Enhancing academic stress assessment through self-disclosure chatbots: effects on engagement, accuracy, and self-reflection
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
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.
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 | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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