Исследование распознавания эмоций студентов и обратной связи преподавателей в университетском кабинете иностранного языка на основе модели AFCNN

Почему ваш преподаватель вскоре сможет «считывать зал» с помощью ИИ

Все, кто хоть раз просидел скучную партию, знают: скука может незаметно убивать учебный процесс. Тем не менее у преподавателей часто есть только интуиция, чтобы догадываться, что чувствуют студенты в данный момент. Это исследование изучает новый способ предоставить преподавателям вузов по иностранным языкам своего рода «эмоциональную панель», основанную на искусственном интеллекте (ИИ). Считывая мимику студентов в реальном времени, система помогает преподавателю корректировать урок на ходу и в долгосрочной перспективе поддерживает их профессиональный рост.

Эмоции важны не меньше грамматики

Занятия по иностранным языкам — это не только списки слов и грамматические правила. Это социальные пространства, где уверенность, тревога, любопытство и скука влияют на эффективность обучения. Предыдущие исследования показали, что подготовка преподавателей обычно сосредоточена на методах и предметных знаниях и уделяет меньше внимания эмоциям студентов в классе. Традиционные инструменты, такие как опросы в конце семестра или беседы после занятия, приходят слишком поздно, чтобы спасти провалившийся урок. Авторы утверждают, что если преподаватели могли бы видеть, как эмоции меняются по минутам, они могли бы реагировать быстрее — ускорять темп, замедлять его или менять активность до того, как студенты мысленно «отключатся».

Превращая лица в полезные сигналы

Сердце исследования — модель глубокого обучения под названием Attention Feature Convolutional Neural Network, или AFCNN. Проще говоря, камера в классе фиксирует лица студентов во время обучения. Модель затем выполняет три шага: находит каждое лицо, извлекает признаки, связанные с выражениями, и классифицирует их в одну из семи базовых эмоций, таких как радость, грусть, страх или нейтральное состояние. Специальный механизм «внимания» помогает ИИ фокусироваться на наиболее информативных частях лица — например, на глазах или рте — игнорируя отвлекающие элементы. В отличие от старых подходов, которые лучше работают с чистыми фронтальными фотографиями, эта система спроектирована для более реалистичных условий: частичные обзоры, руки у лица или студенты, смотрящие в сторону.

Насколько хорошо система работает на практике

Чтобы протестировать AFCNN, исследователи обучили её на хорошо известной коллекции изображений лиц с пометками эмоциональных категорий и расширили набор данных простыми трансформациями, такими как поворот и изменение яркости. Затем они сравнили её показатели с двумя зарекомендовавшими себя моделями распознавания изображений, VGG16 и ResNet18. При ясных условиях без препятствий новая модель правильно определяла эмоции примерно в 81% случаев и особенно хорошо распознавала радость и нейтральные выражения, достигая примерно середины 80‑процентного диапазона по точности. Когда лица были частично закрыты — волосами, руками или шапками — точность падала у всех систем, но AFCNN по‑прежнему превосходила остальные и показывала более сбалансированные результаты по разным эмоциям, что указывает на её большую устойчивость для реальных классов.

От эмоциональных показателей к лучшим занятиям

Исследование выходит за рамки простой оценки точности и задаётся вопросом, улучшает ли эта технология преподавание на практике. В месячном эксперименте с 200 преподавателями вузов по иностранным языкам половина использовала систему распознавания эмоций, а половина вела занятия как обычно. Преподаватели с доступом к обратной связи в реальном времени меняли свои планы более чем вдвое чаще в ходе занятия, отмечали более высокую удовлетворённость преподаванием и наблюдали большую вовлечённость и взаимодействие студентов. Исследователи также разработали простое сопоставление паттернов эмоций с предложенными реакциями — например, переход к дискуссии или повторению при признаках замешательства или фрустрации — переводя систему от пассивного наблюдения эмоций к активному руководству поведением.

Что это значит для будущих классов

В повседневных терминах это исследование предлагает, что в будущем в классах может появиться тихий помощник, наблюдающий за лицами студентов и подсказывающий преподавателю, когда в комнате падает энергия или когда многие студенты выглядят озадаченными. Система AFCNN далека от совершенства — ей всё ещё сложно распознавать тонкие эмоции, такие как отвращение или страх, и она зависит от качественно размеченных изображений — но она показывает, что ИИ способен надежно улавливать эмоциональные тенденции и что преподаватели могут использовать эту информацию для более отзывчивого обучения. Для студентов это может означать занятия, которые кажутся более вовлекающими и поддерживающими; для преподавателей — новый инструмент профессионального развития, объединяющий психологию, образование и ИИ в более умной и человечно ориентированной среде обучения.

Цитирование: 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

Ключевые слова: распознавание эмоций в классе, ИИ в образовании, преподавание иностранного языка, профессиональное развитие преподавателей, модели глубокого обучения