DOI: https://doi.org/10.1038/s41598-026-36747-0
PMID: https://pubmed.ncbi.nlm.nih.gov/41549127
تاريخ النشر: 2026-01-18
المؤلف: Lin Shi
الموضوع الرئيسي: التعرف على العواطف والمزاج
نظرة عامة
تقدم هذه الدراسة نموذج شبكة عصبية تلافيفية مبتكرة مع ميزة الانتباه (AFCNN) مصممة للتعرف على المشاعر في فصول اللغة الأجنبية بالجامعة، مستفيدة من تكنولوجيا التعلم العميق لتعزيز تحليل المشاعر التعليمية. يلتقط نموذج AFCNN بفعالية التغيرات العاطفية في الوقت الحقيقي لدى الطلاب، مما يمكّن المعلمين من تلقي تعليقات في الوقت المناسب تدعم تطويرهم المهني. تظهر التجارب المقارنة أن نموذج AFCNN يتفوق بشكل كبير على النماذج التقليدية، مثل VGG16 و ResNet18، محققًا دقة في التعرف على المشاعر تصل إلى 81% في ظل ظروف غير معوقة، مع أداء مرتفع بشكل خاص لمشاعر “السعادة” و”الحياد” بنسبة 83% و84% على التوالي.
تستكشف البحث أيضًا مسارات التطوير المهني لمعلمي اللغات الأجنبية في سياق التغيير التنظيمي والتعلم العميق. ويؤكد على الدور الحاسم لفهم الحالات العاطفية للطلاب في تشكيل الممارسات التعليمية. لا يوفر نموذج AFCNN قدرات التعرف القوية فحسب، حتى في السيناريوهات التي تتضمن حجب جزئي للوجه، بل يدمج أيضًا تكنولوجيا التعرف على المشاعر في تطوير المعلمين المهني، مما يقدم نهجًا جديدًا للتعليم الذكي. بشكل عام، تؤكد النتائج على إمكانيات تطبيقات التعلم العميق في الحوسبة العاطفية التعليمية، مما يوفر رؤى قيمة لتعزيز منهجيات التعليم.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على التأثير التحويلي للتعلم العميق (DL) والمبادئ النفسية على تعليم اللغات الأجنبية، مشددة على الحاجة إلى تكيف المعلمين مع التقنيات والأساليب التعليمية المتطورة. مع حدوث تغييرات سريعة في الأنظمة التعليمية، يواجه معلمو اللغات الأجنبية تحديات في دمج المعرفة التعليمية المتقدمة مع الأدوات التكنولوجية لتعزيز تجارب تعلم الطلاب. تهدف الدراسة إلى استكشاف كيف يمكن لتكنولوجيا DL والرؤى النفسية دعم التطوير المهني لهؤلاء المعلمين، خاصة من خلال تنفيذ نموذج شبكة عصبية تلافيفية مع ميزة الانتباه (AFCNN) مصمم للتعرف على المشاعر في الوقت الحقيقي في بيئات الفصول الدراسية.
تحفز البحث ثلاثة عوامل رئيسية: الطلب المتزايد على معلمي اللغات الأجنبية للنمو المهني، وإمكانية DL وعلم النفس لتوفير أدوات تعليمية مبتكرة، وعدم استغلال هذه التقنيات بشكل كافٍ في الأطر التعليمية الحالية. يسمح آلية التغذية الراجعة المعتمدة على المشاعر للمعلمين بتقييم ديناميات الفصل وضبط استراتيجياتهم التعليمية وفقًا لذلك، مما يعزز بيئة تعليمية أكثر تكيفًا. كما تقوم الدراسة بتحسين نماذج التعرف على المشاعر الحالية لمعالجة التحديات في السيناريوهات المعقدة في الفصول الدراسية، مما يساهم في تقديم نهج جديد لتعزيز التطوير المهني لمعلمي اللغات الأجنبية. يتم تقديم تحليل مقارن مع الدراسات الحديثة في الجدول 1، مما يبرز المزايا الفريدة لنموذج AFCNN من حيث الهيكل والتطبيق ومقاييس الأداء.
الطرق
تركز منهجية البحث على تطوير نموذج للتعرف على المشاعر مصمم خصيصًا لسياق التغيير التنظيمي، وخاصة في تطوير المعلمين المهني. تؤكد الدراسة على أهمية المراقبة والتغذية الراجعة في الوقت الحقيقي في البيئات التعليمية، وهو أمر أساسي لتعزيز احترافية المعلمين. يستخدم التصميم التجريبي قاعدة بيانات الوجوه العاطفية في العالم الحقيقي (RAF-DB)، التي تصنف سبع مشاعر أساسية: الغضب، الاشمئزاز، الخوف، السعادة، الحزن، المفاجأة، والحياد. تم اختيار ما مجموعه 365 صورة، تم تخصيص 265 منها للتدريب و100 للاختبار، مع ضمان فصل الهوية لمنع تسرب البيانات وتعزيز موثوقية النموذج وقدرته على التعميم.
في تحليل النتائج التجريبية، تتناول الدراسة التحديات التي تطرحها الحجب (مثل الأيدي، الشعر، القبعات) في بيئات الفصول الدراسية. تم تقييم ثلاثة نماذج لأدائها في التعرف على الصور المحجوبة. تشير النتائج إلى انخفاض في دقة التعرف عبر جميع النماذج، حيث أظهر نموذج VGG16 أكبر انخفاض. في المقابل، تفوق نموذج AFCNN، على الرغم من تعرضه لانخفاض في الدقة، على النماذج الأخرى، مما يظهر أداءً قويًا وقدرات تعرف متفوقة حتى في ظروف الحجب. تؤكد النتائج على فعالية نموذج AFCNN في مهام التعرف على المشاعر ضمن البيئات التعليمية.
النتائج
تمت مقارنة نتائج تجارب التعرف على المشاعر باستخدام نموذج AFCNN المقترح ضد النماذج التقليدية، وخاصة ResNet18 و VGG16، المعروفة بنضجها المعماري وفعاليتها في مهام التعرف على الصور. أظهر نموذج AFCNN أداءً متفوقًا في التعرف على معظم المشاعر، محققًا معدلات دقة عالية تصل إلى 83% للمشاعر السعيدة و84% للمشاعر الحيادية. ومع ذلك، كان أداؤه أقل قليلاً من VGG16 في التعرف على الاشمئزاز. أشارت اتجاهات الدقة إلى أنه مع زيادة عدد صور التعرف، استقر أداء نموذج AFCNN، مما يؤكد الفرضية بأنه يتفوق عمومًا على النماذج التقليدية في مهام التعرف على المشاعر.
أدى التقييم الإضافي لنموذج AFCNN على مجموعة اختبار مكونة من 100 صورة إلى الحصول على متوسط F1-score ماكرو قدره 0.79، مع أعلى الدرجات لمشاعر “السعادة” (0.82) و”الحياد” (0.83). على الرغم من نقاط قوته، أظهر النموذج استرجاعًا أقل لمشاعر “الاشمئزاز” (0.71) وواجه تحديات في التمييز بين “الحزن” و”الخوف” بسبب التعبيرات الوجهية المتشابهة. أكدت التحليلات الإحصائية على المزايا الكبيرة لنموذج AFCNN مقارنة بالنماذج الأساسية، بينما سلطت الضوء أيضًا على مجالات التحسين، خاصة في التعرف على المشاعر المعقدة. بشكل عام، تشير النتائج إلى أنه بينما يتفوق نموذج AFCNN في العديد من جوانب التعرف على المشاعر، هناك حاجة إلى مزيد من التحسين لتعزيز حساسيته لبعض المشاعر.
المناقشة
في مناقشة الورقة البحثية، يتم مراجعة دراسات مختلفة حول مسارات التطوير المهني للمعلمين، مع تسليط الضوء على أهمية تعزيز المعرفة النظرية والمهارات التربوية لمعلمي اللغات الأجنبية من خلال التدريب القائم على المدرسة. يدعو غوبتا ولي (2020) إلى نهج منظم للنمو المهني يركز على إتقان الموضوع وزراعة جو إيجابي في الفصل. يحدد تشانغ وتاكر (2021) التحديات التي يواجهها المعلمون في المناطق الريفية، مثل انخفاض الدافع الداخلي وعدم توافق محتوى التدريب مع الاحتياجات المهنية، مقترحين تدخلات مستهدفة لمعالجة هذه القضايا. بالإضافة إلى ذلك، يتم اقتراح طرق تدريس مبتكرة، بما في ذلك الوسائط المتعددة والتربية القائمة على المهام، لتعزيز بيئات تعلم أكثر جاذبية.
تؤكد الورقة أيضًا على الدور الحاسم لتنظيم المشاعر لدى المعلمين في تشكيل ديناميات الفصل، كما أوضح فرينزل وآخرون (2021)، الذين يصنفون العوامل المؤثرة إلى عناصر داخلية وخارجية. يستكشف دياز (2020) أيضًا تأثير مشاعر المعلمين على نتائج التعليم، مقترحًا إطارًا تعليميًا ثلاثي الأبعاد يبرز ضرورة فهم وإدارة المشاعر في البيئات التعليمية. يتم مناقشة دمج الذكاء الاصطناعي في التعرف على المشاعر، مع دراسات تظهر إمكانيته في تعزيز آليات التغذية الراجعة في الوقت الحقيقي للمعلمين، مما يحسن استجابتهم لحالات الطلاب العاطفية. في النهاية، تفترض البحث أن تطبيق نموذج التعرف على المشاعر الوجهية القائم على التعلم العميق يمكن أن يدعم المعلمين بشكل كبير في تكييف استراتيجياتهم التعليمية، مما يعزز تطويرهم المهني ويعزز بيئة تعلم أكثر ملاءمة.
DOI: https://doi.org/10.1038/s41598-026-36747-0
PMID: https://pubmed.ncbi.nlm.nih.gov/41549127
Publication Date: 2026-01-18
Author(s): Lin Shi
Primary Topic: Emotion and Mood Recognition
Overview
This study presents an innovative Attention Feature Convolutional Neural Network (AFCNN) model designed for sentiment recognition in university foreign language classrooms, leveraging deep learning technology to enhance educational sentiment analysis. The AFCNN model effectively captures real-time emotional changes in students, enabling teachers to receive timely feedback that supports their professional development. Comparative experiments demonstrate that the AFCNN model significantly outperforms traditional models, such as VGG16 and ResNet18, achieving an emotion recognition accuracy of 81% under unobstructed conditions, with particularly high performance for “happy” and “neutral” emotions at 83% and 84%, respectively.
The research further explores the professional development pathways for foreign language teachers within the context of organizational change and deep learning. It emphasizes the critical role of understanding students’ emotional states in shaping educational practices. The AFCNN model not only provides robust recognition capabilities, even in scenarios with partial facial occlusion, but also integrates emotion recognition technology into teacher professional development, offering a novel approach to intelligent teaching. Overall, the findings underscore the potential of deep learning applications in educational affective computing, providing valuable insights for enhancing teaching methodologies.
Introduction
The introduction of this research paper highlights the transformative impact of deep learning (DL) and psychological principles on foreign language education, emphasizing the need for teachers to adapt to evolving educational technologies and methodologies. As educational systems undergo rapid changes, foreign language instructors are challenged to integrate advanced teaching knowledge with technological tools to enhance student learning experiences. The study aims to explore how DL technology and psychological insights can support the professional development of these educators, particularly through the implementation of an Attention Feature Convolutional Neural Network (AFCNN) model designed for real-time emotional recognition in classroom settings.
The research is motivated by three key factors: the increasing demands on foreign language teachers for professional growth, the potential of DL and psychology to provide innovative educational tools, and the underutilization of these technologies in current educational frameworks. The proposed emotion-based feedback mechanism allows teachers to assess classroom dynamics and adjust their instructional strategies accordingly, fostering a more adaptive teaching environment. The study also optimizes existing emotion recognition models to address challenges in complex classroom scenarios, thereby contributing a novel approach to enhancing the professional development of foreign language teachers. A comparative analysis with recent studies is presented in Table 1, showcasing the unique advantages of the AFCNN model in terms of architecture, application, and performance metrics.
Methods
The research methodology focuses on developing an emotion recognition model tailored for the context of organizational change, particularly in teacher professional development. The study emphasizes the importance of real-time monitoring and feedback in educational settings, which is foundational for enhancing teacher professionalism. The experimental design utilizes the Real-world Affective Faces Database (RAF-DB), which categorizes seven basic emotions: anger, disgust, fear, happiness, sadness, surprise, and neutral. A total of 365 images were selected, with 265 allocated for training and 100 for testing, ensuring identity separation to prevent data leakage and enhance the model’s reliability and generalization.
In the analysis of experimental results, the study addresses the challenges posed by occlusions (e.g., hands, hair, hats) in classroom settings. Three models were evaluated for their performance in recognizing occluded images. Results indicate a decline in recognition accuracy across all models, with the VGG16 model showing the most significant drop. In contrast, the AFCNN model, despite experiencing a decrease in accuracy, outperformed the other models, demonstrating robust performance and superior recognition capabilities even under occlusion conditions. The findings underscore the AFCNN model’s effectiveness in emotion recognition tasks within educational environments.
Results
The results of the emotion recognition experiments using the proposed AFCNN model were compared against traditional models, specifically ResNet18 and VGG16, which are recognized for their architectural maturity and effectiveness in image recognition tasks. The AFCNN model demonstrated superior performance in recognizing most emotions, particularly achieving high accuracy rates of 83% for happy emotions and 84% for neutral emotions. However, it performed slightly worse than VGG16 in identifying disgust. The accuracy trends indicated that as the number of recognition images increased, the AFCNN model’s performance stabilized, confirming the hypothesis that it generally outperforms traditional models in emotion recognition tasks.
Further evaluation of the AFCNN model on a test set of 100 images yielded a macro-average F1-score of 0.79, with the highest scores for “Happy” (0.82) and “Neutral” (0.83) emotions. Despite its strengths, the model exhibited lower recall for “Disgust” (0.71) and faced challenges in distinguishing between “Sad” and “Fear” due to similar facial expressions. Statistical analyses confirmed the AFCNN’s significant advantages over baseline models, while also highlighting areas for improvement, particularly in recognizing complex emotions. Overall, the findings suggest that while the AFCNN model excels in many aspects of emotion recognition, further optimization is needed to enhance its sensitivity to certain emotions.
Discussion
In the discussion of the research paper, various studies on teachers’ professional development pathways are reviewed, highlighting the importance of enhancing foreign language teachers’ theoretical knowledge and pedagogical skills through school-based training. Gupta and Lee (2020) advocate for a structured approach to professional growth that emphasizes both subject mastery and the cultivation of a positive classroom atmosphere. Chang and Taxer (2021) identify challenges faced by rural teachers, such as low intrinsic motivation and misalignment of training content with professional needs, proposing targeted interventions to address these issues. Additionally, innovative teaching methods, including multimedia and task-based pedagogy, are suggested to foster more engaging learning environments.
The paper also emphasizes the critical role of teachers’ emotional regulation in shaping classroom dynamics, as outlined by Frenzel et al. (2021), who categorize influencing factors into intrinsic and extrinsic elements. Díaz (2020) further explores the impact of teacher emotions on instructional outcomes, proposing a three-dimensional teaching framework that underscores the necessity of understanding and managing emotions in educational settings. The integration of artificial intelligence in emotion recognition is discussed, with studies demonstrating its potential to enhance real-time feedback mechanisms for teachers, thereby improving responsiveness to students’ emotional states. The research ultimately posits that the application of a deep learning-based facial emotion recognition model can significantly support teachers in adapting their instructional strategies, thereby promoting their professional development and fostering a more conducive learning environment.