本次入选AIED 2020大会的三篇论文分别是:围绕教师声音识别与分离的《Siamese Neural Networks For Class Activity Detection》,通过对线上一对一与线下小班教学场景内的单音轨课堂录音中的教师声音进行识别与分离,模型识别结果的AUC分别达到94.2%与85.5%;针对教师提问自动检测的《Neural Multi-Task Learning for Automatic Detection of Teacher Questions in Online Classrooms》,提出了用于在线课堂中教师提问的自动检测的新颖框架,通过对老师提问的类型(开放问句、求知型问句、对话管理型问句、程序型问句)的检测,从而更细粒度的量化老师的行为;对教师相关的语言行为进行自动检测的《Automatic Dialogic Instruction Detection for K-12 Online One-on-one Classes》,针对不同科目和年级调整对老师课堂上行为的要求,帮助老师掌握授课技巧、提升授课质量。
在教育大数据领域的国际顶级会议EDM 2020上,好未来针对线上一对一授课模式下的学生退学行为进行机器学习模型建模的论文《Identifying At-Risk K-12 Students In Multimodal Online Environments: A Machine Learning Approach》成功入选。这是工业界与学术界首次针对K12在线教育场景的学生退课行为进行预测尝试,通过对课堂行为和课后服务等多维度数据的分析,及时了解学生的学习状态和知识掌握情况,并为学生学习方案的调整优化提供帮助。
而在全世界最大、最全面的信号处理及其应用方面的顶级会议ICASSP上,好未来两篇新模型的论文引发热烈反响。在《Multimodal Learning For Classroom Activity Detection》论文中,好未来基于声纹注意力结构的多模态说话人识别模型方法,准确率超过了SOTA模型10%左右,显示出了该模型针对教学场景下说话人分离结果的优异性。在另一篇论文《UPGRADING CRFS TO JRFS AND ITS BENEFITS TO SEQUENCE MODELING AND LABELING》中,好未来将经典的序列模型CRF升级为一个联合的生成模型——JRF,新模型在各算法指标上都稳定超过了CRF,为更大范围的各类领域的序列建模和标注任务的改进提供了更大的可能。同时,好未来关于自由场景下的口语表达能力评测的论文《Dolphin: A Spoken Language Proficiency Assessment System for Elementary Education》也入选了国际互联网顶级会议WWW2020,并在会议上进行宣讲。论文基于好未来AI工程院研发的口语表达能力评测进行的方案和算法创新,解决了学生口语表达能力无法快速、规模化、标准化进行评估的问题。