Автор Хенаро Реболледо Мендес
«Искусственный интеллект позволил разработать интеллектуальных наставников или интеллектуальные образовательные системы, способные адаптироваться к каждому ученику для персонализации обучения».
В отличие от того, что мы могли бы подумать, отрицательные эмоции, такие как скука, разочарование и замешательство, являются важными элементами эффективного обучения. Доказательства подтверждают это. Главное - уметь справляться с этими эмоциями. Технологические достижения в области искусственного интеллекта (ИИ), такие как интеллектуальные наставники и машинное обучение, помогают нам понять роль отрицательных эмоций в обучении.
Релевантность эмоций в нескольких важнейших аспектах жизни была пересмотрена после публикации ошибки Декарта нейробиологом Дамасио (1994 ).
В сфере образования, однако, отсутствие эмпирических данных, подтверждающих превосходство эмоций, открывает захватывающую область из-за возможности компьютерного моделирования когнитивного состояния и аффективного состояния учащихся. Моделирование этих состояний можно понимать как математическое представление степени обучения или аффективности в определенный момент во время обучения. Эти модели используют искусственный интеллект для обновления в режиме реального времени, в зависимости от их действий с инструментом обучения. В этом примере видео , начиная с 5-й минуты, проиллюстрирован метод моделирования аффективного состояния в реальном времени.
Искусственный интеллект также позволил разработать интеллектуальных наставников или интеллектуальные образовательные системы, способные адаптироваться к каждому ученику для персонализации обучения. Хотя успех интеллектуальных наставников как механизмов поддержки обучения был продемонстрирован на протяжении многих лет, возникают вопросы относительно роли эмоций: как моделировать аффективные состояния, влияющие на обучение? Как использовать лицевые точки, описанные в этом видео , при обучении?
Как эмоции связаны с обучением? В этом сценарии такие исследователи, как Райан Бейкер из Университета Пенсильвании и Сидни Д'Мелло из Университета Колорадо в Боулдере, провели научные исследования, чтобы определить роль эмоций, особенно негативных эмоций, таких как разочарование или замешательство (Саттер-Бранденбергер и др., 2018). Результаты этих исследований демонстрируют неблагоприятные последствия скуки и показывают, что некоторые эмоции, такие как разочарование, не так разрушительны, как можно было бы предположить (Baker et al. 2010; D'Mello and Graesser 2012; Andres et al. 2019).
Благодаря этим достижениям было установлено, что разочарование и замешательство, отнюдь не ненужные или вредные, являются жизненно важными и определяющими аффективными состояниями для обучения. Одно из последних исследований (Spann et al., 2019) показывает, что обучение можно предсказать, исходя из эмоций учащихся. В своем исследовании авторы экспериментировали со студентами, изучающими физику в серьезной игровой среде (см. Рис. 1). Когда ученики разочаровывались или скучали при решении физических задач, они сразу же использовали когнитивную переоценку как метод эмоциональной регуляции.
В своей простейшей форме когнитивная переоценка - это способность учащегося пересмотреть ситуацию с другой точки зрения, чтобы минимизировать негативные эмоции. В игре «Физическая площадка» студенты, которые получили осмысленное обучение и сообщили об отрицательных эмоциональных состояниях, таких как разочарование и скука, использовали когнитивную переоценку, чтобы регулировать эти эмоции. Эти студенты просто вообразили, что они играют в более легкую видеоигру, чтобы чувствовать себя по-другому и, таким образом, учиться.
Менее изученная концепция, связанная с эмоциями во время обучения, - это мета-аффективность (Debellis and Goldin, 2006). Этот термин был придуман путем проведения аналогии с концепцией мета-познания, которая определяется как уровень осведомленности ученика о своих знаниях и методах, которые позволяют ему лучше учиться. Таким образом, мета-аффективность описывает способность 1) осознавать эмоциональные состояния, испытываемые во время обучения, и 2) использовать стратегии эмоциональной регуляции для преобразования негативных состояний в позитивные для лучшего обучения. Эта гипотеза была предложена, но было проведено очень мало исследований для получения эмпирических данных, подтверждающих теорию. Тем не менее, мета-аффективность может описывать готовность студентов самостоятельно регулировать свои эмоции и учиться. Это также может объяснить, почему только некоторые студенты, участвовавшие в исследовании Physics Playground, успешно использовали когнитивную переоценку.
В ходе исследования, проведенного в Мексике для понимания роли мета-аффективности в изучении математики, было обнаружено, что мета-аффективность можно охарактеризовать, и что студенты, обладающие этой характеристикой, учатся лучше, хотя они не являются теми, кто получить самые положительные эмоции.
Студентов попросили пообщаться с умным наставником Скутером (Walker et al., 2011). В течение 80 минут ученики решали задачи умного наставника, и каждые 10 минут их прерывали, чтобы рассказать, как они себя чувствуют. В настоящее время в Tecnologico de Monterrey внедряется более эффективный способ распознавания эмоций, который заключается в использовании машинного обучения для автоматического распознавания эмоций в контексте обучения с использованием технологий (аналогично видео). В этом сценарии нет необходимости прерывать учеников, и есть более эффективная идентификация эмоций, чем когда ученики их самооценивают. В ходе исследования варианты, предоставленные студентам, включали четыре эмоции: скуку, разочарование, замешательство и концентрацию в дополнение к нейтральному состоянию. Данные, относящиеся к обучению, аффективности и метасвязности, были проанализированы с использованием компьютерного обучения и статистических методов с двумя целями: 1) понять, наблюдалась ли мета-аффективность в данных, собранных в ходе исследования, и 2) описать наблюдаемую аффективную динамику и связать еë с их успеваемостью.
Результаты впечатляют. Метааффективные студенты (18,54% выборки) имели значительно более высокий уровень обучения, чем неметааффективные студенты (81,46% в нашем исследовании). Эти студенты также получили лучшие результаты на стандартизированном национальном экзамене в Мексике, тесте ENLACE. Примечательно, что менее одной пятой учащихся из выборки были метааффективными, что позволяет предположить, что этому навыку следует обучать.
Вторая цель заключалась в анализе эмоциональной динамики студентов. В этом смысле было обнаружено, что метааффективные студенты сообщали о значительно большем количестве моментов разочарования, чем неметааффективные студенты. С другой стороны, студенты, которые не были метааффективными, сообщали о более высоком уровне концентрации. Этот результат бросается в глаза, потому что можно подумать, что неметааффективные студенты, изучающие математику, сообщают, что они сфокусированы, но на самом деле они учатся не так хорошо, как метааффективные студенты.
Наконец, было обнаружено, что почти четверть студентов (23,43%) имели аффективное поведение, состоящее из последовательностей скуки с последующим разочарованием. Такое поведение было связано с плохим обучением, и это могло быть связано с тем, что ученики, осознавая свою скуку, решили ничего не предпринимать с этим, что привело их к разочарованию. Поскольку эти ученики не знают, как справиться со скукой или разочарованием, они попадают в цикл негативных эмоций, который заставляет их не учиться. Остается открытым вопрос, могут ли эти студенты извлечь пользу из использования когнитивной переоценки.
Эти результаты важны, потому что они демонстрируют, что саморегулирование скуки и разочарования ведет к лучшему обучению, если учащиеся осознают это. Результаты также показывают, что отсутствие мета-аффективности вызывает негативное поведение среди студентов, и предполагает, что использование когнитивных стратегий переоценки может быть полезным для этой группы. Наконец, эти результаты показывают, что скука и разочарование жизненно важны для обучения даже для самых успешных учеников.
Результаты этого исследования мета-аффективности будут опубликованы в статье в Журнале искусственного интеллекта в образовании. Эта область исследований увлекательна, и многое еще предстоит изучить. В настоящее время из-за COVID-19 большинство наших студентов обучаются онлайн, поэтому стратегии автоматического распознавания эмоций могут быть реализованы для выявления студентов, которым не хватает мета-аффективности. Можно было бы предложить им набор стратегий, которые позволят им регулировать негативные эмоции.
Ссылки на литературу
Andres, J. M. A. L., Paquette, L., Ocumpaugh, J., Jiang, Y., Baker, R. S., Karumbaiah, S., et al. (2019). Affect sequences and learning in Betty's brain. In ACM International Conference Proceeding Series (pp. 383–390). New York, NY, USA: Association for Computing Machinery. https://doi.org/10.1145/3303772.3303807
Baker, R.S., Corbett, A.T., Koedinger, K.R. (2006) Responding to Problem Behaviors in Cognitive Tutors: Towards Educational Systems Which Support All Students. National Association for the Dually Diagnosed (NADD) Bulletin , 9 (4), 70-75.
Baker, R. S., D’Mello, S. K., Rodrigo, M. M. T., & 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. https://doi.org/10.1016/j.ijhcs.2009.12.003
D'Mello, S., & Graesser, A. (2012). Dynamics of affective states during complex learning. Learning and Instruction , 22 (2), 145–157.
Debellis, V. A., & Goldin, G. A. (2006). Affect and meta-affect in mathematical problem solving: A representational perspective. Educational Studies in Mathematics , 63 (2), 131–147. https://doi.org/10.1007/s10649-006-9026-4
Rebolledo-Mendez, G., Huerta-Pacheco, N. S., Baker, R. S., & Boulay, B. du. (2021). Meta-affective behavior within an intelligent tutoring system for mathematics. International Journal of Artificial Intelligence in Education , To appear
Spann, C. A., Shute, V. J., Rahimi, S., & D’Mello, S. K. (2019). The productive role of cognitive reappraisal in regulating affect during game-based learning. Computers in Human Behavior , 100 , 358–369. https://doi.org/https://doi.org/10.1016/j.chb.2019.03.002
Sutter-Brandenberger, C. C., Hagenauer, G., & Hascher, T. (2018). Students' self-determined motivation and negative emotions in mathematics in lower secondary education—Investigating reciprocal relations. Contemporary Educational Psychology , 55 , 166–175. https://doi.org/https://doi.org/10.1016/j.cedpsych.2018.10.002
Walker, E., Ogan, A., Baker, R. S. J. D., De Carvalho, A., Laurentino, T., Rebolledo-Mendez, G., & Castro, M. J. (2011). Observations of collaboration in cognitive tutor use in Latin America. In Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics) (Vol. 6738 LNAI, pp. 575–577).