XiaoMi-AI文件搜索系统
World File Search SystemEmotions
战争、情绪、心理健康和人工智能
在战争期间，恐惧、愤怒、仇恨、沮丧、悲伤、羞辱和绝望等负面情绪的失调会压倒正常的社会价值观和文化，危及全球和平与安全以及受影响社会的心理健康。因此，可以理解的是，负面情绪的范围和力量可能在考虑任何武装冲突中的人类行为时发挥重要作用。战争期间对主要负面情绪的估计和评估至关重要，但情绪的神经心理生理学的复杂性对其提出了挑战。目前可用的自然语言处理 (NLP) 工具具有全面的计算方法来分析和理解战争社会中相关文本数据的情感内容。创新的人工智能驱动技术结合了机器学习、神经语言编程、云基础设施以及新颖的数字治疗工具和应用程序，为增强全球心理健康护理提供了巨大的潜力。这一进步可以使心理健康服务更具成本效益且更容易获得。由于精神科医生数量不足，且应对战争和创伤造成的心理健康后果的精神科资源有限，由人工智能工具和手段支持的新型数字治疗可穿戴设备可能是未来精神病学的有前途的方法。可以通过同时结合个人层面的在线认知行为疗法 (CBT) 和公共层面的基于情感的战略沟通 (EBSC) 来改变消极的主导情绪图。通过 CBT 和 EBSC 实现的积极情绪转变可能为保护战争社会平民的心理健康提供重要杠杆。可以应用于 EBSC 刺激设计的基于人工智能的工具，如 Open AI Chat GPT 或 Google Gemini，可能具有巨大的潜力，通过更全面地了解战争创伤社会可用文本数据集的语义和语言分析，显着增强基于情感的战略沟通。通过 Chat GPT 和 Gemini 增强的人机循环可以帮助设计和开发在目标人群中引起共鸣的情感注释信息，放大战略沟通对通过 CBT 和 EBCS 将人类主导情感地图塑造成更积极的影响。
数字技术对青少年情绪和认知的影响
CSUSB ScholarWorks 研究生院免费向您提供该项目，供您开放访问。该项目已被 CSUSB ScholarWorks 的授权管理员接受，可纳入电子论文、项目和学位论文。如需更多信息，请联系 scholarworks@csusb.edu 。
员工在使用人工智能聊天机器人时的情绪
摘要目的——信息系统对使用技术相关情绪的研究在很大程度上持有本质主义的情绪假设，关注负面情绪，将技术视为一种象征或黑匣子，这阻碍了深入了解在特定情境中使用人工智能 (AI) 技术的情感体验区别。本研究侧重于了解员工使用人工智能聊天机器人的情感体验，人工智能聊天机器人是一种特定类型的人工智能系统，它可以从使用方式中学习，并且具有对话性，向用户展示社交存在感。研究问题是员工在使用人工智能聊天机器人时如何以及为何会产生情绪，以及这些情绪如何影响其使用。设计/方法/方法——本研究采用解释性案例研究方法和归纳分析。数据是通过访谈、文件审查和使用观察收集的。研究结果——研究发现，员工对聊天机器人的评价受到人工智能聊天机器人技术的形式和功能设计及其组织和社会背景的影响，从而产生了更广泛的评价和多种情绪。除了积极和消极情绪外，用户还体验到了联系情绪。研究结果表明，多种情绪的存在可以鼓励人们继续使用人工智能聊天机器人。原创性/价值——本研究通过关注员工在实际使用人工智能聊天机器人时的生活经历，同时考虑其特点及其组织和社会背景，扩展了信息系统关于情绪的文献。研究结果为新兴的人工智能文献提供了信息。关键词 聊天机器人、人工智能、情绪、工作中的情绪、数字工作场所、技术使用、人工智能使用、工作的未来、数字化转型、数字化工作方式 论文类型 研究论文
AI在神经营销中：通过
学生摘要本文探讨了在神经营销的新兴领域中人工智能（AI）和机器学习的整合，该领域将神经科学与营销策略结合在一起，以解释消费者情感和行为。通过采用脑电图，fMRI和面部识别等先进技术，研究强调了这些技术如何分析对营销刺激的潜意识反应，从而提供了比传统方法更深入的见解。该研究强调了AI在增强预测分析，实时个性化和客户细分方面的变革作用。此外，它讨论了AI驱动的见解的潜在好处，以制定有效的营销活动，这些活动引起消费者的共鸣并改善参与度。本文还解决了该领域所面临的挑战，并提出了未来的研究方向，以探讨AI和消费者行为分析的交集。关键字：神经营销，人工智能，机器学习，消费者行为，情感识别，预测分析，实时个性化。1。简介1.1神经营销神经营销的定义是一种测量脑波，眼动和皮肤电导的方法，以分析对广告和品牌相关信息的反应的一种方式。在预测和改变消费者行为的研究中都采用了所有这些技术。这是一个新颖的营销领域，从神经病学和心理学中吸引了很多努力，从而促进了市场受到脑力启发的品牌。该技术部署了一组具有积极响应的图像，而其他照片将导致购买。该领域的研究始于1990年代早些时候，据说神经营销一词是由荷兰营销教授ALE SMITS创造的。在该领域使用的第一个方法之一是杰拉尔德·扎尔特曼（Gerald Zaltman）的工作，称为Zaltman隐喻启发技术（ZMET）。为什么解码消费者的情绪和行为是营销中的游戏规则改变者？营销专业人员必须出于多种原因理解客户的感受和行动。●建立忠诚度：客户忠诚度和重复业务是由情感联系促进的。●个性化策略：可以根据见解，营销活动和消息传递进行定制。●增强体验：达到客户期望可以提高客户的旅程和满意度。●建议趋势：有助于预见未来的要求并保持比竞争对手的优势。●手工艺有效的消息：工艺沟通具有影响力和共鸣。
Instagram 上的疫苗：巴西背景下的情绪表达研究
摘要 随着新冠病毒的出现，有关疫苗的讨论开始在世界范围内产生更大的影响。在社交媒体这个不同受众创作内容、表达看法和兴趣的空间上，有关疫苗的出版物已成为公众辩论的主要话题之一。在本文中，我们旨在识别和分析 2020 年和 2021 年巴西民众围绕疫苗和疫苗接种过程表达的感受和情绪。为此，我们通过 Crowdtangle 图形界面收集了 Instagram 上关于该主题的公开帖子，并从中构建了一个随机样本，作为实证样本。情绪的分类和识别过程是使用人机交互情绪网络（HUMAINE）的标准化描述符进行的，然后采用 Russell (2003) 的环形模型（核心情感模型）。结果，数据分析表明，在巴西的情景中，人们对疫苗普遍存在希望和信心等积极情绪，而根据背景因素（时任总统雅伊尔·博索纳罗的形象、他的讲话和行动，以及 Covid-19 的进展和新变种的出现），语料库中则发现了反对和担忧等负面情绪。
基于人工智能的脑电图信号情绪艺术表现
据我们所知，没有相关工作能够将情绪状态转化为绘画。在（Salevati and DiPaola，2015）和（Colton，Valstar and Pantic，2008）中，作者提出了创建富有表现力的人物自画像的系统。然而，这些系统有明显的局限性，用户可以控制他们想要在肖像上表达的情绪（在一种情况下，他们选择它；在另一种情况下，情绪是从面部表情中检测出来的，这很容易伪造）。在这两部作品中，预定义的样式都只是应用于现有肖像。在从脑电图生成情感绘画的背景下，我们提到了（Ekster，2018）和（Random Quark，2017）。在这些情况下，绘画通过简单的线条、预定义的形状、颜色、分形或鸟群来表现情绪，导致绘画之间的差异相当低。
“印度尼西亚消费者情绪和使用人工智能意愿的决定因素”
本研究使用扩展的人工智能设备使用接受度 (AIDUA) 模型，研究了影响印度尼西亚消费者使用人工智能聊天机器人意愿的关键因素，重点关注技术特征、享乐动机、拟人化、人工智能性能和用户体验。这是一项定量研究，采用了调查技术，获得了 208 名参与者的回复。参与者是印度尼西亚的消费者，他们之前有使用人工智能聊天机器人的经验。研究表明，拟人化、技术能力和消费者在使用聊天机器人时的享乐动机会影响消费者对聊天机器人的感知性能和用户体验的看法。这些感知性能和体验会影响感受，进而影响使用人工智能聊天机器人的意愿。中介分析表明，感知性能介导了拟人化和使用人工智能意愿之间的关系，而用户体验没有。享乐动机通过用户体验、情感和感知性能的中介作用影响采用人工智能的意愿。此外，技术因素影响使用人工智能的意愿，这种影响由感知性能介导，而用户体验不是中介因素。结果表明，影响使用人工智能意愿的因素包括技术准备、拟人化和享乐动机，这些因素由感知性能和情绪介导，而用户体验对这种关系没有显著的中介作用。
建模和预测感知和诱发情绪的比较分析
摘要：声音化是利用声音来传达有关数据或事件的信息。与声音相关的情绪有两种：（1）“感知”情绪，即听众识别声音所表达的情绪；（2）“诱发”情绪，即听众感受到声音所诱发的情绪。尽管听众可能对给定声音的感知情绪有广泛的认同，但他们对给定声音的诱发情绪往往意见不一，因此很难对诱发情绪进行建模。本文介绍了几种预测与某些声音相关的感知和诱发情绪的机器和深度学习模型的开发，并分析和比较了这些预测的准确性。结果表明，为预测感知情绪而构建的模型比为预测诱发情绪而构建的模型更准确。然而，通过优化机器和深度学习模型，可以大大缩小这些模型之间的预测能力差距。这项研究在硬件设备的自动配置及其与物联网环境中的软件组件的集成方面有多种应用，其中安全性至关重要。
使用KNN分类器的种子数据集寻找情绪的方法
文章历史记录：收到：2021年1月10日；修订：2021年2月12日；接受：2021年3月27日；在线发布：2021年4月28日摘要：情感是我们日常生活中必不可少的组成部分。尽管如此，脑部计算机界面（BCI）系统尚未达到解释情绪的必要水平。基于BCI框架的经编程的感觉确认是最后几十年来非凡询问的点。脑电图（EEG）信号是这些框架的重要资产之一。EEEG可能是通过头皮在脑波框架内从脑工作中记录的生理标志。利用脑电图信号的最大优势是它反映了真实的感觉，并且可以通过计算机框架有效地准备。一个虚拟数据集可以使用并填充脑电图数据，以计算和分类从脑电图信号生成的这些信号。此处使用的数据集是种子，可以通过称为K-Nearest（KNN）算法的机器学习技术来习惯它来系统化数据。实验性能通过种子分类期间的94.06％的分类值实现。这种提出的方法表明，通过脑电图信号，情绪识别如积极，中立和负面是可能的。
对声音，图像和文本中识别多模式情绪方法的审查
收到：2023年9月18日；接受：2023年12月25日摘要通过听觉，视觉和文本提示识别多方面情绪的研究是一个快速发展的跨学科领域，涵盖了心理学，计算机科学和人工智能领域。本文研究了用于隔离和识别这些模式中复杂情绪状态的方法的范围，目的是描述进步并确定未来研究的领域。在声音领域中，我们探索了信号处理和机器学习技术的进展，从而有助于从人声弯曲和音乐安排中提取细微的情感指标。视觉情绪识别是通过面部识别算法，肢体语言分析以及上下文环境信息整合的有效性来评估的。使用自然语言处理技术检查基于文本的情感识别，以感知书面语言的情感和情感内涵。此外，本文考虑了这些不同情绪数据来源的融合，考虑了构建能够解释多模式输入的连贯模型时所面临的挑战。我们的方法涵盖了最近研究的荟萃分析，评估了各种方法的有效性和精度，并确定了常见的指标进行评估。结果表明，偏爱深度学习和混合模型，以利用多种分析技术的优势来提高识别率。然而，诸如情感的主观性质，表达中的文化差异以及广泛的注释数据集的必要性持续存在的挑战，这是重大障碍。总而言之，这篇综述倡导了更多细微的数据集，增强的跨学科合作以及一个道德框架来管理情绪识别技术的实施。这些技术的潜在应用是广泛的，从医疗保健到娱乐，并且需要一致的努力来完善和道德将情感识别纳入我们的数字互动中。关键字：多模式情绪，融合，机器学习，深度学习，回归，CNN，RNN。