twilio教學2021的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列免費下載的地點或者是各式教學

結合WSQ學習引導與情感式對話機器人對高中生的學習情緒、自主學習、學習成效之影響

為了解決twilio教學2021的問題，作者呂紋宜 這樣論述：

2020年開始散播的COVID-19疫情，迫使教育現場加快了線上學習的腳步，經濟合作暨發展組織（OECD）在2020年3月發佈《教育因應新型冠狀病毒:擁抱數位學習與線上協作》報告，指出各國皆須對學校長期無法到校上課做好準備，線上學習的需求可能會持續擴大。但在線上學習過程中若缺乏對自主學習策略的調整與後設認知，學生將無法理解複雜的學習內容。 本研究發展建構在自主學習數位藝術的過程中擁有情感式對話機器人的陪伴，讓情感式對話機器人透過辨識文字語意分析情緒後，再出現文字回饋與之互動，藉此減少學習者的學習孤獨感，提供一種非權威式的同儕互動模式，適時地給予幫助，讓學習者在自主學習的過程中維

持正向的學習情緒，並結合WSQ學習單輔助教學，以此學習策略幫助學習者培養自主學習的能力、提高學習成效與自主學習滿意度。 實驗對象為南部某高中190名學生，實驗組在使用情感式自主學習系統中結合WSQ學習單，控制組在使用情感式自主學習系統時使用一般學習單，比較兩組學生在「學習情緒」、「正向學習情緒」、「負向學習情緒」、「學習成效」、「自主學習滿意度」以及「自主學習方式」之差異。運用訪談及統計量化分析方法：共變數分析(ANCOVA)、獨立樣本t檢定、線性迴歸和Welch’s檢定。統計結果顯示，實驗組在「希望」、「享受」、「自豪」的正向學習情緒、「學習成效」和「自主學習滿意度」比控制組高

、實驗組在「焦慮」、「憤怒」的負向學習情緒彼控制組低。 許多教師和網路平台開發者都在思考利用科技的各種可能性，試圖將教育傳遞到每個需要的角落。疫情總有結束的一天，但是疫情帶來的壓力與考驗將打破原有的教育僵局，讓教育融合科技再出發，不受時間與空間限制的數位學習方式將成為未來教育的重要型態與挑戰，並為教學帶來二次成長的養分。

LBPCNN人臉辨識演算法實現於樹莓派門禁監控系統

為了解決twilio教學2021的問題，作者沈岳駿 這樣論述：

現今人臉辨識技術已達到相當成熟的地步，大部分低延遲和高準確率的人臉辨識系統，都部署在普通電腦或伺服器等級的電腦上。然而，當人臉辨識系統部署在低效能的嵌入式裝置上，就可能產生效能不足的問題，導致辨識時間大幅提升，而無法達到即時的人臉辨識，進而失去系統的實用性。因此如何在嵌入式裝置上部署人臉辨識系統後，仍維持低延遲和高準確率的辨識是一個極大的挑戰。另外，人臉辨識雖然擁有極高的準確率，卻容易受到紙張或高解析度手機螢幕裡的人像欺騙，而騙過人臉辨識系統，所以現今的人臉辨識系統也會針對此類的攻擊進行防範。據此本研究探討如何在有限效能的嵌入式裝置上，建制一套能防範人臉欺騙，又有人臉辨識功能的人臉辨識門禁監

控系統。本研究提出一套複合式驗證的人臉辨識門禁監控系統，使用RFID標籤觸發辨識，並且得知辨識人員的身份，接著使用webcam擷取影像，再藉由anti-spoof-mn3模型進行防人臉欺騙偵測，確認人員為真人。然後運用MTCNN演算法對擷取的影像進行人臉偵測與人臉特徵點偵測，藉由人臉偵測和人臉特徵點偵測所得到的人臉位置和五官的座標，對影像進行人臉對齊與裁切後，得到對齊過的人臉影像。經由LBPCNN演算法對對齊過的人臉影像進行人臉辨識，最後將RFID標籤得到的人員身份，與人臉辨識所得到的人員身份進行匹配，即可得到辨識結果。在有Intel Neural Compute Stick 2的加速推理下，

Raspberry Pi 4B執行LBPCNN人臉辨識只需要74.1毫秒，擁有即時辨識的效能；人臉辨識門禁監控系統的完整辨識時間則為4.83195秒（含RFID標籤偵測、anti-spoof-mn3防人臉欺騙偵測、MTCNN人臉偵測、人臉對齊和其他附屬功能）。LBPCNN（LBP鄰域值為6，LBP半徑為2）演算法在PI資料集（本研究所蒐集的人臉資料集）的align_256、align_256_A+90~A-90以及The Extended Yale B資料集三種數據實驗中，準確率分別為100%、99.9722%和99.8931%。根據三種數據實驗結果得知，LBPCNN人臉辨識演算法在正常光照、

光照變化和姿勢變化下皆有擁有良好的準確率，據此LBPCNN演算法適用於大部分實際人臉辨識的場景中。