Predição de emoções baseada em mineração de dados: considerando a personalidade para melhorar a detecção
Resumo
Este trabalho utiliza a mineração de dados, provenientes da interação dos alunos com um STI baseado em passos, para detectar quatro emoções de aprendizagem: confusão, engajamento, frustração e tédio. Diferente de outros trabalhos, este tem como objetivo verificar se os dados da personalidade dos alunos podem impactar de forma positiva na precisão da detecção. Além disso, os rótulos de emoções foram obtidos por meio de um novo protocolo de anotação, que permite a captura das transições das emoções dos alunos. Como resultado, foi possível identificar que apenas o detector de engajamento, treinado com dados da personalidade dos alunos, obteve uma pequena melhora na precisão da detecção. Porém, com a utilização de um algoritmo de seleção de características, foi possível verificar que entre 348 características disponíveis, apenas dez foram selecionadas, incluindo dados da personalidade.
Palavras-chave:
Mineração de Dados, Emoções de Aprendizagem, Personalidade, STI, Engajamento
Referências
Arroyo, I. and et al. (2014). A multimedia adaptive tutoring system for mathematics that addresses cognition, metacognition and affect. IJAIED, 24(4):387–426.
Azevedo, R. and Aleven, V. (2013). International handbook of metacognition and learning technologies, volume 26. Springer.
Baker, R. and et al. (2012). Towards Sensor-free automated detection of affect in a Cognitive Tutor for Algebra. In 5th Int. Conf. on Educational Data Mining, pages 126–133.
Barbosa, A. A. G. (2009). Modelo hierárquico de fobias infanto-juvenis: testagem e relação com os estilos maternos. PhD thesis, Psicologia Social (UFRN).
Calvo, R. A. and D’Mello, S. (2010). Affect detection: An interdisciplinary review of models, methods, and their applications. IEEE Trans. on Affect. Comput., 1(1):18–37.
Corbett, A., Koedinger, K., and Anderson, J. (1997). Intelligent tutoring systems. Handbook of human-computer interaction, pages 849–874.
de Morais, F. and et al. (2019). EmAP-ML: A Protocol of Emotions and Behaviors Annotation for Machine Learning Labels. In EC-TEL, Netherlands. Springer.
Fredrickson, B. L. (1998). What good are positive emotions? Review of Gen. Psyc., 2(3).
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.
Jaques, P. A. and Nunes, M. A. S. N. (2019). Computação afetiva aplicada à educação. Informática na Educação: técnicas e tecnologias computacionais, 3.
Jiang, Y. and et al. (2018). Expert feature-engineering vs. deep neural networks: Which is better for sensor-free affect detection? In AIED, pages 198–211. Springer.
Nunes, M. and Cazella, S. (2011). O que sua personalidade revela? Fidelizando clientes web através de sistemas de recomendação e traços de personalidade. WebMedia, 1.
Ocumpaugh, J. and et al. (2014). Population validity for educational data mining models: A case study in affect detection. BJET, 45(3):487–501.
Panaccio, A. and Vandenberghe, C. (2012). Five-factor model of personality and organizational commitment. Journal of vocational behavior, 80(3):647–658.
Paquette, L. and et al. (2014). Sensor-free affect detection for a simulation-based science inquiry learning environment. In ITS, pages 1–10. Springer.
Paquette, L. and et al. (2016). Sensor-free or sensor-full: A comparison of data modalities in multi-channel affect detection. In Int. Conf. on Educational Data Mining. ERIC.
Pardos, Z. and et al. (2014). Affective states and state tests: investigating how affect and engagement during the school year predict end-of-year learning outcomes. JLA, 1(1).
Pekrun, R. (2014). Emotions and learning. In Educational practices series. IEA, IBE.
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.
Azevedo, R. and Aleven, V. (2013). International handbook of metacognition and learning technologies, volume 26. Springer.
Baker, R. and et al. (2012). Towards Sensor-free automated detection of affect in a Cognitive Tutor for Algebra. In 5th Int. Conf. on Educational Data Mining, pages 126–133.
Barbosa, A. A. G. (2009). Modelo hierárquico de fobias infanto-juvenis: testagem e relação com os estilos maternos. PhD thesis, Psicologia Social (UFRN).
Calvo, R. A. and D’Mello, S. (2010). Affect detection: An interdisciplinary review of models, methods, and their applications. IEEE Trans. on Affect. Comput., 1(1):18–37.
Corbett, A., Koedinger, K., and Anderson, J. (1997). Intelligent tutoring systems. Handbook of human-computer interaction, pages 849–874.
de Morais, F. and et al. (2019). EmAP-ML: A Protocol of Emotions and Behaviors Annotation for Machine Learning Labels. In EC-TEL, Netherlands. Springer.
Fredrickson, B. L. (1998). What good are positive emotions? Review of Gen. Psyc., 2(3).
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.
Jaques, P. A. and Nunes, M. A. S. N. (2019). Computação afetiva aplicada à educação. Informática na Educação: técnicas e tecnologias computacionais, 3.
Jiang, Y. and et al. (2018). Expert feature-engineering vs. deep neural networks: Which is better for sensor-free affect detection? In AIED, pages 198–211. Springer.
Nunes, M. and Cazella, S. (2011). O que sua personalidade revela? Fidelizando clientes web através de sistemas de recomendação e traços de personalidade. WebMedia, 1.
Ocumpaugh, J. and et al. (2014). Population validity for educational data mining models: A case study in affect detection. BJET, 45(3):487–501.
Panaccio, A. and Vandenberghe, C. (2012). Five-factor model of personality and organizational commitment. Journal of vocational behavior, 80(3):647–658.
Paquette, L. and et al. (2014). Sensor-free affect detection for a simulation-based science inquiry learning environment. In ITS, pages 1–10. Springer.
Paquette, L. and et al. (2016). Sensor-free or sensor-full: A comparison of data modalities in multi-channel affect detection. In Int. Conf. on Educational Data Mining. ERIC.
Pardos, Z. and et al. (2014). Affective states and state tests: investigating how affect and engagement during the school year predict end-of-year learning outcomes. JLA, 1(1).
Pekrun, R. (2014). Emotions and learning. In Educational practices series. IEA, IBE.
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
11/11/2019
Como Citar
DE MORAIS, Felipe; JAQUES, Patrícia A..
Predição de emoções baseada em mineração de dados: considerando a personalidade para melhorar a detecção. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 30. , 2019, Brasília/DF.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2019
.
p. 1521-1530.
DOI: https://doi.org/10.5753/cbie.sbie.2019.1521.
