Ordered Network Analysis of Epistemic Emotions during Collaborative Problem Solving
本研究采用有序网络分析来揭示协作问题解决过程中认知性情绪截然不同的持续与转换模式，展示了报告方法和小组速度如何影响诸如困惑和好奇等情感状态的动态变化。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正在观察一群朋友试图共同解决一个棘手的谜题。你可能会注意到他们皱眉、大笑或争吵，但他们的脑海中究竟在发生着什么？这个问题处于心理学与计算机科学的交汇点，该领域试图理解我们的感受——如困惑、好奇或挫败——是如何塑造我们的学习方式以及我们如何与他人协作的。科学家们早已知道，这些“认知情绪”（与思考和理解相关的感受）并非随机的噪音；它们是学习的引擎。然而，追踪这些情绪就像试图用双手捕捉烟雾一样困难。如果你要求人们在工作时停下来并说出他们的感受，就会打断他们的注意力。如果你等到结束后再询问，他们可能会忘记确切的事件顺序，或者混淆了先后的感受。由于没有能够读取思想的完美“真相机器”，研究人员必须依靠巧妙的方法在事后重建这些情感旅程。
本论文对这种重建过程进行了全新的审视。研究人员收集了一组学生，让他们参与一个涉及天平称重和神秘方块的协作问题解决任务。研究人员并没有中断他们的过程，而是让学生在任务结束后观看自己参与过程的视频，并通过点击按钮来报告他们在不同时刻的感受。有些点击是自发的（当他们感受到强烈情绪时），而另一些则是由于在60秒沉默后弹出的计时器而强制进行的。随后，团队使用了一种名为“有序网络分析”（Ordered Network Analysis, ONA）的特殊数学工具。请不要将 ONA 仅仅视为一个简单的感受列表，而要把它想象成一张地铁系统图。它不仅告诉你访问了哪些站点（情绪），还会绘制出轨道，展示你通常会前往下一个站点的路径。是困惑导致了挫败，还是困惑激发了好奇心？通过绘制这些轨道，作者发现，群体如何移动于各种情绪之间，很大程度上取决于他们解决问题的速度以及被要求报告感受的方式。
研究显示，大多数群体都拥有一个“稳定的核心”情绪：好奇、乐观和困惑。这三种感受就像是地铁系统的中心枢纽，不断地在彼此之间循环并相互连接。这表明，当人们共同工作时，他们往往处于一种“生产性挣扎”的状态，即即使在困惑时，也会保持好奇和乐观，而不是在截然不同的情绪之间剧烈波动。
然而，地图的样子会因工作速度的不同而大相径庭。“快速”组的轨道在好奇与乐观之间紧密循环。他们似乎顺畅地完成了任务，并且一旦遇到障碍，就能迅速恢复到好奇的状态。有趣的是，快速组还表现出了向“脱离参与”（disengagement）状态的快速下滑，这表明也许是一两个人正在驾驶这辆“巴士”，而其他人只是在旁观看。相比之下，“慢速”组的地图则显得混乱得多。他们的轨道在困惑、冲突和挫败感方面有着很重的权重。对于这些群体来说，产生困惑往往会直接导致争吵或陷入僵局。论文指出，速度不仅仅关乎小组的聪明程度，它也是他们情绪组织方式的一个信号。快速组拥有更平滑的情绪协调，而慢速组则陷入了挣扎的循环之中。
研究还发现，收集数据的方法会彻底改变这张地图。当学生进行自发报告（自发捕捉）时，地图显示出更剧烈的转变，包括挫败感和惊讶感的激增。这就像是他们只有在发生令人兴奋或恼人的事情时才会按下按钮。但是，当计时器强制他们报告（探测捕捉）时，地图看起来又不一样了：核心情绪（好奇、乐观、困惑）具有更强的循环性，这表明当人们被提醒去检查自己的状态时，他们会意识到自己已经处于一种稳定的思考状态中一段时间了。作者指出，由于强制报告发生的频率（64%）远高于自发报告（36%），因此“强制”地图能更好地描绘出连续的情感流，而“自发”地图则突出了那些充满戏剧性的时刻。
最终，这篇论文表明，我们不应仅仅关注学生正在感受什么情绪，而应关注他们如何从一种情绪转向另一种情绪。一个旨在帮助学生的计算机系统不应仅仅在看到“困惑”时就感到恐慌。相反，它应该观察这些“轨道”：这种困惑是在导向好奇（一个好迹象），还是在螺旋式下降进入冲突和脱离参与（一个坏迹象）？作者总结道，理解这些情感路径对于构建更好的 AI 导师至关重要，因为这些导师需要知道何时保持沉默，以及何时介入，从而帮助群体应对解决问题过程中复杂且充满情绪的旅程。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。