XiaoMi-AI文件搜索系统
World File Search SystemEmo
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。
1。JaakPanksepp在哺乳动物脑中发现了七种古老的情感
都依靠大脑（和身体）中的情感反应，这使我们的生活经常令人愉悦，但有时也非常痛苦。表明情绪是我们生活的燃料并不夸张。通常，我们的情绪得到了强烈控制。因此，我们很少会经历原始影响的情况，情绪只是使我们不知所措。这基本上是一件好事，因为控制我们的祖先的情感冲动有助于我们对现代社会的大多数日常态势需求做出更适当的反应。在每种给定情况下总是表现出情感反应是不可接受的。，但是，有些事件可能会使我们脱轨，我们可能会表现出接近原始影响的东西。为了说明我们日常生活中运行情绪系统的不同优势和可见性，让我们考虑两种情况下的情绪调节。在第一种情况下，想象一下自己在工作中与一位同事交谈，您会听到他们也想要促销。听到有关促销活动的伴随着令人不愉快的愤怒感觉。您开始感觉自己的心脏在您的胃中抽水更快和坑中。在您注册这些不愉快的感觉时，您会意识到自己很生气和羡慕，并且您认为同事的晋升不公平。您做得更好！一会儿你被惊呆了。然而，您可以控制自己的情绪，以使其他人向外看。在第二种情况下，想象一个密友或家族成员已经去世。您坐在电脑前；桌子上堆满了工作，您充满了悲伤。你被动摇了；你只是感到难过。您不能集中精力，这是不可能的。您感到非常痛苦，以至于您开始哭泣，表达了情感的表达。在这两个示例中，进化中的外部情况激活了“内置”（强烈遗传锚定）的情感系统，从而触发了原始的情绪，而无需认知标记（或情感的构建）。在第一个例子的背景下，您的同事获得了晋升，您被传递给您有机会获得有限的资源，从而产生了愤怒，羡慕的感觉。在早期
2020 年夏季第 4 期 - 埃默里医学院
Alicia Chatman，DHA，MHA，于 2020 年 1 月 14 日加入该部门。她拥有超过 15 年的高级业务经理和临床运营总监经验。她负责临床运营、TEC 的开发和管理以及大学预算和财务分析。Alicia 在卡佩拉大学获得医疗管理博士学位，在佐治亚州萨凡纳南方大学获得医疗管理硕士学位，在佛罗里达农工大学获得生物学学士学位。Alicia 喜欢阅读、与家人共度时光和旅行。她已订婚，有一个四岁的儿子。Alicia 热爱医疗保健和科学，也喜欢参与社区活动，例如辅导和帮助不幸的人。Alicia 曾多次表示，她很高兴加入埃默里这么优秀的团队！
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。
基于视频的情感并影响上下文数据集中的跟踪
人类情感识别一直是心理物理学和计算机视觉的重要主题。但是，经常发布的数据集有许多局限性。进行检查，大多数数据集都包含仅包含有关面部表情的信息的框架。由于以前的数据集的局限性，很难理解影响人类识别的机制，或者在这些数据集中训练的计算机视觉模型上对人类的识别良好。在这项工作中，我们介绍了一个全新的大型数据集，基于视频的情感并影响上下文数据集（VEATIC）中的跟踪，可以征服先前数据集的限制。Veatic在好莱坞电影，纪录片和家庭视频中有124个视频片段，并通过实时注释进行了连续的价和唤醒评级。与数据集一起，我们采用了一项新的计算机视觉任务，以通过每个视频框架中的上下文和字符信息来推断所选字符的影响。此外，我们提出了一个简单的模型来基准这项新的计算机视觉任务。我们还使用数据集与其他类似数据集进行了预处理模型的性能。实验显示了通过VEATIC验证的模型的竞争结果，表明VEATIC的普遍性。我们的数据集可从https://veatic.github.io获得。
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
人格因素塑造了大脑对情绪刺激的反应：脑电图研究
脑电图（EEG）是一种用于记录脑活动的非侵入性电生理方法，使研究人员能够研究脑功能（8）。情感研究领域中的一种研究涉及通过定量分析EEG诱导情绪并记录大脑活动的变化（9）。研究人格，情绪和脑电图之间的关系的研究主要关注这三个因素中的两个（10-12），并且对人格在情绪诱导过程中的作用在大脑活动中的作用有限。使用召回或想象力（13），声音（14、15），图片（16、17）或视频剪辑（VC）（18、19）的一些研究，用于引起情绪反应的方法有所不同，这些研究被认为是对日常生活情况的自然和反思。此外，一些研究使用了少量样本量（20，21），仅包括均质参与者组（22），并且常常未能考虑性别差异（20）。这些方法上的差异导致整个研究的结果不一致（23，24）。
合奏技术与CNN模型的融合，以实时对面部情绪的预测平衡
研究人员正在探索人类在识别和区分计算机化目的的情绪方面的出色技能。尽管面部情绪预测具有广泛的实际应用，但由于其对主观因素的依赖，它仍然是一个充满挑战的研究领域。尽管年龄和阻塞，但在本研究中提出了平衡所有基本面部情绪的预测方法。利用合奏分类器的实时面部情感预测的方法，将深CNN模型纳入了主要的基本分类器，同时解决了不平衡数据集的问题。通过图像扩展方法，CK+和JAFFE数据集可以合成增强。在2级使用多数和相对投票技术组合的元分类剂，以提高单个情绪的精度。使用Internet随机选择的面部表达图像对所提出的方法进行了测试，证明了总体准确性提高。此外，使用拟议的集合融合方法，对FER2013数据集进行了交叉验证。
情绪调节的中介作用
摘要本研究调查了父母心理控制与青少年社会问题之间的关系以及情绪调节的中介作用。这项研究采用了基于结构方程建模的相关方法。统计人群由居住在Mashhad的13至18岁的青少年组成。在其中，通过便利抽样方法选择了215个人。参与者填写了以下问卷：Soensen的父母心理控制问卷（2010），Achenbach的青年问题行为量表（1991）以及Gratz and Roemer的情绪调节难度量表（2004）。使用描述性统计，Pearson的相关系数以及通过SPSS和Lisrel软件进行结构方程建模分析数据。根据模型测试的结果，外源变量，父母心理控制的直接影响，对中介变量，情绪调节困难的直接影响非常明显（t = 4.69，β= 0.39）。中介变量的直接影响，情绪调节困难对内源性变量，社会问题，也很重要（t = 6.05，β= 0.53）。此外，外源变量，父母心理控制的直接影响，对内源性变量，社会问题，很重要（t = 4.37，β= 0.36）。此外，通过情绪调节困难对父母心理控制对社会问题的间接影响非常重要。情绪调节中的这些困难可能导致更大的社会问题。这一发现表明，情绪调节困难在这两个变量之间的关系中起着重要的中介作用。总而言之，从父母那里经历高水平心理控制的青少年面临情绪调节的困难（例如，缺乏情感上的清晰度和控制冲动行为的困难）。