生の異なる感情状態および参加度を示す短い映像クリップを保存することで、授業の要約作成が可能であることを示した。EmotiW（Emotion Recognition in the Wild）コンペティションのデータセットを用いた実験により、提案するネットワークが既存の単一モデルを著しく上回ることが確認された。