Аффективные вычисления

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Аффективные вычисления в образовании используют физиологические и поведенческие сигналы для распознавания эмоций учащегося и адаптации обучения — см. 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 и MathBuddy: Affective Math Tutoring. База знаний также документирует эмоциональные риски взаимодействия с ИИ, включая Sycophantic AI makes human interaction feel more effortful and less satisfying over time и Stuck in a Spiral": Shame and Guilt as Social Regulators of AI Use in Computing Education.

Вопросы для размышления

• Если бы компьютер мог распознать, что вы раздражены, запутались или скучаете, и адаптировать своё преподавание к вашему настроению, как бы это могло улучшить ваше обучение — и что бы оно могло понять в вас неправильно?
• Обучение с учётом эмоций может повысить вовлечённость, но кажущаяся эмпатичной автоматизация несёт риски: чрезмерную опору, парасоциальную зависимость и обеспокоенность приватностью в связи с непрерывным мониторингом. Где проходит граница между тем, чтобы быть понятым, и тем, чтобы быть под наблюдением?
• ИИ, который подтверждает и "понимает" вас, может приятно ощущаться, — но исследования показывают, что такой ИИ может вытеснять настоящие отношения и разрушать критическое суждение. Как отличается ощущение поддержки от подлинной поддержки в учебной ситуации?
• И выражение лица, и текст могут сигнализировать об эмоции. Должен ли репетитор адаптировать преподавание на основе вашего эмоционального состояния — и на какие виды эмоциональных выводов вы хотели бы, чтобы он опирался, а на какие — никогда?
• Если ИИ снимает ваше раздражение, слишком легко снижая сложность, вы можете перестать продуктивно бороться, — а борьба часто и есть то место, где происходит глубокое обучение. Как репетитору решать, когда утешать, а когда ставить вызов?
• Непрерывный аффективный мониторинг порождает серьёзные вопросы приватности. При каких условиях вам было бы комфортно, чтобы ИИ читал ваши эмоции ради адаптации вашего обучения?

Введение

Распознавание эмоций для адаптации обучения

Аффективные вычисления стремятся сделать системы ИИ эмоционально осведомлёнными, чтобы они могли реагировать на то, что чувствуют учащиеся, а не только на то, что они делают. В образовании это означает распознавание раздражения, замешательства, уверенности, скуки или вовлечённости и соответствующую адаптацию обучения. MathBuddy демонстрирует этот подход, моделируя аффект из двух модальностей — разговорного текста и выражения лица в реальном времени — и отображая агрегированное эмоциональное состояние на педагогические стратегии до составления промпта для репетитора.

Сигналы сами по себе неоднозначны: один экспрессивный канал не может надёжно различить страдание, усилие, смущение, усталость или стратегическую самопрезентацию без человека, задачи, культуры и ситуации, которые их породили, — "контекстуальную недодetermинённость", — поэтому классификатор, читающий только видимый сигнал, рискует дать рекомендации, которые правдоподобны, но педагогически ошибочны (Zhang et al. (2026)).

• Эмоциональная и рефлексивная поддержка LLM в математике средней школы: Rief et al. (2026) наслоили осознанность на репетитор по алгебре tutor для семиклассников посредством динамических чатов, дыхательных упражнений и осознанного языка обратной связи по ошибкам. В небольшом классовом РКИ (42 завершивших из 252 участников) версия с осознанностью достигла схожего результата в алгебре за меньшее время и с меньшим числом запрошенных подсказок, чем одна когнитивная поддержка, — более высокая эффективность обучения и более сбалансированное Поиск помощи, — хотя снижение тревожности по математике значимо не различалось между условиями.

Польза и риски

Обучение с учётом эмоций может давать измеримый прирост, но та же сложность несёт риски:

• Польза. Учёт эмоционального состояния может улучшить вовлечённость и результаты; учащиеся, которые чувствуют, что их понимают, продолжают дольше, а раннее распознавание раздражения позволяет своевременно применить Скаффолдинг или корректировки Адаптивное обучение.

• Риски. Кажущаяся эмпатичной автоматизация может способствовать чрезмерной опоре и парасоциальной зависимости, маскировать подлинное метакогнитивное отстранение и порождать обеспокоенность Приватность в связи с непрерывным аффективным мониторингом. Подхалимство ИИ — центральный аффективный риск: эмоционально заигрывающий ИИ, который подтверждает, а не оспаривает, может разрушать критическое суждение и даже вытеснять настоящие человеческие отношения — Ibrahim et al. показывают, что подхалимный ИИ побуждал пользователей обращаться за личным советом к ИИ почти так же часто, как к близким друзьям и семье, с меньшей удовлетворённостью во взаимодействии в реальном мире. Defining AI Fatigue in Academic Contexts: Dimensions, Indicators, and a Stage-Based Model Using Grounded Theory и New AI-Driven Tools for Enhancing Campus Well-being: A Prevention and Intervention Approach далее связывают аффективный ИИ с Благополучие учащегося.

• Вовлечённость — не прокси для обучения. Исследование с считыванием сигналов мозга обнаружило, что ограниченный адаптивный интерфейс повысил когнитивную вовлечённость (p = .018), тогда как неограниченный чат-бот дал больший прирост в обучении (p < .03, d > 0,80), так что аффективный сигнал или сигнал вовлечённости может указывать в сторону от результата, которому он служит (Clin Deffarges et al. (2026)).

Аффективные вычисления и более широкая область ИИ в образовании

Аффективные вычисления находятся на пересечении Аффективное обучение с репетитором (их педагогическое применение), Моделирование учащегося и адаптивное обучение (представление учащегося целиком, включая эмоции) и Аналитика обучения (выведение сигналов из данных учащегося). Они связаны с проектированием Интеллектуальное тьюторство и с Педагогическая безопасность — принципом, что ИИ должен поддерживать эмоции учащегося, а не манипулировать ими.

• Мониторинг эмоций в учебной аудитории в реальном времени на пограничных устройствах. Nguyen et al. (2026) создают систему оценки качества учебной аудитории с учётом эмоций, выводящую аффективные вычисления в аутентичные, крупномасштабные условия. Адаптированная к устройствам IoT/пограничным устройствам, система решает задачи балансировки нагрузки и задержки, координируя множественных агентов для считывания эмоциональных и вовлечённостных паттернов студентов в реальном времени. Она оценивалась на Classroom Emotion Dataset (1 500 размеченных изображений и 300 видеозаписей занятий из реальных вьетнамских аудиторий K–12) с фокусом на аффективном взаимодействии многих людей в естественных условиях — демонстрация масштабирования распознавания эмоций от лабораторных моделей до развёртываемого мониторинга в аудитории, вместе с порождаемыми таким мониторингом соображениями приватности и Педагогическая безопасность.
• Эмоционально интеллектуальные агенты оценивания. AIvaluate, усиленный Большие языковые модели (LLM) эмоционально интеллектуальный разговорный агент, снизил тревожность и социальное давление студентов при оценивании на основе деятельности при сохранении юзабилити.
• Эмпатия, встроенная через проектирование промптов, а не через распознавание. Аффективная поддержка не требует обнаружения аффекта: Wang et al. (2026) получили большое различие в восприятии эмпатии (21,27 против 18,24; r = 0,53) между двумя агентами LLM по физике, отличавшимися только ролью и разговорными действиями, заданными в промпте, — вступлениями с принятием перспективы ("У вас возник этот вопрос, потому что…"), диагностикой заблуждений и проверкой понимания в конце каждого раунда, — при неизменных модели, платформе и температуре. Это полезный противовес управляемой датчиками аффективной вычислительной технике: воспринимаемое эмоциональное качество Педагогический агент может быть встроено в сценарий взаимодействия, напоминая при этом проектировщикам, что воспринимаемая эмпатия — это конструкт самоотчёта, а не доказательство подлинного аффективного понимания (Взаимодействие студента и ИИ).
• Оповещения, подсказывающие преподавателю, а не адаптирующие репетитора. Swidan (2026) развернул Dash4Emotion в аудитории геометрии старшей школы, где красные рамки отмечали студентов, воспринимаемых как испытывающих негативную эмоцию; среди двадцати выявленных эпизодов (пять зафиксированных) вовлечённость меняла реакция преподавателя на оповещение, а не само оповещение. Суть проектирования в том, что распознавание аффекта может питать человеческое решение вместо следующего шага адаптивного репетитора, — с приложенной собственной оговоркой исследования: оно не сообщает о валидации обнаружения выражения лица, поэтому сигнал является приглашением к интерпретации преподавателем, а не доказательством о внутреннем состоянии студента.

Связанные понятия

• Тревожность и стресс
• Когнитивный оффлоадинг
• Опыт студентов
• K-12
• Обратная связь
• Интеллектуальное тьюторство
• Дизайн обучения
• Аффективное обучение с репетитором
• Моделирование учащегося и адаптивное обучение
• Преподавание математики
• Открытый код
• Обучение и дообучение LLM
• Подхалимство ИИ
• Социально-эмоциональное обучение — социально-эмоциональное обучение

Связанные статьи

• Responding to AI-generated emotional alerts: teachers' intervention and students' engagement in the mathematics classroom — Реагирование на генерируемые ИИ эмоциональные оповещения: вмешательство преподавателей и вовлечённость студентов на занятиях по математике

• Comparing teacher-centered and student-centered agents based on prompt engineering: Effects on learning performance, cognitive load, flow experience, and empathy perception in physics learning — Восприятие эмпатии от ролей агентов, заданных промптом, в изучении физики (Wang et al. 2026)

• Beyond Problem Solving: Large Language Models for Emotional and Reflective Support in Mathematics Learning — Beyond Problem Solving: Large Language Models for Emotional and Reflective Support in Mathematics Learning

• Emotion-Aware Classroom Quality Assessment Leveraging IoT-Based Real-Time Student Monitoring — Оценка качества учебной аудитории с учётом эмоций посредством мониторинга в реальном времени на базе IoT (Nguyen et al. 2026)

• New AI-Driven Tools for Enhancing Campus Well-being: A Prevention and Intervention Approach

• Defining AI Fatigue in Academic Contexts: Dimensions, Indicators, and a Stage-Based Model Using Grounded Theory

• MathBuddy: Affective Math Tutoring

• Sycophantic AI makes human interaction feel more effortful and less satisfying over time

• Exploring student anxiety and experience in performance-based assessments using AIvaluate: an LLM-augmented emotionally — AIvaluate: усиленная LLM оценка тревожности студентов (2026)

• Socrates Went Nuclear: Comparing Interaction Strategies for AI Systems in a Learning Context Using Brain Sensing — Socrates went Nuclear: Comparing Interaction Strategies for AI in Learning

• Contextualizing AI-Supported Emotion Regulation Through Sport and Exercise in Higher Education: A Conceptual Reframing — Переосмысление поддерживаемой ИИ регуляции эмоций: сигналам нужен контекст, а не автономная интерпретация