El humor en el aula es una estrategia de instrucción importante que mejora la efectividad de la enseñanza y aumenta la participación de los estudiantes. Sin embargo, su detección automática sigue siendo un desafío debido a la fuerte dependencia contextual y los cambios semánticos implícitos que caracterizan las expresiones humorísticas en el discurso educativo. Los modelos de lenguaje preentrenados convencionales capturan la semántica global, pero a menudo no logran centrarse en los sutiles anclajes humorísticos que desencadenan la incongruencia. Para abordar este problema, proponemos T-HumorAGSA, un modelo de detección de lenguaje humorístico para profesores en el aula inspirado en la cognición. El modelo emplea BERT para la codificación semántica contextualizada, seguido de un mecanismo de Atención Guiada por Anclajes (AGSA) que amplifica de manera adaptativa las características relacionadas con los anclajes responsables de la generación de humor. Se integra además una capa de unidad recurrente bidireccional (BiGRU) para modelar las dependencias temporales de largo alcance dentro de las expresiones educativas. T-HumorAGSA se evalúa en cinco conjuntos de datos, incluyendo SemEval 2021 Task 7-1a, ColBERT, CCL2018, CCL2019 y el conjunto de datos de lenguaje humorístico para profesores autoconstruido (T-Humor), demostrando un rendimiento consistentemente fuerte. Por ejemplo, logra un F1 de 0.9874 en ColBERT y un F1 de 0.9508 en SemEval 2021 Task 7-1a, superando ambos los mejores modelos de referencia. En el conjunto de datos T-Humor, el modelo alcanza una alta puntuación F1 de 0.9895, validando su capacidad para detectar sutiles señales humorísticas en el discurso educativo. Los resultados demuestran que el modelo propuesto ofrece un excelente rendimiento en la detección de humor en el aula.