A kutatás a mesterséges intelligenciát használja az emberi érzelmek mérésére

A Kognitív Idegtudományi Társaság (CNS) éves találkozóján gyakorlatilag bemutatott új kutatás megmutatja, hogy az adatok által vezérelt számítási módszerekkel miként magyarázzák a legalapvetőbb emberi tulajdonságokat - az érzelmeket. A nyomozók úgy vélik, hogy felfedezéseik megdöntenék a régi elképzeléseket az érzelmek szerkezetéről az emberiség egészében.

A tudósok számítási erőt alkalmaznak, hogy mindent megértsenek, kezdve attól, hogy miként generálunk spontán érzelmeket az elkalandozás során, egészen az arckifejezések dekódolásáig az egyes kultúrákban.

A kutatók úgy vélik, hogy az eredmények fontosak annak jellemzésében, hogy az érzelmek hogyan járulnak hozzá a jóléthez, a pszichiátriai rendellenességek neurobiológiájához, sőt, hogyan lehet hatékonyabb szociális robotokat készíteni.

"A mesterséges intelligencia (AI) lehetővé teszi a tudósok számára az érzelmek olyan tanulmányozását, amelyeket korábban lehetetlennek gondoltak, ami olyan felfedezésekhez vezet, amelyek átalakítják azt, hogy szerintünk az érzelmek miként jönnek létre a biológiai jelekből" - mondta Dr. Kevin LaBar, a Duke Egyetem munkatársa.

Hat emberi érzelmet - félelmet, haragot, undort, szomorúságot, boldogságot és meglepetést - évtizedek óta egyetemesnek tekintenek az emberi pszichológiában. Ennek az ötletnek a társadalmi elterjedtsége ellenére a szakértők szerint a tudományos konszenzus azt mutatja, hogy ezek az érzelmek korántsem univerzálisak.

Különösen jelentős különbség mutatkozik ezen érzelmek arcfelismerésében a kultúrák között, különösen a kelet-ázsiai emberek esetében - mondta Dr. Rachael Jack, a Glasgowi Egyetem kutatója.

Jack azon munkálkodott, hogy megértse, amit ő az „arc nyelvének” nevez; hogyan egyesülnek az egyéni arcmozgások különböző módon értelmes arckifejezések létrehozásához (például, hogy a betűk hogyan egyesítik a szavakat).

"Ezt egy kicsit úgy gondolom, mintha megpróbálnám feltörni a hieroglifákat vagy egy ismeretlen ősi nyelvet" - mondta Jack. "Annyit tudunk a beszélt és írott nyelvről, akár több száz ősi nyelvről is, de viszonylag kevés formális ismerettel rendelkezünk azokról a non-verbális kommunikációs rendszerekről, amelyeket nap mint nap használunk, és amelyek olyan kritikusak az emberi társadalom számára."

Új munkájában Jack és csapata új, adatközpontú módszert hozott létre ezen arcmozgások dinamikus modelljeinek létrehozására, mint például az érzelmek arckifejezéseinek receptkönyve. Csapata most átadja ezeket a modelleket digitális ügynököknek, például szociális robotoknak és virtuális embereknek, hogy azok társadalmilag árnyalt és kulturálisan érzékeny arckifejezéseket generáljanak.

Kutatásaik alapján létrehoztak egy új arcmozgás-generátort, amely véletlenszerűen kiválaszthatja az egyes arcmozgások egy részhalmazát, például a szemöldökemelőt, az orrgyűrődőt vagy az ajakfeszítőt, és véletlenszerűen aktiválja az egyes arcok intenzitását és időzítését.

Ezek a véletlenszerűen aktivált arcmozgások aztán arcanimációt hoznak létre. A különböző kultúrákból származó tanulmány résztvevői ezt követően az arcanimációt a hat klasszikus érzelem szerint kategorizálják, vagy választhatják az „egyéb” lehetőséget, ha nem érzékelik ezen érzelmek egyikét sem.

Sok ilyen kísérlet után a kutatók statisztikai kapcsolatot építenek ki az egyes kísérletek során bemutatott arcmozgások és a résztvevők válaszai között, amely matematikai modellt hoz létre.

"Ellentétben a hagyományos elmélet-vezérelt megközelítésekkel, ahol a kísérletezők egy hipotézisű arckifejezéseket készítettek, és megmutatták azokat a résztvevőknek szerte a világon, pszichofizikai megközelítést adtunk hozzá" - mondta Jack.

"Ez inkább adatközpontú és agnosztikusabb az arckifejezések mintavételében és tesztelésében, és kritikusan a kulturális résztvevők szubjektív felfogását használja annak megértésére, hogy milyen arcmozgások vezérlik az adott érzelem észlelését, például" boldog "."

Ezek a tanulmányok az érzelmek univerzális arckifejezéseinek hat általános gondolatát csak négy kultúrák közötti kifejezésre sűrítették. "Jelentős kulturális különbségek vannak az arckifejezésekben, amelyek akadályozhatják a kultúrák közötti kommunikációt" - mondta Jack. "Gyakran, de nem mindig tapasztaljuk, hogy a kelet-ázsiai arckifejezéseknek kifejezőbb a szemük, mint a nyugati arckifejezéseknek, amelyeknek szája kifejezetten kifejezőbb - akárcsak a keleti és a nyugati hangulatjelek!"

Hozzáteszi, hogy vannak olyan kulturális közös vonások is, amelyek felhasználhatók a konkrét üzenetek kultúrák közötti pontos kommunikációjának támogatására; például a boldog, érdeklődő és unatkozó arckifejezések a keleti és a nyugati kultúrákban hasonlóak, és a kultúrák között könnyen felismerhetők.

Jack és csapata most modelljeit felhasználva javítja a robotok és más, globálisan használható digitális ügynökök társadalmi jelzési képességeit. "Nagyon örülünk, hogy arckifejezési modelljeinket számos digitális ügynökhöz továbbíthatjuk, és láthatjuk a teljesítmény drámai javulását" - mondja.

Annak megértése, hogy az érzelem szubjektív tapasztalata hogyan közvetül az agyban, az affektív idegtudomány szent mocska - mondta LaBar, Duke."Ez egy nehéz probléma, és a mai napig kevés előrelépés történt." Laboratóriumában LaBar és munkatársai azon dolgoznak, hogy megértsék azokat az érzelmeket, amelyek akkor jelentkeznek, amikor az agy pihenés közben elgondolkodik.

"Akár belső gondolatok, akár emlékek váltják ki, ezek a" tudatfolyam "érzelmek a kérődzés és aggodalom célpontjai, amelyek elhúzódó hangulati állapotokhoz vezethetnek, és torzíthatják az emlékezetet és a döntéshozatalt" - mondta.

Egészen a közelmúltig a kutatók nem tudták dekódolni ezeket az érzelmeket az agy működésének nyugalmi állapotából származó jelektől. Most LaBar csapata képes volt gépi tanulási eszközöket használni az érzelmek egy kis halmazának, például a félelemnek, a haragnak és a meglepetésnek a neurovizálásának markereinek levezetésére. Sőt, a kutatók azt modellezték, hogy ezek az érzelmek hogyan jelentkeznek spontán módon az agyban, miközben az alanyok MRI-szkennerben pihennek.

A munka lényege egy gépi tanulási algoritmus képzése volt, hogy megkülönböztesse az agyi aktivitás mintáit, amelyek elválasztják az érzelmeket egymástól. A kutatók egy minta osztályozó algoritmust mutatnak be egy olyan képzési adatsorral, amely egy résztvevő csoportból származik, akik zenét és filmklipeket mutattak be, amelyek specifikus érzelmeket váltottak ki.

Visszajelzés segítségével az algoritmus megtanulja mérlegelni az agy különböző régióiból érkező bemeneteket az egyes érzelmek jelzésének optimalizálása érdekében. A kutatók ezután azt tesztelik, hogy az osztályozó mennyire képes megjósolni a kiváltott érzelmeket egy új résztvevõi mintában, felhasználva az agytömeg készletet, amelyet a tesztmintából generált.

"Miután az érzelemspecifikus agyi mintákat ilyen módon validálták az alanyokban, bizonyítékokat keresünk arra vonatkozóan, hogy ezek a minták spontán módon jelentkeznek azokban a résztvevőkben, akik csupán nyugalomban fekszenek a szkennerben" - mondta Labar.

"Ezután meghatározhatjuk, hogy a minta-osztályozó pontosan megjósolja-e az érzelmeket, amelyeket az emberek spontán jelentenek a szkennerben, és azonosíthatjuk-e az egyéni különbségeket."

Forrás: Kognitív Idegtudományi Társaság / EurekAlert