课堂情感计算：研究从问题开始

此前了解了课堂情感计算这个探索方向，尚未确定具体课题和数据集。

2026-10-24 更新：目前处于导师选择与科研入门阶段，GPU 张量运算和反向传播基础检查已在工具辅助下通过，尚未亲手完成模型训练或开源复现。下文记录的是探索中的问题与计划。

这篇记录当前的起点。关于数据、模型与实验的内容，都是后续需要讨论和完成的工作。

首先要明确：我们想研究什么

“课堂情感计算”还不足以定义一个可验证的研究任务。需要继续明确研究对象、情境、目标变量与希望回答的问题。

比如，是关注一段课堂视频中可观察的行为表现，还是研究带有自我报告或其他依据的情感标签？模型的预测目标如何定义，标签由谁提供，结论准备适用于什么范围？这些选择会直接影响数据与评估方式。

几个不能直接画等号的概念

可见表情、主观情绪、行为参与度和学习效果是不同概念。一个人在看向屏幕，不足以证明其感兴趣；一个表情标签也不能自动等同于其内部情绪。

后续阅读论文时，需要检查作者如何操作化这些概念，标注来自哪里，证据能支持多大范围的结论。

下一次与导师讨论的清单

1. 更关心情感识别、学习投入，还是其他明确的任务？
2. 是否有课题组已有的数据、合作场景或可参考的工作？
3. 哪些公开数据可以支持初步复现，其使用条件是什么？
4. 最先应该复现哪一项基线，使用什么评估协议？
5. 第一阶段希望得到什么可以讨论的产物？

近期准备

环境已经通过基本 GPU 张量运算与自动求导检查，下一步是亲手用一个小型练习理解完整训练流程。与此同时整理入门文献，记录各篇论文的任务、数据、方法与局限。

等任务与数据来源明确后，再制定具体的基线和实验计划。每一步都留下记录，便于和导师讨论，也便于以后回看研究问题是如何形成的。