人們對情感的普遍看法是，它們過于特質(zhì)和主觀，無法進行科學(xué)的研究。但是，正如今天在認知神經(jīng)科學(xué)協(xié)會(CNS)虛擬會議上所介紹的那樣，認知神經(jīng)科學(xué)家正在使用當代的，數(shù)據(jù)驅(qū)動的計算方法來推翻有關(guān)全人類情感結(jié)構(gòu)的古老觀念。
研究人員正在利用計算能力來理解一切，從我們在思維游蕩期間如何產(chǎn)生自發(fā)性情緒，到我們?nèi)绾谓獯a跨文化的面部表情。他們的發(fā)現(xiàn)對于表征情緒如何促進幸福，精神疾病的神經(jīng)生物學(xué)，甚至如何制造更有效的社交機器人具有重要意義。
杜克大學(xué)主席凱文·拉巴爾(Kevin LaBar)表示：“人工智能(AI)使科學(xué)家能夠以以前認為不可能的方式研究情緒，這導(dǎo)致發(fā)現(xiàn)改變了我們認為生物信號產(chǎn)生情緒的方式。”在CNS虛擬會議上討論此主題。
解碼跨文化的面部表情
六種人類的核心情感-恐懼，憤怒，厭惡，悲傷，幸福和驚奇-幾十年來一直被認為是人類心理學(xué)中普遍存在的情感，并在皮克斯電影《從里到外》中流行。盡管這個想法在社會上很普遍，可以追溯到保羅·埃克曼(Paul Ekman)的工作，但科學(xué)共識實際上表明，這些情緒遠非普遍存在，在不同文化中，尤其是對于東亞人來說，這些情緒在面部識別方面存在巨大差距，格拉斯哥大學(xué)的研究員瑞秋·杰克(Rachael Jack)說。
杰克一直在努力理解她所謂的“面部語言”，即個人面部動作如何以不同方式組合以創(chuàng)建有意義的面部表情(例如字母如何組合以創(chuàng)建單詞)。杰克說：“我認為這有點像試圖破解象形文字或未知的古代語言。” “我們對口頭和書面語言了解甚多，甚至對數(shù)百種古代語言也了解甚多，但是對于我們每天使用的非語言交流系統(tǒng)的形式知識卻相對較少，這對整個人類社會都至關(guān)重要。”
在她在CNS年會上提出的新作品中，杰克將展示她的團隊用來開發(fā)這些面部動作的動態(tài)模型的新穎的數(shù)據(jù)驅(qū)動方法，例如情感面部表情的食譜。她的團隊現(xiàn)在將這些模型轉(zhuǎn)移給數(shù)字代理，例如社交機器人和虛擬人，以便它們可以生成具有社交差異和文化敏感性的面部表情。
在他們的工作中，由格拉斯哥大學(xué)神經(jīng)科學(xué)與心理學(xué)研究所創(chuàng)建的新型面部運動發(fā)生器隨機選擇了個別面部運動的子集，例如眉毛抬高器，鼻子皺紋或嘴唇伸展器，并隨機激活強度和每個時間。這些隨機激活的面部運動然后結(jié)合在一起以創(chuàng)建面部動畫。來自不同文化的研究參與者然后根據(jù)六種經(jīng)典情感對面部動畫進行分類，或者如果他們沒有感知到這些情感中的任何一種，則可以選擇“其他”。經(jīng)過多次此類試驗后，研究人員在每次試驗中呈現(xiàn)的面部動作與參與者的反應(yīng)之間建立了統(tǒng)計關(guān)系，從而產(chǎn)生了數(shù)學(xué)模型。
她解釋說：“與傳統(tǒng)的理論驅(qū)動方法相反，實驗人員采用一組假設(shè)的面部表情并將其展示給全世界的參與者，我們增加了一種心理物理方法。” “在采樣和測試面部表情時，它更多是由數(shù)據(jù)驅(qū)動的，并且更加不可知論，并且更重要的是，使用文化參與者的主觀理解來了解哪些面部表情會推動他們對特定情緒的感知，例如，'他很高興'。”
這些研究將情感的通用面部表情的六種常用思想縮減為只有四種跨文化的表情。杰克說：“面部表情存在重大的文化差異，可能會阻礙跨文化交流。” “我們經(jīng)常但并非總是發(fā)現(xiàn)，東亞人的面部表情比西方人的面部表情更具表達力，西方人的面部表情傾向于嘴部更具表達力，就像東方人訴西方表情符號一樣!”
她補充說，還有一些文化共性可用于支持特定信息的準確跨文化交流，例如，東西方文化中快樂，感興趣和無聊的面部表情相似，并且很容易在各種文化中得到認可。
Jack和她的團隊現(xiàn)在正在使用他們的模型來增強可在全球使用的機器人和其他數(shù)字代理的社交信號功能。她說：“我們很高興將面部表情模型轉(zhuǎn)移到一系列數(shù)字代理中，并看到其性能有了顯著提高。”
了解休息時的自發(fā)情緒
杜克大學(xué)的LaBar說，了解情感的主觀體驗如何在大腦中介導(dǎo)是情感神經(jīng)科學(xué)的圣杯。“這是一個棘手的問題，迄今為止進展甚微。”
LaBar和他的同事正在他的實驗室中研究大腦休息時大腦出現(xiàn)的情緒。他解釋說：“無論是由內(nèi)在的思想還是記憶引起的，這些“意識流”的情感都是反省和擔心的目標，它們可能導(dǎo)致長時間的情緒狀態(tài)，并可能使記憶和決策產(chǎn)生偏差。
直到最近，研究人員還無法從大腦功能的靜止狀態(tài)信號中解譯這些情緒。在今天的演講中，LaBar的團隊已經(jīng)能夠應(yīng)用機器學(xué)習(xí)工具來導(dǎo)出神經(jīng)成像標記，這些標記是一小組情緒的集合，例如恐懼，憤怒和驚奇。研究人員已經(jīng)建模了當受試者躺在MRI掃描儀中時這些情緒如何自發(fā)地出現(xiàn)在大腦中。
這項工作的核心是訓(xùn)練一種機器學(xué)習(xí)算法，以區(qū)分將情感彼此分開的大腦活動模式。研究人員提出了一種模式分類器算法，該算法帶有一組訓(xùn)練數(shù)據(jù)集，這些訓(xùn)練數(shù)據(jù)集來自與會誘導(dǎo)特定情緒的音樂和電影剪輯的一組參與者。通過使用反饋，該算法學(xué)會權(quán)衡來自大腦不同區(qū)域的輸入，以優(yōu)化每種情感的信號傳遞。然后，研究人員使用從測試樣本中生成的一組大腦權(quán)重，測試分類器如何很好地預(yù)測新參與者樣本中的誘發(fā)情緒。
他說：“一旦以這種方式在各個受試者之間驗證了特定于情緒的大腦模式，我們就會尋找證據(jù)證明這些模式會在只是躺在掃描儀中靜止的參與者中自發(fā)出現(xiàn)。” “然后我們可以確定模式分類器是否準確預(yù)測人們在掃描儀中自發(fā)報告的情緒，并識別出個體差異。”
通過這種方法，他們已經(jīng)證明，例如，焦慮和抑郁的個體差異如何使自發(fā)性情緒的表達產(chǎn)生偏見，隨著年齡的增長，情緒在整個壽命過程中如何變化，以及情緒的時間動態(tài)如何使健康受試者與患有精神病理學(xué)的個體區(qū)分開。
“我們的希望是，這種努力將導(dǎo)致不依賴自我報告的特定情感體驗的更可靠，客觀的指標，因為這些口頭報告在某些人群中并不可靠，例如兒童或什至是很少自我意識的成年人洞察他們的情緒，”他說。“如果是這樣，那么我們可能會更好地理解這些人的情感生活。”
