Reconocer con precisión los comportamientos de los estudiantes en el aula es esencial para analizar las interacciones entre profesores y estudiantes y permitir una evaluación educativa inteligente. Aunque el aprendizaje profundo ofrece soluciones prometedoras, los métodos existentes a menudo tienen un rendimiento deficiente en entornos de aula complejos debido a oclusiones y acciones sutiles y superpuestas. Para abordar estos problemas, este artículo propone un método robusto y eficiente para el reconocimiento de comportamientos al mejorar la arquitectura You Only Look Once versión 8 (YOLOv8) con un módulo de Atención de Múltiples Cabezas (MHSA), denominado YOLOv8-MHSA. La integración de MHSA permite al modelo capturar relaciones contextuales entre características espaciales distantes, lo cual es crítico para distinguir comportamientos similares. Para una evaluación integral, también implementamos un modelo con Atención por Coordenadas (CA). Los resultados experimentales en un conjunto de datos estándar demuestran la superioridad de nuestro modelo YOLOv8-MHSA, que alcanza una precisión de 0.86, un recall de 0.807, un mAP50 de 0.855 y un mAP50-95 de 0.677, ofreciendo un rendimiento competitivo en comparación con el SBD-Net de última generación. Estos hallazgos validan que la modelización contextual explícita a través de la autoatención mejora significativamente el rendimiento en el reconocimiento de comportamientos de alta precisión. En consecuencia, esta investigación tiene aplicaciones potenciales directas en la provisión de herramientas automatizadas y basadas en datos para la formación de profesores, la evaluación de la calidad del aula y, en última instancia, el apoyo al desarrollo de sistemas de educación personalizada.