Chương 8: Analytics & Predictive AI

Bối cảnh / Vấn đề

Chương 7 nhìn vào AI như một gia sư can thiệp vào từng người học. Chương 8 mở rộng góc nhìn: dữ liệu học tập có thể giúp giáo viên, tổ chức và hệ thống thấy điều gì đang xảy ra ở cấp lớp, khóa học, chương trình và toàn trường. Đây là vùng của learning analytics, educational data mining, predictive analytics, affective computing và multimodal analytics.

Lời hứa nghe rất hợp lý: nếu người học để lại dấu vết số, ta có thể phát hiện ai đang chậm lại, ai có nguy cơ bỏ học, chủ đề nào gây lỗi nhiều, nhóm nào ít tương tác, hoạt động nào không hiệu quả, giáo viên nào cần hỗ trợ, và can thiệp nào có tác dụng. Một dashboard tốt có thể giúp giáo viên thấy lớp học rõ hơn. Một mô hình dự báo tốt có thể giúp tổ chức can thiệp trước khi người học biến mất khỏi hệ thống.

Nhưng analytics cũng là vùng dễ tạo ảo tưởng nhất. Dữ liệu nhiều không đồng nghĩa với hiểu biết sâu. Click nhiều không đồng nghĩa với học tốt. Ít đăng nhập không đồng nghĩa với lười. Gương mặt im lặng không đồng nghĩa với mất chú ý. Một cảnh báo “nguy cơ cao” không tự trở thành can thiệp. Một dashboard đẹp có thể làm giáo viên thêm việc nếu nó không trả lời câu hỏi “tôi nên làm gì tiếp?”.

Vì vậy, chương này đặt một nguyên tắc: analytics giáo dục chỉ có giá trị khi nó biến dữ liệu thành quyết định sư phạm có thể hành động, được kiểm định, được giải thích và được triển khai công bằng. Nếu không, nó chỉ là giám sát được trang trí bằng biểu đồ.

Learning Analytics

Learning analytics thường được định nghĩa là việc đo lường, thu thập, phân tích và báo cáo dữ liệu về người học và bối cảnh học tập để hiểu và tối ưu hóa học tập. Trong thực tế, nó xuất hiện qua dashboard giáo viên, báo cáo tiến độ, cảnh báo rủi ro, phân tích tương tác, đề xuất can thiệp, bản đồ kỹ năng, phân tích lỗi, hoặc báo cáo cho quản lý.

Một dashboard tốt không phải là nơi gom mọi con số. Nó là một giao diện quyết định. Giáo viên mở dashboard không phải để ngắm dữ liệu; họ cần biết: ai cần tôi chú ý, vì sao, bằng chứng nào, mức chắc chắn ra sao, tôi có thể làm gì, và sau can thiệp có gì thay đổi?

Paulsen và Lindsay tổng quan các nghiên cứu về learning analytics dashboards và nhận xét rằng dashboard đang dần chuyển từ “analytics” thuần túy sang hỗ trợ “learning” nhiều hơn, tức không chỉ hiển thị dữ liệu mà còn cố gắng gắn với hoạt động học, self-regulated learning và hành động của người dùng (Paulsen & Lindsay, 2024). Đây là hướng đúng. Dashboard không nên là báo cáo vận hành đội lốt sư phạm.

Khor và Mutthulakshmi tổng quan 40 nghiên cứu về learning analytics cho personalized learning. Họ cho thấy learning analytics có thể hỗ trợ cá nhân hóa ở cấp cá nhân, nhóm và cấu trúc bằng cách thu thập phản hồi về tiến bộ, kỹ năng, sở thích, cảm xúc; phân nhóm người học; xây feedback loops; dự báo performance; và cung cấp visualization thời gian thực. Nhưng các thách thức nổi bật là độ chính xác của insight, chi phí cơ hội, fairness và privacy (Khor & Mutthulakshmi, 2024).

Điểm “chi phí cơ hội” rất đáng chú ý. Khi giáo viên phải nhìn thêm dashboard, học sinh phải dùng thêm nền tảng, tổ chức phải chuẩn hóa thêm dữ liệu, ta đang lấy thời gian khỏi hoạt động khác. Một dashboard chỉ đáng tồn tại nếu nó giúp quyết định tốt hơn phần thời gian nó lấy đi.

Trong một lớp học thật, learning analytics nên trả lời các câu hỏi cụ thể. Ví dụ: lỗi nào xuất hiện ở nhiều học sinh sau bài kiểm tra? Nhóm nào làm bài nhanh nhưng sai ở câu chuyển giao? Ai làm đúng khi có gợi ý nhưng sai khi tự làm? Hoạt động nào có nhiều người bỏ giữa chừng? Học sinh nào tiến bộ so với chính mình dù vẫn dưới trung bình lớp? Những câu hỏi này khác với “ai đăng nhập nhiều nhất?”.

Educational Data Mining

Educational Data Mining (EDM) và Learning Analytics (LA) gần nhau nhưng không hoàn toàn giống nhau. EDM thường nghiêng về phát hiện mẫu, xây mô hình, dự báo và phân tích dữ liệu lớn bằng thuật toán. LA thường nhấn mạnh việc đưa insight về cho người học, giáo viên và tổ chức để cải thiện học tập. Trong thực tế, hai vùng này giao nhau ngày càng nhiều.

Caeiro-Rodríguez và cộng sự tổng quan sự khác biệt giữa EDM và LA, chỉ ra các khác biệt lịch sử và đề xuất hướng tới educational data science như một khung tích hợp rộng hơn (Caeiro-Rodríguez et al., 2024). Với người làm EdTech, điểm quan trọng không phải tranh tên gọi, mà là phân biệt hai câu hỏi: mô hình tìm thấy mẫu gì, và mẫu đó giúp ai ra quyết định gì?

EDM có thể tìm nhiều loại mẫu: cụm người học, chuỗi hành động, skill mastery, hành vi bỏ học, chiến lược giải bài, kiểu sai lầm, tương tác xã hội, hoặc đường đi qua nội dung. Ví dụ, hệ thống có thể phát hiện ba nhóm trong một khóa học: người học đều nhưng chậm, người học bùng nổ trước deadline, và người học đăng ký nhưng biến mất sau tuần đầu. Mỗi nhóm cần can thiệp khác nhau.

EDM cũng có thể phát hiện những điều con người khó thấy bằng mắt thường. Một chuỗi click có vẻ bình thường nhưng luôn xảy ra trước khi người học bỏ bài. Một nhóm câu hỏi có cùng nhãn kỹ năng nhưng thực ra đo hai dạng tư duy khác nhau. Một bài giảng có lượt xem cao nhưng không cải thiện kết quả bài tập. Một diễn đàn có nhiều bài viết nhưng ít trao đổi có chiều sâu.

Nhưng EDM dễ rơi vào bẫy correlation. Người học xem video nhiều có điểm thấp có thể vì video kém, vì họ yếu nên xem lại nhiều, hoặc vì họ chăm hơn nhưng nền quá thiếu. Người học ít tương tác online có thể đang học offline, làm việc nhóm bên ngoài nền tảng, hoặc thiếu thiết bị. Mẫu dữ liệu cần được đọc cùng bối cảnh sư phạm.

Vì vậy, EDM tốt nên sinh giả thuyết, không tự kết án. Nó nên nói: “mẫu này đáng chú ý, cần kiểm tra thêm”, thay vì “người học này lười” hoặc “bài này thất bại”. Khi đi vào trường học, ngôn ngữ của mô hình phải đủ khiêm tốn để con người còn phán đoán.

Predictive Analytics

Predictive analytics dự báo các kết quả như bỏ học, trượt môn, giảm động lực, thiếu chuyên cần, điểm thấp, hoặc không hoàn thành khóa học. Đây là ứng dụng hấp dẫn vì can thiệp sớm luôn nghe tốt hơn sửa muộn. Nếu hệ thống biết ai có nguy cơ bỏ học từ tuần thứ ba, giáo viên hoặc cố vấn có thể liên hệ trước khi quá trễ.

Trong online higher education, dropout là vấn đề lớn. Rahmani, Groot và Rahmani tổng quan dropout trong giáo dục đại học online và cho thấy nguyên nhân thường đa chiều: đặc điểm người học, thiết kế khóa học, hỗ trợ tổ chức, yếu tố xã hội, điều kiện cá nhân và động lực (Rahmani, Groot, & Rahmani, 2024). Vì vậy, mô hình dự báo bỏ học không nên chỉ nhìn dữ liệu nền tảng. Nó cần được hiểu như một phần của hệ thống hỗ trợ người học.

Một cảnh báo rủi ro chỉ có giá trị nếu có can thiệp kèm theo. Nếu dashboard báo “nguy cơ cao” nhưng giáo viên không biết làm gì, cố vấn không có thời gian gọi, tổ chức không có chính sách hỗ trợ, hoặc người học không muốn bị gắn nhãn, mô hình chỉ tạo thêm lo lắng. Predictive analytics không phải sản phẩm độc lập; nó là một phần của workflow can thiệp.

Một hệ thống dự báo tốt cần phân biệt nhiều loại rủi ro. Người học có nguy cơ vì thiếu kiến thức nền cần hỗ trợ học thuật. Người học có nguy cơ vì lịch làm việc cần linh hoạt tiến độ. Người học có nguy cơ vì mất động lực cần kết nối mục tiêu và cộng đồng. Người học có nguy cơ vì khó khăn tài chính cần hỗ trợ ngoài học tập. Một nhãn “at-risk” chung quá nghèo để hành động.

Predictive analytics cũng cần tránh self-fulfilling prophecy. Nếu người học bị gắn nhãn nguy cơ, giáo viên có thể vô thức hạ kỳ vọng, hệ thống có thể đưa họ vào lộ trình dễ hơn, hoặc tổ chức có thể ưu tiên nguồn lực theo cách làm họ khó thoát nhãn. Một mô hình dự báo phải mở đường can thiệp, không khóa tương lai.

Affective Computing

Affective computing cố gắng nhận diện và phản hồi với trạng thái cảm xúc như bối rối, chán, thất vọng, lo lắng, tự tin, hứng thú hoặc mất tập trung. Trong học tập, cảm xúc không phải phần trang trí. Bối rối đúng mức có thể đi cùng hiểu sâu; thất vọng kéo dài có thể dẫn đến bỏ cuộc; lo lắng có thể làm người học tránh nhiệm vụ; tự tin giả có thể che lấp hiểu nông.

Các hệ thống affective computing có thể dùng nhiều nguồn dữ liệu: tự báo cáo, văn bản, giọng nói, biểu cảm mặt, posture, clickstream, thời gian phản hồi, eye-tracking, EEG hoặc cảm biến sinh lý. Yuvaraj và cộng sự tổng quan 175 nghiên cứu affective computing trong giáo dục, cho thấy lĩnh vực này tăng nhanh, nhưng phần lớn nghiên cứu vẫn tập trung vào thiết kế hệ thống nhận diện cảm xúc; bảng hỏi tự báo cáo vẫn phổ biến, môi trường nghiên cứu thường là classroom và mẫu lớn nhất là sinh viên đại học (Yuvaraj et al., 2025). Nói cách khác, khả năng nhận diện cảm xúc trong thực tế lớp học phổ thông vẫn cần thận trọng.

Rojas Vistorte và cộng sự cũng tổng quan AI đánh giá cảm xúc trong môi trường học, nhấn mạnh tiềm năng cá nhân hóa dạy học theo cảm xúc nhưng đồng thời cho thấy lĩnh vực này phụ thuộc vào nhiều nguồn dữ liệu nhạy cảm (Rojas Vistorte et al., 2024). Đây là điểm đạo đức cốt lõi: cảm xúc học tập là dữ liệu rất riêng tư. Nhận diện sai cảm xúc có thể làm người học bị hiểu nhầm; nhận diện đúng nhưng dùng sai cũng có thể thành thao túng.

Một vấn đề khác là cảm xúc không có nghĩa cố định. Im lặng có thể là tập trung, sợ nói, hoặc không hiểu. Nhíu mày có thể là bối rối có ích. Ít cười không có nghĩa thiếu engagement. Nếu hệ thống gán nhãn cảm xúc từ tín hiệu yếu và đưa can thiệp tự động, nó có thể làm phiền đúng lúc người học đang suy nghĩ sâu.

Vì vậy, affective computing trong giáo dục nên được dùng để hỗ trợ con người chú ý hơn, không phải thay thế phán đoán quan hệ. Một cảnh báo “có thể đang thất vọng kéo dài” nên dẫn đến giáo viên quan sát, hỏi han hoặc điều chỉnh nhiệm vụ, không nên tự động hạ độ khó hay gửi lời động viên máy móc.

Multimodal Analytics

Multimodal learning analytics (MMLA) dùng nhiều loại dữ liệu cùng lúc: văn bản, clickstream, audio, video, eye-tracking, handwriting, dữ liệu cảm biến, tương tác nhóm, sản phẩm học tập và dữ liệu bối cảnh. Lý do rất rõ: học tập là quá trình đa chiều, còn log LMS chỉ là một lát cắt mỏng.

Mu, Cui và Huang tổng quan 346 bài về data fusion trong MMLA và chỉ ra rằng dữ liệu một chiều thường bỏ qua nhiều thông tin bối cảnh quan trọng; MMLA hứa hẹn hiểu quá trình học đầy đủ hơn, nhưng việc tích hợp dữ liệu vẫn phức tạp (Mu, Cui, & Huang, 2020). Các tổng quan mới hơn về AI trong MMLA tiếp tục nhấn mạnh nhu cầu mô hình có thể diễn giải, triển khai được và đạo đức hơn, thay vì chỉ tăng độ chính xác kỹ thuật (Mohammadi et al., 2024).

Ví dụ, trong một lớp học làm thí nghiệm, chỉ nhìn điểm quiz không đủ. Hệ thống có thể xem nhóm nào phân công vai trò, ai thao tác thiết bị, ai ghi chép, ai đặt giả thuyết, thời điểm nào nhóm bế tắc, và liệu bế tắc đó dẫn đến thảo luận sâu hay tan rã. Trong học lập trình, dữ liệu code, lịch sử chạy test, pause time, câu hỏi chatbot và lời giải thích cuối có thể cho thấy chiến lược học. Trong học nói ngoại ngữ, audio, transcript, sửa lỗi, lượt thử lại và phản hồi người nghe mới tạo được tranh đầy đủ.

Nhưng càng nhiều modality, rủi ro càng lớn. Video, audio, eye-tracking và cảm biến sinh lý đi gần hơn vào đời sống riêng tư. Việc thu dữ liệu nhiều kênh có thể làm người học cảm thấy bị quan sát toàn diện. Ngoài ra, dữ liệu nhiều kênh không tự tạo insight tốt; nó có thể làm mô hình khó giải thích hơn và làm giáo viên khó biết nên tin vào tín hiệu nào.

MMLA vì vậy cần nguyên tắc tối thiểu hóa có mục đích: chỉ thu modality nào phục vụ một câu hỏi sư phạm rõ, có consent, có chính sách lưu trữ, có quyền rút lui, có giải thích, và có lợi ích tương xứng cho người học.

Fairness trong Learning Analytics

Fairness không phải phụ lục đạo đức của analytics; nó là điều kiện để analytics đáng dùng. Mô hình dự báo trong giáo dục có thể tái tạo bất bình đẳng rất nhanh. Nếu dữ liệu quá khứ phản ánh trường tốt hơn, thiết bị tốt hơn, phụ huynh hỗ trợ hơn, ngôn ngữ quen hơn, mô hình có thể biến lợi thế xã hội thành “năng lực dự báo”.

Idowu tổng quan các nghiên cứu về debiasing education algorithms, bao gồm dropout prediction, performance prediction, forum post classification và recommender systems; bài tổng quan cho thấy fairness trong thuật toán giáo dục cần được xử lý cả bằng phương pháp kỹ thuật lẫn hiểu biết bối cảnh (Idowu, 2024). Không thể chỉ nói “mô hình không dùng biến giới tính/chủng tộc” là công bằng. Bias có thể đi qua proxy như trường học, thiết bị, thời gian online, ngôn ngữ, mã vùng, hoặc kiểu tương tác.

Một ví dụ đơn giản: nếu hệ thống xem “đăng nhập buổi tối” là dấu hiệu chăm học, nó có thể hiểu sai người học phải làm việc ban ngày. Nếu xem “ít phát biểu trong diễn đàn” là ít engagement, nó có thể phạt người học đến từ văn hóa ít tranh luận công khai hoặc người học khuyết tật ngôn ngữ. Nếu xem “hoàn thành chậm” là yếu, nó có thể bỏ qua người học dùng thiết bị cũ hoặc mạng không ổn định.

Fairness trong analytics cần ít nhất bốn lớp. Lớp dữ liệu: ai có mặt, ai vắng mặt, dữ liệu nào thiếu, thiếu vì sao. Lớp mô hình: sai số phân bố ra sao giữa các nhóm. Lớp can thiệp: ai nhận hỗ trợ, hỗ trợ có ích không, có kỳ thị không. Lớp kết quả: khoảng cách học tập có giảm không hay chỉ được mô hình hóa tinh vi hơn.

Một hệ thống công bằng không chỉ dự báo đúng trung bình. Nó phải tránh làm nhóm yếu thế bị nhìn như “rủi ro” cố định, và phải giúp tổ chức nhìn thấy rào cản môi trường chứ không chỉ lỗi cá nhân.

Tiêu chí benchmark / Cách đánh giá

Analytics & Predictive AI phải được benchmark bằng tác động quyết định, không chỉ bằng độ chính xác mô hình.

Một: decision relevance. Insight này phục vụ quyết định nào? Ai dùng nó? Nếu không có người chịu trách nhiệm hành động, insight chưa có giá trị.

Hai: baseline. Mô hình có tốt hơn cách giáo viên/cố vấn đang phát hiện vấn đề không? Có tốt hơn quy tắc đơn giản như “vắng hai buổi liên tiếp” không?

Ba: actionability. Dashboard có chỉ ra bước tiếp theo không? Cảnh báo có gợi can thiệp phù hợp với nguyên nhân không?

Bốn: outcome impact. Sau khi dùng analytics, retention, transfer, completion, wellbeing hoặc workload giáo viên có cải thiện không?

Năm: false positives và false negatives. Ai bị báo nhầm là nguy cơ? Ai thật sự cần hỗ trợ nhưng bị bỏ sót? Chi phí của mỗi loại lỗi là gì?

Sáu: fairness by subgroup. Sai số, cảnh báo và can thiệp có khác nhau theo giới, ngôn ngữ, vùng, thiết bị, disability, socioeconomic status hoặc mức nền không?

Bảy: interpretability. Giáo viên và người học có hiểu vì sao mô hình đưa ra cảnh báo không? Có thể phản biện hoặc sửa dữ liệu sai không?

Tám: privacy và proportionality. Dữ liệu thu có tương xứng với lợi ích học tập không? Có thu quá mức chỉ vì kỹ thuật làm được không?

Chín: intervention fidelity. Cảnh báo có thật sự dẫn đến can thiệp như thiết kế không? Nếu giáo viên quá tải, mô hình tốt cũng không tạo tác động.

Phân tích phản biện

Rủi ro đầu tiên là dashboard theater: giao diện nhiều biểu đồ khiến tổ chức cảm thấy mình đang quản lý học tập tốt hơn, dù quyết định không thay đổi. Nếu không có workflow can thiệp, dashboard chỉ là báo cáo đẹp.

Rủi ro thứ hai là surveillance creep. Một hệ thống bắt đầu bằng dữ liệu bài tập có thể dần thêm camera, audio, cảm xúc, vị trí, thiết bị, thời gian online và dữ liệu ngoài lớp học. Mỗi bước có vẻ hợp lý, nhưng tổng thể có thể biến học tập thành môi trường bị quan sát liên tục.

Rủi ro thứ ba là deficit labeling. Analytics thường giỏi phát hiện thiếu hụt: ai yếu, ai chậm, ai nguy cơ. Nếu không có asset-based lens, hệ thống sẽ làm nghèo cách nhìn về người học. Một người học “ít online” cũng có thể rất giỏi tự học offline. Một người học “chậm” có thể đang làm việc sâu.

Rủi ro thứ tư là automation bias ở cấp tổ chức. Khi mô hình dự báo rủi ro, con người dễ xem đó là sự thật. Nhưng mô hình chỉ nhìn quá khứ qua dữ liệu có sẵn. Giáo dục cần quyền phản biện mô hình, nhất là khi quyết định ảnh hưởng đến cơ hội của người học.

Rủi ro thứ năm là tối ưu nhầm. Nếu tổ chức tối ưu completion, hệ thống có thể hạ độ khó. Nếu tối ưu engagement, hệ thống có thể tăng thông báo và hoạt động bề mặt. Nếu tối ưu điểm ngắn hạn, hệ thống có thể bỏ qua transfer và học sâu.

Nguyên tắc thiết kế

Một: bắt đầu từ quyết định sư phạm. Đừng hỏi “dữ liệu nào có thể thu?”. Hãy hỏi “quyết định nào cần tốt hơn?”.

Hai: thiết kế dashboard như công cụ hành động. Mỗi chỉ số nên trả lời: vì sao quan trọng, ai dùng, làm gì tiếp, kiểm tra tác động ra sao.

Ba: coi dự báo là giả thuyết. Cảnh báo rủi ro phải đi kèm mức chắc chắn, bằng chứng, giới hạn và quyền phản biện.

Bốn: gắn mô hình với can thiệp thật. Không triển khai predictive analytics nếu tổ chức chưa có người, thời gian và quy trình hỗ trợ.

Năm: tối thiểu hóa dữ liệu nhạy cảm. Affective và multimodal analytics chỉ nên dùng khi lợi ích học tập rõ, consent rõ và rủi ro được kiểm soát.

Sáu: kiểm toán fairness định kỳ. Không chỉ kiểm lúc ra mắt. Dữ liệu, người học và hành vi thay đổi theo thời gian.

Bảy: giữ giáo viên và người học trong vòng giải thích. Analytics phải làm cuộc trò chuyện giáo dục tốt hơn, không thay thế nó bằng nhãn mô hình.

Tám: đo tác động sau can thiệp. Thành công không phải dự báo đúng, mà là can thiệp giúp người học tốt hơn mà không gây hại.

Tổng kết chương

Analytics & Predictive AI giúp EdTech nhìn rộng hơn từng bài học. Nó có thể hỗ trợ cá nhân hóa, phát hiện mẫu hành vi, cảnh báo rủi ro, hiểu cảm xúc, phân tích dữ liệu đa kênh và kiểm tra công bằng. Nhưng dữ liệu không tự nói. Nó cần được diễn giải bằng lý thuyết học tập, bối cảnh sư phạm và trách nhiệm con người.

Thông điệp chính của chương là: analytics chỉ đáng dùng khi nó dẫn đến hành động tốt hơn. Một mô hình dự báo không có can thiệp là một chiếc chuông báo động không có đội cứu hộ. Một dashboard không có workflow là tranh treo tường. Một hệ thống multimodal không có đạo đức dữ liệu là giám sát.

Chương tiếp theo sẽ chuyển sang Accessibility, Multimodal & Immersive AI. Nếu Chương 8 nói về dữ liệu để nhìn thấy học tập, Chương 9 sẽ hỏi: công nghệ có thể mở rộng quyền tiếp cận, hỗ trợ khác biệt và tạo môi trường thực hành mới như thế nào mà không biến hòa nhập thành khẩu hiệu?

Tài liệu tham khảo

  • Caeiro-Rodríguez, M., Manso-Vázquez, M., & Llamas-Nistal, M. (2024). Reviewing the differences between learning analytics and educational data mining: Towards educational data science. Computers in Human Behavior, 154, 108155. https://doi.org/10.1016/j.chb.2024.108155
  • Idowu, J. A. (2024). Debiasing education algorithms. International Journal of Artificial Intelligence in Education, 34, 1510-1540. https://doi.org/10.1007/s40593-023-00389-4
  • Khor, E. T., & Mutthulakshmi, K. (2024). A systematic review of the role of learning analytics in supporting personalized learning. Education Sciences, 14(1), 51. https://doi.org/10.3390/educsci14010051
  • Mohammadi, M., Tajik, E., Martinez-Maldonado, R., Sadiq, S., Tomaszewski, W., & Khosravi, H. (2024). Artificial intelligence in multimodal learning analytics: A systematic literature review. https://doi.org/10.13140/RG.2.2.16241.29281
  • Mu, S., Cui, M., & Huang, X. (2020). Multimodal data fusion in learning analytics: A systematic review. Sensors, 20(23), 6856. https://doi.org/10.3390/s20236856
  • Paulsen, L., & Lindsay, E. (2024). Learning analytics dashboards are increasingly becoming about learning and not just analytics: A systematic review. Education and Information Technologies, 29, 14279-14308. https://doi.org/10.1007/s10639-023-12401-4
  • Rahmani, A. M., Groot, W., & Rahmani, H. (2024). Dropout in online higher education: A systematic literature review. International Journal of Educational Technology in Higher Education, 21, 19. https://doi.org/10.1186/s41239-024-00450-9
  • Rojas Vistorte, A. O., Deroncele-Acosta, A., Martín Ayala, J. L., 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, 1387089. https://doi.org/10.3389/fpsyg.2024.1387089
  • 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