AIEd 知识库AIEd KB
本页内容

本页面已译为中文。文章页面仍以英文撰写。 阅读本页的英文版本

概念

情感计算

创建 2026-07-28 · 更新 2026-10-09

本页是英文页面的机器翻译，尚未经母语者审校。

教育中的情感计算用生理与行为信号来感知学习者情绪并调整教学——参见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与MathBuddy: Affective Math Tutoring。知识库还记录了人工智能互动的情感风险，包括Sycophantic AI makes human interaction feel more effortful and less satisfying over time与Stuck in a Spiral": Shame and Guilt as Social Regulators of AI Use in Computing Education。

值得思考的问题

  • 如果一台计算机能感知到你沮丧、困惑或无聊，并据此调整它的教学，这会如何改善你的学习——它又可能对你产生什么误解？
  • 情绪感知的辅导可以提高投入，但看似共情的自动化带有风险：过度依赖、准社会依赖，以及持续监控带来的隐私问题。被理解与被监视之间的界线在哪里？
  • 一个肯定你、"理解"你的人工智能会感觉不错——但研究显示，这类人工智能会挤占真实的人际关系、侵蚀批判性判断。在学习情境中，感到被支持与真正被支持，有何不同？
  • 面部表情和文本都能传递情绪。一个辅导系统应当依据你的情绪状态调整教学吗——你希望它对哪些情绪推断采取行动，又希望它对哪些绝不动用？
  • 如果人工智能过早地降低难度来缓解你的沮丧，你可能就不再进行有成效的挣扎——而挣扎往往是深度学习发生之处。辅导系统应当如何决定何时安慰、何时挑战？
  • 持续的情感监控提出真实的隐私问题。在什么条件下，你会乐意让人工智能读取你的情绪，以便调整你的学习？

引言

感知情绪以调整教学

情感计算旨在让人工智能系统具有情绪感知能力，使它们能回应学习者的感受，而不只是他们做了什么。在教育中，这意味着感知沮丧、困惑、信心、无聊或投入，并据此调整教学。MathBuddy示范了这一方法：它从两种模态——对话文本与实时面部表情——建模情感，把聚合的情绪状态映射到教学策略，再提示辅导系统。

信号本身是模糊的：单一的表达通道无法可靠地区分痛苦、努力、尴尬、疲劳或策略性的自我呈现——若没有产生它们的人、任务、文化与情境的话——这就是"语境性欠解释"（contextual under interpretation）——因此一个只读取可见信号的分类器，有给出看似合理、教学上却错误的推荐的风险（Zhang 等（2026））。

  • 中学数学中情绪性与反思性的大语言模型支持：Rief 等（2026）通过动态聊天、呼吸练习与"正念的错误反馈"语言，把正念（mindfulness）叠加到 7 年级的代数辅导系统上。在一项小规模的课堂随机对照试验中（252 名参与者中 42 人完成），正念版用更短的时间、更少的提示请求，达到了与纯认知支持相当的代数学习——更高的学习效率与更平衡的求助行为（Help-Seeking）——尽管两种条件下的州数学焦虑（state-math-anxiety）降低无显著差异。

好处与风险

情绪感知的辅导可以产生可测的增益，但同样的精密也带来风险：

情感计算与更宽的人工智能教育

情感计算处于情感辅导（其教学应用）、学习者建模与自适应教学（表征包括情绪在内的整个学习者）与学习分析（从学习者数据导出信号）的交汇处。它连接到智能辅导设计与教学安全性——即"人工智能应当支持而非操纵学习者情绪"这一原则。

  • 实时的、基于边缘的课堂情绪监控。Nguyen 等（2026）构建了一个情绪感知的课堂质量评估系统，把情感计算推进到真实、大规模的场域。专为 IoT/边缘设备打造，该系统在处理负载均衡与延迟的同时，协调多个代理实时捕获学生的情绪与投入模式。它在课堂情绪数据集（来自越南真实 K–12 课堂的 1,500 张标注图像与 300 段课堂视频）上被评估，聚焦多人、真实场景中的情感互动——这是把情绪识别从实验室模型扩展到可部署的课堂监控的示范，也伴随着这类监控所引发的隐私与教学安全性考量。
  • 有情绪智能的评估代理。AIvaluate是一个大语言模型（LLM）增强的、有情绪智能的会话代理，它在保持可用性的同时，降低了学生在表现性评估中的焦虑与社会压力。
  • **通过提示设计而非感知来工程化共情。**情感支持并不要求情感检测：Wang 等（2026）在两个仅提示规定的角色与对话动作不同的大语言模型物理代理之间，获得了共情感知上的巨大差异（21.27 对 18.24；r = 0.53）——这些动作是换位思考式的开场（"你会问这个问题，是因为……"）、迷思概念诊断，以及每轮结束时的一次理解检查——而模型、平台与温度保持不变。这是对传感器驱动的情感计算的一个有益制衡：一个教学智能体被感知到的情感质量可以被设计进互动脚本，同时也提醒设计者，被感知的共情是一个自陈构念，而非真实情感理解的证据（学生—人工智能交互）。
  • 提示教师而非调整辅导系统的告警。Swidan（2026）在一所高中几何课堂中部署了 Dash4Emotion：红框矩形标出被解读为处于负面情绪的学生；在 20 个被识别的片段中（报告了五个），改变投入的是教师对告警的回应，而非告警本身。其设计要点是：情感感知可以喂给一个人来做决定，而不是喂给自适应辅导系统的下一步——同时附带该研究自己的告诫：它报告说未对面部表情检测做验证，因此该信号是供教师解读的提示，而非关于学生内部状态的证据。

关联概念

关联文章

元数据

层次Higher Ed, K 12
目标读者Learners
技术与方法自适应学习, 生成式人工智能, 智能辅导, 学习分析, 大语言模型（LLM）, 个性化学习
教育中的人工智能基础认知外包
SourceHistoryEditChat

嵌入此页

复制下面的代码，将本页嵌入学习管理系统或其他网站。嵌入版本只显示页面内容 — 网站的页眉、导航和页脚会被隐藏。