Sistema de detección de niveles de atención en estudiantes mediante análisis de imágenes de video empleando visión artificial
Files
Date
2025-08
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
The present work developed a system for real-time monitoring of the attention level of students, through the implementation of computer vision and deep learning. The system uses a webcam to capture images of the student, which are processed by algorithms such as MediaPipe and YOLOv8 to detect postures, gestures, gaze direction and distracting objects. From this data, a neural network-based model classifies the level of attention into three categories: high, medium and low.
The solution was validated at the Gustavo Iturralde Fiscal School, located in the Lasso parish, where structured tests were applied to 12-year-old students. The results showed adequate accuracy and significant agreement between the system's automatic evaluation and the teacher's direct observation. In the activities carried out, the system and the observer coincided in the classification of attention levels, consistently identifying high, medium and low states according to the behavior of the students during the different tests. This alignment between the two methods reinforces the usefulness of the system as a complementary tool for the objective monitoring of attention in the classroom.
The implementation proved to be practical, non-invasive and compatible with the school environment. The system provides a valuable tool for improving pedagogical management, allowing teachers to identify attention levels in a timely manner and apply corrective strategies. Its adaptability and accuracy position it as a technological resource with high potential for future research and educational applications.
Description
El presente trabajo desarrolló un sistema de monitoreo en tiempo real del nivel de atención de estudiantes, mediante la implementación de visión artificial y aprendizaje profundo. El sistema utiliza una cámara web para capturar imágenes del estudiante, que son procesadas por algoritmos como MediaPipe y YOLOv8 para detectar posturas, gestos, dirección de la mirada y objetos distractores. A partir de estos datos, un modelo basado en redes neuronales clasifica el nivel de atención en tres categorías: alta, media y baja.
La solución fue validada en la Escuela Fiscal Gustavo Iturralde, ubicada en la parroquia Lasso, donde se aplicaron pruebas estructuradas a estudiantes de 12 años. Los resultados evidenciaron una precisión adecuada y una concordancia significativa entre la evaluación automática del sistema y la observación directa del docente. En las actividades realizadas, el sistema y el observador coincidieron en la clasificación de los niveles de atención, identificando de manera coherente los estados altos, medios y bajos en función del comportamiento de los estudiantes durante las distintas pruebas. Este alineamiento entre ambos métodos refuerza la utilidad del sistema como herramienta complementaria para el monitoreo objetivo de la atención en el aula.
La implementación demostró ser práctica, no invasiva y compatible con el entorno escolar. El sistema brinda una herramienta valiosa para mejorar la gestión pedagógica, permitiendo a los docentes identificar de forma oportuna los niveles de atención y aplicar estrategias correctivas. Su adaptabilidad y precisión lo posicionan como un recurso tecnológico con alto potencial para futuras investigaciones y aplicaciones educativas.
Keywords
VISIÓN ARTIFICIAL, NIVEL DE ATENCIÓN, APRENDIZAJE AUTOMÁTICO, MEDIAPIPE, DETECCIÓN FACIAL