גישה של למידת עומק לאינטליגנציה רגשית בינה מלאכותית לשיפור תוצאות הלמידה

מדוע רגשות חשובים ללמידה

מישהו שניסה ללמוד כשהוא לחוץ או משועמם יודע שרגשות יכולים לקבוע אם הלמידה תצליח או לא. למרות זאת רוב התוכנות החינוכיות עדיין מתייחסות לתלמידים כאילו הם מוח מנותק מהרגשות, ומתאימות את עצמן רק לפי תשובות נכונות או שגויות. מאמר זה בוחן סוג חדש של מורה בינה מלאכותית רגשית — כזה היכול לחוש איך הלומד מרגיש מפניו, קולם וממילותיו, ולהשתמש בתובנה הזו כדי לשמור על המוטיבציה, התמיכה וההתנהלות במסלול הנכון.

מציוני בדיקה לרגשות אמיתיים

מערכות חינוך מבוססות בינה מלאכותית מסורתיות מתמקדות כמעט לחלוטין בנתונים קוגניטיביים: כמה שאלות תלמיד ענה נכון, כמה מהר הוא מגיב, או אילו נושאים הוא מפספס. עם זאת מחקרים מראים שסקרנות, תסכול, חרדה וסיפוק מעצבים במידה רבה את תשומת הלב, הזיכרון וההתמדה. התעלמות מרגשות אלה עלולה להביא לכך שהמערכת תגביר קושי בדיוק כשהתלמיד עומד לוותר, או תציע עידוד עליז כאשר הלומד למעשה מבולבל. הכותבים טוענים שתוכנת חונכות יעילה חייבת לקרוא ולהגיב הן למה שהתלמידים יודעים והן לאיך הם מרגישים.

ללמד את המחשב לקרוא פנים, קולות ומילים

כדי לבנות מורה מודעת רגשית, החוקרים שילבו שלושה זרמי מידע. ראשית, הם השתמשו באוסף תמונות גדול של פנים אנושיות, מתוייגות לפי רגשות, כדי לאמן מודל ראייה לזהות איתותים כמו חיוכים, זעפיות וגבות מורמות. שנית, הם הסתמכו על מאגר דיבור של שיחות מדומות מתויגות ברגשות כגון כעס, שמחה ואכזבה, מה שאפשר למודל שמע לתפוס רמזים בטון, בגובה הקול ובקצב הדיבור. שלישית, הם אימנו מודל שפה על תמלילים טקסטואליים כדי שיוכל לזהות האם תגובות כתובות או תשובות נשמעות בטוחות, מתוסכלות או ניטרליות. כל אחד מרכיבים אלה ממיר מראות, צלילים או מילים גולמיות ל״טביעת רגש״ קומפקטית.

כיצד המערכת משלבת אותות למצב רוח יחיד

בהתחשב בכך שאף ערוץ יחיד אינו מספר את כל הסיפור, הצוות השתמש בשיטת למידת עומק מבוססת גרפים למזג את שלוש הטביעות. בפשטות, המערכת מתייחסת לכל מודאליות — פנים, קול וטקסט — כצומת מקושרת ברשת. במהלך האימון הרשת לומדת איך החלקים הללו בדרך כלל קשורים זה לזה: למשל, האם קול מתוח מופיע לעתים קרובות עם הבעה רצינית, או האם שפה עליזה יכולה לפצות על מראה עייף. על ידי העברת מסרים לאורך הקשרים הללו, המודל מגיע להערכה משותפת לגבי מצבו הרגשי של התלמיד, גם כאשר מקור אחד של מידע רועש או חסר. הערכה מאוחדת זו מניעה אז את תגובות המורה, כגון האטת הקצב, הצעת רמזים או הוספת עידוד.

האם בינה מלאכותית המודעת לרגש באמת עוזרת לתלמידים?

החוקרים העריכו את המערכת שלהם על מאגרי רגשות סטנדרטיים והשוו אותה למודלים קונבנציונליים שהשתמשו רק בתמונות, רק באודיו, או בדרכים פשוטות למיזוג השניים. על פני רגשות כמו שמחה, עצב, כעס ואי-רגישות, המסגרת החדשה הייתה מדויקת ומאוזנת יותר — במיוחד עבור מצבי רוח חיוביים וניטרליים שחשובים ללימוד רציף. במחקרי משתמשים המדמים מפגשי לימוד, תלמידים דיווחו שהמערכת המודעת לרגש הרגישה תומכת ורגישה יותר. תוצאות מדידות אישרו זאת: לומדים נשארו מעורבים זמן רב יותר, ויסתו רגשות שליליים באופן יעיל יותר, והשלים מטלות יותר מאשר אלה שהשתמשו בכלים ממוקדי-קוגניציה בלבד.

הבטחות, סיכונים ומה צפוי להבא

מכיוון שנתונים רגשיים רגישים, המחברים מקדישים תשומת לב משמעותית לאתיקה. הם מדגישים את הצורך בהסכמה מדעת, בהגנות פרטיות חסומות, ובאמצעים למניעת הטיה בין תרבויות וקבוצות גיל. מבט לעתיד מתאר מערכות כיתתיות שיכולות לחוש רגשות דקים, לעבוד בזמן אמת ולהתחבר לכלים כמו חונכים אינטיליגנטיים או שיעורים במציאות מדומה. עבור הציבור הרחב, המסקנה ברורה: על ידי תשומת לב לא רק לתשובות אלא גם להבעות, לטון ולניסוח, חונכי בינה מלאכותית יכולים להתנהג פחות כמו מכונות ניקוד ויותר כמו מורים אנושיים שקולים — ועוזרים לתלמידים ללמוד טוב יותר על ידי הבנת רגשותיהם בזמן הלמידה.

ציטוט: Wu, X., Lee, T., Lilhore, U.K. et al. A deep learning approach to emotionally intelligent AI for improved learning outcomes. Sci Rep 16, 7431 (2026). https://doi.org/10.1038/s41598-026-37750-1

מילות מפתח: למידה המודעת לרגש, מערכות חונכות בינה מלאכותית, מעורבות תלמידים, זיהוי רגשות מולטימודלי, טכנולוגיה חינוכית