Motivation and Evolutionary Pedagogical Agents
Notice bibliographique
Résumé
Abstract: Motivating students is a major issue for current Intelligent Tutoring Systems. Modern theories of motivation (such as the Self Determination Theory) have shown the positive motivational impact of autonomy-support. Following this idea, we have proposed in a previous work an autonomy-supportive motivational design for eLearning systems. Later, the importance to take learner’s culture into account appeared obvious to us if we wanted to correctly enhance/maintain the learner’s motivation. Both these findings resulted in an ITS called MOCAS (Motivationally and Culturally Aware System). MOCAS is basically composed of a virtual world in which several pedagogical agents with different roles, behaviors and knowledge cooperate to provide a motivational (i.e. autonomy-supportive) and culturally adapted teaching to learners. In the real world, pedagogical behaviors frequently determine whether a preceptor will be well accepted/respected or not by his/her pupils (and in many cases, this rating will be culturally dependant). But whatever preceptors are rated, they can not change from day to day what they truly are and how they behave. In Intelligent Tutoring Systems, pedagogical agents could have this ability to dynamically evolve. In this paper we define how to genetically adapt the crowd of pedagogical agents that is inside our MOCAS. This process allows the production of generations of pedagogical agents whose behaviors are more and more fitting the learners’ motivational and cultural needs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».