ECL-tEEG: MÔ HÌNH ƯỚC LƯỢNG CẢM XÚC CỦA NGƯỜI HỌC DỰA TRÊN SÓNG NÃO

Tóm tắt

Nhận diện cảm xúc và đánh giá mức độ tham gia của người học đóng vai trò quan trọng trong việc nâng cao hiệu quả giảng dạy và tối ưu hóa phương pháp giảng dạy cá nhân hóa. Các nghiên cứu trước đây chủ yếu sử dụng video hoặc hình ảnh kết hợp với mô hình học sâu để phân tích hành vi và cảm xúc. Tuy nhiên, phương pháp này dễ bị ảnh hưởng bởi góc quay, điều kiện ánh sáng và biểu cảm khuôn mặt không rõ ràng, dẫn đến sai lệch trong đánh giá cảm xúc. Để khắc phục những hạn chế đó, nghiên cứu này đề xuất mô hình ECL-tEEG, một mô hình kết hợp CNN, LSTM-GRU và Transformer nhằm phân tích tín hiệu điện não (EEG) để nhận diện cảm xúc và đánh giá mức độ tham gia của người học. Mô hình đề xuất tận dụng CNN để trích xuất đặc trưng không gian, LSTM-GRU để học đặc trưng tuần tự theo thời gian và Transformer để khai thác các mối quan hệ dài hạn theo cơ chế học song song. Để đánh giá hiệu suất, nghiên cứu tiến hành thử nghiệm trên ba mô hình: CNN-LSTM-GRU, CNN-Transformer và ECL-tEEG. Kết quả thực nghiệm cho thấy ECL-tEEG đạt độ chính xác 71%, vượt trội hơn hai mô hình còn lại trong phân loại cảm xúc tích cực, trung tính và tiêu cực. Nghiên cứu này không chỉ khẳng định tiềm năng ứng dụng của EEG trong nhận diện cảm xúc người học, mà còn đặt nền tảng cho hệ thống hỗ trợ giảng dạy thông minh, giúp cá nhân hóa trải nghiệm học tập và hỗ trợ giáo viên trong việc điều chỉnh phương pháp giảng dạy dựa trên tín hiệu não bộ thay vì chỉ dựa vào quan sát hành vi.