Download to read offline
![20
時，也可以偵測出眼動行為。
根據文獻精神疾病診斷與統計手冊第四版（DSM-IV）的診斷準則與偵
測疲勞文獻（Ueno, Kaneda, & Tsukino, 1994；Qiang, Zhiwei, Lan, 2004），將
可以知道具有過動症及注意力不足和疲勞狀態將會具有以下症狀:1、 無法
安靜坐好、扭來扭去。2、 需要坐著時會離開座位。3、 不停的動。4、 心
不在焉，有聽沒到，容易分心。5、 無法持續注意力。6、 發呆。7、 眨
眼、點頭行為頻繁發生。
在學習過程中，注意是很重要的一個因素，注意力越集中，記憶的成
效也越強。王克先（1996）提到，所謂的注意，是對刺激作預期的選擇
（anticipatory selection stimulus），使重要的刺激過感官輸入，並加以知覺，
同時將無關的刺激抑制，這種刺激的選擇即稱為注意。
王鴻勳將上課的行為分類為專心、不專心、疲勞、離開、交頭接耳，
定義如表 2-1。
表 2- 1 上課行為分類表
上課行為分類表
行為分類 定義
專心 在自然眨眼行為中，偵測眼睛裡的瞳孔移動軌跡在規範的移動距
離，不具有左顧右盼/發呆行為，為專心上課。
不專心 眼睛裡的瞳孔移動軌跡不在規範的移動距離，具有左顧右盼行為
發生和在超過的規定的時間，無任何眼動行為，產生發呆行為。
疲勞 眼睛眨眼動作頻繁發生，為疲勞行為產生。
離開 在膚色候選區域裡的長寬比不具有在[0.9~2.1]比例規範內。
交頭接耳 在膚色候選區域裡與平均臉範本 (Template)比對，不具有相似人
臉相關係數值。
資料來源：王鴻勳(2010)。結合影像偵測與模糊推論來分類學生上課學習行為(未出版之
碩士論文)(頁16)。臺北市立教育大學，臺北市。](https://image.slidesharecdn.com/11ecce66071-150623020651-lva1-app6891/85/slide-30-320.jpg)
Uploaded byxilin peng
人臉偵測應用於學習專注力 與群組參與度之分析
本研究探討利用人臉偵測技術，分析學生在數位學習過程中的專注力和群組參與度。透過實作數位學習系統，研究發現學生的專注力與學習效果之間存在顯著關係，但群組討論參與度與學習成效之間則無顯著差異。參與度分析仍可作為教師評分的參考依據，突顯了專注力在學習中的重要性。
人臉偵測應用於學習專注力 與群組參與度之分析
- 1. 國立臺中教育大學數位內容科技學系碩士在職專班 碩士論文 指導教授：陳鴻仁 博士 人臉偵測應用於學習專注力 與群組參與度之分析 Analysis ofLearners’Attention and Group Participation by Facial Expression Recognition Approach 研究生: 龔喬琳 撰 中 華 民 國 一 百 零 一 年 六 月
- 3.
- 4. I Abstract In recent pluralisticsociety, teachers are teaching in a variety of ways, and e-learning and group discussion are widely used. But in these ways, it is hard for teachers to control students’ learning progress. Attention is closely related to learning efficiency, if there is no attention, there is no learning. Participation is the most important factor in group discussion, if there is little participation, there will be little learning effect. There are many ways to measure students’ attention levels, but the best one is face detection as it is more objective and has less effect on students. In this thesis, we will use face detection system combined with e-learning system to to analyze the participation of students in the focus on e-learning and group discussion. This study developed an e-learning system, and practically applied it on teaching. When the class of students learning on this system, System will through Webcam capture their facial features and head movements, and converted into data. The statistical analysis showed that while students are using e-learning system, their attention level and learning achievement are significantly related, and while learning more difficult courses, the students will pay more attention on it. But there is no significant relationship between participation and learning achievement in group discussion. Keywords ：face detection, attention, group discussion
- 5. II 目次 第一章 緒論................................................... 1 第一節研究背景與動機..................................... 1 第二節 研究目的........................................... 3 第三節 研究範圍與限制..................................... 4 第四節 名詞釋義........................................... 4 第二章 文獻探討............................................... 5 第一節 人臉偵測與辨識..................................... 5 第二節 臉部特徵偵測及辦識................................ 12 第三節 專注力偵測........................................ 17 第四節 數位學習.......................................... 23 第三章 研究方法.............................................. 31 第一節 研究流程.......................................... 31 第二節 系統功能規劃及實作................................ 33 第三節 偵測流程.......................................... 46 第四節 實驗設計.......................................... 48 第四章 研究結果與資料分析................................... 60 第一節 學習專注力與學習成效之分析 ...................... 60 第二節 學習專注力與教材難易度之分析 .................... 64 第三節 學習參與度與學習成效之分析 ...................... 66 第五章 結論與建議........................................... 69 第一節 研究結論......................................... 69 第二節 未來研究與建議................................... 70 參考文獻..................................................... 73
- 6.
- 7. IV 表次 表 2- 1上課行為分類表 ...........................................................................................20 表 2- 2 相關研究文獻表 ...........................................................................................21 表 2- 3 相關研究文獻表(續上表) .............................................................................22 表 2- 4 狹義及廣義數位學習的定義 ........................................................................24 表 2- 5 數位學習模式定義表....................................................................................26 表 3- 1 影像擷取數量之統計表................................................................................52 表 3- 2 學生數位學習之專注力百分比 ....................................................................56 表 3- 3 不同難度教材之學生專注力表現 ................................................................57 表 3- 4 群組討論之參與度百分比............................................................................58 表 4- 1 專心與不專心兩組之獨立樣本統計量.........................................................60 表 4- 2 學習成效與專心度之獨立樣本 t 檢定..........................................................61 表 4- 3 在不同行為下的專注程度之獨立樣本統計量 .............................................62 表 4- 4 連續兩張閉眼之專心度與學習成效之獨立樣本 t 檢定 ..............................62 表 4- 5 眼睛移動範圍過大之專心度與學習成效之獨立樣本 t 檢定.......................63 表 4- 6 眼睛未直視螢幕之專心度與學習成效之獨立樣本 t 檢定...........................63 表 4- 7 擷取影像內未有人臉之專心度與學習成效之獨立樣本 t 檢定...................64 表 4- 8 較難教材與較易教材之專心度之統計量.....................................................65 表 4- 9 教材難易度與專注力之成對樣本 t 檢定......................................................66 表 4- 10 在分組討論下，高參與度與低參與度兩組之獨立樣本統計量 ................67 表 4- 11 在分組討論下，學習成效與參與度之獨立樣本 t 檢定.............................67
- 8. V 圖次 圖 3- 1研究流程圖.................................................. 32 圖 3- 2 系統架構圖.................................................. 34 圖 3- 3 系統功能規劃................................................ 35 圖 3- 4 數位學習或分組討論之情境模擬圖 ............................. 36 圖 3- 5 系統流程圖.................................................. 40 圖 3- 6 登入畫面.................................................... 41 圖 3- 7 課程資訊瀏覽畫面............................................ 42 圖 3- 8 數位課程內容畫面 ........................................... 42 圖 3- 9 個人資料維護畫面............................................ 43 圖 3- 10 教師管理功能-會員資料維護 ................................. 43 圖 3- 11 課程資訊維護畫面(一)....................................... 44 圖 3- 12 課程資訊維護畫面(二)....................................... 44 圖 3- 13 學生專注力分析功能畫面..................................... 45 圖 3- 14 學生專注力分析圖表......................................... 45 圖 3- 15 偵測流程圖................................................. 46 圖 3- 16 群組討論情境圖............................................. 50 圖 3- 17 數位學習情境圖............................................. 50 圖 3- 18 低頭討論之示意圖........................................... 51 圖 3- 19 低頭寫題目之示意圖......................................... 51 圖 3- 20 第二次實施分組討論之情境圖 ................................ 52 圖 3- 21 連續眨眼示意圖............................................. 53 圖 3- 22 眼睛移動範圍過大之示意圖 .................................. 53 圖 3- 23 眼珠未直視螢幕之示意圖..................................... 53
- 9. VI 圖 3- 24人臉未出現在影像之示意圖 .................................. 53 圖 3- 25 人臉辨識示意圖(一)......................................... 54 圖 3- 26 人臉辨識示意圖(二)......................................... 54 圖 3- 27 人臉辨識示意圖(三)......................................... 54 圖 3- 28 人臉辨識示意圖(四)......................................... 54 圖 3- 29 無法辦識之人臉示意圖(一) .................................. 54 圖 3- 30 無法辦識之人臉示意圖(二) .................................. 54 圖 3- 31 眼睛移動範圍過大示意圖(一) ................................ 55 圖 3- 32 眼睛移動範圍過大示意圖(二) ................................ 55
- 10.
- 11. 1 第一章 緒論 本章共分四節，第一節闡述研究背景與動機，說明人臉辨識及數位學習目 前的發展情形與本研究的動機；第二節為研究目的；第三節說明研究範圍與限 制；第四節為相關名詞釋義。 第一節 研究背景與動機 近年來，台灣社會許多行業對於安全性要求越來越高，如刑事偵查、金融 安全與資訊安全等行業，再加上現今資訊科技的發達，使得生物辨識技術也日 趨成熟。生物辨識所探討的領域有人臉辨識、聲紋辨識、虹膜比對、指紋辨識 等，又因人臉辨識技術具有非接觸性、安全性及被動性等特性，較為大眾所接 受，所以被社會拿來做廣泛的應用。 過去，已有不少關於人臉辨識的論文發表，但受限於運算的速度，很少可 以實際應用的，但近幾年，隨著電腦運算速度的加快，國內外對於臉部辨識演 算法的改良及電腦人機互動的研究也越來越多。在2001 年時，Paul 與 Michael 提出了基於 AdaBoost 演算法的快速物件偵測技術，讓人臉偵測的速度大大的提 升。Li、Chen、Gao 與 Yin（2003）則針對 AdaBoost 方法擴充，提出 FloatBoost 演算法，更大大的提升了辦識率及加快了人臉偵測速度。詹忻澂（2010）則以 P.Viola 所提出的人臉偵測技術為基礎，利用 Haar-like 特徵，將人臉五官原本存 在的相對位置，用特徵描述出來，並加入特徵之間存在相對位置的條件，來簡 化偵測階段，以提高偵測的速度。 電腦人機互動的研究，例如安全方面，門禁或保全系統利用人臉辨識的技 術，將擷取之人臉影像和資料庫內的資料做比對，以辨別出身份，做為保全系
- 12. 2 統的第一道防線，可減少人力，並增加其安全性。用於身份辨識上，也可降低 詐騙集團犯罪率。電腦動畫方面，結合在 2D 或3D 的模型裡，可以把人臉的 表情以動畫的形式表現（陳棕焱，2007）。人機互動方面，結合電腦遊戲，可提 高樂趣。也可利用眼睛凝視追蹤，控制家電或器材，造福行動不便或癱瘓的病 人。行為量測方面，Beardsley（1998）利用人臉追蹤，觀測駕駛者的行為，記 錄駕駛者人臉的方向，如看後視鏡的時間，用來判斷駕駛者的專心程度，避免 行車意外的發生。張家銓（2009）則是利用眼睛的眨眼動作，去評估駕駛者是 否有疲勞現象。王金發（2007）將人臉偵測的方法實際應用在數位相機之自動 對焦上，適時的從影像區找出人臉，再依人臉座標定位出對焦位置，能有效的 自動完成臉部主體對焦的功能。 「注意力」是認知心理學中非常受重視的主題，注意力與學習的關係是非 常密切的，沒有注意就沒有辨識、學習與記憶（鄭昭明，2006）。然而，近年來 教學方法日新月異，很多的學習已不是老師在課堂上實際授課，而是透過各種 教學媒體，由學生主動去學習。或是有些老師會運用合作學習的模式，進行教 學，以期讓所有的學生在這樣的學習模式下，發揮最大的學習表現（Lin, Huang, & Cheng, 2010）。例如讓學生可以課堂上的分組討論，讓學生從互相討論中，建 構出知識。但是，這樣的學習模式，讓老師無法掌握學生的學習狀況及參與程 度。因此專注力的量測就變得格外重要。從過去的文獻中，專注力的量測可分 為生理內部、外在行為及利用輔助工具等方式。生理內部的實驗，是依照人的 體溫、心跳、腦波等生理狀態的記錄來評估受測者的專注情形（O'Connor, Fukui, Pinsk, ＆ Kastner, 2002）。外在行為的表徵，則是測量受測者在專注時，對聽覺 的反射、臉部表情、眼睛運動的狀態，以判斷受測者的專注程度（Drews, Pasupathi, ＆ Strayer, 2008）。很多實驗都是以臉部或眼睛的行為反應為判斷專注力的依
- 13. 3 據（黃俊源，2010）。如蘇信宏（2007）和楊明儒（2007）都是利用偵測眼睛閉 合來判別專心程度。另外，在外在輔助工具中，葉士毅（1997）與廖聖傑（2002） 根據學習歷程檔案偵測專心程度方法。主要是針對遠距教學方式學習時，透過 分析學生線上即時的交談內容、瀏覽課程的過程和時間記錄來偵測其專心程 度。柯天盛（2007）則是利用反應時間來衡量學習者的注意力。然而大部份的 研究，都著重於人臉辨識演算法的改進，或是利用人臉偵測來判別專心程度， 卻鮮少有人拿來實際應用在課堂上之學習專注力或參與度的研究。因此，本研 究想結合人臉偵測的機制與數位學習系統，針對學生在課堂上進行數位學習及 分組討論的學習情況進行研究。因此本研究的動機如下： 一、想透過人臉偵測機制，瞭解學生在校進行數位學習時的專注情形。 二、想透過人臉偵測機制，暸解學生分組討論時的參與情形。 第二節 研究目的 本研究利用人臉偵測的方式，開發出一套專注力與參與度偵測之數位學習 系統，實際應用在課堂上之分組討論及數位學習之專注力判斷。具體研究目的 如下： 一、 透過專注力偵測之數位學習系統，探討學生學習專注力與學習成效的 相關性。 二、透過專注力偵測之數位學習系統，探討教材難易度對於學生學習專注 力的影響及相關性。 三、 透過專注力偵測之數位學習系統，了解學生分組討論時的參與情況， 提供教師做為分組討論評分的依據。
- 14. 4 第三節 研究範圍與限制 本研究因受限於人力、時間、物力等因素，而有其研究範圍及限制。茲分 述如下： 一、研究範圍 本研究針對南投某國小四年級某一班為實驗對象。 二、研究限制 因受限於人力、物力及時間等因素，本研究僅針對某學校四年級某一班為 實驗對象，因此在效度上有其一定的限制，解釋上不宜過度推論。 第四節 名詞釋義 一、人臉偵測(face detection) 人臉偵測是指在任何人臉偵測系統中，輸入影像，利用影像處理技術，確定 所有存在的人臉的位置、大小、姿態的過程（王映輝，2010）。而Yang、Ahuja與 Kriegman（1999）定義人臉偵測是指任意給定一幅圖像或者是一組圖像序列，判 定該圖像或圖像序列中，是否存在人臉，若存在，則確定其位置、大小、個數等 訊息和其空間分布等。本文所指的人臉偵測，泛指偵測人臉、眼部及嘴部位置。 二、專注力（attention） 專注力一般稱之注意力。關於注意力的定義，各家學者都有不同的解釋。 目前多數學者普遍的認為，注意力是指個體對情境中的眾多刺激，只選取一種 或一種以上的外在刺激或內在心理事件，並加以反應的心理能力或歷程（宋淑 慧，1994）。本研究所指的專注力，則是針對學習上的專注力而言。
- 15.
- 16.
- 17. 7 算法比版模匹配法具有較高的人臉偵測率，但是這種方法在人臉即時 偵測系統上實現較困難，此外這種演算法也需要耗費比較大量的計算 時間以及記憶體空間。 由於科技技術的提升，以及理論發展趨於成熟，利用電腦作影像 處理的研究越來越多，如 Paul 和Michael（200l）利用動態輪廓的技術 將人的五官與貓臉作結合，使得貓的表情栩栩如生。Sung 與 Poggio （1995）是根據輸入影像和「人臉」及「非人臉」兩個群集之間的距 離來判斷是否為人臉。Leung、Burl 與 Perona (1995)結合了一組區域特 徵偵測器，藉由統計的方式找出人臉，優點是不會因為位移、旋轉及 縮放因素而影響辨識。Rowley、Baluja 與 Kanade (1998)利用一個搜尋 視窗在多重解析的影像中移動，之後將其輸入到類神經網路確認。國 內亦有許多影像追蹤的相關研究。吳良杰(1999)由攝影機擷取到連續影 像，經由樣板比對的方式找出移動物體的位置，並求出影像基底的誤 差量，做為控制伺服馬達的依據，完成一個封閉迴路的影像追蹤系統。 1999 年，李建緯研製平面物體的追蹤系統。同年，譚永恆(1999)利用橢 圓形頭部追蹤法，判別出眼睛和嘴巴構成的平面方向。鍾維哲(2000) 利 用從 CCD 所擷取的影像資訊來計算影像光流(Optical flow)，從而獲取 移動物體的即時位置和速度，完成影像追蹤目的。 二、人臉偵測與辨識之技術： 目前很多人臉自動辨識系統都是假定影像中的人臉已經被偵測和定 位，而為了設計出自動人臉識別系統，如前述的快速而高效率的人臉偵測 是極需要解決的一個關鍵問題。人臉偵測與辨識就是其中不可缺少的一個 重要環節，因而成為近年來學界研究的重點，所以人臉偵測技術也陸續出 現了許多新的演算方法。
- 18. 8 而目前在人臉自動辨識系統中最常使用的人臉偵測與辨識之技術為顏 色分割技術方式（Color Segmentation），最直接的分類方式就是將影像的 長條圖（Color histogram）裡作多重閥值（ColorThreshold），再根據顏色分 佈的不同，進行選擇性的過濾，將所需要的顏色區域從影像中分離出來。 要從影像中找出人臉的區域，就需要想辦法定義出膚色的顏色，一般來說 膚色與週遭環境的色彩會有顯著的差異，在 RGB 空間裡定義的影像顏色會 因背景的光線強弱的不同而有深淺的變化，因此在 RGB 空間上做顏色的分 割常有很大的誤差產生。因此許多研究就選擇了對光線強弱較不敏感的色 彩空間對顏色作分割，有正規化 RGB、HSL、YCrCb、YIQ、YMC 等色 彩空間技術，其色彩空間演算方法說明如下：（蔡沛勳，2006） （一）正規化 RGB（Normalized RGB） RGB 三原色在色彩空間所表示的影像很容易因為光源的亮度強弱 不同，而使得在原物體上相同位置可能產生不同的顏色分佈，主要是因 為在 RGB 三原色的色彩空間中，紅色（R）及綠色（G）的訊號最容易 受到光線影響，因此我們需對，紅色（R）及綠色（G）的訊號進行正規 化，以降低紅色（R）及綠色（G）對光線的靈敏度，其公式如下： BGR R r ……………………………………………（公式 2-1） BGR G g ……………………………………………（公式 2-2） 公式（2-1）是針對紅色（R）訊號進行正規化，以減少紅色（R）訊 號對光線亮度的依賴。而公式（2-2）是針對綠色（G）訊號進行正規化， 以減少綠色（G）訊號對亮度的依賴。 在公式（2-1）及公式（2-2）中，在取得 r 跟 g 後，只要將它們分 別取代原元素中的 R 跟 G，就能降低紅色（R）及綠色（G）顏色對於光
- 19. 9 線的敏感度，在針對膚色給定適合的門檻值區間，就能夠將膚色由影像 中分離出來。 （二）YCrCb 與 RGB空間的轉換 YCrCb 色彩空間廣泛用於數位視訊中。在此格式中，照度資訊以單 一成分表示，而色彩資訊則儲存為兩種色差成分， 即 Cb（Blueness）與 Cr（Redness）。Cb 的成分是藍色成分與一參考值的差距，Cr 則是紅色成 分與一參考值的差距 Y。YCrCb 與 RGB 之間的關係如下： 128 128 16 071.0368.0439.0 439.0291.0148.0 098.0504.0257.0 Cr Cb B G RY ………（公式 2-3） （三）YIQ 與 RGB 空間的轉換 YIQ彩色模型中，Y代表亮度（Luminance），I代表色調（Inphase） 與Q飽和度（Quad-rature）。亮度成分表示了灰階資訊，而其他兩個成分則 帶有電視信號的彩色資訊。由影像的RGB成分取得YIQ成分之YIQ與RGB 空間的轉換公式如下：（譚永桓，1999） B G RY 312.0523.0211.0 322.0274.0596.0 114.0587.0299.0 Q I …………………（公式2-4） （四）HSI 與 RGB 空間的轉換 在HSI彩色空間中，H代表色相（Hue），S代表飽和度（Saturation）， I代表亮度（Intensity），其中色相可表示紅（R）、綠（G）、藍（B）之 區分，而飽和度可表示顏色鮮豔與否，亮度則是表示光明亮的程度（陳偉 銘，2001）。HIS的優點是分離了影像中色彩和亮度的部份，對於顏色分割 有很好的效果，但其缺點是電腦運算複雜度較高，所以比較不適用於即時 系統的需求。由於電腦大部分都是以RGB三原色來表示， RGB與HSI在轉
- 20. 10 換色彩空間時需要透過下列公式進行轉換： 2 1 2 1 2 1 cos BGBRGR BRGR H …………………（公式2-5） BGR BGR S ,,min 3 1 …………………………（公式 2-6） 3 BGR I …………………………………………………（公式 2-7） （五）YMC YMC 是由 RGB 所延伸的空間色彩，例如紅（R）+綠（G）成了熟 知的黃色 Yellow、綠（G）+藍（B）則是生青色 Cyan，藍（B）+紅（R） 為洋紅色 Magenta；三者相混而成白色 White。然而在物體的顏色或染料 的情況並非如此。由於實物的色彩是經由光照反射入眼而被人腦認知 的，其實情為：光照該物後，某些頻率的光被吸收；其餘光反射入眼。 因之在白光下呈現黃色的物體，雖為紅光與綠光混合之結果，亦可視為 白光被吸收了藍光之結果。 推導至(非發光)顏料之混合。由於顏料本身不會發光，而是吸收某色 光；因之其混合並非光的混合，而是吸收能力之混合。若以 W 代表白光， 則Y=W-B；此處的加減為集合之運算。以下列舉混合之例：
- 21.
- 22. 12 第二節 臉部特徵偵測及辦識 在臉部特徵偵測及辨識這區塊，主要偵測及辨識的臉部特徵部位為眼睛及 嘴巴，而人眼偵測是從人臉臉部區塊中，人眼可能的位置之最大範圍，計算此 範圍中影像 RGB轉 HSV 後之 V 值，將可能的人眼區塊找出。人眼辨識則是自 人眼辨識區塊中，計算中心矩（Center Moment）、角度及人眼與眉毛之重心構 成的矩形等方式，完成人眼辨識。而在嘴巴特徵的偵測中，所使用的幾乎都是 以嘴巴特徵，如顏色、形狀或利用上下嘴唇之間的暗線來達到偵測的目的。取 得眼睛特徵及嘴巴特徵有相當多的演算法，以下將介紹幾種常被使用取得該特 徵的偵測方式： 一、 眼睛特徵偵測 人的眼睛是靈魂之窗，只要看一個人的眼睛，就可以知道這個人所要 表達的情感，甚至可以知道他是否說謊，或是正呈現疲勞狀態。過去有人 研究利用眼動來做測謊的系統（黃孟隆，1994），它是利用眼睛的瞳孔，當 人在有說謊的情況，就會有瞳孔變大與眨眼頻繁等情形，此外，眼動也可 為我們偵測是否有疲勞狀態（Ueno, Kaneda, & Tsukino,1994），因為當有 疲勞狀態產生，就會有眨眼頻繁，或是產生睡意，閉眼搖晃頭部等狀態， 當一個人正對一種東西產生喜好，也會有專心注視等行為狀態產生。取得 眼睛特徵有相當多的演算法，以下將介紹幾種常被使用的偵測方式： （一）眨眼偵測 所謂眨眼偵測就是在前後兩張影像的時間點內，當使用者頭部並沒有 轉動並屬於靜止狀態時，將這兩張影像做灰階化處理後再進行相減，從較 大變化的地方將可以決定為可能的眼睛位置。（Grauman, Betke, Gips, & Bradski, 2001）
- 23. 13 （二）瞳孔特徵 不論那一個人種，在臉部特徵中，眼睛瞳孔、鼻孔及嘴角為最偏黑色 的地方，在可能眼睛位置的區域中，將影像進行灰階化之後，再調整出適 當的門檻值之後，就可以找出最暗的點來表示瞳孔，此時便可以定義出可 能的眼睛位置，在其它相關研究中也使用到相同的方法來取得眼睛位置。 （Lee, S. K.Park, & Mignon Park, 2005） （三）人臉水平及垂直投影 在取得人臉的區域後，若將影像進行二值化或灰階化，並計算水平方 向及垂直方向的像素亮度的加總，將可以在垂直面上發現眼睛鄰近的分佈 會比其它垂直軸上面分佈更廣，主要是因為眼球不論在二值化或灰階化後 都能夠得到偏黑色的結果。相同原理，若以水平面上的像素亮度進行加總， 也大致可以發現眼睛鄰近的分佈比其它水平軸的分佈更多。於是，利用這 樣的特性，將可以由水平谷峰及垂直谷峰的交集區域得到可能的眼睛區 域。（Dong & Wu, 2005） 以上說明了幾種常被使用取得該特徵的偵測方式，而另外偵測眼睛是否在 動作狀態的方法則可區分為侵略式和非侵略式兩種方法，在非侵略式方法中， 又可以分為使用光線投射之主動式方式和利用純影像處理技術，以下詳述說明 這些方法所使用的技術。 （一）侵略式方法 搜尋線圈法（Search Coil, SC）（Kenyon,1995），此偵測眼動的方向， 是屬於侵略式身體的眼動偵測方法，此方法將感應線圈包在矽膠製成的 軟式鏡片中，然後再讓受測者佩帶，當眼睛有移動的時後，就會產生磁 場的變化，以此可以得知受測者的眼球偏轉的角度，並且可以記錄分析 眼球的運動，但是此方法，不適合長久使用，因為軟式鏡片具有雙層架 構，會影響使用者的視力，而且也很容易受到眼球分泌物所影響。
- 24. 14 另一種侵略式眼動方法是眼電圖法（Electro-Oculography, EOG）（Hsu, Mottaleb, &Jain, 2002），此方法是使用電極原理偵測眼球移動，若同時使 用四個電極，並將它們貼在眼球附近，上、下、左、右四個方向的皮膚 上，當眼球有移動時，就會產生不同的訊號，就可以根據這些訊號的資 訊，來觀察眼球移動的方向，例如，當眼球向右偏轉時，電極間會有一 個正的電壓差，向左偏轉時電極間便會產生一個負的電壓差，以此電壓 差的大小即可判斷眼球上下、左右轉動的角度。但是此方法的缺點是， 當皮膚產生不斷的角質的分泌物，就會造成眼動訊號的不穩定。 （二）非侵略式的主動式方法 非侵略式的主動式方法，是有別於侵略式方法，是為了不接觸到身 體任何部分，較不會造成長期配帶不舒適的情況，在非主動式的方法中， 主要是透過光線投影在眼睛上產生閃爍點，來做偵測的，所以，在主動 式光線投射法的研究中，Zhiwei 和 Qiang（2004）、Dong 與 Myung（2005） 運用紅外線方法在眼睛區域造成閃爍光，偵測出眼睛的位置，運用紅外 線方式偵測出瞳孔位置，來偵測出眼動的方向。但長期投射紅外線光線 到眼睛上，會造成眼睛的傷害。因此不適用於偵測學生學習時的眼動情 形。 （三）非侵略式的被動式方法 被動式影像處理法的研究，辨識眼睛可分三種偵測方法 1. Template based methods（Xie, Sudhakar, & Zhuang,1994）。2. Appearance based methods（Huang,& Wechsler, 1999)。3. Feature based methods（Jalal, Sara, & Hamid, 2007），若只各別使用這三種方法，是不夠強健的，容易受到背景 影像的影響，或是較費時， 所以，目前偵測瞳孔的研究，都是結合這三 種方法。Mayumi、Osamu 與 Kazuhiro（2004）分析偵測瞳孔使用 Template
- 25. 15 和 Feature 的優缺點，給了優缺分析的量表，於是他將這兩種方法混合使 用，達到準確度的需求。若是使用此方法，當瞳孔的移動到偏向眼角時， 就無法用卵形偵測，或是使用亮點與黑點的最大差異量來偵測出瞳孔位 置。Kun、Liming、Su與 Georgy（2005）也提出使用 Template 和 Feature 的方法來偵測瞳孔位置，但是由於他使用梯度運算，雖然可以減少 Template 比對範圍跟時間，但是此方法卻無法使用於複雜的環境。另外， 在 Mayumi（2004）等人的文獻中，探討對 Template 比對方法和卵形偵 測方法的比較，將比較結果詳細說明表示，用 Template 比對方法偵測眼 睛位置準確度，較弱於使用卵形偵測方法。王鴻勳（2010）則改良了 Kun （2005）等人提出的方法，是利用眼睛裡的瞳孔具有亮度最暗特性，研 究出 Valley-Mask Template，來找尋出眼睛粗略的區域，此法將不會受到 人臉大小不同，與人臉遠近的不同，造成偵測眼睛位置失效。另外，再 修改 Otsu 方法來偵測瞳孔的位置與閉眼情形，該眼動分析系統能做到即 時且準確的偵測。 偵測眨眼的方法則是在前後兩張影像的時間點內，當使用者頭部並 沒有轉動並屬於靜止狀態時，將這兩張影像做灰階化處理後再進行相 減，從較大變化的地方將可以決定為可能的眼睛位置（Grauman 等人， 2001; 譚永桓，1999）。 利用瞳孔特徵定出眼睛的位置。不論那一個人種，在臉部特徵中， 眼睛瞳孔、鼻孔及嘴角為最偏黑色的地方，Stiefelhagen（1996）提出在 可能眼睛位置的區域中，將影像進行灰階化之後，在調整出適當的門檻 值之後，可以找出最暗的點來表示瞳孔，此時便可以定義出可能的眼睛 位置，在其它相關研究中也使用到相同的方法來取得眼睛位置（Lee, Park, & Mignon,2005;Miyakawa, Takano, & Nakamura, 2004）。
- 26. 16 二、 嘴巴偵測 在嘴巴特徵的偵測及辨識中，所使用的幾乎都是以嘴巴的特徵，如顏 色、形狀或利用上下嘴唇之間的暗線來達到偵測的目的。以下列出幾個能 夠快速運算取得該特徵的方法： （一）唇色偵測（Lip ColorDetection） 在絕大部分的人臉中，通常膚色和唇色會有一定的區隔，即唇色會 比膚色更偏於紅色。有相當多的研究中，在嘴巴的偵測上所使用的是針 對唇色的不同，來取得該區域的影像。黃泰祥（2000）在修改了 Soriano、 Martinkauppi、Huovinen 與 Laaksonen（2000）提出的膚色空間後，得到 的演算法將可以取得有別於一般膚色的唇色像素。另外在 Rongben （2004）的研究中所使用的是類神經網路的方式，在收集一定量的下半 臉部影像後進行訓練，由於唇色和周圍的膚色不盡相同，所以可以成功 的區隔開唇色及膚色像素之間的關係。 （二）嘴角暗點偵測（Lip Corner Detection） 當人臉影像被灰階化或二值化之後，我們發現在嘴角上可以得到較 暗的像素值，利用這個特徵將可以定義出可能的嘴巴位置。在 Smith （2004）的研究中就是利用這個方式，先取得人臉的灰階影像後，再給 定某個門檻值，取得影像中最暗的像素位置作為可能的嘴角位置。 （三）人臉水平及垂直投影 人臉中上下嘴唇之間的縫隙通常會產生一條暗線，當影像進行灰階 化或二值化之後，該縫隙將會更顯的清楚，在這樣的特性之下，利用水 平及垂直投影來取得黑色像素的分佈，而谷峰的交界處可能就代表嘴唇 位置。
- 27. 17 第三節 專注力偵測 『注意力』在認知心理學中，是非常重要的課題。注意力與學習的關係是 非常密切的，沒有注意就沒有辨識、學習與記憶 (鄭昭明，2006)。假若學習者 「視而不見、充耳不聞」，漏掉了外界傳遞的訊息，學習的效果必定大打折扣(鄭 麗玉，2006)。由此可見，有效的學習首要的條件即為高度的注意力。不管是傳 統教學的上課方式，或數位學習的方式，注意力都是影響學習成效很重要的因 素之一。 傳統上課方式中，老師可以一邊上課一邊注意學生專注於課程的狀況，至 於數位學習的上課方式，老師較難掌控學生上課時專注的狀況。在傳統教室上 課方式中，學習尚且會有注意力不集中的情形，更何況是突破時空限制的數位 學習，除有賴於學習者的自制力，更有必要在數位學習管理系統、數位教材設 計等，多加著墨，以求吸引學習者的注意力（柯天盛，2007）。 注意力的評量方式有五種方法（柯天盛，2007）：1.問卷量表法；2.思維分 析法 (thought-sampling techniues)；3.實驗測量法；4.觀察法；5.心生理測量法 (psychophysical measurement)（張宏亮，1997）。簡述如下： 1、 問卷法： 針對不同的注意力層面，提出問題請受測者回答。如：張宏亮在 1998 年，提出了保齡球注意量表等。 2、 思維分析法： 這種方法是利用紀綠器材，選定某時間，把受測對象思維的過程紀錄 下來，用以評估受測者的注意力焦點是集中在那一種思考策略。 3、 實驗測量法： 透過實驗儀器測量注意力。例如：Stroop 叫色測驗：受試者必須說出
- 28. 18 文字筆劃的顏色，如”紅”這個字用白色筆寫出，便必須答「白」，不是「紅」。 用此種方式評估注意力集中的能力。再如 Harris（1984）的方格測驗也是 用以評估受測者注意力，受試者要從一百個方格中，依序找出數字，一分 鐘內找出越多越好。Landers、Boutcher 與Wang（1986）以「反應時間」 的方式作實驗，讓受試者以最快的速度對剌激作反應，實驗者則計算他們 的反應時間。 4、 觀察法： 透過觀察或以錄影的方式觀察，以檢測受試者的行為所伴隨的注意力 集中的情形。亦有主張觀察受測者眼睛可以了解受測者把注意力集中在何 種問題上（柯天盛，2007）。 5、 生理測量法： 使用腦波（EEG）、刺激反應電位變化及心跳率，用以檢測注意力。亦 有使用瞳孔追蹤系統，藉由觀察瞳孔的位置變化，衡量受測者的注意力焦 點（陳建旭，2002）。 而學生使用數位學習上課是否專心?在學生上課專心程度辨別方法，在過去 的文獻中，分為兩種方法，1.根據學習歷程檔案偵測專心程度方法（葉士毅， 1997; 廖聖傑，2002）。 2.利用影像處理偵測專心程度方法（蘇信宏，2007;楊 明儒，2007），以下分別說明。 1、根據學習歷程檔案偵測專心程度方法 根據學習歷程檔案偵測專心程度的方法，若想要知道學生是否在使用 遠距教學系統，判斷學生的專心上課情況，主要是透過分析學生線上即時 的交談內容和瀏覽課程的過程和時間記錄（葉士毅，1997; 廖聖傑，2002）， 但是這些方法並不客觀，若是學生根據這些方式，有可能學生未坐在位置 上專心上課，只有在上網打混摸魚，就完全沒有學習的成效，最後依然可
- 29. 19 以獲得該科成績，這科的成績是不能代表他的學習成果，所以，本文將利 用影像處理技術，來偵測學生上課的情形，這樣可以知道學生是否有出席 上課，並且可以判斷學生上課時的專心程度。 2、利用影像處理偵測專心程度方法 蔡沛勳（2006）首先結合影像處理及辨識技術，從使用者臉部表情及 操作行為模式中獲得特徵的變化。再利用貝氏網路模型根據所獲得的特徵 變化資訊推論修課學生在進行遠距上課時的專心程度。2007 年，蘇信宏運 用影像處理技術，偵測學生上課行為，在他們提出的方法中，將專心程度 分為三類，極不專心、不專心、與專心情況。極不專心的情況是以膚色方 法偵測人臉，若未偵測到人臉，就認定學生未出席上課。在不專心上課方 面，是以當眼睛閉眼為不專心狀態，當眼睛張開為專心狀態。在張開眼睛 與閉眼的偵測方法，他是使用手動式閥值，將眼睛的粗略區域，給予二值 化，然後再將眼睛區域平均劃分為九宮格大小，以九宮格中各區域 Pixel大 小，來判斷出是張眼情況，還是閉眼情況，但是，使用手動式閥值偵測眼 睛張閉眼情形，是較不能適應在光線上不同的需求，若閥值設得太高或太 低，都會影響眼動偵測結果，而且他沒考慮學習頭部轉動的情況。 另外，楊明儒（2007）也是以眼睛開閉眼狀態，判斷學生專心與不專 心情境，他的眼動偵測方法，是利用眼睛模板（Template）來找尋眼睛位置， 但是 Template 方法對於人臉大小或人臉的遠近，是不能克服的，因為我們 不知道，在人臉區域裡，該設多少大小的眼睛 Template，來找尋眼睛的位 置。王鴻勳（2010）則提出若只有偵測學生是否有閉眼，來判斷學生不專 心，這種方法當學生具有左顧右盼行為的時候，將無法偵測出學生不專心， 所以加入了偵測左顧右盼行為，並且提出新的眼睛偵測方法，只需低階的 Webcam 設備，使用影像處理技術，就能偵測出眼動行為，而且當頭部移動
- 30. 20 時，也可以偵測出眼動行為。 根據文獻精神疾病診斷與統計手冊第四版（DSM-IV）的診斷準則與偵 測疲勞文獻（Ueno, Kaneda, &Tsukino, 1994；Qiang, Zhiwei, Lan, 2004），將 可以知道具有過動症及注意力不足和疲勞狀態將會具有以下症狀:1、 無法 安靜坐好、扭來扭去。2、 需要坐著時會離開座位。3、 不停的動。4、 心 不在焉，有聽沒到，容易分心。5、 無法持續注意力。6、 發呆。7、 眨 眼、點頭行為頻繁發生。 在學習過程中，注意是很重要的一個因素，注意力越集中，記憶的成 效也越強。王克先（1996）提到，所謂的注意，是對刺激作預期的選擇 （anticipatory selection stimulus），使重要的刺激過感官輸入，並加以知覺， 同時將無關的刺激抑制，這種刺激的選擇即稱為注意。 王鴻勳將上課的行為分類為專心、不專心、疲勞、離開、交頭接耳， 定義如表 2-1。 表 2- 1 上課行為分類表 上課行為分類表 行為分類 定義 專心 在自然眨眼行為中，偵測眼睛裡的瞳孔移動軌跡在規範的移動距 離，不具有左顧右盼/發呆行為，為專心上課。 不專心 眼睛裡的瞳孔移動軌跡不在規範的移動距離，具有左顧右盼行為 發生和在超過的規定的時間，無任何眼動行為，產生發呆行為。 疲勞 眼睛眨眼動作頻繁發生，為疲勞行為產生。 離開 在膚色候選區域裡的長寬比不具有在[0.9~2.1]比例規範內。 交頭接耳 在膚色候選區域裡與平均臉範本 (Template)比對，不具有相似人 臉相關係數值。 資料來源：王鴻勳(2010)。結合影像偵測與模糊推論來分類學生上課學習行為(未出版之 碩士論文)(頁16)。臺北市立教育大學，臺北市。
- 31. 21 由以上的文獻得知，早期利用學習歷程檔案偵測專心程度，有其限制， 並無法真正偵測出學習者的專心程度，而隨著時代演進，科技進步，使用 人臉偵測的技術來分析專心程度似乎是目前的趨勢，也有其不干擾學習者 學習的優勢。有關人臉偵測與專注力之相關文獻，本研究整理如下表 2-2 及表 2-3所示： 表 2- 2 相關研究文獻表 相關研究文獻表 研究者 (年代) 研究主題 研究結果 蔡沛勳 （2006） 遠距教學之全時精 神狀態偵測系統之 研製 提供一個即時的偵測系統，結合影像處理 及辨識技術，從使用者臉部表情及操作行 為模式中獲得特徵的變化，利用貝氏網路 模型根據所獲得的特徵變化資訊推論修課 學生在進行遠距上課時的專心程度。 蘇信宏 （2007） 數位學習情意偵測 專心程度之影像處 理 研究者提出的專心程度分析模式，是以 WebCam 攝取學習者的平面影像，利用影 像處理技術，找出人臉中的雙眼，並由雙 眼開閉狀況，來辨別學習者的專心程度等 級。 楊明儒 （2008） 使用影像處理技術 監控學童在家自主 學習精神狀態 利用 IPCam 攝取即時影像，結合影像辨識 技術，偵測學童精神狀態，以及使用電腦 過程的專心程度。
- 32. 22 表 2- 3相關研究文獻表(續上表) 相關研究文獻表(續上表) 研究者 (年代) 研究主題 研究結果 王鴻勳 （2010） 結合影像偵測與模 糊推論來分類學生 上課學習行為 利用瞳孔的移動軌跡來測量眼動行為，也 利用人臉長寬比例的特徵，以及利用正面 人臉模板(Template) 與候選人臉區塊，得 知學生是否有出席上課與判斷交頭接耳行 為，並且將學生的行為給予模糊化，以公 平的方式來評定成績。 黃俊源 （2010） 學習專注力即時偵 測回饋系統 利用 WebCam 的人臉偵測及眼睛運動的偏 移量來即時取得學習者的狀態，並且即時 的估算學習者的學習狀態，提供教學者對 學習者的投入專注力有所了解，並且適當 的調整教學內容。 Song Yang (2011) A face and eye detection based feedback system for smart classroom 研究者利用 PTZ 攝影機及眼部和臉部的偵 測技術，提出了一種可以用在智能教室中 的自動回饋系統。此系統在學生分心時， 會即時的提醒學生，讓教師可以更專注在 教學上。 資料來源：研究者自行整理。
- 33. 23 第四節 數位學習 『數位學習』它同時結合了數位傳遞「e」與學習事件「Learning」（顧大維， 2005），包含範圍甚廣。相關文獻中可見的類似名詞有「遠距學習」、「虛擬教育」、 「虛擬教室」、「虛擬學校」等，若將範圍侷限至大專院校及以上之高等教育， 尚有「虛擬大學」、與「網路大學」等。而知識領域則包含一般生活常識到各類 專業技能；使用媒體從純粹的 HTML文件、影音傳輸到教學現場即時轉播；傳 輸媒介自 Internet 到電視及衛星；提供單位可以是個人、學術單位或是國家機 構。 Clark 和 Mayer（2003）指出『數位學習』是藉由網際網路所傳遞的教學模 式，且其含概以下三個特點： 教材方面：教材內容需與學習目標契合； 教法 方面：要有運用教學方法指導學生學習； 評量方面：學習者能建立有效的學習。 而『數位學習』在國內外學者對數位學習的定義有，廣義的定義：凡提供自我 學習的教學錄音帶、錄影帶、影音光碟、電子書、CAI 教材、以及將教材數位 化，放在網路伺服器上的網路學習方式。狹義的定義：應用電腦及網路科技， 在網際網路上所建構的數位學校，讓教師和學生都可以在數位化教室中，進行 教與學的活動，也是所謂的「網路學習」(吳清基、林天佑，2005) ，運用資訊 科技與媒體來建立的各種學習的模式，讓參與者很方便的進行教與學，打破同 時同地的傳統課堂限制（顏春煌，2006）。而 U-learning 是延續 e-learning 和 m-learning 的一種學習方法（Huang, Chiu, Liu, & Chen, 2011），也是屬於廣義的 數位學習。因此，數位學習的定義有廣義及狹義兩種說法。廣義的說法為：凡 是利用數位化媒體，例如：電腦軟硬體、資訊網路、互動式電視、衛星廣播進 行有意義的學習，就稱為數位學習。狹義的說法為：利用電腦網際網路特性，
- 34. 24 建構無遠弗屆的學習環境以進行學習，便稱之『數位學習』。 一、數位學習的定義 综合以上觀點，可把線上教學視為狹義的網路教學，因為網路教學並 不表示所有的教學與學習活動都是讓使用者在網路上進行；至於數位教學 則可視為廣義的網路教學，因為電腦網路具有整合多媒體的特性，使電子 媒體實際上均得以利用超媒體的方式在網路上呈現，因此網路教學可以說 是使用者透過結合資訊網路科技，與其他電子媒體的網路環境，進行學習 或訓練，達成最後學習目標的整個過程。數位學習的定義整理如表 2-4。 表 2-4 狹義及廣義數位學習的定義 狹義及廣義數位學習的定義 範圍 名稱 描述 狹義 線上學習 因為網路教學並不表示所有的教學與學習 活動都是讓使用者在網路上進行 廣義 數位學習 因為電腦網路具有整合多媒體的特性，因此 網路教學可以說是使用者透過結合資訊網 路科技，進行學習或訓練，達到學習目標的 過程。 資料來源：研究者自行整理。 二、數位學習的模式 傳統教學是指在校園或教室裡進行的教學活動，教學者與學習者同時 處於同一空間。而數位學習是屬於虛擬教室遠距教學系統的一種，採用網 際網路平台來傳授知識、技巧的方法，並透過系統化的教材設計，將教材
- 35. 25 傳遞給學習者的教學過程，另一方面學習者也可以透過網際網路上的溝通 管道，與其他學習者進行雙向溝通與互動。而在數位學習教學系統中，一 般又可分為同步式的網路教學以及非同步式的網路數位教學兩類。而非同 步數位教學指的是教師和學生之間的教學活動並非同時進行，方式主要可 以分為課程隨選視訊及全球資訊網整合教學網站兩部份：課程隨選視訊屬 於非同步的視訊教學系統，全球資訊網整合教學網站則屬於非同步數位學 習管理系統。另外，還有文獻把同步網路教學網站定義為虛擬教室遠距教 學的一種，利用 Internet 平台來傳授知識、技巧的方法，並提供必要的學習 輔導與交談式的互動討論功能，且把「即時傳播性」以及「互動性」作為 教學上的考量。 綜合許多文獻，數位學習的應用方式，針對不同的族群與不同的內容， 在實行上也採用不同的方式，目前可分為以下三種模式，如表2-5 所示： （一）同步數位學習（Synchronous Digital Learning） 同步數位學習是利用網際網路技術的即時資訊傳輸，授課教師與 學習者必須在同一時間透過網際網路來傳遞互動之學習資訊（林岑， 2004）。 （二）非同步數位學習（Asynchronous Digital Learning ） 授課老師把多媒體教材內容（Content）放置於數位學習平台， 學習者可以不受限於時間與空間，隨時隨地可藉由全球資訊網，依自 己的學習時間與上課進度，選擇要學習的課程單元加以學習。目前網 路教學中最常使用的，便是非同步數位學習模式（林岑，2004）。 (三) 混合模式（blended） 指教師在課程中視教學需要，而機動選用實體教室、同步模式或
- 36. 26 非同步模式來進行教學的方式。將教材放在網路上，讓學生以非同步 方式閱讀，而對於需要面對面進行的講解、操作或演練活動，則選擇 教室面授或網路進行，遠方學生則可透過網路同步參與。將傳統面對 面（Face to Face）教室教學和網路線上學習兩種學習模式有效的整合 （高瑜璟，2006）。 表2- 5 數位學習模式定義表 數位學習模式定義表 本研究即是屬於混合模式的數位學習，將多媒體的數位教材，上傳至 數位學習系統，讓學生在課堂上進行非同步的數位學習，老師再隨時針對 重要的部份進行講解及補充。 數位學習模式 定義 同步數位學習 一種即時的資訊傳輸，就是所有參與學習的人員（包 括傳送者與接收者）都必須再同一時間，透過傳輸系 統產生互動。例如：在虛擬教室中的線上即時討論、 視訊會議。 非同步數位學習 將學習內容長時間放置在教學網站上，使用者不受時 間地點的限制，隨時可上網學習獲取新知。 混合式數位學習 將教材放在網路上，讓學生進行非同步學習，必要時， 也可在教室利用面對面的方式或透過網路視訊等方式 同步學習。 資料來源：研究者自行整理。
- 37. 27 三、數位學習的特性 『數位學習』具有許多特性異於傳統教學。最明顯的，莫過於突破時 間及空間的限制，且透過網際網路，學習者可以根據自己的能力、進度及 時間在任何需要的時候進行學習，甚至可以重複學習以達到精熟的地步（柯 天盛，2007）。 『數位學習』擁有以下的特點：（陳年興、楊錦潭，2006） （一）個別化的學習環境 (Individual Learning)： 學生在進行網路學習時，可以擁有高度的自主性，可以依個人的學習 步調、興趣、性向，調整學習的時間與速度，達到「適才所學」。 （二）自我導向式學習方式(Self-Paced Learning)： 數位學習可以讓學習者擁有個人的學習空間、學習控制權，而且也可 以經由反覆的練習與閱讀來達成個人的學習目標。 （三）透過同儕互動，達成合作式學習的目標 同儕之間突破空間的限制，使用多元化的同儕互動管道產生有更多的 合作與分工。 （四）利用團隊的方式，增進學習效能： 藉由資訊透明化的優勢，可以分享同儕間的知識，進行交流與討論， 易於實現團隊學習，增進學習成效。 （五）減少來自於同儕壓力： 部份學生害怕於課堂中面對面的提出問題，在這方面，可以藉由數位 學習的網路互動方式，降低學生的恐懼，讓學生較樂於提供出問題來討 論 ，更容易促成分享的交流。
- 38. 28 （六）教育典範的轉移： 學生主動求知，老師為輔助角色。取代以往學生被動的接受知識，以 更主動積極的方式，進行更自主性的學習。 『數位學習』突破時空的限制，利用網路多媒體功能將經過系統化設計 及教學設計的教材傳遞給學習者，並可以立即回饋教學者學習者的學習狀 況，讓教學者和學習者之間達到雙向溝通及互動。相信將這樣的特性及學習 模式運用在輔助學生的學習上，必能提昇學生的學習效能。參考文獻中學者 的觀點及看法，研究者採取下列數位學習的特性，做為研究數位學習教材之 互動性與學習者反應時間相關性的參考原則及規範： 1. 學習不受時間及地點的限制，學生可以在任何時間及地點上網進行學習。 2. 學生可依據自己的能力、時間及進度進行教學。 3.數位學習可提供非同步師生及同儕間的互動，進行合作學習型態。 4. 使用多媒體語音講解系統進行教學課程。 5. 將教師教學及學生學習歷程作紀錄。 6. 提供多元及豐富的網路資源，並可以不同的數位教材呈現方式以支援及輔 助學生的學習。 利用上述數位學習的特性，比較各種數位教材不同的互動性，探索較 能吸引學習者注意力的呈現方式及其與學習成效的關聯性，並進一步比較 不同能力學生對高低互動教材的注意力。 四、數位學習的優缺點 『數位學習』有傳統學習方式無法達到的優點及功能，因此成為目前 學習方式的新選擇及趨勢。但『數位學習』也有缺點、限制及可能引發的 問題，說明如下：
- 39. 29 1. 數位學習的優點及功能 『數位學習』是一種以學習者為中心的學習模式，擁有多項不同於傳 統教學的優點及功能，例如學習零障礙：透過數位學習，學習者不受傳統 時空的限制，可自行選擇合適的時間及地點（家中）上網學習，再透過與 授課老師同步或非同步的線上互動機制，讓學習者沒有時空 的壓力與障 礙、學習資源豐富：透過網路互連的特性，可有效利用網路資源，無論是 教學者或學習者均可獲得課程教材以外更豐富的資訊輔助，提升學習效 果、數位內容及學習進度量身訂做：數位學習的課程設計及教材製作均屬 數位化的內容，因此學習者可依本身的程度及偏好，自由選擇不同的課程 與教材，達到屬於個人量身訂做的學習進度。（李春雄， 2003） 2. 數位學習的缺點及限制 『數位學習』的缺點及限制，則是容易迷失：超媒體教材提示較少時， 可能讓使用者容易混淆或迷失於資訊的虛擬空間、缺乏結構：當學生的學 習特質是需要較嚴謹的結構指引時，過多的彈性可能會造成混淆，學生也 可能無法自訂學習進度及發現到底還有多少訊息尚待發掘、缺乏互動：有 些程式可能只有單向簡報式呈現資訊，而缺乏互動練習與回饋、複雜：許 多進階程式可能使用困難，尤其是學生自行開發者，因為受限於某種程度 的程式編寫及開發能力、耗時：非線性的超媒體探索可能需要較長的時間， 學生才能達到特定的目標，且由於它較傳統媒體複雜，教師和學生都需要 花較長的時間來學習。（李文瑞，2002） 五、小結 綜合相關文獻資料，我們可將『數位學習』視為廣義的網路教學，因 為電腦網路具有整合多媒體的特性，因此網路教學可以說是使用者透過結
- 40.
- 41.
- 42.
- 43.
- 44. 34 圖 3- 2系統架構圖 (1) 每一台桌上型電腦或筆記型電腦，都需配有數位攝影機，做為影像 輸入設備。 (2) 當老師請學生進行數位學習或分組討論時，需利用桌上型電腦或筆 記型電腦，透過網際網路連結至數位學習系統進行學習或討論。 (3) 數位學習系統將學習教材傳送至網頁上，供學生學習，並啟動數位 攝影機，開始定時擷取學生學習時的影像。 (4) 課程結束，將影像傳送至專注力分析系統，進行專心程度之分析。 分析的結果儲存至資料庫。 (5) 老師再透過網際網路連結至數位學習系統中瀏覽學生專心度分析之 結果。 (6) 老師也可利用數位學習系統，將教材上傳至系統中，供學生學習使 用。 二、系統功能規劃說明 本研究主要的目的為偵測學習專注力，因此人臉偵測數位學習系統， 必須要有會員管理，前端學習介面、後端管理的功能。如圖 3-3 所示：
- 45.
- 46. 36 (三)、老師登入管理 老師登入系統後，除了會員資料維護的功能外，還有課程資料瀏覽、 課程資料維護、學生專注力分析等功能。 (1)會員資料維護：提供老師維護自己及班上學生之基本資料。 (2)課程資料維護：可針對這學期要上課的教材內容，維護課程大綱、課 程內容等資訊，再上傳教材，供學生進行線上數位學習。 (3)學生專注力分析：可查看學生專注力分析報表…等資訊。 三、數位學習或分組討論之情境模擬，如圖 3-4 如示 圖3- 4 數位學習或分組討論之情境模擬圖 1. 老師設定此堂課所要探討及學習的主題，將學生分為多組，一組約三至 四人，進行討論。 2. 每個學生必須使用具有攝影輸入設備及網路連線之電腦進行學習。 3. 每個學生均需透過網際網路連結至數位學習系統，輸入學生個人的帳號
- 47. 37 及密碼。 4. 經確認身份後，進入數位學習系統。 5. 此時，系統會啟動攝影輸入設備，準備進行影像擷取的工作。 6.當學生選定好課程，即可開始播放課程，並開始進行自主學習或分組討 論，系統即每隔一段時間(可設定)擷取學生影像一次。 7. 課程結束後，即停止擷取學生影像。並將記錄之檔案依課程及帳號分門 別類的上傳至數位學習系統中存放。 四、系統實作 (一)、系統環境及需求 專注力偵測之數位學習系統，主要是架構在 Intel Core i5-2410M,2.3GHz CPU，搭配 2G 記憶體，具有 Web Cam，作業系統為 window 7 的筆記型電 腦上開發。前端網頁部份，利用 JAVA 為主要開發語言，搭配 Tomcat 及 MySQL 建置網站及資料庫開發設計。擷取影像的部份則是運用 Flex 撰寫。 影像分析則是利用 http://face.com 裡所提供的程式，進行人臉特徵的尋找和 定位。 (二)、JAVA 簡介 JAVA 爪哇程式語言是昇陽公司(Sun Microsystems)在 1995 年，專門為 網際網路設計的一項程式語言。它一種全新的物件導向程式語言，和 C++ 程式語言非常類似，但較容易使用，用來開發全球資訊網 (WWW ) 的內 容。JAVA 的特色是跨平台、容易使用及物件導向。尤其跨平台技術更是一 項突破，描述物件時，透過 Java 虛擬機器(JVM)，可以讓同一套軟體在不 同的裝置或平台上工作，包括個人電腦、UNIX、MAC 等產品。撰寫容易，
- 48. 38 而且穩定性高。因此本系統選擇使用 JAVA 為主要的程式語言來進行開發。 (三)、face.com簡介 face.com 的臉部辨識是一種服務，它允許電腦去分析照片中的人臉資 訊，並試圖找出已知的臉孔。他們的目標是要能在日常生活的照片中，確 認人群中的臉孔是屬於誰的。 face.com 的人臉辨識過程需要有一個已進行辨識過的臉孔索引。它主 要是將已知的臉部標籤加入索引集裡，然後，處理這些照片，以建立新的 索引項目，這個過程被稱作"訓練"。每個使用者儲存越多的標籤，會使人 臉辨識具有更高的準確性。你就可以在照片中正確的辨識出使用者。 利用它所提供的 API，可以在任何一張照片上，進行人臉偵測，人臉 辨識及標示人臉的動作。你也可以從 Facebook 或 Twitter 標記或辦識使用 者。同時也可以保有用戶的隱私，這個部份，face.com 做得很好。網站上 提供了標記功能的 js 程式庫，讓使用者很清鬆快速的標示照片，而不需要 伺服器端的程式。它提供的程式庫有很多，有 C#、.NET、Flash AS3.0、Java、 Ruby、PHP...等等，也提供了工具可以讓使用者直接使用，不需自行撰寫程 式碼。 本研究使用 face.com 的程式工具及 API 來標示人臉眼睛的位置，將連 續兩張取得的眼睛座標相比對，進而推算人臉移動的距離來判別頭部移動 的大小。若此程式無法辦別人臉，即表示頭部的影像未出現在攝影範圍或 人臉的特徵不完整，即判讀為離開或擷取影像內未有人臉的影像。
- 49. 39 (四)、資料庫關聯圖 本系統的資料庫關聯圖，如圖 3-5 所示。分為主要的四個資料表。人 員資料表，記錄了學生、老師、管理者的資料。課程資料表記錄課程的基 本資料及數位教材的檔案路徑。成績資料表則紀錄了學生在學習某課程 後，所得到的成績及專注力百分比。 圖3- 5 資料庫關聯圖 (五)、系統流程圖 系統流程圖分為三個部份，一個為數位系統本身、影像輸入設備及專 注力分析的部份。系統流程圖說明這三個部份之間的關聯，如圖 3-6。
- 50. 40 圖 3- 6系統流程圖
- 51. 41 (六)、專注力偵測之數位學習系統介面設計 此系統使用利用 JSP、JAVA 進行設計，包含了學生及老師的功能。 1.登入頁面 連結到系統首頁，即是輸入帳號密碼之頁面(圖 3-7)。要進行課程 之學生，都必須先擁有此系統之帳號密碼才可使用。系統需先確認此 人的身份，才可以給予正確的課程，測驗成績及影像擷取之檔案才可 以正確的存放在屬於每個人的資料夾及資料庫中。 圖 3- 7 登入畫面 2. 系統功能畫面(學生) 輸入帳號密碼後，若確認身份為學生，左邊之功能選項即會出現 個人資料維護、課程資訊瀏覽。主畫面預設帶出課程資訊瀏覽的內容。 如圖 3-8。 課程資訊瀏覽，可看到有開放進行線上學習之課程列表。晝面上 顯示課程名稱及課程大網，若點選課程名稱，可再進入課程之明細， 有更詳盡之課程介紹。
- 52. 42 圖 3- 8課程資訊瀏覽畫面 若點選開始上課，若屬於線上學習之課程，即會播放課程內容， 如圖 3-9。若是群組討論之課程，就顯示要討論之課程內容。 圖 3- 9 數位課程內容畫面 點選個人資料維護，如圖 3-10，即會顯示自己的個人資料，還可 點選修改，進入明細畫面，進行更多資料的編修。
- 53. 43 圖 3- 10個人資料維護畫面 3. 系統功能畫面(老師) 若登入之帳號為老師，則左邊功能列則是顯示會員資料維護、個 人資料維護、課程資訊瀏覽、課程資訊維護及學生專注力分析。點選 會員資料維護，即會顯示此老師所負責班級之學生資料列表(圖 3-11)。 可針對個別的資料進行修改及刪除。 圖 3- 11 教師管理功能-會員資料維護
- 54. 44 點選課程資訊，即顯示老師所輸入之所有課程列表，如圖 3-12 所 示。可新增課程，也可針對個別的課程進行修改、刪除的動作。 圖3- 12 課程資訊維護畫面(一) 點選課程修改後，可再進入課程明細，針對課程名稱、大網…等 等進行修改維護，如圖 3-13。也可在明細頁上傳課程檔案，再利用課 程資訊瀏覽，預覽課程播放時的狀況。 圖 3- 13 課程資訊維護畫面(二)
- 55. 45 點選學生專注力分析，會先列出已有分析資料之課程，如圖 3-14， 供老師針對特定課程去瀏覽學生專注力或參與度分析的結果。 圖 3-14 學生專注力分析功能畫面 分析結果如圖 3-15。Ｘ軸為專注力或參與度的百分比，Ｙ軸則是 每個學生的姓名。依專注力或參與度，由高排到低，可讓老師一目了 然。也提供匯出影像或列印的功能。 圖 3- 15 學生專注力分析圖表
- 56. 46 第三節 偵測流程 以登入數位學習系統，啟動課程開始偵測。在固定時間，擷取影像，依登 入之學號，將擷取之影像，分別存放在各別資料夾中，待課程結束，停止擷取 影像。將影像傳送至專注力分析軟體分析。依本研究定義之注意力偵測規則， 分析出此人在每個課程的專心程度，偵測流程說明如圖 3-16： 圖3- 16 偵測流程圖 一、擷取影像 本研究在擷取影像的設計上，首先要先登入數位學習系統，確認身份。 啟動課程後才開始偵測，在固定時間的時間內（預設值為每 5 秒）由視訊 攝影機取出 1 張影像。其每秒的出片率參數是可以依實驗需求進行調整 的，每秒中取出的影像越多，比較有利於觀測學習者特徵的變化。因連續 的影像進行處理時需要大量的運算時間，所以實際上出片率是由 CPU 的處 擷取學生影像 特徵偵測 專注力偵測 學習專注力分析結果 儲存擷取影像
- 57. 47 理速度來定。由於本系統是以人臉偵測系統為研究工具，並不以此系統之 辨識率為主要研究，因此，為避免人臉偵測常發生在光源不足的情況下， 辨識效果不佳，此研究的場所，需要求在光線充足，明亮的教室進行，以 提高人臉辨識的正確率。 二、儲存擷取影像 系統會自動將其所擷取之學生學習影像，分別存放在學習者的各個資 料夾中，待課程結束，系統停止擷取影像。且將影像檔案上傳至數位學習 系統中。 三、擷取影像特徵偵測及變化分析 本研究的特徵主要來源包括人臉、眼睛與嘴部。在人臉的部份，由攝 影機取得學習者影像，經過色彩空間轉換、膚色特徵找出人臉。若無法偵 測到人臉，即表示學習者離開座位或到處走動。移動的狀況則利用前後兩 張眼睛位置的差異來判定。眼睛與嘴的部份，根據在人臉區域眼睛具有亮 度最暗特性，運用二值化方法，將觀察出的最佳閥值，在影像中亮度最暗 的地方，來找出瞳孔位置進而找出眼睛位置。以眼睛特徵部份來說，系統 需要能夠判定該張影像中為張眼或閉眼的情形；以嘴巴特徵來說，系統需 要能夠判定該張影像是否張嘴情形。 四、專注力偵測 在本研究專注力偵測方面，在擷取影像特徵偵測及變化分析中，取得 學習者的移動偵測、人臉、眼睛與嘴部表情變化，其中包含有： （一）眨眼的頻率：20～40 歲之間的正常人每分鐘眨眼約 20次，當一般人 專心在螢幕上工作時，眨眼率也會隨之降低（Yaginuma, Yamada, & Nagai, 1990;Sotoyama, Jonai, & Saito, 1996)，因此本研究利用測量眨眼 次數來判斷學生是否專心。所擷取之影像，連續兩張眨眼，即判斷為
- 58.
- 59. 49 二、實施程序 （一）老師將學生分為兩人一組。 （二）每個學生使用安裝了 WebCam 及具有網路連線的個人電腦進行學習。 （三）每個學生均需透過網際網路連結至數位學習系統，輸入學生個人的帳 號及密碼。 （四）經確認身份後，進入數位學習系統。 （五）由學生先行啟動影像擷取程式。並開始擷取影像的工作。一秒鐘擷取 2張影像。 （六）第一階段為分組討論，老師選了四個成語故事的 Flash，讓學生進行 學習。每段 Flash 結束，隨即進行兩人一組的討論。討論後將討論結 果寫在試卷上。 （七）第二階段，老師再進行課文導讀之數位學習，讓學生學習課文、字詞、 字義…等。 （八）第三階段，進行＂麥斯楚發明魔鬼粘＂及＂蔡倫造紙＂的數位學習課 程。 （九）第四階段，進行＂愛迪生簡要生平＂及＂發明大王愛迪生＂的數位學 習課程。 （十）課程結束後，即停止影像擷取之程式。並將記錄之檔案依課程及帳號 分門別類上傳至數位學習系統中存放。 （十一）將所收集的影像檔，進行影像處理及分析，即可得知每位同學在課 程中的專注程度。 （十二）針對收集到的資料進行分析統計。 三、實施結果 本研究實驗分為四個階段，第一個階段分為數位學習和分組討論的部
- 60. 50 份，其餘三個階段皆為數位學習的部份，分組討論時，研究者將座位調整 成兩個一組，螢幕也轉向 30~45 度角。如圖3-17。預期討論時，學生會看 著對方討論，可使拍攝的角度較正確，可以擷取到較正面的影像。而數位 學習時，則將螢幕轉正，每個學生均看著自己的電腦螢幕，實際情形如圖 3-18 所示。 圖 3- 17 群組討論情境圖 圖 3- 18 數位學習情境圖
- 61. 51 數位學習的部份，扣除老師說明課程進行的方式及學生調整 webcam 角度 的時間，四個階段每位同學總共擷取到2952 張影像。討論的部份，每位學生則 是擷取到 1070 張影像。但分組討論時，大部份的同學，在討論時，幾乎都是看 著手邊的問題低頭討論或低頭寫答案，如圖 3-19，或是嘴巴不是沒有入鏡，就 是看不出張合的狀況，如圖 3-20。 圖 3- 19 低頭討論之示意圖 圖 3- 20 低頭寫題目之示意圖 因此，研究者又重新再做了一次分組討論，這次讓學生兩個人坐在一起， 對著同一台螢幕，並將討論的題目放在電腦裡，讓學生可以看著螢幕上的題目 進行討論。這次只有 12 位學生，分為六組進行討論。老師設計了六個題目，總 共進行了 15 分鐘的討論。實際施行狀況如圖 3-21 所示。這次實驗，除了坐姿 不良或兩位學生坐的離鏡頭太近導致無法入鏡外，大部份都可以擷取到臉部的 影像。每人總共擷取了 2322 張影像。表 3-1 統計了所有擷取的影像數。
- 62. 52 圖 3- 21第二次實施分組討論之情境圖 表 3- 1 影像擷取數量之統計表 影像擷取數量之統計表 第一階段 第二階段 第三階段 第四階段 總計 數位學習 294 540 529 1589 2952 分組討論 2322 2322 四、專注力分析 由擷取之影像，找出在數位學習時，不專心的定義: 1. 連續兩張閉眼，如圖 3-22 所示。 2. 眼睛移動範圍過大，如圖 3-23 所示。 3. 眼睛未直視螢幕，如圖 3-24 所示。 4. 擷取影像內未有人臉的影像，如圖 3-25 所示。 不將嘴巴開合的次數納入不專心的定義，是因為有些學生在進行第二階段 的課文導讀時，會不自覺得跟著唸起來。此狀況並不代表不專心。若是因為跟 同學說話，則應會符合以上四種規則。因此不需要額外再做定義。
- 63. 53 圖 3- 22連續眨眼示意圖 圖 3- 23 眼睛移動範圍過大之示意圖 圖 3- 24 眼珠未直視螢幕之示意圖 圖 3- 25 人臉未出現在影像之示意圖 研究者將影像利用 face.com 提供之人臉辨識程式，辨識人臉影像，此程式 可將人臉的眼、鼻、嘴的位置定位出來。如圖 3-26、圖 3-27、圖 3-28、圖 3-29 等情況，此程式均可正確的辦識出來。但在某些情形下，如影像中的嘴巴部份
- 64. 54 全部被遮住(圖 3-30)、影像不清晰(圖 3-31)、只有半個臉(圖3-29 左手邊的學生)… 等，則無法辨識出人臉，需要使用人工的方式去加以判別，以確認是否真的符 合以上四種規則。 圖 3- 26 人臉辨識示意圖(一) 圖 3- 27 人臉辨識示意圖(二) 圖 3- 28 人臉辨識示意圖(三) 圖 3- 29 人臉辨識示意圖(四) 圖 3- 30 無法辦識之人臉示意圖(一) 圖 3- 31 無法辦識之人臉示意圖(二)
- 65. 55 此程式可以應用在＂眼睛移動範圍過大＂及＂擷取影像內未有人臉影像＂ 的規則。眼睛移動範圍過大的部份，可將連續影像之眼睛位置找出並記錄下來， 再比較前後兩張影像眼睛之位置，x 軸或 y軸差異大於 10，即表示移動範圍過 大，如圖 3-32 及圖 3-33，是兩張連續影像，由人臉辦識程式抓出圖 3-32 之左 眼 x 軸位置為 17.34，而圖 3-33 左眼的 x 軸位置為 33.3，兩者差異 15.96，判別 圖 3-33 移動範圍過大，視為不專心的影像。若 x 軸無差異，再比對 y 軸的位置。 以此標準，記錄符合的影像數量。而擷取影像內未有人臉影像的部份，也可使 用此程式加以判讀，若未標示出任何座標，表示未辨識出人臉，即符合不專心 之定義。另外，其它的規則，則是用人工的方式去輔助辨識。 圖 3- 32 眼睛移動範圍過大示意圖(一) 圖 3- 33 眼睛移動範圍過大示意圖(二) 依上述的定義及辦識方法。計算出符合以上定義之總影像數量，進而計算 專注力之百分比，公式為： 專注力之百分比=(所有影像數-不專心影像數)/所有影像數*100%
- 66. 56 表 3- 2學生數位學習之專注力百分比 學生數位學習之專注力百分比 座號 不專心影像 (張) 專心影像(張) 專注力(%) 專心度分組 1 243 2709 91.77% 專心 2 936 2016 68.29% 普通 3 1291 1661 56.27% 普通 4 1446 1506 51.02% 不專心 5 1003 1949 66.02% 普通 6 789 2163 73.27% 專心 7 1060 1892 64.09% 普通 8 450 2502 84.76% 專心 9 1480 1472 49.86% 不專心 10 1804 1148 38.89% 不專心 11 1780 1172 39.70% 不專心 12 764 2188 74.12% 專心 13 1183 1769 59.93% 普通 註：總張數為 2952 由公式得出數位學習所有學生的專注力百分比。再依所有學生專注力百分 比的高低，由高至低排列，前 33%者為專心組，後 33%者為不專心組（吳明隆， 2011）。目前樣本數為 13 人，因此專心組即是前四位學生，不專心組則為後四 位學生。由表 3-2 得知座號為１、８、１２、６在數位學習時有較高的專注力 表現。而座號為４、９、１１、１０在數位學習時，則呈現較不專心的狀況。 而在教材難易度不同時，學生專注力的表現如表 3-3，座號１、６、８、１
- 67. 57 ２在教材較簡單的狀況下，有較高的專注力，而座號４、９、１０、１１則呈 現較低的專注力。在教材較難的情況下，１、５、７、８有較高的專注力表現， 而４、１０、１１、１３則呈現較低的專注力。從數據顯示，座號 1 和８不管 在難或易的教材上，其專注力都算高。而座號４、１０、１１則是不管教材的 難易度，都呈現不專心的狀態。 表3- 3 不同難度教材之學生專注力表現 不同難度教材之學生專注力表現 學號 較易教材平均 專注力(%) 較易教材 專注等級 難教材平均 專注力(%) 較難教材 專注等級 1 92.49% Ｏ 89.93% Ｏ 2 67.85% 69.42% 3 51.89% 67.39% 4 51.51% X 49.76% X 5 57.74% 87.05% Ｏ 6 74.60% Ｏ 69.90% 7 58.36% 78.66% Ｏ 8 80.88% Ｏ 94.60% Ｏ 9 40.13% X 74.58% 10 34.42% X 50.24% X 11 33.52% X 55.40% X 12 76.68% Ｏ 67.63% 13 60.43% 58.63% X 註：Ｏ表示專心，X 表示不專心
- 68. 58 而在群組討論的狀況下，有參與的定義為: 1. 嘴巴開合的次數。 只列了嘴巴開合這一項，是因為在討論時，若影像中看得到嘴巴張合的動 作，即表示學生有在張嘴說話，認定為參與。而研究者也計算了未偵測到人臉 的張數，當作研究的參考依據。將討論時所擷取的影像，依嘴巴開合次數計算 出學生參與度的高低，公式如下： 參與度之百分比=嘴巴開合總次數/所有影像數*100% 表 3-4 群組討論之參與度百分比 群組討論之參與度百分比 學號 嘴巴張合影像 數(張) 未偵測到人臉的 影像數(張) 參與度百分比 參與度等級 1 245 0 10.55% 低 2 370 208 15.93% 低 3 577 28 24.85% 高 4 597 98 25.71% 高 5 443 755 19.08% 低 6 568 18 24.46% 高 7 618 76 26.61% 高 8 531 152 22.87% 高 9 253 637 10.90% 低 10 104 1612 4.48% － 11 96 1781 4.13% － 12 357 794 15.37% 低 註：總張數為 2322， －表示不採用數據
- 69. 59 將統計結果列於表 3-4。而參與度高低之分組，因座號１０與座號１１未偵 測到人臉的張數超過總張數的 1/2，屬無效數據，因此不列入分組，而以10 人 為樣本數，取前 50%為高參與度。而後 50%為低參與度，進行統計分析。 五、統計分析。 本研究的資料處理與分析的部分採用社會科學套裝軟體 SPSS for Windows 進行統計分析。資料分析分為三個部分，一、學生進行數位學習的狀況下，不 同程度之專注力與學習成效之相關性；二、學生進行數位學習的狀況下，教材 難易程度與專注力之相關性；三、學生分組討論的狀況下，高低參與度對學習 成效是否有所不同。以下為各部分資料分析處理的方法。 探討學生進行數位學習的狀況下，不同程度之專注力(高專注力與低專注力) 與學習成效是否有顯著的差異。統計分析採取獨立樣本 t 檢定來探討不同程度 之專注力與學習成效是否有顯著的差異。 探討學生進行數位學習的狀況下，不同的教材難易程度(高難度與低難度) 與專注力(高專注力與低專注力)之相關性。統計分析採取成對樣本 t 檢定來探討 不同難易程度之教材與不同專注力之間是否有顯著的差異。 探討學生分組討論的狀況下，不同的參與度(高參與度和低參與度)與學習 成效是否有顯著的差異。統計分析採取獨立樣本 t 檢定來探討不同程度之討論 參與度對於學習成效是否有顯著的差異。
- 70. 60 第四章 研究結果與資料分析 本章主要是依據實驗結果及數據，來瞭解學習專注力對於學習成效的影響 及教材難易度與學習專注力的相關性。本章共分為三個小節，第一小節為學習 專注力與學習成效之相關性分析。第二小節為教材難易度與學習專注力的相關 性分析。第三節為學習參與度與學習成效之相關性分析。 第一節 學習專注力與學習成效之分析 本節在探討本研究對象在數位學習時，其專心程度是否會影響其學習成 效。為了瞭解此影響程度，因此研究者在敘述性統計方面，運用平均數與標準 差，分別去分析專心和不專心之間之差異。在推論性統計方法上，採取獨立樣 本t 檢定來進行統計分析，將所有研究對象所計算出的專心度百分比，分為三 個等級，專心、普通、不專心，只取其中專心及不專心的數據來分析。 一、專心度與學習成效之獨立樣本統計量 由表 4-1 得知，以學習成效依變項而言，4 個專心組的測量分數之平均數為 95.050，標準差為 1.35，而 4 個不專心組的測量分數之平均數為 90.575，標準 差為 1.509。從平均數來看，專心之學習成效(M=95.050)顯著高於不專心的學習 成效(M=90.575)。 表 4- 1 專心與不專心兩組之獨立樣本統計量 專心與不專心兩組之獨立樣本統計量 專心度 個數 平均數 標準差 平均數的 標準誤 學習成效 專心 4 95.050 1.350 .675 不專心 4 90.575 1.509 .754
- 71. 61 二、專心度與學習成效之獨立樣本 t 檢定 在學習成效方面，Levene檢定的 F 值未達到顯著水準(F=.004，p=.953>.05)， 應接受虛無假設，表示兩個母群體的變異數相等，由表 4-2 得知，t 值=4.421， p=.004<.01，達到顯著水準，表示專心與不專心在學習成效上有顯著的差異。 表 4- 2 學習成效與專心度之獨立樣本 t 檢定 學習成效與專心度之獨立樣本 t 檢定 變異數相等的 Levene 檢定 平均數相等的 t 檢定 F檢定 顯著性 t 自由度 顯著性 (雙尾) 平均差 異 標準誤 差異 差異的 95% 信賴區間 下界 上界 學 習 成 效 假設變異 數相等 .004 .953 4.421** 6 .004 4.475 1.0123 1.998 6.952 不假設變 異數相等 4.421 5.928 .005 4.475 1.0123 1.991 6.959 **p<.01 三、不同的行為與學習成效之獨立樣本 t 檢定 本研究將不專心的定義依過去的文獻及經驗，分成四種行為：1.連續兩張 閉眼。2.眼睛移動範圍過大。3.眼睛未直視螢幕。4.擷取影像內未有人臉的影像。 上述的分析是以所有的行為加總來計算專注力程度，但不知所有定義的行為是 否真能表示其為不專心。因此將此四種行為分別與學習成效做獨立樣本 t 檢定， 分析結果如表 4-3~表 4-7 顯示。表 4-3 為四種行為之獨立樣本統計量。
- 72. 62 表 4- 3在不同行為下的專注程度之獨立樣本統計量 在不同行為下的專注程度之獨立樣本統計量 專心度 個數 平均數 標準差 平均數的 標準誤 連續兩張閉眼 專心 7 90.67 4.626 1.747 不專心 4 93.00 1.252 0.626 眼睛移動範圍 過大 專心 4 92.88 4.069 2.034 不專心 4 89.28 3.985 1.993 眼睛未直視螢 幕 專心 4 94.33 2.360 1.180 不專心 4 89.20 1.421 0.711 擷取影像內未 有人臉 專心 7 91.29 4.183 1.581 不專心 3 91.70 3.989 2.303 以連續兩張閉眼來計算專心度後，再與學習成效進行獨立樣本 t 檢定， Levene 檢定的 F 值未達到顯著水準(F=4.021，p=.076>.05)，應接受虛無假設， 表示兩個母群體的變異數相等，由表 4-4 得知，t 值=-0.966，p=.359>.05，未達 到顯著水準，表示以連續眨眼之因素所計算出的專心程度在學習成效上無顯著 的差異。 表 4- 4 連續兩張閉眼之專心度與學習成效之獨立樣本 t 檢定 連續兩張閉眼之專心度與學習成效之獨立樣本 t 檢定 變異數相等的 Levene 檢定 平均數相等的 t 檢定 F檢定 顯著性 t 自由度 顯著性 (雙尾) 平均差 異 標準誤 差異 差異的 95% 信賴區間 下界 上界 學 習 成 效 假設變異 數相等 4.021 0.076 -0.966 9 .359 -2.329 2.408 -7.776 3.119 不假設變 異數相等 -1.255 7.395 .248 -2.329 1.856 -6.669 2.012
- 73. 63 以眼睛移動範圍過大的影像數來計算專心度後，再與學習成效進行獨立樣 本 t 檢定，Levene檢定的 F 值未達到顯著水準(F=.097，p=.776>.05)，應接受虛 無假設，表示兩個母群體的變異數相等，由表 4-5 得知，t 值=1.264，p=.253>.05， 未達到顯著水準，表示以眼睛移動範圍過大之因素所計算出的專心程度對於學 習成效之影響並不顯著。 表4- 5眼睛移動範圍過大之專心度與學習成效之獨立樣本t檢定 眼睛移動範圍過大之專心度與學習成效之獨立樣本t檢定 變異數相等的 Levene 檢定 平均數相等的 t 檢定 F檢定 顯著性 t 自由度 顯著性 (雙尾) 平均差 異 標準誤 差異 差異的 95% 信賴區間 下界 上界 學 習 成 效 假設變異 數相等 .097 .766 1.264 6 .253 3.600 2.848 -3.368 10.568 不假設變 異數相等 1.264 5.997 .253 3.600 2.848 -3.369 10.569 眼睛未直視螢幕的專心度與學習成效進行獨立樣本 t 檢定， F 值未達到顯 著水準(F=1.953，p=.212>.05)，應接受虛無假設，表示兩個母群體的變異數相 等，由表 4-6 得知，t 值=3.721，p=.01<.05，達到顯著水準，表示以眼睛未直視 螢幕之因素所計算出的專心程度對於學習成效的影響是顯著的。 表 4- 6 眼睛未直視螢幕之專心度與學習成效之獨立樣本 t 檢定 眼睛未直視螢幕之專心度與學習成效之獨立樣本t檢定 變異數相等的 Levene 檢定 平均數相等的 t 檢定 F檢定 顯著性 t 自由度 顯著性 (雙尾) 平均差 異 標準誤 差異 差異的 95% 信賴區間 下界 上界 學 習 成 效 假設變異 數相等 1.953 .212 3.721 6 .010 5.125 1.377 1.755 8.495 不假設變 異數相等 3.721 4.923 .014 5.125 1.377 1.568 8.682
- 74. 64 而以擷取影像內未有人臉的影像數所計算出的專心度與學習成效進行獨立 樣本 t 檢定，F 值未達到顯著水準(F=.003，p=.956>.05)，應接受虛無假設，表 示兩個母群體的變異數相等，由表 4-7 得知，t 值=-0.145，p=.888>.05，未達到 顯著水準，表示以擷取影像內未有人臉之因素所計算出的專心程度對於學習成 效的影響是不顯著的。 表 4- 7 擷取影像內未有人臉之專心度與學習成效之獨立樣本 t 檢定 擷取影像內未有人臉之專心度與學習成效之獨立樣本t檢定 變異數相等的 Levene 檢定 平均數相等的 t 檢定 F檢定 顯著性 t 自由度 顯著性 (雙尾) 平均差 異 標準誤 差異 差異的 95% 信賴區間 下界 上界 學 習 成 效 假設變異 數相等 .003 .956 -0.145 8 .888 -0.414 2.853 -6.994 6.166 不假設變 異數相等 -0.148 4.031 .889 -0.414 2.793 -8.146 7.378 由以上的分析得知，本研究定義出的四種不專心的定義，只有眼睛未直視 螢幕所計算出的專心度與學習成效的獨立樣本 t 檢定，有顯著的差異。表示眼 睛未直視螢幕這個條件，對於學習成效來說，是最主要的因素。而其它因素也 並非完全沒有影響，因為全部不專心的條件加總之專注力與學習成效 t 檢定的 顯著性仍是高於單一一個條件所測量出的專注力。 第二節 學習專注力與教材難易度之分析 本節在探討本研究對象在數位學習時，數位學習的教材難易度是否影響研 究對象在學習時的專心程度。研究者運用平均數與標準差，分別去分析難教材 和易教材之間之差異。在推論性統計方法上，採取成對相依樣本 t 檢定為進行
- 75. 65 統計分析，主要是考驗研究對象在不同難度的教材中，專注力的測量值之平均 數差異是否達到統計上的顯著水準。 一、教材難易度與專心度之成對樣本統計量 本研究為了探討難易度不同的教材是否會影響研究對象的專心度，針對不 同難度的教材，進行專心度的測量。由表 4-8 可知，13個研究對象，在難教材 的專心程度之平均數為 70.2454，標準差為 14.55903，而同樣的研究對象，在易 教材的專心程度之平均數則為 60.0385，標準差為 18.12167，表示研究對象在難 教材的學習上有較高的專心度。 表 4- 8 較難教材與較易教材之專心度之統計量 較難教材與較易教材之專心度之統計量 個數 平均數 標準差 平均數的 標準誤 較難教材的專心程度 13 70.2454 14.55903 4.03795 較易教材的專心程度 13 60.0385 18.12167 5.02605 二、教材難易度與專心度之成對樣本t檢定 本研究為了探討不同的教材難易度的專心度之平均數的差異是否具有統計 學上的意義，因此進行成對樣本 t 檢定。考驗學生在較難教材和較易教材的專 心程度上是否有顯著差異。由表 4-9 得知，較難教材與較易教材的專心程度之 平均數差異值之 t 檢定值為 2.613，p=.023<.05，達到顯著水準，可見學生對於 較難教材的專心程度顯著高於較易教材的專心程度。
- 76. 66 表 4- 9教材難易度與專注力之成對樣本 t 檢定 教材難易度與專注力之成對樣本 t 檢定 成對變數差異 t 自由度 顯著性 (雙尾)平均數 標準差 平均數的 標準誤 差異的 95% 信賴區間 下界 上界 較難教材的專心度- 較易教材的專心度 10.207 14.084 3.906 1.696 18.718 2.613* 12 .023 第三節 學習參與度與學習成效之分析 本節在分析學生在進行分組討論時，他們的討論參與度是否會影響其學習成 效。為了瞭解此影響程度，因此研究者在敘述性統計方面，運用平均數與標準差， 分別去分析參與度高和參與度低之間之差異。在推論性統計方法上，採取獨立樣 本t檢定來進行統計分析，將所有研究對象所計算出的參與度百分比，分為兩個個 等級，前50%為高參與度，後50%為低參與度來進行統計分析。 一、參與度與學習成效之獨立樣本統計量 由表4-10得知，以學習成效依變項而言，高參與度組的測量分數之平均 數為92.20，標準差為3.281，而低參與度組的測量分數之平均數為92.04，標 準差為3.088。從平均數來看，低參與度之學習成效(M=92.20)與高參與度的 學習成效(M=92.04)並無太大的差異。
- 77. 67 表 4- 10在分組討論下，高參與度與低參與度兩組之獨立樣本統計量 在分組討論下，高參與度與低參與度兩組之獨立樣本統計量 參與度 個數 平均數 標準差 平均數的標 準誤 學習成效 高參與度 5 92.20 3.281 1.467 低參與度 5 92.04 3.088 1.380 二、參與度與學習成效之獨立樣本t檢定 在學習成效方面，Levene檢定的F值未達到顯著水準(F=0.161， p=.699>.05)，應接受虛無假設，表示兩個母群體的變異數相等，由表4-11 得 知，t值=0.79，p=.939>.05，未達到顯著水準，表示參與度的高低在學習成效 上沒有顯著的差異。 表 4- 11 在分組討論下，學習成效與參與度之獨立樣本 t 檢定 在分組討論下，學習成效與參與度之獨立樣本 t 檢定 變異數相等的 Levene 檢定 平均數相等的 t 檢定 F檢定 顯著性 t 自由度 顯著性 (雙尾) 平均差 異 標準誤 差異 差異的 95% 信賴區間 下界 上界 學 習 成 效 假設變異 數相等 .161 .699 .079 8 .939 .160 2.015 -4.486 4.806 不假設變 異數相等 .079 7.971 .939 .160 2.015 -4.489 4.809
- 78.
- 79.
- 80.
- 81. 71 限制，建議未來的研究工作可擴大母群體的範圍，以期得到更多的隱性資 料。且較大的樣本數，統計會更具準確度及可信度，也可突破小樣本無法 延伸推論的限制。 二、改善實驗工具 因本實驗，是將 WebCam 架在螢幕上方，所以，當學生姿勢不良導致 無法入鏡時，無法確認此學生是否真的是不專心，或只是坐的較低。或當 學生在進行群組討論時，可能並無對著螢幕討論，或低著頭與同學討論， 也會導致照不到影像，而使之誤判的情形增加。建議可在教室周圍再加裝 攝影機，或用廣角的WebCam，來減少無法完全取到影像的問題，以輔佐 專心度的判斷。可使研究更為準確。 三、妥善計劃教學的順序 因在做數位學習或討論後，教師均會發下測驗卷讓學生做練習，但因 測驗卷發下的時間為第一段數位學習之後，導致學生在後段的數位學習 中，會一邊看教材，一邊低頭看題目，導致不專心的情形變多。所以建議 未來若要應用在實際教學上，應先計劃好教學的順序，儘量排除一些影響 實驗的情形，也可使研究更加準確。 四、安排不同的時間進行多次實驗 本實驗為了節省時間，請老師一次進行兩堂課的數位教學。因此第二 堂課時，可能因為上課時間過長，導致精神疲勞，學生上課精神不集中的 情形明顯增加。此情形可能會影響實驗的結果。建議未來研究者，若時間 允許，可多安排不同時段的時間，且時間不要太長，來進行實驗，可減少 因教學時間過長，或因為有些時段學生精神較不好等因素造成的實驗誤差。
- 82.
- 83. 73 參考文獻 中文參考資料 王克先(1996)。學習心理學。台北市：桂冠圖書公司。 王金發(2007)。人臉偵測於數位相機自動對焦之應用(未出版之碩士論文)。輔仁 大學，新北市。 王映輝(2010)。人臉識別-原理、方法與技術。北京：科學出版社。 王鴻勳(2010)。結合影像偵測與模糊推論來分類學生上課學習行為(未出版之碩 士論文)。臺北市立教育大學，臺北市。 吳良杰(1999)。視覺感測器自動追蹤地面移動目標(未出版之碩士論文)。元智大 學，桃園縣。 吳明隆(2011)。SPSS 統計應用學習實務。易習圖書。 吳清基、林天佑(2005)。教育新辭書。臺北市：高等教育。 宋淑慧(1994)。注意力異常與評量。高市鐸聲，4，21-26。 李文瑞(譯)(2002)。教學媒體與學習科技(Instructional mediaand technologies for learning, 7th ed.)。(原作者：R. Heinich 等)。臺北市: 雙葉書廊。 李建緯(1998)。平面移動物體追蹤系統之研製(未出版之碩士論文)。國立交通大 學，新竹市。 李春雄(2003)。數位教材研習會。高雄市私立復華中學，高雄市。 林岑(2004)。以數位學習系統施行補救教學之研究(未出版之碩士論文)。國立高 雄師範大學資訊教育研究所碩士論文，高雄市。 柯天盛(2007)。數位學習教材互動性與學習者反應時間及學習成效關聯之研究
- 84.
- 85. 75 員會專題研究計畫成果報告，未出版。 黃敏峰(2003)。人臉追蹤法應用於監控系統之研究(未出版之碩士論文)。國立成 功大學，臺南市。 黃登淵、莊國楨、楊晏和、陳南樺、王嘉宏(2007)。複雜背景下多重人臉偵測 演算法之研究。科學與工程技術期刊，3，35-43。 楊明儒(2007)。使用影像處理技術監控學童在家自主學習精神狀態(未出版之碩 士論文)。 私立朝陽科技大學，臺中市。 葉士毅(2007)。遠距教學環境中學生學習行為即時診斷之研究(未出版之碩士論 文)。國立暨南大學，南投縣。 詹忻澂(2010)。混合 HAAR-LIKE特徵與特徵相對位置之人臉偵測(未出版之碩 士論文)。國立屏東教育大學，屏東縣。 廖聖傑(2002)。從學習歷程檔案建構決策樹以支援網路教學(未出版之碩士論 文)。國立中山大學，高雄市。 蔡沛勳(2006)。遠距教學之全時精神狀態偵測系統之研製(未出版之碩士論文)。 私立朝陽科技大學，臺中市。 鄭昭明(2006)。認知心理學。臺北市：桂冠圖書公司。 鄭麗玉(2006)。認知心理學：理論與應用。臺北市。五南圖書公司。 鍾維哲(2000)。基於光流計算之即時影像追蹤系統(未出版之碩士論文)。國立成 功大學，臺南市。 顏春煌(2006)。數位學習與資訊素養。臺北市：金禾資訊。 譚永恆(2000)。以數位影像技術做人臉自動追蹤系統之研究(未出版之碩士論 文)。國立成功大學，臺南市。 蘇信宏(2007)。 數位學習情意偵測專心程度之影像處理(未出版之碩士論文)。
- 86. 76 私立北台灣科學技術學院，臺北市。 顧大維(2005)。從數位教學平台使用的迷思：看教學設計在數位學習應扮演的 角色。教育研究月刊，131 期。 英文參考資料 Clark, R.,&Mayer ,R. (2003). E-Learning and the science of instruction. Dong, H. Y. & Myung, J. C. (2005). A novel non-intrusive eye gaze estimation using cross-ratio under large head motion. Computer Vision and Image Understanding, 25-51. Drews, F. A., Pasupathi, M., ＆ Strayer, D. L. (2008). Passenger and Cell Phone Conversations in Simulated Driving. Journal of Experimental Psychology: Applied, 14(4), 392-400. F. Marino.(2000). A double-face bit-serial architecture for the 1-d discrete wavelet transform. IEEE Transactions on circuits and systems-Ⅱ: analog and digital signal processing, 47(1), 65-71. Gary R. Bradski.(1998).Computer Vision Face Tracking For Use in a Perceptual User Interface.Intel Technology Journal Q2. Gary R. Bradski.(2009). Computer Vision Face Tracking For Use in a Perceptual User Interface. Intel Technology Journal Q2. H.A.Rowley, S.Baluja, and T.Kanade.(1998). Rotation invariant neural network-based face detection. Computer Vission and Pattern Recognition, IEEE Computer Society Conference on, 38-44
- 87. 77 Harris, J.H. (1984).An experimental analysis of desert rodent foraging ecology. Ecology, 65,1579-1584. Hsu, R. L. Mottaleb, M. A & Jain, A. K. (2002). Face detection in colorimages.IEEE Transactions on Pattern Analysis and Machine Intell. 24,696-706. Huang, J. & Wechsler, H. (1999). Eye detection using optimal wavelet packets and radial basis functions (rbfs). Int. J Pattern Recognit.Artif.Intell, 1009–1025. Huang, Y.-M., Chiu, P.-S., Liu, T.-C., & Chen, T.-S. (2011). The design and implementation of a meaningful learning-based evaluation method for ubiquitous learning. Computers & Education, 57(4), 2291-2302. Jalal, A. N. Sara , K. & Hamid, R. P. (2007). Eye detection in color images. M.V.I.P. John, J. M. Matthew, R. S. Benjamin, N. W. & Margrit B. (2004). EyeKeys: A real-time vision interface based on gaze detection from a low-grade video camera.IEEE. K. Grauman, M. Betke, J. Gips, and G. R. Bradski.( 2001).Communication via Eye Blinks-Detection and Duration Analysis in Real Time. IEEE International Conference on Computer Society, 1010-1017. Kah-Kay Sung and Poggio, S.(1995).Learning a distribution-based face model for human face detection.Neural Networks for Signal Processing V. Proceedings of the 1995 IEEE Workshop , 398-406 Kawato S. & Ohya, J. (2000). Real-time detection of nodding and head-shaking by directly detecting and tracking the between-eyes.in: Proc. 4th IEEE Int. Conf. on Automatic Face and Gesture Recognition, 40–45.
- 88. 78 Kenyon, R. V.(1995). A Soft Contact Lens Search Coil for Measuring eye Movements .Vision Res. 25(11), 1629-1633. Kun, P. Liming, C. Su R. & Georgy, K. (2005). A robust algorithm for eye detection on gray intensity face without spectacles. JCS&T, (5)3, 127-132. Landers, D.M., Boutcher, S.H., and Wang M.Q.(1986) . A psychophysiological study of archery performance. Research Quarterly for Exercise and Sport,57,236-244. Lin, Y.-T., Huang, Y.-M., & Cheng, S.-C. (2010). An automatic group composition system for composing collaborative learning groups using enhanced particle swarm optimization. Computers & Education, 55(4), 1483-1493. Liwei Wang, Yan Zhang and Jufu Feng.(2005). On the Euclidean distance of images. IEEE Transaction On Pattern Analysis and Machine Intelligence, 27(8),1334-1339. M. Isard and A. Blake.(1996).Contour tracking by stochastic propagation of conditional density. In Proc. European Conf. On Computer Vision, 343-356. M. Soriano, B. Martinkauppi, S. Huovinen, and M. Laaksonen.(2000). Using the Skin Locus to Cope with Changing Illumination Conditions in Color-Based Face Tracking.IEEE Symposium on Signal Processing, 383-386. Mayumi, Y. Osamu, Y. & Kazuhiro, F. (2004). Precise pupil contour detection based on minimizing the energy of pattern and edge. Machine Vision Applications, 87(1), 105-112. Nevatia, R.(1977).A color edge detector and its use in scene segmentation,IEEE Transactions on Systems, Man and Cybernetics, 7, 820-826.
- 89. 79 Norris, G. &Wilson, E. (1997). The Eye Mouse, An Eye Communication Device.IEEE Proceedings of Bioengineering, 66–67. O'Connor, D. H., Fukui, M. M., Pinsk, M. A., ＆ Kastner, S. (2002). Attention modulates responses in the human lateral geniculate nucleus. Nature Neuroscience, 5, 1203-1209. P. Smith, M. Shah and N. d. V. Lobo.(2004).Determining Driver Visual Attention with One Camera. IEEE Transactions on Intelligent Transportation Systems, 4, 205-218. P.A. Beardsley.(1998). A qualitative approach to classifying gaze direction, Automatic Face and GestureRecognition, Proceedings. Third IEEE International Conference on, 160-165 Park, K. S. & Lee, K. T. (1996). Eye-controlled human computer interface using the line-of-sight and the intentional blink. Computer Engineering, 30(3), 463-473. Paul Viola and Michael Jones.(2001). Rapid Object Detection Using a Boosted Cascade of Simple Features. IEEE CVPR. Qiang, J. Zhiwei, Z. Lan,P. (2004). Real-time nonintrusive monitoring and prediction of driver fatigue.IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY, 53, 1052-1068. R. Stiefelhagen, J. Yang and A. Waibel.(1996).Model-Based Gaze-Tracking System. IEEE International Joint Symposia on Intelligence and Systems, 1996, 304-310. Rainer Lienhart, Alexander Kuranov, and Vadim Pisarevsky.(2002). Empirical Analysis of Detection Cascades of Boosted Classifieers for Rapid ObjectDetection. MRL technical Report.
- 90. 80 Sirohey, S.A. &Rosenfeld, A. (2001). Eye detection in a face image using linear and nonlinear filters.Pattern Recognit, 1367–1391. Song Yang. (2011). A face and eye detection based feedback system for smart classroom.Electronic and Mechanical Engineering and Information Technology (EMEIT), 571 – 574. Sotoyama, M., Jonai, H. and Saito, S. (1996), Analysis of ocular surface area for comfortable VDT workstation layout, Ergonomics, 39, 877-884. T .K. Leung , M. C. Burl, and P. Perona.(1995).Finding faces in clustered scenes using random labeled graph matching.in Proc. Computer Vision and Pattern Recognition, 637-644. T. Lee, S. K. Park, and Mignon Park,(2005). A New Facial Features and Face Detection Method for Human-Robot Interation. Proceedings of the 2005 IEEE International Conference on Robotics and Automation, 2063-2068. T. Miyakawa, H. Takano, and K. Nakamura.(2004). Development of Non-contact Real-time Blink Detection System for Doze Alarm. SICE 2004 Annual Conference, 2, 1626-1631 Ueno, H., Kaneda, M., & Tsukino, M. (1994). Development of drowsiness detection system. in Proc. Conf. Vehicle Navigation and Information Systems ,Yokohama, Japan, 15-20. W. Dong and X. Wu.(2005).Driver Fatigue Detection Based on the Distance of Eyelid. IEEE International Workshop on VLSI Design & Video Tech, 365-368. W. Rongben, G. Lie, T. Bingliang, and J. Lisheng.(2004).Monitoring Mouth Movenent for Driver Fatigue or Distraction with One Camera. IEEE
- 91. 81 International Conference onIntelligent Transportation Systems, 314-316. Xiao zheng Zhang and Russ M. Mersereau. (2000). Lip Feature Extraction Towards an Automatic Speech reading System. In Proc. International Conference on Image Processing, Vancouver, Sept. Xie, X. Sudhakar, R. & Zhuang, H. (1994). Eye feature extraction using deformable templates. Pattern Recognit, 791–799. Yaginuma, Y., Yamada, H. and Nagai, H. (1990), Study of the relationship between lacrimation and blink in VDT work, Ergonomics, 33, 799-809. Yang, G. and T. S. Huang .(1994). Human face detection in complex background. Pattern Recognition, 27(1),53-63. Yuemin Li, Jie Chen, Wen Gao, Baocai Yin.(2003). Face Detection:a Survey. the 16th National Symposium on Computer Science and Technology (CACIS) Conference Proceedings. Yuille, P.W. & Hallinan, D.S. (1992). Cohen Feature extraction from faces using deformable templates,Int. J. Comput. 8(2), 99–111. Z. H. Zhou and X. Geng.（2004）.Projection Functions for Eye Detection. Pattern Recognition,37(5), 1049-1059. Zhiwei, Z. & Qiang, J. (2004). Eye and gaze tracking for interactive graphic display.Machine Vision and Applications,139–148.