חקר זיהוי רגשות של תלמידים ומשוב הוראת המורים בכיתת שפה זרה באוניברסיטה בהתבסס על מודל AFCNN

מדוע המורה שלכם עשוי בקרוב "לקרוא את החדר" בעזרת בינה מלאכותית

כל מי שנכח בשיעור משעמם יודע שמשעמום יכול להרוס למידה בשקט. עם זאת, למורים יש לרוב רק אינטואיציה כדי לשער איך התלמידים מרגישים ברגע נתון. המחקר הזה חוקר דרך חדשה לספק למורי שפה זרה באוניברסיטה מעין "לוח בקרה רגשי" שמופעל על־ידי בינה מלאכותית. על ידי קריאת הבעות הפנים של התלמידים בזמן אמת, המערכת מסייעת למורים להתאים את ההוראה במקום, ובטווח הארוך תומכת בצמיחה המקצועית שלהם.

רגשות חשובים לא פחות מהדקדוק

שיעורי שפה זרה אינם רק רשימות אוצר מילים וכללי דקדוק. הם מרחבים חברתיים שבהם בטחון, חרדה, סקרנות ושעמום מעצבים את מידת ההישג של התלמידים. מחקרים קודמים הראו שהכשרת מורים בדרך כלל מתמקדת בשיטות וידע מקצועי בעוד שהיא מקדישה פחות תשומת לב לרגשות של התלמידים במהלך השיעור. כלים מסורתיים, כמו סקרים בסוף הסמסטר או שיחות לאחר השיעור, מגיעים מאוחר מדי כדי להציל שיעור שמתדרדר. הכותבים טוענים שאם המורים יכלו לראות כיצד הרגשות משתנים דקה אחרי דקה, הם יכלו להגיב מהר יותר — להאיץ, להאט או להחליף פעילויות לפני שהתלמידים "יברחו" מחשבתית.

להפוך פנים לאותות מועילים

הליבה של המחקר היא מודל למידה עמוקה שנקרא Attention Feature Convolutional Neural Network, או AFCNN. בפשטות, מצלמה בכיתה קולטת את פניות התלמידים בזמן למידה. המודל פועל בשלוש פרצות: הוא מזהה כל פנים, מחלץ תכונות הקשורות להבעות וממיין אותן לאחת משבע רגשות בסיסיים, כגון שמחה, עצב, פחד או מצב ניטרלי. מנגנון "תשומת לב" מיוחד עוזר לבינה המלאכותית להתמקד בחלקים המנבאים ביותר של הפנים — כמו העיניים או הפה — תוך התעלמות מהסחות דעת. בניגוד לשיטות ישנות שעובדות היטב בעיקר עם תמונות נקיות ופונות קדימה, המערכת הזאת מיועדת להתמודד עם תנאים ריאליסטיים יותר, כגון זוויות חלקיות, ידיים על הפנים או תלמידים שמסתכלים לצדדים.

כמה טוב המערכת עובדת בפועל

כדי לבדוק את ה‑AFCNN, החוקרים אילפו אותה על אוסף ידוע של תמונות פנים מסומנות בקטגוריות רגשיות והרחיבו את הנתונים בעיבודים פשוטים כמו סיבוב ושינוי בהירות. לאחר מכן הם השוו את הביצועים שלה עם שני מודלים מבוססים לזיהוי תמונות, VGG16 ו‑ResNet18. בתנאים ברורים ללא הסתרה, המודל החדש זיהה רגשות נכון בכ‑81% מהמקרים והצטיין בזיהוי הבעות שמחה וניטרליות, עם דיוק בסביבות טווח אמצע ה‑80. כאשר הפנים הוסתרו חלקית — על ידי שיער, ידיים או כובעים — הדיוק ירד אצל כל המערכות, אך ה‑AFCNN עדיין הופיעה טובה יותר מהאחרות והציגה תוצאות מאוזנות יותר בין רגשות שונים, מה שמרמז שהיא עמידה יותר לתנאי כיתה אמיתיים.

מקריאות רגש לשיעורים טובים יותר

המחקר חורג מעבר לדיוק הגולמי ושואל האם הטכנולוגיה הזו באמת משפרת הוראה. בניסוי שנמשך חודש ובו השתתפו 200 מורי שפה זרה במוסדות גבוהים, חצי השתמשו במערכת זיהוי הרגשות וחצי הורו כרגיל. מורים שהיו להם משוב רגשי בזמן אמת שינו את תכניות ההוראה שלהם במהלך השיעור יותר מפעמיים, דיווחו על שביעות רצון גבוהה יותר מההוראה שלהם וראו עלייה בהשתתפות ובאינטראקציה של התלמידים. החוקרים גם תכננו מיפוי פשוט מתבניות רגש לתגובות מוצעות — למשל מעבר לדיון או לחזרה כאשר מופיעות סימני בלבול או תסכול — מה שמעביר את המערכת מצפייה פסיבית בהבעות להכוונת התנהגות פעילה.

מה זה אומר לכיתות של העתיד

במונחים יומיומיים, המחקר מרמז שייתכן ובעתיד יהיו בכיתות עוזרים שקטים שמביטים בפניהם של התלמידים ולוחשים למורה כשהאווירה נחלשת או כשהרבה תלמידים נראים מבולבלים. מערכת ה‑AFCNN אינה מושלמת — היא עדיין מתקשה עם רגשות עדינים כמו גועל או פחד, והיא תלויה בתמונות מתוייגות ובאיכות גבוהה — אך היא מראה שבינה מלאכותית יכולה לזהות מגמות רגשיות באופן מהימן וכי מורים יכולים להשתמש במידע הזה כדי ללמד בצורה רספונסיבית יותר. עבור התלמידים, זה עשוי להתקשר לשיעורים שמרגישים מרתקים ותומכים יותר; עבור המורים, זה מציע כלי חדש לפיתוח מקצועי שמשלב פסיכולוגיה, חינוך ובינה מלאכותית לסביבה לימודית חכמה ומודעת יותר לאדם.

ציטוט: 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

מילות מפתח: זיהוי רגשות בכיתה, בינה מלאכותית בחינוך, הוראת שפה זרה, פיתוח מקצועי למורים, מודלי למידה עמוקה