Klassifizierung von Emotionen: im Zentrum des emotionalen Computing

Emotionale künstliche Intelligenz steht neben der offensichtlichen Verbindung mit maschinellem Lernen und neuronalen Netzen in direktem Zusammenhang mit der Psychologie und insbesondere mit der Wissenschaft der Emotionen. In diesem Bereich gibt es heute mehrere Herausforderungen. Eine davon ist die Bildung einer genauen und vollständigen Klassifizierung emotionaler Zustände, von der der Annotationsprozess direkt abhängt, einschließlich des Vergleichs der beobachteten Gesichtsausdrücke und anderer nonverbaler Signale mit bestimmten Emotionen und affektiven Zuständen.

Klassifizierung von Emotionen

Heutzutage werden häufig drei Ansätze zur Kategorisierung emotionaler Daten verwendet: diskrete und mehrdimensionale Modelle sowie hybride Modelle, die die ersten beiden Typen kombinieren.

Der diskrete Ansatz basiert auf der Kategorisierung von Emotionen, die wir in der natürlichen Sprache finden. Jede Emotion ist mit einem semantischen Feld verbunden - einer bestimmten Bedeutung oder einer Reihe von Bedeutungen, die wir einem bestimmten emotionalen Zustand zuschreiben. Die Theorie der Grundemotionen ist eines der bekanntesten Beispiele für den diskreten Ansatz.

Die erste Erwähnung von etwas ähnlichem, was mit grundlegenden oder primären Emotionen gemeint ist, findet sich in frühen philosophischen Texten, zum Beispiel im griechischen oder chinesischen Erbe. Platon schrieb in dem berühmten Werk „Republik“ Emotionen den Hauptkomponenten des menschlichen Geistes zu. In Aristoteles 'funktionaler Theorie der Emotionen sind Vernunft, Emotionen und Tugenden miteinander verbunden, und das Gefühlsleben eines jeden gesunden Menschen ist immer (oder fast immer) auf Vernunft und Tugenden ausgerichtet, unabhängig davon, ob er sich dessen bewusst ist oder nicht. Im chinesischen Konfuzianismus finden wir vier bis sieben "Qing" - Emotionen, die für jeden Menschen natürlich sind.

Im 20. Jahrhundert stand das Thema im Mittelpunkt des wissenschaftlichen Interesses, und eine Reihe von Autoren, darunter Paul Ekman, der Autor der gängigsten Theorie der Grundemotionen, schlugen ihre eigene Vision der Menge solcher Emotionen vor. Ekman schlug vor, dass grundlegende Emotionen universell sein sollten, in dem Sinne, dass ihre Manifestation für alle Kulturen gleich ist. In verschiedenen Theorien finden wir 6 bis 22 Emotionen (Ekman, Papagei, Frijda, Plutchik, Tomkins, Matsumoto - siehe Cambria et al., 2012 für Details).

Die Existenz grundlegender Emotionen bleibt heute ein umstrittenes Thema (siehe beispielsweise Barret & Wager, 2006; oder Crivelli & Fridlund, 2018). Eine Reihe von Studien hat eine Beziehung zwischen grundlegenden Emotionen und der Aktivität einzelner Gehirnstrukturen gezeigt (z. B. Murphy et al., 2003 und Phan et al., 2002), obwohl andere Korrelationen dies nicht bestätigen (siehe Barrett & Wage, 2006). Interessanterweise stützen einige Studien zur Wahrnehmung von Emotionen in isolierten ethnischen Gruppen die Hypothese der interkulturellen Universalität von Emotionen nicht. Ein Beispiel sind die Trobrianer aus Papua-Neuguinea (siehe Crivelli & Fridlund, 2018, und Gendron et al., Im Druck). In einem Experiment wurde Vertretern des Stammes ein Foto einer Person gezeigt, die Angst ausdrückt, aber die Trobrianer empfanden diesen Ausdruck als Signal einer Bedrohung.


Von Paul Ekman vorgeschlagener Atlas der Emotionen: atlasofemotions.org . Die Originalversion von 1999 enthielt auch "Überraschung".

Heutzutage basieren viele Entscheidungen im Bereich des emotionalen Rechnens auf diskreten Modellen und umfassen nur grundlegende Emotionen, meistens in Übereinstimmung mit Ekmans Theorie (zum Beispiel Lösungen von Affectiva, einem Pionier der emotionalen KI). Dies bedeutet, dass automatische Systeme darauf trainiert werden, eine relativ begrenzte Anzahl von affektiven Zuständen zu erkennen, obwohl wir im Leben ständig eine große Anzahl von Emotionen erleben, einschließlich komplexer gemischter Emotionen, und in der zwischenmenschlichen Kommunikation zahlreiche soziale Signale (zum Beispiel Gesten) verwenden.

Ein anderer Ansatz - mehrdimensional - repräsentiert Emotionen in einem koordinierten mehrdimensionalen Raum. Da dieser Raum untrennbar miteinander verbunden ist, gibt es Emotionen, die dieselbe Natur haben, sich jedoch in einer Reihe von Parametern unterscheiden. In der affektiven Wissenschaft werden diese Parameter (oder Messungen) am häufigsten durch Valenz und Aktivierung (Erregung) ausgedrückt, beispielsweise im RECOLA-Datensatz von Ringeval et al. Die Intensität der Emotionen wird auch oft verwendet. So kann Traurigkeit als eine weniger intensive Version von Trauer und eine ausgeprägtere Nachdenklichkeit angesehen werden, die gleichzeitig eher Ekel als beispielsweise Vertrauen ähnelt. Die Anzahl der Messungen kann je nach Modell variieren. Es gibt nur zwei Dimensionen (Ähnlichkeit und Intensität) in Plutiks Emotionsrad, während Fontaine vier Dimensionen postuliert (Wertigkeit, Potenz, Aktivierung, Unvorhersehbarkeit). Jede Emotion in einem solchen Raum weist eine Reihe von gemessenen Merkmalen auf der Wert, mit dem es in einer bestimmten Dimension vorhanden ist.

Hybridmodelle kombinieren sowohl diskrete als auch mehrdimensionale Ansätze. Ein gutes Beispiel für ein Hybridmodell ist die von Cumbria, Livingston, Hussein (Cambria et al., 2012) vorgeschlagene Sanduhr der Emotionen. Jede affektive Dimension ist durch sechs Kraftstufen gekennzeichnet, mit denen Emotionen ausgedrückt werden. Diese Ebenen werden auch als eine Reihe von 24 Emotionen bezeichnet. Somit kann jede Emotion als fester Zustand und als Teil eines Kontinuums betrachtet werden, das mit anderen Emotionen in nichtlinearen Beziehungen verbunden ist.

Emotionen im emotionalen Computing

Warum ist die Klassifizierung von Emotionen für das emotionale Rechnen so wichtig? Zu Beginn des Artikels haben wir betont, dass die Klassifizierung von Emotionen und der Ansatz, den wir einhalten, den Annotationsprozess direkt beeinflussen - das Markieren von audiovisuellen, emotional gefärbten Inhalten. Um ein neuronales Netzwerk zu trainieren, um Emotionen zu erkennen, wird ein Datensatz benötigt. Das Markup dieses Sets hängt jedoch ganz von uns Menschen ab und davon, welche Emotionen wir beispielsweise mit einem bestimmten Gesichtsausdruck verbinden.

Heutzutage sind mehrere Anmerkungswerkzeuge üblich. Dies sind ANNEMO (Ringeval et al.), ANVIL (Kipp) und ELAN (Max-Planck-Institut für Psycholinguistik), die für diskrete Systeme verwendet werden. In ANNEMO ist die Annotation in zwei affektiven Dimensionen verfügbar: Aktivierung und Wertigkeit, deren Werte zwischen -1 und +1 liegen. Somit können jedem emotionalen Zustand Werte zugewiesen werden, die seine Intensität und Positivität / Negativität charakterisieren. Soziale Dimensionen können auch auf einer 7-Punkte-Skala in 5 Dimensionen bewertet werden: Übereinstimmung, Dominanz, Engagement, Leistung und Verhältnis.

Mit ANVIL und ELAN können Sie Ihre eigenen Filter verwenden, um audiovisuelle emotionale Inhalte zu markieren. Filter oder Markierungen können durch Wörter, Sätze, Kommentare oder jeden anderen Text dargestellt werden, der sich auf die Beschreibung eines affektiven Zustands bezieht. Diese Marker sind statisch und können nicht in ihrer Größe ausgedrückt werden.

Die Wahl des Ansatzes und des Anmerkungssystems hängt von den Zielen ab. Mehrdimensionale Modelle vermeiden ein bekanntes Problem, wenn einige Wörter in einigen Sprachen vorhanden sind, während andere möglicherweise keine Wörter zur Beschreibung dieser Emotionen enthalten. Dies macht den Annotationsprozess kontextuell und kulturell abhängig. Trotzdem sind diskrete Modelle ein nützliches Werkzeug zur Kategorisierung von Emotionen, da es schwierig ist, Änderungen von Mengen objektiv als Wertigkeit oder Aktivierung zu bewerten, und verschiedene Annotatoren unterschiedliche Schätzungen des Schweregrads dieser Größen liefern.

Bonus: Robotik

Übrigens ist die Klassifizierung von Emotionen nicht nur im Bereich der Erkennung von Emotionen, sondern auch für deren Synthese weit verbreitet. Zum Beispiel in der Robotik. Das dem Roboter zur Verfügung stehende emotionale Spektrum kann in einen mehrdimensionalen Raum der Emotionen integriert werden. Affektsystem - ein System emotionaler Zustände, zwischen denen der wahrscheinlich süßeste Roboter der KI-Industrie - Kismet, entwickelt vom MIT (MIT) - basiert auf einem mehrdimensionalen Ansatz. Jede Dimension des emotionalen Raums (Aktivierung, Wertigkeit und Zustand (Haltung), dh Kommunikationsbereitschaft) ist mit einer Reihe von Gesichtsausdrücken verbunden. Sobald der gewünschte Wert erreicht ist, wechselt der Roboter zur nächsten Emotion.


Video: Wie Kismet Robot funktioniert