Dinâmica de afetos dos alunos em um Sistema Tutor Inteligente de matemática no contexto brasileiro

Resumo


A pesquisa em dinâmica de afetos estuda como as emoções dos alunos se desenvolvem e se manifestam durante a aprendizagem. Trabalhos recentes mostraram que essa dinâmica não é genérica e que depende do contexto dos alunos, principalmente seu país de origem. Identificamos que nenhuma pesquisa desenvolveu um modelo de dinâmica de afetos validado no contexto brasileiro. Este trabalho apresenta o primeiro modelo de dinâmica de afetos utilizando dados de alunos brasileiros aprendendo com um STI de matemática baseado em passos. Este modelo possibilitou a descoberta de transições significativas entre as emoções acadêmicas confusão, frustração, tédio e engajamento.

Palavras-chave: Dinâmica de afetos, Sistema Tutor Inteligente, Computação Afetiva, Emoções acadêmicas

Referências

Andres, J. M. L. and Rodrigo, M. M. T. (2014). The incidence and persistence of affective states while playing newton’s playground. In 7th IEEE international conference on humanoid, nanotechnology, information technology, communication and control, environment, and management.

Arroyo, I., Woolf, B. P., Burelson, W., Muldner, K., Rai, D., and Tai, M. (2014). A multimedia adaptive tutoring system for mathematics that addresses cognition, meta-cognition and affect. IJAIED, 24(4):387–426.

Azevedo, O., Morais, F., and Jaques, P. A. (2018). Exploring gamification to prevent gaming the system and help refusal in tutoring systems. In European Conference on Technology Enhanced Learning, pages 231–244. Springer.

Azevedo, R. and Aleven, V. (2013). International handbook of metacognition and learning technologies, volume 26. Springer.

Baker, R. S., D’Mello, S. K., Rodrigo, M. M. T., and Graesser, A. C. (2010). Better to be frustrated than bored: The incidence, persistence, and impact of learners’ cognitive-affective states during interactions with three different computer-based learning environments. International Journal of Human-Computer Studies, 68(4):223–241.

Baker, R. S., Moore, G. R., Wagner, A. Z., Kalka, J., Salvi, A., Karabinos, M., Ashe, C. A., and Yaron, D. (2011). The dynamics between student affect and behavior occurring outside of educational software. In International Conference on Affective Computing and Intelligent Interaction, pages 14–24. Springer.

Bosch, N. and D’Mello, S. (2013). Sequential patterns of affective states of novice programmers. In The First Workshop on AI-supported Education for Computer Science (AIEDCS 2013), pages 1–10.

Calvo, R. A. and D’Mello, S. K. (2010). Affect detection: An interdisciplinary review of models, methods, and their applications. IEEE Transactions on Affective Computing, 1(1):18–37.

Corrêa, A., Mello, A., Ficheman, I., and Lopes, R. (2016). Estudo sobre o impacto dos espaços interativos dos museus de ciências no processo de ensino e aprendizagem. Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação - SBIE), 27(1):500.

Dantas, A., Melo, S., Fernandes, M., and Takahashi, E. (2015a). Aplicação para reconhecimento dinâmico de emoções em ambientes virtuais de aprendizagem. Anais dos Workshops do Congresso Brasileiro de Informática na Educação, 4(1):390.

Dantas, A., Melo, S., Moura, F., and Fernandes, M. (2015b). Reconhecimento dinâmico de emoções através de expressões faciais utilizando árvore de decisão. Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação - SBIE), 26(1):1102.

D’Mello, S. (2013). A selective meta-analysis on the relative incidence of discrete affective states during learning with technology. Journal of Educational Psychology, 105(4):1082.

D’Mello, S. and Calvo, R. A. (2013). Beyond the basic emotions: what should affective computing compute? In CHI’13 Extended Abstracts on Human Factors in Computing Systems, pages 2287–2294. ACM.

D’Mello, S., Graesser, A., and Taylor, R. S. (2007a). Monitoring affective trajectories during complex learning. In Proceedings of the annual meeting of the cognitive science society, volume 29.

D’Mello, S., Picard, R. W., and Graesser, A. (2007b). Toward an affect-sensitive autotutor. IEEE Intelligent Systems, 22(4).

D’Mello, S. and Graesser, A. (2012). Dynamics of affective states during complex learning. Learning and Instruction, 22(2):145–157.

D’Mello, S., Lehman, B., Pekrun, R., and Graesser, A. (2014). Confusion can be beneficial for learning. Learning and Instruction, 29:153 – 170.

Ekman, P. (1994). All Emotions are Basic. In Davidson, R., editor, The nature of emotions: Fundamental questions, pages 15–19. Oxford University Press, Oxford.

Fredrickson, B. L. (1998). What good are positive emotions? Review of General Psychology, 2(3):300–319.

Gonzalez, S. M. and Tamariz, A. D. R. (2014). Integração de uma metodologia de ensino presencial de programação com um sistema tutor inteligente. Revista Brasileira de Informática na Educação, 22(02):16.

Gottardo, E. and Pimentel, A. (2018). Reconhecimento e adaptação à dinâmica de estados afetivos relacionados à aprendizagem. Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação - SBIE), 29(1):1223.

Graesser, A. and D’Mello, S. K. (2011). Theoretical perspectives on affect and deep learning. In New perspectives on affect and learning technologies, pages 11–21. Springer.

Graesser, A. C., D’MELLO, S. K., and Strain, A. C. (2014). Emotions in advanced learning technologies. In International handbook of emotions in education, pages 483– 503. Routledge.

Jaques, P. A., Seffrin, H., Rubi, G., Morais, F., Ghilardi, C., Bittencourt, I. I., and Isotani, S. (2013). Rule-based expert systems to support step-by-step guidance in algebraic problem solving: The case of the tutor PAT2math. Expert Systems with Applications, 40(14):5456–5465.

Karumbaiah, S., Andres, J., Botelho, A. F., Baker, R. S., and Ocumpaugh, J. (2018). The implications of a subtle difference in the calculation of affect dynamics. In 26th International Conference for Computers in Education.

Karumbaiah, S., Baker, R. B., Ocumpaugh, J., and Andres, A. (2021). A re-analysis and synthesis of data on affect dynamics in learning. IEEE Transactions on Affective Computing.

Karumbaiah, S., Baker, R. S., and Ocumpaugh, J. (2019). The case of self-transitions in affective dynamics. In International Conference on Artificial Intelligence in Education, pages 172–181. Springer.

Kuppens, P. (2015). It’s about time: A special section on affect dynamics. Emotion Review, 7(4):297–300.

Lehman, B., Matthews, M., D’Mello, S., and Person, N. (2008). What are you feeling? investigating student affective states during expert human tutoring sessions. In International Conference on Intelligent Tutoring Systems, pages 50–59. Springer.

Marques, M., Cavalheiro, S., Foss, L., Avila, C., and Bordini, A. (2017). Uma proposta para o desenvolvimento do pensamento computacional integrado ao ensino de matemática. Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação - SBIE), 28(1):314.

Matayoshi, J., Karumbaiah, S., et al. (2020). Adjusting theL statistic when self-transitions are excluded in affect dynamics. Journal of Educational Data Mining, 12(4):1–23.

Melo, S., Dantas, A., and Fernandes, M. (2017). Modelo do estudante baseado em emoções e perfis de personalidade para recomendação de estratégias pedagógicas personalizadas. Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação - SBIE), 28(1):967.

Morais, F., da Silva, J., Reis, H., Isotani, S., and Jaques, P. (2017). Computação afetiva aplicada à educação: uma revisão sistemática das pesquisas publicadas no Brasil. In Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação-SBIE), volume 28, page 163.

Morais, F. and Jaques, P. A. (2019a). Detecção e predição de estados afetivos baseadas em mineração de dados educacionais: considerando a personalidade do aluno para aumentar a precisão da detecção. Anais dos Workshops do Congresso Brasileiro de Informática na Educação, 8(1):1052.

Morais, F. and Jaques, P. A. (2019b). Predição de emoções baseada em mineração de dados: considerando a personalidade para melhorar a detecção. In Simpósio Brasileiro de Informática na Educação (SBIE), volume 30.

Morais, F. and Jaques, P. A. (2020). Considerando personalidade e transições de emoções na detecção de emoções baseada em mineração de dados. Revista Brasileira de Informática na Educação, 28:749–775.

Morais, F. and Jaques, P. A. (2021). Does handwriting impact learning on math tutoring systems? Informatics in Education.

Morais, F., Kautzmann, T. R., Bittencourt, I. I., and Jaques, P. A. (2019). EmAP-ML: A protocol of emotions and behaviors annotation for machine learning labels. In EC-TEL, pages 495–509, Netherlands. Springer.

Ocumpaugh, J. (2015). Baker Rodrigo Ocumpaugh Monitoring Protocol (BROMP) 2.0 technical and training manual. New York, NY and Manila, Philippines: Teachers College, Columbia University and Ateneo Laboratory for the Learning Sciences.

Ocumpaugh, J., Andres, J. M., Baker, R., DeFalco, J., Paquette, L., Rowe, J., Mott, B., Lester, J., Georgoulas, V., Brawner, K., et al. (2017). Affect dynamics in military trainees using vmedic: From engaged concentration to boredom to confusion. In International conference on artificial intelligence in education, pages 238–249. Springer.

Pekrun, R. (2014). Emotions and learning. In Educational practices series. IEA, IBE.

Pekrun, R. (2016). Academic emotions. Handbook of motivation at school, 2:120–144.

Reis, H., Alvares, D., Jaques, P., and Isotani, S. (2018). Analysis of permanence time in emotional states: A case study using educational software. In ITS, pages 180–190.

Scherer, K. R. (2005). What are emotions? and how can they be measured? Social Science Information, 44(4):695–729.
Publicado
22/11/2021
MORAIS, Felipe de; JAQUES, Patrícia A.. Dinâmica de afetos dos alunos em um Sistema Tutor Inteligente de matemática no contexto brasileiro. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 32. , 2021, Online. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2021 . p. 691-704. DOI: https://doi.org/10.5753/sbie.2021.218429.