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

Nel ronzio silenzioso di un'aula moderna, si è verificato un mutamento silenzioso. Per decenni, l'apprendimento avveniva in stanze fisiche dove un insegnante poteva scansionare un mare di volti, leggendo il linguaggio sottile di sopracciglia aggrottate o sguardi erranti per valutare se uno studente stesse seguendo il filo del discorso. Oggi, gran parte di quell'apprendimento si è spostato sugli schermi, dove l'insegnante è spesso solo un piccolo riquadro su un monitor e gli studenti sono sparsi per tutto il mondo. In questo spazio digitale, l'insegnante perde la capacità di vedere l'aula. Non può capire se uno studente sia profondamente coinvolto, silenziosamente confuso o semplicemente con lo sguardo perso nel vuoto verso il soffitto. Questo distacco crea una sfida: come si fa a sapere se qualcuno sta imparando quando non lo si può vedere? La risposta risiede in un campo della scienza che insegna ai computer a vedere e comprendere l'espressione umana, trasformando la webcam da semplice strumento di connessione in una finestra sullo stato mentale dello studente.

Un team di ricercatori si è dato il compito di mappare il panorama attuale di questa tecnologia, esaminando decine di studi dell'ultimo decennio per capire come le macchine vengano istruite a rilevare il coinvolgimento degli studenti nelle classi online. Non hanno costruito un nuovo sistema, ma hanno agito come cartografi, tracciando il territorio dei metodi esistenti per vedere cosa funziona, cosa fallisce e dove la mappa rimane in bianco. Il loro lavoro si concentra sulla visione artificiale, un ramo dell'intelligenza artificiale che permette al software di interpretare informazioni visive. In questo contesto, il software osserva il volto di uno studente attraverso una webcam, cercando specifici movimenti muscolari intorno agli occhi e alla bocca che segnalano emozioni come felicità, confusione o noia. L'obiettivo finale non è solo quello di etichettare queste emozioni, ma di tradurle in una misura di coinvolgimento, determinando se lo studente stia partecipando attivamente alla lezione o si stia allontanando mentalmente.

I ricercatori hanno raccolto cinquantuno articoli di ricerca pubblicati tra il 2015 e il 2025, filtrandoli attraverso criteri rigorosi per garantire che si concentrassero solo su metodi che utilizzano telecamere per monitorare gli studenti in tempo reale. Hanno scoperto che il processo segue generalmente un percorso chiaro. Per prima cosa, il computer deve individuare il volto nel flusso video. Successivamente, traccia quel volto mentre lo studente si muove. Poi, il sistema estrae dettagli specifici dall'immagine, come la forma delle sopracciglia o la curva di un sorriso. Infine, un modello matematico confronta questi dettagli con migliaia di esempi appresi, decidendo quale emozione sta provando lo studente e, di conseguenza, quanto sia coinvolto.

I risultati di questa analisi rivelano una tecnologia sorprendentemente capace ma ancora imperfetta. I ricercatori hanno scoperto che molti di questi sistemi possono identificare le emozioni degli studenti con una precisione notevole, con alcuni studi che riportano tassi di accuratezza fino al 99 percento. Tuttavia, questi numeri elevati spesso presentano un problema. I sistemi funzionano meglio quando lo studente è seduto fermo, rivolto direttamente verso la telecamera e in una buona illuminazione. Nel momento in cui uno studente gira la testa, si copre il volto con una mano o si trova in una stanza poco illuminata, l'accuratezza di questi sistemi diminuisce significativamente. I ricercatori hanno notato che l'occlusione — ovvero quando parte del volto è nascosta — rappresenta un ostacolo maggiore. Persino una semplice mascherina o una mano appoggiata alla guancia possono confondere il software, portandolo a perdere i segnali sottili necessari per formulare un giudizio.

Oltre agli ostacoli tecnici, l'articolo evidenzia una complessità più profonda: il legame tra emozione e coinvolgimento non è una linea retta. Uno studente che appare confuso potrebbe faticare a comprendere il materiale, il che è segno di un attivo impegno mentale, oppure potrebbe essere smarrito e pronto ad arrendersi. Uno studente che appare felice potrebbe apprezzare la lezione, oppure potrebbe essere distratto da qualcosa di divertente su un'altra scheda del browser. I ricercatori hanno osservato che non esiste un manuale universale che indichi esattamente a un computer quale emozione corrisponda a quale livello di coinvolgimento. Invece, la maggior parte dei sistemi si basa sulle assunzioni di chi li ha costruiti, ipotizzando che un sorriso significhi "coinvolto" e un'espressione accigliata significhi "disimpegnato". Questa mancanza di una definizione standard rende difficile confrontare diversi sistemi o sapere con certezza se uno sia realmente migliore di un altro.

La revisione sottolinea anche che i dati utilizzati per addestrare questi sistemi spesso mancano della "confusione" della vita reale. Molti dei dataset consistono in foto o video in posa dove le persone sono istruite a recitare specifiche emozioni, oppure sono raccolti da internet dove l'illuminazione e le angolazioni sono imprevedibili. Sebbene questi dataset aiutino il software a imparare le basi, non sempre lo preparano alla realtà caotica di una classe online dal vivo. I ricercatori hanno scoperto che i sistemi addestrati su questi dataset spesso faticano di fronte alle condizioni "selvagge" delle vere aule, dove gli studenti si muovono, parlano e interagiscono in modi difficili da prevedere.

Forse il risultato più significativo della ricerca è la tensione tra accuratezza e privacy. Per funzionare, questi sistemi devono catturare e analizzare costantemente i dati biometrici degli studenti: i loro volti, le loro espressioni e i loro movimenti. I ricercatori sottolineano che ciò solleva seri interrogativi etici. Conservare il video grezzo dei volti degli studenti pone un rischio per la loro privacy, e la costante sensazione di essere osservati potrebbe rendere gli studenti ansiosi o cambiare il loro modo di comportarsi. Gli autori suggeriscono che l'approccio più responsabile sia quello di elaborare i dati video istantaneamente sul dispositivo dello studente e scartare l'immagine immediatamente, conservando solo il risultato finale, come un semplice punteggio di "coinvolto" o "non coinvolto". In questo modo, il sistema può aiutare l'insegnante senza creare un registro permanente del volto dello studente.

In definitiva, questa analisi dipinge il ritratto di una tecnologia potente ma ancora in fase di crescita. Può vedere i volti e riconoscere i sorrisi, ma sta ancora imparando a comprendere la mente umana dietro il sorriso. I ricercatori concludono che, sebbene gli attuali metodi siano un buon punto di partenza, il campo deve andare oltre il semplice riconoscimento delle emozioni. I sistemi futuri dovranno essere in grado di gestire la realtà disordinata dei volti occlusi, della scarsa illuminazione e delle diverse espressioni culturali delle emozioni. Devono anche trovare un modo per bilanciare la necessità di approfondimento con il diritto alla privacy, garantendo che gli strumenti progettati per aiutare gli studenti a imparare non finiscano per farli sentire osservati o giudicati. La strada da percorrere non consiste solo nel rendere il software più intelligente, ma nel renderlo più umano, più robusto e più rispettoso delle persone che è destinato a servire.