tailieunhanh - Báo cáo khoa học: "Predicting Student Emotions in Computer-Human Tutoring Dialogues"

We examine the utility of speech and lexical features for predicting student emotions in computerhuman spoken tutoring dialogues. We first annotate student turns for negative, neutral, positive and mixed emotions. We then extract acoustic-prosodic features from the speech signal, and lexical items from the transcribed or recognized speech. We compare the results of machine learning experiments using these features alone or in combination to predict various categorizations of the annotated student emotions. . | Predicting Student Emotions in Computer-Human Tutoring Dialogues Diane J. Litman Kate Forbes-Riley University of Pittsburgh University of Pittsburgh Department of Computer Science Learning Research and Development Center Learning Research and Development Center Pittsburgh PA 15260 USA Pittsburgh PA 15260 USA forbesk@ litman@ Abstract We examine the utility of speech and lexical features for predicting student emotions in computerhuman spoken tutoring dialogues. We first annotate student turns for negative neutral positive and mixed emotions. We then extract acoustic-prosodic features from the speech signal and lexical items from the transcribed or recognized speech. We compare the results of machine learning experiments using these features alone or in combination to predict various categorizations of the annotated student emotions. Our best results yield a 19-36 relative improvement in error reduction over a baseline. Finally we compare our results with emotion prediction in human-human tutoring dialogues. 1 Introduction This paper explores the feasibility of automatically predicting student emotional states in a corpus of computer-human spoken tutoring dialogues. Intelligent tutoring dialogue systems have become more prevalent in recent years Aleven and Rose 2003 as one method of improving the performance gap between computer and human tutors recent experiments with such systems . Graesser et al. 2002 are starting to yield promising empirical results. Another method for closing this performance gap has been to incorporate affective reasoning into computer tutoring systems independently of whether or not the tutor is dialogue-based Conati et al. 2003 Kort et al. 2001 Bhatt et al. 2004 . For example Aist et al. 2002 have shown that adding human-provided emotional scaffolding to an automated reading tutor increases student persistence. Our long-term goal is to merge these lines of dialogue and affective tutoring research by enhancing our .

• Báo cáo khoa học
• Predicting Student Emotions
• Computer Human Tutoring Dialogues
• Diane J
• Litman Kate Forbes Riley
• báo cáo khoa học
• mô hình ngôn ngữ
• xử lý ngôn ngữ tự nhiên
• Bài giảng Xử lý ngôn ngữ tự nhiên
• Ngôn ngữ tự nhiên
• Kỹ thuật lập trình
• Xử lý nhập nhằng ngữ nghĩa
• Xử lý ngữ nghĩa
• Xử lý ngôn ngữ
• Natural Language Processing
• Ngôn ngữ lập trình
• Nhập nhằng cấu trúc
• Tri thức về ngôn ngữ
• Mô hình n gram
• Dịch máy
• Phương pháp dịch máy
• Hiểu ngôn ngữ
• Phân tích ngữ nghĩa
• Phân loại tin tự động
• Biểu diễn vị từ
• Thuộc tính về sự kiện
• Thuộc tính về sự kiện
• Mô hình ngôn ngữ Google Book N grams
• Mô hình ngôn ngữ KenLM
• Phương pháp làm mịn
• Tách từ tiếng Việt
• Gán nhãn từ loại
• Phân tích cú pháp
• Nghĩa từ vựng
• Phân giải nhập nhằng từ
• Phân loại văn bản
• Lexical chain
• Phản hồi thông tin
• Bài toán PTCP
• Cấu trúc ngữ pháp
• Phân tích cú pháp xác suất
• CKY kết hợp xác suất
• Văn phạm phi ngữ cảnh xác suất
• Hình thái học