EMOTIONAL INTELLIGENCE IN MACHINES: CAN AI CULTIVATE EMPATHY?
Notice bibliographique
Résumé
In the context of rapid digitalization and transformation of educational practices, there is a need to rethink the role of artificial intelligence in pedagogy. If in the first wave of digitalization, AI was considered primarily as a cognitive tool for automation and optimization of learning, then at present a new vector is being actualized - the study of its affective potential. Of particular importance is the question: is AI, deprived of its own emotional nature, capable of participating in the formation of such key competencies of the 21st century in humans as empathy, emotional regulation and social sensitivity? The article is devoted to the analysis of the concept of emotional intelligence of machines and consideration of AI not only as an intermediary in the transfer of knowledge, but also as an agent of the educational process. The novelty of the study lies in the integration of theories of emotional intelligence with modern developments in the field of affective computing, which allows us to propose an interdisciplinary model of “empathic AI pedagogy.” This model assumes a transition from traditional cognitive digitalization to “affective education,” where emotional AI becomes an accomplice in the development of the student’s personality. The article examines in detail the technological foundations of emotional AI: emotion recognition systems based on voice, facial expressions and behavioral signals; mechanisms for synthesizing empathically colored text and speech; multimodal architectures that combine cognitive and affective models of interaction. It is shown that the integration of such solutions into educational platforms opens up opportunities for supporting student motivation, reducing anxiety, developing empathy and developing soft skills. The practical significance of the study is that it offers conceptual guidelines for state educational policy, training of teachers to work with emotional AI, and international cooperation in the development of standards for affective education.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,009 |
| Communication savante | 0,005 | 0,007 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».