INFLUENCIA DE EMOCIONES NEGATIVAS EN EL DESEMPEÑO MATEMÁTICO MEDIANTE TECNOLOGÍAS DE RECONOCIMIENTO FACIAL
DOI:
https://doi.org/10.63136/read162024963pp318Resumen
Las emociones negativas, como la frustración o enojo, pueden impactar significativamente el desempeño académico y el logro de objetivos de aprendizaje. Al respecto, la literatura reconoce que aún existe una brecha en la comprensión de cómo las emociones negativas influyen en el rendimiento matemático, especialmente, cuando se trabaja en temas de alta dificultad, como la comprensión de conceptos y la resolución de problemas de Geometría Analítica, particularmente, parábola y elipse. El objetivo es determinar si las emociones negativas tienen un efecto similar o diferente en el rendimiento de estudiantes en clases de matemáticas en línea, particularmente, cuando se implementan estrategias educativas destinadas a mejorar la comprensión y resolución de problemas. Se usaron estrategias de micro aprendizaje y tecnologías de reconocimiento facial para analizar emociones experimentadas por estudiantes, las cuales fueron contrastadas con el Modelo Circumplejo de Emociones. Los hallazgos revelan una influencia significativa de emociones negativas en el desempeño, como una base para centrar intervenciones educativas personalizadas por niveles de desempeño.Citas
Dupré, D., Krumhuber, E., Küster, D., & McKeown, G. (2020). A performance comparison of eight commercially available automatic classifiers for facial affect recognition. PLoS ONE, vol. 15(4). https://doi.org/10.1371/journal.pone.0231968
Goleman, D. (2018). Inteligencia emocional. Kairós
Handrich, S., Dinges, L., Al-Hamadi, A., Werner, P., & Al-Aghbari, Z. (2020, April 6-9). Simultaneous prediction of valence/arousal and emotions on AffectNet, Aff-Wild and AFEW-VA. The 3rd International Conference on Emerging Data and Industry 4.0 (ED140). Warsaw, Poland. https://doi.org/10.1016/j.procs.2020.03.134
Medina, P., Cabrera, A. y Nava F. (2021). Una bitácora FI: Una herramienta educativa digital útil para los estudiantes de ingeniera. Revista ANFEI Digital, vol. 13. https://anfei.mx/revista/index.php/revista/article/view/720
Montgomery, D. (2017). Design and Analysis of Experiments. John Wiley & Son, Inc.
Picard, R. (1995) Affective Computing. Perceptual computing section, Media Laboratory, Massachusetts Institute of Technology
Russell, J. (1980). A circumplex model of affect. Journal of Personality and Social Psychology, vol. 36(6), pp. 1161-1178. https://doi.org/10.1037/h0077714
Schmitz, A., Becker, R. y Wirzberger, M. (2024). Emotion-performance relationship in safety-critical human-machine systems. Computers in Human Behavior Reports, vol. 13. https://doi.org/10.1016/j.chbr.2023.100364
Seldon, A., & Abidoye, O. (2018). The fourth education revolution: will artificial intelligence liberate or infantilise humanity. Legend Press
Vine, S., Uiga, L., Lavric, A., Moore, L., Tsaneva, K., & Wilson, M. (2014). Individual reactions to stress predict performance during a critical aviation incident. Anxiety, Stress & Coping, vol. 28(4), pp. 467-477, https://doi.org/10.1080/10615806.2014.986722
Tyng, C., Amim, H., Saad, M., & Malik, A. (2017). The influence of emotion on learning and memory. Frontiers Psychology, vol. 8. https://doi.org/10.3389/fpsyg.2017.01454
Widmann, A., Schröger, E., & Wetzel, N. (2018). Emotion lies in the eye of the listener: Emotional arousal to novel sounds is reflected in the sympathetic contribution to the pupil dilation response and the P3. Biological Psychology, vol. 133, pp. 10-17, https://doi.org/10.1016/j.biopsycho.2018.01
