Üniversite yabancı dil dersinde AFCNN modeline dayalı öğrenci duygu tanıma ve öğretmen geri bildiriminin incelenmesi

Öğretmeninizin Yakında Yapay Zeka ile Sınıfın Havasını Okumasının Sebebi

Sıkıcı bir derse katlanmış olan herkes bilir ki can sıkıntısı öğrenmeyi sessizce öldürebilir. Yine de öğretmenlerin genellikle öğrencilerin o an ne hissettiğini tahmin etmek için yalnızca sezgileri vardır. Bu çalışma, üniversite yabancı dil öğretmenlerine yapay zeka (YZ) destekli bir tür “duygu panosu” sunmanın yeni bir yolunu araştırıyor. Sistemin öğrencilerin yüz ifadelerini gerçek zamanlı okumasıyla öğretmenler ders sırasında anında öğretimlerini ayarlayabiliyor ve uzun vadede mesleki gelişimlerini destekleyebiliyor.

Duygular Dilbilgisi Kadar Önemli

Yabancı dil dersleri sadece kelime listeleri ve dilbilgisi kurallarından ibaret değildir. Güven, kaygı, merak ve can sıkıntısı gibi duygular, öğrencilerin ne kadar iyi öğrendiğini şekillendiren sosyal alanlardır. Önceki araştırmalar, öğretmen eğitiminin genellikle yöntemler ve alan bilgisine odaklandığını, öğrencilerin dersteki duygularına daha az dikkat edildiğini gösterdi. Dönem sonu anketleri veya ders sonrası sohbetler gibi geleneksel araçlar, zorlanan bir dersi kurtarmak için genellikle çok geç gelir. Yazarlar, öğretmenler duyguların dakika dakika nasıl değiştiğini görebilseydi daha hızlı tepki verebileceklerini—hızlanmak, yavaşlamak veya öğrenciler zihnen dersten uzaklaşmadan önce etkinlikleri değiştirmek gibi—savunuyor.

Yüzleri Yararlı Sinyallere Dönüştürmek

Çalışmanın özü, Dikkat Özellikli Konvolüsyonel Sinir Ağı (Attention Feature Convolutional Neural Network, AFCNN) adı verilen bir derin öğrenme modelidir. Basitçe söylemek gerekirse, sınıftaki bir kamera öğrenciler öğrenirken onların yüzlerini yakalar. Model ardından üç adımı izler: her yüzü bulur, ifadelerle ilişkili özellikleri çıkarır ve bunları mutluluk, üzüntü, korku veya nötr durum gibi yedi temel duygudan birine sınıflandırır. Özel bir “dikkat” mekanizması, YZ’nin gözler veya ağız gibi en bilgilendirici yüz bölgelerine odaklanmasına ve dikkat dağıtıcı unsurları görmezden gelmesine yardımcı olur. Temiz, doğrudan çekilmiş fotoğraflarda en iyi performans gösteren eski yaklaşımların aksine bu sistem, kısmi görünümler, ellerin yüze değmesi veya öğrencilerin yana bakması gibi daha gerçekçi koşullarla başa çıkacak şekilde tasarlanmıştır.

Sistemin Gerçekte Ne Kadar İyi Çalıştığı

AFCNN’yi test etmek için araştırmacılar, duygusal kategorilerle etiketlenmiş iyi bilinen bir yüz görüntüleri koleksiyonunda modeli eğitti ve verileri döndürme ile parlaklık değişiklikleri gibi basit çoğaltma yöntemleriyle genişletti. Ardından performansını iki yerleşik görüntü tanıma modeli olan VGG16 ve ResNet18 ile karşılaştırdılar. Engel yokken ve net koşullarda yeni model duyguları yaklaşık %81 doğrulukla doğru tanımladı ve özellikle mutlu ve nötr ifadeleri tanımada başarılı oldu; doğruluk yaklaşık %80’lerin ortalarına ulaştı. Yüzler saç, eller veya şapka ile kısmen engellendiğinde tüm sistemlerde doğruluk düştü, ancak AFCNN yine de diğerlerinden daha iyi performans gösterdi ve farklı duygular arasında daha dengeli sonuçlar verdi; bu da gerçek sınıflar için daha sağlam olduğunu düşündürüyor.

Duygusal Okumalardan Daha İyi Derslere

Çalışma ham doğruluk değerlerinin ötesine geçerek bu teknolojinin gerçekten öğretimi iyileştirip iyileştirmediğini sorguluyor. 200 üniversite yabancı dil öğretmeniyle yapılan bir aylık denemede yarısı duygu tanıma sistemini kullandı, yarısı ise olağan şekilde ders işledi. Gerçek zamanlı duygusal geri bildirime erişimi olan öğretmenler ders sırasında öğretim planlarını iki kattan fazla değiştirdiklerini, öğretimlerinden daha yüksek memnuniyet bildirdiklerini ve daha fazla öğrenci katılımı ve etkileşimi gördüklerini rapor ettiler. Araştırmacılar ayrıca duygu desenlerinden önerilen tepkilere basit bir eşleme tasarladılar—örneğin, kafa karışıklığı veya hayal kırıklığı belirtileri ortaya çıktığında tartışmaya veya gözden geçirmeye geçmek gibi—sistemi duyguları yalnızca gözlemlemekten davranışı aktif olarak yönlendirmeye taşıdılar.

Geleceğin Sınıfları İçin Ne Anlama Geliyor

Günlük ifadeyle bu araştırma, gelecekteki sınıflarda öğrencilerin yüzlerini sessizce izleyen ve odanın enerjisi düştüğünde ya da birçok öğrenci şaşkın görünüyorsa öğretmene fısıldayan bir yardımcının olabileceğini öne sürüyor. AFCNN sistemi mükemmel değil—tiksinti veya korku gibi ince duygularda hâlâ zorlanıyor ve yüksek kaliteli etiketlenmiş görüntülere bağımlı—ancak YZ’nin duygusal eğilimleri güvenilir şekilde yakalayabildiğini ve öğretmenlerin bu bilgiyi daha duyarlı öğretim için kullanabileceğini gösteriyor. Öğrenciler için bu, daha ilgi çekici ve destekleyici hissedilen dersler anlamına gelebilir; öğretmenler içinse psikoloji, eğitim ve YZ’yi harmanlayan, daha insanı gözeten bir öğrenme ortamı sunan yeni bir mesleki gelişim aracı sunuyor.

Atıf: 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

Anahtar kelimeler: sınıf duygusal tanıma, eğitimde yapay zeka, yabancı dil öğretimi, öğretmen mesleki gelişimi, derin öğrenme modelleri