Decision Support in the Automated Compilation of Individual Training Module Based on the Emotional State of Students

Iulamanova, Adelina; Bogdanova, Diana; Котельников, В. А.

doi:10.1016/j.ifacol.2021.10.424

Cited by 4 publications

(4 citation statements)

References 12 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…São caracterizadas pelo conjunto de ferramentas que permite produção e administração de cursos ou atividades (de Oliveira, Nakayama, Torres, & Nunes, 2020), o que pode facilitar a mensuração de dados definidos nos artigos como motivação. Os artigos selecionados que utilizam esse recurso de aprendizagem são (Shen, RBIE v.32 -2024 Callaghan, & Shen, 2008;Nasoz & Bayburt, 2009;Rodrigues, Fdez-Riverola, & Novais, 2011;Grafsgaard, Wiggins, Boyer, Wiebe, & Lester, 2013;Gutiérrez y Restrepo et al, 2016;Artífice, Ferreira, Marcelino-Jesus, Sarraipa, & Jardim-Gonçalves, 2017;Pelánek, Papoušek, Řihák, Stanislav, & Nižnan, 2017;Dias, Hadjileontiadou, Diniz, & Hadjileontiadis, 2019; M. K. Kim & Ketenci, 2020;Iulamanova, Bogdanova, & Kotelnikov, 2021; M. K. Kim, Lee, & Kim, 2021).…”

Section: Qp1: Panorama Geral Das Publicações Na áReaunclassified

“…Jaques et al, 2014;Arroyo et al, 2014;Shiomi, Kanda, Howley, Hayashi, & Hagita, 2015;Santos et al, 2016;Artífice et al, 2017;Radeta et al, 2017;Thompson & McGill, 2017;Pelánek et al, 2017;Wang & Lin, 2018;Cabestrero et al, 2018;Jones & Castellano, 2018;Zatarain Cabada et al, 2020;M. K. Kim & Ketenci, 2020;Iulamanova et al, 2021). Dados de log, referem-se às informações coletadas a partir do ambiente de aprendizagem,…”

unclassified

See 1 more Smart Citation

A motivação dos estudantes em ambientes computacionais de aprendizagem: uma revisão sistemática da literatura

Lima,

Augustin Jaques,

Morais

2024

RBIE

View full text Add to dashboard Cite

Este artigo apresenta uma revisão sistemática das pesquisas sobre motivação em ambientes computacionais de aprendizagem, publicadas em inglês em veículos internacionais de divulgação científica. Inicialmente, foram coletados 563 artigos, provenientes das principais bases de dados de publicações científicas nas áreas de Computação e Educação. Dentre esses, 38 foram selecionados na fase final para análise, de acordo com critérios de inclusão e exclusão. Como resultado, foi possível identificar que a motivação é um construto ainda pouco explorado nas pesquisas em informática na educação, com trabalhos esparsos realizados por diferentes grupos de pesquisa e pouco consenso na definição do constructo. No entanto, alguns fatores são apresentados frequentemente, como a importância da forma de apresentação da atividade, a necessidade do estudante ter algum prazer durante o processo e a importância dele refletir sobre o próprio processo de aprendizagem. Observou-se igualmente que os tipos de tecnologias educacionais de aprendizagem utilizados são diversos, sendo os mais comuns aqueles com características comunicativas, como Sistemas Tutores Inteligentes, Sistemas Tutores Afetivos e Agentes Pedagógicos.

show abstract

Section: Qp1: Panorama Geral Das Publicações Na áReaunclassified

unclassified

A motivação dos estudantes em ambientes computacionais de aprendizagem: uma revisão sistemática da literatura

Lima,

Augustin Jaques,

Morais

2024

RBIE

View full text Add to dashboard Cite

show abstract

“…SER technology, as demonstrated by Chen et al [1], has even been successfully integrated into emotional social robots, empowering them to track and respond to various basic emotions in real time. Moreover, SER holds immense potential for applications in diverse fields, such as fraud detection and psychological testing [2,3].…”

Section: Introductionmentioning

confidence: 99%

“…Generally speaking, transfer learning utilizes knowledge from previously learned tasks and applies it to related or newer ones. Usually, a typical transfer learning system has two parts: (1) a pre-trained model as a starting point; (2) new training data and the pre-trained model for the related or newer task, which is also defined as fine-tuning. In this direction, a small amount of emotional training data is used to tune the pre-trained model for SER.…”

Section: Introductionmentioning

confidence: 99%

Combining wav2vec 2.0 Fine-Tuning and ConLearnNet for Speech Emotion Recognition

Sun,

Zhou,

Huang

et al. 2024

Electronics

View full text Add to dashboard Cite

Speech emotion recognition poses challenges due to the varied expression of emotions through intonation and speech rate. In order to reduce the loss of emotional information during the recognition process and to enhance the extraction and classification of speech emotions and thus improve the ability of speech emotion recognition, we propose a novel approach in two folds. Firstly, a feed-forward network with skip connections (SCFFN) is introduced to fine-tune wav2vec 2.0 and extract emotion embeddings. Subsequently, ConLearnNet is employed for emotion classification. ConLearnNet comprises three steps: feature learning, contrastive learning, and classification. Feature learning transforms the input, while contrastive learning encourages similar representations for samples from the same category and discriminative representations for different categories. Experimental results on the IEMOCAP and the EMO-DB datasets demonstrate the superiority of our proposed method compared to state-of-the-art systems. We achieve a WA and UAR of 72.86% and 72.85% on IEMOCAP, and 97.20% and 96.41% on the EMO-DB, respectively.

show abstract

Ethical aspects of automatic emotion recognition in online learning

Moise,

Nicoară

2024

Ethics in Online AI-based Systems

View full text Add to dashboard Cite

Decision Support in the Automated Compilation of Individual Training Module Based on the Emotional State of Students

Cited by 4 publications

References 12 publications

A motivação dos estudantes em ambientes computacionais de aprendizagem: uma revisão sistemática da literatura

A motivação dos estudantes em ambientes computacionais de aprendizagem: uma revisão sistemática da literatura

Combining wav2vec 2.0 Fine-Tuning and ConLearnNet for Speech Emotion Recognition

Ethical aspects of automatic emotion recognition in online learning

Contact Info

Product

Resources

About