Measuring emotions with an agent-based learning environment
Notice bibliographique
Résumé
Learning and emotions are inextricably connected, but our scientific understanding of their relationship is largely limited by the trait-like use of self-report methods that still dominate the measurement of emotions.This methodological tradition is incongruous with the nature of emotions which are dynamic, rapidly changing, multi-componential, goal-related psychological processes.Moreover, as advanced learning environments (e.g., computer-based learning environments) continue to evolve in complexity, richer data from learners' interactions with them is needed than global self-reports.One solution is a broad methodological approach to measuring emotions that captures how emotions change over the course of a learning session, what information is contributed by different emotional components (behavioral, experiential, physiological), how learners feel about important aspects of the environments they are interacting with, and how the emotions they experience while interacting with new technology compare to their typical academic achievement emotions.This dissertation addresses these research questions in the context of an advanced, agent-based learning environment, referred to as MetaTutor, and in doing so attempts to provide theoretical, conceptual, and methodological contributions to the fields of psychology, education, and computer science.time, effort, and expertise, which he generously contributed to many of the important stages of my doctoral degree.I am grateful for his many contributions to my program of research, which included access to cutting-edge research methods, human research expertise, and opportunities to meet and, in some cases, collaborate with members of his vast network of international research colleagues.I would also like to acknowledge my current doctoral supervisor,
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».