EmoLand: Utilizing narrative animations, multilevel games, and affective computing to foster emotional development in children with autism spectrum disorder
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
• We designed an interactive system that utilizes narrative animations, multilevel games, and affective computing to support children with autism spectrum disorder (ASD) learning neurotypical emotions and facial expressions in social contexts. • Children with ASD achieved generalized learning gains in recognizing and producing neurotypical facial expressions. • The three-step design approach is feasible for developing interactive AI systems for children with ASD. • Narrative animations provide value social contexts, while multilevel games and interactivity help children to stay focused. • Blending AI and human support enables children's personalized, engaging, and effective learning. Emotional skills are crucial for a child's success, though children with autism spectrum disorder (ASD) face challenges in understanding social contexts, as well as recognizing and expressing facial expressions. We present EmoLand, a web-based interactive system that utilizes narrative animations, multilevel games, and artificial intelligence (AI) affective computing to instruct children with ASD about neurotypical emotions and facial expressions in social contexts. The paper sets out the iterative design process used, which was informed by ASD intervention theories, empirical studies focused on children with ASD and their educators (tutors, therapists, parents), and multiple discipline expert inputs. A preliminary evaluation involving twelve children with ASD (aged 4 to 7 years) and five tutors suggests that EmoLand is a viable teaching aid for ASD educators and effectively assists children in learning and applying generalized knowledge about emotions and facial expressions. In this paper, we discuss the design approach and key lessons learned for creating interactive AI systems for children with ASD and explore beneficial considerations for enhancing emotional development.
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 | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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