XiaoMi-AI文件搜索系统
World File Search System情绪
社交媒体成瘾和情绪智力...
背景：社交媒体成瘾的抑郁与严重程度之间的关系可能是双向的。尽管如此，目前的研究已经解决了普通人群中量表的抑郁评分，而不是评估重度抑郁症患者的这种关系。尽管确认了社交媒体成瘾与情绪智力的负面关系，但尚未调查这种主要抑郁症中这种关系的存在。因此，我们研究的目的是评估社交媒体成瘾的严重性和主要抑郁症的情绪智力。方法：这项研究是在KARS HARAKANI州立医院精神病学院门诊诊所的158名年龄在18至56岁之间的参与者进行的。社会人口统计学数据表涉及年龄，性别，婚姻状况，教育水平和参与者的就业状况，贝克抑郁量库存，酒吧的情感商清单和社交媒体成瘾量表已实施给参与者。结果：在社交媒体成瘾量表评分方面，创建该小组无上瘾和中等上瘾，可以观察到，中等沉重的群体的情绪智力明显较低，抑郁评分较高（p <.001）。此外，社交媒体成瘾的严重程度与抑郁评分和情绪智力评分有负相关关系（r = 0.353，p <.001; r = - 0.376，p <.001）。结论：主要抑郁症的情绪智力与社交媒体成瘾的抑郁水平和严重程度有关。干预措施，即情绪智能技能培训，对于上述患者可能是实用的。
成人情绪的性别差异以及跨中皮质胶质电路的压力诱导的转录连贯性
与男性相比，抽象女性大约被诊断出患有重度抑郁症（MDD）的可能性大约是男性的两倍。虽然MDD的性别差异可能是通过循环的性腺激素驱动的，但我们假设发育激素暴露和/或遗传性别可能起作用。小鼠在成年中被赋形切除术，以隔离发育激素的作用。我们研究了发育性性腺和遗传性别对在非压力和慢性应激条件下甲壳虫/抑郁样行为的影响，并在三个与情绪相关的大脑区域进行了RNA序列。我们使用了一种集成网络方法来识别调节应力敏感性的转录模块和特定于应力的集线器基因，重点是这些模块是否与性别有所不同。在识别出Anhedonia/抑郁样行为（女性>男性）的性别差异后，我们表明发育激素暴露（性腺女性> Gonadal雄性）和遗传性别（XX> XY）都会导致性别差异。由差异表达基因表示的顶部生物学途径与免疫功能有关。我们确定哪些差异表达的基因是由发育性性腺或遗传性别驱动的。受男性和女性慢性应激影响的基因几乎没有重叠。我们还鉴定了受压力影响的高度共表达的基因模块，其中一些模块在男性和女性的相反方向上受到影响。由于所有小鼠在成年后都有同等的激素暴露，因此这些结果表明，敏感发育期间性腺激素暴露的性别差异计划成人情绪上的性别差异，并且这些性别差异与成人循环的性腺激素无关。
自然句子阅读过程中情绪处理的神经动力学
阅读时，我们的眼睛通过一系列注视和高速扫视浏览文本，以提取视觉信息。这一过程使大脑能够获得意义，例如关于书面文本中表达的情绪或情感价。大脑在自然阅读过程中如何提取单个单词的情感在很大程度上是未知的。这是由于自然成像的挑战，这导致研究人员之前采用高度控制、定时的逐字呈现缺乏生态效度的定制阅读材料。在这里，我们旨在评估自然阅读英语句子时词语情绪处理的电神经相关性。我们使用了一个公开的数据集，包括同步脑电图 (EEG)、眼动追踪记录和 400 个句子中的 7129 个单词的词级语义注释（苏黎世认知语言处理语料库；Hollenstein 等人，2018 年）。我们计算了注视相关电位 (FRP)，即与注视开始时间锁定的诱发电反应。对从视觉和运动诱发活动中清除的 FRP 进行一般线性混合模型分析，结果显示，在注视开始后 224 – 304 毫秒间隔内，左中和右后电极簇中的积极和消极情绪条件之间存在地形差异。包括单词、短语和句子级情绪预测因子的额外分析显示，单词级情绪的 FRP 差异相同，但短语和句子级情绪没有额外的 FRP 差异。此外，从情绪匹配的 40 次试验平均 FRP 中对单词情绪（积极或消极）进行分类的解码分析显示平均准确率为 0.60（95% 置信区间：[0.58, 0.61]）。控制分析排除了这些结果是基于眼球运动或语言特征的差异而不是词语情绪。我们的研究结果扩展了以前的研究，表明词汇语义刺激的情感价会在自然阅读过程中对单词注视产生快速的电神经反应。这些结果为在生态有效条件下识别词汇语义处理的神经过程提供了重要的一步，并可用于改进自然语言处理的计算机算法。
新闻情绪与经济
本文使用的基于文本的方法非常灵活；它不仅可以代表情绪，还可以代表经济中的不确定性水平。广义上讲，“情绪”捕捉的是人们对未来经济结果分布平均值的信念（第一矩），而“不确定性”捕捉的是人们信念的方差（第二矩）（Haddow 等人，2013 年）。现在有大量研究表明，更多的负面情绪和更高的不确定性都与较低的支出和投资有关，因此可以预测更弱的经济状况（例如 Moore（2017 年）；Bloom（2014 年）；Shapiro、Sudhof 和 Wilson（2017 年）；Barsky 和 Sims（2012 年）；Benhabib 和 Spiegel（2019 年））。然而，一些研究表明，基于调查的情绪指标提供的有关经济状况的新信息有限（Roberts 和 Simon，2001 年）。不过，新闻媒体等其他有关情绪的信息来源可能有助于预测经济形势，即了解当前或最近的情况。新闻媒体可能会提供家庭和企业调查所没有的新信息，或者提供以前的相同信息。
AI在工作场所或教育机构禁止欧盟法规2024/1689（AI ACT）禁止的情绪识别的系统
《欧洲AI法案》（2024/1689）自2024年8月1日起就一直有效，并规范了欧盟（EU）的人工智能（AI）的使用。AI法案具有基于风险的方法。因此，从2025年2月2日起，禁止某些带来不可接受风险的AI系统。由《 AI法案》的主管来解释如何以监督目的解释禁令。为了在荷兰为此做准备，Autoriteit Persoonsgevens（AP）询问感兴趣的各方（公民，政府，企业和其他组织）及其代表寻求需求，信息和见解。我们可以使用所有输入来考虑对禁止的AI系统的进一步澄清。2024年9月27日，AP发布了第一个关于AI法案前两项禁令的意见。在第二次呼吁输入中，我们解决了第六次禁止：在工作场所或教育机构领域的情感识别系统（禁令F）。稍后，我们将要求对其他禁令进行输入。本文档在通过一组问题要求（附加）输入时概述了这些禁止的AI系统的特定标准。可以提交捐款，直到2024年12月17日。AP根据其作为算法和AI的协调主管的角色来呼吁输入。为了完成这项新任务，在AP内建立了算法监督协调部（DCA）。荷兰政府目前正在为《 AI法案》的国家监督当局进行正式指定。此呼吁的投入还与为支持《 AI法案》禁止的AI系统的未来监督进行的准备工作保持一致。
精神分裂症和躁郁症风险人群在情绪 Stroop 任务期间的大脑前额叶活动——一项 fNIRS 研究
目标：情绪斯特鲁普效应被定义为与中性刺激相比，对情绪刺激的反应时间增加。文献中经常报道这种效应，包括行为和神经生理层面的报道。本研究的目的是调查在情绪斯特鲁普任务中，有精神分裂症和躁郁症风险的个体的大脑前额叶激活情况。我们预计会观察到与健康对照组相比，高危人群的激活程度会降低。方法：精神病高风险（HR）、精神病超高风险（UHR）、躁郁症风险（BIP）个体和健康对照组（HC）执行情绪斯特鲁普任务，其中包括正价、负价和中性词。功能性近红外光谱（fNIRS）用于测量代表背外侧前额叶和额颞叶皮层大脑活动的氧合血红蛋白（O 2 Hb）水平。结果：结果显示，与 HC 组相比，HR 组和 UHR 组的右背外侧前额叶皮层 (DLPFC) 的 O 2 Hb 水平显著降低，表明活动性较低。尽管这种下降与词语的价数无关，但对于负面词语来说，下降最为明显。此外，与 HC 组相比，所有高危人群的额颞叶皮层 (FTC) 中的 O 2 Hb 水平均显著降低。结论：精神病和躁郁症风险人群的 FTC 活动性降低反映了非特异性功能障碍。HR 组和 UHR 组 DLPFC 活动性降低表明，在有精神分裂症精神病风险的个体中已经发现了额叶功能减退。
情绪模拟的记忆：记住玫瑰色的未来
Terms of use This article was downloaded from Harvard University's DASH repository, and is made available under the terms and conditions applicable to Open Access Policy Articles (OAP), as set forth at https://harvardwiki.atlassian.net/wiki/external/NGY5NDE4ZjgzNTc5NDQzMGIzZWZhMGFlOWI2M2EwYTg
情绪障碍中主要的生物胺代谢物
情绪障碍，包括重度抑郁症和躁郁症，对全球超过3亿人产生了深远的影响。已证明情绪障碍与生物胺代谢产物的偏差密切相关，这些代谢物与许多关键的生理过程有关。患者中生物胺代谢产物的外周和中心改变可能是情绪障碍的潜在病原体之一。本评论提供了关于情绪障碍生物胺代谢产物的最新研究，例如组胺，kynurenine和Creatine。进一步的研究需要更大的样本量和多中心协作。调查情绪障碍中生物胺代谢产物的变化可以为诊断提供生物学基础，为更有效的治疗提供指导，并有助于阐明情绪障碍的生物学机制。
多模态情绪识别研究：整合面部...
摘要 — 戏剧作品中的情感识别在基本的人机交互、情感计算和其他各种应用中起着关键作用。传统的单模态情感识别系统在捕捉人类情感的复杂性和细微差别方面往往面临挑战。为此，本研究调查了多种模态信息的整合，包括面部表情、语音和生理信号，以增强情感识别系统的稳健性和准确性。通过结合这些不同的信息来源，我们的目标是更全面地了解人类的情感，并提高情感识别模型的性能。该研究探索了各种方法，包括特征融合、注意力机制和跨模态迁移学习，以有效地结合和利用来自面部表情、语音和生理信号的信息。此外，我们解决了与领域适应和缺失数据处理相关的挑战，确保所提出的多模态方法在数据收集条件可能变化的现实场景中保持稳健。为了证实所提出方法的有效性，我们在为多模态情感识别精心制作的基准数据集上进行了实验。该数据集包括通过面部特征、录音和生理传感器捕捉到的各种情绪表达。评估指标经过精心选择，以评估模型在各种模式下捕捉人类情绪的复杂性和细化程度的能力。我们的研究通过深入了解面部表情、语音和生理信号之间的相互作用，加深了对多模态情绪识别的理解。所提出的框架不仅提高了情绪识别的准确性，而且还提供了对情绪状态的更全面理解，促进了人机交互和情感计算应用的进步。
情绪的神经科学及其在学习中的作用
摘要 情绪与学习之间的关系一直是教育神经科学领域的热门话题。脑成像技术的进步使我们更好地了解了这些情感成分在各种认知过程（包括记忆、注意力、决策和社会功能）中的作用（Immordino-Yang & Damasio，2007）。作为教育神经科学领域的教育工作者和研究人员，我们在本文中的主要目标是弥合教育与神经科学之间的差距。将科学研究应用于课堂并不是一个简单的过程（Shearer，2020；Howard-Jones，2014）。然而，我们相信，教育工作者在接触科学研究时可以受益匪浅，从而为他们的课堂实践奠定坚实的基础。此外，教育工作者可以从他们在学校的第一手经验中提供很多帮助，尤其是在情绪在教学和学习中的作用方面。我们将对该领域的当前研究进行荟萃分析，以强调情绪在学习中的重要作用。通过了解这一角色，我们旨在告知和改变当地及其他地区的教育实践。