XiaoMi-AI文件搜索系统
World File Search System情感
Facebook 用户体验的情感测试
摘要 本研究旨在了解用户在社交媒体平台（如 Facebook）或其他可能对用户产生情绪影响的软件产品上执行某些任务时情绪如何波动。具体来说，我们探讨了 Facebook 常用用户和新用户在可用性方面的差异。这项研究涉及对 18 名参与者的定性研究，其中 9 名是 Facebook 用户，9 名是非 Facebook 用户，他们在参与本研究之前从未使用过 Facebook。在测试过程中，要求用户完成 Facebook 上的几项任务，同时使用 EEG（脑电图）采集系统记录他们大脑的电生理活动。当然，这项研究可以应用于任何软件产品，在产品发布之前，通过了解新用户与常用用户相比的用户友好程度来改进其用户界面。此外，还研究了新用户和常用用户之间的用户友好度相关性。此外，这项研究将帮助我们辨别大脑的哪些部分在群体之间具有最显著的差异，并讨论个人情绪状态背后的动机，这与用户体验有关。基于对特征脑波功率谱的分析，这项研究确定了新用户和常客之间存在显著的统计差异。此外，研究还发现新用户和常客的中央叶、颞叶和枕叶之间存在显著差异。这些结果将有助于开发人员创建最佳且用户友好的软件产品。
电子商务的多模态情感信息分析...
电子商务发展迅速，产品促销是指电子商务如何促进消费者的消费活动，决策过程中的需求和计算复杂度是优化电子商务产品线动态定价决策亟待解决的问题。因此，在多模态情感信息识别与分析的前提下，提出了一种基于神经网络的Q学习算法模型，并研究了产品线的动态定价问题。结果表明，通过语音情感识别和图像情感识别的多模态融合，建立多模态融合模型，对消费者的情绪进行分类，并作为理解和分析市场需求的辅助资料。长短期记忆（LSTM）分类器对图像特征提取效果优异，准确率比其他同类分类器高3.92%~6.74%，图像单特征最优模型比语音单特征模型准确率高9.32%。
用于情感计算的可解释人工智能
RUI MAO 是新加坡南洋理工大学的研究员、首席研究员。他获得了阿伯丁大学的计算机科学博士学位。他的研究兴趣包括计算隐喻处理、情感计算和认知计算。他和他创立的公司开发了第一个使用现代语言搜索中国古诗词的神经网络搜索引擎 (haps://wensousou.com)，以及一个用于语言和概念隐喻理解的系统 (haps://metapro.ruimao.tech)。他以第一作者的身份在顶级会议和期刊上发表了多篇关于情感计算的论文，例如 ACL、AAAI、IEEE ICDM、InformaRon Fusion 和 IEEE TransacRons。他曾担任 COLING 和 EMNLP 的领域主席以及 Expert Systems、InformaRon Fusion 和 NeurocompuRng 的副主编。
社会，情感，心理健康策略（SEMH）
2.1（2020）发现5至16岁的儿童中有16％（1分之一）患有可能的心理健康障碍，从2017年的9分中有1个增加。 2.2冠状病毒大流行导致儿童和年轻人生活的根本变化。 The Public Health England COVID-19 mental health and wellbeing surveillance report suggests that whilst some evidence shows that children and young people have generally coped well during the pandemic (March to September 2020), other evidence suggests that some children and young people, especially those with certain characteristics, such as those who are disadvantaged economically, females, and those with pre-existing mental health needs, appear to have experienced greater negative impacts on their mental health and健康。2.1（2020）发现5至16岁的儿童中有16％（1分之一）患有可能的心理健康障碍，从2017年的9分中有1个增加。2.2冠状病毒大流行导致儿童和年轻人生活的根本变化。The Public Health England COVID-19 mental health and wellbeing surveillance report suggests that whilst some evidence shows that children and young people have generally coped well during the pandemic (March to September 2020), other evidence suggests that some children and young people, especially those with certain characteristics, such as those who are disadvantaged economically, females, and those with pre-existing mental health needs, appear to have experienced greater negative impacts on their mental health and健康。
情感调节技能 - 一个教育
超越上学/大学的背景： - 移动设置对（至少）核心主题成就产生负面影响（26），其关键成功因素是在第一个月内在新学校/大学中成为朋友（27）。- 家庭环境被认为是对教育成就的强大影响。最有益的效果之一是父母能够对孩子的未来成就保持积极的愿望和期望。能够在学校和在家中对他们的学术工作表现出兴趣也很重要（28）。再次总结，对于努力调节情绪的学生，有效的方法专注于提供安全的社会团体。在这里，这些CYP可以学会使用受信任的小组成员提供共同调节。在此类社会群体中跟进 /教导时，特定的社会和情感干预措施会产生最大的影响。
虚拟助手中的情感和建议
摘要在一个虚拟助手在我们的日常生活中起着越来越重要的作用的时代，这项研究表达了他们建议的含义。我们研究了信任和虚拟代理人的情感表达之间的相互作用，并深入研究了人类技术互动的关键方面。，我们的研究研究了虚拟药物与人类决策之间的动态。第一阶段涉及开发和验证能够传达各种情绪的虚拟机器人。通过此，披露了基于性别的情感提示感知的差异，从而阐明了男人和女人如何以不同的方式解释这些线索。第二阶段采用交互式内存游戏，虚拟代理在各种情绪状态下运行。参与者的信任水平和看法在不同的情况下进行了精心评估，从准确到错误的代理提示。我们的调查结果阐明了代理人的情感表达对参与者的看法的影响，这说明了信任如何受到手头任务和代理人行为的精致影响。这项研究有助于理解虚拟助手与人类决策之间的关系，强调设计更具吸引力和互动性虚拟药物的必要性。这些见解准备未来的研究，以制定更有效的虚拟助手，从而增强用户的信任和参与度。
通过机器学习和深度学习的情感分析
情感分析是自动识别文本中表达的情感的任务。在许多应用程序中，它变得越来越重要，例如社交媒体监控，产品审查分析和客户反馈评估。随着深度学习技术的出现，情感分析的性能和准确性显着提高。本文对机器学习和深度学习方法进行了全面调查，以分析文档，句子和方面级别。我们首先提供了传统的机器学习方法的情感分析及其局限性。然后，我们研究了已成功应用于此任务的各种机器学习和深度学习体系结构。此外，我们讨论了处理不同数据模式的挑战，例如视觉和多模式数据，以及如何对两种技术进行调整以应对这些挑战。此外，我们探讨了情感分析在不同领域的应用，包括社交媒体，产品评论和医疗保健。最后，我们重点介绍了深度学习方法的当前局限性用于情感分析，并概述了潜在的未来研究方向。本调查旨在为研究人员和从业人员提供对最先进的深度学习技术及其实际应用的全面理解。
5岁的个人，社交和情感发展
个人，社会和情感发展（PSED）支持孩子们学会与他人相处，结交朋友，理解和谈论感受，了解“正确”和“错误”，发展独立性，并最终对自己感觉良好。在早期，PSED为我们所做的一切而言，最终，如果儿童的PSED没有受到培养和支持，那么学习的其他领域也将受到很大的影响。我们知道，儿童生活中的一系列不同因素会对他们的PSED产生不利影响。神经科学表明，童年时期的“正常”大脑发育取决于环境的投入，包括与他人的热情和爱心互动以及在安全的环境中生活和培养的安全环境。这为他们如何与他人建立关系及其如何看待自己奠定了基础。不幸的是，最近的Covid 19大流行可能破坏了这一领域的正常发展，一些孩子在教育上错过了，或者在这段时间里有负面和压力的经历。
基于EEG的情感识别的模型：CNN-BI- ...
摘要：情感分析是人类计算机情感互动的关键技术，并逐渐成为人工智能领域的研究热点。基于脑电图的情绪分析的关键问题是特征提取和分类设计。现有的情绪分析方法主要使用机器学习，并依靠手动提取的功能。作为端到端方法，深度学习可以自动提取脑电图并对其进行分类。但是，基于脑电图的大多数深度学习模型仍然需要手动筛选和数据预处理，准确性和便利性不够高。因此，本文提出了一个CNN-BI-LSTM注意模型，以自动提取特征并根据EEG信号对情绪进行分类。原始的脑电图数据用作输入，CNN和BI-LSTM网络用于特征提取和融合，然后通过注意机构层平衡了电极通道的重量。最后，EEG信号分类为各种情绪。在种子数据集上进行了基于脑电图的情绪分类实验，以评估所提出模型的性能。实验结果表明，本文提出的方法可以有效地对脑电图进行分类。该方法在两个独特的分类任务上进行了评估，其中一项具有三个和四个目标类别。该方法的平均十倍交叉验证分类精度分别为99.55％和99.79％，对应于三个和四个分类任务，这比其他方法要好得多。可以得出结论，我们的方法优于情感识别中现有的方法，这些方法可以广泛用于许多领域，包括现代神经科学，心理学，神经工程和计算机科学。