XiaoMi-AI文件搜索系统
World File Search SystemeMotion
催产素对情绪识别和信任的影响
患有饮食失调的人（ED）通常在社会认知方面遇到困难，包括情感识别[1，2]，心理理论[3]和信任[4]。理论上，具有社会认知的困难[5]，身体不满意[6] - 其中与状态焦虑和负面情绪水平的增加有关，与ED的发展和维持有关。催产素已被证明可以改善健康个体的状态焦虑和负面情绪[8]，以及EDS女性的情绪识别[9]。据我们所知，尚未有任何研究检查了催产素干预对这些心理过程的疗效，这些心理过程对女性学生人群有EDS的风险[10]。评估这样的人群很重要，因为饮食病情发生在从严重的临床ED到迷失的饮食的亚临床模式的连续性上，这将增加患上全面的ED和其他精神健康疾病的风险，如果不及时治疗。
情感评估过程的算法价值
Schiller等。（2024）将算法定义为“用于特定目标或解决特定计算问题的单词，方程式或代码中的步骤序列”（第8页）。在许多认知过程中，诸如感知，注意力，学习，记忆和动作准备的许多认知过程中，对这种gorithm的搜索对认知科学至关重要。根据David Marr的分析水平，可以将计算分析定义为逻辑练习，旨在确定在特定输入给定特定输入的情况下，需要哪些处理子系统来产生特定的输出。尽管情绪的计算分析是相对较新的（参见Sander和Koenig，2002年），但情感科学的有希望的计算进步正在增加，以至于某些情感的功能结构是通过计算，
声音和音乐在情感和认知中的作用
广泛同意的是，自然和人造的声音，包括音乐，深刻影响我们的情绪和认知能力，例如我们的注意力，记忆，解决问题，决策和创造力。许多研究证明，听觉刺激对我们的情绪和认知的影响受到各种因素的影响，包括刺激的特征，所执行的任务的性质以及处理声音和音乐中的个体差异。使用荟萃分析方法，Roman-Caballero等。[1]探讨了学习乐器在学年期间对认知能力和学术成就弹奏乐器的因果影响。他们发现了选择学习乐器或进行音乐研究的个人最初在文化和经济上有利的背景，但他们也见证了这种做法的影响。不可否认的是，进行长时间学习弹奏乐器的复杂过程会导致神经认知的适应性，从而导致整体认知能力和学习成绩的显着提高。这些作者发现，在学校期间学习演奏乐器对人的认知能力和学习成绩有很小但重要的影响。为了提供乐器实践的重要性的证据，多项研究表明，与非音乐家相比，音乐家在各种认知任务中都表现出色（请参阅[2]）。然而，在评估了其他研究人员产生的证据之后，Schellenberg和Lima [13]得出结论，无法做出因果推断。Nussbaum等。具体来说，音乐训练被认为可以增强各种认知和情感能力，包括口头记忆，流利性，感知，创造力，空间技能，智商分数和同理心[3-12]。具体来说，这些作者建议没有确切的证据来支持这一说法，即音乐培训具有深远的认知益处，可以推广到其他领域，这与其他类型的培训获得的发现是一致的。尽管如此，Schellenberg和Lima [13]主张将音乐包括在学校课程中，并由于其内在价值而获得了资助研究。关于音乐影响的辩论围绕着其对认知发展和能力的影响。然而，还有研究利用音乐来增强脑损伤或神经退行性疾病患者的生活质量，情绪和认知功能。本期特刊包括五篇文章和一篇评论。三项研究集中于音乐家和非音乐家的认知任务的表现，尤其是在工作记忆，创造性思维和声音处理方面。特别是Pino等。研究了正规音乐教育对音乐家之间工作记忆与不同思维之间联系的影响。他们的发现表明，多年的正式音乐训练影响了工作记忆与不同思维之间的联系，这意味着音乐扩大了高级认知过程对不同思维能力的有益影响。发现音乐家比非音乐家更好地认识了声音情绪。他们将与事件相关的电位与声音操纵声音进行了比较
人类的个性化语音情感识别 -
摘要 - 情绪是人类言语交流中的重要因素，因此在人类机器人相互作用（HRI）期间了解个体的影响很重要。本文研究了视觉变压器模型的应用，即VIT（视觉变压器）和BEIT（来自图像变压器预训练的双向编码器代表）管道中的言语情感识别（SER）。重点是通过在基准数据集上填充这些模型并利用集合方法来概括为单个语音特征的SER模型。为此，我们从与NAO社会机器人进行伪自然对话的几个人类受试者中收集了音频数据。然后，我们对基于VIT和BEIT的模型进行了研究，并在参与者的看不见的语音样本上测试了这些模型，以便从语音中辨认出四种主要情绪：中性，快乐，悲伤和愤怒。结果表明，基准数据集上的填充视觉变压器，然后使用这些已经精心调整的模型或结合VIT/BEIT模型会导致比调节的Vanilla-Vits或BEITS更高的分类精度或BEIT。
评估人工智能艺术品的情感和敏感性
Error 500 (Server Error)!!1500.That’s an error.There was an error. Please try again later.That’s all we know.
人工智能系统中的情感伦理
科幻小说叙事中。与人类情绪表达有关的心理和行为数据的计算分析历史悠久 [31]，方法的多样性未被充分重视 [16, 108]，并且在社交机器学习 (ML) 应用中发挥着越来越重要的作用 [28, 114]。社交媒体平台经常使用人工智能/机器学习技术来建模和预测人类的情绪表达，作为人际互动和个人偏好的信号 [22]。在心理健康护理 [20]、个人健康和保健 [28]、教育 [124]、招聘 [129]、汽车设计 [123] 和国家安全 [119] 等领域，情绪检测和分析是人工智能/机器学习系统快速增长的一个领域 [75]。虽然机器学习/人工智能系统的公平性、问责制以及伦理和社会影响已成为公众讨论和学术辩论的主要话题 [8, 13, 18, 35, 60, 81]，但在这些对话中，用于分析人类情感和情绪表达的人工智能/机器学习的伦理层面在很大程度上没有得到充分理论化 [3, 27, 44, 75, 114]。鉴于这些系统越来越普及，情感/情绪识别的伦理，以及更广泛的所谓“数字表型” [57] 必须在当前围绕人工智能/机器学习的政治、伦理和社会层面的辩论中发挥更大的作用。在这里，我们对人类情感和情感表达的代理数据的相关概念模型进行了分类；然后，我们概述了情感模型和根据这些模型收集的代理数据如何影响创建人工智能/机器学习系统的技术人员做出的设计决策，以及这些决策如何引发有关这些技术的社会影响的更广泛问题。我们不会轻信计算机科学家的言论，认为他们内部开发的以及从其他领域改编而来的人类情感范式应该天真地被视为基本事实：相反，我们会问，人类情感的不同概念化如何影响人类价值观融入人工智能/机器学习系统和通过人工智能/机器学习系统表达的方式。
可读性、情感、心理语言学特征的影响
万维网的发展使得人们可以随时随地轻松访问大量信息源，这为更多人依赖在线新闻媒体而非印刷媒体铺平了道路。这种情况加速了在线新闻行业的快速增长，并带来了巨大的竞争压力。在这项工作中，我们提出了一组混合特征，用于在发布前预测在线新闻的流行度。从新闻文章中提取了两类特征，第一类是常规特征，包括元数据、时间、上下文和嵌入向量特征，第二类是增强特征，包括可读性、情感和心理语言学特征。除了分析常规特征和增强特征的有效性外，我们还将这些特征结合起来，得出了一组混合特征。我们整理了一个印度新闻数据集，该数据集由来自评分最高的印度新闻网站的新闻文章组成，用于研究，并为未来的研究贡献了数据集。对印度新闻数据集 (IND) 进行评估，并使用各种监督机器学习模型将其与基准可混合数据集上的性能进行比较。我们的结果表明，所提出的增强特征与常规特征的混合对于在发布前预测在线新闻流行度非常有效。
技术主导下的情感流失
摘要：随着数字化浪潮的涌动，非物质文化遗产的数字化运用日趋普遍。近年来，学者们将数字技术视为推动非物质文化遗产传播发展的重要力量。然而，在具体的实践探索中，数字技术的媒介特性、传承群体的远程参与等弊端不断暴露，导致非物质文化遗产数字化中出现技术主导与情感流失的冲突。因此，有必要反思非物质文化遗产数字化的技术主导性，分析情感流失的原因与影响，并尝试进一步提出尊重传承群体文化主体性、注重数字化情感影响的措施，以更好地实现非物质文化遗产数字化的可持续发展。
神经血管耦合相反调节情绪
此预印本版的版权持有人于2024年12月25日发布。 https://doi.org/10.1101/2023.02.13.527949 doi：Biorxiv Preprint
基于深度学习的脑电情绪识别
自动脑电图 (EEG) 情绪识别是人机交互 (HCI) 中一个具有挑战性的组成部分。受近期出现的深度学习技术强大的特征学习能力的启发，各种先进的深度学习模型越来越多地被采用来学习用于脑电图情绪识别的高级特征表示。本文旨在提供脑电图情绪识别的最新和全面的概述，特别是针对该领域的各种深度学习技术。我们提供了文献中的准备工作和基础知识。我们简要回顾了脑电图情绪识别基准数据集。我们详细回顾了深度学习技术，包括深度信念网络、卷积神经网络和循环神经网络。我们详细描述了深度学习技术在脑电图情绪识别中的最新应用。我们分析了该领域的挑战和机遇，并指出了其未来的发展方向。