XiaoMi-AI文件搜索系统
World File Search System消极情绪
评论文章
摘要 产前压力是导致神经发育障碍的潜在风险因素。如今，产前检查仅关注女性的身体健康问题。重要的是要记住，除了可诊断的疾病之外，各种压力、焦虑和抑郁症状，例如与配偶的紧张关系，也会对胎儿发育产生影响。阿育吠陀的 Satva Vaisheshyakara Bhaavas 概念很好地强调了这一点，该概念指出，后代的心理构成受各种因素的影响，例如母亲的心理健康以及她怀孕期间所听到的内容。Daivavyapashraya Chikitsa 是一种阿育吠陀疗法，通过 Mani、Mangala、Bali、Homa、Upavasa 和其他治疗技术，可消除消极情绪和恐惧感，代之以乐观和控制感，从而促进精神健康并帮助管理精神压力。此外，这种 Chikitsa 具有几个符合认知适应理论的逻辑特征，该理论认为，人们创造积极的错觉是一种防御机制，以保护他们的心理健康免受外界威胁。本文以科学依据为依据，试图强调 Daivavyapashraya Chikitsa 在降低产妇压力方面的潜在优势。
噩梦机器：一项利用人工智能引发恐惧的大规模研究
随着人工智能在模拟人类分析任务方面取得长足进步，一个重要问题浮出水面：机器能否大规模诱发极端的人类情绪？在这项工作中，我们调查了一个案例研究，噩梦机器（nightmare.mit.edu），研究一种特殊的情绪：恐惧。我们使用一种基于深度学习的方法，通过生成新的怪异图像来诱发焦虑和消极情绪状态。我们的系统吸引了来自 147 个国家的数十万参与者的关注，他们对生成的图像进行了超过 1,000,000 次评估。首先，我们对收集的数据执行各种探索性数据分析任务，以调查生成的图像的潜力，例如参与者基于地理位置的偏好之间是否存在相关性。然后，我们对 n = 752 名受试者进行验证研究，以验证生成的图像是否会在心理上影响人们的心理测量效果和焦虑测量，例如 I-PANAS-SF（Thompson 2007）和 STAI-SF（Marteau and Bekker 1992）。我们的实验表明，与对照图像相比，生成的图像在负面情感和状态焦虑方面产生了统计上显着的增加。我们在 https://github 上公开了我们的数据集。com/catlab-team/nightmaremachine 。
一种 3D-CNNs 方法对用户表情进行分类
最近的研究表明，社交辅助机器人 (SAR) 可用于各种操作环境，在这些环境中，促进人机交互和建立融洽关系取决于引发积极感觉。不同的人以不同的方式表达和感受情绪，这一事实造成了巨大的偏见，即使借助人工智能技术，也很难识别和区分情绪。这是最大的挑战之一。使用客观指标而非主观指标（如生物信号）作为情绪特征鉴别器可以缩小这一差距。先前的研究调查了使用 EEG 测量对 HRI 中的情绪进行分类，方法是查看一系列分类方法，例如使用 MLP 模型和全局优化算法应用于支持向量机、随机森林、决策树、K 最近邻和深度神经网络等方法，应用于原始和派生信号特征（例如，效价、唤醒、PSD 等）。本文介绍了一种新方法，该方法采用 3D 卷积神经网络 (3D-CNN) 来处理从 EEG 获得的地形图。据我们所知，该方法尚未在该领域进行研究。所提出的模型实现了令人印象深刻的 99.2% 的分类准确率，成功区分了积极和消极情绪，并表明将 EEG 数据转换为图像可能是一种可行的解决方案，因为它允许使用更准确的分类模型。所提出的模型的结果与最佳的最先进的模型一致。
大脑如何变成心智：热力学能够解释情绪的出现和本质吗？
摘要：神经系统的电活动是意识现象学的基础。感官知觉触发与环境的信息/能量交换，但大脑的反复激活保持静止状态，参数恒定。因此，感知形成一个封闭的热力学循环。在物理学中，卡诺发动机是一种理想的热力学循环，它将热量从热库转化为功，或者反过来，需要功将热量从低温库转移到高温库（逆卡诺循环）。我们通过吸热逆卡诺循环分析高熵大脑。其不可逆激活为未来定位提供了时间方向性。神经状态之间的灵活转移激发了开放性和创造力。相反，低熵静止状态与可逆激活平行，可逆激活通过重复思考、悔恨和遗憾强加过去的焦点。放热卡诺循环会降低精神能量。因此，大脑的能量/信息平衡形成了动机，被感知为立场或负面情绪。我们的工作从自由能原理的角度分析了积极和消极情绪以及自发行为。此外，电活动、思想和信念适合于时间组织，这是与物理系统正交的条件。在此，我们提出，对情绪热力学起源的实验验证可能会启发更好的精神疾病治疗方案。
您头上的小声音pdf
在“脑海中的那个小声音”中，莫·戈达特（Mo Gawdat）是《解决幸福》的畅销书作者，提出了一个变革性的指南，以恢复喜悦并克服消极情绪的障碍。Gawdat从编程和神经科学领域的背景中汲取了灵感，揭示了我们如何有效地训练我们的思想，以慷慨，冷漠的同情心来代替自我怀疑，并最终投资于我们自己的幸福。 这本有见地的书提供了实用的练习和独特的模型，以促进对自己和他人的同情心，灵感来自已故儿子阿里的深刻经历。 通过将复杂的大脑行为提炼成易于理解的概念，Gawdat为任何希望在现代生活的挑战中解开其真正幸福潜力的人提供了全面的手册。Gawdat从编程和神经科学领域的背景中汲取了灵感，揭示了我们如何有效地训练我们的思想，以慷慨，冷漠的同情心来代替自我怀疑，并最终投资于我们自己的幸福。这本有见地的书提供了实用的练习和独特的模型，以促进对自己和他人的同情心，灵感来自已故儿子阿里的深刻经历。通过将复杂的大脑行为提炼成易于理解的概念，Gawdat为任何希望在现代生活的挑战中解开其真正幸福潜力的人提供了全面的手册。
思考的不愉快
心理学、神经科学和经济学中的重要理论假设，付出心理努力应该会让人感到厌恶。然而，这种假设通常未经检验，而且受到了偶然观察和先前研究的质疑。在这里，我们进行荟萃分析，以了解（a）心理努力是否通常让人感到厌恶，以及（b）心理努力和厌恶感之间的关联是否取决于人群和任务特征。我们对一组 170 项研究进行了荟萃分析（来自 2019 年至 2020 年发表的 125 篇文章；358 项不同的任务；4,670 个独特受试者）。这些研究是在各种人群中进行的（例如，医疗保健员工、军事员工、业余运动员、大学生；数据收集自 29 个不同的国家），并使用了各种任务（例如，设备测试任务、虚拟现实任务、认知表现任务）。尽管存在这种多样性，但这些研究有一个关键的共同特征：所有研究都使用 NASA 任务负荷指数来检查参与者的努力和负面影响的经历。正如预期的那样，我们发现心理努力与消极情绪之间存在强烈的正相关关系。令人惊讶的是，我们的 15 位调节者中只有一位具有显著的影响（亚洲与欧洲和北美的研究中，努力让人感觉不那么厌恶）。总体而言，在不同类型的任务（例如，有反馈和没有反馈的任务）、不同类型的人群（例如，受过大学教育的人群和非受过大学教育的人群）和不同的大洲，心理努力让人感觉厌恶。支持将努力概念化为成本的理论，我们认为心理努力本质上是令人厌恶的。
韧性与积极心理健康之间的相关性
n今天快节奏的世界，无限机会和资源的可访问性使增长比以往任何时候都更具实现。但是，重要的是要了解快速增长通常会带来固有的风险，尤其是当它缺乏坚实的基础或受不可持续方法驱动时。取得了更快的成功，同样迅速下降的可能性越高。在从业务到个人品牌的各个领域都可以观察到这种现象，在这些领域，迅速扩展的压力会导致脆弱性。要说明，请考虑社交媒体的领域。虽然快速增长的总体概念广泛适用，但特定的例子在于通过利用误导或有争议的内容来实现高知名度或达到范围。这种类型的内容最初可能会吸引大量受众，从而导致指数增长。然而，曾经促成个人崛起的同一位听众可能会变成批评和消极情绪的来源，尤其是如果内容被认为是不真实的或不道德的。这可能会导致巨魔，公众反对和最终声誉下降。因此，该示例强调了不可持续的成功的脆弱性，并充当了关于优先级高于长期信誉的风险的警示故事。要驾驶这种动荡的环境，发展强烈的弹性意识至关重要。韧性充当保护性盾牌，使个人能够应对挑战，挫折和负面影响。通过培养这种特征，可以保持情感
基于脑电图信号的人类情绪分类使用...
在人际交往中，情绪非常重要。词语、语音语调、面部表情和动作等属性都可用于描绘一个人的感受。然而，脑机接口 (BCI) 设备尚未达到情绪解读所需的水平。随着机器学习算法、干电极技术以及脑机接口在现实世界中对正常人的不同应用的快速发展，从脑电图数据中进行情绪分类最近引起了广泛关注。脑电图 (EEG) 信号是这些系统的关键资源。使用脑电图信号的主要好处是它们反映了真实的情绪，并且很容易被计算机系统解析。在这项工作中，使用通道选择预处理识别了与好情绪、中性和负面情绪相关的脑电图信号。然而，到目前为止，研究人员对各种情绪状态之间联系的具体了解有限。为了识别脑电图信号，我们使用了离散小波变换和机器学习技术，如循环神经网络 (RNN) 和 k-最近邻 (kNN) 算法。最初，使用分类器方法进行通道选择。结果，通过整合来自这些通道的 EEG 片段的特征来创建最终特征向量。使用 RNN 和 kNN 算法，对具有连接的积极、中性和消极情绪的最终特征向量进行独立分类。计算并比较了两种技术的分类性能。使用 RNN 和 kNN，平均总体准确率分别为 94.844 % 和 93.438 %。
患有网络游戏障碍的个体在真实游戏中对积极和消极事件的大脑反应
目的：本研究旨在研究网络游戏障碍 (IGD) 患者在真实游戏中对积极和消极事件的大脑反应，以直接评估 IGD 的神经特征。本研究反映了 IGD 患者在玩游戏时的神经缺陷，为预防和治疗 IGD 提供了直接有效的目标。方法：对 30 名 IGD 患者和 52 名匹配的娱乐游戏使用 (RGU) 患者在玩在线游戏时进行扫描。使用一般线性模型检测积极和消极事件期间的异常大脑活动。进行了神经特征与成瘾严重程度之间的功能连接 (FC) 和相关性分析，以为基础的神经特征提供额外支持。结果：与RGU受试者相比，IGD受试者在积极事件中表现出背外侧前额皮质（DLPFC）激活减少，在消极事件中表现出中额回（MFG）、中央前回和中央后回激活减少。在IGD受试者中观察到积极事件期间DLPFC和壳核之间的FC减少，以及消极事件期间MFG和杏仁核之间的FC减少。神经特征与成瘾严重程度显着相关。结论：与RGU游戏玩家相比，IGD患者在真实游戏中经历积极和消极事件时表现出调节游戏渴望、适应不良的习惯性游戏行为和消极情绪的缺陷。真实游戏中神经基质的这些异常为解释为什么IGD患者不受控制地持续参与游戏提供了直接证据，尽管有负面后果。
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