Uchanganuzi wa Vihisi na Mtazamo

Tafsiri ya kiotomatiki ya ukurasa huu wa Kiingereza, ambayo haijakaguliwa na mzungumzaji mzawa.

Uchanganuzi wa Vihisi na Mtazamo — matumizi ya ufuatiliaji wa macho, elektroensefalografia, shughuli ya elektroderma, utofauti wa mapigo ya moyo, na mkao unaotokana na kamera ili kuhisi hali za mwanafunzi kama vile makini, ushiriki, mzigo wa kiakili, na hisia. Katika AI katika elimu ishara hizi zinaahidi mtazamo endelevu, usio wa maneno, wa kujifunza ambao maswali na kujiripoti haviwezi kutoa. Pia ziko katikati ya tatizo gumu zaidi la uamuzi katika nyanja hii: kihisi hurekodi mwili, sio akili, na kila dai kuhusu kile mwanafunzi anachofikiri au kuhisi ni tafsiri iliyowekwa juu ya rekodi hiyo (Kim na Han, 2026).

Maswali ya Kutafakari

• Kamera ya wavuti inaweza kuonyesha kwamba macho yako yalibaki ndani ya kicheza video kwa muhadhara mzima. Je, hiyo inamaanisha ulikuwa makini?
• Ikiwa mwalimu wa kibinafsi angeweza kukisia mzigo wako wa kiakili kwa wakati halisi, je, anapaswa kutenda kwa kadirio hilo bila kukuuliza kwanza?
• Mtazamo wa mwanafunzi unaweza kuondoka kwenye skrini kwa sababu ya tiki, ulemavu wa kuona, au kanuni ya kitamaduni. Alama ya "makini kidogo" inamaanisha nini kwa mwanafunzi huyo?
• Je, chuo kikuu kinapaswa kuruhusiwa kukusanya data ya ubongo na moyo kwa ajili ya kuboresha kozi, na ridhaa halisi ingehitaji nini?
• Takwimu ya "usahihi wa ushiriki wa 75%" inasikika kuwa sahihi. Kihisi kilifika tabaka gani la ushiriki, na kilikosa kipi?
• Usimamizi wa mitihani sasa unasoma mkao na mwendo wa kichwa. Mpaka uko wapi kati ya kutambua makosa na kuhukumu mwili?

Utangulizi

Uchanganuzi wa vihisi na mtazamo unaeleza familia ya mbinu zinazobadilisha vipimo halisi vya mwanafunzi kuwa hitimisho za kielimu. Vipimo vinajumuisha mahali macho yanapokaa na kwa muda gani, shughuli ya umeme ya ngozi ya kichwa, mwitikio wa tezi za jasho, utofauti kati ya mapigo ya moyo, na nafasi na mwendo wa kichwa na kiwiliwili. Hitimisho vinajumuisha makini, ushiriki, mzigo wa kiakili, kuchanganyikiwa, msongo, na, katika mazingira ya tathmini, tuhuma.

Kuvutia ni wazi. Kujiripoti ni kwa nyuma na kwa ujumla, na maswali hupima kujifunza kwa nyakati chache. Vihisi hufanya kazi daima na humgharimu mwanafunzi jitihada ndogo ya kufahamu. Mchanganyiko huo umefanya uhisi kuwa katikati ya uchanganuzi wa kujifunza na uundaji wa mwanafunzi, na umezalisha fasihi kubwa ambapo uhisi ni wa kuvutia kiufundi na tafsiri ni chembamba.

Mapitio ya kimfumo ya masomo 23 yanayounganisha AI na kujifunza kwa mwili yanafanya usawa huo uwe dhahiri. Uchambuzi na tathmini zilichukua 40.0% ya majukumu ya AI yaliyosimbwa, na utambuzi na ugunduzi 22.5%, ilhali maoni na ufundishaji wa moja kwa moja zilichukua 15.0%. Majukumu ya kuhisi yalikuwa 62.5% ya lebo za majukumu dhidi ya 35.0% za yale ya ushirikishaji (Kim na Han, 2026). Nyanja hii ni bora katika kuwatazama wanafunzi kuliko kubadilisha kinachotokea baadaye.

Kila ishara inapima nini hasa

Mtazamo na kutulia. Vifuatiliaji vya macho huripoti mahali jicho linaelekea, muda linaokaa, wakati linapohama kwa kasi, na kiwango cha mtawanyiko. Mifumo ya skrini kama WebGazer hukisia mtazamo kutoka kamera ya wavuti, ilhali miwani hufuatilia jicho moja kwa moja. TutorLoop hubadilisha mtazamo kuwa vipimo viwili: makini kama asilimia ya pointi za mtazamo ndani ya eneo la maudhui, na mzigo kama entropy ya mtazamo, kwa hoja kwamba mtazamo uliotawanyika hufuata mzigo wa kiakili (TutorLoop, 2026). Ollie, msaidizi anayeongozwa na mtazamo kwa ajili ya watoto, badala yake hufafanua maeneo ya kupendeza katika picha na kuanzisha simulizi mtoto anapotazama moja (Wu na wenzake, 2026).

Elektroensefalografia. EEG hurekodi mabadiliko ya volti kwenye ngozi ya kichwa kwa ufumbuzi wa juu wa muda. Ni ishara pekee katika familia hii inayofikia shughuli ya gamba la ubongo moja kwa moja, ndiyo sababu inavutia utafiti wa tathmini. Mifumo ya kielimu ya vitendo hutumia elektrodi kavu na njia chache: E3Sense ilichukua njia nne kavu za EEG kwa 125 Hz na kuchambua mbili za mbele (Anupkrishnan na wenzake, 2026). Vifaa vya kiwango cha utafiti huchukua njia kinyume: Kosmyna na wenzake (2025) walitumia EEG ya njia 32 kulinganisha wanafunzi wanaoandika kwa LLM, injini ya utafutaji, au bila zana, na waligundua muunganisho hafifu zaidi wa neva katika kundi la LLM (Kosmyna na wenzake, 2025). Utafiti huo pia ni onyo lililo wazi zaidi kuhusu ushahidi wa njia moja, kwa kuwa dai lake kuu linategemea kikao cha hiari cha kubadilishana ambacho washiriki 18 tu kati ya 54 walihudhuria.

Shughuli ya elektroderma. EDA hupima upitishaji wa tezi za jasho, kipimo cha msisimko wa mfumo wa neva wa huruma. Huitikia msongo, jitihada, na ukali wa kihisia, na haiwezi kutofautisha kati yao. Dhana hiyo hiyo inaonekana katika kanda za mkono na katika elektrodi za paji la uso zilizowekwa sentimita chache mbali kwa fremu ya kifuatiliaji cha macho (Anupkrishnan na wenzake, 2026).

Mapigo ya moyo na utofauti wake. Mapigo ya moyo hufuata msisimko, na utofauti kati ya mapigo huonyesha uponyaji wa mfumo wa neva wa kujitegemea. Katika utafiti wa mwaka mmoja wa wanafunzi 458 waliovaa pete za Oura, lugha ya uchovu wa kihisia ilifuata ufanisi mdogo wa usingizi na utofauti mdogo wa mapigo ya moyo (Maandishi ya Kihisia na Uhisi Unaovaa, 2026). Hakuna kipimo kinachotambua sababu.

Mkao na mwendo unaotokana na kamera. Mfumo wa usimamizi wa mitihani unaweza kutoa alama kumi na saba za mwili kwa kila fremu na kupata mkengeuko wa mkao, mwelekeo wa mwendo wa kichwa, na mwendo wa sehemu ya juu ya mwili (Arif na wenzake, 2026). Hii hupima mwendo. Kuiita tabia ya kutilia shaka ni hatua tofauti isiyo na msingi.

Ishara hizi zinatofautiana kwa kiwango cha sampuli, kelele, na mzigo wa vifaa. E3Sense iliunganisha madirisha kumi na mawili ya EEG, sita ya macho, na matatu ya EDA katika uwakilishi mmoja wa sekunde 120 wenye vipimo 166 (Anupkrishnan na wenzake, 2026). EduGage iliendesha aina saba za kifaa kwa wakati mmoja na kuhitimisha kwamba mchanganyiko wepesi ulibeba ishara nyingi zinazoweza kutumika (Leng na wenzake, 2026).

Ishara zinatumika kwa nini

Utambuzi wa ushiriki katika kujifunza kwa video. E3Sense iliwaomba wanafunzi 30 wa chuo kikuu kukadiria sehemu tano kwa kila video, zikizalisha makadirio 450. Modeli iliyounganishwa ilifikia usahihi wa 75.0% wa ngazi moja kwa uwiano dhidi ya msingi wa hali ya 63.0% kwa washiriki waliohifadhiwa (Anupkrishnan na wenzake, 2026). EduGage iliripoti MAE ya 0.81 na usahihi wa ngazi moja wa 83.75% kwa washiriki 16 na madirisha 715 ya uchunguzi (Leng na wenzake, 2026). Zote mbili zinachukulia kadirio hilo kama la kukisia.

Ukadiriaji wa makini katika madarasa. Kibadilishaji cha multimodali kiliunganisha picha za uso na ishara zinazovaa kwenye DIPSER, mkusanyiko wa data wa asili wa wahusika 57, na kufikia MAE ya 0.283. Ubora wake juu ya msingi wa kuona pekee ulikuwa mdogo, na waandishi wanahitimisha kwamba sifa za uso zilikuwa chanzo kikuu cha taarifa (Fragkiadakis na wenzake, 2026).

Mzigo wa kiakili na muda wa maoni. TutorLoop ilitumia makini na mzigo unaotokana na mtazamo kuchagua kati ya aina nne za maoni kwa wakala wa kujifunza kwa uimarishaji. Kwa washiriki 187 mfumo kamili uliingilia mara chache kuliko msingi lakini ukaboresha makini na kupunguza mzigo (TutorLoop, 2026).

Usimamizi wa mitihani na uadilifu. Usimamizi unaotegemea mkao huripoti utendaji wa karibu na kilele kwenye seti yake ya hali zilizowekwa lebo: usahihi wa 99.56% na AUC ya 0.9957 (Arif na wenzake, 2026). AI inayovaa hubadilisha tatizo hilo hilo kutoka upande mwingine. Miwani janja huondoa kushuka kwa mtazamo na kuhama kwa mkao ambako usimamizi unategemea, hali ambayo Corbin na wenzake wanaiita uwazi wa pande mbili (Corbin na wenzake, 2026).

Hisia na ustawi. Ishara za kifiziolojia zilizokusanywa wakati wa mitihani zilitabiri makundi ya alama, huku msitu wa bahati nasibu ukifikia wastani wa 0.96 kwa marudio 30 (Yamazaki na Rimal, 2026). Vitabiri vikuu vilikuwa shughuli ya elektroderma, mwendo wa kipimo cha mchapuko, na joto la ngozi. Hiyo ni msisimko na mwendo, sio uelewa.

Utafiti wa tathmini. EEG imejaribiwa kama kipimo cha moja kwa moja cha uzoefu na cha uwakilishi wa kiakili. Mistari yote miwili inaahidi na yote mawili bado ni ya uchunguzi, jambo ambalo sehemu inayofuata inashughulikia.

Pengo la uamuzi

Kila matumizi hapo juu yanategemea mnyororo: tukio la kifiziolojia au kitabia, kipengele kinachohesabiwa kutoka kwake, modeli iliyofunzwa kwa lebo, na dai kuhusu hali ya kiakili. Kila kiungo kinavuja.

Lebo mara nyingi ndicho kiungo dhaifu zaidi. E3Sense ilitabiri makadirio ya wanafunzi wenyewe ya sehemu, na 63% ya makadirio hayo yalikuwa katika ngazi mbili za ushiriki. Modeli inaweza kupata alama nzuri kwa kujifunza usambazaji badala ya hali. Watafiti walipoongeza fasili za wanafunzi wenyewe za ushiriki, usahihi ulipanda kutoka 64.6% hadi 71.5%, jambo linalodokeza kwamba lebo na ishara zilikuwa zikipima vitu tofauti kwa kiasi (Anupkrishnan na wenzake, 2026).

Uthibitishaji unaweza kuongeza modeli kupita kiasi. Kipimo cha modeli kumi na tano kwa utabiri wa uzoefu unaotegemea EEG kilifikia F1 ya 0.9853 chini ya uthibitishaji mtambuka wa tabaka. Group K-Fold isiyotegemea jaribio, inayoheshimu muundo wa muda, ilishusha kilele hadi F1 ya 0.6038 dhidi ya kiwango cha nafasi cha 25% (Nanayakkara na Halloluwa, 2026). Namba ya kwanza inaeleza uvujaji; ya pili inaeleza kujifunza.

Uhusiano wa neva sio alama. Picha zilizojengwa upya kutoka EEG zilihusiana na utendaji wa mtihani kwa R² = 0.79 kwa mitazamo 55 ya mshiriki-video. Vipengele vilivyojibiwa kwa usahihi pia vilionyesha ufanano mkubwa wa kimaana kuliko visivyo sahihi. Lakini mshiriki mmoja alizalisha picha za ubora wa juu na akajibu kimakosa, kwa hivyo ubora wa ujenzi upya hauwezi kusomwa kama usahihi (Su na wenzake, 2026).

Makini sio kujifunza. Katika TutorLoop, makini yalihusiana na kujifunza kwa r = 0.017, ilhali mzigo ulihusiana kinyume kwa r = -0.168 (TutorLoop, 2026). Mfumo unaoongeza ishara ya makini kwa kiwango cha juu ungekuwa umeboresha kitu kilicho karibu na kelele.

Wasifu wa kifiziolojia sio utambuzi. Modeli za msongo wa mtihani hutabiri kundi la alama kutoka msisimko na mwendo, na waandishi wanasisitiza kwamba matokeo yanapaswa kuwekwa kando ya mazingira binafsi na muktadha wa afya ya akili badala ya katika uamuzi wenye hatari kubwa (Yamazaki na Rimal, 2026).

Mwisho, ukusanyaji sio muunganisho. Kim na Han waligundua kwamba masomo mengi ya multimodali yalikusanya mitiririko kwa usawa, moja liliunganisha hisia za uso, mtazamo, na utambuzi wa uso baada ya tukio, na hakuna lililounganisha pembejeo zake moja kwa moja wakati mwanafunzi alitumia mfumo (Kim na Han, 2026). Ukurasa wa njia zilizosawazishwa unaweza kuonekana kama modeli ya mwanafunzi wakati ni rekodi tu.

Maadili ya kuhisi wanafunzi

Ridhaa inadhoofishwa na mamlaka ya kitaasisi. Mwanafunzi anayepaswa kuhudhuria darasa au kufanya mtihani hawezi kukataa kwa uhuru kamera au kifaa kinachovaa. Sifa za idadi ya watu huenda zisitolewe hata kwa hiari: lebo za jinsia, umri na asili ya DIPSER zilitolewa kutoka picha na modeli za uonekano wa kompyuta badala ya kutolewa na washiriki (Fragkiadakis na wenzake, 2026). Kukisia mtu ni nani, ili kujaribu kama modeli inamhukumu kwa haki, ni kitendo cha uboreshaji wa wasifu chenyewe.

Data ya kibaiometriki sio data ya kawaida ya uchanganuzi. EEG, EDA, na utofauti wa mapigo ya moyo ni vya karibu na afya na, katika mamlaka nyingi, data za kitengo maalum. Vinaweza kufichua usingizi, msongo, na hali za matibabu zaidi ya kile kozi inahitaji. Mfumo unaoongozwa na mtazamo kwa ajili ya watoto ulileta pingamizi la faragha kutoka kwa mzazi hata katika jaribio dogo (Wu na wenzake, 2026).

Utelezi wa kazi ndiyo njia ya kawaida. Ufuatiliaji wa ustawi unakuwa uwekaji alama wa hatari, na uwekaji alama wa hatari unakuwa ushahidi wa kupanga alama. Corbin na wenzake wanaonyesha toleo la tathmini la mtelezo huo: mara ubaguzi wa kimwili unaposhindikana, ukaguzi unahama kutoka vitu hadi miili, na wanafunzi wanapaswa kuthibitisha kwamba miwani yao ni ya kurekebisha na vifaa vyao ni vya matibabu (Corbin na wenzake, 2026).

Kushindwa kwa usawa hujikita kwenye miili inayotofautiana. Ukadiriaji wa makini unaotegemea uso unategemea rangi ya ngozi, miwani, na mwanga. Makini unaotegemea mtazamo huadhibu wanafunzi wanaokwepa kuangalia machoni, wakiwemo wanafunzi wengine wenye tawahudi na wanafunzi wenye utofauti wa neva. Usimamizi unaotegemea mkao huweka alama kwa tiki, kujisisimua, na kanuni za kitamaduni za mwendo. Utafiti wa usimamizi haujaribu kama mkao uliowekwa alama unalingana na makosa, au kama kitambuzi kinawashughulikia kwa haki wanafunzi wenye ulemavu au tofauti za kitamaduni katika mtazamo (Arif na wenzake, 2026). Udhibiti sio suluhisho hapa; ni njia ya kuficha kosa ndani ya kanuni.

Madai ya usawa yanahitaji ushahidi wa ngazi ya mhusika. Kirekebishaji kinacholenga jinsia kilipunguza pengo la MAE la uthibitishaji kutoka 0.02 hadi 0.005, kisha kikaongeza pengo hilo na kosa la kundi baya zaidi kwa wahusika waliohifadhiwa (Fragkiadakis na wenzake, 2026). Kuripoti mgawanyiko mmoja kama uthibitisho wa usawa ni kushindwa kwa ubuni kunakoleta gharama ya usawa.

Faragha inaweza kuundwa ndani. TutorLoop iliendesha WebGazer upande wa mteja ili mtazamo mbichi usitoke kwenye kivinjari (TutorLoop, 2026). Uchaguzi huo unaonyesha kwamba sehemu ya gharama ni ya usanifu badala ya ya asili. Swali gumu zaidi ni kama uamuzi huo unapaswa kuwepo kabisa.

Dhana potofu za kawaida

"Ufuatiliaji wa macho unakuambia makini yako iko wapi." Unakuambia macho yanaelekea wapi. Mtazamo unaweza kutulia kwenye slaidi wakati mwanafunzi anafikiri kitu kingine, na unaweza kuondoka kwenye skrini kwa sababu zisizohusiana na makini. Kipimo cha makini cha TutorLoop kilihusiana na kujifunza kwa r = 0.017, ambayo ni karibu na uhusiano wowote (TutorLoop, 2026).

"Ishara ya kifiziolojia ni usomaji wa moja kwa moja wa hali ya kiakili." EDA huonyesha msisimko wa mfumo wa huruma, na utofauti wa mapigo ya moyo huonyesha uponyaji wa mfumo wa kujitegemea. Hakuna kinachotofautisha msongo na jitihada na msisimko wa furaha. Modeli inayotabiri alama za mtihani kutoka EDA, mwendo, na joto la ngozi imejifunza saini ya msisimko wa mwili, sio uelewa wa mwanafunzi (Yamazaki na Rimal, 2026).

"Usahihi mkubwa wa uainishaji unamaanisha mfumo unatambua hali hiyo." Usahihi unategemea lebo, mgawanyiko, na kiwango cha msingi. Utabiri wa uzoefu wa EEG ulishuka kutoka F1 ya 0.9853 hadi 0.6038 wakati uthibitishaji ulipoheshimu mipaka ya jaribio (Nanayakkara na Halloluwa, 2026). 99.56% ya usimamizi inaeleza seti maalum ya hali zilizowekwa lebo, sio mitihani ya moja kwa moja (Arif na wenzake, 2026).

"Ushiriki ni kitu kimoja, kwa hivyo alama moja inaweza kuuwakilisha." Dhana hiyo ina nyuzi tatu, na kihisi hufikia ya kwanza zaidi. E3Sense iligundua wanafunzi waliifafanua kwa viashiria vya kiakili, kitabia, na kihisia kwa uwiano tofauti, na fasili hizo zilibadilisha utabiri (Anupkrishnan na wenzake, 2026). Namba moja huficha ni tabaka gani lilipimwa.

"Ikiwa modeli ni ya haki kwenye mgawanyiko wa uthibitishaji, ni ya haki darasani." Kirekebishaji kilichosawazisha kosa la uthibitishaji kati ya makundi ya jinsia kilifanya pengo la wahusika waliohifadhiwa kuwa baya zaidi (Fragkiadakis na wenzake, 2026). Usawa ni sifa ya utekelezaji, sio ya kituo cha ukaguzi.

Dhana zinazohusiana

• Uundaji wa Mifano ya Wanafunzi na Mafunzo Yanayobadilika
• Takwimu za Kujifunza
• AI ya Modaliti Nyingi
• Kompyuta ya Hisia
• Mahusiano ya Mwanafunzi
• Kujifunza kwa Kujidhibiti
• Kujifunza kwa Mwili
• Upimaji wa Kielimu
• Tathmini ya Kiotomatiki
• Uhalali wa Tathmini
• Usimamizi wa Mitihani wa Nje ya Awamu ya Mwili
• Uadilifu wa Kitaaluma
• Faragha
• Kupunguza Upendeleo
• Utofauti wa Neva
• Usawa
• Ufikivu
• Kujifunza kwa Mashine
• Saikolojia ya Kiakili
• Ufafanuzi wa Akili Bandia

Makala zinazohusiana

• Gaze-Informed Proactive AI Assistance for Children’s Picture Exploration — Simulizi za LLM zinazoanzishwa na mtazamo ziliwafanya watoto kubaki kwenye eneo linalosimuliwa kwa 6.48 s dhidi ya 1.67 s, lakini utafiti ulipima makini badala ya uelewa (Wu et al., 2026)
• E3Sense: Head-Confined Multimodal Sensing of Learner Engagement — EEG ya kichwani, ufuatiliaji wa macho, na EDA ya paji la uso zilitabiri ushiriki wa kujikadiria kwa usahihi wa ngazi moja wa 75.0% dhidi ya msingi wa 63.0% (Anupkrishnan et al., 2026)
• EduGage: Methods and Dataset for Sensor-Based Momentary Assessment of Engagement in Self-Guided Video Learning — EduGage iliunganisha mitiririko saba ya vifaa vinavyovaa na kamera kuwa makadirio ya ushiriki wa ngazi ya sehemu (MAE 0.81) na inahoji kwa vifaa vyepesi (Leng et al., 2026)
• Fairness-Aware Multimodal Transformer Modeling for Real-Time Student Attention Estimation — Modeli ya makini ya multimodali ilifikia MAE 0.283, na faida zake za usawa za uthibitishaji zilipinduka kwa wahusika waliohifadhiwa (Fragkiadakis et al., 2026)
• On AI glasses and wearable AI in assessment — AI inayovaa ina uwazi wa pande mbili, kwa hivyo ubaguzi wa kimwili unashindikana na utekelezaji unaelekea kuhukumu miili ya wanafunzi (Corbin et al., 2026)
• Automating Learner Assessment: Benchmarking Machine Learning and Deep Learning Models for EEG-Based Familiarity Prediction — Modeli kumi na tano za utabiri wa uzoefu wa EEG zilishuka kutoka F1 ya 0.9853 hadi 0.6038 chini ya uthibitishaji usiotegemea jaribio (Nanayakkara na Halloluwa, 2026)
• Seeing what students learn: assessing cognitive representations and academic outcomes via EEG image reconstruction — Picha zilizojengwa upya kwa EEG zilifuata utendaji wa mtihani kwa R² = 0.79, huku mshiriki mmoja wa ujenzi wa juu akijibu kimakosa (Su et al., 2026)
• Leveraging Physiological Signals to Predict Exam Outcomes with Machine Learning — Msitu wa bahati nasibu ulitabiri makundi ya alama za mtihani kutoka EDA, mwendo, na joto la ngozi, ishara zinazoonyesha msisimko badala ya uelewa (Yamazaki na Rimal, 2026)
• A formative study of brief affective text as a complement to wearable sensing for longitudinal student health monitoring — Kwa wanafunzi 458 wanaovaa Oura, rejista ya kihisia badala ya mada ya wasiwasi ilifuata usingizi na utofauti wa mapigo ya moyo (2026)
• TutorLoop: Regulating Student Learning Behaviors via Sensor-in-the-Loop Generative Feedback — Mtazamo wa kamera ya wavuti uliongoza maoni ya kujifunza kwa uimarishaji kwa wanafunzi 187; makini yalihusiana na kujifunza kwa r = 0.017 ilhali mzigo ulihusiana kinyume (2026)
• An automated online proctoring system with live suspicious activity detection using YOLOv11 pose estimation and multi-model classification — Sifa za mkao za YOLOv11 ziliweka alama ya tabia ya kutilia shaka kwa 99.56% kwenye seti maalum iliyowekwa lebo, bila kujaribu makosa au usawa (Arif et al., 2026)
• Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task — Muunganisho wa EEG ulipungua kwa msaada wa uandishi wa nje kwa washiriki 54, ukichukulia utegemezi kama deni la kiakili lililokusanywa (Kosmyna et al., 2025)
• Artificial intelligence in embodied learning: A systematic literature review — Katika masomo 23, majukumu ya kuhisi yalitawala kwa 62.5% ya lebo na hakuna mfumo uliopitiwa uliunganisha mitiririko ya multimodali moja kwa moja (Kim na Han, 2026)