摘要：人工智能技术在教育领域更加广泛地使用，深刻地改变了教育模式与教学体系，也成为推动高校教育改革的新引擎。人工智能情绪识别技术在高校思政教育的应用，将促进高校思政教育的创新发展，提升高校思政教育的有效性，推进高校思政教育“智能”发展。本研究基于国内外研究现状与应用价值分析，探索人工智能情绪识别技术在高校思政教育中的应用路径，以期为我国高校智能思政教育提出全新的技术方案。

关键词：人工智能情绪识别技术；高校思政教育；应用策略

 

一、文献综述

在国外高校教育研究并没有思政教育的提法，比如德国强调宗教教育与道德教育的融合；英国则通常将思政教育隐藏在公民教育当中；日本学校虽然没有设计思想政治教育的内容，但却规划了“一般教育课程、教养教育课程、共通教育课程”等。学术界关于课程教学与思政育人的研究中，奥地利理论学家贝塔郎菲（1937）首次提出了“系统”的概念，奠定了各国思想理论教育的基础，也逐渐成为人们改造世界的思想理论工具。而今系统论更多地认为“思政教育与课程教学等若干要素是一个有机整体”。大卫·白金汉和詹姆斯·波特（2012）等人就则尝试从媒介素养教育、课堂实践教学入手论证思政显性教育与隐性教育的关联性。并且，外国关于网络思政教育的研究大多在“信息伦理学、计算机伦理学、网络伦理学”等学术研究中得以体现，比如斯科恩菲尔德斯（2015）就对高校德育与科技工作中引入网络信息技术予以了高度肯定，并指出“在对学生文化知识与科技信息的传授过程中应将充分渗透思政教育内容”。巴尔尼古拉斯（2016）认为“现阶段高校网络思政教育工作存在着网络设施建设不足、资金人才储备不足、网络普及率较低等问题”。

在国外，人工智能技术教育教学应用的研究起步较早，应用范围也非常广泛，Luckin R，Holmes W、Timms M J、Roll I 以及Wylie R 等专家学者也对人工智能教育理论、人工智能教育教学内容、人工智能教育教学技术、人工智能教育教学产品等进行了深入研究，形成了一定的理论成就，为本次开展课题研究奠定了理论基础，提供了实践参考。在我国，虽然我国学术界对于人工智能技术的教育教学研究起步比较晚，但是近年来还是取得了一定的成果，比如部分学者深刻阐明了人工智能教育理论的概念、内涵、特点、趋势等，详细论证了人工智能技术辅助学生个性化学习、引导学生信息化实践的能力，对开展智慧教育活动、深化高校思政教育教与学的改革等都具有理论指引和实践引领作用。但遗憾的是，当前国内外很少有直接针对人工智能情绪识别技术在高校思政教育中的应用的学术理论成果，也没法直接指导高校引领医学专业应用人工智能技术进行改革，这不仅展现了本研究的创新价值，也凸显了本研究的实践意义。

二、人工智能情绪识别技术在高校思政教育应用的价值

（一）技术应用精准识别学情

人工智能情绪识别技术能够对高校学生学习生活场景进行更加准确地把握，有利于促进高校思政教育高质量发展。对高校学生的行动与情绪进行智能识别，突破常规的数据收集与分析方案，对高校学生思政学习行为进行情绪信息方面的收集与分析，更加全面地掌握高校学生的思政动态、情绪特征等，从而更加全面的对高校学生进行描绘。同时也能够对高校学生进行准确分类，在人工智能技术支持下，动态捕捉的情绪表现更为真实，将看似模糊的情绪要素转化为可量化、可分析的数据信息，从而为高校思政分层教学提供了更加高效的技术辅助。

（二）技术应用实现个性化思政引导

以往思政教育模式主要面向学生群体进行统一的理论讲解与内容传授，难以针对个体学生的情感变化与思想差异给予及时、具体地关注。而人工智能情绪识别技术能够持续记录学生在不同教学情境下的情绪表现，例如在课堂听讲、参与讨论、观看教学材料等环节中的面部表情与反应状态，并对此类数据进行积累与分析。通过对长期数据的处理，系统可为每一位学生形成动态的“情绪画像”，反映其在特定教学内容或议题中的情绪倾向与认知状态。

例如，系统可能识别出某位学生在涉及理想信念、爱国主义等主题时表现出较高的专注度与认同感，而在面对社会矛盾分析、伦理困境辨析等复杂内容时，则容易出现困惑或焦虑的情绪信号。教师依据这些客观的情绪反馈信息，能够更有针对性地开展个别化引导。对于情绪反应积极的学生，教师可鼓励其深化思考，分享见解，发挥正向带动作用；而对于表现出疑虑或消极情绪的学生，教师则可及时介入，通过补充案例讲解、安排课后交流、推荐辅助阅读材料等方式，协助其疏解困惑、深化理解。这种基于情绪识别技术的引导方式，有效弥补了传统教学中对个体情绪状态关注不足的短板，使教师能够从群体性教学转向更具差异化的个体辅导。它增强了思政教育中对学生心理状态的感知能力，提升了教学互动的精准度与实效性，从而在尊重学生个体差异的基础上，实现更高水平的思想引导与价值塑造。

（三）技术应用拓宽思政教育场域

传统高校思政教育主要以理论教学为主，实际的教学场域更为固定，实践教育形式较为单一。人工智能教育打破了传统课堂评价，让更多的学习、生活场景贯彻数据分析，实时构建了更为交互、智能的思政教育领域，也为拓展高校思政教育提供的全新的技术突破。学生社区是学生自然、真实、放松的生活场域，生活化特征的情境对于破解常态环境中的复杂问题优势突出，是思想政治教育提升实效性的理想场域，人工智能技术还能应用于学生社区辅导员工作室、党团活动室、自习室、多功能活动室、国学馆、心理解压室等育人空间。

（四）技术应用强化教育干预的及时性与前瞻性

人工智能情绪识别技术在高校思政教育中的应用，显著提升了教育干预的及时性与前瞻性。该技术能对教学过程中学生的情绪状态进行持续、非接触式的实时监测与分析。在集体授课或大规模讲座场景下，教师难以同步观察所有学生的即时反应。人工智能系统可借助图像、语音等多模态数据融合分析，同步感知课堂的整体学习氛围，例如集体专注程度、互动参与热度，并同时识别个别学生的异常情绪信号，如持续的注意力涣散、焦虑或困惑表情。

当系统识别到群体注意力水平显著下降或个别学生出现持续的负面情绪状态时，可即时向教师端发送提示信息。这使得教师能够根据实时反馈，灵活调整教学进度，及时介入进行内容澄清或发起课堂互动，将潜在的学习中断点转化为有效的教学互动点。更重要的是，通过对学生跨时段、多场景的情绪数据进行趋势分析，系统能够识别出某些个体可能存在的周期性情绪低点或潜在的心理压力风险。这种基于数据驱动的早期识别，使得辅导员和心理健康教师能够更早地关注到相关学生，从源头上构建预防机制，实现心理支持与思想引导的关口前移。

（五）技术应用提升评价有效性

人工智能情绪识别技术在高校思政教育应用能够有利于提升教学评价体系的有效性，质量评价在高校思政教育中有着关键性的作用。将人工智能情绪识别技术应用于当前高校思政课评估系统，能够让评估结果具有量化的可能。指标体系包含了不同因素的集合，能够将高校思政评价融入更为智能测评的指标。同时，针对学生情绪数据识别与收集，利用影像系统进行数据收集，能够更好地评价课堂教学效果，实现思政课堂教学的高效性。AI 应用能够更好帮助高校思政教师改进教学方案，推动大思政教育体系的构建。

三、人工智能情绪识别技术整体系统设计

为了能够保证人工智能情绪识别技术对学生表情识别的准确性，从摄像头采集图像进行人脸区域的检测、图像预处理操作，对人脸区域图像进行灰度直方图归一化、中值滤波等处理。人工智能情绪识别技术系统主要包括了：操作系统、硬件支持、图像采集模块、图像预处理、情绪识别模块、用户管理模块、数据管理模块、人脸检测模块、人脸识别模块、表情识别模块、情绪分类管理、学情统计模块、数据可视化模块。该系统计算机由计算机、图像采集设备 ( 球型、枪型摄像头或者USB 摄像头)、图形处理器(GPU)、存储设备( 机械硬盘、固态硬盘等)、网络连接设备( 交换机等)以及数据库等部分组成。

图1 ：人工智能情绪识别技术的拓扑结构

系统基本流程是用户在通过相应的认证页面将信息提交给系统，系统在查阅用户信息数据之后，若当前用户是管理员即拥有最高权限，若是一般用户（教师），访问但不能修改数据库中的相应条目。监控设备的输出信号为源，系统获取信号之后将其转化 OpenCV 能够识别的图像格式，然后将图像传递给后续的模块进行人脸检测、识别、情绪识别，最终可视化的特定界面来呈现思政课堂学生的考勤、情绪信息，同步将转化的数据保存到数据库当中。

(-) ）情绪识别模块的核心算法与流程

情绪识别是本系统的核心技术环节。其流程一般遵循“人脸检测→关键点定位→特征提取→情绪分类”的步骤。首先，系统利用诸如 MTCNN 或基于深度学习的单阶段检测器等算法，从视频流中精准定位并裁剪出人脸区域。接着，通过面部关键点检测模型（如Dlib或专用神经网络）标定出眉毛、眼睛、鼻子、嘴巴等关键部位的位置。然后，系统从这些关键区域提取与情绪表达密切相关的纹理特征、几何特征（如嘴角上扬角度、眉眼间距变化）等。最后，将这些特征输入到预先训练好的情绪分类模型（如卷积神经网络 CNN 或更先进的 Vision Transformer 模型）中，将其归类到预设的基本情绪类别，如高兴、中性、悲伤、惊讶、愤怒、厌恶、恐惧等。为提高在课堂环境下的准确性和实用性，系统还需具备一定的抗干扰能力，例如应对光照变化、部分遮挡（如戴口罩、托腮）等情况，并能够区分注意力集中时的“中性”表情与真正的情绪低落。模型的训练需要基于大量多样化的、贴近真实教学场景的数据集，并持续进行优化迭代。

（二）数据可视化与反馈界面的设计要点

数据的价值在于被清晰理解与有效利用。因此，系统数据可视化模块的设计至关重要。面向教师的反馈界面应直观、简洁、信息丰富。它不应仅仅是冰冷的数据罗列，而应转化为有教育意义的洞察。界面设计可能包括：1. 课堂整体情绪曲线图：以时间轴展示整堂课的学生平均专注度、积极情绪占比等指标的动态变化，帮助教师快速回顾教学高潮与低点。2. 个体学生情绪档案：可点击查看每位学生在课堂中的情绪波动轨迹，并标记出显著的情绪事件点。3. 实时预警面板：当检测到个别学生长时间处于负面情绪或多数学生注意力下降时，以非干扰性的方式（如颜色提示、轻微震动）提醒教师。4. 教学效果关联分析：尝试将情绪数据与教学内容和活动（如播放某段视频、进行某个议题讨论）进行关联，辅助教师分析不同教学手段的情感响应效果。所有这些设计都应以辅助教师教学决策、而非替代教师判断为核心目的。

四、应用场景构想与伦理考量

（一）典型应用场景深化

1. 智慧课堂动态调节：在思政理论课上，系统实时分析学生群体情绪状态。当检测到课堂氛围趋于沉闷、专注度下降时，可智能提示教师插入一个相关的互动问答、简短视频或小组讨论，及时调动学生积极性。反之，当讨论过于激烈可能偏离主题时，系统也可提示教师进行适当引导。

2. 实践教学情感评估：在思政课的社会实践、志愿服务、红色基地参观等活动中，通过便携设备捕捉学生的情绪反应。这些真实场景下的情感体验数据（如感动、敬佩、震撼）是对理论学习效果最生动的印证和补充，为评价实践教学的育人效果提供直观依据。

3. 心理健康与思想动态联动监测：在学生社区的心理咨询室、团体辅导活动中（经学生知情同意后），情绪识别技术可与心理健康工作结合。长期的情绪数据趋势可能反映出学生普遍的心理压力源或思想困惑点，为学校有针对性地开展心理健康教育活动和思想引导工作提供数据支持。

（二）必要的伦理与隐私规范

技术的应用必须伴随着严格的伦理边界。在高校思政教育中应用情绪识别技术，必须高度重视以下问题：

1. 知情同意原则：必须在课程或活动开始前，清晰、明确地向学生告知情绪识别技术的使用目的、数据收集范围、存储方式、使用权限以及他们拥有的权利（如拒绝参与、查询、删除个人数据的权利），并获得学生的明确同意。

2. 数据安全与最小化原则：收集的数据应严格加密存储，仅限于教育改进目的使用，并设定访问权限。遵循数据最小化原则，只收集与教学评估直接相关的必要信息，避免过度采集和滥用。

3. 防止技术决定论：必须明确，情绪数据仅是辅助教师进行教学判断的参考工具之一，绝不能作为评价学生思想品德的唯一或绝对标准。教师要结合日常观察、谈话交流等多种方式综合判断，避免因技术误判而给学生贴上不准确的标签，始终尊重学生的主体性和复杂性。

参考文献：

[1] 龚瑾 . 人工智能赋能的多模态学习状态研究与分析 [J]. 信息系统工程 ,2023(11):137-140.

[2] 唐闺臣 , 梁瑞宇 , 谢跃 . 大学在线教学智能分析的关键技术与展望 [J]. 中国现代教育装备 ,2022,(23):18-19+23.

[3] 邬晶晶 . 基于深度学习的情绪识别技术 [D]. 中国科学院大学 ( 中国科学院深圳先进技术研究院 ),2020.

[4] 马欣 . 基于 FPGA 脑电情绪识别算法的研究 [D]. 长春理工大学 ,2022.

本项目受到大学生创新训练计划项目资助项目编号 S202511047097 导师 张文鹏