情感驱动的智能艺术研究综述

目的从数据、方法,以及应用三方面梳理情感化智能艺术的研究现状,并总结该领域的发展历程、局限性及未来研究趋势。方法基于当前的文献、研究成果与应用产品,回顾了情感标注方式的变化及其对情感艺术数据库的影响。解释了情感识别、可控生成、跨媒体等智能技术的实现原理,以及多种情感驱动的智能艺术方法。总结了三种情感与智能艺术的交互机制,以及代表性产品对医疗健康、文化教育、商业营销等领域的影响。结论情感化方法提升了智能作品的感染力,支持了艺术创作中的人机协同。随着艺术与技术的进一步融合,艺术领域将迎来新的生产、体验与消费模式。

多模态智能审讯技术的原理与实战化应用路径研究

多模态智能审讯技术通过非接触式生理检测、面部表情与肢体动作分析、眼动检测等多源异构数据融合算法,实现审讯中对犯罪嫌疑人心理的智能化分析和评估以及谎言甄别。将犯罪嫌疑人心理分析和评估意见输入审讯专家系统与知识库中大量的专家知识和经验进行碰撞输出审讯策略建议,为侦查人员提供专家服务。研发多模态智能审讯技术需要在审讯室采集真实的数据,构建一个数据量较大的、可靠的数据库,并充分挖掘和利用不同模态数据,构建多模态智能审讯技术与审讯专家系统同步化的人机结合的审讯技术,为审讯助力。多模态智能审讯技术作为审讯技术的典型代表,改变了传统的以人力资源为主的经验模式,无疑给审讯带来了崭新的活力和深刻的变革。

面向智能座舱的情感计算框架及其交互设计研究

目的分析和总结情感计算在智能座舱中的应用研究现状,探究情感化座舱交互系统的设计方法与流程。方法结合情绪在驾驶体验方面的影响,对情感计算在座舱场景中的应用进行总结;从情感识别技术、情感调节策略、多模态交互流程三个方面阐述情感化交互设计的原则与方法。结果提出了基于情感计算的智能座舱交互系统,并从两个具体驾驶场景对调节新手驾驶员负面情绪的座舱交互设计进行了实践。结论应用合适的情感识别技术有利于提升座舱安全性和舒适性,基于情感计算的智能座舱交互系统为设计实践提供了新的思路和方法。

人工智能时代的美国对华算力竞争

算力是推动国家经济实力与军事实力快速增长的重要力量,对国家间竞争态势影响重大。人工智能跃迁潮流之下,全球算力发展水平与规模均出现明显加速,但发展鸿沟扩大、生态安全威胁激增等问题也日益凸显。当前,美国在高端算力芯片研发、数据中心建设等领域保有较大优势,但对中国的网络运载力和超级计算机发展依然保持强烈警惕。为维护美国绝对领先地位,美国加速开展对华算力竞争。一方面,美国对内加强多方协调,加大算力基础设施与未来计算科技投资,积极弥补自身在高端算力芯片制造业和网络运载能力层面的不足;另一方面,美国全面升级对华算力芯片制成品、制造设备、算力服务与技术的封禁措施,并威逼利诱全球盟友合围中国本土算力企业,挤压中国发展算力的机会与空间。美国对华算力竞争对抗性色彩明显,加剧腐蚀中美关系,破坏全球算力产业稳定,造成全球数字鸿沟扩大。但是,美国的规划与实践也受到多种因素的制约,其本土制造复兴计划并不确定,全球算力产业界看好价值巨大的中国市场并积极寻求对冲之策,加之中国对于全球生态安全治理具有重要话语权,因此美国对华算力竞争前景仍待观察。

An Affective-Motivational Interface for a Pedagogical Agent

This research is framed within the affective computing, which explains the importance of emotions in human cognition (decision making, perception, interaction and human intelligence). Applying this approach to a pedagogical agent is an essential part to enhance the effectiveness of the teaching-learning process of an intelligent learning system. This work focuses on the design of the inference engine that will give life to the interface, where the latter is represented by a pedagogical agent. The inference engine is based on an affective-motivational model. This model is implemented by using artificial intelligence technique called fuzzy cognitive maps.

脑机接口技术支持学习情感识别的应用框架及反思

人工智能技术支持下的学习情感识别在教育教学研究中至关重要,能够促进教育教学策略的改进。脑机接口技术作为人工智能技术的一项重要应用,已成为情感识别领域研究热点之一。文章分析了脑机接口技术支持学习情感识别的发展动因,进而构建包括数据处理、情感表达与教学调控三个过程的脑机接口技术支持学习情感识别的应用框架,探讨了脑机接口技术在学习情感识别领域仍面临的技术鸿沟、伦理挑战与学习者的主观偏见等局限。最后提出未来脑机接口支持下的学习情感识别可从强化技术融合、发展以人为本为导向的设计,以及尊重学习者的主观需求等方面进行改进,从而保证脑机接口技术支持学习情感识别应用的可行性,并综合衡量学习状态,拓展其在教育领域的应用与创新。

人工情感研究综述

简要论述了人工情感在人工智能中的重要性和作为人工情感研究理论基础的自然情感理论,并对人工情感的各个研究诸如情感建模、情感识别、情感表达、人工情感机理等分别进行了较为详细的分析与综述,对人工情感的发展趋势进行了展望。

模糊情感分析及其在E-learning系统中的应用

基于模糊数学,本文提出了用模糊数学的评价集方法对学习者进行综合评价,是模糊模式识别的一种新的扩展和应用,为拟人化和情感识别提供了一种新的研究思路。同时本文设计了一个具有情绪反应的智能Agent助理。根据以上提出的模糊情感识别,我们将模糊情感识别的结果应用于E-learning系统,从而实现了教学系统的人性化和智能化。

浅谈情绪智力与人工智能中的感情计算

基于情绪智力是加工、处理情绪及情绪信息的能力,而人工智能中的感情计算是要赋予计算机与人互动过程中情感信息的加工能力,人脑处理情绪信息的能力与电脑处理情绪信息的能力可以进行类比。近几年来,人工智能专家已经认识到情绪智力在感情计算中的重要作用和意义,把人类识别和表达情感的能力赋予计算机,开发了具有部分感情能力的计算机。新一代感情计算机的研发和应用依赖于人工智能专家与心理学家之间的密切合作,两者的研究成果可以相互借鉴和互补。

基于人工情绪的智能情感网络教学系统研究

针对传统智能网络教学系统在情感教学方面的缺陷,基于人工情绪技术提出了一种Web环境下的智能情感网络教学系统结构.该系统由学习情绪模型、情绪教学模型、认知教学模型和学生模型等主要模块所构成,可以获取和识别每个学生的学习表情,并能够根据不同学生的学习情绪和学习效果,实现认知和情感相互协调的个性化教学.

基于语义分析的情感计算技术研究进展

随着机器学习和大数据技术的应用发展,基于语义分析的情感计算与分析技术在研究人类的感知、注意力、记忆、决策、社会交流等诸多方面起着重大作用,它不仅影响到了人工智能技术的发展,还影响到了人/机交互的方式,并受到学术界以及企业界的广泛关注.在针对情感定义以及相关90多种情感模型分析的基础上,归纳并提出了目前情感分析领域中存在的6项关键性问题与挑战,其中主要包括:情感的来源与本质特征的表示问题;多模态的情感计算问题;外部因素对情感演化过程的影响度量问题;情感的个性化度量问题;情感群体化特征与传播动力学机制问题以及细微情感的表达、算法改进与优化等问题.同时,针对其中的关键问题与技术挑战进行了理论探讨、技术分析、实际应用以及当前工作进展与趋势分析,从而为深入研究和解决基于语义分析条件下的情感计算提供了新的研究线索与方向.

基于情感计算的弱势群体产品情感交互设计研究

目的针对弱势群体设计具有情感的智能化产品,实现目标人群与产品的情感交互。方法以现有产品作为情感刺激物,设计实验情境,获取情感数据信息,并进行分析、建模与识别,采用基于情感计算方法研究产品情感交互设计,并进行实践创新。结论研究成果所提出的理论与方法,将为面向弱势群体的智能产品开发提供科学的依据,最终实现目标群体与产品人性化的智能交互。

基于深度学习的产品外观意象情感计算服务平台研究

目的产品外观意象激发用户的情感体验,成为影响消费者购买决策的重要因素。情感的主观性与意象的模糊性,使产品外观意象与用户情感需求的有效映射成为产品设计的难题。产品外观具有多维特征,传统产品意象研究多考虑产品部分特征,需要人工标注产品特征,样本量小,造成设计方案与用户情感需求的偏差。针对这些问题提出解决方案,减少产品情感研究中不确定性因素的干扰,实现产品设计方案与用户意象需求的有效匹配。方法提出构建基于深度学习的产品外观意象情感计算服务平台,研究平台构建方法与关键技术。提出产品外观情感数据库建立方法和产品外观意象情感计算方法。构建产品外观意象情感计算模型,实现更为精确的产品外观意象情感分类与情感特征识别。提出分析不同产品类型的产品外观情感特征权重,研究产品特征对情感意象的贡献程度,挖掘关键情感特征。研究面向用户情感需求的产品外观方案检索方法和技术,以构建产品设计服务平台。结论研究成果将为建立高效、人性化的产品外观意象设计协同服务平台提供参考,从而简化设计师与用户的知识获取过程,促进产品外观设计方案与用户意象需求的有效匹配。

情感智能与心理生理计算

随着人工智能第三次发展浪潮的到来,人工智能进入了新阶段,情感智能的研究对于人工智能的发展有着重大意义。情感智能在智能机器人、智能虚拟助手等领域具有广泛的应用前景,通过心理生理计算来量化感知人的心理状态,可赋予机器更好地识别、理解人类情感的能力,并与用户产生更好的感性化交互。本文阐述了情感智能和心理生理计算的概念,分析了目前情感智能发展的机遇与关键问题,介绍了心理生理计算在生理信号获取、生物信息反馈干预和基于脑电、语音、眼动、表情、姿态的情感识别等方面的典型应用。情感智能与心理生理计算在情感识别上有较高的识别率,能够利用多种模态进行情感识别,在医疗、教育、娱乐、生产等多个领域都有广泛的发展与应用前景。

情感计算的应用困境及其法律规制

在人工智能的视域下,情感计算是感知、识别、模拟、影响人类情感状态的各类智能技术的统称。尽管该技术已经在医疗、教育、商业、就业、执法等领域获得应用,但仍然面临法律、伦理与技术的多维困境。从法律上看,情感计算的应用可能与个人信息权、隐私权、人身自由权等形成冲突;从伦理上看,情感计算的终极目标与道德哲学领域对情感自主性的强调不相兼容;从技术上看,情感计算仍然面临着基础理论与实际成效的质疑。为了推动情感计算应用的良性发展,需要从两方面展开法律规制:一是以"轻推"为限度,调和情感自主性与情感计算终极目标之间的张力;二是以风险为基础,按照比例原则对不可接受、高风险、中风险和低风险四类应用实施从完全禁止到行业自律的不同规制。

基于个性和OCC的机器人情感建模研究

机器人不仅要具有简单的机械作业和逻辑推理能力,还应当具有类似人类的情感能力,本文将个性与情绪、情感、理解、表达相结合,采用OCC模型作为评价标准,建立了符合人类情感规律的、可用于情感机器人的情感模型。通过一个应用上述模型的虚拟人情感交互系统,验证了此模型可以很好的对人类的情感进行仿真,可以应用于情感机器人和人性化计算机、游戏等许多领域。

基于情感计算的虚拟教师模型设计与应用优势

虚拟教师可以模拟真实教师的教学功能,在虚拟教学情境下辅助教学。目前,虚拟教师的研究多集中于知识内容的交互,而情感交互领域的研究成果尚不丰富。文章在利用情感计算技术对学习者情感进行识别、分类、分析的基础上,结合真实环境中的教师特点,分析虚拟教师的情感表现,从面部表情、肢体姿势、声音、言语四方面设计虚拟教师行为表达模式,构建具有丰富情感表达的虚拟教师形象,制定教学过程中的应用策略,从而与学习者进行有效的情感交互。文章结合应用案例讨论基于情感计算的虚拟教师的应用优势与价值,以期为虚拟教师的研究与实践提供参考。

情感计算教育应用的多维透视

作为教育人工智能研究的重要领域,情感计算主要通过挖掘学习情感及其变化过程来提升学习交互体验与优化教学策略。然而,相关研究对情感计算的认识与理解深度还不够,缺乏教育应用的系统分析。鉴于此,本研究通过内容分析法,从理论基础、测量方法、系统开发、应用场景与实践价值等维度对其加以梳理,指出情感计算正加速融合于智能导师系统、在线学习平台、教育游戏等场景,并实现赋能学业预测、学习交互、教学干预与教学评价。未来情感计算教育研究应推动情感与认知融合,重构学习理论基础,通过整合情感测量方法与提升系统嵌入能力,拓展其应用边界与价值潜能。文章最后建议从理论创新、技术研发、实践应用与风险规避等层面加快推动我国情感计算教育融合与创新。

基于面部表情的学习困惑自动识别法

学习情绪是学习者模型的重要内容,如何识别学习者的学习情绪是下一代智能教辅系统的关键技术。困惑是最常见的学习情绪之一,及时识别并解决困惑有助于提高学习效果,然而困惑情绪内隐性较强,识别难度较大。本研究设计了一组基于在线测评的困惑诱导实验,提出了一种基于面部表情的学习困惑自动识别算法。研究人员通过设定不同难度的测试题诱导被试产生困惑情绪,同时利用摄像设备实时捕捉学习者的面部表情,提取面部重要特征点,进而利用机器学习算法进行困惑识别。在实验中,本研究使用逻辑回归、支持向量机、K近邻、决策树、随机森林和深度学习等机器学习算法建立学习困惑自动检测模型,并与被试自我报告确定的困惑标签进行对比。实验结果表明,多数分类算法能有效检测学生的学习困惑,随机森林模型的预测性能最佳,平均准确率为71.18%。本研究所提出的方法可为下一代智能教辅系统的学习者情绪建模提供技术支撑。

基于核相关分析算法的情感识别模型

针对目前情感识别模型中存在的识别精度低、速度慢等问题,设计一种基于核相关分析算法的情感识别模型.首先对目前情感识别的研究现状进行分析,找出导致识别精度低的原因;然后提取情感识别的特征,并通过核相关分析算法选择最优情感识别的特征子集,减少情感识别的特征向量数;最后选择高斯混合模型对情感识别的训练集进行建模,并通过具体情感数据集进行仿真实验.实验结果表明,核相关分析算法可有效去除情感识别的不利特征,加快了情感识别速度,提高了情感识别的正确率.