Revista de Investigación Talentos V.

(1)
Enero – Junio 2018

LA COMPUTACIÓN AFECTIVA: EMOCIONES, TECNOLOGÍAS Y SU

RELACIÓN CON LA EDUCACIÓN VIRTUAL
AFFECTIVE COMPUTING: EMOTIONS, TECHNOLOGIES AND THEIR RELATIONSHIP WITH
VIRTUAL EDUCATION

Bosquez Barcenes Victor1-2, Sanz Cecilia 2, Baldassarri Sandra3, Ribadeneira Ramos Edgar1, Valencia
Mendoza Gina1, Barragan Merino Rocio1, Camacho-Castillo Ángel4; Shauri-Romero José4,
Camacho-Castillo Luis5.
(1)
Universidad Estatal de Bolívar, Av Ernesto Che Guevara y Gabriel Secaira, Guaranda, Bolívar, Ecuador, abosquez@ueb.
edu.ec
(2)
Universidad Nacional de la Plata, Facultad de Informática, Calle 50 &, Calle 120, La Plata, Buenos Aires, Argentina.
(3)
Universidad de Zaragoza, Departamento de Informática e Ingeniería de Sistemas, Grupo de Informática Gráfica
Avanzada (GIGA), C/ María de Luna nº 1, 50018 - Zaragoza
(4)
Instituto Superior Tecnológico Japón, Calle Cuenca y Galapagos, Santo Domingo, Santo Domingo de los Tsachilas,
Ecuador.
(5)
Universidad Técnica Estatal de Quevedo, Vía el Empalme KM 7. Campus La MaríaQuevedo, Los Rios, Ecuador.

Resumen: Las emociones desempeñan un papel muy importante en la adquisición, procesamiento de

información y en el aprendizaje de las personas; en consecuencia, dentro de la inteligencia artificial, en
los últimos años se ha visto un crecimiento vinculado a las investigaciones sobre el reconocimiento de
las emociones como parte del área de la computación afectiva. En este sentido la presente investigación
busca realizar una síntesis de la evolución de la computación afectiva, sus técnicas de reconocimiento,
los medios para reconocer emociones y su relación directa con la educación, en particular las tecnologías
adyacentes a la educación e-learning así como tendencias de investigación que se están abordando en
torno al aprendizaje personalizado.

Palabras Clave: Computación afectiva, medios para detectar emociones, tecnologías de

reconocimiento de emociones, aprendizaje personalizado.

Abstract: Emotions play a very important role in the acquisition, information processing and learning
of people, consequently, within artificial intelligence, in recent years growth has been linked to research
on the recognition of emotions as part of the area of affective computing. In this sense, the present
research seeks to synthesize the evolution of affective computing, its recognition techniques, the means
to recognize emotions and its direct relationship with education, in particular the technologies adjacent
to e-learning education as well as trends of research that are being addressed around personalized
learning.

Keywords: Affective computing, means to detect emotions, emotions recognition technologies,

personalized learning.

I. INTRODUCCIÓN
Durante muchos años, las investigaciones científicas sobre el comportamiento del ser humano
han dedicado mucho esfuerzo a estudiar la parte racional del mismo, dejando en segundo plano las
emociones, sin embargo, cada vez se conoce la influencia que las emociones tienen sobre los procesos
Recibido: 15 de abril de 2018
Aceptado: 3 de junio de 2018
Publicado como artículo científco en Revista de Investigación Talentos V(1) 95-104

95
 Revista de Investigación Talentos V. (1)
Enero – Junio 2018

de pensamiento racional, estas influyen de manera Kapoor, Roseway, & Czerwinski, 2012)
directa sobre el aprendizaje, la toma de decisiones mencionan que cada vez hay más conciencia que
y muchos otros procesos de racionalidad que el ser dentro del proceso de enseñanza aprendizaje se
humano genera. debe de integrar eficazmente factores cognitivos y
emocionales para que el mismo sea más eficiente.
En este sentido se está investigando a
profundidad la influencia de las emociones sobre En los seres humanos la emoción juega un papel
el aprendizaje, y es ahí cuando toma fuerza el trascendentalen su aprendizaje, yaquelamotivación
término Computación Afectiva acuñado por mejora en gran medida los niveles de atención,
primera vez gracias a la Dra. Rosalind Picard del percepción, adquisición de conocimientos,
MIT, en su libro “Affective Computing”, en el además de poseer un papel esencial en la toma
mismo que menciona la necesidad de tomar en de decisiones (Picard, 2000; Kort & Reilly, 2002;
cuenta los estados emocionales de los usuarios a Bachiller, Hernández, & Sastre, 2010). Es así, que
la hora de desarrollar software. A partir de ahí, se dentro de los procesos de enseñanza y aprendizaje
viene investigando mucho sobre cómo desarrollar una gran gama de emociones ocurre naturalmente,
tecnología y dispositivos capaces de reconocer, desde las positivas como alegría, y satisfacción por
interpretar y simular las emociones humanas, con motivo de algún éxito, las emociones negativas:
la única finalidad de diseñar tecnología que simule frustración, tristeza confusión, que en particular
y realice las funciones propias de un maestro, se pueden dar a consecuencia de un fracaso. Por
brindando al estudiante un entorno personalizado otra parte, se sabe que estos estados emocionales
y adaptado a sus necesidades cognitivas y positivos o negativos desencadenan diferentes
emocionales. tipos de pensamientos y podrían tener importantes
II. DESARROLLO repercusiones negativas o positivas desde la
perspectiva educativa de los estudiantes (VanLehn,
“Todo aprendizaje tiene una base emocional” et al., 2003; D’Mello & Graesser, 2011)
Platón.

En este sentido (Baker, Mercedes, Rodrigo, &

Dentro de la literatura en torno a la emoción y el Xolocotzin, 2007; D’Mello & Graesser, 2011)
aprendizaje muchos autores determinan la relación mencionan que cuando un estudiante está
directa que existe entre estos factores y como la
aprendiendo o aplicando sus conocimientos en
emoción puede aumentar o inhibir el aprendizaje la resolución de problemas pasa por algunos
en los seres humanos (Picard, 2000) (Picard, 2003) estados emocionales como confusión, frustración,
(Graesser, Chipman, King, McDaniel, & D’Mello, aburrimiento, compromiso. Además las
2007) (D’Mello, Lehman, Pekrun, & Graesser, emociones negativas consideradas poco propicias
2014) (Hernández-Sánchez & Ortega-Maldonado, para el aprendizaje (Sabourin, Rowe, Mott, &
2015), por lo que las emociones pueden mejorar la Lester, 2013), pueden por el contrario tener
percepción, la toma de decisiones influyen en los efectos positivos, por ejemplo es probable que
propios mecanismos del pensamiento racional. En los estudiantes enfrenten confusión, frustración
esta misma línea se puede describir al aprendizaje cuando aprenden temas difíciles, los cuales se
como el acto de adquirir conocimientos, pueden superar con gran esfuerzo mediante el
comportamientos, aptitudes, normas o preferencias razonamiento, resolución de problemas y reflexión,
sociales. (Picard, R, 2004) y (McDuff, Karlson,

100
Revista de Investigación Talentos V. (1)
Enero – Junio 2018

lo que conlleva a aprendizajes efectivos, y generan destacables podrían ser: diferencias en estilos
la sensación de “saber” que mejora la confianza de aprendizaje, necesidades propias de cada
del estudiante. Sin embargo, si estos problemas estudiante, aplicación de diseños instruccionales
no son resueltos pueden pasar de la confusión a inadecuados, falta de capacidades por parte
la frustración y su posterior deserción (D’Mello, del estudiante en autorregular su aprendizaje
Lehman, Pekrun, & Graesser, 2014; Bradbury, (Berrocoso, 2014) y, un aspecto muy importante,
Taub, & Azevedo, 2017). es que estas tecnologías proponen ambientes
desafiantes que pueden desorientar o desanimar
Las Tecnologías de la Información y Comunicación a muchos estudiantes (Haggard, 2013). También
(TICs) y su vertiginoso crecimiento de tecnologías los estudiantes se sienten lejos de sus docentes y
adyacentes como: redes sociales y académicas, compañeros y no logran expresar sus emociones
espacios colaborativos, intercambio de y barreras encontradas a lo largo del curso. Desde
comunidades, acceso o información en tiempo este panorama no muy alentador, surge una
real y más, han impactado de tal manera en los pregunta: ¿qué hacer para brindar entornos más
procesos educativos, que se observa cambios personalizables a las necesidades emocionales del
trascendentales en su quehacer académico, usuario que generen retroalimentación adecuada?
transformando paradigmas establecidos y
dando lugar a la hibridación de las modalidades En este sentido es necesario investigar sobre
educativas. En este sentido ha surgido modalidades el desarrollo de tecnología que brinde a los
de aprendizaje como e-learning, b-learning y m- estudiantes un entorno cada vez más amigables y
learning, caracterizadas por tener un alto nivel adaptado a las necesidades propias de cada uno de
de mediación tecnológica (Zangara, 2014). A ellos.
partir de estas modalidades se busca que los
estudiantes se conviertan en el centro del proceso Aprendizaje personalizado y tendencias de
del aprendizaje, pasando de ser un sujeto pasivo y investigación
receptor de información, a un sujeto activo capaz Dentro de la literatura cuando se habla de
de procesar información, analizar críticamente y aprendizaje personalizado en modalidades
aplicarla en la solución de distintas problemáticas. híbridas, con mediación a través de tecnologías
Estas modalidades se han extendido y fortalecido digitales, se han encontrado tres grandes tendencias
con el uso de los EVEAs como mediadores en investigación: sistemas educativos adaptativos,
tecnológicos, que por lo general son los facilitadores tutores inteligentes (agentes) y estrategias que
de ricos espacios de comunicación entre docentes, combinan estos enfoques. Se describen brevemente
estudiantes y recursos educativos (Bureš, 2006). aquí para dar cuenta de las investigaciones ya
realizadas.
Un tema muy controvertido y discutido es la alta
tasa de deserción que existe en estas modalidades En cuanto a tutores inteligentes se pueden
por parte de los estudiantes (Arbaugh, & Duray, mencionar investigaciones como las de
2002) (Atiaja, 2016), por lo que se busca entender (Schiaffino, Garcia, & Amandi, 2008), en la que
o determinar cuáles son los factores que inciden se generó un agente inteligente que proporciona
en esta problemática encontrada en estudiantes asistencia personalizada a los estudiantes en
que usan EVEAs y participan en cursos con modalidades de e-learning, eTeacher observa
modalidades híbridas. Dentro de ellas, las más

97
 Revista de Investigación Talentos V. (1)
Enero – Junio 2018

el comportamiento de un estudiante mientras complejos por parte de los estudiantes (Azevedo

están trabajando en un curso en línea y construye et al., 2016) (Mudrick, Rowe, Taub, Lester, &
automáticamente el perfil del mismo, que Azevedo, 2017), aunque su eficiencia depende de
comprende su estilo de aprendizaje e información rastrear, modelar, y fomentar una retroalimentación
sobre su desempeño, sugiriéndole, por ejemplo, inteligente y precisa (Kim & Baylor, 2016). En
cursos de acción personalizados. Otros autores este sentido se observa el gran potencial que estos
como (Grawemeyer et al., 2017) desarrollaron sistemas afectivos pueden brindar a la educación
un sistema para mejorar el compromiso y el personalizada.
aprendizaje mediante retroalimentación formativa
basados en los estados emocionales del estudiante, Medios para detectar emociones
denominado iTalk2Learn. Esta investigación se
focalizó en abordar preguntas como: ¿cuándo se Se han realizado muchos esfuerzos para reconocer
debe dar retroalimentación?, ¿qué debe contener las emociones haciendo uso de diferentes
la retroalimentación y cómo se la debe de dar? medios como expresiones faciales, señales de
Se orientó a niños de 8 a 12 años, los estados habla, fisiológicas como excitación automática,
emocionales se obtuvieron a través de la interacción pulsaciones, presión sanguínea, resistencia de
del sistema con el usuario mediante el diálogo en la piel, algunas actividades de electromiografía
voz alta a través de un micrófono. y postura (Shen, Wang, & Shen, 2009), con la
finalidad de interpretar estas emociones para
Por otro lado, en cuanto a sistemas que combinan múltiples fines, entre ellos la educación, salud,
los dos enfoques se encuentra el trabajo de (Chao, seguridad y más. En la actualidad, se han dado
Lin, Lin, & Tseng, 2012): un sistema de tutoría cuenta de buenos resultados en la detección de
afectiva (ATS) utilizando la emoción y técnicas emociones cuando se realiza de forma multimodal,
de reconocimiento para mejorar la interfaz es decir, combinando dos o más medios como se
afectiva, con el objetivo de mejorar el interés en el comenta a continuación.
aprendizaje. Siguiendo esta perspectiva, (Weber &
Brusilovsky, 2016) presentan un sistema educativo Reconocimiento facial
inteligente basado en la web denominado
tutor inteligente e hipermedia adaptativa. Una El rostro es uno de los más ricos canales de
investigación en la línea de t-learning es la expresión, el cual comunica emociones y señales
desarrollada por (Baldassarri, Hupont, Abadía, & sociales. Dentro de la literatura se suelen utilizar
Cerezo, 2015) generando un sistema interactivo dos modelos que describen, explican y clasifican
de televisión digital, que hace uso de la detección las expresiones faciales y sus emociones, por un
facial de emociones para dar información al tutor lado, el modelo categórico y por el otro, el modelo
acerca del estado emocional de los estudiantes al continuo o dimensional, el primero usa etiquetas o
realizar determinados ejercicios o tareas. clasificadores para establecer la emoción dentro de
categorías específicas como alegría, ira, sorpresa,
Las ideas e investigaciones expuestas, permiten miedo, disgusto y tristeza (Ekman & Rosenberg,
vislumbrar que la asistencia y retroalimentación 2005), el segundo en cambio explica cómo las
por parte de agentes pedagógicos virtuales, emociones pueden ser vistas en un espacio continuo
favorece los aprendizajes autorregulados y en el cual se pueden representar infinidad de puntos
e intensidades como lo mencionan (Russell, 1980;

98
Revista de Investigación Talentos V. (1)
Enero – Junio 2018

Posner, Russell, & Peterson, 2005). habla juega un papel importante en la interacción
persona - ordenador, contribuyendo de manera
En cuanto al modelo categórico, una de las significativa en su interacción, permitiendo que
primeras investigaciones realizadas fue el Sistema los algoritmos detecten emociones como ira,
de Codificación de Acción Facial (FACS) creados estrés, o nivel de frustración. Una de las técnica
por (Ekman & Friesen, 1978), que se ha convertido desarrollada por (Chen, Mao, Xue, & Cheng,
en la taxonomía más objetiva y ampliamente 2012) proponen un modelo para clasificar las seis
utilizada para muchas investigaciones que buscan emociones básicas en el habla, utilizando la tasa
desarrollar algoritmos y tecnología que detecta las de Fisher. Asimismo, algunos estudios indagaron
emociones básicas en tiempo real con distinto nivel sobre la combinación de características acústicas
de precisión, como las realizadas por (Lin, 2006; y características lingüísticas (lenguaje y discurso)
Anderson & McOwan, 2006; Happy, George, & para mejorar el rendimiento del reconocimiento
Routray, 2012). de las emociones a través de la voz (Schuller,
Villar, Rigoll, & Lang, 2005; Bjorn Schuller et al.,
En este sentido podría considerarse que el 2015; Kim, Hyun, Kim, & Kwak, 2009). Es así
reconocimiento facial puede ser un gran aliado a que este medio, podría ser implementado mediante
la hora de desarrollar tecnología para un EVEA, ya tecnologías que busquen obtener emociones de
que el estudiante va a estar siempre en frente del los estudiantes dentro de un EVEA de manera no
PC, usualmente con una cámara, por lo que este intrusiva.
medio puede brindar información de gran calidad
Reconocimiento mediante señales fisiológicas
para detectar el estado emocional del mismo
combinado con otras estrategias. Numerosos hallazgos en psicofisiología sugieren
que la activación del sistema nervioso autónomo
Hay que mencionar que dentro de los EVEAs cambia cuando se producen emociones, por
existen algunos inconvenientes que hacen que el este motivo una técnica muy utilizada es la
reconocimiento facial en ambientes reales como electroencefalografía (EEG), que proporciona
hogares, oficinas y otros sean susceptibles a fallos, una prueba invisible de la activación o excitación
debido a: ubicación de la cámara, iluminación afectiva (Mauss & Robinson, 2009; Savran et al.,
insuficientes o desigual en el rostros, movimientos 2006). Las señales fisiológicas pueden obtenerse
bruscos del usuario que hagan que salga del a través de diferentes dispositivos y sensorizando
umbral de la cámara, calidad en la resolución diferentes partes del cuerpo, como: la respuesta
de la cámara (Landowska, Brodny, & Wrobel, galvánica de la piel (Chanel, Ansari-Asl, & Pun,
2017), es así que una alternativa a solucionar 2007), la electromiografía (Haag, Goronzy,
esta problemática es combinarlo con otro medio Schaich, & Williams, 2004), el volumen sanguíneo
no intrusivo para corroborar los datos obtenidos (Caciopo, Berntson, Larsen, Poehlmann, & Ito,
mediante reconocimiento facial. 2000), la temperatura de la piel (Levenson, 2003),
el electrocardiograma (Mallan & Lipp, 2007) o la
Reconocimiento vocal frecuencia respiratoria (Haag et al., 2004). Muchas
investigaciones han utilizado estos medios para
(Ringeval et al., 2015) exponen que el reconocer las emociones en base a sus respuestas
reconocimiento de las emociones por medio del conductuales y fisiológicas, ya que los datos que

99
 Revista de Investigación Talentos V. (1)
Enero – Junio 2018

se extraen son muy fiables. Esta situación ha Caridakis, 2008) extraen ocho emociones mediante
conllevado múltiples trabajos, como EmoRate la combinación de reconocimiento facial, postura
que reconoce la emoción en tiempo real de un del cuerpo y la voz, extrayendo una serie de
usuario mientras ve una película (Sourina & Liu, características de cada modalidad y combinándolas
2015), o, por su parte (Brown, Grundlehner, & en un vector de características para la obtención
Penders, 2011) diseñaron un sistema inalámbrico de resultados con un 10% de mejora que hacerlo
de monitoreo mediante señales EEG que mide de forma unimodal. En esta misma línea (Gunes
la valencia emocional del usuario, aunque en el & Piccardi, 2009) o (Barros, Jirak, Weber, &
campo práctico implementar esta tecnología en Wermter, 2015) combinan el reconocimiento
un EVEA es muy complejo, ya que como idea facial y de la postura del corporal, con resultados
fundamental se busca detectar emociones en los mayores a la obtención de información de manera
estudiantes de manera no intrusiva, además de unimodal.
que los dispositivos hardware son muy específicos
como para encontrarlos en los hogares de (Tsihrintzis et al., 2008; Epp, Lippold, & Mandryk,
estudiantes. 2011; Nahin, Alam, Mahmud, & Hasan, 2014;
Rajput & Vijayavargiya, 2015) buscaron mejorar
Reconocimiento multimodal
el reconocimiento de las emociones mediante el
Hace algún tiempo muchas investigaciones han uso de información complementaria por medio
incorporado el reconocimiento de las emociones de del teclado, en base al análisis de patrones
manera multimodal, combinando reconocimiento mecanográficos y el tipo de textos escritos. En este
visual, auditivo, fisiológico y otros (D’mello & sentido (Khanna, Sasikumar, & Mumbai, 2010)
Kory, 2015). A continuación, se dan a conocer encontraron que la velocidad con la que se escribe
algunas de las modalidades que se podrían disminuye cuando las personas están en estado
implementar para reconocer emociones de manera emocional negativo como la tristeza, por otra parte
no intrusiva dentro del uso de un EVEA. (Khan, Brinkman, & Hierons, 2013) realizaron
una investigación empírica en dos estudios
La mayor parte de las investigaciones han concluyendo que es posible determinar el estado
combinado los medios facial y auditivo, como del ánimo de los usuarios mediante la interacción
los casos de (Chen & Huang, 2000; Zhang et al., con el teclado y el ratón. Autores como (Rajput
2014), esta combinación audiovisual ha generado & Vijayavargiya, 2015) analizaron el patrón de
datos más fiables que solo realizarlos de manera escritura del individuo, estableciendo un estado
unimodal, solucionando problemas como en mental y en base a ese análisis obtienen el estado
la detección del rostro que es sensible ante un emocional del usuario.
movimiento brusco de la cabeza o factores como
iluminación, en el reconocimiento del habla De igual manera, existe otro campo de
se ve afectado por ruido del entorno, es así que investigación dedicado al análisis de sentimientos
la fusión de estos medios brinda información basado en estudio de las opiniones y emociones
complementaria con mejores resultados (Zeng, que se transmiten por texto (Ebert, 2017). Aunque
Pantic, Roisman, & Huang, 2009). normalmente se lo aplica para efectos comerciales,
podría ser utilizado dentro del campo educativo,
Otros autores como (Castellano, Kessous, & ya que muchos estudiantes dejan sus comentarios

10
0
Revista de Investigación Talentos V. (1)
Enero – Junio 2018

y opiniones en foros, blogs y más elementos que Es evidente que las emociones desempeñan
contienen los EVEAs, al respecto se ha realizado un papel muy importante en el aprendizaje, la
algunas tentativas por aplicarlas en el campo percepción, la toma de decisiones y muchos otros
educativo tal es el caso de (Rani & Kumar, 2017; procesos que anteriormente se creían propiamente
Barrón-Estrada, Zatarain-Cabada, Oramas- racionales, hoy se conoce que la cognición
Bustillos, & González-Hernández, 2017), con la es influenciada de manera significativa por la
finalidad de determinar los criterios y emociones emoción, en este sentido se da la necesidad de
que muestran los estudiantes en torno a la calidad profundizar más sobre el entendimiento del papel
de un curso, sus expectativas, las experiencias de de las emociones en el proceso de enseñanza y
aprendizaje y más. aprendizaje.

Software para el reconocimiento de emociones

El manejo de las emociones puede ser un
Durante estos últimos años las investigaciones y vehículo increíble para potenciar o inhibir
avances en herramientas para el reconocimiento el aprendizaje, por lo que es imprescindible
automático de emociones ha sido impresionante, profundizar aún más el conocimiento en torno
desarrollándose múltiples sistemas reconocedores a las emociones humanas, y su papel sobre el
(Calvo & D’Mello, 2010; D’mello & Kory, 2015). aprendizaje, debido a que paradigmas establecidos
A continuación, se detallan algunos de ellos. se vienen desechando, entre estos que las emociones
negativas tales como confusión, frustración,
Empresas como (IMOTIONS Inc, 2016) ponen aburrimiento no necesariamente afectan el
a disposición una serie de aplicaciones a nivel aprendizaje, es decir un estudiante cuando realiza
de software y de hardware para la detección de procesos de aprendizaje complejo probablemente
emociones como: análisis de expresiones faciales, va a sentir esas emociones que con esfuerzo lo
registro visual, EEG, GSR, y más. Empresas superará llevándolo a aprendizajes efectivos, por
como AFECTIVA ponen a disposición AFFDEX tanto es necesario ahondar acerca de cuáles son
(SDK) (Mcduff et al., 2016), que es un kit de beneficiosas para el aprendizaje y cuáles no.
herramientas de reconocimiento de emociones en
tiempo real, que puede codificar automáticamente Pese a que cada vez se va logrando mejores
las expresiones de varias personas, está disponible resultados en el reconocimiento de las emociones
para las plataformas móviles y de escritorio más humanas, todavía existen serios inconvenientes
populares, reconoce las 6 emociones básicas en que las investigaciones salgan del laboratorio
establecidas por (Ekman & Friesen, 1978). y puedan incorporarse en entornos reales como
Tambien empresas como (EYERIS, 2016) hogares y centros de estudio, entornos virtuales de
desarrollan soluciones de reconocimiento facial en enseñanza y aprendizaje, MOOCS, priorizando el
cuanto a las seis emociones básicas, más la neutral uso de medios no intrusivos.
con su software denominado Emovu, la empresa
Noldus con su software FaceReader (Noldus Inc, Uno de los retos de la computación afectiva
2016), cada una de estas tecnologías cuenta con en torno a la educación, es acortar la brecha de
una API para incorporarse en software de terceros. comunicación entre las personas y los sistemas
informáticos, plataformas de enseñanza y
III. CONCLUSIONES aprendizaje y brindar una forma de interacción

101
 Revista de Investigación Talentos V. (1)
Enero – Junio 2018

basados en el lenguaje no verbal; por otro lado, N. V, Millar, G. C., & Grafsgaard, J. F.
mejorar la capacidad a estos sistemas de modificar (2016). Are Pedagogical Agents’ External
Regulation Effective in Fostering Learning
su comportamiento que promueva empatía con el
with Intelligent Tutoring Systems? In A.
estudiante, logrando con esto la personalización Micarelli, J. Stamper, & K. Panourgia
del aprendizaje y adaptarse a las capacidades (Eds.), Intelligent Tutoring Systems: 13th
propias de cada usuario. International Conference, ITS 2016, Zagreb,
Croatia, June 7-10, 2016. Proceedings (pp.
197–207). Cham: Springer International
El vertiginoso crecimiento de las TICs, así como Publishing. https://doi.org/10.1007/978-3-
el auge de nuevas modalidades de aprendizaje como 319-39583-8_19
e-learning, b-learning y m-learning, MOOCS, hay Bachiller, C., Hernández, C., & Sastre, J. (2010).
brindado la oportunidad de que el aprendizaje se Collaborative Learning , Research and
Science Promotion in a Multidisciplinary
masifique a través de la web de forma democrática a Scenario : Information and Communications
usuarios ávidos de conocimiento, esta oportunidad Technology and Music. Engineering
de aprendizaje es un desafío constante para estas Education, 1–8.
tecnologías y modalidades de aprendizaje debido Baker, R. S. J. D., Mercedes, M., Rodrigo, T., &
a que existen muchos detractores que ponen en Xolocotzin, U. E. (2007). The Dynamics of
Affective Transitions in Simulation Problem-
tela de duda la aceptación, credibilidad, calidad, Solving Environments. Lncs, 4738, 666–677.
evaluación, los resultados de aprendizaje, es ahí https://doi.org/10.1007/978-3-540-74889-
donde la computación afectiva toma mucha fuerza 2_58
debido a que un objetivo de la misma es brindar Baldassarri, S., Hupont, I., Abadía, D., & Cerezo,
entornos personalizados y empáticos acordes con E. (2015). Affective-aware tutoring platform
for interactive digital television. Multimedia
las necesidades y capacidades propias de cada
Tools and Applications, 74(9), 3183–3206.
estudiante dejando de lado métodos generalistas, https://doi.org/10.1007/s11042-013-1779-z
expositivos y conductistas muy utilizados en la Barrón-Estrada, M. L., Zatarain-Cabada,
actualidad y que no han logrado los resultados R., Oramas-Bustillos, R., & González-
esperados. Hernández, F. (2017). Sentiment Analysis
in an Affective Intelligent Tutoring System.
International Conference on Advanced
IV. BIBLIOGRAFÍA Learning Technologies. https://doi.
org/10.1109/ICALT.2017.137
Anderson, K., & McOwan, P. W. (2006). A real- Barros, P., Jirak, D., Weber, C., & Wermter,
time automated system for the recognition S. (2015). Multimodal emotional state
of human facial expressions. Systems, Man, recognition using sequence-dependent deep
and Cybernetics, Part B: Cybernetics, IEEE hierarchical features. Retrieved from https://
Transactions On, 36(1), 96–105. https://doi. ac.els-cdn.com/S0893608015001847/1 -
org/10.1109/TSMCB.2005.854502 s2.0-S0893608015001847 -main.pdf?_
Arbaugh, J. B., & Duray, R. (2002). Managing the tid=1cb05188-b92a-11e7-9dfa-00000aacb36
on-line classroom: a study of technological 2&acdnat=1508897798_4141fafbdeaf2e457f
and behavioral characteristics of web-based fe1a2c91b57208
MBA courses. Journal of High Technology Berrocoso, V. (2014). Redalyc.MOOCS: Una
Management Research, 13, 203–223. visión crítica desde las ciencias de la
Atiaja, A. (2016). Los MOOCs : evolución , educación, 18.
problemas y perspectivas hasta el 2015, 5(3), Bradbury, A. E., Taub, M., & Azevedo, R. (2017).
105–123. The Effects of Autonomy on Emotions
Azevedo, R., Martin, S. A., Taub, M., Mudrick, and Learning in Game-Based Learning

10
2
Revista de Investigación Talentos V. (1)
Enero – Junio 2018

Environments. Cognitive Science, 1666– expressions in audiovisual human computer

1671. interaction. Multimedia and Expo, 2000.
Brown, L., Grundlehner, B., & Penders, J. (2011). ICME 2000. 2000 IEEE International
Towards wireless emotional valence detection Conference On, 1(2), 423–426 vol.1. https://
from EEG, 2188–2191. doi.org/10.1109/ICME.2000.869630
Bureš, V. (2006). Communication Problems in a D’Mello, S., & Graesser, A. (2011). The half-life
Virtual Environment. In University of Hradec of cognitive-affective states during complex
Kralove (Ed.), Rokitanskeho (pp. 2004– learning. Cognition and Emotion, 25(7),
2006). Czech Republic. 1299–1308. https://doi.org/10.1080/0269993
1.2011.613668
Caciopo, J., Berntson, G., Larsen, J., Poehlmann,
K., & Ito, T. (2000). The Ppsychophysiology D’mello, S. K., & Kory, J. (2015). A Review
of Emotion. In The Handbook of emotion (pp. and Meta-Analysis of Multimodal Affect
173–191). Detection Systems. ACM Computing Surveys,
47(3), 1–36. https://doi.org/10.1145/2682899
Calvo, R. A., & D’Mello, S. (2010). Affect
detection: An interdisciplinary review of D’Mello, S., Lehman, B., Pekrun, R., & Graesser,
models, methods, and their applications. A. (2014). Confusion can be beneficial
IEEE Transactions on Affective Computing, for learning. Learning and Instruction,
1(1), 18–37. https://doi.org/10.1109/T- 29, 153–170. https://doi.org/10.1016/j.
AFFC.2010.1 learninstruc.2012.05.003
Castellano, G., Kessous, L., & Caridakis, G. Ebert, S. (2017). ARTIFICIAL NEURAL
(2008). Emotion Recognition through NETWORK METHODS APPLIED TO
Multiple Modalities: Face, Body Gesture, SENTIMENT ANALYSIS.
Speech. In C. Peter & R. Beale (Eds.), Ekman, P., & Friesen, W. (1978). Facial Action
Affect and Emotion in Human-Computer Coding System: A technique for the
Interaction: From Theory to Applications (pp. measurement of facial movements. Consulting
92–103). Berlin, Heidelberg: Springer Berlin Psychologist. Palo Alto (CA).
Heidelberg. https://doi.org/10.1007/978-3- Ekman, & Rosenberg, E. (2005). What the Face
540-85099-1_8 Reveals: Basic and Applied Studies of
Chanel, G., Ansari-Asl, K., & Pun, T. (2007). Spontaneous Expression Using the Facial
Valence-arousal evaluation using Action Coding System (FACS) (2nd editio).
physiological signals in an emotion recall New York.
paradigm. Conference Proceedings - IEEE Epp, C., Lippold, M., & Mandryk, R. L. (2011).
International Conference on Systems, Man and Identifying emotional states using keystroke
Cybernetics, (December), 2662–2667. https:// dynamics. Proceedings of the 2011 Annual
doi.org/10.1109/ICSMC.2007.4413638 Conference on Human Factors in Computing
Chao, C. J., Lin, H. C. K., Lin, J. W., & Tseng, Y. Systems - CHI ’11, 715–724. https://doi.
C. (2012). An affective learning interface with org/10.1145/1978942.1979046
an interactive animated agent. Proceedings EYERIS. (2016). EmoVu. Retrieved from http://
2012 4th IEEE International Conference on emovu.com/e/
Digital Game and Intelligent Toy Enhanced
Graesser, A., Chipman, P., King, B., McDaniel,
Learning, DIGITEL 2012, 221–225. https://
B., & D’Mello, S. K. (2007). Emotions
doi.org/10.1109/DIGITEL.2012.60
and Learning with Auto Tutor. Frontiers in
Chen, L., Mao, X., Xue, Y., & Cheng, L. L. Artificial Intelligence and Applications, 158,
(2012). Speech emotion recognition: 569.
Features and classification models. Digital
Grawemeyer, B., Mavrikis, M., Holmes, W.,
Signal Processing: A Review Journal,
Gutiérrez-Santos, S., Wiedmann, M., &
22(6), 1154–1160. https://doi.org/10.1016/j.
Rummel, N. (2017). Affective learning:
dsp.2012.05.007
improving engagement and enhancing
Chen, L. S., & Huang, T. S. (2000). Emotional learning with affect-aware feedback. User

103
 Revista de Investigación Talentos V. (1)
Enero – Junio 2018

Modeling and User-Adapted Interaction, N. (2010). Recognising Emotions from

27(1), 119–158. https://doi.org/10.1007/ Keyboard Stroke Pattern. International
s11257-017-9188-z Journal of Computer Applications, 11(9),
Gunes, H., & Piccardi, M. (2009). Automatic 975–8887. https://doi.org/10.5120/1614-
temporal segment detection and affect 2170
recognition from face and body display. Kim, E. H., Hyun, K. H., Kim, S. H., & Kwak,
IEEE Transactions on Systems, Man, Y. K. (2009). Improved emotion recognition
and Cybernetics, Part B: Cybernetics, with a novel speaker-independent feature.
39(1), 64–84. https://doi.org/10.1109/ IEEE/ASME Transactions on Mechatronics,
TSMCB.2008.927269 14(3), 317–325. https://doi.org/10.1109/
Haag, A., Goronzy, S., Schaich, P., & Williams, TMECH.2008.2008644
J. (2004). Emotion Recognition Using Bio- Kim, Y., & Baylor, A. L. (2016). Research-Based
sensors: First Steps towards an Automatic Design of Pedagogical Agent Roles: A
System. Affective Dialogue Systems, i, 36–48. Review, Progress, and Recommendations.
https://doi.org/10.1007/978-3-540-24842- International Journal of Artificial Intelligence
2_4 in Education, 26(1), 160–169. https://doi.
Haggard, S. (2013). The Maturing of the MOOC. org/10.1007/s40593-015-0055-y
BIS Research Paper 130, (130), 123. Retrieved Kort, B., & Reilly, R. (2002). Analytical Models
from https://www.gov.uk/government/ of Emotions, Learning and Relationships:
uploads/system/uploads/attachment_data/ Towards an Affect-sensitive Cognitive
file/240193/13-1173-maturing-of-the-mooc. Machine. Virtual Worlds Simulation
pdf Conference, 1–15.
Happy, S. L., George, A., & Routray, A. (2012). Landowska, A., Brodny, G., & Wrobel, M. R.
A real time facial expression classification (2017). Limitations of emotion recognition
system using Local Binary Patterns. 4th from facial expressions in e-learning
International Conference on Intelligent context. CSEDU 2017 - Proceedings of the
Human Computer Interaction (IHCI), 1–5. 9th International Conference on Computer
https://doi.org/10.1109/IHCI.2012.6481802 Supported Education, 2(Csedu), 383–389.
Hernández-Sánchez, A. M., & Ortega-Maldonado, https://doi.org/10.5220/0006357903830389
A. (2015). Hacia la personalización del e- Levenson, R. W. (2003). Blood, Sweat, and Fears:
Learning: La afectividad y su repercusión en The Autonomic Architecture of Emotion.
el bienestar subjetivo. Revista Lasallista de In Emotions inside out: 130 years after
Investigacion, 12(2), 194–203. Darwin’s: The expression of the emotions in
IMOTIONS Inc. (2016). Emotient Module_ Facial man and animals. (pp. 348–366). Levenson,
Expression Emotion Analysis. Retrieved Robert W.: Institute of Personality and Social
from https://imotions.com/emotient/ Research, University of California, Berkeley,
4143 Tolman Hall #5050, Berkeley, CA, US,
Khan, I. A., Brinkman, W. P., & Hierons, R. (2013). 94720-5050, [email protected]:
Towards estimating computer users’ mood New York Academy of Sciences.
from interaction behaviour with keyboard and
mouse. Frontiers of Computer Science, 7(6), Lin, D. (2006). Facial expression classification
943–954. https://doi.org/10.1007/s11704- using PCA and hierarchical radial basis
013-2331-z function network. Journal of Information
Science and Engineering, 1046(November
Khanna, P., Sasikumar, M., & Mumbai, K.
1999), 1033–1046. Retrieved from http://

10
4