TKTiago Roberto Kautzmann

Tiago Roberto Kautzmann

*This is an algorithmically generated author record based on publicly available information.

Current Organizations / Institutes

The organizations/institutes from the scholar's latest article


Tiago Roberto Kautzmann has a total of 20 co-authors. Here are the top co-authors by number of shared publications:


Latest Publications

  • Open Access

    Sensor-free Affect Detection in Learning Environments: A Systematic Literature Review

    by Felipe de Morais, Diógines Goldoni, Tiago R. Kautzmann, Patricia A. Jaques

    Emotions and affective states influence cognition and learning processes. Computer-based learning environments (CBLEs) capable of detecting and adapting to these states significantly enhance learning outcomes. However, practical constraints often hinder the deployment of sensor-based affect detection in CBLEs, especially for large-scale or long-term use. Consequently, sensor-free affect detection, reliant solely on interaction logs, emerges as a promising alternative. This paper offers a comprehensive literature review on sensor-free affect detection, covering frequently identified affective states, methodologies for sensor development, CBLE attributes, and research trends. Despite the field's maturity, there's ample room for further exploration. Future research should focus on improving sensor-free detection models, collecting more samples of underrepresented emotions, and refining model development practices. Additionally, efforts should be made to integrate models into CBLEs for real-time detection, provide meaningful interventions based on detected emotions, and deepen understanding of emotions' impact on learning. Key suggestions include comparing data collection techniques, optimizing duration granularity, establishing shared databases, and ensuring model source code accessibility.


  • Open Access

    Affect Dynamics and Behavioral Patterns in Intelligent Learning Environments

    by Patricia A. Jaques, Felipe De Morais, Tiago R. Kautzmann

    This research examines the interplay between emotions and learning behaviors in Intelligent Learning Environments (ILEs) using data from Brazilian students. We analyze associations between emotions—including confusion, frustration, boredom, and engagement—and learning behaviors, focusing on the influence of gender and the duration of these emotions and behaviors. Data from 30 students in a math step-based tutoring system were annotated by human coders, with transition probabilities assessed using the L metric. Key findings indicate that engagement and confusion correlate with active task involvement, while boredom and frustration are linked to task withdrawal. Additionally, gender-specific dynamics between emotions and behaviors were observed. These results highlight the potential to use the observed relationships between emotions and behaviors to enhance personalized learning experiences and inform the design of adaptive learning environments.

  • Open Access

    Detecção de Emoções na Aprendizagem de Programação: Os Efeitos de Usar Estimativas de Conhecimento em Modelos Livres de Sensores que Detectam a Confusão do Aluno

    by Tiago R. Kautzmann, Gabriel de O. Ramos, Patrícia A. Jaques

    A confusão é uma emoção provável de ocorrer em tarefas de aprendizagem de conteúdos complexos, como na aprendizagem de programação de computadores. Quando não regulada pelo aluno, a confusão pode afetar negativamente o aprendizado. Quando regulada, pode levar a aprendizagem a níveis mais profundos. O estudo descrito neste artigo buscou melhorar o desempenho de modelos livres de sensores que detectam a confusão do aluno enquanto envolvido em tarefas de aprendizagem de programação. Estes modelos são interessantes quando integrados a ferramentas de programação porque, ao detectar a confusão do aluno durante a aprendizagem, a ferramenta poderia intervir e auxiliar o aluno na regulação dessa emoção. Trabalhos relacionados treinaram modelos de detecção de confusão usando dados de interação do aluno com o ambiente de programação, como dados sobre movimentos de teclado e mouse. Nosso estudo levantou a hipótese que incorporar dados sobre estimativas de conhecimento do aluno aos dados de interação poderia melhorar o desempenho dos modelos. Nós comparamos o desempenho de modelos de aprendizado de máquina treinados com a abordagem da hipótese com modelos treinados com a abordagem dos trabalhos relacionados. Os modelos foram treinados com dados coletados de 62 alunos em aulas de programação ao longo de cinco meses. Os resultados apresentaram evidências positivas que apoiam nossa hipótese. Também discutimos cenários onde nossa abordagem é vantajosa, como o tamanho adequado dos segmentos de dados, os algoritmos com melhor desempenho e o poder de generalização dos modelos para alunos de diferentes níveis de ensino.

  • Open Access

    Automatic Sensor-free Affect Detection: A Systematic Literature Review

    by Felipe de Morais, Diógines Goldoni, Tiago Kautzmann, Rodrigo da Silva, Patricia A. Jaques

    Emotions and other affective states play a pivotal role in cognition and, consequently, the learning process. It is well-established that computer-based learning environments (CBLEs) that can detect and adapt to students' affective states can enhance learning outcomes. However, practical constraints often pose challenges to the deployment of sensor-based affect detection in CBLEs, particularly for large-scale or long-term applications. As a result, sensor-free affect detection, which exclusively relies on logs of students' interactions with CBLEs, emerges as a compelling alternative. This paper provides a comprehensive literature review on sensor-free affect detection. It delves into the most frequently identified affective states, the methodologies and techniques employed for sensor development, the defining attributes of CBLEs and data samples, as well as key research trends. Despite the field's evident maturity, demonstrated by the consistent performance of the models and the application of advanced machine learning techniques, there is ample scope for future research. Potential areas for further exploration include enhancing the performance of sensor-free detection models, amassing more samples of underrepresented emotions, and identifying additional emotions. There is also a need to refine model development practices and methods. This could involve comparing the accuracy of various data collection techniques, determining the optimal granularity of duration, establishing a shared database of action logs and emotion labels, and making the source code of these models publicly accessible. Future research should also prioritize the integration of models into CBLEs for real-time detection, the provision of meaningful interventions based on detected emotions, and a deeper understanding of the impact of emotions on learning.

  • Open Access

    O uso de estimativas de conhecimento do aluno em programação de computadores em modelos de detecção da emoção confusão livres de sensores

    by Tiago R. Kautzmann, Gabriel de O. Ramos, Patrícia A. Jaques

    Detectar a confusão do aluno permite ao ambiente computacional de aprendizagem realizar ações que ajudem o aluno a regular sua confusão e a se beneficiar dela. O artigo apresenta evidências sobre os efeitos de usar dados sobre estimativas de conhecimento do aluno, além de dados sobre a interação dele com o ambiente, no desempenho de modelos de detecção da confusão do aluno livres de sensores em tarefas de programação de computadores. Modelos de aprendizado de máquina foram treinados com amostras compostas por dados coletados de 62 alunos, durante cinco meses, em turmas de programação. Os resultados apresentaram evidências positivas que suportam a abordagem do estudo. O artigo também descreve cenários onde a abordagem é mais vantajosa.


  • Open Access

    Os efeitos de usar estimativas de conhecimento do aluno em programação de computadores em modelos livres de sensores de detecção da emoção confusão

    by Tiago R. Kautzmann, Gabriel de O. Ramos, Patrícia A. Jaques

    Detectar a confusão do aluno permite ao ambiente computacional de aprendizagem realizar ações que ajudem o estudante a regular sua confusão e a se beneficiar dela. A pesquisa da Tese apresenta uma hipótese, justificada em teorias cognitivas de emoções, de que o uso de dados sobre estimativas de conhecimento do aluno pode melhorar o desempenho de modelos livres de sensores de detecção da confusão do aluno em tarefas de programação de computadores. Diversos modelos de aprendizado de máquina foram treinados com amostras de dados coletados de 62 alunos, durante cinco meses, em turmas de programação. Os resultados apresentaram evidências positivas que suportam a hipótese. A pesquisa apresenta cenários onde a abordagem é mais vantajosa.

  • Open Access

    Análise do nível de confusão de estudantes com base no grau de dificuldade de questões de programação

    by Nathália R. M. dos Santos, Elaine H. T. Oliveira, David B. F. de Oliveira, Leandro S. G. Carvalho, Tanara Lauschner, Marcos A. P. de Lima, Tiago R. Kautzmann, Patricia A. Jaques

    Neste artigo, é descrito um estudo exploratório sobre o nível de confusão de alunos durante a aprendizagem de programação em ambientes computacionais de aprendizagem. Para tal, os dados de autorrelato de confusão e os logs das interações dos alunos com a plataforma foram coletados durante um semestre de aula. Ademais, foi estudada a relação do nível de confusão do aluno com o nível de dificuldade da tarefa, expresso pela taxa de acerto. Ao todo, foram analisados os relatos de 197 alunos e os logs de 185 questões. Nos resultados, foram identificados níveis mais altos de confusão em questões que continham estruturas condicionais e de repetição, assuntos que exigem uma lógica de programação mais aprimorada. Os resultados desse estudo são uma primeira etapa de uma pesquisa que visa a detecção automática do estado de confusão a partir das suas ações no ambiente computacional de aprendizagem, ou seja, de maneira independente dos relatos dos estudantes.


  • Open Access

    INVESTIGAÇÃO DA INFLUÊNCIA DOS TRAÇOS DE PERSONALIDADE NO USO DE DIFERENTES ELEMENTOS MULTIMÍDIA

    by Helena Macedo Reis, Tiago Roberto Kautzmann, Fernando Tiosso, ‪sImone de Sousa Borges, Rodrigo Clemente Thom de Souza, Patrícia Augustin Jaques

    Em sistemas computacionais educacionais, os elementos de multimídia vem sendo utilizados como ferramentas cognitivas importantes capazes de apoiar a compreensão de informações mais complexas. Porém, quando elaborados de maneira inadequada, os elementos de multimídia podem dificultar o entendimento de instruções, resultando em um alto esforço cognitivo pelos estudantes. Para minimizar este problema, estudos indicam princípios e/ou diretrizes que apoiam na elaboração de elementos multimídias mais efetivos durante o aprendizado, em que o processamento das informações são consideradas. Entretanto, esses estudos não consideram aspectos individuais, como os traços de personalidade. Alguns estudos indicam que os traços de personalidade podem influenciar no processamento das informações, como por exemplo, a capacidade de processar informações visuais e auditivas ao mesmo tempo. Este artigo apresenta o planejamento, execução e os resultados de um experimento realizado para investigar como os traços de personalidade podem afetar no aprendizado, esforço cognitivo e sentimento de frustração pelos estudantes durante o uso de diferentes elementos multimídia. Observou-se que alguns estudantes demonstraram alto grau de ansiedade em utilizar o elemento multimídia exemplo-trabalhado.

  • Modelo de identificação de unidades de conhecimento de programação em processo de aplicação durante a codificação

    by Tiago R. Kautzmann, Patricia A. Jaques

    Trabalhos que apresentaram modelos de identificação do conhecimento de alunos em programação, em ambientes computacionais de aprendizagem, não investigaram formas de identificar unidades de conhecimento em processo de serem aplicadas, durante a codificação. Este tipo de informação pode ser útil para tomadas de decisão de ambientes adaptativos, como oferecer suporte quando o aluno está tentando aplicar determinados conhecimentos. Este trabalho apresenta e avalia um modelo baseado em análise sintática que acompanha a codificação do aluno e identifica unidades de conhecimento de programação em processo de aplicação. Os resultados mostraram uma boa concordância entre as inferências do modelo e os julgamentos de especialistas.

  • EmAP-ML: A Protocol of Emotions and Behaviors Annotation for Machine Learning Labels

    by Felipe de Morais, Tiago R. Kautzmann, Ig I. Bittencourt, Patricia A. Jaques