The influence of conscientiousness and context on the emotional response during understanding
Notice bibliographique
Résumé
Introduction: In this exploratory study, we use a logistic multilevel model to examine the interplay between personality, emotions, and understanding. Methods: The impact of Conscientiousness, a Big Five Personality trait, on emotional responses during riddle-solving attempts was investigated in 101 participants, who each tackled 15 riddles remotely via Zoom. Video recordings were analyzed using iMotions with AFFDEX to identify the emotion type (positive, negative, and epistemic) experienced during the riddle-solving (understanding) process. Results: The study revealed significant effects of both positive and negative emotions on understanding scores. Upon examining cross-level interactions, the effect of trait Conscientiousness on the association between emotion type and understanding scores was not significant. Our random intercepts model appeared to provide the most satisfactory explanation for our exploratory findings. Further, the model demonstrated good discrimination ability, as evidenced by our area under the Receiver Operating Characteristic (ROC) curve. Discussion: Our results highlight the fundamental role of context, specifically the individual's perceived value of a learning activity and the nature of their understanding-emergent or established-in shaping the emotions evoked during the process of understanding. For future endeavors, we recommend a concentrated focus on the complex interplay between personality, emotions, and understanding, especially when understanding is in its emergent phase and the task employed for measurement provokes emotional investment.
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 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 | 0,001 | 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».