【论文阅读】Affective database for e-learning and classroom environments using Indian students’ faces, hand gestures and body postures】

1.这篇文章究竟讲了什么问题？
几乎没有一个标准的数据集，包含学生情感状态识别以及分析，在线上课堂和教室环境。

2.这是否是一个新的问题？
不是

3.这篇文章要验证一个什么科学假设？
提出的数据集，包含多模态数据，克服现有工作的局限性。多模态数据能跟准确的反映学生的学习状态。

4.有哪些相关研究？如何归类？谁是这一课题在这领域值得关注的研究员？
1)George D. Kuh (2003) What We're Learning About Student Engagement From NSSE: Benchmarks for Effective Educational Practices, Change: The Magazine of Higher Learning, 35:2, 24-32
2)Exploring Affective Technologies for the Classroom with the Subtle Stone
3)The faces of engagement: Automatic recognition of student engagement from facial expressions
4)Predicting students’ attention in the classroom from kinect facial and body features
5)Students’ affective content analysis in smart classroom enviroment using deep learning techniques
6)Unobtrusive students’ engagement analysis in computer science laboratory using deep learning techniques.
7)Emerging themes analysis of learner’s aesthetic emotions in e-learning enviroments.
8)An e-learning system with multifacial emotion recognition using supervised machine learning.
9)Automatic group happiness intensity analysis.
10)Monitoring affect states during effortful problem solving activities.
11)Using video to automatically detect learner affect in computer-enabled classrooms

5.论文中提到的解决方案之关键是什么？
1)多模态数据采集
2)数据标记
3)数据集的变化，用于增强数据集的鲁棒性

6.论文中的实验是如何设计的？
1)比较特征提取方法,10折交叉验证
2)深度学习的方法用于分类和目标定位
3)整体对比和讨论，和现有的其他数据集进行对比

7.用于定量评估的数据集是什么？代码有没有开源？
作者手机的多模态学生情感数据集，没有

8.论文中的实验及结果有没有很好地支持需要验证的科学假设？
有

9.这篇论文到底有什么贡献？
a)提出一个多模态数据集，单个人脸和多人脸的学生学习状态数据集
b)使用深度学习结构来分析学生的情感状态
c)新的分类方法:attentive 和 in-attentive

10.下一步呢？有什么工作可以继续深入？
1)多模态特征的融合来分类情感，似乎文章没有利用cnn提取多模态的特征来分类
2)基于时序的情感识别
3)情感状态与认知之间的关系