Classroom Behavior Monitoring with YOLO An Empirical Study in Higher Education Settings
Cette étude introduit le jeu de données BAV-Classroom et démontre que le modèle YOLOv11 automatise efficacement la surveillance du comportement en classe dans l'enseignement supérieur, révélant une baisse significative de la concentration des étudiants lors des dernières parties des cours.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez une salle de classe comme une cuisine très animée. Habituellement, le chef principal (l'enseignant) doit se fier à ses propres yeux et à son intuition pour savoir si les cuisiniers (les élèves) sont en train de couper les légumes, de lire les recettes ou de simplement regarder par la fenêtre. Parfois, le chef se fatigue, parfois il manque des détails, et parfois son opinion n'est qu'une supposition.
Ce document est comme une équipe de sous-chefs technophiles qui ont décidé d'installer une caméra robotisée super intelligente pour surveiller la cuisine et dire exactement au chef ce qui se passe, sans se fatiguer ni être biaisés.
Voici la décomposition de leur projet en termes simples :
1. Le problème : « Les yeux humains se fatiguent »
Les auteurs ont remarqué que surveiller les élèves dans une salle de classe est un travail difficile. Si un enseignant essaie de suivre qui fait attention et qui consulte son téléphone toute la journée, il peut manquer des détails ou être injuste. Ils voulaient un moyen d'obtenir une image claire et objective de toute la classe, comme une caméra de sécurité qui ne se contente pas d'enregistrer de la vidéo, mais qui comprend réellement ce qu'elle voit.
2. La solution : Un « œil intelligent » (Vision par ordinateur)
Ils ont construit un système utilisant une technologie appelée Vision par ordinateur. Considérez cela comme le fait de donner à un ordinateur des yeux et un cerveau entraînés à reconnaître des actions spécifiques.
- Le jeu de données (Le livre de recettes) : Ils n'ont pas simplement deviné quoi chercher. Ils ont filmé 13 classes réelles à l'Académie de Banque du Vietnam. Ils ont visionné les séquences image par image et ont manuellement appris à l'ordinateur ce qu'il devait chercher. Ils ont créé une liste de 9 comportements spécifiques, un peu comme un menu d'actions :
- Bons comportements : Regarder le tableau, lever la main, lire des notes, utiliser un ordinateur pour le cours.
- Mauvais comportements : Manger, se tourner pour discuter, utiliser un téléphone ou simplement être distrait.
- Neutre : Voir l'enseignant ou des choses qu'ils n'ont pas pu identifier.
3. L'entraînement : Choisir le meilleur « détective »
Ils ont testé plusieurs modèles d'IA différents (les « détectives ») pour voir lequel était le meilleur pour repérer ces comportements. Ils ont comparé des modèles anciens à des modèles plus récents et plus rapides.
- Le vainqueur : Le modèle YOLOv11 a été le champion. « YOLO » signifie « You Only Look Once » (Tu ne regardes qu'une fois), ce qui est une façon élégante de dire qu'il est incroyablement rapide et peut repérer des choses en une fraction de seconde.
- Le score : YOLOv11 a obtenu un score d'environ 79 % de précision. Cela signifie que si l'ordinateur voyait un élève utiliser un téléphone, il avait raison 79 fois sur 100. Il était meilleur pour repérer des choses comme « utiliser un téléphone » ou « manger » que pour des choses plus subtiles.
4. Les résultats : Ce que la caméra a vu
Une fois l'œil robotique entraîné, ils l'ont laissé observer une classe réelle pendant plus d'une heure. Voici ce qu'il a trouvé :
- La bataille « Téléphone contre Ordinateur » : La chose la plus courante que les étudiants faisaient était d'utiliser leurs ordinateurs (28 % du temps). Cependant, quand on additionne tous les comportements de « distraction » (comme regarder ailleurs, utiliser des téléphones ou simplement être flou), plus de la moitié du temps, les étudiants n'étaient pas pleinement concentrés sur la leçon.
- La « courbe d'attention » : Le système a remarqué un schéma, comme des montagnes russes.
- Les élèves sont corrects au début.
- Ils commencent à décrocher après les 10 premières minutes.
- La grande chute : La baisse de concentration la plus significative s'est produite durant les 10 dernières minutes du cours. C'est comme un coureur qui sprinte au départ, ralentit au milieu, et s'arrête complètement juste avant la ligne d'arrivée.
- La connexion : L'ordinateur a découvert que lorsque les étudiants utilisaient leurs ordinateurs pour le cours, ils étaient moins susceptibles d'être distraits. Mais lorsqu'ils tournaient la tête ou regardaient des choses inconnues, ils n'étaient définitivement pas attentifs.
5. La conclusion : Un nouvel outil pour les enseignants
Le document conclut que ce système de « caméra intelligente » fonctionne. Il peut dire à une école exactement comment une classe est engagée sans qu'un humain ait besoin de fixer un écran toute la journée.
- Ce qu'il peut faire maintenant : Il aide les administrateurs scolaires à voir la situation globale. Ils peuvent désormais dire : « Hé, nos étudiants perdent leur concentration dans les 10 dernières minutes de chaque cours ; nous devrions peut-être changer la façon dont nous terminons nos cours. »
- Ce qu'il ne peut pas encore faire : Les auteurs admettent que le système n'est pas parfait. Il a parfois du mal à identifier certains comportements complexes, et il a besoin de plus de données pour s'améliorer. Ils notent également qu'ils n'ont pas encore trouvé comment le faire fonctionner en temps réel (en direct) et qu'ils doivent être très prudents concernant la vie privée des élèves.
En bref : Les auteurs ont construit un œil robotique qui a appris à repérer si les étudiants étudient ou paressent. Il a découvert que les étudiants se fatiguent vers la fin du cours et que l'utilisation des téléphones est une grande distraction. Cet outil offre aux enseignants un nouveau moyen objectif de comprendre la dynamique de leur classe.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.