本文提出了一个通用的轻量级模型，用于检测学习者的参与度，并通过适应策略提高模型的判断能力。该模型在实现中取得了68.57％的准确率，优于最先进模型。

该文介绍了一种构建多模态监控视频数据集的方法UCA，通过手动注释真实世界监控数据集UCF-Crime的细粒度事件内容和时间来构建。作者基于该数据集评估了多个多模态任务的最先进模型，并发现以前公开数据集中使用的主流模型在多模态监控视频场景下表现不佳。