推进多模态教师情感分析：大规模 T-MED 数据集与有效的 AAM-TSA 模型
人工智能
2025-12-29 v2
摘要
教师的情绪状态在教育场景中至关重要，深刻影响教学效果、学生参与度以及学习成绩。然而，现有研究往往未能准确捕捉教师的情绪，due to 其表演性特征以及忽视教学信息对情绪表达的关键影响。本文我们系统地通过构建数据集和模型来推进教师情感分析。我们构建了第一个大规模教师多模态情感分析数据集 T-MED。为确保标注准确性和效率，我们采用人机协同标注流程。T-MED 数据集包含来自 250 个真实教室、涵盖 K-12 至高等教育的 11 个学科的 14,938 个教师情绪数据的多模态文本、音频、视频和教学信息。此外，我们提出了一种新型基于非对称注意力机制的教师情感分析模型 AAM-TSA。AAM-TSA 引入非对称注意力机制和层次门控单元，以实现差异化的跨模态特征融合和精准的情感分类。实验结果表明，在 T-MED 数据集上，AAM-TSA 在准确率和可解释性方面显著优于现有的领先方法。
引用
@article{arxiv.2512.20548,
title = {Advancing Multimodal Teacher Sentiment Analysis:The Large-Scale T-MED Dataset & The Effective AAM-TSA Model},
author = {Zhiyi Duan and Xiangren Wang and Hongyu Yuan and Qianli Xing},
journal= {arXiv preprint arXiv:2512.20548},
year = {2025}
}