Examining learners' discrete emotional responses to a pedagogical agents' tutoring strategies
Bibliographic record
Abstract
Cette thèse examine l'impact de deux stratégies didactiques (Avec Retour et Sans Retour) déployées par un agent pédagogique (AP) au sein d'un environnement d'apprentissage hypermédia multi-agents, MetaTutor, sur les émotions discrètes exprimées par des étudiants. Les participants ont été assignés au hasard à l'une des deux conditions didactiques de l'AP, qui étaient conçues de manière à aider les étudiants à définir trois sous-buts appropriés pour leur session d'apprentissage. Si les sous-buts proposés n'étaient pas optimaux, la stratégie didactique Avec Retour fournissait aux participants des informations sur la manière dont ils pouvaient améliorer leur proposition, leur donnait l'occasion d'essayer de nouveau, et les contre-propositions finalement faites par l'AP intégraient les éléments pertinents issus de leur proposition, tandis que la stratégie didactique Sans Retour proposait simplement le sous-but optimal le plus proche. FaceReader, un logiciel de reconnaissance automatique d'expressions faciales, a été utilisé pour analyser les expressions faciales des étudiants, afin de déterminer leur état émotionnel basique. FaceReader a fourni des dizaines de milliers de points de données (données fréquentielles), qui ont été transformés en proportions pour l'analyse. Les résultats de cette thèse proviennent de deux analyses (Analyse 1, Université de Memphis et Université McGill, N = 18 ; Analyse 2, Université McGill, N = 24), examinant les réactions émotionnelles d'étudiants de premier cycle confronté à l'AP durant la phase initiale de définition de buts, alors qu'ils définissaient trois sous-buts pour leur session d'apprentissage de deux heures avec MetaTutor. Ces résultats démontrent que les apprenants ont ressenti davantage d'émotions négatives que d'émotions neutres ou positives durant leur interaction avec l'AP, et moins de colère et de joie mais plus de surprise dans la condition Avec Retour. Cette thèse fournit des preuves permettant de recommander l'utilisation de stratégies pédagogiques similaires à celles employées dans la condition Avec Retour examinée ici, ainsi que l'emploi de la théorie de contrôle-valeur des émotions d'accomplissement pour juger de l'impact émotionnel de stratégies didactiques.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".