XiaoMi-AI文件搜索系统
World File Search Systemaffective
机器人脆弱性和用户同理心的启发
摘要 - 本文描述了一项受试者间的亚马逊机械土耳其人研究（n = 220），该研究研究了机器人的情感叙事如何影响其在人类观察者中引起同理心的能力。我们首先进行了一项试点研究，以开发和验证机器人的情感叙事。然后，在完整的研究中，机器人使用了三种不同的情感叙事策略之一（有趣，悲伤，中立），同时在互动过程中在购物任务方面变得降低了功能。作为机器人的功能，参与者被重复询问他们是否愿意帮助机器人。结果表明，传达悲伤的叙述会极大地影响参与者在整个反应过程中帮助机器人的意愿，并确定参与者在整个互动过程中是否对机器人感到同情。此外，过去与机器人的过去经验更高，也提高了参与者帮助机器人的意愿。这项工作表明，情感叙事在人类与机器人之间情感联系的短期互动中可以有用。
以色列的疫苗犹豫多媒体，情感和学习经验
本文通过多媒体学习，介导的消息处理和情感计算来考虑情绪和学习。在多媒体学习中，情感设计包括视觉设计中的所有相关特征，因此通过视觉吸引力给出了情感和动机。有限的动机介导消息处理能力模型将情绪描述为动机认知的产物。它说明了如何创建最有可能实现其通信目的的消息。通过情感计算，自适应和多模式学习，目的是减少教学信息设计与学习者的认知和情感心理模型之间的差距。本文旨在概述情绪和学习考虑多媒体学习，动机的中介信息处理以及情感计算作为创造学习体验的三种观点。
o r i g i n a l a rt i c l e基于计算的人体表达的特征表示人脑中的身体表达
人类和其他灵长类动物是识别身体表情的专家。要了解潜在的感知机制，我们计算了情感全身运动视频中的姿势和运动学特征，并将其与大脑过程相关联。使用代表性相似性和多毒素模式分析，我们显示了基于计算的身体特征与大脑活动之间的系统关系。我们的结果表明，姿势而不是运动学特征反映了身体运动的情感类别。特征肢体收缩在可怕的身体表达感知中表现出核心贡献，在动作观察，运动制备和影响包括杏仁核在内的编码区域中有差异性表示。使用肢体收缩而不是运动学，后颞上沟将可怕的恐惧与其他情感类别分化。外部身体区域和梭形身体区域也显示出更大的调整对姿势特征。在大脑中编码的中级身体功能的发现，除了对高级情绪表征的研究之外，还可以使情感神经科学移动，并提供了感知特征的见解，这些特征可能会引起自动情感感知。
M. Spapé、K. Mäkelä 和 T. Ruotsalo，《NEMO：使用功能性近红外光谱进行情绪分析的数据库》，载于 IEEE Transactions on Affe
摘要 — 我们提供了一个使用功能性近红外光谱 (fNIRS) 分析人类情感状态的数据集。数据记录了参与两项任务的 31 名参与者。在情绪感知任务中，参与者被动地查看从标准国际情感图片系统数据库中采样的图像，该数据库为刺激提供了真实的效价和唤醒注释。在情感意象任务中，参与者主动想象情绪场景，然后对这些场景进行主观效价和唤醒评级。研究了 fNIRS 信号与效价-唤醒评级之间的相关性，以估计数据集的有效性。提供了处理流程、大脑活动组分析和估计基线分类性能的源代码和摘要。对于分类，对唤醒和效价的单次试验 4 类分类以及跨参与者分类进行了预测实验，并比较了效价预测任务的高唤醒和低唤醒变体。最后，针对特定主题和跨参与者模型展示分类结果。数据集公开，以鼓励使用 fNIRS 数据进行情感解码和下游应用的研究。
简历鲁迪·德·拉特
我们的研究从基本假设开始，即要更深入地了解情感障碍的特征信息处理中断（人们如何关注、记忆和解释信息），需要整合临床、认知、行为和神经生物学研究的发现。一个基本想法是，由于行为部分受自动信息处理控制，而自动信息处理在意识控制之外产生影响，因此隐性认知过程在情感障碍的发生和维持中起着核心作用。从童年到老年，从一生的角度研究了情感障碍的脆弱性和恢复力因素，这导致开发了一个模型来解释抑郁症的易感性增加，其中压力、注意力和认知控制起着至关重要的作用。它基于理论模型，允许整合心理学和神经生物学观点，使用实验心理学范式的情感修改，以及眼动记录等行为测量。此外，这些范式与神经成像技术以及瞳孔扩张、皮肤电导、唾液皮质醇和心率变异性等生理指标相结合。为了研究因果机制，研究人员采用了允许实验性地修改信息处理偏差的方法，例如认知训练和神经刺激。这项研究的结果揭示了脆弱性和复原力背后的因果机制。
超越东西方的人工智能
摘要：人工智能是指执行、识别或记录情感状态的技术。然而，人工智能不仅仅是一种技术功能，它也是一个社会过程，通过这一过程，文化对情感是什么以及如何产生情感的假设被转化为代码、软件和机械平台的复合体，从而使某些情感模型比其他模型更具可操作性。本文说明了在为机器配备情商的项目中，文化差异的各个方面是如何被纳入和消除的。本文通过比较 20 世纪 90 年代在北大西洋地区出现的情感计算领域和 20 世纪 80 年代在日本发展起来的感性（情感）工程来实现这一点。然后，本文利用这种比较来论证文化概念在人工智能系统的开发和批判中的更多样化应用。
生物心理学
情感和焦虑症是全球最普遍，最具事件的精神疾病。使用非侵入性脑刺激（NIB）和类似技术对这些疾病的治疗方法进行了广泛研究。在本文中，我们讨论了闭环设置中NIB和神经反馈的组合及其在情感症状和疾病中的应用。为此，我们首先通过介绍一些NIB的主要原始发现提供了这种组合的基本原理，主要关注经颅磁刺激（TMS）和Neurofeactback，以及包括基于电脑电图（EEG）的方案（EEG）和功能磁共振成像（FMRI）。然后，我们提供了将实时神经反馈与NIBS方案相结合的研究范围审查，其中所谓的闭环大脑状态依赖性神经调节（BSD）。最后，我们讨论了TMS的伴随使用和实时功能近红外光谱（FNIRS）作为对情感和焦虑症的当前局限性的解决方案。
SIFIAE：一种考虑 EEG 特征标签不一致的自适应情绪识别模型
背景：在基于脑电图的情绪识别研究中，一个常见但容易被忽视的情感重叠问题尚未引起足够的重视。在现实生活中，情感重叠是指人的当前情绪状态有时很容易受到其历史情绪的影响。在刺激诱发的脑电图采集实验中，由于连续试验中的休息间隔较短，神经反应的内部机制使得受试者不能轻松快速地切换情绪状态，这可能导致情感重叠。例如，即使我们正在看一部喜剧，因为之前刚看过一场悲剧，我们可能在某种程度上仍然处于悲伤的状态。在模式识别中，情感重叠通常意味着脑电图数据中存在特征标签不一致。新方法：为了减轻脑电图数据不一致的影响，我们引入一个变量来自适应地探索情绪识别模型开发中的样本不一致性。然后，我们提出了一种联合样本不一致性与特征重要性探索的半监督情感识别模型（SIFIAE）。据此提出了一种对SIFIAE模型的有效优化方法。结果：在SEED-V数据集上进行的大量实验证明了SIFIAE的有效性。具体来说，SIFIAE达到了69.10%，67.01%，71.5%，
