التعرف على الانفعالات هو عملية تحديد العاطفة البشرية ، عادةً من تعبيرات الوجه وكذلك من التعبيرات اللفظية. هذا هو الشيء الذي يقوم به البشر آليًا ولكن المنهجيات الحسابية قد تم تطويرها أيضًا.

العاطفة العلمية
يجب أن تكون العاطفة متباينة عن مفهوم الشعور والمزاج والشخصية. الشعور هو ض. الخوف ، على سبيل المثال ، عندما تشعر بشخص مقنع خلف حائط. ثم تشعر بالخوف. الشعور يصبح فقط العاطفة عندما يتم تقييم هذا التغير المادي المعرفي.

إذا كان شخص ما ، على سبيل المثال ، يتم إرجاع نبض قلبه إلى الرجل المقنع ، فإن المرء يتكلم عن الخوف. ومع ذلك ، إذا عاد إلى حبيبه سرا ، فإن المرء يتكلم عن الفرح. ﻋﺎدة ﻣﺎ ﺗﺴﺘﻐﺮق اﻟﻌﺎﻃﻔﺎت ﻋﺪة ﺛﻮانٍ ﺗﻘﺮﻳﺒًﺎ وﺗﻜﻮن ﻣﻮﺟﻮدة ﺑﺸﻜﻞ واﺿﺢ وﻣﺤﺪدة. أمزجة ، من ناحية أخرى ، يمكن أن تستمر لساعات أو أيام أو حتى أسابيع. إذا قال أحدهم إنه في مزاج سيئ اليوم ، فهو في مزاج سيء. ومع ذلك ، فإن هذا لا يعني بالضرورة أي شيء يتعلق بالعواطف.

في كثير من الأحيان يمكن لمزاج معين زيادة أو تقليل احتمال حدوث انفعال معين ، ولكن يجب فصل هذين الأمرين بشكل تحليلي. أخيراً ، يجب أن تكون شخصية الشخص متباينة عن الحالة المزاجية. على سبيل المثال ، شخص مثير للشهوة الجنسية ، يكون مفرطًا بشكل سلبي بشكل دائم. وبهذه الطريقة يمكن للمرء أن يتخيل شروط الشعور والعاطفة والمزاج والشخصية مرتبة على جدول زمني – مع الشعور من جهة ، على المدى القصير ، والشخصية على الجانب الآخر على المدى الطويل.

بشري
يظهر البشر اتساقًا عالميًا في التعرف على العواطف ، ولكنهم أيضًا يظهرون قدراً كبيراً من التباين بين الأفراد في قدراتهم. كان هذا موضوعًا رئيسيًا للدراسة في علم النفس.

عبر سباق السبيل
الاعتراف العاطفي بين شخصين يخضع لتقلبات قوية. في علم النفس ، تم اكتشاف ظاهرة ، والتي تسمى تأثير العرق المتقاطع. وتنطوي هذه الظاهرة على أن معدل التعرف على العاطفة يكون أقل عندما تكون العاطفة التي يتم التعرف عليها تنتمي إلى وجه لا ينتمي إلى نفس الثقافة أو العرق الذي ينتمي إليه المراقب. ومع ذلك ، يمكن التغلب على هذا التأثير من خلال شكل من أشكال التدريب.

التعرف البصري تقديرا
يشار إلى هذا الجزء عادة باسم تعبيرات الوجه. كواجهة بين الإنسان والآلة ، يتم استخدام كاميرا فيديو رقمية أو جهاز إدخال بصري مكافئ. هنا ، يتم استخدام أساليب التعرف على الوجه لتحليل خصائص سطح الوجه. من خلال التصنيف الأوتوماتيكي ، يمكن ربط تعبيرات الوجه من الأطر المتسلسلة مع مجموعة يمكن ربطها بعاطفة. وقد أظهرت الأبحاث ، مع ذلك ، أن 30٪ فقط من المشاعر المتشابهة تتوافق مع المشاعر الحقيقية. لذا يجب على المرء ألا يساوي تعبيرات الوجه البصرية مع التعرف على المشاعر البصرية. الخلفية البيولوجية للتعرف على المشاعر البصرية هي محاكاة للعصب البصري البشري في الإنسان الآلي.

تحريض العاطفة
بالنسبة للإعدادات التجريبية في مجالات علم النفس العاطفي ، السلوكية السلوكية ، علم النفس العصبي والعديد من العلوم الأخرى ، من المهم في كثير من الأحيان “توليد” انفعالات محددة في ظل ظروف مختبرية. التحريض العاطفي هو واحد من أصعب مجالات البحث العاطفي. لقد استخرجت العديد من التحليلات الوصفية حول هذا الموضوع عدة طرق يمكنها أن تحفز العواطف بفعالية أكبر.

أولا وقبل كل شيء هو التقاط العاطفة في الواقع (البحث الميداني الكلمات الرئيسية). نظرًا لانخفاض الصلاحية الداخلية ، يتم الامتناع عن ذلك غالبًا. والطريقة الثانية ، التي تجمع بين مستوى عال داخلي وصحوة خارجية عالية ، هي طريقة السحوبات العاطفية التي يحاول فيها المرء استحضار الذكريات من ذاكرة العاطفة. يتم تثبيط التجارب خارج أبحاث العاطفة EEG بطرق الحثية مثل IAPS أو طريقة الحث ، والتي يزعم أنها تستخدم تسلسل الفيلم الذي يحفز العاطفة أو القطع الموسيقية. كل هذه الأساليب تبقى دون دليل على فعالية محددة. تستخدم الروبوتات في كثير من الأحيان إجراءات تجريبية مثالية ، على سبيل المثال:

من المفترض أن تؤدي طريقة الحث إلى إثارة مشاعر لدى البشر.
يعبر الرجل عن انفعاله بسطح وجه متغير.
تلتقط كاميرا الويب الموجودة على الكمبيوتر تعبيرات الوجه الجديدة.
يمكن أن يصنف الكمبيوتر المشاعر تلقائيًا بتصنيفها على أنها العاطفة التي سبق أن حدثت.

بعد الانتهاء من مرحلة التعلم ، يجب أن تكون الذكاء الاصطناعي قادرا على التعرف على العواطف بشكل مستقل دون أن يكون قد تم تعليمه من قبل من قبل إنسان. ومع ذلك ، بما أن طريقة الحث لا يتم اختبارها في كثير من الأحيان لتحقيق الفعالية ، ولا يتم تقييم العواطف المستحثة أثناء التجربة نفسها ، فإن هذه الإجراءات التجريبية المثالية في مجال الروبوتات غالباً ما تكون خاطئة وغير كاملة.

تلقائي
هذه العملية تعزز التقنيات من مناطق متعددة ، مثل معالجة الإشارات والتعلم الآلي ورؤية الكمبيوتر. يمكن استخدام منهجيات وتقنيات مختلفة لتفسير العاطفة مثل شبكات بايز. ، نماذج جاوسان خليط ونماذج ماركوف المخفية.

اقتراب
غالبًا ما تتضمن مهمة التعرف على الانفعالات تحليل أشكال التعبير البشري في أشكال متعددة الوسائط مثل النصوص أو الصوت أو الفيديو. يتم اكتشاف أنواع مختلفة من المشاعر من خلال دمج المعلومات من تعابير الوجه وحركة الجسم والإيماءات والكلام. يمكن تصنيف المقاربات الحالية في التعرف على الانفعالات لتصنيف أنواع معينة من المشاعر إلى ثلاث فئات رئيسية: التقنيات القائمة على المعرفة ، والأساليب الإحصائية ، والنهج الهجينة.

تقنيات قائمة على المعرفة
تقنيات مبنية على المعرفة (يشار إليها أحيانًا بالتقنيات القائمة على المعجم) ، وتستخدم معرفة المجال والخصائص الدلالية والنحوية للغة من أجل اكتشاف أنواع معينة من الانفعالات. في هذا النهج ، من الشائع استخدام الموارد القائمة على المعرفة أثناء عملية تصنيف العاطفة مثل WordNet و SenticNet و ConceptNet و EmotiNet ، على سبيل المثال لا الحصر. واحدة من مزايا هذا النهج هو سهولة الوصول والاقتصاد بسبب توافر هذه الموارد القائمة على المعرفة. من ناحية أخرى فإن وجود قيود على هذه التقنية ، هو عدم قدرتها على التعامل مع الفوارق الدقيقة في المفاهيم والقواعد اللغوية المعقدة.

يمكن تصنيف التقنيات القائمة على المعرفة بشكل أساسي إلى فئتين: المنهج القائم على القاموس والجوهر. تجد المناهج المستندة إلى القاموس كلمات الرأي أو كلمات العاطفة في القاموس وتبحث عن مرادفاتها ومتضاداتها لتوسيع القائمة الأولية للآراء أو العواطف. من ناحية أخرى ، تبدأ المقاربات القائمة على كوربوس ، وتبدأ بقائمة بذور رأي أو كلمات انفعالية ، وتوسع قاعدة البيانات من خلال إيجاد كلمات أخرى ذات خصائص محددة للسياق في مجموعة كبيرة. على الرغم من أن النهج القائمة على الجوهر تأخذ في الاعتبار السياق ، إلا أن أدائها لا يزال مختلفًا في النطاقات المختلفة نظرًا لأن الكلمة في أحد النطاقات يمكن أن يكون لها اتجاه مختلف في نطاق آخر.

أساليب إحصائية
تتضمن الطرق الإحصائية عادة استخدام خوارزميات مختلفة للتعلم الآلي الخاضع للإشراف والتي يتم فيها إدخال مجموعة كبيرة من البيانات المشروحة في الخوارزميات للنظام لتعلم أنواع العواطف المناسبة والتنبؤ بها. يتضمن هذا الأسلوب عادة مجموعتين من البيانات: مجموعة التدريب ومجموعة الاختبار ، حيث يتم استخدام الأول لمعرفة سمات البيانات ، بينما يستخدم هذا الأخير للتحقق من صحة أداء خوارزمية تعلم الآلة. توفر خوارزميات تعلم الآلة عمومًا دقة تصنيف أكثر معقولية مقارنة بالنهج الأخرى ، لكن أحد التحديات في تحقيق نتائج جيدة في عملية التصنيف ، هو الحاجة إلى مجموعة تدريب كبيرة بما فيه الكفاية.

تتضمن بعض خوارزميات التعلم الآلي الأكثر استخدامًا آلات دعم المتجهات (SVM) و Naive Bayes و Maximum Entropy. كما يتم استخدام التعلم العميق ، والذي يخضع لأسرة التعلم الآلي التي لا تخضع للإشراف ، على نطاق واسع في التعرف على المشاعر. تشتمل خوارزميات التعلم العميقة المعروفة على معماريات مختلفة للشبكة العصبية الاصطناعية (ANN) مثل الشبكة العصبية التحويلية (CNN) ، والذاكرة طويلة المدى (LSTM) ، وآلة التعلم المتطرفة (ELM). يمكن أن تعزى شعبية مناهج التعلم العميق في مجال التعرف على الانفعالات بشكل رئيسي إلى نجاحها في التطبيقات ذات الصلة مثل رؤية الكمبيوتر والتعرف على الكلام ومعالجة اللغات الطبيعية (NLP).

النهج الهجينة
إن الأساليب الهجينة في التعرف على الانفعالات هي في الأساس مزيج من التقنيات القائمة على المعرفة والأساليب الإحصائية ، التي تستغل الخصائص التكميلية من كلا التقنيتين. بعض الأعمال التي طبقت مجموعة من العناصر اللغوية القائمة على المعرفة والأساليب الإحصائية تشمل الحوسبة الحسابية و iFeel ، كلاهما اعتمدوا الموارد المستندة إلى مفهوم المعرفة SenticNet. إن دور هذه الموارد المستندة إلى المعرفة في تنفيذ النهج الهجينة مهم للغاية في عملية تصنيف الانفعال. وبما أن التقنيات الهجينة تستفيد من المنافع التي توفرها كل من المناهج القائمة على المعرفة والإحصائية ، فإنها تميل إلى أن يكون لها أداء تصنيف أفضل بدلاً من توظيف أساليب قائمة على المعرفة أو طرق إحصائية بشكل مستقل. ومع ذلك ، فإن الجانب السلبي لاستخدام التقنيات الهجينة هو التعقيد الحسابي خلال عملية التصنيف.

قواعد البيانات
تعتبر البيانات جزءًا لا يتجزأ من الأساليب الحالية في التعرف على الانفعالات وفي معظم الحالات ، يكون تحديًا الحصول على البيانات المشروحة الضرورية لتدريب خوارزميات تعلم الآلة. في حين أن معظم البيانات المتاحة للجمهور لا يتم تعليقها ، إلا أن هناك مجموعات بيانات مشروحة متاحة لإجراء بحث للتعرف على المشاعر. بالنسبة لمهمة تصنيف أنواع العواطف المختلفة من مصادر متعددة الوسائط في شكل نصوص أو صوت أو مقاطع فيديو أو إشارات فسيولوجية ، تتوفر مجموعات البيانات التالية:

HUMAINE: يوفر مقاطع طبيعية بكلمات عاطفية وتسميات السياق في طرائق متعددة
قاعدة بيانات بلفاست: توفر لقطات مع مجموعة واسعة من العواطف من البرامج التلفزيونية والتسجيلات المقابلة
SEMAINE: يوفر تسجيلات صوتية مرئية بين شخص وعامل افتراضي ويحتوي على تعليقات توضيحية مثل الغضب والسعادة والخوف والاشمئزاز والحزن والازدراء والتسلية
IEMOCAP: يوفر تسجيلات لجلسات ثنائية بين الممثلين ويحتوي على تعليقات توضيحية مثل السعادة والغضب والحزن والإحباط والحالة المحايدة
eNTERFACE: يوفر تسجيلات سمعية بصرية لمواضيع من سبع جنسيات ويحتوي على شروح عاطفية مثل السعادة والغضب والحزن والمفاجأة والاشمئزاز والخوف
DEAP: يوفر تخطيط كهربية الدماغ (EEG) ، تخطيط القلب (ECG) ، ويواجه تسجيلات الفيديو ، بالإضافة إلى التعليقات التوضيحية العاطفية من حيث التكافؤ والإثارة وهيمنة الأشخاص الذين يشاهدون مقاطع الأفلام
DREAMER: يوفر تخطيط كهربية الدماغ (EEG) وتسجيلات القلب (ECG) ، بالإضافة إلى التعليقات التوضيحية العاطفية من حيث التكافؤ والإثارة وهيمنة الأشخاص الذين يشاهدون مقاطع الأفلام

تطبيقات
غالبًا ما يستخدم مبرمجي الكمبيوتر نظام ترميز تصرف الوجه من بول إيكمان كدليل.

يستخدم اعتراف العاطفة لمجموعة متنوعة من الأسباب. تستخدمه شركة Affectiva لمساعدة المعلنين ومنشئي المحتوى على بيع منتجاتهم بفعالية أكبر. كما يقوم برنامج Affectiva بجهاز استشعار Q- يقيس مشاعر الأطفال المصابين بالتوحد. كانت “موشنت” شركة ناشئة تستخدم الذكاء الاصطناعي للتنبؤ “بالمواقف والإجراءات القائمة على تعبيرات الوجه”. أشارت Apple إلى عزمها على شراء Emotient في يناير 2016. يوفر nViso التعرف على المشاعر في الوقت الفعلي لتطبيقات الويب والهاتف المحمول من خلال واجهة برمجة التطبيقات في الوقت الفعلي. تقدم Visage Technologies AB تقدير العواطف كجزء من SDK Visage الخاصة بها للتسويق والبحث العلمي والأغراض المماثلة. شركة Eyeris هي شركة تعترف بالعاطفة وتعمل مع الشركات المصنعة للأنظمة المدمجة بما في ذلك شركات تصنيع السيارات والشركات الروبوتية الاجتماعية على دمج برنامج تحليلات الوجه وبرامج التعرف على العواطف ؛ وكذلك مع منشئي محتوى الفيديو لمساعدتهم على قياس الفاعلية المدركة لتصميم الفيديو القصير والطويل. تجري دراسة التعرف على العاطفة وتحليل الانفعال من قبل الشركات والجامعات في جميع أنحاء العالم.

كشف الكذب
إن الإدراك الحسي متعدد الحواس مفيد في تقييم صحة الكلام ، وتحديدًا في كشف الأكاذيب ، حيث يجب فهم الأكاذيب كبيانات مخادعة خاطئة عمداً. في حين أنه ليس مؤشرا سليما عالميا على اليقين من الأكاذيب ، يمكن التقليد ، والإيماءات ، واللغة والموقف تقديم أدلة. موثوق بها نسبيا هي إشارات غير واعية أو غير السيطرة عليها ، مثل عرض تلميذ ، خط الرؤية أو احمرار. وعلاوة على ذلك ، ينبغي أن تركز الانتباه بشكل متزايد على التناقضات بين مختلف أشكال التعبير اللفظي وغير اللفظي للشخص.