这篇文档属于类型b，是一篇系统性综述论文。以下是针对该文档的学术报告内容：
作者及机构信息
本文由土耳其Hacettepe大学计算机教育与教学技术系的Hatice Çıralı Sarıca独立完成，发表于《Review of Education》2023年第11卷，文章编号e3430，DOI: 10.1002/rev3.3430。
研究主题
论文题为《Emotions and Digital Storytelling in the Educational Context: A Systematic Review》，聚焦教育领域中情感（emotion）与数字叙事（Digital Storytelling, DST）的交叉研究，通过系统性综述方法分析了两者的关系、理论基础及教育应用成果。
1. 研究背景与动机
作者指出，情感在教与学过程中具有核心作用，能影响学生的学业表现、认知过程和教师专业发展。同时，DST作为一种多模态教学工具，可通过文本、声音、图像等元素传递情感，但其与情感的结合机制尚未被系统梳理。因此，本研究旨在填补这一空白，通过综述回答三个核心问题：(1) 教育中DST与情感的研究趋势；(2) 相关研究的理论基础；(3) DST干预的情感成果。
支持证据：
- 引用Pekrun的学业情绪理论（academic emotion theory）说明情感对学习的影响；
- 引用Lambert（2010）的研究，指出DST通过叙事、声音和图像能引发受众情感共鸣；
- 文献显示DST在语言学习、身份建构等场景中已广泛应用，但缺乏对情感维度的整合分析。
2. 研究方法与流程
作者采用混合方法，结合系统性映射（systematic mapping）与系统性综述（systematic review），遵循PRISMA框架。研究流程包括：
1. 文献筛选：从Web of Science、ERIC和Scopus三大数据库检索648篇文献，最终纳入70篇符合条件的研究；
2. 编码与分析：使用MAXQDA软件进行内容分析，采用演绎与归纳相结合的编码策略；
3. 跨分析：探究研究焦点（research foci）、情感成果与参与者之间的关联。
方法创新：
- 首次将系统性映射与系统性综述结合，兼顾文献分类与深度合成；
- 通过多模态分析（如数字故事中的声音、图像）量化情感表达。
3. 研究趋势与发现
3.1 研究趋势
- 时间分布：DST与情感的研究自2007年逐年增长，2020年后显著增加；
- 参与者：以大学生和职前教师为主（占60%），少数涉及学前儿童和成人；
- 方法论：质性研究主导（占75%），案例研究最常见，量化工具以量表为主。
3.2 研究焦点
- DST过程导向（RF1）：探讨情感在DST创作中的作用，如自我反思、情感分享；
- 受众导向（RF2）：分析观看数字故事（DS）时的情感反应，如共情（empathy）；
- 对象导向（RF3）：研究DS作为多模态资源的情感表达，如声音与图像的结合。
关键发现：
- DST能提供情感安全空间（emotional safe space），促进自我认知（如Sarıca & Usluel, 2022）；
- DS通过多模态元素（如背景音乐）增强情感传递（Kim et al., 2021）。
4. 理论框架的不足
综述发现，70篇研究中仅18篇明确提及情感相关理论，且多数依赖Pekrun的学业情绪理论。DST研究则多基于Lambert的叙事模型或社会文化理论，缺乏情感专属框架。
例证：
- 仅2篇研究引用Scherer的多维情绪理论（multidimensional emotion theory）；
- 部分研究未区分基本情绪（basic emotions）与复杂情绪（如共情）。
5. 教育应用成果
DST的情感干预成果可归纳为九类：
1. 情感连接（O1）：DST作为教学媒介，增强学习者间的情感纽带（如Kocaman-Karoğlu, 2016）；
2. 共情培养（O8）：DS的真实性促使受众与叙事者产生情感共鸣（Sljivic et al., 2022）；
3. 情感技能发展（O9）：学前儿童通过DST提升社交情感能力（Maureen et al., 2020）。
跨分析结果：
- 大学生群体中，DST主要促进情感体验（O3）与自我反思（O6）；
- 成人受众通过观看DS强化共情（O8），如难民主题故事（Kendrick et al., 2022）。
6. 研究意义与价值
学术价值：
- 首次系统整合教育中DST与情感的研究，提出分类框架（如三大研究焦点）；
- 揭示理论空白，呼吁开发情感导向的DST模型。
实践意义：
- 为教师设计情感化DST活动提供依据（如通过故事圈（story circle）促进情感分享）；
- 推动多模态情感分析工具在教育研究中的应用。
亮点与创新
1. 全面性：覆盖2007-2023年70项研究，涵盖从学前到成人教育的全年龄段；
2. 方法论：混合方法弥补了传统综述的局限性；
3. 批判性：指出理论薄弱问题，如仅8.6%研究涉及情绪测量工具（如面部识别）。
局限与展望：
- 需更多跨文化研究，比较不同文化背景下的情感表达差异；
- 建议未来研究结合神经科学方法（如EEG）量化DST中的情感反应。
此综述为教育技术、情感心理学领域的研究者与实践者提供了重要参考，尤其对数字化时代的情感化教学设计具有指导意义。