计算机模型已经学会直接从人类经验中形成情感概念，在约四分之三的情况下，无需学习情感标签，就能与人们自身的情感判断相符。
这一结果将情感重新定义为机器可以从生活信号中学习的东西，而不仅仅是从预设类别中进行分类的东西。
这将为能够以更高的敏感度和更贴近人情的方式回应人们的系统打开大门。
这种能力源于一个将身体反应、人们所看到的东西以及他们在对情绪图像做出反应时所使用的词语结合起来的系统。
奈良先端科学技术大学院大学（NAIST）的教授比惠田千惠证明，这些学习到的概念与参与者后来描述感受的方式密切相关。
这种方法反映了心理学中由来已久的观点，即当大脑将内部身体信号与来自周围世界的信息结合起来时，情绪就会形成。
大脑如何构建情绪
心理学家认为，当大脑将身体变化与外部环境联系起来时，情绪就会形成。
在体内，内感受是大脑对内部信号的解读，它会随着心率和出汗反应的上升或下降而变化。
与此同时，外感受是指感知身体外部发生的事情，它增加了情境，使同样的脉搏感觉起来既有威胁性又有安全感。
这种人为构建的情绪源于过往经验和当前线索，它有助于解释为什么人们对同一场景会有不同的反应。
三条证据链
为了捕捉情感是如何形成的，该研究收集了志愿者的身体信号、视觉输入和口语。
参与者观看了来自国际情感图片系统的 60 张能引发情绪的图片，传感器跟踪了心律和皮肤电导——这是一项与汗腺活动相关的指标。
每个人都用语言描述了这种体验，使模型将感觉和语言联系起来。
这种组合让研究团队能够测试计算机是否可以在不被告知答案的情况下学习情感概念。
让模式自然出现
奈良先端科学技术大学院大学的研究人员并没有给计算机输入情感标签，而是让它在数据流中搜索共同的模式。
该方法依赖于 mMLDA，这是一种统计模型，它将不同数据类型中的模式分组，并将每个人倾向于一起出现的信号联系起来。
这项工作旨在填补一个常见的空白。许多情感理论描述了情感的发生过程，但没有详细说明软件可以学习的具体步骤。
“虽然有一些理论框架探讨了情绪是如何通过信息处理而产生为概念的，但这种形成背后的计算过程仍有待深入研究，”希埃达教授说。
与人类标签进行对比测试
经过训练后，mMLDA 生成了一些情感概念，每个参与者都使用这些概念对图像进行分类。
NAIST 的研究人员将这些分组与参与者自己对效价（一种感觉的愉悦程度）和强度的评价进行了比较。
在 29 名参与者中，所学概念与自我报告的吻合率约为 75%，优于随机分组。
这种一致性表明，该模型捕捉到了人们如何从混合信号中构建情感意义的某些真实情况。
预测未说出口的话
训练好 mMLDA 后，该团队尝试了一项更难的任务，即在只有一种数据可用的情况下预测缺失的信息。
通过学习哪些信号通常一起传递，它可以从图像中推断出可能的身体反应，或者从传感器中推断出可能的词语。
当参与者对相似的情感重复使用相似的词语来表达相似的感受时，预测效果最佳，这为算法提供了更稳定的语言模式。
研究结果表明，即使一个人无法清楚地描述痛苦，系统也可能感知到痛苦。
视觉推理的局限性
视觉仍然是薄弱环节，因为身体信号无法可靠地反映一个人所看到的具体画面。
心跳模式可以适用于许多场景，因此该模型无法自信地缩小视觉细节的范围。
这种局限性反映了一种根本性的不平衡。图像包含许多细节，而身体信号仅能捕捉到反应的一小部分。
未来的版本可能需要更丰富的感官输入，例如声音或触觉，才能推断出外部发生了什么。
护理技术的承诺
研究人员认为，能够根据人的状态（而不仅仅是人的言语）进行调整的机器人和软件具有实际价值。
当传感器检测到压力信号上升时，系统可以调整时间或音调，因为身体的反应通常比言语的反应更快。
“这项研究对社会和产业都具有重要意义，因为它提供了一个将情绪理论与实证验证联系起来的计算框架，解决了情绪是如何形成的这一长期存在的问题，”Hieida总结道。
开发人员可以将这种方法应用于心理健康支持和痴呆症或发育障碍的辅助工具，但现实世界的试验需要监督。
情绪软件的护栏
情绪信号可能透露出人们意想不到的信息，因此研究人员应该将其视为敏感的个人数据，其风险与健康信息类似。
如果系统从可穿戴设备中学习，它们就能捕捉到工作或家庭生活中的模式，这会增加隐私和偏见风险。
由于 mMLDA 学习的是每个个体内部的模式，因此设计人员仍然需要一些方法来处理没有长时间个人培训的新人。
这意味着未来的测试必须检验系统在多大程度上尊重个性，特别是对于那些以不寻常的方式表达情感的人。
这项研究将身体信号、感知和语言联系在一起，形成一个学习过程，追踪人们如何形成情感概念。
更好的数据集和更强有力的保障措施将决定这种方法是帮助真正的人们，还是仅仅增加了一层监控。
计算机模型已经学会直接从人类经验中形成情感概念，在约四分之三的情况下，无需学习情感标签，就能与人们自身的情感判断相符。
这一结果将情感重新定义为机器可以从生活信号中学习的东西，而不仅仅是从预设类别中进行分类的东西。
这将为能够以更高的敏感度和更贴近人情的方式回应人们的系统打开大门。
这种能力源于一个将身体反应、人们所看到的东西以及他们在对情绪图像做出反应时所使用的词语结合起来的系统。
奈良先端科学技术大学院大学（NAIST）的教授比惠田千惠证明，这些学习到的概念与参与者后来描述感受的方式密切相关。
这种方法反映了心理学中由来已久的观点，即当大脑将内部身体信号与来自周围世界的信息结合起来时，情绪就会形成。
大脑如何构建情绪
心理学家认为，当大脑将身体变化与外部环境联系起来时，情绪就会形成。
在体内，内感受是大脑对内部信号的解读，它会随着心率和出汗反应的上升或下降而变化。
与此同时，外感受是指感知身体外部发生的事情，它增加了情境，使同样的脉搏感觉起来既有威胁性又有安全感。
这种人为构建的情绪源于过往经验和当前线索，它有助于解释为什么人们对同一场景会有不同的反应。
三条证据链
为了捕捉情感是如何形成的，该研究收集了志愿者的身体信号、视觉输入和口语。
参与者观看了来自国际情感图片系统的 60 张能引发情绪的图片，传感器跟踪了心律和皮肤电导——这是一项与汗腺活动相关的指标。
每个人都用语言描述了这种体验，使模型将感觉和语言联系起来。
这种组合让研究团队能够测试计算机是否可以在不被告知答案的情况下学习情感概念。
让模式自然出现
奈良先端科学技术大学院大学的研究人员并没有给计算机输入情感标签，而是让它在数据流中搜索共同的模式。
该方法依赖于 mMLDA，这是一种统计模型，它将不同数据类型中的模式分组，并将每个人倾向于一起出现的信号联系起来。
这项工作旨在填补一个常见的空白。许多情感理论描述了情感的发生过程，但没有详细说明软件可以学习的具体步骤。
“虽然有一些理论框架探讨了情绪是如何通过信息处理而产生为概念的，但这种形成背后的计算过程仍有待深入研究，”希埃达教授说。
与人类标签进行对比测试
经过训练后，mMLDA 生成了一些情感概念，每个参与者都使用这些概念对图像进行分类。
NAIST 的研究人员将这些分组与参与者自己对效价（一种感觉的愉悦程度）和强度的评价进行了比较。
在 29 名参与者中，所学概念与自我报告的吻合率约为 75%，优于随机分组。
这种一致性表明，该模型捕捉到了人们如何从混合信号中构建情感意义的某些真实情况。
预测未说出口的话
训练好 mMLDA 后，该团队尝试了一项更难的任务，即在只有一种数据可用的情况下预测缺失的信息。
通过学习哪些信号通常一起传递，它可以从图像中推断出可能的身体反应，或者从传感器中推断出可能的词语。
当参与者对相似的情感重复使用相似的词语来表达相似的感受时，预测效果最佳，这为算法提供了更稳定的语言模式。
研究结果表明，即使一个人无法清楚地描述痛苦，系统也可能感知到痛苦。
视觉推理的局限性
视觉仍然是薄弱环节，因为身体信号无法可靠地反映一个人所看到的具体画面。
心跳模式可以适用于许多场景，因此该模型无法自信地缩小视觉细节的范围。
这种局限性反映了一种根本性的不平衡。图像包含许多细节，而身体信号仅能捕捉到反应的一小部分。
未来的版本可能需要更丰富的感官输入，例如声音或触觉，才能推断出外部发生了什么。
护理技术的承诺
研究人员认为，能够根据人的状态（而不仅仅是人的言语）进行调整的机器人和软件具有实际价值。
当传感器检测到压力信号上升时，系统可以调整时间或音调，因为身体的反应通常比言语的反应更快。
“这项研究对社会和产业都具有重要意义，因为它提供了一个将情绪理论与实证验证联系起来的计算框架，解决了情绪是如何形成的这一长期存在的问题，”Hieida总结道。
开发人员可以将这种方法应用于心理健康支持和痴呆症或发育障碍的辅助工具，但现实世界的试验需要监督。
情绪软件的护栏
情绪信号可能透露出人们意想不到的信息，因此研究人员应该将其视为敏感的个人数据，其风险与健康信息类似。
如果系统从可穿戴设备中学习，它们就能捕捉到工作或家庭生活中的模式，这会增加隐私和偏见风险。
由于 mMLDA 学习的是每个个体内部的模式，因此设计人员仍然需要一些方法来处理没有长时间个人培训的新人。
这意味着未来的测试必须检验系统在多大程度上尊重个性，特别是对于那些以不寻常的方式表达情感的人。
这项研究将身体信号、感知和语言联系在一起，形成一个学习过程，追踪人们如何形成情感概念。
更好的数据集和更强有力的保障措施将决定这种方法是帮助真正的人们，还是仅仅增加了一层监控。
