A Comprehensive Survey of Students’ Engagement Detection for Online Classroom Management

In dem leisen Summen eines modernen Klassenzimmers hat ein stiller Wandel stattgefunden. Jahrzehntelang fand das Lernen in physischen Räumen statt, in denen eine Lehrkraft eine Menge von Gesichtern scannen konnte, um die subtile Sprache gerümpfter Brauen oder wandernder Augen zu lesen und so einzuschätzen, ob ein Schüler der Sache folgte. Heute hat vieles von diesem Lernen auf Bildschirme verlagert, auf denen die Lehrkraft oft nur ein kleines Kästchen auf einem Monitor ist und die Schüler über den gesamten Globus verstreut sind. In diesem digitalen Raum verliert die Lehrkraft die Fähigkeit, den Raum zu sehen. Sie kann nicht erkennen, ob ein Schüler tief engagiert, stillschweigend verwirrt oder einfach nur starrt und die Decke anstarrt. Diese Diskrepanz schafft eine Herausforderung: Wie weiß man, ob jemand lernt, wenn man ihn nicht sehen kann? Die Antwort liegt in einem Wissenschaftszweig, der Computern beibringt, menschliche Ausdrücke zu sehen und zu verstehen, und die Webcam von einem einfachen Werkzeug zur Verbindung in ein Fenster in den Geisteszustand eines Schülers verwandelt.

Ein Team von Forschern setzte sich zum Ziel, die aktuelle Landschaft dieser Technologie abzubilden, indem sie Dutzende von Studien aus dem letzten Jahrzehnt überprüften, um zu verstehen, wie Maschinen darauf trainiert werden, das Engagement von Schülern in Online-Kursen zu erkennen. Sie haben nicht selbst ein neues System gebaut; stattdin agierten sie als Kartografen, die das Territorium bestehender Methoden kartografieren, um zu sehen, was funktioniert, was scheitert und wo die Landkarte noch leer bleibt. Ihre Arbeit konzentriert sich auf Computer Vision, einen Zweig der künstlichen Intelligenz, der Software ermöglicht, visuelle Informationen zu interpretieren. In diesem Kontext beobachtet die Software das Gesicht eines Schülers durch eine Webcam und sucht nach spezifischen Muskelbewegungen um die Augen und den Mund herum, die Emotionen wie Freude, Verwirrung oder Langeweile signalisieren. Das ultimative Ziel ist nicht nur das Benennen dieser Emotionen, sondern deren Übersetzung in ein Maß für das Engagement – um zu bestimmen, ob der Schüler aktiv am Unterricht teilnimmt oder geistig abschweift.

Die Forscher sammelten einundfünfzig Forschungsarbeiten, die zwischen 2015 und 2025 veröffentlicht wurden, und filterten sie nach strengen Kriterien, um sicherzustellen, dass sie sich nur auf Methoden konzentrierten, die Kameras zur Echtzeitüberwachung von Schülern nutzen. Sie fanden heraus, dass der Prozess im Allgemeinen einem klaren Pfad folgt. Zuerst muss der Computer das Gesicht im Videostream finden. Dann verfolgt er dieses Gesicht, während sich der Schüler bewegt. Als Nächstes extrahiert das System spezifische Details aus dem Bild, wie etwa die Form der Augenbrauen oder die Krümmung eines Lächelns. Schließlich vergleicht ein mathematisches Modell diese Details mit Tausenden von Beispielen, die es gelernt hat, um zu entscheiden, welche Emotion der Schüler empfindet und damit auch, wie engagiert er ist.

Die Ergebnisse dieser Untersuchung zeigen eine Technologie, die überraschend fähig, aber immer noch unvollkommen ist. Die Forscher stellten fest, dass viele dieser Systeme Emotionen von Schülern mit bemerkenswerter Präzision identifizieren können, wobei einige Studien Genauigkeitsraten von bis zu 99 Prozent meldeten. Doch diese hohen Zahlen gehen oft mit einem Haken einher. Die Systeme funktionieren am besten, wenn der Schüler ruhig sitzt, direkt in die Kamera blickt und sich in guter Beleuchtung befindet. In dem Moment, in dem ein Schüler den Kopf dreht, sein Gesicht mit einer Hand verdeckt oder in einem schwach beleuchteten Raum sitzt, sinkt die Genauigkeit dieser Systeme signifikant. Die Forscher merkten an, dass Okklusion – wenn ein Teil des Gesichts verdeckt ist – eine große Hürde darstellt. Selbst eine einfache Gesichtsmaske oder eine auf die Wange gestützte Hand kann die Software verwirren und dazu führen, dass sie die subtilen Hinweise verpasst, die sie für ein Urteil benötigt.

Jenseits der technischen Hürden hebt die Arbeit eine tiefere Komplexität hervor: Die Verbindung zwischen Emotion und Engagement ist keine gerade Linie. Ein Schüler, der verwirrt aussieht, könnte Schwierigkeiten haben, den Stoff zu verstehen, was ein Zeichen für aktives geistiges Engagement ist, oder er könnte verloren sein und kurz davor stehen, aufzugeben. Ein Schüler, der glücklich aussieht, könnte Freude am Unterricht haben oder könnte durch etwas Amüsantes in einem anderen Tab abgelenkt sein. Die Forscher beobachteten, dass es kein universelles Regelwerk gibt, das einem Computer genau sagt, welche Emotion welches Engagement bedeutet. Stattdessen verlassen sich die meisten Systeme auf die Annahmen der Menschen, die sie gebaut haben, und vermuten, dass ein Lächeln „engagiert“ und ein Stirnrunzeln „desinteressiert“ bedeutet. Dieser Mangel an einer Standarddefinition macht es schwierig, verschiedene Systeme zu vergleichen oder sicher zu wissen, ob eines wirklich besser als das andere ist.

Die Rezension weist auch darauf hin, dass die Daten, die zur Ausbildung dieser Systeme verwendet werden, oft der Unordnung des echten Lebens entbehren. Viele der Datensätze bestehen aus posierten Fotos oder Videos, bei denen Menschen angewiesen wurden, bestimmte Emotionen nachzustellen, oder sie wurden aus dem Internet gesammelt, wo Lichtverhältnisse und Winkel unvorhersehbar sind. Während diese Datensätze der Software helfen, die Grundlagen zu erlernen, bereiten sie sie nicht immer auf die chaotische Realität eines Live-Online-Unterrichts vor. Die Forscher fanden heraus, dass Systeme, die mit diesen Datensätzen trainiert wurden, oft Schwierigkeiten haben, wenn sie mit den „wilden“ Bedingungen tatsächlicher Klassenzimmer konfrontiert werden, in denen sich Schüler bewegen, sprechen und auf unvorhersehbare Weise interagieren.

Vielleicht ist die bedeutendste Erkenntnis der Untersuchung die Spannung zwischen Genauigkeit und Privatsphäre. Um zu funktionieren, müssen diese Systeme ständig die biometrischen Daten der Schüler erfassen und analysieren – ihre Gesichter, ihre Ausdrücke und ihre Bewegungen. Die Forscher betonen, dass dies ernsthafte ethische Fragen aufwirft. Das Speichern von Rohvideoaufnahmen der Gesichter von Schülern birgt ein Risiko für deren Privatsphäre, und das ständige Gefühl, beobachtet zu werden, könnte bei Schülern Angst auslösen oder ihr Verhalten verändern. Die Autoren schlagen vor, dass der verantwortungsvollste Ansatz darin besteht, die Videodaten sofort auf dem eigenen Gerät des Schülers zu verarbeiten und das Bild unmittelbar zu löschen, wobei nur das Endergebnis, wie etwa ein einfacher Wert für „engagiert“ oder „nicht engagiert“, gespeichert wird. Auf diese Weise kann das System dem Lehrer helfen, ohne eine dauerhafte Aufzeichnung des Gesichts des Schülers zu erstellen.

Letztendlich zeichnet diese Untersuchung das Bild einer Technologie, die zwar leistungsstark, aber noch in der Wachstumsphase ist. Sie kann Gesichter sehen und ein Lächeln erkennen, aber sie lernt noch, den menschlichen Geist hinter dem Lächeln zu verstehen. Die Forscher kommen zu dem Schluss, dass die aktuellen Methoden ein guter Anfang sind, aber das Feld über die reine Emotionserkennung hinausgehen muss. Zukünftige Systeme müssen in der Lage sein, die unordentliche Realität von verdeckten Gesichtern, schlechtem Licht und vielfältigen kulturellen Ausdrucksformen von Emotionen zu bewältigen. Sie müssen auch einen Weg finden, das Bedürfnis nach Erkenntnis mit dem Recht auf Privatsphäre in Einklang zu bringen, um sicherzustellen, dass die Werkzeuge, die Schülern beim Lernen helfen sollen, sie nicht dazu bringen, sich beobachtet oder beurteilt zu fühlen. Der Weg nach vorn besteht nicht nur darin, die Software intelligenter zu machen, sondern sie menschlicher, robuster und respektvoller gegenüber den Menschen zu gestalten, denen sie dienen soll.