Analysis of emotion regulation using posture, voice, and attention: A qualitative case study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The ability to detect and regulate emotions is an important aspect of emotional intelligence that can benefit individuals in their personal well-being and social interactions (Mayer, Caruso, Salovey, 2016). This study examined emotion regulation (ER) in medical students as they practiced learning how best to communicate undesired news to patients in an international technology-rich learning environment (TRLE; Lajoie et al., 2012). Gross’ (2015) process model of ER served as the theoretical model that guided the analysis of regulatory strategies, in a case study (Yin, 2011) of four medical students. A qualitative approach was used to determine how multichannels of emotion representation (vocal characteristics, motor expressions, attention tendencies) indicate instances of conscious or unconscious ER. Analyses revealed four major findings as evidences of ER: (a) dissociation between emotion channels (e.g. a calm face accompanied by a nervous voice); (b) sudden changes in emotion expression without external triggers (e.g. from smile to a rapidly serious face); (c) unexpected emotions (e.g. smiling when expected to demonstrate empathy); and, (d) use of multiple emotion channels to demonstrate emotion regulatory responses. The findings demonstrate the power of multimodal emotion analysis towards accurate detection of ER, and how it may inform the relationship between experienced and expressed emotions. Multimodal ER detection approaches, as illustrated in this study, may have important implications for assisting learners in face to face and computer-supported collaborative settings in becoming more conscious of their ER, helping them regulate undesired self and peer emotions in challenging learning situations.
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.
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) | 0,000 | 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 découle