Emotion Aware AI for Learning and Organizations: An Affective Computing Framework for Adaptive Human AI Interaction
Notice bibliographique
Résumé
Artificial Intelligence is dramatically changing how we learn at school and work. While many artificial intelligence applications exist today, none can sense or react to the emotional and motivational states that underlie all human learning, engagement and decision-making. This study formally defines Emotion-Aware and Affective AI Systems as a new paradigm for personalized Human – AI Interaction and Adaptive Experience Intelligence in Digital Ecosystems. Drawing on Constructivist Theory, Sociocultural Theory, Experiential Learning Theory, Self-Determination Theory, Cognitive Load Theory, and Flow Theory, the framework views emotions as an active agent in shaping meaning-making, engagement and knowledge-building. To develop emotion-aware AI as a strategic organizational capability, these pedagogical theories are strategically combined with Resource-Based View, Dynamic Capabilities Theory, Knowledge-Based View, Transaction Cost Economics, Technology Acceptance Model, and Theory of Planned Behavior. The proposed Emotion-Aware Learning and Decision Framework (EALDF) is a layered architecture designed to enable: Perception; Cognitive Interpretation; Adaptive Decisions; and Experience Modulation Layers. To achieve this, the proposed framework processes multimodal signals (textual, vocal, facial, behavioral and contextual) using transformer based language models (e.g., BERT and RoBERTA), Convolutional and Recurrent Neural Networks (CNN/RNN), Speech Emotion Models (MFCC-LSTM Pipelines), and Multimodal Fusion Architectures (Cross-Attention Network and Graph Neural Network). Using Multidimensional Valence-Arousal-Dominance Vectors Embedded Within Markov Decision Processes and Partially Observable MDPs, emotional dynamics are mathematically modeled. Reinforcement Learning Algorithms (Deep Q-Networks, Proximal Policy Optimization, and Actor-Critic) govern adaptive responses to user emotional states. This framework has been situated within Adaptive Learning Systems, Intelligent Tutoring Platforms, Leadership Development Tools, and Digital Enterprise Environments, to provide Real-Time Personalization, Enhanced Engagement and Optimize Decision Outcomes. In addition, the study establishes Quantitative and Qualitative Evaluation Models to address Bias, Transparency, Governance and Ethical Constraints. Overall, this study introduces a Theoretically Grounded, Computationally Robust and Strategically Scalable Blueprint for Next Generation Emotion Aware AI Systems, which will enhance both Educational Practice and Organizational Intelligence.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».