Enhancing academic stress assessment through self-disclosure chatbots: effects on engagement, accuracy, and self-reflection
Notice bibliographique
Résumé
Abstract Academic stress significantly affects students’ well-being and academic performance, highlighting the need for more effective assessment methods to guide targeted interventions. This study investigates how self-disclosure chatbots—designed to share relevant experiences and thoughts—can enhance academic stress assessments by increasing student engagement, improving accuracy, and fostering deeper self-reflection. Two chatbot conditions were developed: a self-disclosure (SD) chatbot that used personal narratives to build empathy, and a non-self-disclosure (NSD) chatbot. In a randomized experiment with 50 university students, participants interacted with either the SD or NSD chatbot. Results showed that the SD chatbot elicited significantly higher engagement, as evidenced by longer session lengths (15.55 ± 5.92 min) and higher word counts (240 ± 114.02 words), compared to the NSD chatbot (11.31 ± 5.21 min; 162.38 ± 66.24 words). Assessment accuracy—evaluated by comparing results from the SISCO Inventory of Academic Stress with chatbot-generated evaluations—was slightly higher for the SD chatbot (0.936) than for the NSD chatbot (0.862), based on accuracy within a ± one-point deviation. Moreover, students who interacted with the SD chatbot reported deeper self-reflection and developed more actionable strategies for managing their stress. Overall, these findings illuminate the value of self-disclosure in chatbot-based assessments and highlight broader applications for addressing academic stress and mental health challenges in educational settings.
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 | 0,004 | 0,026 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».