Examining changes in medical students’ emotion regulation in an online PBL session
Notice bibliographique
Résumé
Given recent attention to emotion regulation (ER) as an important factor in personal well-being and effective social communication, there is a need for detection mechanisms that accurately capture ER and facilitate adaptive responding (Calvo & D’Mello, 2010). Current approaches to determining ER are mainly limited to self-report data such as questionnaires, inventories and interviews (e.g., Davis, Griffith, Thiel, & Connelly, 2015). Although beneficial, these self-report approaches have important shortcomings such as social desirability biases, recall issues, and inability to capture unconscious ER (Scherer, 2005). The research presented here explores this gap by examining the use of multimodal observational data as well as self-report data to more accurately capture ER. Specifically, this study develops and employs a multimodal analysis of emotion data channels (facial, vocal and postural emotion data channels) to provide a rich analysis of ER in an international case study of four medical students interacting in an emotionally challenging learning session (i.e., communicating bad news to patients) in a technology-rich learning environment. The findings reported in the paper can provide insights for educators in designing programs to enhance and evaluate ER strategies of students in order to regulate personal emotions as well as the emotional needs of others in stressful situations. This work also makes important contributions to the design of technology-rich environments to embed dynamic ER detection mechanisms that enable systems to gain a more holistic view of the participants, and to adapt instructions based on their affective 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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».