情感计算的“情感计算”成为新兴研究领域

在较长一段时期内，情感一直位于认知科学研究者的视线以外。直到20世纪末期，情感作为认知过程重要组成部分的身份才得到了学术界的普遍认同。当代的认知科学家们把情感与知觉、学习、记忆、言语等经典认知过程相提并论，关于情感本身及情感与其他认知过程间相互作用的研究成为当代认知科学的研究热点，情感计算（ affective computing ）也成为一个新兴研究领域。

众所周知，人随时随地都会有喜怒哀乐等情感的起伏变化。那么在人与计算机交互过程中，计算机是否能够体会人的喜怒哀乐，并见机行事呢？情感计算研究就是试图创建一种能感知、识别和理解人的情感，并能针对人的情感做出智能、灵敏、友好反应的计算系统，即赋予计算机像人一样的观察、理解和生成各种情感特征的能力。

目前情感计算研究面临的挑战还很多，例如，情感信息的获取与建模问题，情感识别与理解问题，情感表达问题，以及自然和谐的人性化和智能化的人机交互的实现问题。显然，为解决上述问题，我们需要知道人是如何感知环境的，人会产生什么样的情感和意图，人如何作出恰当的反应。而人类的情感交流是个非常复杂的过程，不仅受时间、地点、环境、人物对象和经历的影响，而且有表情、语言、动作或身体的接触。因此，在人和计算机的交互过程中，计算机需要捕捉关键信息，识别使用者的情感状态，觉察人的情感变化，利用有效的线索选择合适的使用者模型（依据使用者的操作方式、表情特点、态度喜好、认知风格、知识背景等构建的模型），并对使用者情感变化背后的意图形成预期，进而激活相应的数据库，及时主动地提供使用者需要的新信息。

情感计算研究的发展在很大程度上依赖于心理科学和认知科学对人的智能和情感研究取得新进展。心理学研究表明，情感是人与环境之间某种关系的维持或改变，当客观事物或情境与人的需要和愿望符合时会引起人积极肯定的情感，而不符合时则会引起人消极否定的情感。情感具有三种成分：主观体验（个体对不同情感状态的自我感受）、外部表现（在情感状态发生时身体各部分的动作量化形式，即表情）和生理唤醒（情感产生的生理反应）。从生物进化的角度我们可以把人的情绪分为基本情绪和复杂情绪。基本情绪是先天的，具有独立的神经生理机制、内部体验和外部表现，以及不同的适应功能。人有五种基本情绪，它们分别是当前目标取得进展时的快乐，自我保护的目标受到威胁时的焦虑，当前目标不能实现时的悲伤，当前目标受挫或遭遇阻碍时的愤怒，以及与味觉（味道）目标相违背的厌恶。而复杂情绪则是由基本情绪的不同组合派生出来的。

情感是一种内部的主观体验，但总是伴随着某种表情。表情包括面部表情（面部肌肉变化所组成的模式），姿态表情（身体其他部分的表情动作）和语调表情（言语的声调、节奏和速度等方面的变化）。这三种表情也被称为体语，构成了人类的非言语交往方式。面部表情不仅是人们常用的较自然的表现情感的方式，也是人们鉴别情感的主要标志。通过使用特定的仪器，我们可以对面部的微小表情变化进行研究，甚至可以区分真笑和假笑：人在真笑时面颊上升，眼周围的肌肉堆起，大脑左半球的电活动增加；而人在假笑时仅有嘴唇的肌肉活动，下颚下垂，大脑左半球的电活动不明显。脸部运动编码系统FACS通过不同编码和运动单元的组合，可以在脸部形成复杂的表情变化，其成果已经被应用于人脸表情的自动识别与合成。

人的姿态即身体表情，一般伴随着交互过程而发生变化，并表达着一些信息。

语调表情是通过语音的高低、强弱、抑扬顿挫来表达说话人的情感。在人际交往中，语音是人们最直接的交流通道。

在情感计算研究中还可以使用很多种生理指标，例如，皮质醇水平，心率，血压，呼吸，皮肤电活动，掌汗，瞳孔直径，事件相关电位，脑电EEG等。研究发现，惊反射可用作测量情感愉悦度的生理指标，而皮肤电反应可用作测量情感生理唤醒程度的生理指标。

很显然，开展认知科学研究不仅仅是为了满足人类智慧上的好奇心，更重要的是服务于人类，提高人类的生活质量。情感计算有广泛的应用前景。计算机通过对人类的情感进行获取、分类、识别和响应，进而可以帮助使用者获得高效而又亲切的感觉，并有效减轻人们使用电脑的挫败感，甚至帮助人们理解自己和他人的情感世界。计算机的情感化设计能帮助我们增加使用设备的安全性，使经验人性化，使计算机作为媒介进行学习的功能达到最佳化。

情感计算是一个高度综合化的研究和技术领域。通过计算科学与心理科学、认知科学的结合，研究人与人交互、人与计算机交互过程中的情感特点，设计具有情感反馈的人与计算机的交互环境，将有可能实现人与计算机的情感交互。情感计算研究将不断加深对人的情感状态和机制的理解，并提高人与计算机界面的和谐性，即提高计算机感知情境，理解人的情感和意图，作出适当反应的能力。

情感计算是为了赋予计算机识别、理解、表达和适应人类情感的能力，以此实现高效、亲切的人机交互。人类情感有着表情、语音、生理信号等多种载体，进行多模态情感识别研究可以促进情感计算的发展，而多模态情感识别研究需要多模态情感数据库的支持。当前的情感数据库多是单模态的，虽有少量的多模态数据库但是还存在着一些不足的地方。因此设计并建立一个包含平静、高兴、惊奇、厌恶、伤心、生气、害怕7种情感的多模态情感数据库具有重要的理论意义。<br>　　 本文首先设计了同步采集表情、语音、前额脑电信号三种模态数据的采集方案，筛选影视素材并制作了情感

目前人工智能的研究发展已经达到了较高的水平，同时它的研究内容也在逐步扩展和延伸。对人的情感和认知的研究是人工智能的高级阶段，它的研究将会大大促进拟人控制理论、情感机器人、人性化的商品设计和市场开发等方面的进展，为最终营造一个人与人、人与机器和谐的社会环境做出贡献。心理学家认为，人工智能下一个重大突破性的发展可能来自与其说赋予机器更多的逻辑智能，倒不如说赋予计算机更多的情感智能。对人的情感和认知的研究是在人工智能理论框架下的一个质的进步。因为从广度上讲它扩展并包容了感情智能，从深度上讲感情智能在人类智能思维与反应中体现了一种更高层次的智能。对人的情感和认知的研究必将为计算机的未来应用展现一种全新的方向。在这个领域的研究中主要包括情感计算（Affective Computing）、人工心理（Artificail Psychology）和感性工学（Kansei Engineering）等。

人工心理理论是由中国北京科技大学教授、中国人工智能学会人工心理与人工情感专业委员会主任王志良教授提出的。他指出，人工心理就是利用信息科学的手段，对人的心理活动（着重是人的情感、意志、性格、创造）的更全面再一次人工机器（计算机、模型算法等）模拟，其目的在于从心理学广义层次上研究人工情感、情绪与认知、动机与情绪的人工机器实现的问题。

日本从上世纪九十年代就开始了感性工学（Kansei Engineering）的研究。所谓感性工学就是将感性与工程结合起来的技术，是在感性科学的基础上，通过分析人类的感性，把人的感性需要加入到商品设计、制造中去，它是一门从工程学的角度实现能给人类带来喜悦和满足的商品制造的技术科学[4]。日本已经形成举国研究感性工学的高潮。

欧盟国家也在积极地对情感信息处理技术（表情识别、情感信息测量、可穿戴计算等）进行研究。欧洲许多大学成立了情感与智能关系的研究小组。其中比较著名的有：日内瓦大学 Klaus Soberer领导的情绪研究实验室。布鲁塞尔自由大学的D Canamero领导的情绪机器人研究小组以及英国伯明翰大学的A Sloman领导的 Cognition and Affect Project。在市场应用方面，德国Mehrdad Jaladi-Soli等人在2001年提出了基于EMBASSI系统的多模型购物助手。EMBASSI是由德国教育及研究部（BMBF）资助并由20多个大学和公司共同参与的，以考虑消费者心理和环境需求为研究目标的网络型电子商务系统。

我国对人工情感和认知的理论和技术的研究始于20世纪90年代，大部分研究工作是针对人工情感单元理论与技术的实现。哈尔滨工业大学研究多功能感知机，主要包括表情识别、人脸识别、人脸检测与跟踪、手语识别、手语会成、表情合成、唇读等内容，并与海尔公司合作研究服务机器人。清华大学进行了基于人工情感的机器人控制体系结构的研究。北京交通大学进行多功能感知机和情感计算的融合研究。中国科学院自动比研究所主要研究基于生物特征的身份验证。

当前国际人工智能领域对人工情感合认知领域的研究日趋活跃。美国人工智能协会（AAAI）在1998，1999和2004年连续组织召开专业的学术会议对人工情感和认知进行研讨，国内的研究者也开展了许多的研究工作和学术活动。2003年12月在北京召开了第一届中国情感计算及智能交互学术大会。2005年10月在北京召开的第一届情感计算和智能交互国际学术会议，集合了世界一流的情感计算、人工情绪和人工心理研究的著名专家学者。这说明我国的人工情感和人工心理的研究在逐步展开并向国际水平看齐。

对情感计算的研究大致可以分为情感识别、情感建模和情感反应三大部分，这其中情感识别无疑是最基础，也是最重要的部分。

综上所述，对人的情感和认知的研究，包括对情感识别的研究，无论在理论上还是实践中都已经受到了研究者广泛的关注，对这一问题的研究具有重要的理论和应用价值。对这一问题的研究将最终推动人工智能的进一步发展，实现人机和谐的目标。

AI可以在一定程度上帮助匹配合适的伴侣进行相亲。现代科技的展使得利用人工智能技术进行婚恋匹配成为可能。以下是一些AI在相亲匹配方面的应用：

1 数据分析和算法匹配：AI可以通过大数据分析和算法匹配，根据用户提供的信息和偏好进行自动匹配。通过分析用户的兴趣、价值观、生活方式等多个方面的数据，AI可以帮助筛选出与自己相匹配的候选伴侣。

2 个性化推荐系统：AI可以基于用户的历史行为和喜好，通过个性化推荐系统给出合适的伴侣推荐。通过分析用户的浏览记录、交流内容等，AI可以了解用户的偏好和需求，提供更符合其要求的伴侣选择。

3 语义分析和情感识别：AI可以通过语义分析和情感识别技术，对用户的文字表达进行分析，了解其真实的意图和情感状态。这可以帮助准确理解用户的需求，并提供更准确的伴侣匹配建议。

尽管AI能够提供一些婚恋匹配的辅助功能，但是婚恋关系的建立仍然需要个人之间的相互了解和沟通。AI只是一种工具，它无法代替人类的情感交流和直觉判断。因此，在使用AI进行伴侣匹配时，仍然需要用户自身的主动参与和判断。最好的方式是将AI的匹配结果作为参考，结合自己的判断力和实际经验，做出更明智的选择。同时也要保持理性和冷静，不过度依赖AI技术。

教育数据采集的技术体系共包括：物联感知类技术、视频录制类技术、图像识别类技术、平台采集类技术。

1、物联感知类技术

该类技术主要包括物联网感知技术、可穿戴设备技术和校园一卡通技术。其中，物联网感知技术主要用于采集设备状态数据，可穿戴设备技术主要用于采集个体生理数据与学习行为数据，校园一卡通技术则主要用于采集各种校园生活数据。

2、视频录制类技术

该类技术主要包括视频监控技术、智能录播技术与情感识别技术。其中，视频监控技术主要用于采集校园安全数据，智能录播技术主要用于采集课堂教学数据，情感识别技术主要用于采集学生学习过程中的情感数据。

3、图像识别类技术

图像识别类技术是人工智能的一个重要领域，是指利用计算机对图像进行匹配、处理、分析，以识别各种不同模式的目标和对象的技术，主要包括网评网阅技术、点阵数码笔技术与拍照搜题技术。

其中，网评网阅技术主要用于采集学生考试成绩数据，点阵数码笔技术主要用于采集各种作业、练习、考试数据，拍照搜题技术主要用于采集学生作业练习数据。

4、平台采集类技术

该类技术主要包括在线学习与管理平台技术、日志搜索分析技术、移动APP技术与网络爬虫采集技术。其中，在线学习与管理平台技术主要用于采集各种在线学习与管理数据，日志搜索分析技术主要用于采集运维日志与用户日志数据，移动APP技术主要用于采集各种移动学习过程数据，网络爬虫采集技术主要用于采集教育舆情数据。

教育数据采集的注意事项：

1、要提前规划设计教育大数据的建设与应用是一项系统工程，需要进行顶层设计，以便有目的、有序地采集高质量教育数据。

规划设计的内容包括：数据采集的范围、使用的数据采集技术、数据采集环境的部署、数据采集质量的保障措施、采集数据的应用目的和场景、数据的存储方案、数据的更新机制、数据的交换标准等。

2、要有清晰的边界大数据虽然具有混杂性、来源多样性等特征，数据的存储成本也越来越低，但并非要囊括一切数据，没有价值的数据是不值得收集和分析的。

教育大数据同样如此，其采集应当有清晰的边界，而非盲目采集任何教育活动数据。究竟要采集哪些数据，取决于数据的应用目的。

3、要保持连续性和规范性。很多时候，仅凭某个学生的一次作业成绩并不能说明什么问题，但如果将一个班级每位学生历次的作业成绩甚至作业的过程数据都全部采集到。

便可以客观评估学生的整体学习效果、发现学习盲点、诊断教学难点，开展针对性教学和个别化辅导，这时的作业数据便具有了“大”价值。教育大数据的采集应秉持“持续创造价值，规范提升价值”的理念。

IEEETransactionsonAffectiveComputing、TPAMI。

1、IEEETransactionsonAffectiveComputing：现在是中科院二区期刊，影响因子破7亿了，人工智能方向CCF-B类期刊，澳洲A类期刊。

2、TPAMI：是面向人脸、肢体动作这类图像的情感计算。对话中的情感识别任务在现实生活中应用领域广泛，因此受到了越来越多的关注。对话中的文本，既包含了说话人信息，又与前文联系紧密。

情感分析（Sentiment Analysis），又称观点挖掘，是对带有情感色彩的主观性文本进行分析、处理和提取，系统地识别、量化和研究情感状态和主观信息的过程。情感分析作为自然语言处理（Natural Language Processing，NLP）领域中的一个子领域，是文本分类的一个分支，而自然语言处理又是人工智能的一个重要子领域。情感分析也与我们的生活息息相关，在我们身边有着很多情感分析的应用，例如在2020年突如其来的疫情持续期间，舆情管理就与应用大数据和人工智能进行情感分析密不可分。

同时今天3月15日，正值每年的国际消费者权益日（World Consumer Rights Day），目的在于扩大消费者权益保护的宣传，在国际范围内更好地保护消费者权益。广大消费者都会对购买过的商品进行评论来表达对商品品质的看法，那么对这些商品评论进行情感分析就可以很直接地了解到人们对商品的判断。

情感分析主要有两种研究方法：基于情感词典以及基于机器学习的研究方法，本文则利用Scratch逐步实现了基于词典的情感分析。学习本课程除了需要掌握基本的Scratch基础外，还需要对Scratch的语句结构有更加深入的理解，且需要更高的逻辑思维能力。