Considerando personalidade e transições de emoções na detecção de emoções baseada em mineração de dados
DOI:
https://doi.org/10.5753/rbie.2020.28.0.749Palavras-chave:
Detecção de Emoções Livre de Sensores, Personalidade, Transição de Emoções, Mineração de Dados Educacionais, Sistemas Tutores Inteligentes Baseados em PassosResumo
Sistemas Tutores Inteligentes (STI) baseados em passos são capazes de auxiliar os alunos na resolução de tarefas passo a posso, gerando uma grande quantidade de dados de interação, chamados logs, entre o sistema e o aluno. Este trabalho aplica técnicas de mineração de dados sobre os logs gerados de um STI de matemática baseado em passos para detectar quatro emoções de aprendizagem: confusão, engajamento, frustração e tédio. O objetivo deste trabalho é verificar se a personalidade dos alunos pode proporcionar uma melhoria na precisão da detecção destas quatro emoções. Para realizar o treinamento dos detectores, foram utilizados rótulos de emoções dos alunos, obtidos por meio de um protocolo de anotação de emoções, baseado em análise de vídeos, que permite também a captura das transições de emoções. Como resultado, foi possível identificar que a personalidade impactou somente na detecção do engajamento. Embora a diferença na precisão tenha sido pequena, foi possível verificar que, dentre 348 características disponíveis durante o treinamento, a personalidade foi considerada uma das dez características mais representativas. Com a combinação dos dados de personalidade, transições de emoções e logs capturados de um STI baseado em passos, foi possível atingir um índice K = 0,633 e A0 = 0,846 na detecção de engajamento, que são valores superiores aos mínimos exigidos de codificadores humanos em protocolos de anotação de emoções.
Downloads
Referências
Andres, J. M. A. L., Ocumpaugh, J., Baker, R. S., Slater, S., Paquette, L., Jiang, Y., . . . others (2019). Affect sequences and learning in betty’s brain. In International learning analytics and knowledge conference (pp. 383–390). [DOI: 10.1145/3303772.3303807] [GS Search]
Arroyo, I., Woolf, B. P., Burelson, W., Muldner, K., Rai, D., & Tai, M. (2014). A multimedia adaptive tutoring system for mathematics that addresses cognition, metacognition and affect. International Journal of Artificial Intelligence in Education, 24(4), 387–426. [DOI: 10.1007/s40593-014-0023-y] [GS Search]
Azevedo, O., de Morais, F., & Jaques, P. A. (2018). Exploring gamification to prevent gaming the system and help refusal in tutoring systems. In European conference on technology enhanced learning (pp. 231–244). [DOI: 10.1007/978-3-319-98572-518] [GS Search]
Azevedo, R., & Aleven, V. (2013). International handbook of metacognition and learning technologies (Vol. 26). Springer. [GS Search]
Baker, R. S., Gowda, S. M., Wixon, M., Kalka, J., Wagner, A. Z., Salvi, A., . . . Rossi, L. (2012). Towards sensor-free affect detection in cognitive tutor algebra. International Conference on Educational Data Mining. [GS Search]
Barbosa, A. A. G. (2009). Modelo hierárquico de fobias infanto-juvenis: testagem e relação com os estilos maternos. Unpublished doctoral dissertation, PhD thesis, Psicologia Social (UFRN), João Pessoa. [GS Search]
Bosch, N., & D’Mello, S. (2017). The affective experience of novice computer programmers. International Journal of Artificial Intelligence in Education, 27(1), 181–206. [DOI: 10.1007/s40593-015-0069-5] [GS Search]
Botelho, A. F., Baker, R. S., & Heffernan, N. T. (2017). Improving sensor-free affect detection using deep learning. In International conference on artificial intelligence in education (pp. 40–51). [DOI: 10.1007/978-3-319-61425-0_4] [GS Search]
Botelho, A. F., Baker, R. S., Ocumpaugh, J., & Heffernan, N. T. (2018). Studying affect dynamics and chronometry using sensor-free detectors. In International conference on educational data mining. ERIC. [GS Search]
Calvo, R. A., & 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. [DOI: 10.1109/T-AFFC.2010.1] [GS Search]
Canli, T., Zhao, Z., Desmond, J. E., Kang, E., Gross, J., & Gabrieli, J. D. (2001). An fmri study of personality influences on brain reactivity to emotional stimuli. Behavioral neuroscience, 115(1), 33. [DOI: 10.1037/0735-7044.115.1.33] [GS Search]
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. [DOI: 10.1037/a0032674] [GS Search]
D’Mello, S., & Calvo, R. A. (2013). Beyond the basic emotions: what should affective computing compute? In Chi’13 extended abstracts on human factors in computing systems (pp. 2287– 2294). [DOI: 10.1145/2468356.2468751] [GS Search]
Douglas, H. E., Bore, M., & Munro, D. (2016). Coping with university education: The relationships of time management behaviour and work engagement with the five factor model aspects. Learning and individual Differences, 45, 268–274. [DOI: 10.1016/j.lindif.2015.12.004] [GS Search]
D’Mello, S. (2012). Monitoring affective trajectories during complex learning. In Encyclopedia of the sciences of learning (pp. 2325–2328). Springer. [GS Search]
D’Mello, S., & Graesser, A. (2012). Dynamics of affective states during complex learning. Learning and Instruction, 22(2), 145–157. [DOI: 10.1016/j.learninstruc.2011.10.001] [GS Search]
D’Mello, S., Lehman, B., Pekrun, R., & Graesser, A. (2014). Confusion can be beneficial for learning. Learning and Instruction, 29, 153 - 170. [DOI: 10.1016/j.learninstruc.2012.05.003] [GS Search]
Fredrickson, B. L. (1998). What good are positive emotions? Review of General Psychology, 2(3), 300-319. [DOI: 10.1037/1089-2680.2.3.300] [GS Search]
Graesser, A., & D’Mello, S. K. (2011). Theoretical perspectives on affect and deep learning. In New perspectives on affect and learning technologies (pp. 11–21). Springer. [DOI: 10.1007/978-1-4419-9625-1_2] [GS Search]
Harley, J. M. (2016). Measuring emotions: a survey of cutting edge methodologies used in computer-based learning environment research. In Emotions, technology, design, and learning (pp. 89–114). Elsevier. [DOI: 10.1016/B978-0-12-801856- 9.00005-0] [GS Search]
Jaques, P. A., & Nunes, M. A. S. N. (2019). Computação afetiva aplicada à educação. Informática na Educação: técnicas e tecnologias computacionais, 3. Retrieved from https://ieducacao.ceie-br.org/computacaoafetiva/ [GS Search]
Jaques, P. A., Seffrin, H., Rubi, G., Morais, F., Ghilardi, C., Bittencourt, I. I., & 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. [DOI: 10.1016/j.eswa.2013.04.004] [GS Search]
Jiang, Y., Bosch, N., Baker, R. S., Paquette, L., Ocumpaugh, J., Andres, J. M. A. L., . . . Biswas, G. (2018). Expert feature-engineering vs. deep neural networks: which is better for sensor-free affect detection? In International conference on artificial intelligence in education (pp. 198–211). [DOI: 10.1007/978-3-319-93843-1_15] [GS Search]
Komarraju, M., & Karau, S. J. (2005). The relationship between the big five personality traits and academic motivation. Personality and individual differences, 39(3), 557–567. [DOI: 10.1016/j.paid.2005.02.013] [GS Search]
Morais, F., da Silva, J., Reis, H., Isotani, S., & 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)(Vol.28,p.163).[DOI: 10.5753/cbie.sbie.2017.163] [GS Search]
Morais, F., & Jaques, P. (2013). Avaliação de usabilidade do sistema tutor inteligente PAT2Math. RENOTE-Revista Novas Tecnologias na Educação, 11(3). [DOI: 10.22456/1679-1916.44929] [GS Search]
Morais, F., & Jaques, P. A. (2017). PAT2Math + Handwriting: Evoluindo Sistemas Tutores de Matemática com reconhecimento da escrita à mão. In Simpósio brasileiro de informática na educação (sbie) (Vol. 28). [DOI: 10.5753/cbie.sbie.2017.1237] [GS Search]
Morais, F., & Jaques, P. A. (2019). Predição de emoções baseada em mineração de dados: considerando a personalidade para melhorar a detecção. In Simpósio brasileiro de informática na educação (sbie) (Vol. 30). [DOI: 10.5753/cbie.sbie.2019.1521] [GS Search]
Morais, F., Kautzmann, T. R., Bittencourt, I. I., & Jaques, P. A. (2019). EMAP-ML: A protocol of emotions and behaviors annotation for machine learning labels. In European conference on technology enhanced learning (pp. 495–509). Netherlands: Springer. [DOI: 10.1007/978-3-030-29736-7_37] [GS Search]
Nunes, M., & Cazella, S. (2011). O que sua personalidade revela? fidelizando clientes web através de sistemas de recomendação e traços de personalidade. WebMedia, 1. [GS Search]
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. [GS Search]
Ocumpaugh, J., Baker, R., Gowda, S., Heffernan, N., & Heffernan, C. (2014). Population validity for educational data mining models: A case study in affect detection. British Journal of Educational Technology, 45(3), 487–501. [DOI: 10.1111/bjet.12156] [GS Search]
Paquette, L., Baker, R. S., Sao Pedro, M. A., Gobert, J. D., Rossi, L., Nakama, A., & Kauffman- Rogoff, Z. (2014). Sensor-free affect detection for a simulation-based science inquiry learning environment. In International conference on intelligent tutoring systems (pp. 1– 10). [DOI: 10.1007/978-3-319-07221-0_1] [GS Search]
Paquette, L., Rowe, J., Baker, R., Mott, B., Lester, J., DeFalco, J., ... Georgoulas, V. (2016). Sensor-free or sensor-full: A comparison of data modalities in multi-channel affect detection. In International conference on educational data mining. ERIC. [GS Search]
Pardos, Z. A., Baker, R. S., San Pedro, M. O., Gowda, S. M., & Gowda, S. M. (2014). Affective states and state tests: Investigating how affect and engagement during the school year predict end-of-year learning outcomes. Journal of Learning Analytics, 1(1), 107–128. [GS Search]
Pekrun, R. (2014). Emotions and learning. Educational practices series, 24. Retrieved from [Link] [GS Search]
Reis, H., Alvares, D., Jaques, P., & Isotani, S. (2018). Analysis of permanence time in emotional states: A case study using educational software. In International conference on intelligent tutoring systems (pp. 180–190). [DOI: 10.1007/978-3-319-91464-0_18] [GS Search]
Rusting, C. L. (1998). Personality, mood, and cognitive processing of emotional information: three conceptual frameworks. Psychological bulletin, 124(2), 165. [DOI: 10.1037/0033-2909.124.2.165] [GS Search]
Rusting, C. L., & Larsen, R. J. (1997). Extraversion, neuroticism, and susceptibility to positive and negative affect: A test of two theoretical models. Personality and Individual Differences, 22(5), 607 - 612. [DOI: 10.1016/S0191-8869(96)00246-2] [GS Search]
Salmeron-Majadas, S., Santos, O. C., & Boticario, J. G. (2014). An evaluation of mouse and keyboard interaction indicators towards non-intrusive and low cost affective modeling in an educational context. Procedia Computer Science, 35, 691–700. [DOI: 10.1016/j.procs.2014.08.151] [GS Search]
Scherer, K. R. (2005). What are emotions? and how can they be measured? Social Science Information, 44(4), 695–729. [DOI: 10.1177/0539018405058216] [GS Search]
Seffrin, H., Rubi, G., Ghilardi, C., Morais, F., Jaques, P., Isotani, S., & Bittencourt, I. I.
(2012). Dicas Inteligentes no Sistema Tutor Inteligente PAT2Math. In Brazilian symposium on computers in education (simpósio brasileiro de informática na educação-sbie) (Vol. 23). [DOI: 10.5753/cbie.sbie.2012.%25p] [GS Search]
Seffrin, H., Rubi, G., & Jaques, P. (2011). O modelo cognitivo do Sistema Tutor Inteligente PAT2Math. In Sbie (Vol. 1). [DOI: 10.5753/cbie.sbie.2011.%25p] [GS Search]
Shanabrook, D. H., Arroyo, I., & Woolf, B. P. (2012). Using touch as a predictor of effort: what the ipad can tell us about user affective state. In International conference on user modeling, adaptation, and personalization (pp. 322–327). [DOI: 10.1007/978-3-642-31454-4_29] [GS Search]
Sinclair, J., Jang, E. E., Azevedo, R., Lau, C., Taub, M., & Mudrick, N. V. (2018). Changes in emotion and their relationship with learning gains in the context of metatutor. In International conference on intelligent tutoring systems (pp. 202–211). [DOI: 10.1007/978-3-319-91464-0_20] [GS Search]
Tong, E. M. (2010). Personality influences in appraisal–emotion relationships: The role of neuroticism. Journal of Personality, 78(2), 393–417. [DOI: 10.1111/j.1467-6494.2010.00620.x] [GS Search]
Vanlehn, K. (2006). The behavior of tutoring systems. International Journal of Artificial Intelligence in Education, 16(3), 227–265. [GS Search]
Wang, Y., Heffernan, N. T., & Heffernan, C. (2015). Towards better affect detectors: effect of missing skills, class features and common wrong answers. In International learning analytics and knowledge conference (pp. 31–35). [DOI: 10.1145/2723576.2723618] [GS Search]
Arquivos adicionais
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2020 Felipe de Morais, Patrícia A. Jaques
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
