管理案例研究与评论杂志已发表格式范文参考
1.课堂情绪智能体的设计构建及效果检验
作者：郑晓丽,吕子英,耿小惠,王峰,赖文华,赵安平
作者单位：温州大学
关键词：课堂情绪智能体;情绪调节;情绪识别;应用效果;教学效果
摘要：学生的课堂情绪与学业活动和学业结果紧密相关。但在真实课堂情境下，教师难以实时感知并调节学生 个体的情绪状态，学生亦很少主动请求情绪支持，现有的课堂情绪智能体也尚不能实现对学生情绪的实时主动调 节。基于情绪认知和调节理论、深度学习算法构建的集情绪感知、识别、反馈和调节于一体的课堂情绪智能体，有 助于破解上述问题。该课堂情绪智能体包括感知识别层和反馈调节层，通过情绪理解与情绪回应功能向学生提供个 性化学习和精准情绪支持。为检验其教学效果，面向小学编程课堂应用而开展的准实验结果表明：课堂情绪智能体 能显著提升学生的积极情绪、减弱消极情绪，对情绪控制亦有显著提升作用；通过对学生情绪调节能力的改善，其 能促进他们的课堂专注度水平和参与程度；通过满足学生的个性化学习需求，其能显著提升学生的学业成绩。
一、问题提出
课堂情绪与课堂中的学业活动和学业结果紧密 相关（Pekrun，2006；Chen et al.，2024），学生在学习过 程中的情绪状态对其认知发展、学习动力和知识内 化具有重要影响（Pekrun，1992；Pekrun et al.，2011； Pekrun，2024）。研究表明，学生通过前调节（如注 意部署、认知改变）和后调节（如表达抑制）管理 情绪，继而影响学习体验、课堂表现和学业成绩 （Gumora et al.，2002；Naragon-Gainey et al.，2017）；同 时，教师的情绪调节策略也直接影响学生的课堂参 与（McLean et al.，2025）。然而，在传统大班教学 中，教师多聚焦于知识传授与思维培养，虽注重课 堂氛围，却难以实时感知学生个体的情绪状态，缺 乏对个体情绪的实时调节，难以满足个性化学习需 求。尽管已有部分研究尝试将大语言模型用于情绪 调节（Katayama et al.，2022），但在真实课堂情境下， 学生很少主动请求情绪支持，致使大语言模型驱动 的被动型情绪智能体难以实现情绪干预；同时由于 部分情绪是因学习困惑引起，单纯的情绪干预也难 以从根本上调节学生情绪。
情绪智能体通常是在对话式代理（Sikström et al.， 2024）的基础上，额外融入情感计算与情绪交互功 能，呈现为虚拟化身（Zhang et al.，2024）、实体机器 人（Seyitoğlu et al.，2024）或纯软件形式的智能体。 它能专注于捕捉学生在学习过程中的情绪变化，并 给予相应的情绪支持和调节建议。学者们已探索出 四条识别学生课堂情绪的路径：一是通过可穿戴设 备采集生理信号辅助调节（Valenza et al.，2014），但 因入侵性强、适应性差而应用受限；二是利用摄像 头结合深度学习算法识别面部表情（Shomoye et al.， 2024；Yuan et al.，2024）；三是融合表情与语音的多 模态数据进行事后情绪分析（Zhao et al.，2024；Liu et al.，2025）；四是基于自我报告的主观评估（Liu & Duan et al.，2024）。鉴于实时感知识别与反馈调节需 求，本研究拟采用摄像头结合深度学习算法识别情 绪，并融合大语言模型构建一个“情感—认知”协 同的主动型情绪智能体，以实现“感知—识别—反馈—调节”闭环，并提供认知支持，最后将其应用 于真实课堂教学检验实践效果，以期为个性化教学 的发展提供新的思路和实践依据。
二、课堂情绪智能体的设计与构建
1.理论基础：情绪认知与情绪调节
婴儿天生具有哭泣、咯咯笑等表情，这些表情 可能是生物性的，也可能是反射性的，但照看者认 为其是有目的的表达，并据此做出回应；随着婴儿 的长大，他们也渐渐对别人的情绪敏感，而且会根 据他人情绪来调整自己的行为（Oatley et al.，1987）。 这说明在婴儿成长过程中，情绪从最初的神经生物 学活动（基本情绪）逐渐发展为情绪图式（复杂情 绪）。其中，基本情绪分成快乐、惊讶、恐惧、愤 怒、厌恶和悲伤 6 类（Ekman et al.， 1969）。Izard （2009）进一步将情绪从意识层次上分为现象层情 绪和可访问层情绪。前者指情绪感觉只被体验而 无法用语言或概念准确描述；后者指根据已有的 情绪词汇，能够将情绪感觉符号化、报告化，进 而进入反思、规划、自我调节流程。通过给情绪 贴标签，个体能够让模糊的情绪感觉转换为明确 的“情绪—认知”结构，进而提升自我的情绪调 节能力。这一发现表明，当个体对情绪感觉有足 够的词汇与概念表达时，就能更好地实施“认知 重评”和“注意部署”等调节策略，进而减少负 面情绪的影响，也能利用“正向情绪”促进创造 力培养和学习效果提升。
此外，Gross（2014）把人类的情绪生成视为由 “情境—注意—评估—反应”构成的模型。以学业焦 虑产生的过程为例：当学生临近期末考试时，内心 既渴望高分又担忧失败，学生会将此情境视为威胁 或资源不足的挑战（情境），从而触发对教室中翻书 声、教师目光等与结果相关信号的过度关注，产生 “时间不够”“题太难”等消极想法（注意）；学生 在初级评估将情境定性为威胁、次级评估感知自身 缺乏应对策略后，便形成了以“无法应对”为核心 的焦虑认知基调（评估），进而出现紧张烦躁、心跳 加速、出汗等身心反应，以及拖延、熬夜等行为 （反应）。基于情绪生成模型，Gross（2015）进一步 提出了一个研究情绪调节策略的框架，即由“情境 选择—情境修改—注意部署—认知改变—反应调 节”构成的情绪调节过程模型。以学业焦虑的调节 策略为例：学生可在事前通过情境选择（如换到安 静环境）和情境修改（如将复习任务拆解并奖励自 己）来减少触发点；事中通过注意部署（如番茄钟 或短暂分心）以及认知重评（如将考试视为检验学 习成果的机会）来改变评估结果；事后通过生理放 松或情绪表达来调节已出现的反应。情绪认知理 论、情绪生成模型和情绪调节过程模型为设计智能 体的情绪理解与回应功能提供了理论依据。
2.技术支撑：情绪与专注度识别算法设计
（1）面部表情识别
近年来，人工智能技术的飞速发展为情绪识 别分析提供了坚实的技术支持，实现了文本、音 频、视频等多种数据模态下的情绪识别。卷积神 经网络—循环神经网络（ConvNet-RNN）和生成对 抗 网 络 （Generative Adversarial Networks， GANs） 等算法已在公开数据集上达到了较高的面部表情识 别精度和鲁棒性（Al-Saadawi et al.，2024）。已有研究 通过计算机视觉与深度学习模型（如 VGG16+ MTCNN），在在线教育场景下实现了高精度面部表 情 识 别 ， 辅 助 教 师 了 解 学 生 状 态 （Hou et al.， 2022）。基于此，本研究拟在课堂情绪智能体开发 中引入轻量级深度学习模型，通过面部表情实时检 测学生的情绪变化。
该深度学习模型能够提取每帧图像的情绪相关 特征 ，并通过神经网络模型（VGG-16）生成该 帧图像的情绪置信度向量 ，用于表征每一 类情绪的置信度，如公式（1）所示。
其中， ≥0，表示模型对第l帧图像表 现出的第i类情绪的预测置信度得分；C＝7，为情 绪分类总数；i的取值为1～C，分别对应中性情绪 （Lasri et al.，2022）和快乐、惊讶、悲伤、恐惧、愤 怒、厌恶等6类基本情绪（Ekman et al.，1969）。
情绪分类的决策遵循最大置信度原则，即置 信度最高的情绪类别被判定为主导情绪 ，如公 式（2）所示。
（2）自适应帧率选择算法
本研究引入了自适应帧率选择算法（Adaptive Frame Rate Selection， AFRS） （Savchenko， 2023）， 其能根据图像内容复杂度动态调整处理帧率，在保 证情绪识别响应速度的同时提高计算效率。AFRS 在对每帧图像进行情绪识别时都会判断当前的情绪 分类是否“足够可信”，如果第 l 帧图像的主导情 绪预测置信度得分大于最小置信标准，就可以降低 帧率以减少计算负担。简言之，AFRS在情绪状态 相对稳定时降低帧率以节约计算资源，而在情绪剧 烈波动时提高帧率以增强识别灵敏度。该方法已在 ABAW和EmotiW等多个国际挑战赛的情绪识别数 据集上得到应用，其计算效率比传统算法提升了 1.5～40倍，具备较强的通用性与实用性。
（3）专注度指数与参与度
专注度指数（Concentration Index，CI）可动态 反映学生的情绪负荷与注意力状态，并为课堂情绪 智能体的情绪调节反馈机制提供决策支持。本研究 采用国际上6～12岁儿童的面部视频LIRIS-CSE数 据库（Khan et al.，2019）进行情绪识别预训练，并借 鉴Lasri等人（2022）提出的专注度识别算法，将主 导情绪概率与情绪权重系数（Emotion Weight， EW）相乘，计算得出CI，其值范围介于0～1。EW 依据情绪对认知投入的影响设定，在本研究中，中 性情绪的EW为0.9，快乐与惊讶情绪的EW为0.6， 悲伤与恐惧情绪的 EW 为 0.3，愤怒情绪的 EW 为 0.25，厌恶情绪的EW为0.2。根据CI值，可以进一 步折算出参与强度，以量化学生的课堂参与水平。 当 CI＞50%时，折算成高参与度；当 20%≤CI≤ 50%时，折算成中参与度；当CI＜20%时，折算成 低参与度。
3.模型构建：具有情绪理解与回应功能的智能 体模型
基于上述理论基础与技术支撑，本研究分别从 感知识别层、反馈调节层构建课堂情绪智能体的情 绪理解与回应功能（见图1）。
（1）感知识别层：课堂情绪智能体的情绪理解 功能设计与实现
课堂情绪智能体可以利用摄像头每两秒采集一 次学生面部图像，采用具有多尺度卷积结构的深度 神经网络自动提取学生面部图像中的关键表情特 征。在线下课堂这样的小样本教学场景下，为提升 课堂情绪智能体的适应能力，本研究引入了迁移学习
策略并对预训练模型进行参数微调，让课堂情绪 智能体可以实现对中性、快乐、惊讶、悲伤、恐 惧、愤怒和厌恶7种情绪的高精度分类，以此实现 对学生情绪的理解。在此基础上，课堂情绪智能体 就能提取每帧图像中的主导情绪概率，并计算情绪 驱动下的专注度指数，从而识别学生的专注度水平 和参与度强度。
（2）反馈调节层：课堂情绪智能体的情绪回应 功能设计与实现
课堂情绪智能体将感知识别层生成的情绪分类 结果、专注度指数和参与度以可视化图形展示，直 观反映学生的情绪状态与注意力波动。一是情绪分 布饼图，用以实时反馈学生在某一时间点上的情绪 状态；二是专注度折线图，用以动态跟踪学生在不 同时间点上的专注度变化；三是参与度直方图，用 以反映学生的学习参与情况。课堂情绪智能体设有 主动提问触发器，当相应数据达到设定阈值，课堂 情绪智能体就会通过API调用大语言模型与学生主 动对话。反馈调节层通过提供“情绪—认知”的协 同支持策略，实现课堂情绪智能体对学生情绪的准 确回应。具体而言，课堂情绪智能体会分析学生情 绪生成的原因，并在课内给予学生相应的“情境修 改”“注意部署”“认知改变”“反应调节”等情 绪调节策略的提示语。 三、课堂情绪智能体的教学应用效果检验
1.实验设计
（1）被试情况
温州大学伦理审查委员会批准本研究在小学六年级的信息科技课程中应用自主开发的课堂情绪智 能体，用于探讨其对学生情绪调节能力、课堂参与 度及学业成绩的影响（审查号：WZU-2024-060）。 参与实验的被试便利取样于温州市区一所公办小学 的两个平行班级，共 87 名学生，平均年龄为 11 岁，其中一个班级作为实验组（男生 24人、女生 20人，共44人），另一个班级作为控制组（男生23 人、女生20人，共43人），所有被试及被试家长都 签署了知情同意书。所有被试学生均在日常生活中 接触过智能语音交互系统，但大部分被试学生未使 用过主流的大语言模型软件，如文心一言、豆包 AI等。
（2）平台部署
在正式开展课堂教学应用前，本研究首先在教 师端完成了课堂情绪智能体软件的执行安装包部 署，并通过学校配备的局域网传输工具，将安装包 同步至每位学生终端的D盘根目录。同时，为确保 软件在教学现场的稳定运行，本研究预先配置了所 需的PyTorch运行环境，并进行了多轮运行测试与 性能调试。
（3）实验步骤
本实验采用了前后测非同等控制组准实验设 计，具体实验流程如图 2 所示。本实验历时 5 周， 每周1次课（40分钟）。第1次课的前20分钟对实验 组和控制组学生开展儿童情绪唤醒与调节（How I Feel：HIF）量表的前测并对第一单元Python编程作 业的收集，然后实验组学生用5分钟时间熟悉课堂 情绪智能体、15 分钟时间进行第一单元的知识回 顾，而控制组学生用20分钟时间进行第一单元的知 识回顾。第2~4周的3次课中，实验组进行有课堂 情绪智能体支持的《第二单元 算法》学习，而控制 组无课堂情绪智能体支持，仅采用传统教学模式。
实验组和控制组的教学内容相同。第5次课的前20 分钟进行HIF量表后测及第二单元编程作业收集， 后20分钟进行第二单元的知识回顾。
（4）课堂情绪智能体的应用
在实验过程中，学生按“旧知回顾—新知习 得—作业训练—检测评价—总结反思”开展学习， 课堂情绪智能体则通过动态化情绪捕捉、实时性反 馈评价和个性化学习支持赋能学生的学习过程。在 学生旧知回顾和新知习得的过程中，课堂情绪智能 体实时动态捕捉学生的面部表情，若识别出学生长 时间处于愤怒、厌恶、恐惧、悲伤等情绪状态，其 会向学生询问原因并提供相应的策略给予帮助，如 实时答疑、情绪调节建议等。在学生作业训练和检 测评价的过程中，课堂情绪智能体代替教师批改学 生作业，指出错误所在，并提供改进的方案，纠正 学生的迷思，如对学生编写的Python代码进行优缺 点反馈并改正错误语句。在总结反思环节，课堂情 绪智能体根据课堂中所检测到的学生情绪状态、专 注度指数和人机互动交流文本，对每位学生给出相 应的定性评价，并通过问答帮助学生反思课堂中所 学的知识。
2.测量工具
（1）HIF量表
HIF 量表主要用来测量 8~12 岁儿童对积极和 消极情绪唤醒的区分能力及在这些情绪发生时所表 现出的控制或调节能力（Walden et al.，2003），可作 为评估 8~14 岁学生情绪调节能力的有效工具 （Ciucci et al.，2016）。该量表包含积极情绪（8 题）、 消极情绪（12 题）和情绪控制（10 题）三个维 度，共30题。总量表、积极情绪、消极情绪和情 绪控制的克隆巴赫系数（Cronbach’s α）分别为 0.630、0.623、0.743和0.626。消极情绪显示出良好 的内部一致性（Cronbach’s α＞0.7），而积极情 绪、情绪控制和总量表的内部一致性达到可接受水 平（0.6＜Cronbach’s α＜0.7），说明HIF量表具有 良好的信度。
（2）编程作业的评价量规
为确保编程作业评价的科学性，本研究借鉴 Smit 等人（2014）开发的作业评价量规，特邀请两 位资深的小学信息科技课程教师参与量规改编。该 评价量规分为步骤与逻辑、程序的正确性、注释与 说明、示例与演示四个维度。每个维度依据各自评 分标准可赋予10分、15分、20分、25分，单个维度最高获25分，作业评分最高为100分。为使评价 具有可靠性，本研究另邀请了两位研究生对编程作 业进行独立评分。在正式评分前，两人先对同样的 10 份作业样本进行评价，以便熟悉评价量规的赋 分标准，若有异议，通过协商讨论达成一致。此 后，两人分别对两组学生的前后测作业进行独立评 分。对于前测作业，两人的评分相关系数为0.92， 对于后测作业，该系数为0.89，评分信度较高。
3.检验结果
（1）课堂情绪智能体对学生情绪调节能力的影响
本研究采用夏皮罗—威尔克（Shapiro-Wilk， S-W）检验法检验前后测HIF自我报告数据的正态 性。积极情绪、情绪控制及总分的前测S-W显著值 分别为0.399、0.128、0.381，均大于0.05，符合正 态分布，因此采用t检验进行组间比较。消极情绪 的前测S-W显著值为0.036，小于0.05，略微偏离 正态分布，因此采用非参数曼—惠特尼U检验进行 组间比较。对于后测数据，积极情绪的S-W显著值 为0.200，大于0.05，符合正态分布，采用t检验进 行组间比较；消极情绪、情绪控制及总分的S-W显 著值分别为0.001、0.013、0.029，均小于0.05，表 明数据偏离正态分布，因此采用非参数曼—惠特尼 U检验进行组间比较。
前测检验结果显示，实验组和控制组的积极情 绪均值分别为27.27和27.02，标准差分别为4.69和 6.19，t 检验结果显示两组无显著差异（t＝0.21， p＞0.05，d＝0.05）。实验组和控制组的消极情绪秩 平均分别为45.89和42.07，U检验结果显示两组无 显 著 性 差 异 （U＝863.00，p＝0.480，d＝0.152）。 实验组和控制组的情绪控制均值分别为 36.52 和 36.74，标准差分别为5.31和7.30，t 检验结果显示 两组无显著差异（t＝-0.16，p＞0.05，d＝-0.04）。 实验组和控制组的总分均值分别为87.18和86.95， 标准差分别为7.72和11.20，t检验结果显示两组无 显 著 性 差 异 （t＝0.11， p＞0.05， d＝0.02）。 综 上，在课堂情绪智能体干预之前，两组之间的情绪 调节能力没有显著差异。
后测检验结果显示，实验组和控制组的积极情 绪均值分别为30.89和27.67，标准差分别为5.77和 5.10，t 检验结果表明实验组在增加积极情绪方面 显著优于控制组（t＝2.75，p＜0.01，d＝0.59）。 实验组和控制组的消极情绪秩平均分别为29.73和 58.60，U 检验结果表明实验组在减少消极情绪方 面显著优于控制组（U＝1574.00，p＜0.001，d＝ 1.39）。实验组和控制组的情绪控制秩平均分别为 58.09和29.58，U检验结果表明实验组在情绪控制 方面显著优于控制组（U＝326.00，p＜0.001，d＝ 1.37）。实验组和控制组的总分秩平均分别为59.39 和 28.26，U 检验结果表明实验组在整体情绪调节 能力上显著优于控制组（U＝269.00，p＜0.001， d＝1.57）。 按 照 效 应 量 标 准 （Cohen， 1988， p.25），｜d｜＜0.2为微小效应，0.2≤｜d｜＜0.5为 小效应，0.5≤｜d｜＜0.8为中等效应，｜d｜≥0.8 为大效应。分析结果表明，课堂情绪智能体在整体 情绪调节能力、减少消极情绪和增强情绪控制方面 具有大效应。
（2）课堂情绪智能体对课堂参与度的影响
基于课堂情绪智能体导出的日志数据，本研究 发现：在第1次课时，两组学生的课堂专注度指数 无显著差异（见图3）；在第4次课时，实验组学生 的课堂专注度指数显著高于控制组（见图4）。在 课堂参与度方面（见图5），在第4次课时，实验组 中高参与度比例高于控制组，低参与度比例则低于 控制组。这表明，课堂情绪智能体的介入能帮助学 生更好地调节自身情绪，增强学生对学习内容的理 解，从而更好地适应教学节奏，使其课堂参与度得 到提升。
（3）课堂情绪智能体对编程成绩的影响
本研究以第一单元编程作业作为前测成绩，以 第5次课收集的第二单元编程作业作为后测成绩。 检验发现，自变量（课堂情绪智能体）和协变量 （前测成绩）对后测成绩的交互作用不显著（F＝ 0.58， p＝0.449），符合单因素协方差分析的回归 同质性假设条件。而且，莱文检验结果表明组间方 差齐性（F＝0.531，p＝0.468），满足单因素协方差 分析的第二个假设条件。因此，本研究可以采用单 因素协方差分析。其结果表明（见表1）：实验组学 生在编程学业成绩上的表现显著优于控制组（F＝ 196.76，p＜0.001，η2 ＝0.727）。根据效应量标准 （Cohen，1988，p.284），η2 ＜0.01为微小效应，0.01≤ η2 ＜0.06为小效应，0.06≤η2 ＜0.14为中等效应，η 2 ≥0.14 为大效应。研究结果表明，课堂情绪智能 体对提升学生的编程成绩作用较大。
四、研究结论
1.课堂情绪智能体显著改善了学生的情绪调节 能力
实验结果表明，课堂情绪智能体显著改善了学 生的情绪调节能力。基于课堂情绪智能体导出的日 志数据（见图6）也得到了同样的结论。第1次课 （课堂情绪智能体介入前）与第4次课（课堂情绪 智能体介入后）比较，实验组学生的愤怒、厌恶、 恐惧类消极情绪和中性情绪略有减少，悲伤类消极 情绪稍有上浮，而快乐和惊讶类积极情绪明显增 加。从总体上看，实验组的消极情绪总量在课堂情 绪智能体介入后有所下降，而积极情绪显著增加。 相较之下，控制组学生的厌恶、恐惧和悲伤类消极 情绪显著增加，愤怒类消极情绪略有减少，而惊讶 类积极情绪和中性情绪明显减少，快乐类积极情绪 保持不变，即控制组的积极情绪明显减少，而消极 情绪明显增加。因此，课堂情绪智能体的介入，对 积极情绪有显著增强作用，对消极情绪有显著减弱 作用，这与HIF量表中对积极情绪和消极情绪的前 后测变化结果一致。
基于对主客观数据的综合分析，课堂情绪智能 体能够显著提升学生的情绪调节能力，这一结果与 前人的研究发现类似。Isbister等人（2022）开发的 “情感伴侣”社会性辅助机器人，改善了学生在学 校和家庭环境下的情绪调节能力；Yuan 等人 （2024）设计的“个体适应性与泛在学习范式”有效 减少了学生的负面情绪并增加了积极情绪，学生的 学业情绪得到了改善；而 Liu 和 Zhang 等人（2024） 系统回顾了情绪人工智能在英语教学中的应用，发 现人工智能的应用对学生的情感学习结果会产生积 极的影响，如增加他们的愉快感，减少焦虑，激发 兴趣、自我效能感和信心等。上述研究借助人工智 能技术给学生提供个性化且即时反馈的支持，继而 影响他们的情绪。本研究开发的课堂情绪智能体能 实时感知识别学生情绪，并基于“情境—注意—评 估—反应”情绪生成模型进行情绪归因诊断，还能 适时地给予学生“情境修改”“注意部署”“认知 改变”“反应调节”等情绪调节策略，使学生不但 能够直观感受自己的情绪，还能通过内外协同调节 自己的情绪，从而使其情绪调节能力得到有效改善。
2.课堂情绪智能体提高了学生的课堂参与度
实验结果表明，课堂情绪智能体能够显著提升 学生的积极情绪，进而增强课堂参与度。类似结论也在其他研究中得到验证。例如，Kohnke 等人 （2025）发现，生成式人工智能有助于增强学生学习 动机、减少学习焦虑和减轻学习压力，能够提供一 种情绪支持学习环境，使学生投入学习中；Yang （2025）验证了利用生成式人工智能进行学习有助于 改善学生的认知、情绪、动机等多方面的参与度。 产生上述结果的原因在于，生成式人工智能支撑的 智能体能够给学生提供一种支持自主性的学习，使 其感受到学业和社会情感等均可控，继而影响他们 的课堂参与度（Collie et al.，2024）。
3.课堂情绪智能体显著提高了学生的编程学业 成绩
实验结果发现，课堂情绪智能体基本满足了学 生的个性化学习需求，能显著提升学生的编程学业 成绩，这与已有研究结果一致。例如，Hooshyar等 人（2024）通过元分析研究发现，个性化的技术增强 学习能够显著提高学生的认知技能；Xiao 等人 （2024）发现个性化的游戏学习比传统的游戏学习更 能显著提高学生的成绩；Ackermans等人（2025）发 现在小学阶段实施个性化学习能够显著提高小学生 的成绩；Lin等人（2025）证实了个性化的项目化学 习能够提升小学四年级学生的学业成绩。这也与Al Hakim等人（2022）得出的“情境化课堂中具有即时 反馈功能的机器人能显著提高学生的学业表现”的 结论相符。这些发现都说明个性化学习支持技术或 教学策略能显著提高学生的学业成绩。此外，课堂 情绪智能体显著减少了学生的消极情绪，促进了学 业成绩的提升。这与Xie等人（2025）的研究结果一 致。他们通过元分析研究发现亚洲学生的学业情绪 会对学业成绩产生显著的影响，特别是消极情绪与 学业情绪呈现显著的负相关关系。综上，本研究开 发的课堂情绪智能体因为提供了情绪和认知层面的 双重个性化支持，既及时缓解了学生的消极情绪， 又顺畅了学生的学习路径，使学生完成任务质量更 高，最终使其在编程成绩上表现优异。
五、结语
基于个性化学习和精准教学理念，本研究以情 绪的精准支持为目标，以情绪认知和调节理论为 基础，以面部表情识别和大语言模型等多种深度学 习算法为支撑，构建了集情绪感知、识别、反馈与 调节为一体的情绪智能体，在信息传递、情绪识别 和交互处理方面增强了现有智能体的能力。实验结 果表明，本研究构建的课堂情绪智能体显著改善了 学生的情绪调节能力，进而促进了学生的课堂参与 度，最终提高了学生的学业成绩，这为课堂情绪智 能体在教学中的实际应用提供了可操作示例，为智 能技术支持的个性化学习提供了新思路。
然而，本研究在情绪识别精度及长期影响评估 方面仍存在改进空间。首先，本研究构建的课堂情 绪智能体主要依赖面部表情进行情绪识别，未来可 结合语音、文本、心率及肢体语言等开展多模态识 别，提升情绪识别的精准性。其次，由于本研究的 实验周期较短，样本数较小，在一定程度上影响了 研究结论的推广。未来可扩大样本，同时进行长期 跟踪实验研究，探索课堂情绪智能体对学生情绪调 节及学业成绩的长期影响。最后，为了验证课堂情 绪智能体的一般化效度，今后可将课堂情绪智能体 与增强（虚拟）现实等技术结合，扩展课堂情绪智 能体的应用场景，同时也为增强（虚拟）现实环境 下的学习提供个性化的情绪调节和认知支持。
