传感器支持的学习系统的参考模型分析与应用

沙特国王大学学报传感器支持学习系统的参考模型Maha Faisala，a，Aisha Bourahmaa，1，Feda AlShahwanb，2a科威特科威特大学计算机工程系b科威特应用教育公共管理局技术研究学院阿提奇莱因福奥文章历史记录：收到2018年2019年5月30日修订2019年6月27日接受在线提供2019年保留字：传感器参考模型学习系统A B S T R A C T传感器支持的系统已经适用于各种领域，例如医疗保健、体育和教育。在本文中，我们提出了一个概念性的参考模型的传感器支持的学习系统的尺寸的基础上，在这一领域的最新文章的审查。该参考模型是基于学习系统的不同可观察属性的识别，如何使用传感器来支持学习，以及教育目标。所提出的参考模型可以用来表示当前传感器支持的学习系统的能力，并为未来系统的开发提供基础©2019作者制作和主办：Elsevier B.V.代表沙特国王大学这是一CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍传感器是“一种响应物理刺激（如热，光，声音，压力，磁或特定运动）并传输所得脉冲（如用于测量或操作控制）的设备”（传感器，n.d. ）.传感器技术为增强传统学习环境中的互动提供了极好的机会。传感器通过实时共享各种类型的信息来缩小物理环境和数字环境之间的差距。用传感器增强的日常物体（即，灯、门、计算机、移动电话）现在可以很容易地集成到数字世界中。能够从传感器检索和分析数据的系统具有巨大的使用潜力电子学习，以克服电子学习带来的障碍，数字环境。例如，从传感器收集的数据已经被分析以识别学习者活动、姿势（Brunelli*通讯作者：科威特大学计算机工程系，P.O. Box 5969，Safat 3060，科威特。电子邮件地址：maha. ku.edu.kw（M. Faisal），a.alShahwan@paaet.edu. kw（F.Al-Shahwan）。1科威特大学计算机工程系，P.O.Box 5969，Safat 3060，科威特。2电子工程系，计算机科，技术研究学院，邮政。科威特，Safat 13092，Box 23167沙特国王大学负责同行审查制作和主办：Elsevier例如，2006）、情感和运动模式（Lara和Labrador，2013），并应用于情境感知自适应学习中的个性化（Zimmermann等人，2005年）。软件已经被用于跟踪用户的在线活动和偏好，维护各种日常活动的日志，以及可以被认为是感测的其他非物理刺激。在这项工作中，我们考虑虚拟和物理刺激用于跟踪或测量对象或其属性时，定义传感器。此外，传感器可以是设备或软件程序。有一个参考模型，以提供明确的识别传感器的存在，和他们的能力，在学习系统中，将使标准化的学习系统与传感器的支持。参考模型“是用于理解某些环境的实体之间的重要关系的抽象框架”（Mackenzie等人，2006年）。它是一个特定于领域的本体，允许在建模一类问题时对实体及其之间的关系有共同的理解。一般来说，参考模型提供了一种概念分类法，可用于比较系统，识别常见的功能系统元素，并捕获这些元素之间的数据流和依赖关系。因此，参考模型可用于识别传感器支持的学习系统的基本要素，并定义如何设计这些系统的标准。在本文中，我们回顾了目前的文献中，教育环境或系统纳入传感器（第2节）。然后，我们定义了一个概念参考模型，用于定义传感器支持的学习系统的要求，并提供了一个例子来证明它（第3节）。在传感器支持的学习系统中定义实体可以帮助识别传感器可以用于支持学习的方式。它还提供了一个https://doi.org/10.1016/j.jksuci.2019.06.0151319-1578/©2019作者。制作和主办：Elsevier B.V.代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.com1146米Faisal等人 /沙特国王大学学报-计算机与信息科学33（2021）1145- 1157有机会发现问题或局限性，并促进适当的做法。2. 文献复习本文旨在研究当前的传感器支持的学习系统，以确定他们的特点，并确定他们如何支持学习。本文选择的研究集中在利用传感器的学习系统使用Google Scholar、IEEE Xplore和ACM数字图书馆检索2003年至2017年在检索这些数据库时使用了以下关键词：电子学习、教育、传感器、心理学、学校、大学、Kinect、Wii。在本节中，我们将根据所使用的传感器类型以及传感器的使用如何支持学习来回顾这些系统。运动跟踪传感器系统可以分为非视觉跟踪系统、基于视觉的跟踪系统和组合跟踪系统（Zhou和Hu，2008）。非视觉系统中使用的传感器是可穿戴的;它们用于收集身体运动信息，包括手套，陀螺仪和磁传感器等组件。基于视觉的跟踪系统使用摄像头，它们可以是基于视觉标记的，也可以是无标记的，这取决于指示器是否必须附着在身体部位。运动跟踪传感器系统已经被用于教导人们关于不同的运动和其他身体活动。大学生群体发现这种方法对于包括运动跟踪和标记设备的运动训练是有帮助的（Vernadakis等人，2012年）。例如，Kinect（无标记运动跟踪设备和扫描测距仪）是用于教导篮球运动员如何实现正确的射门姿势的运动跟踪装置（Hsia等人， 2014年）。Raptis等人（2011 a）和Kyan等人（2011 a）描述了类似的系统。（2015），其中舞者可以使用运动跟踪设备进行训练，该设备通过跟踪骨骼运动来评估舞蹈动作的准确性除了体 育应用外， 运动传感器 也被认为有 助于在教室 内使用（Maldonado，2010）。运动跟踪设备和扫描测距仪用于通过允许学生用免提运动跟踪和标记设备进行数学练习来教授数学（Akazawa等人，2013; Gunawan等人，2017;Adamo-Villani等人，2007年）。教室中的学生和教师使用运动跟踪设备代替常规鼠标来实现共享电子白板，这允许所有参与者之间进行直接直观的合作。研究已经调查了无标记装置（Lei，2014）和标记运动跟踪装置（Holzinger等人，2010年）。此外，通过运动跟踪设备和扫描测距仪观察头部运动，以识别学生学习状态和情绪的五个不同水平，例如集中与分心，困难与容易以及有趣与乏味（Yu等人， 2017年）。图像传感器已经被用于检测教室的占用者的行为，诸如基于接近度计算社会关系的度量或确定活动的平均水平。多个RGB-D传感器在正常的日常课堂活动期间短时间间隔从多个角度捕获图像（Walczak等人，2013年a）。网络摄像头也已被用于监测眼球运动并记录用于确定学生注意力的图像（Hwang等人，2011年）。眼睛跟踪技术用于使用基于眼睛运动的神经语言编程（NLP）来检测学生的个性（Pop等人，2010年）;它还用于根据注视持续时间、注视方向、眨眼率和注视固定来确定学生的注意力、兴趣和智力（Porta等人， 2012; Calvi等人， 2008年）。游戏机中的扫描测距仪和图像传感器有可能支持残疾学生接受教育（Pearson和Bailey，2007年）。作为一个例子，Kinect被用来通过一种独特的教育软件来帮助有视觉障碍的儿童，在该软件中，系统调用物体的名称，儿童通过触摸周围的物体、选择命名的物体并将其显示给Kinect来找到所需的物体（Armin等人，2013年）的报告。此外，Kinect还用于唐氏综合症患者的教育和康复活动中的情绪评估。它允许教师为学生创建练习并监控他们的进度（Torres-carrión等人，2014年）。手语翻译被设计成一种教学工具。任何想学习美国手语的人都可以在图像传感器前进行手部和面部手势。然后，捕获的手势被翻译成文本，从而帮助用户练习语言（Li等人，2011年）。Kinect被用来改善课堂互动并激发所有年龄段学生的创造力（Justina Hsu，2011）。在数位学习系统中，声音感测器可以侦测学生的情绪。使用情感和语音信号模式之间的映射来提取情感状态（Chunyong等人，2007;Chavhan等人，2010年）。此外，音频传感器可用于区分多个学生声音和老师使用音频和图像传感器（手势分析），无论是在虚拟教室、真实教室还是具有多个发言者的视频会议中，都可以促进学习过程的管理，因为它有助于识别发言者的身份（Hariharan等人， 2013年）的报告。环境传感器增强了课堂体验和协作学习，每个学生都有不同的传感器来捕获位置，光线强度和噪音。每组学生管理他们的会议;在识别上下文和学生情况的传感器的帮助下此外，传感器帮助教师观察和指导小组工作（Yau例如，2003年）。安装在智能盒中的环境传感器增强了学生的电子学习体验（Matsuo等人，2009年）。除了传感器，这个智能盒子还包括光，aromatic和温度控制，以刺激学习者在学习时间。在智能大学中，湿度和噪声传感器用于房间推荐和房间分配规划（Sauer等人， 2014年）。一个集成的生物物理传感器（可以从人体采取生物当心率过高或快速变化时，观察到诸如压力、焦虑和兴奋的情绪（Hwang等人，2011年）。生物物理传感器也已被用于探索学习期间情绪的变化（Shen等人，2009; Matsuo等人， 2009年）。软件传感器是依赖于学习环境中的刺激并在不依赖于硬件设备的情况下提供数据的传感器（关于逻辑传感器（Windows），n. d. ）.电子学习系统可以依靠软件传感器来探索学生这些软件传感器链接到学习事件和学生在电子学习过程中的动作（例如，用户是否在听音乐;用户何时进行过多的鼠标移动;用户的服务器访问延迟是多少来自这些软件传感器的数据用于为每个用户创建特定的简档并识别情绪（Rosales等人，2011年）。此外，基于文本的软件传感器用于检测情绪，如快乐，悲伤，愤怒，恐惧，厌恶和惊讶。传感器与书面句子中提到的特定术语以及其中的情感内容相关联（Mao和Li，2009;Rodriguez等人，2012; Shaheen等人，2014年）。软件传感器还用于在心算期间检测来自键盘和鼠标动态的认知压力（Lim等人，2014年）。M. Faisal et al./Journal of King Saud University- Computer and Information Sciences 33（2021）1145-115711473. 方法将传感器引入学习系统允许数据收集和对其实体的观察我们认为学 习 情 境 是 学 习 情 境 的 技 术 、 个 人 和 物 理 能 力 集 ， 类 似 于（Multisilta和Perttula，2013）。基于文献调查，我们提出了一个概念参考模型的传感器支持的学习系统，将增强传统的学习系统。如图 参考模型具有以下维度：传感器、被观察实体、系统能力和教育目标域。我们采用Bloom所提出的适应有助于确定传感器可以为学习过程提供的支持程度。不同尺寸之间的关系如图所示。 二、本节的其余部分描述了所提出的参考模型的维度，并提供了一个应用示例，以确定传感器支持的学习系统的要求。3.1. 传感器本文从四个方面/属性描述了教育系统中使用的传感器：传感器类，传感器构建，传感器Fig. 1.传感器支持学习参考模型的维度。部署和交互风格（如图所示）。 3）。传感器类基于传感器的共同目标和能力。传感器能力可以用于观察包括人类活动、人类存在、上下文、环境、生理状态和对象识别的传统学习系统。传感器类别和功能如表1所示。传感器构建根据引言中传感器的定义分为硬件传感器和软件传感器两大类。传感器部署根据传感器安装进行分类;传感器可以由学习者佩戴（附在身体上）或拆卸。交互样式方面表征数据收集过程（如何）;它可以是主动的或被动的。在主动交互风格中，传感器通过发送信号来启动交互在被动交互中，可见信息是直接可用的在表2中，我们将建议的传感器描述应用于研究文献中使用的硬件传感器。3.2. 观察到的实体学习系统中的被观察实体可以是学习者或上下文。基于传感器具有的不同能力（表1），关于学习者的可观察信息可以分为三个属性：生理、行为和空间时间。关于上下文的可观察的信息被分类如下：用户、环境和虚拟属性。表3列出了不同的可观察属性和信息的一些示例。3.3. 系统能力当用传感器支持教育系统时，学习系统可以具有促进学习的能力和服务。根据研究的文献，我们确定了两个抽象层次（图4）。在第一级，更抽象，我们有系统能力。第2级，我们拥有可以直接使用或由第1级功能使用的服务。四种能力被确定;适应，即系统被调整以支持学习者的活动、需求和偏好。传感器被用来观察学习者和上下文，收集的信息被用作适应个别学习者的基础。支持残疾用户是适应的一个例子，其中一个系统旨在帮助教育有特殊需要的学生（视力障碍、听力障碍），图二. 参考模型尺寸概念图。1148米Faisal等人 /沙特国王大学学报-计算机与信息科学33（2021）1145- 1157图三. 传感器的属性损伤、唐氏综合征）。另一个系统功能是反馈，其中传感器收集的信息直接呈现给用户（在体育和身体活动中非常常见）;这也包括变化通知一个示例是触觉 触觉反馈 是通过触摸感测自然 或合成机械环 境的能力（Hayward等人， 2004年）。第三个确定的能力是评估，其中一个系统测量不同的学习技能和活动，以比较和跟踪改进。另一种能力是协作，系统支持在一个组中工作，并促进完成任务或达到目标。另一方面，系统服务包括活动跟踪和识别。活动跟踪，系统监控用户识别跟踪学习者的上下文和学习者3.4. 教育目标域Bloom（Krathwohl，2002）指出，为了从教育过程中获得最佳结果，必须解决三个认知领域是以知识为基础的领域，其目标是获得知识、理解力和用于批判性思维的心理技能心理学领域是一个基于技能的领域，指的是获得身体技能，如运动，舞蹈和绘画。情感领域是一个基于态度的领域，涉及情绪和感受。前面提到的领域被分为不同的层次，从最基本的开始，到最复杂的结束（图1）。 5）;每个人都有自己的定义和工具。教室里的老师可以通过使用指定的工具来解决课程中的所有级别，并引导学生从最低到最高达到所需的级别例如，对于“记忆”是最低层次的认知领域表1学习系统中使用的传感器类别。传感器类别传感能力存在计数识别位置社会行为活动情绪环境音频传感器XXXXXXX一种能把声音转换成电信号的装置。惯性传感器惯性传感器在没有外部参考的情况下检测物体的运动或旋转加速度计测量比力，陀螺仪测量角速率。ID传感器可以识别特定信号发送器的传感器。图像传感器（摄像头）XXXXXXXXXXXXXXXX可以检测和参考构成图像的数据（像素，颜色，大小）环境传感器（化学传感器）用于检测环境中某些化学刺激的传感器运动传感器XXXXXXXXXXX一种可以探测移动物体扫描测距仪XXXXXXXX一种传感器，它利用光来定位空间内的物体。生物物理传感器一种可以从人体进行生物测量的电子传感器。软件传感器XXXXXXXXXXXX提供数据而不依赖于硬件设备（关于逻辑传感器（Windows），n.d. ），其中可以通过回答是或否（0或1）或使用文本传感器（使用软件从单词和短语●●●M. Faisal et al./Journal of King Saud University- Computer and Information Sciences 33（2021）1145-11571149表2硬件传感器的例子。传感器类测量特性交互样式部署支持学习被动活性可穿戴分离加速计惯性加速度XX活动、背景和环境感测相机图像可见光X XXX活动、情境、环境感知陀螺仪惯性措施导向XX活动和上下文感知加湿器环境检测湿度XX活动和环境感知红外相机图像红外频率XXX活动和上下文感知光麦克风音频声波XXX人的存在、活动、背景和环境感测射频识别ID射频XX、计数、位置和上下文感测接收器（RFID）心电图（ECG或生物物理心跳XX活动感测心电图）晴雨表生物物理压力XX生理状态、活动和背景感测脑电图（EEG）生物物理电活动沿XX生理状态、活动和背景头皮感测被动红外（PIR）运动运动红外线的变化XXX人员存在、计数和位置传感器光辐射感测3D激光雷达扫描激光脉冲反射XX活动、背景和环境测距仪从目标感测表3学习系统中被观察实体的属性示例。实体财产例如学习者生理行为血压、体温和心率社交行为（协作）、活动、姿势和情绪时空学习者的存在，在场的人数，他们的位置，以及在给定时期内个人位置的历史（跟踪）。上下文用户环境偏好和先验知识房间里的其他人或物体、光线、噪音水平和温度。虚拟数字材料和文物图五. 布卢姆见图4。 系统能力和服务。布卢姆的教育目标领域分类法没有考虑技术在教育中的利用（例如，电子白板、虚拟教室、学习管理系统和传感器）。我们提出了数字教育目标分类法，这是一个修改后的分类法，认识到所需的技术，以实现一个领域的目标。在我们的分类法中，我们引入了另外两个特征，以将适当的数字和技术工具与每个领域的级别联系起来1. 教育目标数字化工具（EODT）：系统应提供的技术和数字化工具，以允许学习者实现特定的教育目标（即，通过任何媒体呈现LES-SON）。2. 教育目标数字评估工具（EODAT）：系统应提供的技术和数字化工具，评估教育目标的实现情况（即，使用数字测验来帮助学习者记住课程）。3.4.1. 认知领域数字教育目标分类的认知领域水平如图6所示。认知域的每个层次都由动作动词、EODT和EODAT来表征。图中所示的动作动词样本是基于布鲁姆在数字教育环境中，学生可以通过使用EODT中提供的技术来练习这些活动。EODAT代表用于检查学生是否达到并实践了水平活动的技术。以下是对认知领域各个层面1. 回忆。学习者回忆或检索以前学过的信息的能力。在数字环境中，学习者可以海拔1150米Faisal等人 /沙特国王大学学报-计算机与信息科学33（2021）1145- 1157图六、数字教育目标分类的认知域使用数字图书馆阅读书籍、突出显示交互式数字书籍的主要信息、以及使用搜索引擎查找主题关键字。软件传感器，如文本传感器和逻辑传感器，用于评估学生的成绩。2. 认识学习者可以遵循指示和问题的含义，翻译，插值和解释。 在这个阶段，学生开始区分学科术语，总结或重写课程，并解释或举例。学习者可以通过在博客中总结或重写，在社交媒体应用程序中分享主要术语，以及在主题论坛中参与，辩护和评论来深入地实践这些活动。逻辑或文本传感器在这一级别用于评估学生的数字实践。3. 正在申请学习者可以在新的情况下使用一个概念。在传统的学习过程中，应用是让学生解决数学问题，计算统计表的结果，做物理实验等。许多数字教育程序是学习者实践这些水平活动的有用工具，如MATLAB和AutoCAD。逻辑传感器可用于以更直接的方式评估这一级别的学习者，确保他/她使用过此类应用程序并计算使用时间。4. 分析中。将材料或概念分解成部分的能力，以便理解组织结构。在这个层次上，学习者应该有能力分解所获得的信息或识别问题因素，分析它们，构建图表，然后检查它。例如，在软件编程中，应该在编码之前创建数据结构图。Churches（2008）提出了很多这一级别的数字活动，例如mashing。‘‘Mash-ups将多个数据源整合为一个资源”;至于评估部分，则只能和之前一样，依靠逻辑感应。5. 评估。学习者对思想或材料的价值做出判断通常，在这种高层次的认知领域，教师鼓励学生批判性地审视理论、研究或项目。数字化，学习者可以通过在论坛或博客上评论研究或使用测试程序来练习它。在评价方面，已经开发了许多软件程序，依靠（基于）学习者的动机、态度和偏好来“评价”课文段落，这些词主要由以下几个词文本传感器可以跟踪学习者帖子中的这些单词6. 创建.从不同元素中构建结构或模式的能力。学习者可以写一篇文章，编写一个程序，设计一个传单，或总结一本书。这些活动中的大多数都可以通过数字方式进行。软件传感器和智能软件可用于这一级的评估认知领域中支持学习过程的策略包括：情境信息、学习者的知识、偏好和识别（学习者/用户建模）、变化通知。这些策略可以受益于利用传感器来观察用户和上下文。一些建议的传感器使用如表4所示。3.4.2. 心理学领域传统的心理学领域并不是由布鲁姆探索的，而是由其他学者探索的 ， RH Dave （ 1967 ） ， EJ Simpson （ 1972 ） 和 AJ Harrow（1972）。在本文中，我们使用戴夫M. Faisal et al./Journal of King Saud University- Computer and Information Sciences 33（2021）1145-11571151表4支持认知领域的建议传感器。战略建议传感器教师，和心理教育系统应提供受训者较少的指导比它在模仿水平。评估就像模仿水平一样。上下文信息NFC、RFID、GPS、麦克风3. 精确度：在高度精确度内执行技能。 在这个级别，学习者开始掌握动作或ges-学习者模型EEG，软件传感器，NFC，摄像头，心率监测加速度计，摄像头，ECG，EEG，陀螺仪，麦克风这是我们对心理学领域进行数字分类的基础（表3）。我们选择戴夫的心理表征，因为它与认知域（如辛普森的版本）或情感域（如哈罗的版本）没有重叠。数字教育目标分类的心理学领域水平如图所示。7.第一次会议。以下是对心理学领域各个层面的阐述1. 模仿：观察和模仿别人的行为。传统上，在这个级别，教师表演技能，学员应该模仿动作。在数字世界中，受训者可以观看录制的运动视频，同时模仿它。传感器（摄像头、红外摄像头、深度传感器、环境传感器、加速度计）可以跟随学员的运动，以像普通教师一样给出最好的指导在评估时，学员2. 操纵：通过命令或遵循指令执行特定操作的能力。这个级别的学习者应该练习身体技能，而不看视频或视频。图。 红外摄像机、深度传感器或加速度计被必须遵循这样的运动。数据挖掘和分析软件可用于评估运动水平或技能准确性。4. 关节：协调和适应一系列的动作，以实现和谐和内部的一致性，学习者重新安排和改变动作或重新设计以前学过的手势。重新安排和重新设计的动作可以观察和数字评估。然而，为了决定新的安排是否更好，需要根据具体的区分进行训练的专家系统。5. 归化：掌握技能到内化/第二天性的程度心理学领域中最复杂的层次，它取决于受训者的创造力和独特性。可以开发一个软件系统来衡量创造力。或者，可以利用众包（人类贡献）来评估创造力。支持心理领域的策略包括基本心理运动、身体活动和熟练运动。这些策略可以受益于利用传感器来观察用户和上下文。表5显示了一些建议的传感器使用情况。3.4.3. 情感领域情感领域涉及学习者的态度和情感，其在数字教育目标分类中的层次如图所示。8.第八条。见图7。数字教育目标分类的心理学领域。1152米Faisal等人 /沙特国王大学学报-计算机与信息科学33（2021）1145- 1157表5建议传感器支持心灵领域。战略传感器3. 评价：对一个物体、现象或行为的价值的依附。在这个级别中，学习者开始发现或形成对主题的看法此外，分享和解释他们的基础步法加速度计、相机、ECG、肌电图传感器、陀螺仪对别人的意见。逻辑和文本传感器可以用来识别和评估学习者的意见，从他们的职位。还有，心率监测器、体温计加速度计，相机，测力计，陀螺仪，扫描测距仪在情感领域，EODAT用于评估学习者的情感状态，如果评估的状态与要求的水平不匹配，则EODT用于刺激学习者达到要求的水平。以下是对情感领域各个层面的阐述：1. 接收：意识，愿意倾听，选择性注意。在这一级别中，评估应该首先揭示学习者的情绪状态（注意力和意识可以通过心率，眼动跟踪和身体姿势来测量）。如果传感器数据导致学习者处于注意力或意识状态，则目标已经实现。如果学习者没有表现出注意力的迹象，那么可以使用数字环境控制技术来刺激这种状态（例如，使用振动来提醒学习者）。2. 回应：积极参与，关注和对现象的反应。这种情绪状态可以通过数字评估工具来测量，例如心跳测量设备或脑电波传感器。在这个级别，我们可以通过使用弹出问题和测验来刺激反应。眼球追踪和心跳传感器可以显示兴趣，如（Porta等人， 2012）和（Calvi等人， 2008年）。4. 通过对比不同的价值观，解决它们之间的冲突，并创建一个独特的价值体系来确定优先级。5. 内化价值观：创造一个控制行为的价值体系。最后两个层次是关于学习者个性的。个性发现应用程序可以评估学习者。学习者可以通过将个性化应用程序与自适应教育系统集成来实现目标水平，其中系统可以根据学习者的需求进行更改。支持情感领域学习的策略包括对行为的概述和回顾。这些策略可以受益于利用传感器来观察用户和上下文，例如加速度计，气压计，相机，GPS，加湿器，麦克风，软件传感器，温度计。3.5. 伊斯兰祈祷传感器支持的学习系统在本节中，我们将展示所提出的参考模型的适用性，以及它如何支持学习活动的设计。图9所示的步骤演示了如何应用传感器支持的学习参考模型。我们认为学习伊斯兰祈祷是一个榜样。我们专注于心理-见图8。数字教育目标分类的情感领域。M. Faisal et al./Journal of King Saud University- Computer and Information Sciences 33（2021）1145-11571153见图9。 应用参考模型的步骤。表6伊斯兰祈祷学习系统的数字教育目标。教育目标EODT EODAT模仿– 学习者可以模仿祈祷序列。操作– 使用者可以按照指示执行祈祷序列。精确– 用户掌握祈祷序列没有任何指示和高度的准确性– 提供每个祷告手势或祷告序列的图片或视频。– 身体跟踪装置（摄像头和扫描测距仪传感器）。– 提供书面或音频说明如何执行一个特定的手势或祈祷序列– 身体跟踪装置（软件和硬件）。– 身体跟踪设备（软件和硬件）。机器学习和分类软件因为熟练和准确的动作是祈祷学习者的主要意图。首先，我们描述了心理学领域不同层次的教育目标。随后，我们使用图1B识别EODT和EODAT。7.第一次会议。该步骤的结果示于表6中。现在我们考虑可观察实体及其属性。在伊斯兰祈祷学习的情况下，根据表3，我们必须观察学习者的“时空和行为属性”和上下文的“用户属性”。期望的能力必须支持学习目标。需要“用户活动跟踪”，以使系统能够监控学习者从学习目标来看，学习者在进行祷告时有不同的专业水平。这种变化证明了“适应”作为一种能力的必要性图10个。伊斯兰祈祷学习系统的参考模型1154米Faisal等人 /沙特国王大学学报-计算机与信息科学33（2021）1145- 1157表7建议参考模型的尺寸概述感知类被观察实体系统能力服务教育目标域学习者情境适应反馈评估协作活动识别认知情感心理学时空生理行为用户环境虚拟跟踪音频惯性传感器传感器我爱你10 X x X x x x x XID传感器X X X X X X图像传感器组织：体操队形x x x x x x Xxx xX x x x xx x x x x x运动传感器扫描测距仪生物物理传感器软件传感器组织：体操队形x x X x x X X X X X组织：体操队形x x x x X组织：体操队形x x xx x x x xx x x x xX表8应用于研究文献的参考模型。工作观察实体传感器系统教育学习者上下文传感器传感器Sensor交互能力目标时空生理行为用户环境虚拟类构建部署方式域（Hsia等人， 2014年度）* IN、IM、M、SRFHWDP、ACF、AEPS（Raptis等人，（2011年b）* * IN，IM，M，SRFHWDP、ACFPS（Kyan等人，（2015年）* * IN，IM，HWDP、ACF、AEPS（Vernadakis等人，2012年）M，SRF* IN，IM，HWWP、ACF、AE-（Akazawa等人，2013年），M，SRF* * IN，IM，HWDP、ACF，AE，C（Gunawan等人，（2017年）（Adamo-Villani等人，（2007年）M，SRF* * IN，IM，HWWP、ACF，AE，C（Holzinger等人，（Lei，2014）（Yu等人，（2017年）M，SRF** * IN、IM、M、SRF** * IN、IM、M、SRF**IN，IM，HWHWHW，DWDP、AP、AP、ACLCLAE，AF角M、SRF、SSW（Walczak等人，（2013年b）（Armin等人， 2013年度）* IN、IM、SRF* IN，IM，HWHWDDP、AP、ACF、AE、ID、AT、DSCF、AE、DSC、PS（Li等人，（2011年）M，SRF* * IN，IM，HWDP、ACF、DSC、PS（Torres-carrión等人， 2014年度）M，SRFIN，IM，HWDP、ACF、DS、AE、AFM，SRFID（Porta等人，2012年，（Calvi）* * IM，MHWDPCF、AE、ID，AF例如，（2008年）（Pop等人，（2010年）* * IM，MHWDPCF、AE、ID，AF（Hwang等人，（2011年）* IM，B，S HW，DPCF、AE、ID，AF（Hariharan等人， 2013年度）* 澳大利亚元SWHWDPCF、ID、CL -（Chunyong等，2007年），* * 澳大利亚元，新加坡元HW，DPCF、IDAF（Chavhan等人，（2010年）（Shen等人，（2009年）* B、SSWHW，WPCF、ADP、AFM. Faisal et al./Journal of King Saud University- Computer and Information Sciences 33（2021）1145-11571155表8（续）工作观察实体传感器系统教育学习者上下文传感器传感器Sensor交互能力目标时空生理行为用户环境虚拟类构建部署方式域系统“持续反馈”也是一种理想的能力，可以在做出不同手势时更新学习者。另一个重要的能力是“评估”，以比较和跟踪学习者祈祷性能的改善。图10示出了应用参考模型的结果。4. 讨论和结论如第3节中描述的参考模型所示，传感器用于通过为当前学习系统所表7显示了传感器类别和建议参考模型的其他维度。它显示了每个传感器类和它可以观察的实体，它可以支持的系统功能和服务，以及可以从这个传感器类中受益的教育目标领域。以这种方式查看学习系统可以使系统设计者能够基于期望的系统能力或教育目标域来做出设计选择。在表7和表8中，使用所提出的参考模型表示了第2节因此，我们认识到，传感器的中心利用是观察学习者的时空和行为特性。在某些情况下，感知学习环境支持学习过程。使用多个硬件传感器可以满足所需的系统功能、服务和教育目标领域，而软件传感器支持所有这些功能（参见表9）。根据这项研究，传感器为具有不同教育目标的学习系统提供了新的潜力。它可以支持教师通过了解所使用的传感器的能力来设定他们的目标和设计学习提出的这一模式只是更全面框架的第一步。它旨在更好地了解传感器支持的学习系统的结构，并帮助定义其要求。SWAE、ID（Matsuo等人，2009）（Sauer等人， 2014年度）（Yau等人，（2003年）* S，ID，CH、S* 澳大利亚元，ID、CH、S* CH，ID，S硬件，软件硬件，软件硬件、软件W，D DW.DP、AP、AP、ACF、ADP、AE、IDCF、ADP、IDADP、CF、AE、ID、CLAFAFAF（Rosales等人，2011）（Lim等人，（Cheng and Liao，2012）（Njeru等人，（2017年）* * S* * S* *** S我的天SWSWSWSWDDD.WDPPPP、AADP，CF，AE，ID，ATADP，CF，AE，ID ADP，CL，CF，AE，IDADP，ID，CF，AE、CL、ATAFAFCC、AF（Shaheen等人，2014）、（Mao和Li，2009）和（Rodriguez等人，2012年）* * SSWDPCF、IDAF传感器类传感器构建AUD音频传感器HW硬件在惯性传感器SW软件IDID传感器传感器部署IM图像传感器W可穿戴CH化学传感器/环境传感器D可拆卸M运动传感器交互样式SRF扫描测距仪一活性B生物物理传感器P被动S软件传感器系统能力ADP适应H触觉（反馈）1156米Faisal等人 /沙特国王大学学报-计算机与信息科学33（2021）1145- 1157表9数字化客观分类学在文献调查中的应用。×M. Faisal et al./Journal of King Saud University- Computer and Information Sciences 33（2021）1145-11571157竞争利益一个也没有。引用关于逻辑传感器（Windows）[WWW文档]，n.d.Adamo-Villani，N.，Heisler，J.，阿恩斯湖2007.两个手势识别系统用于聋人的沉浸式数学教育。Proc. ImmersCom. https://doi.org//ICST.IMMERSCOM2007.2081。Akazawa，N.，Takei，Y.，Nakayama，Y.，角田，H.，铃木，M.，2013.基于Kinect的99乘法表学习In：2013 IEEE 2nd球。Conf. Consum. GCCE 2013，pp. 253-257.https://doi.org/10.1109/ GCCE.2013.6664816。Armin，K.，Mehrana，Z.，Fatemeh，D.，2013年a。使用Kinect教学听力和视力障碍儿童在：4th Int.Conf. e-Learning e-Teaching（ICELET 2013），pp.86-90.https://doi.org/10.1109/ICELET.2013.6681651的网站。Brunelli，D.，Farella，E.，罗基湖，Dozza，M.，基亚里湖贝尼尼湖2006年。基于无线体 域 网 的 康 复 生 物 反 馈 系 统 。 第 四 届 IEEE 普 适 计 算 和 通 信 研 讨 会（PERCOMW'06）。pp. 527-531. https://doi.org//PERCOMW.2006.27.卡尔维角，Porta，M.，Sacchi，D.，帕维亚大学，2008. e5Learning，一个基于眼动追踪的电子学习环境2008。Chavhan，Y.，M.L.多尔，Yesaware，P.，2010.基于支持向量机的语音情感识别。国际计算机1，8-11. https://doi.org/10.5120/431-636.郑洪，Liao，W.，2012.使用物联网和学习分析建立终身学习环境。Adv. Commun. 技术人员：1178-1183Chunyong，Y.C.Y.，如霞，S.R.S.，Qi，L.Q.L.，2007. E-learning中语音情感识别系统的 研 究 。 见 ： 2007 年 中 国 控 制 会 议 ， 544-552 。 https://doi.org/10.1109/CHICC.2006.4346832。Churches，A.，2008年Bloom技术学习。196605124，1- 6。Gunawan，T.S.，Bahari，B.，Kartiwi，M.，2017.用微软Kinect开发小学数学教育游戏印度尼西亚电气工程计算杂志Sci. 6，457-463。https://doi.org/10.11591/ijeecs.v6.i2.pp457-463网站。Hariharan，B.，Hari，S.，Gopalakrishnan，U.，2013.使用具有手势分析的音频和视频传感器的多说话者检测和跟踪在：IFIP Int.无线会