The Effects of Temperament and Team Formation Mechanism on Collaborative Learning of Knowledge and Skill in Short-Term Projects

Farhangian, Mehdi; Purvis, Martin; Purvis, Maryam; Savarimuthu, Tony

doi:10.1007/978-3-319-24804-2_4

Cited by 5 publications

(5 citation statements)

References 13 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…The Group Recommender system used a KNN (K-Nearest Neighbors) data mining algorithm to suggest learners with similar personality traits. Reis et al (2018) extended the previous review and found three other studies Iima, 2008, 2009;Farhangian et al 2015) to support group formation based on prediction models. Iima (2008, 2009) observed the use of neural networks and genetic algorithms for the prediction of learning results in group work, based on their personality trait.…”

Section: Related Worksupporting

confidence: 53%

“…The solution receives as input information about students' academic background, their personality traits and correctness rate of tests performed individually. Farhangian et al (2015) designed a simulation model based on agents for the prediction of students' performance. The results showed that the approach can be a low-cost tool for teachers and researchers to understand the impact of different factors (e.g., personality, knowledge and skill) on group formation.…”

Section: Related Workmentioning

confidence: 99%

See 1 more Smart Citation

The Use of Personality Traits to Enhance Theory-driven Group Formation

Reis¹,

Lyra²,

Reis³

et al. 2020

RBIE

View full text Add to dashboard Cite

Group formation is an important and challenging element for designing successful CSCL scenarios. Despite efforts from the scientific community in developing more effective algorithms to support group formation processes, we still face problems related to learners’ resistance and demotivation towards group work. In this sense, diverse studies highlight the importance of considering learners’ personality traits to form groups, since this factor can influence students’ performance and induce diverse actions and behaviors in group work. Therefore, this paper presents G-FusionPT (Group Formation USIng Ontology and Personality Trait), a group formation algorithm that support new learning roles, denominated Affective Collaborative Learning roles, based on relation between collaborative learning theories and students’ personality traits. The algorithm is based on a collaborative ontology to understand the learning theories (e.g., context, learning activities, group structure), and learners profile to understand learners’ needs (e.g., target/current knowledge/skill). To evaluate the algorithm, we used a 300 student simulated sample wit varying group size (three, five, and seven members), and compared G-FusionPT results to other group formation algorithms: G-Fusion (based specifically on collaborative learning theories) and Random (no strategy or criterion). The results demonstrated the effectiveness of G-FusionPT against G-Fusion and Random algorithms, as it generated the highest average percentage of learners in well-formed groups and lowest averagepercentage of learners in unfit groups.

show abstract

Section: Related Worksupporting

confidence: 53%

Section: Related Workmentioning

confidence: 99%

The Use of Personality Traits to Enhance Theory-driven Group Formation

Reis¹,

Lyra²,

Reis³

et al. 2020

RBIE

View full text Add to dashboard Cite

show abstract

“…Além disso, as estratégias de agrupamento utilizadas para modelagem dos traços de personalidade em sistemas computacionais baseiam-se em diferentes técnicas como, algoritmos genéticos, algoritmos de agrupamento, modelos matemáticos, modelos de processo, entre outros [Reis et al 2015]. Essas técnicas têm sido utilizadas, por exemplo, para apoiar a formação de grupos a partir da criação de (1) modelos de predição para prever o desempenho dos alunos na aprendizagem colaborativa [Farhangian et al 2015] ; (2) sistemas de recomendação para recomendar equipes de trabalho com base na similaridade dos traços de personalidade dos alunos e seus tutores [Nunes et al 2010] ; (3) modelos de processo para apoiar a formação de grupos em ambientes de aprendizagem aberto (MOOC) [Spoelstra et al 2014], dentre outros.…”

Section: Introductionunclassified

Formação de Grupos em Ambientes CSCL baseada na combinação entre os Traços de Personalidade e Teorias de Aprendizagem Colaborativa

Reis¹,

Isotani²

2019

Anais Dos Workshops Do VIII Congresso Brasileiro De Informática Na Educação (CBIE 2019)

View full text Add to dashboard Cite

Group formation in CSCL environments is considered one of the essential elements for the success of collaborative learning. Despite of important contributions, we observed the lack of studies to match personality traits to collaborative learning theories. Therefore, this paper aims at verifying the influence of personality traits on group formation based on learning theories and creating mechanisms to automate such formation. As main results, we present the creation of a Formal Model for the generation of new learning roles (PCAs) and the development of an algorithm that uses these PCAs to support the formation of more effective groups.

show abstract

“…Diversas técnicas para modelagem (ou representação) dos traços de personalidade em sistemas computacionais têm sido utilizadas para apoiar a formação de grupos em ambientes CSCL. Por exemplo, algoritmos de agrupamentos (Lopes Filho; QUARTO; FRANÇA, 2010; NUNES et al, 2010), algoritmos genéticos (WANG; LIN; SUN, 2007;MOTTA;SAN-TORO, 2010;GOGOULOU et al, 2007;MORENO;OVALLE;VICARI, 2012;SHIN-IKE;IIMA, 2008;SHIN-IKE;IIMA, 2009); modelos baseado em agentes (FARHANGIAN et al, 2015;BOFF et al, 2008), modelos de processo (SPOELSTRA; ROSMALEN; SLOEP, 2014), modelos matemáticos (GRAF; BEKELE, 2006;SPOELSTRA et al, 2013), dentre outros. No intuito de exemplificar o uso dessas técnicas, serão detalhadas algumas das pesquisas referentes a três segmentos da formação de grupos em ambientes CSCL: (1) modelos de predição, (2) sistemas de recomendação, e (3) modelos de processo.…”

Section: Modelagem Dos Traços De Personalidade Em Sistemas Computaciounclassified

“…Com base nesses estudos, foi observado que o uso de redes neurais e algoritmos genéticos pode ser uma solução interessante para prever os resultados de aprendizagem no trabalho em grupo com base nos traços de personalidade dos alunos. Nesse mesmo contexto, Farhangian et al (2015) projetaram um modelo de simulação baseado em agentes para prever o desempenho dos alunos na aprendizagem colaborativa. Os resultados obtidos, a partir de um estudo experimental com 100 indivíduos, mostraram que o ambiente de simulação utilizado pode ser uma alternativa de baixo custo para professores e pesquisadores entenderem o impacto de diferentes fatores considerados na formação de grupos (ex.…”

Section: Modelagem Dos Traços De Personalidade Em Sistemas Computaciounclassified

Formação de grupos em ambientes cscl utilizando traços de personalidade associados às teorias de aprendizagem colaborativa

Reis¹

View full text Add to dashboard Cite

Ao final do doutorado aprendi que essa jornada não precisa ser solitária. E que ter as pessoas certas a sua volta faz toda diferença para que o processo seja mais leve e divertido. Agradeço primeiramente à minha família por entenderem minha ausência todos esses anos e mesmo assim torcerem pelo meu sucesso. Em especial à minha mãe Tânia, que sempre me apoiou nas minhas escolhas e me ensinou que "fazer uma coisa de cada vez" torna tudo mais simples. Ao meu esposo Clausius, por ser o "meu anjo da guarda" durante todos esses anos. Por sempre dar asas aos meus sonhos e me mostrar com suas atitudes que a vida pode ser mais leve. Por todos os mimos e carinhos, principalmente, na reta final do doutorado em que tudo pareceu mais complicado. Sentir o seu amor e cuidado foi fundamental! Ao meu orientador, Prof. Seiji, pela oportunidade de realizar este trabalho, por todas as lições, puxões de orelha e exemplos de humildade. Agradeço também por me permitir o contato com outras grandes mentes da computação: Patrícia Jaques, Ig Bittencourt, Riichiro Mizoguchi, Julita Vassileva. "Se vi mais longe foi por estar sobre os ombros de "vocês" (Isaac Newton)"... "gigantes" da Informática na Educação. Ao meu supervisor, Prof. Paulo Blikstein, pela oportunidade de realização do doutoradosanduíche na Universidade de Stanford. Essa, sem dúvida, foi uma das experiências mais incríveis que pude vivenciar. Obrigada! Às professoras Patrícia Jaques e Maria Augusta, por me apresentarem a área da Computação Afetiva com tanto carinho! A semente que vocês plantaram em mim no CBIE 2012, tomou forma e hoje dá seus primeiros frutos. Às amigas Kamila e Carla, por toda parceria nessa jornada. Kamila (amore), nossa sintonia é única e poucos irão entendê-la! Você foi um dos melhores e maiores presentes que a vida pode me dar nessa caminhada. Carlota, obrigada por me fazer entender que o doutorado é um processo e que para concluí-lo com êxito é preciso vencer cada uma das etapas. Com vocês por perto, tudo ficou mais colorido! Aos membros do grupo CAEd por todas as discussões e contribuições para a melhoria do meu projeto de doutorado. Em especial, aos colegas Geiser, Bruno e as "super poderosas" Carla, Cida, Kamila, Laís, Laíza e Rafa. Foi um prazer trabalhar e me divertir com vocês! Aos colegas do labes, por estarem sempre abertos a colaborar e festejar. Em especial, ao amigo Diego, por compartilhar comigo o sonho de ir para o exterior e paixão pela corrida. Seu apoio foi muito importante para que eu chegasse até aqui! Ao grupo Cefer-USP São Carlos, em especial aos professores Gi e Cris, por despertarem em mim a paixão pela corrida e me mostrarem que sempre é possível ir um pouco mais além. Vocês são os melhores! Ao colégio Anglo-Viçosa, em especial à Lúcia Duque Reis, por toda dedicação e empenho em executar os experimentos finais da minha tese. Serei eternamente grata por todo o seu carinho e cuidado em uma fase em que eu me encontrava tão frágil. Às amigas Ariane e Miriani, pelas loooooooooongas conversas. Ari, obrigada por estar sempre por perto e po...

show abstract

The Effects of Temperament and Team Formation Mechanism on Collaborative Learning of Knowledge and Skill in Short-Term Projects

Cited by 5 publications

References 13 publications

The Use of Personality Traits to Enhance Theory-driven Group Formation

The Use of Personality Traits to Enhance Theory-driven Group Formation

Formação de Grupos em Ambientes CSCL baseada na combinação entre os Traços de Personalidade e Teorias de Aprendizagem Colaborativa

Formação de grupos em ambientes cscl utilizando traços de personalidade associados às teorias de aprendizagem colaborativa

Contact Info

Product

Resources

About