上課專不專心？課堂中的即時專注度分析工具馬上知曉

FIND研究員：陳加欣

如何提升學生的專注度，是自古以來在教育研究中不斷被關注的一項議題，因為學生的專注度將一定程度地影響其學習成效。一般來說，教師直接觀察學生上課時的狀態，就能知道學生目前的專注度如何，然而考量到現實層面，教師難以在教課的同時顧及每位學生的狀態，也無法長時間地觀察某一位學生的一舉一動。而這樣的工作，就非常適合交給機器學習來完成。

以科學手段檢測學生專注力

為了協助教師們能夠設計更有效的教學方式，學者們陸續開發許多以科學手段檢測學生專注度的方式，例如頭部姿勢、眼動追蹤、臉部表情、肢體動作等，透過精細的視覺捕捉，學生從眉眼間的拉扯到嘴唇的變化，都能一一被機器識別。

舉例來說，當學生的視線長時間集中於課堂以外的事物時，會被判定為不專注的表現；當學生的頭部有不正常的轉動時，則可能表示對學習內容不感興趣。根據這些檢測方式，教育及心理學領域的專家們能夠更加有效地了解學生的內在態度及外在行為之間的關聯性，並讓教師們在設計課程內容時，有更多得以參考的依據。

異地教學的智慧輔助學習工具

學生專注度這項因素，對遠距教學情境中的教師而言，會是更重大的問題，因為遠端教師無法及時掌握學生的參與及專注度。若將專注度檢測工具直接使用於異地教學，對於遠端教師而言，將會是一項有力工具，更可能成為現代數位教育領域中的關鍵角色。

要打造教學輔助工具，首先需要對專注度檢測模型進行訓練。在蒐集訓練資料時，會需要大量的學生上課片段，並對學生的動作進行專注或是不專注的標籤註釋。在大量的深度學習後，它將能辨別學生的專注狀況，於後續實際上課的情境中，運用影像處理和人工智慧技術，再透過邊緣運算提供全面性的學習分析，並即時追蹤學生上課時的注意力，讓遠端教師能夠進行即時的課間輔助管理，以增強整體教學效果。

圖1  專注程度範例行為量表

資料來源：Attentive or Not? Toward a Machine Learning Approach to Assessing Students’ Visible Engagement in Classroom Instruction

FIND觀點

在對深度學習模型進行訓練時，研發人員將根據過往研究的分類標準中的專注任務（on-task）和脫離任務（off-task）來對學生的上課動作來進行標籤註釋，如圖一所示。當學生表現出的行為符合專注任務中的任一選項時，將該學生的行為註釋為專注；反之，若是學生的行為符合脫離任務的任一選項，則會被註釋為不專注。透過這樣的訓練後，機器將能在實際課堂中識別學生當下專注與否，並成為遠端教師的即時教育助手。

封面圖片來源：本文作者自行拍攝

參考資料來源：

1. Attentive or Not? Toward a Machine Learning Approach to Assessing Students’ Visible Engagement in Classroom Instruction

https://link.springer.com/article/10.1007/s10648-019-09514-z 

1. Sleepers’ Lag: Study on Motion and Attention

https://learning-analytics.info/index.php/JLA/article/view/4266/5597

提升日本基礎模型開發力，METI推GENIAC計畫網羅頂尖人才

FIND研究員：簡立婷

日本經濟產業省（METI）為提升日本國內基礎模型開發力，促進企業創意並強化各產業根基，發起名為「生成式人工慧加速器挑戰」( Generative AI Accelerator Challenge，以下簡稱GENIAC）的大型計畫，藉由發展此計畫，盼能帶動日本整體產業振興，解決日本現階段所面臨的諸多問題。

掌握日本產業革新關鍵，增強基礎模型開發實力

所謂基礎模型指的是大型機器學習模型，此類模型經過大規模訓練，可以適應各式各樣的任務。基礎模型的應用包含ChatGPT以及生成式AI等。日本經濟產省表示，現今日本面臨天然災害、交通事故、糧食短缺、工時過長、勞動力短缺、城鄉差距擴大等諸多課題，透過AI成熟化發展，對於上述議題的解決方案備受期待。

集結國內外知識菁英，2大支援強化生成式AI開發

GENIAC計畫由日本經濟產業省的下屬機關NEDO（新能源和工業技術開發機構）進行徵案，而這些提案將在後5G電信系統時代加強日本的技術基礎設施。GENIAC計畫主要提供2大支援：

1. 提供計算資源支援

開發基礎模型的過程，確保計算資源是重要課題，NEDO透過實施「後5G情報通信系統基盤強化研究開發事業」，提供GPU等調度支援，同步加強使用者與資訊擁有者的連結，並強化國內外開發者與政府對接窗口交流。政府也提供與計畫進行相關的補助金，提供參與者強而有力的後援。

2. 連結關係者並對外廣宣

開發者團隊除了創意共享，促進生成式AI的活用外，透過舉辦講座、研討會等招募海內外參與者，同時也設立特設網站告知大眾進度，達到對內連結、對外廣宣的效果。

第一期參與企業

GENIAC第一期計畫參與者共有以下企業:

Sakana AI 株式会社：
Sakana AI在日本東京建立一個世界級的人工智慧研究實驗室，旨在創建一種基於自然啟發的新型基礎模型，目標為開發出可以彈性應對環境的「自適應型AI」。

國立情報學研究所：
國立情報學研究所是為了構築以日文為強項的GPT-3等級大規模言語基礎模型而成立，並自2023年5月開始成立「大型語言模型讀書會」，達到共享基礎模型、資訊、工具、技術資料以及議論過程所有細節的目的。

Stockmark株式会社：
2016年創立的Stockmark株式会社，主要業務為提供活用自然語言處理技術之商業服務，2023年10月，Stockmark株式会社公開了含有130億參數的日語大型語言模型。

Turing株式会社：
Turing株式会社是開發無方向盤完全自動駕駛的電動車先驅企業，業務重點為組合大型語言模型與視覺情報，進行「多模態模型AI」的開發。

東京大學 松尾・岩澤研究室：
東京大學 松尾・岩澤研究室讓「基礎研究」、「講課」、「社會實踐」、「培育」四要素循環，盼打造出能夠立足世界技術生態系。

株式会社Preferred Elements：
以開發大型語言模型、多模態基礎模型為主力的株式会社Preferred Elements，隸屬於Preferred Networks集團，該集團除了擁有超級電腦和開發計算基礎設施終端外，還以提供從基礎設施到應用程式的「垂直整合型」商業架構為長期目標。

株式会社ABEJA：
株式会社ABEJA主要支援企業包括DX推進化、導入至運用等綜合性服務，該社提供DX推進所必要的資訊生成、收集、加工、分析到AI建模的整個過程。讓企業透過「ABEJA Platform」為核心，使DX推進與運作更加效率化。

在這7家公司裡，其中的Sakana AI 株式会社創辦人Llion Jones，曾參與Google在2017年發表的《Attention Is All You Need》論文撰寫，此論文被視為後續AI人工智慧發展的根基。隨著Llion Jones的加入，GENIAC計畫能夠產生怎樣的影響，相當令人拭目以待。藉由GENIAC第一期計畫的開展，今後各種關聯活動也陸續啟動，不僅能夠整體提升日本國內AI技術，更有機會立足世界，帶動數位化領域的革新。

封面圖片來源：Pexels

參考資料來源：

1.生成AIの開発力強化に向けたプロジェクト「GENIAC」を開始します （METI/経済産業省）

2.GENIACコミュニティKick Offイベントを開催！ | GENIAC通信 | GENIAC （METI/経済産業省）

3.GENIAC （METI/経済産業省）

4.We received a supercomputing grant from the Japanese government (sakana.ai)

淨零廣告：數位廣告產業的減碳發展策略

FIND研究員：廖柏仰 隨著全球對氣候變化問題日益重視，數位廣告產業需要採取符合政策和趨勢的有效動作，以減少其營運活動對環境的影響。本文將探討廣告選擇過程中的碳排放減少策略，評估產業供應鏈的複雜性及其對碳足跡的影響，並展望未來可能的減排路徑。 >

趨勢議題觀測(一)：RAG和RPA共創企業降本增效的新競爭力

FIND研究員：李金武 在當前市場快速變化的商業環境下，對中小企業而言，數位轉型已經成為維持競爭力的必要條件之一。近幾年，人工智慧（AI）的爆炸性成長，為企業數位轉型開啟新的近程之門，特別是生成式AI，已被各行各業廣泛採用，從行銷到客服等都看的到相關的應用。>