Vision Transformers steigern die Erkennung von Engagement bei Kindern

Ein neues arXiv‑Preprint zeigt, wie Vision Transformers (ViTs) die Erkennung von Verhaltens‑ und Kollaborationsengagement bei Kindern automatisieren können. Durch die Analyse visueller Signale wie Blickrichtung, Interaktion und Peer‑Zusammenarbeit werden Video‑Segmente klassifiziert und in Zustände wie „engagiert“, „nicht engagiert“, „kollaborativ“ oder „nicht kollaborativ“ eingeteilt.

Die Studie nutzt das Child‑Play‑Gaze‑Dataset, das speziell für die frühkindliche Pädagogik entwickelt wurde. Mit annotierten Video‑Abschnitten trainiert das Modell drei führende Transformer‑Architekturen: Vision Transformer (ViT), Data‑efficient Image Transformer (DeiT) und Swin Transformer.

Der Swin Transformer übertrifft die Konkurrenz deutlich und erreicht eine Genauigkeit von 97,58 %. Diese hohe Leistung unterstreicht die Fähigkeit des Modells, sowohl lokale als auch globale Aufmerksamkeitsebenen zu erfassen – ein entscheidender Vorteil für die Analyse komplexer Lerninteraktionen.

Die Ergebnisse deuten darauf hin, dass transformerbasierte Systeme ein vielversprechendes Werkzeug für die skalierbare, automatisierte Analyse von Engagement in realen Bildungskontexten darstellen. Sie eröffnen neue Möglichkeiten, Lernumgebungen zu optimieren und individuelle Lernfortschritte besser zu verstehen.