ورود
مقالات فارسیISIکنفرانسهاژورنالها

استفاده از مدل های محاسباتی توجه بینایی در ارزیابی توجه مخاطب در چندرسانه ای های آموزشی

محل انتشار: فصلنامه تازه های علوم شناختی، دوره: 24، شماره: 3
سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 147

فایل این مقاله در 17 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:
https://civilica.com/doc/1603958

شناسه ملی سند علمی:

JR_ICSS-24-3_007

تاریخ نمایه سازی: 25 بهمن 1401

چکیده مقاله:

مقدمه: با پیشرفت دانش و فن آوری، استفاده از چندرسانه ای ها برای آموزش گسترش زیادی یافته است. یکی از مهمترین مسائلی که مورد غفلت واقع شده است مکان توجه مخاطب در راستای انطباق چندرسانه ای های تولید شده با اهداف اولیه طراحی آنها است. مدل­های محاسباتی توجه بینایی الهام گرفته از عملکرد مغز انسان می توانند این خلاء موجود را پر کنند و به عنوان ابزاری قدرتمند جهت ارزیابی نقاط توجه مخاطب چندرسانه ای آموزشی به کار گرفته شوند. روش کار: در این مقاله چندرسانه ای آموزشی طراحی شده، توسط مدل محاسباتی توجه بینایی مورد ارزیابی قرار می گیرد تا معلوم شود که کاربر انسانی در هنگام مشاهده فیلم به چه بخش هایی توجه خواهد کرد. با بهره گیری از مدل های محاسباتی توجه بینایی سعی بر کشف مکان­ های توجه مخاطب و مقایسه آن با داده های ردیابی چشمی گردیده تا در جهت افزایش میزان تاثیر آن بر مخاطب و بهبود کیفیت چندرسانه ای تولید شده استفاده گردد. یافته ­ها: در آزمایش های صورت گرفته مشخص می گردد که با ارزیابی مکان ­های توجه بینایی با داده­ های چشمی و مکان­ های تعیین شده توسط مدل محاسباتی توجه بینایی علاوه بر ارزیابی کیفی تاثیرات اصول به کار برده شده می توان با تغییراتی متناسب با مدل توجه در ویدئو تولید شده میزان توجه مخاطب را بالا برد و در نتیجه، با کاهش بار شناختی، اثربخشی چندرسانه ای آموزشی را افزایش داد. نتیجه­ گیری: نتایج شبیه ­سازی نشان می­دهد که مدل­های محاسباتی موجود بادقت قابل قبولی می­توانند محل توجه بینایی را تعیین کنند که این موضوع باعث سهولت ارزیابی چندرسانه­ ای­های آموزشی تولید شده می­شود.

کلیدواژه ها:

نویسندگان

مجید شعبانی

. MS, Artificial Intelligence, Department of Artificial Intelligence, Faculty of Computer Engineering, Shahid Rejaee Teacher Training University, Tehran, Iran

علیرضا بساق زاده

Assistant Professor of Artificial Intelligence, Department of Artificial Intelligence, Faculty of Computer Engineering, Shahid Rejaee Teacher Training University, Tehran, Iran

رضا ابراهیم پور

Professor of Artificial Intelligence, Department of Artificial Intelligence, Faculty of Computer Engineering, Shahid Rejaee Teacher Training University, Tehran, Iran

سید حمید امیری

Assistant Professor of Artificial Intelligence, Department of Artificial Intelligence, Faculty of Computer Engineering, Shahid Rejaee Teacher Training University, Tehran, Iran

کیهان لطیف زاده

. MS, Artificial Intelligence, Department of Artificial Intelligence, Faculty of Computer Engineering, Shahid Rejaee Teacher Training University, Tehran, Iran

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Shafiei H, Zare H. Effectiveness of attention bias modification by ...
  • Koch K, McLean J, Segev R, Freed MA, Berry II ...
  • Itti L. Models of bottom-up and top-down visual attention. Pasadena, ...
  • Hou X, Zhang L. Saliency detection: A spectral residual approach. ...
  • Borji A, Itti L. State-of-the-art in visual attention modeling. IEEE ...
  • Treue S. Neural correlates of attention in primate visual cortex. ...
  • Rolls ET, Deco G. Attention in natural scenes: Neurophysiological and ...
  • Itti L, Koch C, Niebur E. A model of saliency-based ...
  • Tsotsos JK, Culhane SM, Wai WY, Lai Y, Davis N, ...
  • Itti L, Koch C. Computational modelling of visual attention. Nature ...
  • Desimone R, Duncan J. Neural mechanisms of selective visual attention. ...
  • Rae R. Gestikbasierte Mensch-Maschine-Kommunikation auf der Grundlage Visueller Aufmerksamkeit und ...
  • Cerf M, Harel J, Einhäuser W, Koch C. Predicting human ...
  • Itti L, Braun J, Lee D, Koch C. Attentional modulation ...
  • Frintrop S. VOCUS: A visual attention system for object detection ...
  • Tatler BW. The central fixation bias in scene viewing: Selecting ...
  • Wang W, Shen J, Porikli F. Saliency-aware geodesic video object ...
  • Wang W, Shen J, Yang R, Porikli F. Saliency-aware video ...
  • Parkhurst D, Law K, Niebur E. Modeling the role of ...
  • Zhang L, Tong MH, Marks TK, Shan H, Cottrell GW. ...
  • Harel J, Koch C, Perona P. Graph-based visual saliency. Advances ...
  • Green DM, Swets JA. Signal detection theory and psychophysics. New ...
  • Bruce N, Tsotsos J. Saliency based on information maximization. In: ...
  • Rajashekar U, Bovik AC, Cormack LK. Visual search in noise: ...
  • Peters RJ, Iyer A, Itti L, Koch C. Components of ...
  • Privitera CM, Stark LW. Algorithms for defining visual regions-of-interest: Comparison ...
  • Wen H, Zhou X, Sun Y, Zhang J, Yan C. ...
  • Tavakoli HR, Borji A, Rahtu E, Kannala J. DAVE: A ...
  • Bosaghzadeh A, Shabani M, Ebrahimpour R. A computational-cognitive model of ...
  • Riche N, Duvinage M, Mancas M, Gosselin B, Dutoit T. ...
  • Sarailoo R, Latifzadeh K, Amiri SH, Bosaghzadeh A, Ebrahimpour R. ...
    • نمایش کامل مراجع