⚠️ KMI waarschuwing: Code oranje in Henegouwen Laatste update van KMI waarschuwingen voor België. KMI ↗ Kaart ↗ Artikel →
← Terug
AI herkent de docent in klaslokaal-opnames — zonder stemprofielen en volledig op je telefoon

AI herkent de docent in klaslokaal-opnames — zonder stemprofielen en volledig op je telefoon

Hoe vaak spreekt een docent eigenlijk tijdens de les? Dat lijkt een simpele vraag, maar het antwoord is een van de waardevolste signalen om de kwaliteit van onderwijs te meten. Het probleem: audio-opnames uit klaslokalen bevatten stemmen van minderjarigen en vallen daarmee onder de strengste privacywetgeving — de Algemene Verordening Gegevensbescherming (GDPR). Ruwe audio mag het opnameapparaat idealiter niet eens verlaten.

Onderzoekers Nitin Jain, Tim Fütterer, Babette Bühler en Çağatay Yıldız vonden een oplossing. Zij ontwikkelden een systeem dat volledig op het opnameapparaat zelf draait en de docent automatisch onderscheidt van de leerlingen. Volgens de publicatie op arxiv.org is de pijplijn 'label-free': geen kalibratie vooraf, geen opgeslagen stemidentiteiten. Het systeem kijkt niet naar wíé er spreekt, maar naar de relatieve structuur van de les — wie leidt het gesprek?

Sterke resultaten, in meerdere talen

De aanpak is getest over verschillende talen en akoestische omstandigheden. Bij een validatie met 292 opnames van 63 verschillende docenten scoorde het systeem een F1-score van 0,81 op Engelse corpora en 0,87 op Duitse corpora. Daarmee overtreft het zowel baselines op basis van inschrijving als een supervisie-plafond van 30 seconden.

Ook de snelheid is opvallend. Op een standaard smartphone presteert het systeem vergelijkbaar met 'pyannote', een geavanceerde neurale tool voor sprekerdiarisatie — maar dan 4,8 keer sneller, bij vergelijkbaar geheugengebruik.

Niet perfect, maar eerlijk over de fouten

De technologie is niet waterdicht. Fouten ontstaan vooral op momenten waarop de stemmen van docent en leerlingen akoestisch nauwelijks van elkaar te onderscheiden zijn. Slim oplossing: het systeem geeft tijdens de verwerking zelf aan wanneer een sessie onbetrouwbaar is. Die fragmenten kunnen vervolgens naar een menselijke beoordelaar gaan — een selectieve en privacy-bewuste werkwijze.

Ook bij transcriptie blijft de kwaliteit goed: de foutmarge in de woorden van de docent (Word Error Rate) stijgt slechts marginaal, van 0,26 naar 0,28.

Het onderzoek is officieel geaccepteerd voor de AAAI-track 'Innovative Applications of AI' (IAAI). De publicatie onderstreept daarmee de noodzaak van lokale dataverwerking om binnen wettelijke kaders te blijven. Andere bronnen, zoals canva.com, bieden overigens geen inhoudelijke informatie over dit specifieke onderzoek.

Waardering
0
Stem mee op dit artikel
Discussie
Nog geen reacties. Wees de eerste!