استكشاف تَعرُّف عواطف الطلاب وردود فعل المعلمين في تدريس اللغة الأجنبية بالجامعة استنادًا إلى نموذج AFCNN

لماذا قد يقرأ معلمك الأجواء قريبًا بمساعدة الذكاء الاصطناعي

أي شخص حضر صفًا مملًا يعلم أن الملل يمكن أن يقتل التعلم بهدوء. ومع ذلك، غالبًا ما يعتمد المعلمون على حدسهم فقط لتخمين ما يشعر به الطلاب في اللحظة. تستكشف هذه الدراسة طريقة جديدة لمنح معلمي اللغة الأجنبية في الجامعة نوعًا من «لوحة عاطفية» مدعومة بالذكاء الاصطناعي. من خلال قراءة تعابير وجوه الطلاب في الوقت الحقيقي، يساعد النظام المعلمين على ضبط أساليبهم التعليمية على الفور ويدعم على المدى الطويل نموهم المهني.

العواطف مهمة بقدر قواعد النحو

فصول اللغة الأجنبية ليست مجرد قوائم مفردات وقواعد نحوية. إنها فضاءات اجتماعية حيث تشكل الثقة والقلق والفضول والملل طريقة تعلم الطلاب. أظهرت أبحاث سابقة أن تدريب المعلمين يركز عادة على الأساليب والمعرفة الموضوعية مع إيلاء اهتمام أقل لمشاعر الطلاب أثناء الحصة. الأدوات التقليدية، مثل استبيانات نهاية الفصل أو المحادثات بعد الدرس، تصل متأخرة جدًا لإنقاذ درس يعاني. يجادل المؤلفون أنه إذا تمكن المعلمون من رؤية كيف تتغير المشاعر دقيقة بدقيقة، فبوسعهم الاستجابة أسرع—تسريع الوتيرة أو إبطاؤها أو تغيير النشاطات قبل أن ينفصل انتباه الطلاب ذهنيًا.

تحويل الوجوه إلى إشارات مفيدة

جوهر الدراسة هو نموذج تعلم عميق يُدعى شبكة الالتفاف المميزة بالانتباه، أو AFCNN. ببساطة، تلتقط كاميرا في الفصل وجوه الطلاب أثناء التعلم. يتبع النموذج ثلاث خطوات: يحدد كل وجه، يستخلص السمات المرتبطة بالتعابير، ويصنفها إلى واحدة من سبع حالات عاطفية أساسية، مثل السعادة والحزن والخوف أو الحالة المحايدة. يساعد آلية "الانتباه" الخاصة النموذج على التركيز على أكثر أجزاء الوجه معلومات، مثل العيون أو الفم، مع تجاهل المشتتات. وعلى عكس الأساليب القديمة التي تعمل بشكل أفضل مع صور واضحة وواجهاً لواجهة الكاميرا، تم تصميم هذا النظام للتعامل مع ظروف أكثر واقعية، مثل الرؤى الجزئية، أو وضع اليد على الوجه، أو انحراف الطلاب بالنظر إلى الجانب.

إلى أي مدى يعمل النظام فعليًا

لاختبار AFCNN، دربه الباحثون على مجموعة معروفة من صور الوجوه الموسومة بفئات عاطفية ووسّعوا البيانات بتعديلات بسيطة مثل الدوران وتغيير السطوع. ثم قارنوا أداءه مع نموذجين معروفين للتعرف على الصور، VGG16 وResNet18. في ظروف واضحة دون عوائق، حدد النموذج الجديد المشاعر بشكل صحيح حوالي 81% من الوقت، وكان جيدًا بشكل خاص في التعرف على التعبيرات السعيدة والمحايدة، محققًا دقة تقارب منتصف الثمانينات بالمئة. عندما كانت الوجوه محجوبة جزئيًا—بواسطة الشعر أو الأيادي أو القبعات—انخفضت الدقة لدى كل الأنظمة، لكن AFCNN ظل يتفوق على الآخرين وأظهر نتائج أكثر توازنًا عبر المشاعر المختلفة، ما يشير إلى أنه أكثر متانة للفصول الواقعية.

من قراءات عاطفية إلى دروس أفضل

تتجاوز الدراسة الدقة الخام وتسأل ما إذا كانت هذه التكنولوجيا تحسن التدريس فعليًا. في تجربة استمرت شهرًا شملت 200 معلم لغة أجنبية جامعي، استخدم نصفهم نظام تمييز المشاعر والآخرون درّسوا كالمعتاد. تغيّر المعلمون الذين اطلعوا على التغذية الراجعة العاطفية في الوقت الحقيقي خططهم التعليمية أكثر من ضعفي المرة أثناء الحصة، وأبلغوا عن رضى أعلى تجاه تدريسهم، ولاحظوا مشاركة وتفاعلًا طلابيًا أكبر. كما صمم الباحثون خريطة بسيطة تربط أنماط المشاعر بردود مقترحة—مثل التحول إلى النقاش أو المراجعة عند ظهور علامات الارتباك أو الإحباط—ما يحرك النظام من مجرد مراقب للعواطف إلى مرشد سلوكي فاعل.

ماذا يعني ذلك للفصول المستقبلية

بعبارات يومية، تقترح هذه الأبحاث أن الفصول المستقبلية قد تحتوي على مساعد هادئ يراقب وجوه الطلاب ويهمس للمعلم عندما يفقد الفصل طاقته أو عندما يبدو أن معظم الطلاب محتارون. نظام AFCNN ليس مثاليًا—لا يزال يواجه صعوبة مع العواطف الدقيقة مثل الاشمئزاز أو الخوف، ويعتمد على صور موسومة عالية الجودة—لكنه يبيّن أن الذكاء الاصطناعي يمكنه التقاط اتجاهات عاطفية بشكل موثوق، وأن المعلمين يمكنهم استخدام هذه المعلومات للتدريس بشكل أكثر استجابة. بالنسبة للطلاب، قد يعني ذلك دروسًا أكثر جذبًا ودعمًا؛ وبالنسبة للمعلمين، فذلك يوفر أداة جديدة للتطوير المهني تمزج علم النفس والتعليم والذكاء الاصطناعي في بيئة تعلم أكثر ذكاءً ووعياً بالإنسان.

الاستشهاد: Shi, L. Exploring students’ emotion recognition and teachers’ teaching feedback in college foreign language classroom based on AFCNN model. Sci Rep 16, 5657 (2026). https://doi.org/10.1038/s41598-026-36747-0

الكلمات المفتاحية: تعرُّف عواطف الفصل, الذكاء الاصطناعي في التعليم, تدريس اللغة الأجنبية, تطوير مهني للمعلمين, نماذج التعلم العميق