学生课堂行为数据集 (SCB-dataset3)|学生行为分析数据集|教育技术数据集

arXiv2023-10-04 更新2024-06-21 收录

下载链接：

https://github.com/Whiffe/SCB-dataset

下载链接

链接失效反馈

资源简介：

学生课堂行为数据集(SCB-dataset3)由成都东软学院创建，包含5686张图像和45578个标签，重点关注六种行为：举手、阅读、写作、使用手机、低头和趴桌。数据集覆盖从幼儿园到大学的不同场景，通过YOLOv5、YOLOv7和YOLOv8算法评估，平均精度达到80.3%。该数据集旨在为学生行为检测研究提供坚实基础，解决教育领域中学生行为数据集的缺乏问题。

提供机构：

成都东软学院

创建时间：

2023-10-04

AI搜集汇总

数据集介绍

构建方式

学生课堂行为数据集（SCB-dataset3）的构建基于真实课堂场景，通过收集从幼儿园到大学的课堂视频，提取并筛选出5686张图像。这些图像经过人工标注，涵盖了六种主要行为：举手、阅读、书写、使用手机、低头和趴在桌子上。数据集的构建过程中采用了迭代训练方法，首先使用YOLOv7模型进行初步检测，然后通过人工智能技术对检测结果进行微调，最终将优化后的数据重新输入模型进行训练，以提高检测的准确性和鲁棒性。

特点

SCB-dataset3数据集的特点在于其广泛的行为类别和高精度的标注。数据集包含了从幼儿园到大学的不同教育阶段的课堂场景，确保了数据的多样性和代表性。此外，数据集通过引入行为相似性指数（BSI），进一步量化了不同行为之间的相似性，为行为检测提供了更丰富的信息。数据集的构建过程中还采用了帧插值技术，显著提高了大学课堂场景中行为检测的准确性。

使用方法

SCB-dataset3数据集适用于基于深度学习的学生课堂行为检测研究。研究者可以使用该数据集训练和评估各种行为检测模型，如YOLOv5、YOLOv7和YOLOv8等。数据集的训练和验证集按照4:1的比例划分，研究者可以根据需要调整训练参数，如epoch、batch size和图像尺寸。通过使用该数据集，研究者可以开发出更准确和高效的学生课堂行为检测系统，从而为教育管理和教学改进提供有力支持。

背景与挑战

背景概述

近年来，随着行为检测技术的发展，分析学生在课堂视频中的行为以获取其课堂状态和学习表现的信息成为可能。这一技术对教师、学校管理者、学生和家长都具有重要意义。然而，传统教学模式中，教师难以关注到每个学生的学习情况，只能通过观察少数学生来了解自己的教学方法效果。为解决这一问题，学生课堂行为数据集（SCB-dataset3）应运而生。该数据集由成都东软学院的杨帆和王涛创建，包含5686张图像和45578个标签，重点关注六种行为：举手、阅读、写作、使用手机、低头和趴在桌子上。通过使用YOLOv5、YOLOv7和YOLOv8算法进行评估，该数据集的平均精度（mAP）达到80.3%，为未来学生行为检测研究提供了坚实的基础。

当前挑战

SCB-dataset3在构建过程中面临多项挑战。首先，数据集需要涵盖从幼儿园到大学的不同场景，确保数据的多样性和代表性。其次，行为检测在拥挤的教室环境中尤为困难，学生之间的遮挡和位置变化增加了检测的复杂性。此外，某些行为如阅读和写作在视觉上相似，使得模型难以区分。为了提高检测精度，研究团队采用了帧插值方法，并通过迭代训练优化模型。尽管如此，数据集仍存在类别不平衡的问题，特别是某些行为如使用手机和趴在桌子上在数据集中样本较少。未来研究需进一步解决这些问题，以提升数据集的质量和应用效果。

常用场景

经典使用场景

学生课堂行为数据集（SCB-dataset3）最经典的使用场景在于通过深度学习方法自动检测学生在课堂中的行为，如举手、阅读、写作、使用手机、低头和趴在桌子上等。这些行为数据的收集和分析有助于教师了解学生的课堂参与度和学习状态，从而优化教学策略。

衍生相关工作

基于SCB-dataset3，研究者们开发了多种行为检测算法，如YOLOv5、YOLOv7和YOLOv8，这些算法在数据集上的表现显著提升了行为检测的精度。此外，该数据集还促进了行为相似性分析的研究，如行为相似性指数（BSI）的提出，进一步丰富了课堂行为分析的理论和方法。

数据集最近研究