Computación afectiva y educación emocional
Una revisión sistemática sobre inferencia de respuestas emocionales ante contenido visual
DOI:
https://doi.org/10.62161/revvisual.v18.6405Palabras clave:
Computación afectiva, Inferencia emocional, Contenido visual, Educación emocional, Inteligencia artificialResumen
La IA afectiva se ha consolidado como un campo orientado a la inferencia de respuestas emocionales a partir de estímulos visuales, mientras que la preocupación por el desarrollo emocional y afectivo ocupa un lugar central en los enfoques educativos actuales. El objetivo de este artículo es realizar una revision sistemática enfocada a conocer cómo se aplica la computación afectiva para la inferencia de respuestas emocionales ante contenido visual y en qué medida dichos enfoques contribuyen a la educación emocional del alumnado. Los resultados destacan la necesidad de que se generen enfoques que tengan en cuenta además del desarrollo tecnológico, el bienestar emocional de los sujetos. Dicha consideración es clave para asegurar que la inferencia emocional automatizada contribuirá al desarrollo emocional en contextos pedagógicos.
Descargas
Estadísticas globales ℹ️
|
23
Visualizaciones
|
8
Descargas
|
|
31
Total
|
|
Citas
Araya, S., & Espinoza, L. (2020). Contributions from neuroscience to the understanding of learning processes in educational contexts. Purposes and representations, 8 (1), e312.
Bosquez, V., Sanz, C., Baldassarri, S. S., Ribadeneira, E., Valencia, G., Barragán Arnal, R., Camacho, Á., Shauri Romero, J., & Camacho Castillo, L. A. (2018). Affective computing: Emotions, technologies and their relationship with virtual education. Talents Research Journal, 5(1), 94–103.
Das, A. & Malaviya, S. (2024). AI (Artificial Intelligence)-Enabled Affective Computing in Adaptive Learning: An Integrated Approach to Learning. 20. 30.
Devillers, L., & Cowie, R. (2023). Ethical considerations on affective computing: An overview. Proceedings of the IEEE, 111(10), 1445–1458 DOI: https://doi.org/10.1109/JPROC.2023.3315217
Dias S.B., Jelinek H.F., & Hadjileontiadis L.J. (2024). Wearable neurofeedback acceptance model for students' stress and anxiety management in academic settings. PLoS One, 24 October;19(10):e0304932. doi: 10.1371/journal.pone.0304932. DOI: https://doi.org/10.1371/journal.pone.0304932
Durlak, J. A., Weissberg, R. P., Dymnicki, A. B., Taylor, R. D., & Schellinger, K. B. (2011). The impact of enhancing students’ social and emotional learning: A meta-analysis of school-based universal interventions. Child Development, 82(1), 405–432. https://doi.org/10.1111/j.1467-8624.2010.01564.x DOI: https://doi.org/10.1111/j.1467-8624.2010.01564.x
Esfandbod, A., Rokhi, Z., Meghdari, AF et al. (2023). Use of an emotional robot capable of lip synchronisation in robot-assisted speech therapy sessions for children with language disorders. Int J of Soc Robotics 15, 165–183 (2023). https://doi.org/10.1007/s12369-022-00946-2 DOI: https://doi.org/10.1007/s12369-022-00946-2
Gross, J. J. (2015). Emotion regulation: Current status and future prospects. Psychological Inquiry, 26(1), 1–26. https://doi.org/10.1080/1047840X.2014.940781 DOI: https://doi.org/10.1080/1047840X.2014.940781
Jeong, S., Aymerich-Franch, L., Arias, K. et al. (2023). Implementation of a positive psychology robotic coach to improve the psychological well-being of university students. User Model User-Adap Inter 33, 571–615. https://doi.org/10.1007/s11257-022-09337-8 DOI: https://doi.org/10.1007/s11257-022-09337-8
Joseph, C., Maheswari, P.U. (2025). Detection and prevention of smartphone addiction based on facial emotions using deep learning and video-based learning. Sci Rep 15, 18025. https://doi.org/10.1038/s41598-025-99681-7 DOI: https://doi.org/10.1038/s41598-025-99681-7
Ladas, A. I., Katsoridou, C., Gravalas, T., Klados, M. A., Stravoravdi, A. S., Tsompanidou, N., Fragkedaki, A., Bista, E., Chorafa, T., Petrovic, K., Vlotinou, P., Tsiakiri, A., Papazisis, G., & Frantzidis, C. A. (2025). Creativity and Resilience Through Arts, Technology and Emotions: A Pilot Study on the Feasibility and Validity of the CREATE Platform. Brain Sciences, 15(11), 1171. https://doi.org/10.3390/brainsci15111171 DOI: https://doi.org/10.3390/brainsci15111171
Laraib, U., Shaukat, A., Khan, R. A., Mustansar, Z., Akram, M. U., & Asgher, U. (2023). Recognition of Children’s Facial Expressions Using Deep Learned Features. Electronics, 12(11), 2416. https://doi.org/10.3390/electronics12112416 DOI: https://doi.org/10.3390/electronics12112416
Mayer, R. E. (2002). Multimedia learning principles. Learning and Instruction. DOI: https://doi.org/10.1016/S0079-7421(02)80005-6
Mendieta, F. J., & Martínez, A. (2015). Emotional regulation and presence in adolescent relationships. Divulgare Scientific Bulletin of the Actopan Higher School, 2(4).
Molina, L., Guerrero, R., Bravo, B., & González, A. (2025). Artificial Intelligence: most widely used trends in education and medical simulations. Social Development Studies: Cuba and Latin America, 13(1), 121–133.
Pekrun, R. (2006). The control-value theory of achievement emotions. Educational Psychology Review, 18(4), 315–341. https://doi.org/10.1007/s10648-006-9029-9 DOI: https://doi.org/10.1007/s10648-006-9029-9
Pekrun, R., Goetz, T., Frenzel, A. C., Barchfeld, P., & Perry, R. P. (2011). Measuring emotions in students’ learning and performance: The Achievement Emotions Questionnaire (AEQ). Contemporary Educational Psychology, 36(1), 36–48. https://doi.org/10.1016/j.cedpsych.2010.10.002 DOI: https://doi.org/10.1016/j.cedpsych.2010.10.002
Raza Ur Rehman, H.M., Saleem, M., Jhandir, M. et al. (2025). Detecting hate in diversity: A multilingual mixed-code analysis study of images and videos. J Big Data 12, 109. https://doi.org/10.1186/s40537-025-01167-w DOI: https://doi.org/10.1186/s40537-025-01167-w
Rodríguez, V. M., Gallar, Y., & Barrios, E. A. (2017). Theoretical considerations on affective computing in the teaching-learning process in higher education. CienciAmérica, 6(3), 170–175.
Rodríguez-Arboleda, V., Gallar-Pérez, Y., & Barrios-Queipo, E. (2017). Theoretical considerations on affective computing in the teaching-learning process in higher education. CienciAmérica, 6(3).
Sarango, M. P., Calero, A.C., Ortiz, K. A., Morocho, M., & Ortiz, I. L. Á. (2025.). The socio-emotional approach to improving learning: An experience from innovation. Prospherus, 2, 1074-1093. DOI: https://doi.org/10.63535/4qz3mn77
Vistorte, A. O. R., Deroncele-Acosta, A., Ayala, J. L. M., Barrasa, A., López-Granero, C., & Martí-González, M. (2024). Integrating artificial intelligence to assess emotions in learning environments: A systematic literature review. Frontiers in Psychology, 15, Article 1387089. https://doi.org/10.3389/fpsyg.2024.1387089 DOI: https://doi.org/10.3389/fpsyg.2024.1387089
Wafa, A.A., Eldefrawi, M.M., & Farhan, M.S. (2025). Advances in multimodal emotion recognition in big data through rapid engineering and deep adaptive learning. J Big Data 12, 210 https://doi.org/10.1186/s40537-025-01264-w DOI: https://doi.org/10.1186/s40537-025-01264-w
Wang, C.M., & Lin, C.H. (2025). Design of an Interactive System by Combining Affective Computing Technology with Music for Stress Relief. Electronics, 14(15), 3087. https://doi.org/10.3390/electronics14153087 DOI: https://doi.org/10.3390/electronics14153087
Wang, Y. (2025). An AI-based personalised recommendation system for simulation-based digital media arts education. International Journal of Computer-Mediated Games and Simulations (IJGCMS), 17 (1), 1-15. https://doi.org/10.4018/IJGCMS.396267 DOI: https://doi.org/10.4018/IJGCMS.396267
Yu, S., Androsov, A., Yan, H., & Chen, Y. (2024). Bridging computer and education sciences: A systematic review of automated emotion recognition in online learning environments. Computers & Education, 220, 105111. https://doi.org/10.1016/j.compedu.2024.105111 DOI: https://doi.org/10.1016/j.compedu.2024.105111
Yuan, Q. (2022). Research on an emotion recognition algorithm in the classroom based on visual emotion classification. Computational Intelligence and Neuroscience, 6453499, 10 pp. https://doi.org/10.1155/2022/6453499 DOI: https://doi.org/10.1155/2022/6453499
Yuvaraj, R., Mittal, R., Prince, A. A., & Huang, J. S. (2025). Affective computing for learning in education: A systematic review and bibliometric analysis. Education Sciences, 15(1), 65. https://doi.org/10.3390/educsci15010065 DOI: https://doi.org/10.3390/educsci15010065
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Los autores/as conservan los derechos de autor y ceden a la revista el derecho de la primera publicación y el derecho de edición
Esta obra está bajo una licencia internacional Creative Commons Atribución-SinDerivadas 4.0.
Los autores/as que publiquen en esta revista aceptan las siguientes condiciones:
- Los autores/as conservan los derechos de autor.
- Los autores/as ceden a la revista el derecho de la primera publicación. La revista también posee los derechos de edición.
- Todos los contenidos publicados se regulan mediante una Licencia Atribución/Reconocimiento-SinDerivados 4.0 Internacional. Acceda a la versión informativa y texto legal de la licencia. En virtud de ello, se permite a terceros utilizar lo publicado siempre que mencionen la autoría del trabajo y a la primera publicación en esta revista. Si transforma el material, no podrá distribuir el trabajo modificado.
- Los autores/as pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
- Se permite y recomienda a los autores/as a publicar su trabajo en Internet (por ejemplo en páginas institucionales o personales), una vez publicado en la revista y citando a la misma ya que puede conducir a intercambios productivos y a una mayor y más rápida difusión del trabajo publicado (vea The Effect of Open Access).
