Аффективные вычисления - Affective computing

Аффективные вычисления - это изучение и разработка систем и устройств, которые могут распознавать, интерпретировать, обрабатывать и моделировать человеческие аффекты . Это междисциплинарная область, охватывающая информатику , психологию и когнитивную науку . В то время как некоторые основные идеи в этой области можно проследить еще до ранних философских исследований эмоций , более современная отрасль информатики возникла из статьи Розалинд Пикард об аффективных вычислениях 1995 года и ее книги « Аффективные вычисления», опубликованной MIT Press . Одна из мотиваций исследования - способность придавать машинам эмоциональный интеллект, в том числе имитировать сочувствие . Машина должна интерпретировать эмоциональное состояние людей и адаптировать к ним свое поведение, соответствующим образом реагируя на эти эмоции.

Области

Обнаружение и распознавание эмоциональной информации

Обнаружение эмоциональной информации обычно начинается с пассивных датчиков, которые собирают данные о физическом состоянии или поведении пользователя без интерпретации входных данных. Собранные данные аналогичны сигналам, которые люди используют, чтобы воспринимать эмоции в других. Например, видеокамера может фиксировать мимику, положение тела и жесты, а микрофон может фиксировать речь. Другие датчики обнаруживают эмоциональные сигналы, напрямую измеряя физиологические данные, такие как температура кожи и гальваническое сопротивление .

Распознавание эмоциональной информации требует извлечения значимых закономерностей из собранных данных. Это делается с помощью методов машинного обучения, которые обрабатывают различные методы , такие как распознавание речи , обработка естественного языка или определение выражения лица . Цель большинства этих методов - создать ярлыки, которые соответствовали бы ярлыкам, которые человек-воспринимающий дал бы в той же ситуации: например, если человек делает выражение лица, нахмуренное, то систему компьютерного зрения можно научить маркировать их лицо выглядит «растерянным», «сосредоточенным» или «слегка негативным» (в отличие от позитивного, о котором можно было бы сказать, если бы они улыбались радостно). Эти ярлыки могут соответствовать или не соответствовать тому, что на самом деле чувствует человек.

Эмоции в машинах

Еще одна область аффективных вычислений - это разработка вычислительных устройств, которые, как предполагается, демонстрируют либо врожденные эмоциональные способности, либо способны убедительно моделировать эмоции. Более практичным подходом, основанным на современных технологических возможностях, является моделирование эмоций в разговорных агентах с целью обогащения и облегчения взаимодействия между человеком и машиной.

Марвин Мински , один из пионеров в области информатики в области искусственного интеллекта , связывает эмоции с более широкими проблемами машинного интеллекта, заявляя в «Машина эмоций», что эмоции «не особо отличаются от процессов, которые мы называем« мышлением »».

Технологии

В психологии, когнитивной науке и нейробиологии существует два основных подхода к описанию того, как люди воспринимают и классифицируют эмоции: непрерывный или категориальный. При непрерывном подходе используются такие параметры, как негативное и позитивное, спокойное или возбужденное.

При категориальном подходе используются отдельные классы, такие как «счастливый», «грустный», «сердитый», «пугающий», «удивление», «отвращение». Для того, чтобы машины производили непрерывные или дискретные этикетки, можно использовать различные виды регрессионных и классификационных моделей машинного обучения. Иногда также создаются модели, позволяющие комбинировать категории, например, счастливое удивленное лицо или испуганно-удивленное лицо.

В следующих разделах рассматриваются многие виды входных данных, используемых для распознавания эмоций .

Эмоциональная речь

Различные изменения в вегетативной нервной системе могут косвенно изменять речь человека, а аффективные технологии могут использовать эту информацию для распознавания эмоций. Например, речь, производимая в состоянии страха, гнева или радости, становится быстрой, громкой и точной, с все более и более широким диапазоном высоты тона, тогда как такие эмоции, как усталость, скука или грусть, как правило, вызывают медленные, низкие звуки. резкая и невнятная речь. Было обнаружено, что некоторые эмоции легче идентифицировать с помощью вычислений, например гнев или одобрение.

Технологии обработки эмоциональной речи распознают эмоциональное состояние пользователя с помощью вычислительного анализа речевых характеристик. Вокальные параметры и просодические характеристики, такие как переменные высоты тона и скорость речи, могут быть проанализированы с помощью методов распознавания образов.

Анализ речи - это эффективный метод определения аффективного состояния, средняя точность которого, согласно недавним исследованиям, составляет от 70 до 80%. Эти системы имеют тенденцию превосходить среднюю человеческую точность (примерно 60%), но менее точны, чем системы, которые используют другие методы для обнаружения эмоций, такие как физиологические состояния или выражения лица. Однако, поскольку многие речевые характеристики не зависят от семантики или культуры, этот метод считается многообещающим путем для дальнейших исследований.

Алгоритмы

Процесс обнаружения аффекта речи / текста требует создания надежной базы данных , базы знаний или модели векторного пространства , достаточно широкой, чтобы соответствовать всем потребностям ее применения, а также выбора успешного классификатора, который позволит быстро и точно идентификация эмоций.

В настоящее время наиболее часто используемыми классификаторами являются линейные дискриминантные классификаторы (LDC), k-ближайший сосед (k-NN), модель смеси Гаусса (GMM), опорные векторные машины (SVM), искусственные нейронные сети (ANN), алгоритмы дерева решений и скрытые марковские модели (HMM). Различные исследования показали, что выбор подходящего классификатора может значительно повысить общую производительность системы. В приведенном ниже списке дается краткое описание каждого алгоритма:

  • LDC - Классификация происходит на основе значения, полученного из линейной комбинации значений признаков, которые обычно предоставляются в форме векторных объектов.
  • k-NN - Классификация происходит путем нахождения объекта в пространстве признаков и сравнения его с k ближайшими соседями (обучающие примеры). Классификация принимается большинством голосов.
  • GMM - это вероятностная модель, используемая для представления существования субпопуляций в общей популяции. Каждая подгруппа описывается с использованием смешанного распределения, что позволяет классифицировать наблюдения по подгруппам.
  • SVM - это тип (обычно двоичного) линейного классификатора, который решает, в какой из двух (или более) возможных классов может попадать каждый вход.
  • ИНС - это математическая модель, вдохновленная биологическими нейронными сетями, которая может лучше понять возможные нелинейности пространства признаков.
  • Алгоритмы дерева решений - работа, основанная на следовании дереву решений, в котором листья представляют результат классификации, а ветви представляют собой соединение последующих функций, которые приводят к классификации.
  • HMMs - статистическая марковская модель, в которой состояния и переходы между состояниями напрямую не доступны для наблюдения. Вместо этого видны серии выходов, зависящих от состояний. В случае распознавания аффекта выходные данные представляют собой последовательность векторов речевых признаков, что позволяет вывести последовательности состояний, через которые развивалась модель. Состояния могут состоять из различных промежуточных шагов в выражении эмоции, и каждый из них имеет распределение вероятностей по возможным выходным векторам. Последовательности состояний позволяют нам предсказать аффективное состояние, которое мы пытаемся классифицировать, и это один из наиболее часто используемых методов в области обнаружения речевых аффектов.

Доказано, что при наличии достаточного количества акустических свидетельств эмоциональное состояние человека может быть классифицировано с помощью набора классификаторов голосования большинством голосов. Предлагаемый набор классификаторов основан на трех основных классификаторах: kNN, C4.5 и SVM-RBF Kernel. Этот набор обеспечивает лучшую производительность, чем каждый базовый классификатор, взятый отдельно. Он сравнивается с двумя другими наборами классификаторов: мультиклассовой SVM «один против всех» (OAA) с гибридными ядрами и набором классификаторов, который состоит из следующих двух основных классификаторов: C5.0 и нейронная сеть. Предлагаемый вариант обеспечивает лучшую производительность, чем два других набора классификаторов.

Базы данных

Подавляющее большинство существующих систем зависят от данных. Это создает одну из самых больших проблем при обнаружении эмоций на основе речи, поскольку требует выбора соответствующей базы данных, используемой для обучения классификатора. Большая часть имеющихся в настоящее время данных была получена от актеров и, таким образом, представляет собой представление об архетипических эмоциях. Эти так называемые действующие базы данных обычно основаны на теории основных эмоций ( Пол Экман ), которая предполагает существование шести основных эмоций (гнев, страх, отвращение, удивление, радость, печаль), а остальные просто являются смесью этих эмоций. бывшие. Тем не менее, они по-прежнему предлагают высокое качество звука и сбалансированные классы (хотя часто их слишком мало), что способствует высокому успеху в распознавании эмоций.

Однако для реальных приложений предпочтительны натуралистические данные. Натуралистическая база данных может быть создана путем наблюдения и анализа предметов в их естественном контексте. В конечном итоге такая база данных должна позволить системе распознавать эмоции на основе их контекста, а также определять цели и результаты взаимодействия. Природа этого типа данных позволяет реализовать их в реальной жизни, поскольку они описывают состояния, естественным образом возникающие во время взаимодействия человека с компьютером (HCI).

Несмотря на многочисленные преимущества, которые имеют натуралистические данные над данными, полученными в результате действий, их трудно получить, и они обычно имеют низкую эмоциональную напряженность. Кроме того, данные, полученные в естественном контексте, имеют более низкое качество сигнала из-за шума окружающей среды и удаленности объектов от микрофона. Первой попыткой создания такой базы данных стал корпус FAU Aibo Emotion Corpus для CEICES (объединение усилий для улучшения автоматической классификации эмоциональных состояний пользователя), который был разработан на основе реалистичного контекста детей (10–13 лет), играющих с домашним роботом Sony Aibo. . Точно так же создание единой стандартной базы данных для всех эмоциональных исследований предоставит метод оценки и сравнения различных систем распознавания аффектов.

Речевые дескрипторы

Сложность процесса распознавания аффектов увеличивается с увеличением количества классов (аффектов) и речевых дескрипторов, используемых в классификаторе. Поэтому крайне важно выбрать только самые важные функции, чтобы гарантировать способность модели успешно определять эмоции, а также повышать производительность, что особенно важно для обнаружения в реальном времени. Диапазон возможных вариантов огромен, в некоторых исследованиях упоминается использование более 200 различных функций. Крайне важно идентифицировать избыточные и нежелательные, чтобы оптимизировать систему и повысить вероятность правильного обнаружения эмоций. Наиболее распространенные речевые характеристики делятся на следующие группы.

  1. Частотные характеристики
    • Форма акцента - зависит от скорости изменения основной частоты.
    • Средний тон - описание того, насколько высоко / низко говорящий говорит по сравнению с нормальной речью.
    • Наклон контура - описывает тенденцию изменения частоты с течением времени, она может быть повышением, понижением или уровнем.
    • Окончательное понижение - величина, на которую падает частота в конце высказывания.
    • Диапазон высоты тона - измеряет разброс между максимальной и минимальной частотой произнесения.
  2. Функции, связанные со временем:
    • Скорость речи - описывает скорость произнесения слов или слогов за единицу времени.
    • Частота ударения - измеряет частоту появления звуков с тональным акцентом.
  3. Параметры качества голоса и дескрипторы энергии:
    • Дыхание - измеряет шум вдоха в речи
    • Brilliance - описывает преобладание высоких или низких частот в речи.
    • Громкость - измеряет амплитуду речевого сигнала, переводит в энергию произнесения.
    • Pause Discontinuity - описывает переходы между звуком и тишиной.
    • Pitch Discontinuity - описывает переходы основной частоты.

Обнаружение аффекта лица

Обнаружение и обработка выражения лица достигается с помощью различных методов, таких как оптический поток , скрытые модели Маркова , обработка нейронной сети или активные модели внешнего вида. Можно комбинировать или объединять несколько модальностей (мультимодальное распознавание, например, выражения лица и просодия речи, выражения лица и жесты рук или выражения лица с речью и текстом для мультимодальных данных и анализа метаданных), чтобы обеспечить более надежную оценку эмоционального состояния субъекта. штат. Affectiva - это компания (соучредителями которой являются Розалинд Пикард и Рана Эль Калиуби ), непосредственно связанная с аффективными вычислениями, и нацелена на исследование решений и программного обеспечения для обнаружения лицевых аффектов.

Базы данных по выражению лица

Создание базы данных эмоций - сложная и трудоемкая задача. Однако создание базы данных - важный шаг в создании системы, распознающей человеческие эмоции. Большинство общедоступных баз данных эмоций включают только смоделированные выражения лица. В базах данных постановочных выражений участников просят отображать различные основные эмоциональные выражения, в то время как в базе данных спонтанных выражений выражения являются естественными. Спонтанное проявление эмоций требует значительных усилий по выбору правильных стимулов, которые могут привести к яркому проявлению намеченных эмоций. Во-вторых, процесс включает в себя пометку эмоций обученными людьми вручную, что делает базы данных очень надежными. Поскольку восприятие выражений и их интенсивности субъективно по своей природе, аннотации экспертов важны для целей валидации.

Исследователи работают с тремя типами баз данных, такими как база данных только изображений пикового выражения, база данных последовательностей изображений, отражающих эмоцию от нейтральной до ее пика, и видеоклипы с эмоциональными аннотациями. Многие базы данных по выражениям лиц были созданы и обнародованы с целью распознавания выражений лиц. Две из широко используемых баз данных - это CK + и JAFFE.

Классификация эмоций

Выполняя кросс-культурное исследование в Папуа-Новой Гвинее, посвященное представителям коренных народов, в конце 1960-х годов Пол Экман предложил идею о том, что выражение эмоций на лице не определяется культурой, а универсально. Таким образом, он предположил, что они имеют биологическое происхождение и поэтому могут быть безопасно и правильно классифицированы. Поэтому в 1972 году он официально выдвинул шесть основных эмоций:

Однако в 1990-х годах Экман расширил свой список основных эмоций, включив в него ряд положительных и отрицательных эмоций, не все из которых закодированы в лицевых мышцах. Недавно добавленные эмоции:

  1. Развлечение
  2. Презрение
  3. Удовлетворенность
  4. Смущение
  5. Возбуждение
  6. Вина
  7. Гордость за достижения
  8. Рельеф
  9. Удовлетворение
  10. Чувственное удовольствие
  11. Стыд

Система кодирования действий лица

Психологи разработали систему для формальной категоризации физического выражения эмоций на лицах. Центральная концепция Системы кодирования действий лица, или FACS, созданная Полом Экманом и Уоллесом В. Фризеном в 1978 году на основе более ранней работы Карла-Хермана Хьортшё, - это единицы действия (AU). По сути, это сокращение или расслабление одной или нескольких мышц. Психологи предложили следующую классификацию шести основных эмоций в зависимости от единиц их действия («+» здесь означает «и»):

Эмоции Единицы действия
Счастье 6 + 12
Грусть 1 + 4 + 15
Сюрприз 1 + 2 + 5B + 26
Страх 1 + 2 + 4 + 5 + 20 + 26
Злость 4 + 5 + 7 + 23
Отвращение 9 + 15 + 16
Презрение R12A + R14A

Проблемы с распознаванием лиц

Как и в любой вычислительной практике, при обнаружении аффекта с помощью обработки лица необходимо преодолеть некоторые препятствия, чтобы полностью раскрыть скрытый потенциал всего применяемого алгоритма или метода. На заре почти всех видов обнаружения на основе ИИ (распознавание речи, распознавание лиц, распознавание аффектов) точность моделирования и отслеживания была проблемой. По мере развития аппаратного обеспечения, по мере того, как собирается больше данных, делаются новые открытия и внедряются новые методы, этот недостаток точности исчезает, оставляя проблемы с шумом. Однако существуют методы удаления шума, включая усреднение по окрестностям, линейное сглаживание по Гауссу , медианную фильтрацию или более новые методы, такие как алгоритм оптимизации сбора бактерий.

Другие проблемы включают

  • Тот факт, что заданные выражения, используемые большинством субъектов различных исследований, не являются естественными, и поэтому алгоритмы, обученные им, могут не применяться к естественным выражениям.
  • Отсутствие свободы вращательного движения. Обнаружение аффекта очень хорошо работает при фронтальном использовании, но при повороте головы более чем на 20 градусов «возникли проблемы».
  • Выражение лица не всегда соответствует лежащей в основе эмоции, которая соответствует им (например, они могут быть изображены или сфальсифицированы, или человек может испытывать эмоции, но сохраняет «покерное лицо»).
  • FACS не включал динамику, в то время как динамика может помочь устранить двусмысленность (например, улыбки искреннего счастья, как правило, имеют другую динамику, чем улыбки «попытаться выглядеть счастливыми»).
  • Комбинации FACS не соответствуют 1: 1 эмоциям, которые первоначально предлагали психологи (обратите внимание, что это отсутствие сопоставления 1: 1 также имеет место при распознавании речи с омофонами и омонимами и многими другими источниками двусмысленности и может быть смягчается за счет привлечения других каналов информации).
  • Точность распознавания повышена за счет добавления контекста; однако добавление контекста и других модальностей увеличивает вычислительные затраты и сложность

Жест тела

Жесты можно эффективно использовать как средство обнаружения определенного эмоционального состояния пользователя, особенно когда они используются в сочетании с распознаванием речи и лиц. В зависимости от конкретного действия жесты могут быть простыми рефлексивными реакциями, такими как поднятие плеч, когда вы не знаете ответа на вопрос, или они могут быть сложными и значимыми, как при общении с помощью языка жестов. Не используя какой-либо объект или окружающую среду, мы можем махать руками, хлопать в ладоши или манить. С другой стороны, при использовании объектов мы можем указывать на них, перемещать, касаться или обрабатывать их. Компьютер должен уметь распознавать их, анализировать контекст и осмысленно реагировать, чтобы его можно было эффективно использовать для взаимодействия человека с компьютером.

Есть много предложенных методов для обнаружения жеста тела. В некоторой литературе различают 2 разных подхода к распознаванию жестов: на основе 3D-модели и на основе внешнего вида. Самый передовой метод использует трехмерную информацию о ключевых элементах частей тела, чтобы получить несколько важных параметров, таких как положение ладони или углы суставов. С другой стороны, системы, основанные на внешнем виде, используют изображения или видео для прямой интерпретации. Жесты рук были основным направлением методов обнаружения жестов тела.

Физиологический мониторинг

Это может быть использовано для обнаружения аффективного состояния пользователя путем мониторинга и анализа его физиологических признаков. Эти признаки варьируются от изменений частоты сердечных сокращений и проводимости кожи до минутных сокращений лицевых мышц и изменений лицевого кровотока. Эта область набирает обороты, и сейчас мы видим реальные продукты, реализующие эти методы. Четыре основных физиологических признака, которые обычно анализируются, - это пульс объема крови , кожно-гальваническая реакция , электромиография лица и цветовая гамма лица.

Пульс объема крови

Обзор

Объемный пульс (BVP) пациента можно измерить с помощью процесса, называемого фотоплетизмографией, который создает график, показывающий кровоток через конечности. Пики волн указывают на сердечный цикл, когда сердце перекачивает кровь к конечностям. Если субъект испытывает страх или испуган, его сердце обычно «подпрыгивает» и в течение некоторого времени быстро бьется, вызывая увеличение амплитуды сердечного цикла. Это хорошо видно на фотоплетизмографе, когда расстояние между впадиной и пиком волны уменьшилось. По мере того, как субъект успокаивается и внутреннее ядро ​​тела расширяется, позволяя большему количеству крови стекать обратно к конечностям, цикл вернется в норму.

Методология

Инфракрасный свет попадает на кожу с помощью специального сенсорного оборудования, и измеряется количество отраженного света. Количество отраженного и прошедшего света коррелирует с BVP, поскольку свет поглощается гемоглобином, который содержится в большом количестве в кровотоке.

Недостатки

Может быть сложно обеспечить, чтобы датчик, излучающий инфракрасный свет и отслеживающий отраженный свет, всегда указывал на одну и ту же конечность, особенно если учесть, что объекты часто растягиваются и меняют свое положение при использовании компьютера. Есть и другие факторы, которые могут повлиять на пульс объема крови. Поскольку это мера кровотока через конечности, если субъект чувствует себя горячим или особенно холодным, его тело может пропускать больше или меньше крови к конечностям, и все это независимо от эмоционального состояния субъекта.

Мышца corrugator supercilii и большая скуловая мышца - это 2 основные мышцы, используемые для измерения электрической активности в лицевой электромиографии.

Электромиография лица

Электромиография лица - это метод, используемый для измерения электрической активности лицевых мышц путем усиления крошечных электрических импульсов, которые генерируются мышечными волокнами при их сокращении. Лицо выражает сильные эмоции, однако есть две основные группы лицевых мышц, которые обычно изучаются для выявления эмоций: мышца corrugator supercilii, также известная как «хмурящаяся» мышца, опускает бровь и, следовательно, нахмуривается. - лучший тест на отрицательную, неприятную эмоциональную реакцию. Большая скуловая мышца отвечает за оттягивание уголков рта назад, когда вы улыбаетесь, и, следовательно, это мышца, используемая для проверки положительной эмоциональной реакции.

Здесь мы можем увидеть график сопротивления кожи, измеренного с использованием GSR, и времени, пока испытуемый играл в видеоигру. На графике отчетливо видны несколько пиков, что говорит о том, что GSR является хорошим методом различения возбужденного и невозбужденного состояний. Например, в начале игры, когда обычно не так много захватывающей игры, регистрируется высокий уровень сопротивления, что предполагает низкий уровень проводимости и, следовательно, меньшее возбуждение. Это резко контрастирует с внезапным падением, в котором игрока убивают, поскольку он обычно очень напряжён и напряжён, когда его персонаж убит в игре.

Кожно-гальваническая реакция

Кожно-гальваническая реакция (GSR) - устаревший термин для более общего явления, известного как [электродермальная активность] или EDA. EDA - это общее явление, при котором меняются электрические свойства кожи. Кожа иннервируется [симпатической нервной системой], поэтому измерение ее сопротивления или проводимости позволяет количественно оценить небольшие изменения в симпатической ветви вегетативной нервной системы. Когда потовые железы активируются, еще до того, как кожа начинает потеть, уровень EDA может быть определен (обычно с использованием проводимости) и использован для определения небольших изменений вегетативного возбуждения. Чем больше возбуждается объект, тем выше обычно проводимость кожи.

Проводимость кожи часто измеряется с помощью двух небольших серебристо-хлоридно-серебряных электродов, помещенных где-то на коже, и между ними прикладывается небольшое напряжение. Для максимального комфорта и уменьшения раздражения электроды можно разместить на запястьях, ногах или ступнях, чтобы руки оставались полностью свободными для повседневной активности.

Цвет лица

Обзор

Поверхность человеческого лица иннервируется большой сетью кровеносных сосудов. Изменения кровотока в этих сосудах приводят к заметным изменениям цвета лица. Независимо от того, активируют ли лицевые эмоции лицевые мышцы, происходят колебания кровотока, артериального давления, уровня глюкозы и другие изменения. Кроме того, цветовой сигнал лица не зависит от движения лицевых мышц.

Методология

Подходы основаны на изменении цвета лица. Триангуляция Делоне используется для создания треугольных локальных областей. Некоторые из этих треугольников, которые определяют внутреннюю часть рта и глаз (склера и радужная оболочка), удаляются. Используйте пиксели левых треугольных областей для создания векторов признаков. Он показывает, что преобразование цвета пикселей стандартного цветового пространства RGB в цветовое пространство, такое как цветовое пространство oRGB или каналы LMS, лучше работает при работе с лицами. Итак, сопоставьте вышеуказанный вектор с лучшим цветовым пространством и разложите на красно-зеленый и желто-синий каналы. Затем используйте методы глубокого обучения, чтобы найти эквивалентные эмоции.

Визуальная эстетика

Эстетика в мире искусства и фотографии относится к принципам природы и признанию красоты. Судить о красоте и других эстетических качествах - задача в высшей степени субъективная. Ученые-компьютерщики из Пенсильванского университета рассматривают задачу автоматического определения эстетического качества изображений с использованием их визуального контента как проблему машинного обучения, а в качестве источника данных используют веб-сайт для обмена фотографиями в режиме онлайн. Они извлекают определенные визуальные черты, основываясь на интуиции, что они могут различать эстетически приятные и неприятные изображения.

Возможные приложения

Образование

Привязанность влияет на состояние обучения учащихся. Используя технологию аффективных вычислений, компьютеры могут судить о привязанности и обучении учащихся по выражению их лиц. В образовании учитель может использовать результат анализа, чтобы понять способности ученика к обучению и принятию, а затем сформулировать разумные планы обучения. В то же время они могут обращать внимание на внутренние переживания студентов, что способствует их психологическому здоровью. Особенно в дистанционном обучении, из-за разделения времени и пространства, между учителями и учениками нет эмоционального стимула к двустороннему общению. Без атмосферы, создаваемой традиционным обучением в классе, ученикам быстро становится скучно, что влияет на учебный эффект. Применение аффективных вычислений в системе дистанционного образования может эффективно улучшить эту ситуацию.

Здравоохранение

Социальные роботы , а также растущее число роботов, используемых в здравоохранении, выигрывают от эмоциональной осведомленности, потому что они могут лучше судить об эмоциональном состоянии пользователей и пациентов и соответствующим образом изменять свои действия / программы. Это особенно важно в странах с растущим стареющим населением и / или нехваткой молодых работников для удовлетворения своих потребностей.

Аффективные вычисления также применяются для разработки коммуникативных технологий для людей с аутизмом. Аффективный компонент текста также все больше привлекает внимание, особенно его роль в так называемом эмоциональном или эмоциональном Интернете .

Видеоигры

Эффективные видеоигры могут получить доступ к эмоциональному состоянию своих игроков с помощью устройств биологической обратной связи . Особенно простая форма биологической обратной связи доступна через геймпады, которые измеряют давление, с которым нажимается кнопка: было показано, что это сильно коррелирует с уровнем возбуждения игроков ; на другом конце шкалы находятся интерфейсы мозг-компьютер . Аффективные игры использовались в медицинских исследованиях для поддержки эмоционального развития аутичных детей.

Другие приложения

Другие потенциальные приложения связаны с социальным мониторингом. Например, автомобиль может отслеживать эмоции всех пассажиров и принимать дополнительные меры безопасности, например, предупреждать другие автомобили, если обнаруживает, что водитель рассердился. У эффективных вычислений есть потенциальные приложения во взаимодействии человека с компьютером , например, аффективные зеркала, позволяющие пользователю видеть, как он или она работает; агенты мониторинга эмоций, отправляющие предупреждение перед отправкой гневного электронного письма; или даже музыкальные плееры, выбирающие треки по настроению.

Одной из идей, выдвинутых румынским исследователем доктором Нику Себе в интервью, является анализ лица человека, когда он использует определенный продукт (в качестве примера он упомянул мороженое). После этого компании смогут использовать такой анализ, чтобы сделать вывод о том, будет ли их продукт хорошо принят на соответствующем рынке.

Можно также использовать распознавание аффективного состояния, чтобы судить о влиянии телевизионной рекламы с помощью видеозаписи в реальном времени этого человека и последующего изучения его или ее выражения лица. Усредняя результаты, полученные на большой группе субъектов, можно сказать, имеет ли этот рекламный ролик (или фильм) желаемый эффект и какие элементы больше всего интересуют зрителя.

Когнитивистские и интерактивные подходы

В области взаимодействия человека и компьютера когнитивистская концепция эмоций Розалинды Пикард или «информационная модель» подверглась критике и противопоставлена ​​«посткогнитивистскому» или «интерактивному» прагматическому подходу, принятому Кирстен Бонер и другими, которые рассматривают эмоции как по своей сути Социальное.

Пикард фокусируется на взаимодействии человека и компьютера, и ее цель для аффективных вычислений - «дать компьютерам способность распознавать, выражать и, в некоторых случаях,« иметь »эмоции». Напротив, интерактивный подход направлен на то, чтобы помочь «людям понять и испытать свои собственные эмоции» и улучшить межличностное общение с помощью компьютера. Он не обязательно стремится отобразить эмоции в объективной математической модели для машинной интерпретации, но скорее позволяет людям разобраться в эмоциональных выражениях друг друга открытыми способами, которые могут быть двусмысленными, субъективными и чувствительными к контексту.

Критики Пикарда описывают ее концепцию эмоций как «объективную, внутреннюю, частную и механистическую». Они говорят, что он сводит эмоции к дискретному психологическому сигналу, происходящему внутри тела, который можно измерить и который является входным сигналом для познания, снижая сложность эмоционального опыта.

Интерактивный подход утверждает, что хотя эмоция имеет биофизические аспекты, она «культурно обоснована, динамически переживается и до некоторой степени сконструирована в действии и взаимодействии». Другими словами, он рассматривает «эмоции как социальный и культурный продукт, переживаемый в ходе наших взаимодействий».

Смотрите также

Цитаты

Общие источники

  • Худличка, Ева (2003). «Чувствовать или не чувствовать: роль аффекта во взаимодействии человека и компьютера». Международный журнал человеко-компьютерных исследований . 59 (1–2): 1–32. CiteSeerX  10.1.1.180.6429 . DOI : 10.1016 / s1071-5819 (03) 00047-8 .
  • Шерер, Клаус Р.; Банцигер, Таня; Рош, Этьен Б. (2010). План эффективных вычислений: справочник и руководство . Оксфорд: Издательство Оксфордского университета.

внешние ссылки