استفاده از شبکه های عصبی برای تشخیص احساس خشم در چهره دانش آموزان

تشخیص احساسات دانش آموزان، به ویژه احساس خشم، در محیط های آموزشی از اهمیت بالایی برخوردار است، زیرا خشم می تواند تاثیر قابل توجهی بر تعاملات اجتماعی، کیفیت یادگیری و سلامت روانی دانش آموزان داشته باشد. شناسایی زودهنگام خشم به معلمان و مشاوران امکان می دهد تا مداخلات مناسب و پیشگیرانه انجام دهند و محیط یادگیری سالم و ایمن را حفظ کنند. با پیشرفت فناوری های هوش مصنوعی و یادگیری عمیق، به ویژه شبکه های عصبی کانولوشنی (CNN) و مدل های پیشرفته تشخیص چهره، امکان تحلیل دقیق و خودکار تصاویر چهره دانش آموزان فراهم شده است.هدف اصلی پژوهش حاضر، طراحی و ارزیابی مدلی مبتنی بر شبکه های عصبی برای تشخیص احساس خشم در چهره دانش آموزان و شناسایی نشانه های اولیه هیجانات منفی در محیط کلاس است. داده های مورد استفاده شامل مجموعه ای از تصاویر چهره دانش آموزان در موقعیت های مختلف کلاس و فعالیت های آموزشی بودند که از نظر وضعیت احساسی، به ویژه میزان خشم، برچسب گذاری شدند. این تصاویر پس از پیش پردازش شامل نوردهی، مقیاس بندی و حذف نویز، به شبکه های عصبی کانولوشنی پیشرفته وارد شدند تا ویژگی های چهره مرتبط با خشم استخراج و تحلیل شود.تحلیل های انجام شده نشان داد که ویژگی های ابرو، چشم، دهان و خطوط صورت در تشخیص خشم نقش کلیدی دارند و شبکه های عصبی می توانند این ویژگی ها را با دقت بالا شناسایی کنند. مدل پیشنهادی توانست با دقت بیش از ۸۷٪، احساس خشم دانش آموزان را از سایر احساسات تفکیک کند و روند تغییرات هیجانی دانش آموزان را در طول زمان کلاس ثبت نماید. علاوه بر دقت، سرعت پردازش شبکه های عصبی امکان تحلیل لحظه ای و خودکار را فراهم می آورد که برای مدیریت سریع و به موقع وضعیت هیجانی دانش آموزان بسیار مفید است.یکی از مهم ترین نتایج این پژوهش، قابلیت پیش بینی خشم در مراحل اولیه است، یعنی قبل از آنکه خشم دانش آموز منجر به رفتارهای پرخاشگرانه یا اختلال در کلاس شود. این ویژگی می تواند به معلمان، مشاوران و روان شناسان کمک کند تا مداخلات پیشگیرانه و آموزشی مناسب طراحی کنند و محیط آموزشی سالم و کنترل شده ایجاد نمایند. همچنین، تلفیق داده های تصویری با اطلاعات رفتاری و تعاملی می تواند دقت مدل را بیش از پیش افزایش دهد و امکان توسعه سیستم های جامع مدیریت هیجانات دانش آموزان را فراهم آورد.از منظر علمی، این پژوهش نشان می دهد که شبکه های عصبی و یادگیری عمیق ابزار موثری برای تشخیص هیجانات پیچیده انسانی هستند و می توانند به عنوان پایه ای برای طراحی مدارس هوشمند و سلامت محور مورد استفاده قرار گیرند. یافته ها تاکید می کنند که استفاده از فناوری های هوشمند در مدیریت هیجانات دانش آموزان، می تواند محیط کلاس را بهبود دهد، تعاملات مثبت دانش آموزان و معلمان را افزایش دهد و از بروز رفتارهای منفی جلوگیری کند.

کلیدواژه ها:

تشخیصاحساسات ، خشمدانش آموزان ، شبکهعصبی ، یادگیریعمیق ، تحلیلچهره ، هوشمصنوعی ، مدارسهوشمند ، هیجاناتدانش آموزان.