Montaña rusa emocional

“¿Qué convierte en ‘una experiencia única’ para un niño resolver un problema de matemáticas ?”. Este es el punto de partida del estudio que  nos proponen estos investigadores del Carnegie Mellon . Se trata de buscar la “montaña rusa emocional» que permita automatizar las tutorías onLine para optimizar la «experiencia de usuario» del estudiante, y lograr así que se «enganche» con el curso, y no solo termine, sino que se divierta.  Pone el foco en cómo optimizar la experiencia a través de un apoyo personalizado al estudiante, y sienta unas bases interesantes con su estudio:

Graban 21 sesiones de tutoría durante 3 semanas de una madre con su hijo de 9 años, mientras este resuelve problemas de matemáticas de una conocida competición de Canadá y Estados Unidos (Math Kangaroo). Desde medir cuándo se divierte, cuándo se sorprende, si está confuso o frustrado, … hasta medir el “sharing” o ratio del tiempo que el tutor está hablando(su madre en esta experiencia) vs tiempo que habla el estudiante  durante las conversaciones tomadas en video. (Véase fig.1)

MomSharing

Fig 1: Tiempo compartido

Así, va observando mediante correlación qué porcentaje de «participación tutorial» permite mantener el interés del estudiante (engagement). Véase fig.2. Y construye un modelo predictivo a partir de ello, mediante un análisis pormenorizado de los videos, y cómo pasa de una emoción a otra (mediante grafos).

Fig2: Engagement

Fig2: Grado de compromiso

El reconocimiento de las emociones no es tan fiable como otros parámetros más sencillos de medir, sin embargo a partir de la experiencia han desarrollado un método para caracterizar las dinámicas de comunicación interpersonal y cuantificar la sincronización entre el sistema tutorial TIC y la actividad de la voz.

Asimismo exploran las interacciones y los estados emocionales en el momento de resolver un problema. (ver fig.3). Es aquí donde se «puede planificar» la «montaña rusa emocional» para que el estudiante se enganche con el curso.

Fig.3-GrafoMultimodal

Fig.3-GrafoMultimodal

El estudio (Lujie (Karen) Chen, Xin Li, Zhuyun Xia, Zhanmei Song (Shangdong Yincai) Louis-Philippe Morency and Artur Dubrawski, del Carnegie Mellon)  concluye que han encontrado indicadores fiables para ITC y el reconocimiento de la actividad de la voz, especialmente los relacionados con la detección de la sorpresa y la diversión, siendo menos fiables para un modelo predictivo, por ahora, los detectores de confusión y frustración.

WordCloud del post realizada por el autor con"R"

WordCloud del post realizada por el autor con»R»

Dejan el camino abierto para extender el estudio con otros estudiantes, incorporar otros indicadores como la perseverancia, y explorar otras modalidades diferenciando mensajes verbales y no-verbales.