English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

In this article, we propose a framework to detect emotional states from facial expressions of the students in the context of digital learning platforms. We analyzed and discussed the use of correlation and entropy between student’s emotional states and their performance during a multiple choice assessment. We conducted an experiment with 27 students, which were subject to an evaluation with 40 questions. During our analysis, we correlated the emotional states: neutrality, sadness, happiness, anger, disgust, fear, contempt, and surprise, with the performance achieved by each student. Finally, we found that the questions that caused greater variability of emotions in​ ​the​ ​students​ ​also​ ​had​ ​the​ ​highest​ ​proportion​ ​of​ ​correct​ ​answers. Resumo. Neste artigo, propomos um framework para detectar estados emocionais de alunos baseado em reconhecimento de expressões faciais no contexto das plataformas digitais. Analisamos e discutimos o uso de correlação e entropia entre os estados emocionais dos estudantes e o desempenho durante uma avaliação de múltipla escolha. Realizamos um experimento com 27 estudantes e elaboramos um teste composto de 40 perguntas. Na análise, correlacionamos os estados emocionais de neutralidade, tristeza, felicidade, raiva, desgosto, medo, desprezo e surpresa com o desempenho no teste. Concluímos que as questões que ocorreram maior variabilidade​ ​das​ ​emoções​ ​tinham​ ​também​ ​as​ ​​ ​maiores​ ​proporções​ ​de​ ​acertos.

Framework para coleta e inferência de estados emocionais de alunos baseado em reconhecimento de expressões faciais