基于AFCNN模型的高校外语课堂学生情绪识别与教师教学反馈研究

为什么你的老师很快可能会用AI“读懂课堂”

任何体验过枯燥课程的人都知道，无聊会悄然扼杀学习。然而教师常常只能凭直觉判断学生当下的情绪。本研究探讨了一种新方法，为高校外语教师提供由人工智能驱动的“情绪仪表盘”。系统通过实时读取学生面部表情，帮助教师即时调整教学，并在长期内支持教师的专业成长。

情绪和语法同样重要

外语课堂不仅仅是词汇表和语法规则的讲解场所。课堂是社会互动空间，自信、焦虑、好奇和无聊等情绪都会影响学生的学习效果。以往研究表明，教师培训通常侧重于教学方法和学科知识，而较少关注学生课堂情绪。传统工具如学期末调查或课后聊天往往来得太晚，无法挽救当下的糟糕课堂。作者认为，如果教师能看到情绪如何逐分钟变化，就能更快作出反应——加快、放慢或变换活动，防止学生在心理上撤离课堂。

把面部变成有用的信号

本研究的核心是一个称为注意力特征卷积神经网络（Attention Feature Convolutional Neural Network，AFCNN）的深度学习模型。简言之，课堂中的摄像头在学生学习时捕捉面部图像。模型随后按三个步骤工作：定位每张脸，提取与表情相关的特征，并将其分类为七种基本情绪之一，例如高兴、难过、恐惧或中性状态。特殊的“注意力”机制帮助AI聚焦于面部最有信息量的部位——如眼睛或嘴部——同时忽略干扰。与那些在干净、正面人像上表现最佳的旧方法不同，该系统旨在应对更真实的场景，例如部分遮挡、手托脸或学生侧脸等情况。

系统实际表现如何

为测试AFCNN，研究人员在一个知名的带情绪标签的面部图像集上训练该模型，并通过旋转、亮度变化等简单增强方法扩充数据。随后他们将其性能与两个成熟的图像识别模型VGG16和ResNet18进行了比较。在无遮挡的清晰条件下，该新模型大约有81%的情绪识别正确率，尤其擅长识别高兴和中性表情，准确率在中高80%区间。面部被头发、手或帽子部分遮挡时，所有系统的准确率都会下降，但AFCNN仍优于其他模型，并在不同情绪间表现更均衡，表明其在真实课堂环境中更具稳健性。

从情绪读数到更好的课堂

研究不仅关注原始准确率，还探讨该技术是否真正改善教学。在为期一个月、涵盖200名高校外语教师的试验中，一半教师使用情绪识别系统，另一半按常规教学。获得实时情绪反馈的教师在课堂中更改教学计划的频率是未使用者的两倍多，报告的教学满意度更高，且学生参与和互动更多。研究者还设计了一个从情绪模式到建议回应的简单映射——例如在出现困惑或挫败迹象时切换到讨论或复习——使系统从单纯观察情绪向主动引导教学行为转变。

这对未来课堂意味着什么

通俗地说，这项研究表明未来课堂可能有一个安静的助手观察学生的面部，并在课堂活力下降或多数学生显得疑惑时向教师“低声提示”。AFCNN系统并非完美——在识别厌恶或恐惧等细微情绪方面仍存在困难，且依赖高质量的标注图像——但它展示了AI可以可靠地捕捉情绪趋势，教师也能利用这些信息更有针对性地教学。对学生而言，这可能意味着课堂更有吸引力、更具支持性；对教师而言，则提供了一种融合心理学、教育学与AI的新工具，助力更智慧、更有人性化的教学环境。

引用: 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

关键词: 课堂情绪识别, 教育中的人工智能, 外语教学, 教师专业发展, 深度学习模型