الحوسبة العاطفية

📅 آخر تحديث: ٧ أغسطس ٢٠٢٦
✍️ نُشر في: ٧ أغسطس ٢٠٢٦
📷 يحتوي على 11 صور
الموسوعة الحرة
أصبحت الأجهزة الإلكترونية مثل الروبوتات قادرة بشكل متزايد على التعرف على المشاعر البشرية وتقليدها

الحوسبة العاطفية هي دراسة وتطوير الأنظمة والأجهزة التي يمكنها التعرف على المشاعر البشرية وتفسيرها ومعالجتها ومحاكاتها . إنه مجال متعدد التخصصات يمتد عبر علوم الكمبيوتر وعلم النفس والعلوم المعرفية . [1] في حين أن بعض الأفكار الأساسية في هذا المجال يمكن إرجاعها إلى الاستفسارات الفلسفية المبكرة في العاطفة ، [2] نشأ الفرع الأكثر حداثة من علوم الكمبيوتر مع ورقة روزاليند بيكارد عام 1995 [3] حول الحوسبة العاطفية وكتابها الحوسبة العاطفية [4] الذي نشرته مطبعة معهد ماساتشوستس للتكنولوجيا . [5] [6] أحد دوافع البحث هو القدرة على منح الآلات الذكاء العاطفي ، بما في ذلك محاكاة التعاطف . يجب أن تفسر الآلة الحالة العاطفية للبشر وتكيف سلوكها معهم، مما يعطي استجابة مناسبة لتلك المشاعر.

المناطق

اكتشاف المعلومات العاطفية والتعرف عليها

يبدأ اكتشاف المعلومات العاطفية عادةً بأجهزة استشعار سلبية تلتقط بيانات حول الحالة الجسدية للمستخدم أو سلوكه دون تفسير المدخلات. البيانات التي يتم جمعها تشبه الإشارات التي يستخدمها البشر لإدراك المشاعر لدى الآخرين. على سبيل المثال، قد تلتقط كاميرا الفيديو تعبيرات الوجه ووضعية الجسم والإيماءات، بينما قد يلتقط الميكروفون الكلام. تكتشف أجهزة استشعار أخرى الإشارات العاطفية عن طريق قياس البيانات الفسيولوجية بشكل مباشر ، مثل درجة حرارة الجلد ومقاومة الجلفنة . [7]

يتطلب التعرف على المعلومات العاطفية استخراج أنماط ذات مغزى من البيانات المجمعة. يتم ذلك باستخدام تقنيات التعلم الآلي التي تعالج طرقًا مختلفة ، مثل التعرف على الكلام ، أو معالجة اللغة الطبيعية ، أو اكتشاف تعبيرات الوجه . والهدف من معظم هذه التقنيات هو إنتاج تسميات تتوافق مع التسميات التي قد يعطيها المدرك البشري في نفس الموقف: على سبيل المثال، إذا قام شخص ما بعمل تعبير على وجهه وهو يقطب حاجبيه، فقد يتم تعليم نظام الرؤية الحاسوبية تصنيف وجهه على أنه يبدو "مرتبكًا" أو "مركزًا" أو "سلبيًا بعض الشيء" (على عكس الإيجابي، والذي قد يقوله إذا كان يبتسم بطريقة تبدو سعيدة). قد تتوافق هذه التسميات أو لا تتوافق مع ما يشعر به الشخص بالفعل.

العاطفة في الآلات

هناك مجال آخر ضمن الحوسبة العاطفية وهو تصميم الأجهزة الحاسوبية المقترحة لإظهار القدرات العاطفية الفطرية أو القادرة على محاكاة المشاعر بشكل مقنع. وهناك نهج أكثر عملية، استنادًا إلى القدرات التكنولوجية الحالية، وهو محاكاة المشاعر في الوكلاء المحادثة من أجل إثراء وتسهيل التفاعل بين الإنسان والآلة. [8]

يربط مارفن مينسكي ، أحد علماء الكمبيوتر الرائدين في مجال الذكاء الاصطناعي ، العواطف بالقضايا الأوسع نطاقًا للذكاء الآلي، حيث يقول في كتابه آلة العاطفة أن العاطفة "لا تختلف بشكل خاص عن العمليات التي نسميها" التفكير ". [9] يتضمن النهج المبتكر "البشر الرقميون" أو البشر الافتراضيون محاولة لإعطاء هذه البرامج، التي تحاكي البشر، البعد العاطفي أيضًا، بما في ذلك ردود الفعل وفقًا لرد الفعل الذي قد يتفاعل به الشخص الحقيقي في موقف معين محفز عاطفيًا بالإضافة إلى تعبيرات الوجه والإيماءات. [10]

غالبًا ما يشير مصطلح "العاطفة في الآلات" إلى العاطفة في الأنظمة الحاسوبية، والتي تعتمد غالبًا على الذكاء الاصطناعي. ونتيجة لذلك، يتم استخدام مصطلحي "الذكاء الاصطناعي العاطفي" و"الذكاء الاصطناعي العاطفي". [11]

التكنولوجيات

في علم النفس، والعلوم المعرفية، وعلم الأعصاب، كانت هناك طريقتان رئيسيتان لوصف كيفية إدراك البشر للعواطف وتصنيفها: مستمرة أو تصنيفية. يميل النهج المستمر إلى استخدام أبعاد مثل السلبية مقابل الإيجابية، والهدوء مقابل الإثارة.

يميل النهج التصنيفي إلى استخدام فئات منفصلة مثل سعيد وحزين وغاضب وخائف ومتفاجئ ومشمئز. يمكن استخدام أنواع مختلفة من نماذج الانحدار والتصنيف للتعلم الآلي لجعل الآلات تنتج تسميات مستمرة أو منفصلة. في بعض الأحيان يتم أيضًا بناء نماذج تسمح بمجموعات عبر الفئات، على سبيل المثال وجه سعيد ومتفاجئ أو وجه خائف ومتفاجئ. [12]

تتناول الأقسام التالية العديد من أنواع بيانات الإدخال المستخدمة لمهمة التعرف على المشاعر .

خطاب عاطفي

يمكن للتغيرات المختلفة في الجهاز العصبي اللاإرادي أن تغير بشكل غير مباشر كلام الشخص، ويمكن للتقنيات العاطفية الاستفادة من هذه المعلومات للتعرف على المشاعر. على سبيل المثال، يصبح الكلام الناتج في حالة الخوف أو الغضب أو الفرح سريعًا وعاليًا ومُنطوقًا بدقة، مع نطاق أعلى وأوسع في النغمة، في حين تميل المشاعر مثل التعب أو الملل أو الحزن إلى توليد كلام بطيء ومنخفض النبرة ومتداخل. [13] وقد وجد أن بعض المشاعر يمكن التعرف عليها حاسوبيًا بسهولة أكبر، مثل الغضب [14] أو الموافقة. [15]

تتعرف تقنيات معالجة الكلام العاطفي على الحالة العاطفية للمستخدم باستخدام التحليل الحسابي لخصائص الكلام. يمكن تحليل المعلمات الصوتية والخصائص الإيقاعية مثل متغيرات درجة الصوت ومعدل الكلام من خلال تقنيات التعرف على الأنماط. [14] [16]

تحليل الكلام هو طريقة فعالة لتحديد الحالة العاطفية، حيث يبلغ متوسط ​​دقته المبلغ عنها 70 إلى 80٪ في الأبحاث من عام 2003 و 2006. [17] [18] تميل هذه الأنظمة إلى التفوق على متوسط ​​الدقة البشرية (حوالي 60٪ [14] ) ولكنها أقل دقة من الأنظمة التي تستخدم طرقًا أخرى لاكتشاف المشاعر، مثل الحالات الفسيولوجية أو تعابير الوجه. [19] ومع ذلك، نظرًا لأن العديد من خصائص الكلام مستقلة عن الدلالات أو الثقافة، فإن هذه التقنية تعتبر طريقًا واعدًا لمزيد من البحث. [20]

الخوارزميات

تتطلب عملية اكتشاف تأثير الكلام/النص إنشاء قاعدة بيانات موثوقة ، أو قاعدة معرفية ، أو نموذج فضاء متجه ، [21] واسع بما يكفي لتناسب كل احتياج لتطبيقه، بالإضافة إلى اختيار مصنف ناجح يسمح بالتعرف السريع والدقيق على المشاعر.

اعتبارًا من عام 2010 ، كانت المصنفات الأكثر استخدامًا هي المصنفات المميزة الخطية (LDC)، وأقرب جار (k-NN)، ونموذج الخليط الغاوسي (GMM)، وآلات المتجهات الداعمة (SVM)، والشبكات العصبية الاصطناعية (ANN)، وخوارزميات شجرة القرار ونماذج ماركوف المخفية (HMMs). [22] أظهرت دراسات مختلفة أن اختيار المصنف المناسب يمكن أن يعزز بشكل كبير الأداء العام للنظام. [19] تقدم القائمة أدناه وصفًا موجزًا ​​لكل خوارزمية:

  • LDC – يتم التصنيف على أساس القيمة التي تم الحصول عليها من التركيبة الخطية لقيم الميزات، والتي عادة ما يتم تقديمها في شكل ميزات متجهة.
  • k-NN – يتم التصنيف عن طريق تحديد موقع الكائن في مساحة الميزة ومقارنته بأقرب k من الجيران (أمثلة تدريبية). يقرر التصويت بالأغلبية التصنيف.
  • GMM – هو نموذج احتمالي يستخدم لتمثيل وجود مجموعات سكانية فرعية ضمن إجمالي السكان. يتم وصف كل مجموعة سكانية فرعية باستخدام توزيع الخليط، والذي يسمح بتصنيف الملاحظات إلى مجموعات سكانية فرعية. [23]
  • SVM – هو نوع من المصنفات الخطية (ثنائية عادةً) والتي تقرر في أي من الفئتين المحتملتين (أو أكثر)، قد يقع كل إدخال.
  • ANN - هو نموذج رياضي مستوحى من الشبكات العصبية البيولوجية، والذي يمكنه فهم اللاخطية المحتملة لمساحة الميزة بشكل أفضل.
  • خوارزميات شجرة القرار - تعتمد على اتباع شجرة قرار حيث تمثل الأوراق نتيجة التصنيف، وتمثل الفروع اقتران الميزات اللاحقة التي تؤدي إلى التصنيف.
  • نماذج ماركوف الإحصائية – وهي نماذج إحصائية لا تكون فيها الحالات والانتقالات بين الحالات متاحة للملاحظة بشكل مباشر. وبدلاً من ذلك، تكون سلسلة المخرجات التي تعتمد على الحالات مرئية. وفي حالة التعرف على التأثير، تمثل المخرجات تسلسل متجهات سمات الكلام، والتي تسمح باستنتاج تسلسلات الحالات التي تقدم من خلالها النموذج. ويمكن أن تتكون الحالات من خطوات وسيطة مختلفة في التعبير عن المشاعر، ولكل منها توزيع احتمالي على متجهات المخرجات المحتملة. وتسمح لنا تسلسلات الحالات بالتنبؤ بالحالة العاطفية التي نحاول تصنيفها، وهذه واحدة من أكثر التقنيات استخدامًا في مجال اكتشاف التأثير على الكلام.

ثبت أنه في حالة توفر أدلة صوتية كافية، يمكن تصنيف الحالة العاطفية للشخص من خلال مجموعة من المصنفات التي تعتمد على التصويت بالأغلبية. وتستند مجموعة المصنفات المقترحة إلى ثلاثة مصنفات رئيسية: kNN وC4.5 وSVM-RBF Kernel. تحقق هذه المجموعة أداءً أفضل من كل مصنف أساسي تم أخذه على حدة. تتم مقارنتها بمجموعتين أخريين من المصنفات: SVM متعدد الفئات واحد ضد الكل (OAA) مع نوى هجينة ومجموعة المصنفات التي تتكون من المصنفين الأساسيين التاليين: C5.0 والشبكة العصبية. يحقق المتغير المقترح أداءً أفضل من المجموعتين الأخريين من المصنفات. [24]

قواعد البيانات

تعتمد الغالبية العظمى من الأنظمة الحالية على البيانات. وهذا يخلق أحد أكبر التحديات في اكتشاف المشاعر بناءً على الكلام، لأنه يتضمن اختيار قاعدة بيانات مناسبة تستخدم لتدريب المصنف. تم الحصول على معظم البيانات التي تم الحصول عليها حاليًا من الممثلين وبالتالي فهي تمثل المشاعر النموذجية. تستند قواعد البيانات التي تسمى "الممثلة" عادةً إلى نظرية المشاعر الأساسية (لبول إيكمان )، والتي تفترض وجود ستة مشاعر أساسية (الغضب والخوف والاشمئزاز والمفاجأة والفرح والحزن)، والمشاعر الأخرى هي ببساطة مزيج من المشاعر السابقة. [25] ومع ذلك، لا تزال هذه توفر جودة صوت عالية وفصول متوازنة (على الرغم من أنها غالبًا ما تكون قليلة جدًا)، مما يساهم في ارتفاع معدلات النجاح في التعرف على المشاعر.

ومع ذلك، بالنسبة للتطبيق في الحياة الواقعية، فإن البيانات الطبيعية هي المفضلة. يمكن إنتاج قاعدة بيانات طبيعية من خلال مراقبة وتحليل الكائنات في سياقها الطبيعي. في النهاية، يجب أن تسمح مثل هذه القاعدة البيانات للنظام بالتعرف على المشاعر بناءً على سياقها بالإضافة إلى تحديد أهداف ونتائج التفاعل. تسمح طبيعة هذا النوع من البيانات بالتطبيق الحقيقي في الحياة الواقعية، نظرًا لحقيقة أنها تصف الحالات التي تحدث بشكل طبيعي أثناء التفاعل بين الإنسان والحاسوب (HCI).

على الرغم من المزايا العديدة التي تتمتع بها البيانات الطبيعية على البيانات التي تصرفت بشكل أفضل، إلا أنه من الصعب الحصول عليها وعادة ما تكون ذات شدة عاطفية منخفضة. علاوة على ذلك، فإن البيانات التي تم الحصول عليها في سياق طبيعي لها جودة إشارة أقل، بسبب ضوضاء المحيط ومسافة الأشخاص عن الميكروفون. كانت المحاولة الأولى لإنتاج مثل هذه القاعدة البيانات هي FAU Aibo Emotion Corpus لـ CEICES (دمج الجهود لتحسين التصنيف التلقائي لحالات المستخدم العاطفية)، والتي تم تطويرها بناءً على سياق واقعي للأطفال (من سن 10 إلى 13 عامًا) يلعبون مع روبوت سوني الأليف Aibo. [26] [27] وبالمثل، فإن إنتاج قاعدة بيانات قياسية واحدة لجميع الأبحاث العاطفية من شأنه أن يوفر طريقة لتقييم ومقارنة أنظمة التعرف على التأثيرات المختلفة.

أوصاف الكلام

تزداد تعقيدات عملية التعرف على التأثير مع زيادة عدد الفئات (التأثيرات) وواصفات الكلام المستخدمة داخل المصنف. لذلك، من الأهمية بمكان تحديد السمات الأكثر صلة فقط من أجل ضمان قدرة النموذج على تحديد المشاعر بنجاح، فضلاً عن زيادة الأداء، وهو أمر مهم بشكل خاص للكشف في الوقت الفعلي. إن نطاق الخيارات الممكنة واسع، حيث تشير بعض الدراسات إلى استخدام أكثر من 200 سمة مميزة. [22] من الأهمية بمكان تحديد تلك التي هي زائدة عن الحاجة وغير مرغوب فيها من أجل تحسين النظام وزيادة معدل نجاح الكشف الصحيح عن المشاعر. يتم تصنيف خصائص الكلام الأكثر شيوعًا إلى المجموعات التالية. [26] [27]

  1. خصائص التردد [28]
    • شكل اللهجة - يتأثر بمعدل تغير التردد الأساسي.
    • متوسط ​​درجة الصوت - وصف لمدى ارتفاع/انخفاض صوت المتحدث بالنسبة للكلام الطبيعي.
    • منحدر الكنتور - يصف اتجاه تغير التردد بمرور الوقت، ويمكن أن يكون صاعدًا أو هابطًا أو مستويًا.
    • التخفيض النهائي - هو المقدار الذي ينخفض ​​به التردد في نهاية الكلام.
    • نطاق النغمة - يقيس الفارق بين الحد الأقصى والحد الأدنى لتردد الكلام.
  2. الميزات المتعلقة بالوقت:
    • معدل الكلام - يصف معدل الكلمات أو المقاطع التي يتم نطقها خلال وحدة زمنية
    • تردد الضغط - يقيس معدل حدوث العبارات ذات النبرة المميزة
  3. معايير جودة الصوت وموصفات الطاقة:
    • التنفس – يقيس ضوضاء الطموح في الكلام
    • التألق - يصف هيمنة الترددات العالية أو المنخفضة في الكلام
    • مستوى الصوت - يقيس سعة شكل موجة الكلام، ويترجم إلى طاقة الكلام
    • انقطاع التوقف - يصف التحولات بين الصوت والصمت
    • انقطاع النغمة - يصف انتقالات التردد الأساسي.

كشف تأثير الوجه

يتم تحقيق اكتشاف ومعالجة تعبيرات الوجه من خلال طرق مختلفة مثل التدفق البصري ونماذج ماركوف المخفية ومعالجة الشبكة العصبية أو نماذج المظهر النشط. يمكن الجمع بين أكثر من طريقة أو دمجها (التعرف المتعدد الوسائط، على سبيل المثال، تعبيرات الوجه وعلم الأصوات الكلامية، [29] تعبيرات الوجه وإيماءات اليد، [30] أو تعبيرات الوجه مع الكلام والنص لتحليل البيانات المتعددة الوسائط والبيانات الوصفية) لتوفير تقدير أكثر قوة للحالة العاطفية للموضوع.

قواعد بيانات تعبيرات الوجه

إن إنشاء قاعدة بيانات للعواطف مهمة صعبة وتستغرق وقتاً طويلاً. ومع ذلك، فإن إنشاء قاعدة البيانات يعد خطوة أساسية في إنشاء نظام يتعرف على العواطف البشرية. تشتمل معظم قواعد بيانات العواطف المتاحة للجمهور على تعابير وجهية مصطنعة فقط. في قواعد بيانات التعبيرات المصطنعة، يُطلب من المشاركين إظهار تعبيرات عاطفية أساسية مختلفة، بينما في قاعدة بيانات التعبيرات العفوية، تكون التعبيرات طبيعية. يتطلب استثارة العواطف العفوية جهدًا كبيرًا في اختيار المحفزات المناسبة التي يمكن أن تؤدي إلى عرض غني للعواطف المقصودة. ثانيًا، تتضمن العملية وضع علامات على العواطف من قبل أفراد مدربين يدويًا مما يجعل قواعد البيانات موثوقة للغاية. نظرًا لأن إدراك التعبيرات وشدتها ذاتي بطبيعته، فإن التعليق من قبل الخبراء أمر ضروري لغرض التحقق.

يعمل الباحثون مع ثلاثة أنواع من قواعد البيانات، مثل قاعدة بيانات صور التعبيرات الوجهية فقط، وقاعدة بيانات تسلسلات الصور التي تصور المشاعر من الحياد إلى ذروتها، ومقاطع الفيديو مع التعليقات العاطفية. تم إنشاء العديد من قواعد بيانات التعبيرات الوجهية وإتاحتها للعامة لغرض التعرف على التعبيرات. اثنتان من قواعد البيانات المستخدمة على نطاق واسع هما CK+ وJAFFE.

تصنيف العاطفة

من خلال إجراء بحث عبر الثقافات في بابوا غينيا الجديدة، على أفراد قبيلة فور، في نهاية الستينيات، اقترح بول إيكمان فكرة مفادها أن تعبيرات الوجه العاطفية ليست محددة ثقافيًا، بل عالمية. وبالتالي، اقترح أنها بيولوجية في الأصل ويمكن تصنيفها بأمان وبشكل صحيح. [25] لذلك طرح رسميًا ستة مشاعر أساسية، في عام 1972: [31]

ومع ذلك، في تسعينيات القرن العشرين، وسع إيكمان قائمته من المشاعر الأساسية، بما في ذلك مجموعة من المشاعر الإيجابية والسلبية التي لا يتم ترميزها كلها في عضلات الوجه. [32] والمشاعر المضمنة حديثًا هي:

  1. تسلية
  2. ازدراء
  3. الرضا
  4. إحراج
  5. الإثارة
  6. الشعور بالذنب
  7. الفخر بالإنجاز
  8. اِرتِياح
  9. إشباع
  10. المتعة الحسية
  11. عار

نظام ترميز حركات الوجه

لقد ابتكر علماء النفس نظامًا من أجل تصنيف التعبير الجسدي عن المشاعر على الوجوه رسميًا. المفهوم المركزي لنظام ترميز حركة الوجه ، أو FACS، كما ابتكره بول إيكمان ووالاس في. فريسين في عام 1978 بناءً على عمل سابق لكارل هيرمان هجورتسيو [33] هو وحدات الفعل (AU). وهي في الأساس عبارة عن تقلص أو استرخاء لعضلة واحدة أو أكثر. اقترح علماء النفس التصنيف التالي لستة مشاعر أساسية، وفقًا لوحدات الفعل الخاصة بها ("+" هنا تعني "و"):

العاطفة وحدات العمل
سعادة 6+12
حزن 1+4+15
مفاجأة 1+2+5ب+26
يخاف 1+2+4+5+20+26
الغضب 4+5+7+23
اشمئزاز 9+15+16
ازدراء R12A+R14A

التحديات في مجال الكشف عن الوجه

كما هو الحال مع كل ممارسة حسابية، في اكتشاف التأثير من خلال معالجة الوجه، يجب تجاوز بعض العقبات، من أجل إطلاق العنان للإمكانات الخفية للخوارزمية أو الطريقة الإجمالية المستخدمة. في الأيام الأولى لكل نوع تقريبًا من أنواع الكشف القائم على الذكاء الاصطناعي (التعرف على الكلام، والتعرف على الوجه، والتعرف على التأثير)، كانت دقة النمذجة والتتبع مشكلة. ومع تطور الأجهزة، ومع جمع المزيد من البيانات ومع إجراء اكتشافات جديدة وتقديم ممارسات جديدة، يتلاشى هذا الافتقار إلى الدقة، تاركًا وراءه مشكلات الضوضاء. ومع ذلك، توجد طرق لإزالة الضوضاء بما في ذلك متوسط ​​الحي، والتنعيم الغاوسي الخطي ، والتصفية المتوسطة، [34] أو طرق أحدث مثل خوارزمية تحسين البحث عن البكتيريا. [35] [36]

وتشمل التحديات الأخرى ما يلي:

  • الحقيقة هي أن التعبيرات المطروحة، كما يستخدمها معظم الأشخاص في الدراسات المختلفة، ليست طبيعية، وبالتالي فإن الخوارزميات المدربة عليها قد لا تنطبق على التعبيرات الطبيعية.
  • الافتقار إلى حرية الحركة الدورانية. يعمل اكتشاف التأثير بشكل جيد للغاية مع الاستخدام الأمامي، ولكن عند تدوير الرأس بأكثر من 20 درجة، "كانت هناك مشاكل". [37]
  • لا تتوافق تعبيرات الوجه دائمًا مع المشاعر الأساسية التي تطابقها (على سبيل المثال، يمكن أن تكون مصطنعة أو مزيفة، أو يمكن للشخص أن يشعر بالعواطف ولكنه يحافظ على "وجه بوكر").
  • لم يتضمن FACS الديناميكيات، في حين أن الديناميكيات يمكن أن تساعد في إزالة الغموض (على سبيل المثال، تميل ابتسامات السعادة الحقيقية إلى أن يكون لها ديناميكيات مختلفة عن ابتسامات "محاولة أن تبدو سعيدة").
  • لا تتوافق تركيبات FACS بطريقة 1:1 مع المشاعر التي اقترحها علماء النفس في الأصل (لاحظ أن هذا الافتقار إلى رسم الخرائط 1:1 يحدث أيضًا في التعرف على الكلام مع الكلمات المتجانسة والمتجانسة والعديد من مصادر الغموض الأخرى، ويمكن التخفيف من ذلك من خلال إدخال قنوات أخرى من المعلومات).
  • يتم تحسين دقة التعرف عن طريق إضافة السياق؛ ومع ذلك، فإن إضافة السياق والوسائل الأخرى تزيد من التكلفة الحسابية والتعقيد

إيماءة الجسم

يمكن استخدام الإيماءات بكفاءة كوسيلة للكشف عن حالة عاطفية معينة للمستخدم، وخاصة عند استخدامها بالتزامن مع التعرف على الكلام والوجه. اعتمادًا على الإجراء المحدد، يمكن أن تكون الإيماءات استجابات انعكاسية بسيطة، مثل رفع كتفيك عندما لا تعرف إجابة سؤال، أو يمكن أن تكون معقدة وذات مغزى كما هو الحال عند التواصل بلغة الإشارة. بدون استخدام أي كائن أو بيئة محيطة، يمكننا التلويح بأيدينا أو التصفيق أو الإشارة. من ناحية أخرى، عند استخدام الأشياء، يمكننا الإشارة إليها أو تحريكها أو لمسها أو التعامل معها. يجب أن يكون الكمبيوتر قادرًا على التعرف عليها وتحليل السياق والاستجابة بطريقة ذات مغزى، حتى يتم استخدامه بكفاءة للتفاعل بين الإنسان والحاسوب.

هناك العديد من الطرق المقترحة [38] للكشف عن إيماءات الجسم. يميز بعض الأدبيات بين طريقتين مختلفتين في التعرف على الإيماءات: طريقة تعتمد على نموذج ثلاثي الأبعاد وطريقة تعتمد على المظهر. [39] تستخدم الطريقة الأولى معلومات ثلاثية الأبعاد للعناصر الرئيسية لأجزاء الجسم من أجل الحصول على العديد من المعلمات المهمة، مثل موضع راحة اليد أو زوايا المفاصل. من ناحية أخرى، تستخدم الأنظمة القائمة على المظهر الصور أو مقاطع الفيديو للتفسير المباشر. كانت إيماءات اليد محورًا مشتركًا لطرق اكتشاف إيماءات الجسم. [39]

المراقبة الفسيولوجية

يمكن استخدام هذا للكشف عن الحالة العاطفية للمستخدم من خلال مراقبة وتحليل علاماته الفسيولوجية. تتراوح هذه العلامات من التغيرات في معدل ضربات القلب وتوصيل الجلد إلى الانقباضات الدقيقة لعضلات الوجه والتغيرات في تدفق الدم في الوجه. يكتسب هذا المجال زخمًا ونرى الآن منتجات حقيقية تنفذ التقنيات. العلامات الفسيولوجية الرئيسية الأربع التي يتم تحليلها عادةً هي حجم الدم والنبض واستجابة الجلد الجلفانية وتخطيط كهربية الوجه وأنماط لون الوجه.

حجم الدم النبض

ملخص

يمكن قياس نبض حجم دم الشخص (BVP) من خلال عملية تسمى التصوير الضوئي ، والتي تنتج رسمًا بيانيًا يشير إلى تدفق الدم عبر الأطراف. [40] تشير قمم الموجات إلى دورة قلبية حيث ضخ القلب الدم إلى الأطراف. إذا شعر الشخص بالخوف أو الذعر، فإن قلبه عادةً ما "يقفز" وينبض بسرعة لبعض الوقت، مما يتسبب في زيادة سعة الدورة القلبية. يمكن رؤية ذلك بوضوح على التصوير الضوئي عندما تقل المسافة بين الحوض وذروة الموجة. مع هدوء الشخص، ومع توسع النواة الداخلية للجسم، مما يسمح بتدفق المزيد من الدم إلى الأطراف، ستعود الدورة إلى طبيعتها.

المنهجية

يتم تسليط الضوء تحت الأحمر على الجلد بواسطة أجهزة استشعار خاصة، ويتم قياس كمية الضوء المنعكس. ترتبط كمية الضوء المنعكس والمنتقل بـ BVP حيث يمتص الضوء بواسطة الهيموجلوبين الموجود بكثرة في مجرى الدم.

العيوب

قد يكون من الصعب التأكد من أن المستشعر الذي يسلط الضوء تحت الأحمر ويراقب الضوء المنعكس يشير دائمًا إلى نفس الطرف، خاصة وأن الأشخاص غالبًا ما يمددون ويعيدون ضبط وضعهم أثناء استخدام الكمبيوتر. هناك عوامل أخرى يمكن أن تؤثر على نبض حجم الدم. نظرًا لأنه مقياس لتدفق الدم عبر الأطراف، فإذا شعر الشخص بالحرارة أو البرودة بشكل خاص، فقد يسمح جسمه بتدفق المزيد أو الأقل من الدم إلى الأطراف، كل هذا بغض النظر عن الحالة العاطفية للشخص.

العضلة المموجة فوق الحاجب والعضلة الوجنية الكبرى هما العضلتان الرئيسيتان المستخدمتان لقياس النشاط الكهربائي في تخطيط كهربية الوجه.

تخطيط كهربية العضلات للوجه

تخطيط كهربية الوجه هو تقنية تستخدم لقياس النشاط الكهربائي لعضلات الوجه عن طريق تضخيم النبضات الكهربائية الصغيرة التي تولدها ألياف العضلات عندما تنقبض. [41] يعبر الوجه عن قدر كبير من المشاعر، ومع ذلك، هناك مجموعتان رئيسيتان من عضلات الوجه يتم دراستهما عادةً للكشف عن المشاعر: العضلة المموجة للحاجب، والمعروفة أيضًا باسم عضلة "العبوس"، تسحب الحاجب إلى أسفل في شكل عبوس، وبالتالي فهي أفضل اختبار للاستجابة العاطفية السلبية غير السارة. ↵العضلة الوجنية الكبرى مسؤولة عن سحب زوايا الفم للخلف عند الابتسام، وبالتالي فهي العضلة المستخدمة لاختبار الاستجابة العاطفية الإيجابية.

هنا يمكننا أن نرى رسمًا بيانيًا لمقاومة الجلد تم قياسه باستخدام GSR والوقت أثناء لعب الموضوع لعبة فيديو. هناك العديد من القمم الواضحة في الرسم البياني، مما يشير إلى أن GSR هي طريقة جيدة للتمييز بين حالة الإثارة وعدم الإثارة. على سبيل المثال، في بداية اللعبة حيث لا يوجد عادةً الكثير من اللعب المثير، يوجد مستوى عالٍ من المقاومة مسجل، مما يشير إلى انخفاض مستوى التوصيل وبالتالي قلة الإثارة. وهذا يتناقض بشكل واضح مع الانخفاض المفاجئ حيث يُقتل اللاعب حيث يكون الشخص عادةً شديد التوتر والضغط حيث تُقتل شخصيته في اللعبة.

الاستجابة الجلدية الجلفانية

الاستجابة الجلدية الجلفانية (GSR) هو مصطلح قديم لظاهرة أكثر عمومية تُعرف باسم [النشاط الجلدي الكهربائي] أو EDA. EDA هي ظاهرة عامة تتغير فيها الخصائص الكهربائية للجلد. يعصب الجلد [الجهاز العصبي الودي]، لذا فإن قياس مقاومته أو توصيله يوفر طريقة لقياس التغيرات الصغيرة في الفرع الودي للجهاز العصبي اللاإرادي. مع تنشيط الغدد العرقية، حتى قبل أن يشعر الجلد بالتعرق، يمكن التقاط مستوى EDA (عادةً باستخدام التوصيل) واستخدامه لتمييز التغييرات الصغيرة في الإثارة اللاإرادية. كلما زاد إثارة الشخص، كلما كان توصيل الجلد أكبر. [40]

غالبًا ما يتم قياس توصيل الجلد باستخدام قطبين كهربائيين صغيرين من كلوريد الفضة والفضة يتم وضعهما في مكان ما على الجلد وتطبيق جهد كهربائي صغير بينهما. لتحقيق أقصى قدر من الراحة وتقليل التهيج، يمكن وضع القطبين الكهربائيين على المعصم أو الساقين أو القدمين، مما يترك اليدين حرتين تمامًا للقيام بالأنشطة اليومية.

لون الوجه

ملخص

إن سطح الوجه البشري مُحاط بشبكة كبيرة من الأوعية الدموية. وتؤدي التغيرات في تدفق الدم في هذه الأوعية إلى تغيرات مرئية في لون الوجه. وسواء كانت المشاعر الوجهية تنشط عضلات الوجه أم لا، فإن التغيرات في تدفق الدم وضغط الدم ومستويات الجلوكوز وغيرها من التغيرات تحدث. كما أن إشارة لون الوجه مستقلة عن تلك التي توفرها حركات عضلات الوجه. [42]

المنهجية

تعتمد المناهج على تغييرات لون الوجه. يتم استخدام مثلثات ديلوناي لإنشاء مناطق محلية مثلثة. تتم إزالة بعض هذه المثلثات التي تحدد الجزء الداخلي من الفم والعينين (الصلبة والقزحية). استخدم وحدات بكسل المناطق المثلثة اليسرى لإنشاء متجهات الميزات. [42] يُظهر أن تحويل لون البكسل لمساحة ألوان RGB القياسية إلى مساحة ألوان مثل مساحة ألوان oRGB [43] أو قنوات LMS يعمل بشكل أفضل عند التعامل مع الوجوه. [44] لذا، قم برسم المتجه أعلاه على مساحة الألوان الأفضل وتحلله إلى قنوات حمراء وخضراء وصفراء وزرقاء. ثم استخدم طرق التعلم العميق للعثور على المشاعر المكافئة.

الجماليات البصرية

يشير مصطلح الجماليات في عالم الفن والتصوير الفوتوغرافي إلى مبادئ طبيعة الجمال وتقديره. إن الحكم على الجمال والصفات الجمالية الأخرى مهمة ذاتية للغاية. يعالج علماء الكمبيوتر في جامعة ولاية بنسلفانيا تحدي الاستدلال تلقائيًا على الجودة الجمالية للصور باستخدام محتواها المرئي كمشكلة تعلم آلي، مع موقع ويب لمشاركة الصور عبر الإنترنت مصنف من قِبل الأقران كمصدر للبيانات. [45] يستخرجون بعض الميزات المرئية بناءً على الحدس الذي يمكنهم من خلاله التمييز بين الصور الممتعة وغير الممتعة من الناحية الجمالية.

التطبيقات المحتملة

تعليم

تؤثر العاطفة على حالة التعلم لدى المتعلمين. باستخدام تقنية الحوسبة العاطفية، يمكن لأجهزة الكمبيوتر الحكم على عاطفة المتعلمين وحالة التعلم من خلال التعرف على تعبيرات وجوههم. في التعليم، يمكن للمعلم استخدام نتيجة التحليل لفهم قدرة الطالب على التعلم والقبول، ثم صياغة خطط تدريس معقولة. في الوقت نفسه، يمكنهم الانتباه إلى المشاعر الداخلية للطلاب، وهو ما يساعد على الصحة النفسية للطلاب. خاصة في التعليم عن بعد، بسبب فصل الزمان والمكان، لا يوجد حافز عاطفي بين المعلمين والطلاب للتواصل ثنائي الاتجاه. بدون الأجواء التي يجلبها التعلم التقليدي في الفصول الدراسية، يشعر الطلاب بالملل بسهولة، ويؤثر على تأثير التعلم. يمكن أن يؤدي تطبيق الحوسبة العاطفية في نظام التعليم عن بعد إلى تحسين هذا الوضع بشكل فعال. [46]

مواصلات

قد تساهم تطبيقات الحوسبة الحسية في تحسين السلامة على الطرق. على سبيل المثال، يمكن للسيارة مراقبة عاطفة جميع الركاب واتخاذ تدابير أمان إضافية، مثل تنبيه المركبات الأخرى إذا اكتشفت غضب السائق. [47] بالإضافة إلى ذلك، قد تسمح أنظمة الحوسبة العاطفية لمراقبة ضغوط السائق بتدخلات مختلفة مثل أنظمة مساعدة السائق المعدلة وفقًا لمستوى التوتر [48] والتدخلات البسيطة والمباشرة لتغيير الحالة العاطفية للسائق. [49]

الرعاية الصحية

تستفيد الروبوتات الاجتماعية ، فضلاً عن العدد المتزايد من الروبوتات المستخدمة في الرعاية الصحية، من الوعي العاطفي لأنها تستطيع الحكم بشكل أفضل على الحالة العاطفية للمستخدمين والمرضى وتغيير أفعالهم/برمجتهم بشكل مناسب. وهذا مهم بشكل خاص في تلك البلدان التي تعاني من زيادة عدد السكان المسنين و/أو نقص العمال الأصغر سنًا لتلبية احتياجاتهم. [50]

يتم تطبيق الحوسبة العاطفية أيضًا على تطوير التقنيات الاتصالية لاستخدامها من قبل الأشخاص المصابين بالتوحد. [51] كما يكتسب المكون العاطفي للنص اهتمامًا متزايدًا، وخاصة دوره في ما يسمى بالإنترنت العاطفي أو الانفعالي . [52]

ألعاب الفيديو

يمكن لألعاب الفيديو العاطفية الوصول إلى الحالات العاطفية للاعبيها من خلال أجهزة التغذية الراجعة الحيوية . [53] يتوفر شكل بسيط بشكل خاص من التغذية الراجعة الحيوية من خلال لوحات الألعاب التي تقيس الضغط الذي يتم به الضغط على الزر: وقد ثبت أن هذا يرتبط ارتباطًا وثيقًا بمستوى الإثارة لدى اللاعبين ؛ [54] وفي الطرف الآخر من المقياس توجد واجهات الدماغ والحاسوب . [55] [56] وقد تم استخدام الألعاب العاطفية في الأبحاث الطبية لدعم التطور العاطفي للأطفال المصابين بالتوحد . [57]

التدريب النفسي الحركي

تُستخدم أساليب تدريب العمليات النفسية الحركية مثل التوجيه والمناورة في مجالات مختلفة مثل الطيران والنقل والطب. وقد وجد أن دمج قدرات الحوسبة العاطفية في هذا النوع من أنظمة التدريب، وفقًا لنهج الأتمتة التكيفية، فعال في تحسين جودة التدريب وتقصير مدة التدريب المطلوبة. [58]

تطبيقات أخرى

تتمتع الحوسبة العاطفية بتطبيقات محتملة في التفاعل بين الإنسان والحاسوب ، مثل المرايا العاطفية التي تسمح للمستخدم برؤية أدائه؛ أو وكلاء مراقبة المشاعر الذين يرسلون تحذيرًا قبل إرسال بريد إلكتروني غاضب؛ أو حتى مشغلات الموسيقى التي تختار المسارات بناءً على الحالة المزاجية. [59]

أحد الأفكار التي طرحها الباحث الروماني الدكتور نيكو سيبي في مقابلة هي تحليل وجه الشخص أثناء استخدامه لمنتج معين (ذكر الآيس كريم كمثال). [60] بعد ذلك، ستتمكن الشركات من استخدام مثل هذا التحليل لاستنتاج ما إذا كان منتجها سيحظى باستقبال جيد أم لا في السوق المعنية.

يمكن للمرء أيضًا استخدام التعرف على الحالة العاطفية من أجل الحكم على تأثير إعلان تلفزيوني من خلال تسجيل فيديو في الوقت الفعلي لذلك الشخص ومن خلال الدراسة اللاحقة لتعبيرات وجهه. من خلال حساب متوسط ​​النتائج التي تم الحصول عليها على مجموعة كبيرة من الأشخاص، يمكن للمرء أن يحدد ما إذا كان هذا الإعلان (أو الفيلم) له التأثير المطلوب وما هي العناصر التي تثير اهتمام المشاهد أكثر.

النهج المعرفي مقابل النهج التفاعلي

في مجال التفاعل بين الإنسان والحاسوب ، تعرض مفهوم روزاليند بيكارد المعرفي أو "نموذج المعلومات" للعاطفة للانتقاد والمقارنة مع النهج البراجماتي "ما بعد المعرفي" أو "التفاعلي" الذي تبنته كيرستن بوينر وآخرون والذي ينظر إلى العاطفة باعتبارها اجتماعية بطبيعتها. [61]

تركز بيكارد على التفاعل بين الإنسان والحاسوب، وهدفها من الحوسبة العاطفية هو "إعطاء أجهزة الكمبيوتر القدرة على التعرف على المشاعر والتعبير عنها وفي بعض الحالات، "امتلاكها". [4] وعلى النقيض من ذلك، يسعى النهج التفاعلي إلى مساعدة "الناس على فهم وتجربة مشاعرهم الخاصة" [62] وتحسين الاتصال الشخصي بوساطة الكمبيوتر. لا يسعى بالضرورة إلى رسم خريطة للعاطفة في نموذج رياضي موضوعي لتفسير الآلة، بل يسمح للبشر بفهم التعبيرات العاطفية لبعضهم البعض بطرق مفتوحة قد تكون غامضة وذاتية وحساسة للسياق. [62] : 284  [ مطلوب مثال ]

يصف منتقدو بيكارد مفهومها للعاطفة بأنه "موضوعي، داخلي، خاص، وآلي". ويقولون إنه يختزل العاطفة في إشارة نفسية منفصلة تحدث داخل الجسم ويمكن قياسها وهي مدخلات للإدراك، مما يقلل من تعقيد التجربة العاطفية. [62] : 280  [62] : 278 

يؤكد النهج التفاعلي أنه على الرغم من أن العاطفة لها جوانب بيوفيزيائية، إلا أنها "ذات أساس ثقافي، ومختبرة ديناميكيًا، وإلى حد ما مبنية على الفعل والتفاعل". [62] : 276  بعبارة أخرى، يعتبر "العاطفة منتجًا اجتماعيًا وثقافيًا يتم تجربته من خلال تفاعلاتنا". [63] [62] [64]

انظر أيضا

مراجع

الاستشهادات

  1. ^ تاو، جيانهوا؛ تينيو تان (2005). "الحوسبة العاطفية: مراجعة". الحوسبة العاطفية والتفاعل الذكي . المجلد.  LNCS 3784. سبرينغر. ص. 981-995. doi :10.1007/11573548.
  2. ^ جيمس، ويليام (1884). "ما هي العاطفة". العقل . 9 (34): 188-205. doi :10.1093/mind/os-IX.34.188.استشهد به تاو وتان.
  3. ^ "الحوسبة العاطفية" تقرير تقني صادر عن معهد ماساتشوستس للتكنولوجيا رقم 321 (ملخص)، 1995
  4. ^ ab Picard, Rosalind (1997). Affective Computing . Cambridge, MA: MIT Press. p. 1.
  5. ^ Kleine-Cosack, Christian (October 2006). "Recognition and Simulation of Emotions" (PDF) . مؤرشف من الأصل (PDF) في 28 مايو 2008. تم استرجاعه في 13 مايو 2008. تم تقديم العاطفة إلى علوم الكمبيوتر بواسطة Pickard (sic) الذي أنشأ مجال الحوسبة العاطفية.
  6. ^ دايموند، ديفيد (ديسمبر 2003). "آلة الحب؛ بناء أجهزة كمبيوتر تهتم". Wired . مؤرشف من الأصل في 18 مايو 2008 . تم الاسترجاع في 13 مايو 2008 . روزاليند بيكارد، أستاذة عبقرية في معهد ماساتشوستس للتكنولوجيا، هي عرابة هذا المجال؛ أثار كتابها الصادر عام 1997، الحوسبة العاطفية ، انفجارًا من الاهتمام بالجانب العاطفي لأجهزة الكمبيوتر ومستخدميها.
  7. ^ جاراي، نيستور؛ إيدويا سييريت؛ خوان ميغيل لوبيز؛ إنماكولادا فاخاردو (أبريل 2006). "التكنولوجيا المساعدة والوساطة العاطفية" (PDF) . التكنولوجيا البشرية . 2 (1): 55–83. doi : 10.17011/ht/urn.2006159 . مؤرشف من الأصل (PDF) في 28 مايو 2008. تم الاسترجاع في 12 مايو 2008 .
  8. ^ هايس، ديفيد (2004). "تنشئة الوكلاء من خلال سلوكيات الأدوار التعبيرية". في سابين باير؛ ترابل، روبرت (المحرران). ثقافة الوكلاء: التفاعل بين البشر والوكلاء في عالم متعدد الثقافات . لورانس إيرلباوم أسوشيتس. ص 127-142.
  9. ^ ريستك، ريتشارد (2006-12-17). "العقل فوق المادة". واشنطن بوست . تم الاسترجاع في 2008-05-13 .
  10. ^ Loveys, Kate; Sagar, Mark; Broadbent, Elizabeth (2020-07-22). "تأثير التعبير العاطفي المتعدد الوسائط على الاستجابات للإنسان الرقمي أثناء محادثة الكشف عن الذات: تحليل حاسوبي للغة المستخدم". مجلة الأنظمة الطبية . 44 (9): 143. doi :10.1007/s10916-020-01624-4. ISSN  0148-5598. PMID  32700060. S2CID  220717084.
  11. ^ Ho, Manh-Tung (29 مارس 2023). "إطار تحليلي لدراسة الموقف تجاه الذكاء الاصطناعي العاطفي: النهج الثلاثي الأبعاد". MethodsX . 10 (102149). doi :10.1016/j.mex.2023.102149. PMC 10113835. PMID  37091958 . 
  12. ^ أليكس، وشيتشوان دو، مارتينيز (2012). "نموذج لإدراك تعبيرات الوجه العاطفية من قبل البشر: نظرة عامة على البحث ومنظوراته" (PDF) . مجلة أبحاث التعلم الآلي . 13 (1): 1589-1608.
  13. ^ Breazeal, Cynthia; Aryananda, Lijin (2002). "Recognition of Affective Communicative Intent in Robot-Directed Speech" (PDF) . Autonomous Robots . 12 (1). Springer: 83–104. doi :10.1023/a:1013215010749. ISSN  0929-5593. S2CID  459892.
  14. ^ abc Dellaert, F., Polizin, t., and Waibel, A., Recognizing Emotion in Speech", In Proc. Of ICSLP 1996, Philadelphia, PA, pp.1970–1973, 1996
  15. ^ روي، د.؛ بنتلاند، أ. (1996-10-01). "تصنيف وتحليل التأثيرات المنطوقة التلقائية". وقائع المؤتمر الدولي الثاني حول التعرف التلقائي على الوجوه والإيماءات . ص. 363-367. doi :10.1109/AFGR.1996.557292. ISBN 978-0-8186-7713-7. S2CID  23157273.
  16. ^ لي، سي إم؛ نارايانان، إس؛ بيراتشيني، آر، التعرف على المشاعر السلبية في إشارات الكلام البشرية، ورشة عمل حول التعرف التلقائي على الكلام وفهمه، ديسمبر 2001
  17. ^ نيبيرج، د؛ إلينيوس، ك؛ لاسكوفسكي، ك (2006). "التعرف على المشاعر في الكلام التلقائي باستخدام نماذج التعبير الجيني" (PDF) . وقائع إنترسبيك . doi :10.21437/Interspeech.2006-277. S2CID  5790745.
  18. ^ يعقوب، شريف؛ سيمسكي، ستيف؛ لين، شياوفان؛ بيرنز، جون (2003). "التعرف على المشاعر في أنظمة الاستجابة الصوتية التفاعلية". وقائع يوروسبيتش : 729-732. CiteSeerX 10.1.1.420.8158 . doi :10.21437/Eurospeech.2003-307. S2CID  11671944. 
  19. ^ من Hudlicka 2003، ص 24
  20. ^ هودليكا 2003، ص 25
  21. ^ تشارلز أوسجود؛ ويليام ماي؛ موراي ميرون (1975). المعاني العاطفية العالمية عبر الثقافات . مطبعة جامعة إلينوي. رقم ISBN  978-94-007-5069-2.
  22. ^ أب شيرير، بانزيجر ورويش 2010، ص. 241
  23. ^ "نموذج الخليط الغاوسي". Connexions – مشاركة المعرفة وبناء المجتمعات. تم الاسترجاع في 10 مارس 2011.
  24. ^ SE Khoruzhnikov؛ وآخرون (2014). "التعرف على المشاعر الكلامية الموسعة والتنبؤ بها". المجلة العلمية والتقنية لتكنولوجيا المعلومات والميكانيكا والبصريات . 14 (6): 137.
  25. ^ ab Ekman, P. & Friesen, W. V (1969). ذخيرة السلوك غير اللفظي: الفئات، والأصول، والاستخدام، والترميز. سيميوتيكا، 1، 49-98.
  26. ^ أب ستيدل ، ستيفان (5 مارس 2011). “FAU Aibo Emotion Corpus”. مختبر التعرف على الأنماط.
  27. ^ أب شيرير، بانزيجر ورويش 2010، ص. 243
  28. ^ سينغ، بريمجيت؛ ساها، جوتام؛ ساهيد الله، محمد (2021). "التشويه الترددي غير الخطي باستخدام تحويل ثابت-Q للتعرف على المشاعر الكلامية". المؤتمر الدولي للاتصالات الحاسوبية والمعلوماتية (ICCCI) لعام 2021. ص. 1-4. arXiv : 2102.04029 . doi : 10.1109/ICCCI50826.2021.9402569. ISBN 978-1-7281-5875-4. S2CID  231846518.
  29. ^ كاريداكيس، جيه؛ مالاتيستا، إل؛ كيسوس، إل؛ أمير، إن؛ راوزايو، إيه؛ كاربوزيس، كيه (2-4 نوفمبر 2006). نمذجة الحالات العاطفية الطبيعية عبر التعرف على تعابير الوجه والصوت. المؤتمر الدولي حول الواجهات المتعددة الوسائط (ICMI'06). بانف، ألبرتا، كندا.
  30. ^ Balomenos, T.; Raouzaiou, A.; Ioannou, S.; Drosopoulos, A.; Karpouzis, K.; Kollias, S. (2004). "تحليل المشاعر في أنظمة التفاعل بين الإنسان والآلة". في Bengio, Samy; Bourlard, Herve (المحررون). التعلم الآلي للتفاعل المتعدد الوسائط . مذكرات محاضرات في علوم الكمبيوتر . المجلد 3361. Springer-Verlag . ص 318-328.
  31. ^ إيكمان، بول (1972). كول، جيه (محرر). الكونيات والاختلافات الثقافية في التعبير الوجهي عن المشاعر . ندوة نبراسكا حول الدافع. لينكولن، نبراسكا: مطبعة جامعة نبراسكا. ص 207-283.
  32. ^ إيكمان، بول (1999). "العواطف الأساسية". في دالغليش، ت؛ باور، م (المحرران). دليل الإدراك والعاطفة (PDF) . ساسكس، المملكة المتحدة: جون وايلي وأولاده. مؤرشف من الأصل (PDF) في 2010-12-28..
  33. ^ "Facial Action Coding System (FACS) and the FACS Manual" Archived October 19, 2013, at the Wayback Machine . وجه بشري. تم استرجاعه في 21 مارس 2011.
  34. ^ "طرق المجال المكاني".
  35. ^ خوارزميات ذكية. "خوارزمية تحسين البحث عن الطعام للبكتيريا – خوارزميات السرب – خوارزميات ذكية" محفوظ في 12 يونيو 2019 على موقع واي باك مشين . خوارزميات ذكية. تم استرجاعه في 21 مارس 2011.
  36. ^ "الحوسبة الناعمة". الحوسبة الناعمة. تم استرجاعه في 18 مارس 2011.
  37. ^ ويليامز، مارك. "برنامج أفضل للتعرف على الوجوه – مراجعة تقنية" محفوظ في 2011-06-08 على موقع واي باك مشين . مراجعة تقنية: السلطة في مستقبل التكنولوجيا. تم استرجاعه في 21 مارس 2011.
  38. ^ JK Aggarwal, Q. Cai, Human Motion Analysis: A Review, Computer Vision and Image Understanding, المجلد 73، العدد 3، 1999
  39. ^ ab Pavlovic, Vladimir I.; Sharma, Rajeev; Huang, Thomas S. (1997). "التفسير البصري لإيماءات اليد للتفاعل بين الإنسان والحاسوب: مراجعة" (PDF) . معاملات معهد مهندسي الكهرباء والإلكترونيات في تحليل الأنماط والذكاء الاصطناعي . 19 (7): 677–695. doi :10.1109/34.598226. S2CID  7185733.
  40. ^ ab Picard, Rosalind (1998). الحوسبة العاطفية. معهد ماساتشوستس للتكنولوجيا.
  41. ^ Larsen JT, Norris CJ, Cacioppo JT, "تأثيرات التأثير الإيجابي والسلبي على النشاط الكهربائي العضلي على العضلة الوجنية الكبرى والحاجب المموج"، (سبتمبر 2003)
  42. ^ ab Benitez-Quiroz, Carlos F.; Srinivasan, Ramprakash; Martinez, Aleix M. (2018-03-19). "لون الوجه هو آلية فعالة لنقل المشاعر بصريًا". وقائع الأكاديمية الوطنية للعلوم . 115 (14): 3581–3586. Bibcode :2018PNAS..115.3581B. doi : 10.1073 /pnas.1716084115 . PMC 5889636. PMID  29555780. 
  43. ^ براتكوفا، مارغريتا؛ بولس، سولومون؛ شيرلي، بيتر (2009). "oRGB: مساحة ألوان عملية معارضة للرسومات الحاسوبية". مجلة IEEE للرسومات الحاسوبية والتطبيقات . 29 (1): 42–55. doi :10.1109/mcg.2009.13. PMID  19363957. S2CID  16690341.
  44. ^ هاداس شهار، هاجيت هيل-أور ، تصنيف التعبير الدقيق باستخدام لون الوجه وطرق التعلم العميق، المؤتمر الدولي لمعهد مهندسي الكهرباء والإلكترونيات حول رؤية الكمبيوتر (ICCV)، 2019، ص 0-0.
  45. ^ ريتندرا داتا، ودهيراج جوشي، وجيا لي، وجيمس ز. وانج، دراسة الجماليات في الصور الفوتوغرافية باستخدام نهج حسابي، محاضرات في علوم الكمبيوتر، المجلد 3953، وقائع المؤتمر الأوروبي حول رؤية الكمبيوتر، الجزء الثالث، ص 288-301، جراتس، النمسا، مايو 2006.
  46. ^ وو، تشيه-هونج؛ هوانج، يويه-مين؛ هوانج، جان-بان (نوفمبر 2016). "مراجعة الحوسبة العاطفية في التعليم/التعلم: الاتجاهات والتحديات". المجلة البريطانية لتكنولوجيا التعليم . 47 (6): 1304-1323. doi :10.1111/bjet.12324.
  47. ^ "نظام التعرف على الوجه داخل السيارة يكتشف السائقين الغاضبين لمنع الغضب على الطريق". جيزمودو . 30 أغسطس 2018.
  48. ^ كوليت، كريستيان؛ ميوزيكانت، أورين (2019-04-24). "ربط أتمتة المركبات بأنظمة تقييم الحالة الوظيفية للسائقين: تحدٍ للسلامة على الطرق في المستقبل". فرونتيرز في علم الأعصاب البشري . 13 : 131. doi : 10.3389/fnhum.2019.00131 . ISSN  1662-5161. PMC 6503868. PMID 31114489  . 
  49. ^ بالترز، ستيفاني؛ بيرنشتاين، مادلين؛ باريديس، بابلو إي. (2019-05-02). "تحليل الإجهاد على الطريق للتدخلات داخل السيارة أثناء التنقل". الملخصات الموسعة لمؤتمر CHI لعام 2019 حول العوامل البشرية في أنظمة الحوسبة . ACM. ص. 1-6. doi :10.1145/3290607.3312824. ISBN 978-1-4503-5971-9. S2CID  144207824.
  50. ^ يونك، ريتشارد (2017). قلب الآلة: مستقبلنا في عالم الذكاء العاطفي الاصطناعي . نيويورك: دار أركيد للنشر. ص 150-153. رقم ISBN 9781628727333. OCLC  956349457.
  51. ^ مشاريع في الحوسبة العاطفية
  52. ^ شاناهان، جيمس؛ كو، يان؛ ويبي، جانيس (2006). حوسبة الموقف والتأثير في النص: النظرية والتطبيقات . دوردرخت: سبرينغر ساينس آند بيزنس ميديا. ص. 94. ISBN 1402040261 
  53. ^ جيليد، كيل مارك؛ ديكس، آلان؛ ألانسون، جين (2005). ألعاب الفيديو العاطفية وأساليب اللعب العاطفي: ساعدني، تحداني، أشركني في المشاعر (PDF) . وقائع مؤتمر DiGRA . مؤرشف من الأصل (PDF) في 2015-04-06 . تم الاسترجاع في 2016-12-10 .
  54. ^ سايكس، جوناثان؛ براون، سيمون (2003). الألعاب العاطفية: قياس المشاعر من خلال لوحة الألعاب . ملخصات موسعة حول العوامل البشرية في أنظمة الحوسبة CHI '03. CiteSeerX 10.1.1.92.2123 . doi :10.1145/765891.765957. ISBN  1581136374.
  55. ^ نيهولت، أنطون؛ بلاس-أودي بوس، داني؛ روديرينك، بوريس (2009). "تحويل العيوب إلى تحديات: واجهات الدماغ والحاسوب للألعاب" (PDF) . الحوسبة الترفيهية . 1 (2): 85-94. رمز Bibcode :2009itie.conf..153N. doi :10.1016/j.entcom.2009.09.007.
  56. ^ Reuderink, Boris; Nijholt, Anton; Poel, Mannes (2009). Affective Pacman: A frustrating Game for Brain–Computer Interface Experiments . Intelligent Technologies for Interactive Entertainment (INTETAIN). ص. 221–227. doi :10.1007/978-3-642-02315-6_23. ISBN 978-3-642-02314-9.
  57. ^ Khandaker, M (2009). "تصميم ألعاب الفيديو العاطفية لدعم التطور الاجتماعي والعاطفي للمراهقين المصابين باضطرابات طيف التوحد". دراسات في تكنولوجيا الصحة والمعلوماتية . 144 : 37–9. PMID  19592726.
  58. ^ سحر، يوتام؛ فاغنر، مايكل؛ باريل، أرييل؛ شوفال، شراغا (2022-11-01). "التدريب التكيفي مع الإجهاد: تدريب نفسي حركي تكيفي وفقًا للإجهاد المقاس بقوة القبضة". مجسات . 22 (21): 8368. رمز Bibcode : 2022Senso..22.8368S. doi : 10.3390/s22218368 . ISSN  1424-8220. PMC 9654132. PMID 36366066  . 
  59. ^ Janssen, Joris H.; van den Broek, Egon L. (يوليو 2012). "Tune in to Your Emotions: A Robust Personalized Affective Music Player". User Modeling and User-Adapted Interaction . 22 (3): 255–279. doi : 10.1007/s11257-011-9107-7 . hdl : 2066/103051 .
  60. ^ "الموناليزا: مبتسمة؟ علماء الكمبيوتر يطورون برنامجًا لتقييم تعبيرات الوجه". ساينس ديلي . 1 أغسطس 2006. مؤرشف من الأصل في 19 أكتوبر 2007.
  61. ^ Battarbee, Katja; Koskinen, Ilpo (2005). "Co-experience: user experience as interaction" (PDF) . CoDesign . 1 (1): 5–18. CiteSeerX 10.1.1.294.9178 . doi :10.1080/15710880412331289917. S2CID  15296236. مؤرشف من الأصل (PDF) في 2017-12-14 . تم الاسترجاع 2016-02-02 . 
  62. ^ abcdef Boehner, Kirsten; DePaula, Rogerio; Dourish, Paul ; Sengers, Phoebe (2007). "كيف يتم صنع وقياس المشاعر". المجلة الدولية للدراسات البشرية والحاسوبية . 65 (4): 275-291. doi :10.1016/j.ijhcs.2006.11.016. S2CID  15551492.
  63. ^ بوينر، كيرستن؛ ديباولا، روجيريو؛ دوريش، بول ؛ سينجرز، فيبي (2005). "العاطفة: من المعلومات إلى التفاعل". وقائع مؤتمر آرهاوس العشري حول الحوسبة الحرجة : 59-68.
  64. ^ هوك ، كريستينا. ستال ، آنا. ساندستروم، البتراء؛ لاكسولاهتي، جارمو (2008). “التمكين التفاعلي” (PDF) . بروك. تشي : 647-656.

الأعمال المذكورة

  • Hudlicka, Eva (2003). "الشعور أو عدم الشعور: دور التأثر في التفاعل بين الإنسان والحاسوب". المجلة الدولية لدراسات الإنسان والحاسوب . 59 (1-2): 1-32. CiteSeerX  10.1.1.180.6429 . doi :10.1016/s1071-5819(03)00047-8.
  • شيرر، كلاوس ر؛ بانزيجر، تانيا؛ روش، إتيان ب (2010). مخطط للحوسبة العاطفية: كتاب مرجعي ودليل. أكسفورد: مطبعة جامعة أكسفورد. رقم ISBN 978-0-19-956670-9.
Retrieved from "https://en.wikipedia.org/w/index.php?title=Affective_computing&oldid=1246625767#Facial_affect_detection"
Original text
Rate this translation
Your feedback will be used to help improve Google Translate