協作問題解決過程中認識情緒的有序網絡分析
arXiv - Computers and SocietySifatul Anindho, Videep Venkatesha, Jaclyn Ocumpaugh, Nathaniel Blanchard
本研究利用有序網絡分析揭示了協作過程中認識情緒的持續與轉移模式，並發現不同報告方法與解題速度會影響情緒結構。
AI 幫你先抓重點
AI 重點 1
情緒動態的「結構性」分析優於單純的頻率統計
滑鼠懸停看 AI 判斷理由
傳統研究往往只關注某種情緒出現的頻率，但本研究證明了情緒之間的「轉移順序」與「持續性」才是理解學習動態的關鍵，這對於開發能即時辨識學習狀態的 AI 系統至關重要。
AI 重點 2
情緒報告方法對數據詮釋具有潛在偏誤
滑鼠懸停看 AI 判斷理由
研究顯示自我回想與提示回想會導致不同的情緒網絡結構，這提醒研究者與開發者在設計學習分析工具時，必須考慮採樣機制如何影響對學生心理狀態的最終判讀。
核心研究發現
- 1
有序網絡分析（ONA）揭示了情緒狀態的持續性與轉移模式，這些細微差異在傳統的描述性統計摘要中無法被觀察到。
- 2
研究發現存在一個穩定的「認識核心」，將好奇心、樂觀與困惑情緒緊密連結在一起。
- 3
不同的情緒報告方法（自我捕捉與提示捕捉）會強調情緒狀態之間不同的連接關係。
- 4
解題速度較快與較慢的小組在情緒角色上存在顯著差異，特別是困惑與脫節情緒與衝突之間的關係。
對教育工作者的啟發
對於課程設計者與 AI 輔助學習系統的開發者而言，本研究提供了兩大啟發：首先，設計 AI 監測系統時，不應僅偵測單一情緒（如困惑），而應關注情緒的「序列轉移」，例如從困惑轉向好奇的過程，這才是支持學習的關鍵指標；其次，在設計評估工具時，需意識到回想機制會改變數據結果，應結合多種數據來源（如生理訊號與自我報告）以獲得更精準的情緒圖譜，進而提供更具適應性的協作支持。
原始文獻資訊
- 英文標題：
- Ordered Network Analysis of Epistemic Emotions during Collaborative Problem Solving
- 作者：
- Sifatul Anindho, Videep Venkatesha, Jaclyn Ocumpaugh, Nathaniel Blanchard
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。