Análise de expressões faciais como ferramenta de apoio pedagógico em aulas remotas
uma abordagem baseada em deep learning
DOI:
https://doi.org/10.47385/tudoeciencia.2580.2025Palavras-chave:
Ensino remoto; Reconhecimento de emoções; Deep learning; Tecnologia educacional; Expressões faciais.Resumo
O ensino remoto emergencial implementado durante a pandemia de COVID-19 trouxe desafios significativos para a comunicação não-verbal entre professores e estudantes. Este estudo propõe o uso de tecnologias de reconhecimento automático de expressões faciais baseadas em deep learning como ferramenta auxiliar para professores em aulas síncronas online. Através da implementação da biblioteca DeepFace, foram analisadas sete categorias emocionais básicas (alegria, tristeza, raiva, surpresa, medo, desgosto e neutralidade) em imagens teste, obtendo-se uma acurácia de 100% na classificação das emoções testadas. A metodologia envolveu o desenvolvimento de um sistema automatizado capaz de detectar e classificar expressões faciais em tempo real, proporcionando feedback imediato sobre o engajamento emocional dos estudantes. Os resultados demonstram não apenas a viabilidade técnica da solução proposta, mas também sua alta precisão em condições controladas. Conclui-se que a análise automática de expressões faciais pode contribuir significativamente para a melhoria da qualidade do ensino remoto, oferecendo aos educadores insights valiosos sobre o estado emocional e o nível de engajamento de seus estudantes, desde que implementada de forma ética e transparente.
Downloads
Referências
ANDERSON, T.; DRON, J. Three generations of distance education pedagogy. The International Review of Research in Open and Distributed Learning, v. 12, n. 3, p. 80-97, 2011. Disponível em: https://www.erudit.org/en/journals/irrodl/2011-v12-n3-irrodl05132/1067616ar/abstract/. Acesso em: 12 mai. 2025.
KAPILA VANI, R. K.; JAYASHREE, P. Multimodal emotion recognition system for e-learning platform. Education and Information Technologies, [S.l.], p. 1–32, 2025. DOI: https://doi.org/10.1007/s10639-024-13279-6. Acesso em: 12 abr. 2025.
CALVO, R. A.; D'MELLO, S. Affect detection: an interdisciplinary review of models, methods, and their applications. IEEE Transactions on Affective Computing, v. 1, n. 1, p. 18–37, 2010. DOI: https://doi.org/10.1109/T-AFFC.2010.1. Acesso em: 20 abr. 2025.
CASTELLI, F. R.; SARVARY, M. A. Why students do not turn on their video cameras during online classes and an equitable and inclusive plan to encourage them to do so. Ecology and Evolution, v. 11, n. 8, p. 3565-3576, 2021. Disponível em: https://onlinelibrary.wiley.com/doi/full/10.1002/ece3.7123. Acesso em: 10 abr. 2025.
D'MELLO, S.; GRAESSER, A. Dynamics of affective states during complex learning. Learning and Instruction, v. 22, n. 2, p. 145-157, 2012. Disponível em: https://www.sciencedirect.com/science/article/abs/pii/S0959475211000806. Acesso em: 25 mar. 2025.
EKMAN, P. An argument for basic emotions. Cognition & emotion, v. 6, n. 3-4, p. 169-200, 1992. DOI: https://doi.org/10.1080/02699939208411068. Acesso em: 10 mar. 2025.
HAPPY, S. L.; ROUTRAY, A. Automatic facial expression recognition using features of salient facial patches. IEEE transactions on Affective Computing, v. 6, n. 1, p. 1-12, 2015. DOI: 10.1109/TAFFC.2014.2386334. Acesso em: 26 mar. 2025.
HODGES, C. et al. The difference between emergency remote teaching and online learning. Educause Review, v. 27, p. 1-12, 2020. Disponível em: https://er.educause.edu/articles/2020/3/the-difference-between-emergency-remote-teaching-and-online-learning. Acesso em: 16 mar. 2025.
SILVA, D. E. dos S.; GUERINO, G. C.; VALENTIM, N. M. C. Emergency Remote Teaching Based on Education 4.0: an Experience Report about the Methodology adopted in the Experimental HCI Class. Revista Brasileira de Informática na Educação, [S. l.], v. 30, p. 350–378, 2022. DOI: 10.5753/rbie.2022.2527. Disponível em: https://journals-sol.sbc.org.br/index.php/rbie/article/view/2527. Acesso em: 8 abr. 2025.
MOLLAHOSSEINI, A.; HASANI, B.; MAHOOR, M. H. AffectNet: A database for facial expression, valence, and arousal computing in the wild. IEEE Transactions on Affective Computing, v. 10, n. 1, p. 18-31, 2017. DOI: 10.1109/TAFFC.2017.2740923. Acesso em: 8 mar. 2025.
PANTIC, M.; ROTHKRANTZ, L. J. Toward an affect-sensitive multimodal human-computer interaction. Proceedings of the IEEE, v. 91, n. 9, p. 1370-1390, 2003. DOI: 10.1109/JPROC.2003.817122. Acesso em: 18 mar. 2025.
PEKRUN, R. et al. Academic emotions in students' self-regulated learning and achievement: A program of qualitative and quantitative research. Educational psychologist, v. 37, n. 2, p. 91-105, 2002. DOI: https://doi.org/10.1207/S15326985EP3702_4. Acesso em: 25 mar. 2025.
PICARD, R. W. et al. Affective learning—a manifesto. BT technology journal, v. 22, n. 4, p. 253-269, 2004. DOI: https://doi.org/10.1023/B:BTTJ.0000047603.37042.33. Acesso em: 18 mar. 2025.
Tytler, R., Murcia, K., Hsiung, CT., Ramseger, J. (2017). Reasoning Through Representations. In: Hackling, M., Ramseger, J., Chen, HL. (eds) Quality Teaching in Primary Science Education. Springer, Cham. https://doi.org/10.1007/978-3-319-44383-6_7. Acesso em: 18 abr. 2025.
SERENGIL, S. I.; OZPINAR, A. LightFace: A hybrid deep face recognition framework. In: 2020 Innovations in Intelligent Systems and Applications Conference (ASYU). IEEE, 2020. p. 23-27. DOI: 10.1109/ASYU50717.2020.9259802. Acesso em: 10 abr. 2025.
TYNG, C. M. et al. The influences of emotion on learning and memory. Frontiers in psychology, v. 8, p. 1454, 2017. DOI: https://doi.org/10.3389/fpsyg.2017.01454. Acesso em: 12 abr. 2025.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2025 Tudo é Ciência: Congresso Brasileiro de Ciências e Saberes Multidisciplinares
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
