Decoding Subjective Understanding: Using Biometric Signals to Classify Phases of Understanding
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 relationship between the cognitive and affective dimensions of understanding has remained unexplored due to the lack of reliable methods for measuring emotions and feelings during learning. Focusing on five phases of understanding—nascent understanding, misunderstanding, confusion, emergent understanding, and deep understanding—this study introduces an AI-driven solution to measure subjective understanding by analyzing physiological activity manifested in facial expressions. To investigate these phases, 103 participants remotely worked on 15 riddles while their facial expressions were video recorded. Action units (AUs) for each phase instance were measured using AFFDEX software. AU patterns associated with each phase were then identified through the application of six supervised machine learning algorithms. Distinct AU patterns were found for all five phases, with gradient boosting machine and random forest models achieving the highest predictive accuracy. These findings suggest that physiological activity can be leveraged to reliably measure understanding. Further, they advance a novel approach for measuring and fostering understanding in educational settings, as well as developing adaptive learning technologies and personalized educational interventions. Future studies should explore how physiological signatures of understanding phases both reflect and influence their associated cognitive processes, as well as the generalizability of this study’s findings across diverse populations and learning contexts (A suite of AI tools was employed in the development of this paper: (1) ChatGPT4o (for writing clarity and reference checking), (2) Grammarly (for grammar and editorial corrections), and (3) ResearchRabbit (reference management)).
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,007 |
| 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