Predição de emoções baseada em mineração de dados: considerando a personalidade para melhorar a detecção

This paper uses data mining, with data coming from the interaction of the students in a step-based ITS, to detect four learning emotions: confusion, engagement, frustration, and boredom. Unlike related works, our model aims to verify whether the students’ personality can impact the precision of the detection positively. Also, the emotion labels were obtained through an annotation protocol developed by our group, which allows the capture of transitions of the students’ emotions. As results, it was possible to identify that only the engagement detector, trained with personality data of the students, obtained a small improvement in the precision of the detection. However, with the use of a feature selection algorithm, it was possible to verify that among 348 available features, only ten were selected, including personality data. Resumo. Este trabalho utiliza a mineração de dados, provenientes da interação dos alunos com um STI baseado em passos, para detectar quatro emoções de aprendizagem: confusão, engajamento, frustração e tédio. Diferente de outros trabalhos, este tem como objetivo verificar se os dados da personalidade dos alunos pode impactar de forma positiva na precisão da detecção. Além disso, os rótulos de emoções foram obtidos por meio de um novo protocolo de anotação, que permite a captura das transições das emoções dos alunos. Como resultado, foi possı́vel identificar que apenas o detector de engajamento, treinado com dados da personalidade dos alunos, obteve uma pequena melhora na precisão da detecção. Porém, com a utilização de um algoritmo de seleção de caracterı́sticas, foi possı́vel verificar que entre 348 caracterı́sticas disponı́veis, apenas dez foram selecionadas, incluindo dados da personalidade.