अफ़ेक्टिव कंप्यूटिंग

यह अंग्रेज़ी पेज का ऑटोमैटिक अनुवाद है और इसकी अभी तक किसी मूल भाषी ने समीक्षा नहीं की है।

अफ़ेक्टिव कंप्यूटिंग शिक्षा में शारीरिक और व्यवहारगत संकेतों का उपयोग करके शिक्षार्थी की भावनाओं को संवेदित करने और शिक्षण को उसके अनुसार ढालने के लिए करता है — देखें A Formative Study of Brief Affective Text as a Complement to Wearable Sensing for Longitudinal Student Health Monitoring, An Interpretable Closed-Loop Intelligent Tutoring System for Multimodal Affective Feedback in Asynchronous Presentation Training, और MathBuddy: Affective Math Tutoring। यह ज्ञान आधार AI संपर्क के भावनात्मक जोखिमों को भी दर्ज करता है, जिनमें Sycophantic AI makes human interaction feel more effortful and less satisfying over time और Stuck in a Spiral": Shame and Guilt as Social Regulators of AI Use in Computing Education शामिल हैं।

विचार करने योग्य प्रश्न

यदि कोई कंप्यूटर यह संवेदित कर सके कि आप निराश, भ्रमित, या ऊबे हुए हैं और अपने शिक्षण को आपके मूड के अनुसार ढाल सके, तो यह आपकी सीख को कैसे बेहतर बना सकता है — और आपके बारे में क्या गलत समझ सकता है?
भावना-जागरूक ट्यूशरिंग संलग्नता बढ़ा सकती है, लेकिन सहानुभूतिप्राय स्वचालन के साथ जोखिम आते हैं: अत्यधिक निर्भरता, पैरासोशियल निर्भरता, और निरंतर निगरानी से उत्पन्न गोपनीयता चिंताएँ। समझे जाने और निगरानी में रखे जाने के बीच रेखा कहाँ है?
एक AI जो आपकी पुष्टि करता है और आपको 'समझता' है, वह अच्छा लग सकता है — लेकिन शोध दिखाता है कि ऐसा AI वास्तविक संबंधों को विस्थापित कर सकता है और आलोचनात्मक निर्णय को कमज़ोर कर सकता है। एक सीखने के वातावरण में 'समर्थित महसूस करना' और सचमुच समर्थित होना में क्या अंतर है?
चेहरे के भाव और टेक्स्ट दोनों से भावना संकेतित हो सकती है। क्या एक ट्यूटर को आपकी भावनात्मक स्थिति के आधार पर अपना शिक्षण ढालना चाहिए — और आप किस प्रकार के भावनात्मक अनुमान पर कार्रवाई चाहेंगे बनाम कभी किस प्रकार पर नहीं?
यदि AI बहुत आसानी से कठिनाई कम करके आपकी निराशा दूर करता है, तो हो सकता है आप उत्पादक संघर्ष करना छोड़ दें — और संघर्ष ही अक्सर गहरी सीख होता है। एक ट्यूटर को सांत्वना देने और चुनौती देने के बीच कैसे निर्णय लेना चाहिए?
निरंतर अफ़ेक्टिव निगरानी वास्तविक गोपनीयता प्रश्न उठाती है। किन शर्तों के अंतर्गत आप AI द्वारा आपकी भावनाएँ पढ़कर आपकी सीख को ढालने में सहज होंगे?

परिचय

शिक्षण को ढालने के लिए भावना संवेदन

अफ़ेक्टिव कंप्यूटिंग का लक्ष्य AI प्रणालियों को भावनात्मक रूप से जागरूक बनाना है ताकि वे इस बात की प्रतिक्रिया दे सकें कि शिक्षार्थी कैसा महसूस कर रहे हैं, न कि केवल क्या कर रहे हैं। शिक्षा में इसका अर्थ है निराशा, भ्रम, आत्मविश्वास, ऊब, या संलग्नता को संवेदित करना और तदनुसार शिक्षण को ढालना। MathBuddy यह दृष्टिकोण प्रदर्शित करता है — दो माध्यमों, संवादी टेक्स्ट और वास्तविक समय के चेहरे के भाव, से भावना का मॉडल बनाकर और समुच्चित भावनात्मक स्थिति को पैडागॉजिकल रणनीतियों से मैप करके, ट्यूटर को प्रॉम्प्ट देने से पहले।

स्वयं संकेत अस्पष्ट होते हैं: कोई एक ही अभिव्यक्ति चैनल, बिना उस व्यक्ति, कार्य, संस्कृति और परिस्थिति के जिनसे ये उत्पन्न हुए हैं, विषाद, प्रयास, शर्म, थकान, या रणनीतिक आत्म-प्रस्तुतीकरण को भरोसेमंद ढंग से अलग नहीं कर सकता — "संदर्भगत कम-व्याख्या" — इसलिए केवल दृश्य संकेत पढ़ने वाला वर्गीकार संभावित लेकिन पैडागॉजिकल रूप से गलत सिफ़ारिशों का जोखिम उठाता है (Zhang et al. (2026)).

मिडिल-स्कूल गणित में LLM का भावनात्मक और चिंतनशील समर्थन: Rief et al. (2026) ने बीजगणित ट्यूटर पर 7वीं कक्षा के छात्रों के लिए गतिशील चैट, श्वास व्यायाम, और सचेतन त्रुटि-प्रतिपुष्टि भाषा के माध्यम से माइंडफुलनेस को जोड़ा। एक छोटे कक्षा यादृच्छिक नियंत्रित परीक्षण (RCT) (252 प्रतिभागियों में से 42 पूर्णकर्ता) में माइंडफुल संस्करण ने कम समय में और संज्ञानात्मक समर्थन की तुलना में कम संकेतों के साथ समान बीजगणित सीख प्राप्त की — अधिक शिक्षण दक्षता और अधिक संतुलित सहायता खोजना — हालांकि राज्य-गणित-चिंता में कमी दोनों स्थितियों के बीच महत्वपूर्ण रूप से भिन्न नहीं थी।

लाभ और जोखिम

भावना-जागरूक ट्यूशरिंग मापनीय लाभ दे सकती है, लेकिन इसी परिष्कृतता के साथ जोखिम भी आते हैं:

लाभ। भावनात्मक स्थिति को ध्यान में रखने से संलग्नता और परिणाम सुधर सकते हैं; जो शिक्षार्थी समझे हुए महसूस करते हैं वे अधिक देर टिकते हैं, और निराशा को शुरुआत में पहचानने से समय पर मड्गद या अनुकूली अधिगम समायोजन संभव होते हैं।
जोखिम। सहानुभूतिप्राय स्वचालन अति-निर्भरता और पैरासोशियल निर्भरता को बढ़ावा दे सकता है, वास्तविक मेटाकॉग्निटिव अलगाव को छिपा सकता है, और निरंतर अफ़ेक्टिव निगरानी से निजता चिंताएँ उठाता है। AI साइकोफेंसी एक केंद्रीय अफ़ेक्टिव जोखिम है: भावनात्मक रूप से मोह लेने वाला AI जो चुनौती देने के बजाय पुष्टि करता है, वह आलोचनात्मक निर्णय कमज़ोर कर सकता है और यहाँ तक कि वास्तविक मानवीय संबंधों को विस्थापित भी कर सकता है — Ibrahim et al. दिखाते हैं कि साइकोफैंटिक AI के कारण उपयोगकर्ता व्यक्तिगत सलाह के लिए AI से लगभग उतनी ही बार पूछते रहे जितनी अपने घनिष्ठ मित्रों और परिवार से, और वास्तविक संबंधों में संतुष्टि कम रही। Defining AI Fatigue in Academic Contexts: Dimensions, Indicators, and a Stage-Based Model Using Grounded Theory और New AI-Driven Tools for Enhancing Campus Well-being: A Prevention and Intervention Approach अफ़ेक्टिव AI को शिक्षार्थी के कल्याण से और जोड़ते हैं।
संलग्नता सीख का प्रतिनिधि नहीं है। एक ब्रेन-सेंसिंग अध्ययन में एक बाधित, अनुकूली इंटरफ़ेस ने संज्ञानात्मक संलग्नता बढ़ाई (p = .018), जबकि अप्रतिबंधित चैटबॉट ने अधिक सीख प्राप्त की (p < .03, d > 0.80), इसलिए एक भावना या संलग्नता संकेत उसी परिणाम से दूर इशारा कर सकता है जिसकी वह सेवा करता है (Clin Deffarges et al. (2026)).