La calidad de un método de enseñanza utilizado en un aula puede ser evaluada observando las expresiones faciales de los estudiantes. Para automatizar esto, se puede emplear el Reconocimiento de Expresiones Faciales (FER). Basándose en las emociones reconocidas de los estudiantes, los profesores pueden mejorar sus clases determinando qué actividades durante la clase provocan qué emociones y cómo estas emociones están relacionadas con las tareas resueltas por los estudiantes. El trabajo previo aborda principalmente el problema en el contexto de la enseñanza pasiva, donde los profesores presentan mientras los estudiantes escuchan y toman notas, y generalmente en cursos en línea. Llevamos esto un paso más allá y desarrollamos modelos predictivos que pueden clasificar emociones en el contexto de la enseñanza activa, específicamente un taller de robótica, que es más desafiante. Los dos mejores modelos generalizadores (Inception-v3 y ResNet-34) en el conjunto de pruebas se combinaron con el objetivo de predecir emociones en tiempo real en videos de participantes del taller resolviendo ocho tareas utilizando un robot educativo. Como prueba de concepto, aplicamos los modelos a los datos de video y analizamos las emociones predichas con respecto a las actividades, tareas y género de los participantes. El análisis estadístico mostró que las participantes femeninas eran más propensas a mostrar emociones en casi todos los tipos de actividades. Además, para todos los tipos de actividades, la emoción de felicidad era la más probable independientemente del género. Finalmente, el tipo de actividad en el que las emociones analizadas fueron más frecuentes fue la programación. Estos resultados indican que las expresiones faciales de los estudiantes están relacionadas con las actividades en las que están participando actualmente y contienen información valiosa para los profesores sobre en qué pueden mejorar en su práctica docente.