Omitir los comandos de cinta
Saltar al contenido principal
Inicio de sesión
Universidad EAFIT
Carrera 49 # 7 sur -50 Medellín Antioquia Colombia
Carrera 12 # 96-23, oficina 304 Bogotá Cundinamarca Colombia
(57)(4) 2619500 contacto@eafit.edu.co
EAFITInvestigaciónInvestigación / GruposInvestigación / i+D+I en TICDetección de distracción visual en estudiantes

Detección de distracción visual en estudiantes

Detección de distracción visual en estudiantes durante clase utilizando técnicas de visión artificial y aprendizaje automático.

Director del Proyecto:

Mauricio Toro

Duración:

Enero 2019 - Diciembre 2019

Investigadores:

Hassler Castro

Mariana Ramirez

Rafael Villegas

Isabela Muriel

Resumen del proyecto:

Ha sido objeto de estudio de la educación y la psicología identificar las razones por las cuales el nivel de atención por parte de los estudiantes disminuye. Existen dos grandes vertientes para definir la distracción en clase: distracción cognitiva, que involucra un proceso en el que el estudiante simplemente ocupa su mente en divagar en otras actividades, y distracción visual, que está relacionada actividades explícitas que desvían la atención del estudiante. Esta última es la que el presente trabajo aborda. Detectar los estudiantes distraídos visualmente en clase es un insumo valioso para responder preguntas tales como cuándo, cómo, por qué y cuantas veces se distrae un estudiante. Estas preguntan redefinen las metodologías de aprendizaje por parte de los alumnos y de enseñanza por parte de los maestros, así como la evaluación del desempeño de los estudiantes en el entorno académico. El objetivo del proyecto es detectar la distracción visual de los estudiantes durante una clase magistral mediante el análisis de video utilizando redes neuronales profundas. Un resultado de este proyecto es que es posible identificar a los estudiantes utilizando los videos recolectados dentro del salón de clase mediante arquitecturas single shot (YOLOv3 pre-entrenado con COCO dataset) o detectar los rostros con técnicas como Haar-like features.

Galeria: