محققان در پژوهشی جدید، بنچمارک دقیق و انسانی «TeachObs» را معرفی کردهاند که به طور ویژه برای بررسی توانایی مدلهای چندوجهی (Multimodal) در درک رفتارهای تدریس در کلاسهای درس طراحی شده است.
این بنچمارک شامل ۵۱۵۸ صحنه ویدیویی از کلاسهای درس در ۸ کشور مختلف است که توسط متخصصان با جزئیات کامل (از زبان بدن معلم گرفته تا سبک پرسش و پاسخ) برچسبگذاری شدهاند. نتایج اولیه نشان میدهد که مدلهای هوشمند فعلی هنوز در درک کامل این رفتارهای پیچیده با چالشهای بزرگی روبرو هستند.
این ابزار میتواند گام مهمی در هوشمندسازی سیستمهای کمکآموزشی و ارزیابی دقیقتر مدلهای بینایی ماشین در محیطهای انسانی باشد. 🏫🤖
منبع: arXiv NLP
