Modeling Emotional Response to Feedback Based on its Affective Focus in STEM E-learning
Notice bibliographique
Résumé
Although the relevance of feedback in education has been widely recognized, its effective provision remains as an open challenge, especially with respect to student affect. This challenge is particularly concerning when considering the growing body of literature suggesting the key role emotions play in STEM education. While some studies consider feedback ineffective when affective information is included, others argue the benefits of its inclusion. With the objective of providing a practical basis to model the emotional response of students when receiving feedback in a STEM e-learning environment, a system was designed considering two types of feedback focus: self-personal (SP) and task-impersonal (TI), and five emotional responses (happy, surprised, neutral, embarrassed, and frustrated) for students to indicate how the feedback provided made them feel. The implementation of the system with 37 participants showed that, when receiving feedback after an incorrect answer was chosen, students are significantly more likely to select an embarrassed response in the SP case, and significantly more likely to select a happy and surprised response in the TI case. In addition, a method is proposed to model the subsequent change in emotional state in relation with the correctness of the answer selected and the focus of feedback received. Finally, implications for future automated feedback models are discussed, arguing a need for integrating affect in the design of feedback, especially when the primary objective of the feedback is to correct the student.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| 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 | 0,001 |
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 ».