研究了多种指标（包括表现、行为参与度和情感参与度）的组合，通过分析来自学习管理系统的数字痕迹和学生网络摄像头拍摄的图像，识别学习困难的学生。利用法国一所工程学校 2022 至 2023 学年收集的真实数据，观察到积极情绪状态与学术成果的改善之间存在相关性。这些初步发现支持情绪在区分高、低成就学生方面起到关键作用的观点。

Nov, 2023

通过使用交互式虚拟现实（VR）游戏和采集多模态数据（自我报告、生理和面部信号），我们使用机器学习方法确定了每个组成部分对情绪区分的独特贡献，并发现至少需要五个维度来表示我们的数据集中情绪的变化。这些发现对于在情绪研究中使用 VR 环境以及情绪识别中生理信号的作用具有重要意义。

Apr, 2024

探索视频语义信息对学习者情绪的影响，本文提出一种融合视频语义信息和生理信号的多模态情绪识别方法，实现了情绪识别性能的显著提升，为 MOOC 学习情景的情绪识别研究提供了新的视角和高效的方法。

Apr, 2024

通过综合多学科的方法，本文全面概述了情感分析在视觉媒体中的领域，并强调了最有前途的方法，讨论了技术挑战和限制以及情感理解技术的伦理影响和潜在社会影响。

Jul, 2023

探索预测谈判中两个重要的主观目标 - 结果满意度和合作方感知的情感属性，分析情感属性在预测中的作用，并研究了三个情感维度：表情符号、词汇和语境，以设计适应性的谈判代理人。

Jul, 2021

EMPATHIC 项目的研究旨在设计一款情感表达丰富的虚拟教练，能够吸引健康老年人提高幸福感并促进独立老龄化。本文概述了虚拟教练的情感表达识别模块的开发，包括数据收集、标注设计和针对项目需求的第一种方法论。结果表明，研究的多模态方法在对老年人进行情感分类时具有信息量，并且通常优于其他方法（音频标签准确率约为 68％，视频标签准确率为 72-74％）。这些发现有助于有限的关于情感识别在老年人与人工智能交互中的文献。

Nov, 2023

使用瞳孔测量的虚拟现实情绪识别方法，通过分析虚拟现实头戴设备对视觉和听觉刺激的瞳孔直径响应，从时域、频域和时频域提取关键特征并利用特征选择获取最重要的特征，再应用集成学习技术中的梯度提升模型，通过特征工程将准确率从 84.9% 提升至 98.8%，该研究为 Thelxino"e 框架作出了显著贡献，旨在通过整合多个传感器数据实现更真实和情感共鸣的触感交互，研究结果为进一步发展沉浸式交互虚拟现实环境以及虚拟触觉技术打开了新的可能性。

Mar, 2024

测量和数据分析等最新技术的应用为解决情感体验和生理变化之间的相似性问题提供了希望，开放科学和开放数据实践以及面向学术界的数据分析挑战也是解决这一问题的有希望的工具。

Dec, 2023

使用智能手表传感器预测用户情绪，通过使用英文和区域语言视频收集数据，将问题建模为二元分类，并使用多个机器学习模型进行试验，发现多层感知器对愉快 - 不愉快情绪的分类具有最高准确率达到 93.75%。

Aug, 2023

本文介绍了一种利用虚拟现实技术中红外监视器拍摄到的眼部图像，从而在遮挡部分面部的情况下，自动推断用户的表情，并生成动态的虚拟头像作为用户的表情代理。实验结果表明，该算法的准确度显示出性能优于人类评估者。

Jul, 2017