自动无传感器情感检测：系统文献综述

Oct, 2023

自动无传感器情感检测：系统文献综述

Automatic Sensor-free Affect Detection: A Systematic Literature Review

Felipe de Morais, Diógines Goldoni, Tiago Kautzmann, Rodrigo da Silva, Patricia A. Jaques

TL;DR该研究综述了基于非传感器的情感检测，探讨了最常见的情感状态、传感器发展的方法和技术、CBLEs 和数据样本的定义属性以及关键的研究趋势。尽管该领域已取得了明显的成熟度，但未来的研究仍有很大空间，包括提升非传感器检测模型的性能、积累更多样本来表示少数情感以及识别额外的情感。此外，还需改进模型开发实践和方法，包括比较不同数据采集技术的准确性、确定最佳的持续时间粒度、建立共享的行为记录和情感标签数据库，并公开发布这些模型的源代码。未来的研究还应将模型整合到 CBLEs 中进行实时检测、基于检测到的情感提供有意义的干预措施，并深入了解情感对学习的影响。

Abstract

Emotions and other affective states play a pivotal role in cognition and, consequently, the learning process. It is well-established that computer-based learning environments (cbles) that can detect and adapt to students' affective states can enhance learning outcomes. However, practic

sensor-free affect detection cbles machine learning techniques data collection techniques real-time detection

发现论文，激发创造

使用 fNIRs 和机器学习的情绪状态检测

本研究旨在利用生理数据检测情感状态，通过功能近红外光谱法，并使用机器学习进行分类，结果显示针对冥想、娱乐和认知负荷三种情感状态的研究中，个体模型的平均准确率为 83.04%，群体模型的准确率为 84.39%，而个体无关模型的准确率为 60.57%。同时发现，通过纸笔任务可更准确地识别出认知负荷情感状态。

Feb, 2024

情感分析：从文本自动检测情感倾向、情绪及其他感性状态

本文介绍了机器学习在情感分析领域的最新进展，并对情感分析的起源、任务、挑战、方法和资源使用以及应用进行了概述。此外，文中还讨论了情感分析存在潜在有害影响的问题，并介绍了追求情感分析公平性的最新研究方向。

May, 2020

整合可穿戴传感器数据和自报日记以进行个性化情绪预测

本研究提出一种多模态深度学习模型，结合了转换器编码器和预训练语言模型，利用客观指标和自我报告日记进行情感状态预测。通过进行为期一年的纵向研究，监测大学生参与者的身体、环境、睡眠、新陈代谢和体力活动参数，以及开放式的文本日记，实证结果表明该模型在提前一周预测积极和消极情感方面的准确率分别为 82.50% 和 82.76%。该模型的解释性进一步提高了其有效性。

Mar, 2024

自动情感识别和情感分析的伦理表格

本文通过汇总人工智能伦理学和情感识别文献的信息，提出了与自动情感识别相关的 50 个伦理考虑因素，特别关注情感识别对隐私和社会群体的影响，并提出了有关负责任的自动情感识别的关键建议。

Sep, 2021

情感计算的深度学习：决策支持中基于文本的情感识别

本研究旨在通过深度学习和转移学习来提高情感计算中文段落情感识别精度。我们使用改进后的循环神经网络模型，并提出 Sent2affect 模型进行迁移学习。实验结果表明，我们的模型在 6 个基准数据集上表现出色，相对于传统机器学习方法有了显著提升。这些发现对情感计算的应用具有重要的启示意义。

Mar, 2018

情感计算综述：挑战、趋势、应用和未来方向

本文介绍情感计算的重要性、方法和结果，着重探讨了机器学习和混合现实在情感计算中的应用，研究了最新的方法和数据资源，并讨论了情感计算在各种应用领域中的显著影响，从而帮助未来学者更好地理解情感计算的重要性和实用性。

May, 2023

语音与文本情感识别器

情感计算是一门研究领域，专注于开发能够理解、解释和响应人类情感的系统和技术。本研究主要针对公开可用的情感标签数据集稀缺和不平衡的问题，通过合并这些数据集以及采用各种语音数据增强技术构建了一个均衡的语料库，并在语音情感识别方面尝试了不同的架构。最佳系统是一个多模态的语音和基于文本的模型，相对于基准算法的性能为 157.57（不加权准确度 + 加权准确度），而基准算法的性能为 119.66。

Dec, 2023

情感现象在多模态交互研究中的作用扩展

本文在交互式多模态和情感计算交叉领域进行了研究，探讨了计算机识别和表达情感现象的能力，并发现了研究的主要重点和不足之处。通过分析大量文献，我们发现研究主要集中在如何使计算机能够识别和表达情感现象，而缺乏人工智能系统通过情感和情绪预测增强对人类社交行为和认知状态的理解的研究。

May, 2023

音视频情感评估与自主汽车：应用

该研究探讨了在自主驾驶汽车中进行情感分析、乘客建模和情感分析以及在特定案例中将自主驾驶汽车的情感分析应用实现的挑战和潜在途径。

Mar, 2022

基于文本情感感知推荐系统中情感度量的应用

本研究提出了一种使用生成式预训练变换技术检测主观段落中情感特征的方法，形成情感索引和情感指数指标，以消除用户构建情感特征检测机制的需要。同时，该研究主张采用责任分离的方法，用户保护情感个人信息数据，EARS 服务提供商不保留或存储数据，提供有效的情感意识建议。该研究为解决情感主观性和变异性、数据隐私、评估指标和基准提供了一种解决方案，并为未来 EARS 研究铺平了道路。

May, 2023