Hispanopedia Wiki
Articulo de referencia

Computación afectiva

Los dispositivos electrónicos, como los robots, son cada vez más capaces de detectar y responder a las emociones humanas. La computación afectiva es el estudio y desarrollo de s...

Hispanopedia WikiContenido en espanolLectura gratuita

Los dispositivos electrónicos, como los robots, son cada vez más capaces de detectar y responder a las emociones humanas.

La computación afectiva es el estudio y desarrollo de sistemas y dispositivos que pueden reconocer, interpretar, procesar y simular afectos humanos . Es un campo interdisciplinario que abarca la informática , la psicología y la ciencia cognitiva . [ 1 ] Si bien algunas ideas centrales en el campo pueden rastrearse hasta las primeras investigaciones filosóficas sobre la emoción , [ 2 ] la idea moderna se originó con el artículo de Rosalind Picard de 1995 titulado "Computación afectiva" [ 3 ] y su libro de 1997 del mismo nombre [ 4 ] publicado por MIT Press . [ 5 ] [ 6 ] Una motivación para investigar la computación afectiva es la capacidad de dotar a las máquinas de inteligencia emocional , incluyendo la simulación de la empatía . El objetivo es que una máquina pueda interpretar el estado emocional de los humanos y adaptar su comportamiento a esas emociones, respondiendo apropiadamente. Investigaciones experimentales recientes han demostrado que la retroalimentación háptica afectiva sutil puede moldear el aprendizaje de recompensa humano y el comportamiento de interacción móvil, [ 7 ] lo que sugiere que los sistemas de computación afectiva no solo pueden interpretar estados emocionales sino también modular activamente las acciones del usuario a través de salidas cargadas de emoción.

Áreas

Detección y reconocimiento de información emocional

La detección de información emocional generalmente comienza con sensores pasivos que capturan datos sobre el estado físico o el comportamiento del usuario sin interpretar la información recibida. Los datos recopilados son análogos a las señales que los humanos utilizan para percibir emociones en los demás. Por ejemplo, una cámara de video puede capturar expresiones faciales, postura corporal y gestos, mientras que un micrófono puede capturar el habla. Otros sensores detectan señales emocionales midiendo directamente datos fisiológicos , como la temperatura de la piel y la resistencia galvánica . [ 8 ]

Reconocer información emocional requiere extraer patrones significativos de los datos recopilados. Esto se logra mediante técnicas de aprendizaje automático que procesan diferentes modalidades , como el reconocimiento de voz , el procesamiento del lenguaje natural o la detección de expresiones faciales . El objetivo de la mayoría de estas técnicas es generar etiquetas que coincidan con las que un ser humano asignaría en la misma situación. Por ejemplo, si una persona frunce el ceño, el sistema de visión artificial podría ser entrenado para etiquetar su rostro como "confundido", "concentrado" o "ligeramente negativo" (en contraposición a positivo, que sería lo que indicaría si estuviera sonriendo de forma aparentemente feliz). Esta respuesta se basa en los datos utilizados para entrenar el sistema. Estas etiquetas pueden o no corresponder con lo que la persona realmente siente.

Emoción en las máquinas

Otro ámbito dentro de la computación afectiva es el diseño de dispositivos computacionales que se proponen exhibir capacidades emocionales innatas o que sean capaces de simular emociones de manera convincente. Un enfoque más práctico, basado en las capacidades tecnológicas actuales, es la simulación de emociones en agentes conversacionales para enriquecer y facilitar la interactividad entre humanos y máquinas. [ 9 ]

Marvin Minsky , uno de los científicos informáticos pioneros en inteligencia artificial , relaciona las emociones con los problemas más amplios de la inteligencia artificial, afirmando en The Emotion Machine que la emoción "no es especialmente diferente de los procesos que llamamos 'pensamiento'". [ 10 ] El enfoque innovador de los "humanos digitales" o humanos virtuales incluye un intento de dotar a estos programas, que simulan a los humanos, de una dimensión emocional, incluyendo reacciones, expresiones faciales y gestos acordes con la reacción que tendría una persona real en ciertas situaciones emocionalmente estimulantes. [ 11 ]

La emoción en las máquinas a menudo se refiere a la emoción en sistemas computacionales, frecuentemente basados ​​en IA. [ 12 ] [ 13 ] Como resultado, se utiliza el término «IA emocional». [ 12 ] [ 14 ] Algunos modelos de lenguaje modernos de gran tamaño simulan emociones en sus conversaciones con humanos. La emoción simulada de ChatGPT tiende a ser más positiva que la de la mayoría de las respuestas humanas. [ 15 ]

Tecnologías

En psicología, ciencias cognitivas y neurociencia, existen dos enfoques principales para describir cómo los humanos perciben y clasifican las emociones: continuo o categórico. El enfoque continuo suele utilizar dimensiones como negativo frente a positivo, calma frente a excitación.

El enfoque categórico tiende a utilizar clases discretas como feliz, triste, enojado, temeroso, sorprendido y disgustado. Se utilizan diferentes tipos de modelos de regresión y clasificación de aprendizaje automático para que las máquinas produzcan etiquetas continuas o discretas. A veces, también se construyen modelos que permiten combinaciones entre las categorías (por ejemplo, una cara feliz-sorprendida o una cara temerosa-sorprendida). [ 16 ]

Las siguientes secciones analizan muchos de los tipos de datos de entrada utilizados para la tarea de reconocimiento de emociones .

Discurso emotivo

Diversos cambios en el sistema nervioso autónomo pueden alterar indirectamente el habla de una persona, y las tecnologías afectivas pueden aprovechar esta información para reconocer emociones. Por ejemplo, el habla producida en un estado de miedo, ira o alegría se vuelve rápida, fuerte y articulada con precisión, con un tono más agudo y un rango más amplio, mientras que emociones como el cansancio, el aburrimiento o la tristeza tienden a generar un habla lenta, de tono bajo y arrastrada. [ 17 ] Se ha descubierto que algunas emociones se pueden identificar computacionalmente con mayor facilidad, como la ira [ 18 ] o la aprobación. [ 19 ]

Las tecnologías de procesamiento del habla emocional reconocen el estado emocional del usuario mediante el análisis computacional de las características del habla. Los parámetros vocales y las características prosódicas , como las variables de tono y la velocidad del habla, pueden analizarse mediante técnicas de reconocimiento de patrones. [ 18 ] [ 20 ]

El análisis del habla es un método eficaz para identificar estados afectivos, con una precisión promedio reportada del 70-80% en investigaciones de 2003 y 2006. [ 21 ] [ 22 ] Estos sistemas tienden a superar la precisión humana promedio (aproximadamente 60% [ 18 ] ), pero son menos precisos que los sistemas que emplean otras modalidades para la detección de emociones, como estados fisiológicos o expresiones faciales. [ 23 ] Sin embargo, dado que muchas características del habla son independientes de la semántica o la cultura, esta técnica se considera una vía prometedora para futuras investigaciones. [ 24 ]

Algoritmos

El proceso de detección de afecto en voz/texto requiere la creación de una base de datos confiable , una base de conocimiento o un modelo de espacio vectorial , [ 25 ] lo suficientemente amplio como para cubrir todas las necesidades de su aplicación, así como la selección de un clasificador exitoso que permita una identificación de emociones rápida y precisa.

A partir de 2010Los clasificadores más utilizados fueron los clasificadores discriminantes lineales (LDC), los k-vecinos más cercanos (k-NN), el modelo de mezcla gaussiana (GMM), las máquinas de vectores de soporte (SVM), las redes neuronales artificiales (ANN), los algoritmos de árboles de decisión y los modelos ocultos de Markov (HMM). [ 26 ] Diversos estudios demostraron que elegir el clasificador adecuado puede mejorar significativamente el rendimiento general del sistema. [ 23 ] La siguiente lista ofrece una breve descripción de cada algoritmo:

  • LDC – La clasificación se realiza en función del valor obtenido de la combinación lineal de los valores de las características, que normalmente se proporcionan en forma de características vectoriales.
  • k-NN : La clasificación se realiza localizando el objeto en el espacio de características y comparándolo con los k vecinos más cercanos (ejemplos de entrenamiento). La clasificación se decide por mayoría de votos.
  • GMM : un modelo probabilístico utilizado para representar la existencia de subpoblaciones dentro de la población general. Cada subpoblación se describe mediante la distribución de mezcla, que permite clasificar las observaciones en las subpoblaciones. [ 27 ]
  • SVM : un tipo de clasificador lineal (generalmente binario) que decide en cuál de las dos (o más) clases posibles puede caer cada entrada.
  • ANN (Red Neuronal Artificial) es un modelo matemático, inspirado en las redes neuronales biológicas, que puede comprender mejor las posibles no linealidades del espacio de características.
  • Los algoritmos de árbol de decisión funcionan siguiendo un árbol de decisión en el que las hojas representan el resultado de la clasificación y las ramas representan la conjunción de características posteriores que conducen a dicha clasificación.
  • Los HMM (modelos ocultos de Markov) son modelos estadísticos en los que los estados y las transiciones entre ellos no son directamente observables. En cambio, se visualiza la serie de salidas que dependen de los estados. En el caso del reconocimiento de emociones, las salidas representan la secuencia de vectores de características del habla, lo que permite deducir las secuencias de estados por las que progresó el modelo. Los estados pueden consistir en varios pasos intermedios en la expresión de una emoción, y cada uno de ellos tiene una distribución de probabilidad sobre los posibles vectores de salida. Las secuencias de estados permiten predecir el estado afectivo que se intenta clasificar, y esta es una de las técnicas más utilizadas en el ámbito de la detección de emociones en el habla.

Se ha demostrado que, con suficiente evidencia acústica disponible, el estado emocional de una persona puede clasificarse mediante un conjunto de clasificadores de votación mayoritaria. El conjunto de clasificadores propuesto se basa en tres clasificadores principales: kNN, C4.5 y SVM-RBF Kernel. Este conjunto logra un mejor rendimiento que cada clasificador básico tomado por separado. Se compara con otros dos conjuntos de clasificadores: SVM multiclase uno contra todos (OAA) con kernels híbridos y el conjunto de clasificadores que consta de los siguientes dos clasificadores básicos: C5.0 y Red Neuronal. La variante propuesta logra un mejor rendimiento que los otros dos conjuntos de clasificadores. [ 28 ]

Bases de datos

La gran mayoría de los sistemas actuales dependen de datos. Esto crea uno de los mayores desafíos en la detección de emociones a partir del habla, ya que implica elegir una base de datos apropiada para entrenar el clasificador. La mayor parte de los datos disponibles actualmente se obtuvieron de actores y, por lo tanto, son una representación de emociones arquetípicas. Estas llamadas "bases de datos actuadas" generalmente se basan en la teoría de las emociones básicas de Paul Ekman , que asume la existencia de seis emociones básicas (ira, miedo, asco, sorpresa, alegría, tristeza), y las demás son una mezcla de esas seis. [ 29 ] Sin embargo, estas aún ofrecen alta calidad de audio y clases equilibradas (aunque a menudo demasiado pocas), lo que contribuye a altas tasas de éxito en el reconocimiento de emociones.

Sin embargo, para aplicaciones prácticas, se prefieren los datos naturalistas. Una base de datos naturalista se puede crear mediante la observación y el análisis de sujetos en su contexto natural. En última instancia, dicha base de datos debería permitir al sistema reconocer emociones en función de su contexto, así como determinar los objetivos y resultados de la interacción. La naturaleza de este tipo de datos permite una implementación auténtica en la vida real, ya que describe estados que ocurren de forma natural durante la interacción persona-ordenador (HCI).

A pesar de las numerosas ventajas que los datos naturalistas tienen sobre los datos actuados, son difíciles de obtener y generalmente tienen una baja intensidad emocional. Además, los datos obtenidos en un contexto natural tienen una menor calidad de señal, debido al entorno, el ruido y la distancia de los sujetos al micrófono. El primer intento de producir una base de datos de este tipo fue el Corpus de Emociones Aibo de la FAU para CEICES (Combining Efforts for Improving Automatic Classification of Emotional User States), que se desarrolló a partir de un contexto realista de niños (de 10 a 13 años) jugando con la mascota robot Aibo de Sony. [ 30 ] [ 31 ] Asimismo, producir una base de datos estándar para toda la investigación emocional proporcionaría un método para evaluar y comparar diferentes sistemas de reconocimiento de afecto.

descriptores del habla

La complejidad del proceso de reconocimiento de afectos aumenta con el número de clases (afectos) y descriptores de voz utilizados en el clasificador. Por lo tanto, es crucial seleccionar solo las características más relevantes para asegurar la capacidad del modelo de identificar emociones con éxito y aumentar el rendimiento, lo cual es particularmente significativo para la detección en tiempo real. El rango de opciones posibles es amplio, y algunos estudios mencionan el uso de más de 200 características distintas. [ 26 ] Es crucial identificar aquellas que son redundantes e indeseables para optimizar el sistema y aumentar la tasa de éxito de la detección correcta de emociones. Las características de voz más comunes se clasifican en los siguientes grupos. [ 30 ] [ 31 ]

  1. Características de frecuencia [ 32 ]
    • Forma del acento: afectada por la tasa de cambio de la frecuencia fundamental.
    • Tono promedio: describe qué tan agudo o grave habla el hablante en relación con el habla normal.
    • Pendiente de contorno: describe la tendencia del cambio de frecuencia a lo largo del tiempo; puede ser ascendente, descendente o constante.
    • Descenso final: la cantidad en que disminuye la frecuencia al final de una locución.
    • Rango tonal: mide la diferencia entre la frecuencia máxima y mínima de una locución.
  2. Características relacionadas con el tiempo:
    • Velocidad del habla: describe la velocidad a la que se pronuncian las palabras o sílabas durante una unidad de tiempo.
    • Frecuencia de acentuación: mide la frecuencia con la que se repiten las expresiones con acento tonal.
  3. Parámetros de calidad de voz y descriptores de energía:
    • Soplo de aire: mide el ruido de aspiración en el habla.
    • Brillo: describe el predominio de las frecuencias altas o bajas en el habla.
    • Volumen: mide la amplitud de la forma de onda del habla y se traduce en la energía de una emisión.
    • Discontinuidad de pausa: describe las transiciones entre el sonido y el silencio.
    • Discontinuidad de tono: describe las transiciones de la frecuencia fundamental.

detección de afecto facial

La detección y el procesamiento de expresiones faciales se logran mediante diversos métodos, como el flujo óptico , los modelos ocultos de Markov , el procesamiento de redes neuronales o los modelos de apariencia activa. Se pueden combinar o fusionar varias modalidades (reconocimiento multimodal, por ejemplo, expresiones faciales y prosodia del habla, [ 33 ] expresiones faciales y gestos con las manos, [ 34 ] o expresiones faciales con habla y texto para el análisis de datos y metadatos multimodales) para proporcionar una estimación más precisa del estado emocional del sujeto.

bases de datos de expresiones faciales

La creación de una base de datos de emociones es una tarea difícil y laboriosa. Sin embargo, es un paso esencial para el desarrollo de un sistema capaz de reconocer las emociones humanas. La mayoría de las bases de datos de emociones disponibles públicamente solo incluyen expresiones faciales simuladas. En estas bases de datos, se pide a los participantes que muestren diferentes expresiones emocionales básicas. En cambio, en las bases de datos de expresiones espontáneas, las expresiones son naturales. La obtención de emociones espontáneas requiere un esfuerzo considerable en la selección de estímulos adecuados, lo que permite una representación rica de las emociones deseadas. Además, el proceso exige que personas capacitadas etiqueten manualmente las emociones, lo que confiere a las bases de datos una alta fiabilidad. Dado que la percepción de las expresiones y su intensidad es subjetiva, la anotación por parte de expertos es fundamental para su validación.

Los investigadores trabajan con tres tipos de bases de datos: una base de datos que contiene únicamente imágenes de expresiones faciales máximas, una base de datos de secuencias de imágenes que representan una emoción desde la neutralidad hasta su máxima intensidad, y videoclips con anotaciones emocionales. Se han creado y publicado numerosas bases de datos de expresiones faciales para el reconocimiento de expresiones. Dos de las más utilizadas son CK+ y JAFFE.

Clasificación de las emociones

A finales de la década de 1960, Paul Ekman propuso la idea de que las expresiones faciales de emoción no están determinadas culturalmente, sino que son universales. Descubrió esto mediante una investigación transcultural en Papúa Nueva Guinea con los miembros de la tribu Fore. Por lo tanto, sugirió que son de origen biológico y que, por consiguiente, pueden clasificarse de forma segura y correcta. [ 29 ] En consecuencia, en 1972, propuso oficialmente seis emociones básicas: [ 35 ]

Sin embargo, en la década de 1990, Ekman amplió su lista de emociones básicas, incluyendo una gama de emociones positivas y negativas , no todas codificadas en los músculos faciales. [ 36 ] Las nuevas emociones son:

  1. Diversión
  2. Desprecio
  3. Contentamiento
  4. Vergüenza
  5. Excitación
  6. Culpa
  7. Orgullo por el logro
  8. Alivio
  9. Satisfacción
  10. Placer sensorial
  11. Lástima

Sistema de codificación de acciones faciales

Los psicólogos han concebido un sistema para categorizar formalmente la expresión física de las emociones en los rostros. El concepto central del Sistema de Codificación de la Acción Facial (FACS, por sus siglas en inglés), creado por Paul Ekman y Wallace V. Friesen en 1978, se basa en trabajos previos de Carl-Herman Hjortsjö . [ 37 ] Las unidades de acción (UA) son, básicamente, una contracción o relajación de uno o más músculos. Los psicólogos han propuesto la siguiente clasificación de seis emociones básicas según sus unidades de acción ("+" aquí significa "y"):

Desafíos en la detección facial

Como en toda práctica computacional, es necesario superar algunos obstáculos para aprovechar al máximo el potencial oculto de la detección de emociones mediante el procesamiento facial. En los inicios de la detección basada en IA (reconocimiento de voz, reconocimiento facial y reconocimiento de emociones), la precisión del modelado y el seguimiento era un problema. Con la evolución del hardware, esta falta de precisión disminuye. Sin embargo, persisten los problemas de ruido. Existen métodos para eliminar el ruido, como el promedio de vecindario, el suavizado gaussiano lineal , el filtrado de mediana [ 38 ] o métodos más recientes como el algoritmo de optimización de búsqueda bacteriana [ 39 ] [ 40 ] .

Otros desafíos incluyen:

  • El hecho de que las expresiones planteadas no sean naturales, y por lo tanto los algoritmos entrenados con ellas, pueden no ser aplicables a las expresiones naturales.
  • La falta de libertad de movimiento rotacional. La detección de afecto funciona muy bien con el uso frontal, pero al girar la cabeza más de 20 grados, "[se han presentado] problemas". [ 41 ]
  • Las expresiones faciales no siempre se corresponden con una emoción subyacente que las acompañe (por ejemplo, pueden ser fingidas o simuladas, o una persona puede sentir emociones pero mantener una "cara de póquer").
  • FACS no incluyó dinámicas, que pueden ayudar a desambiguar (por ejemplo, las sonrisas de felicidad genuina tienden a tener dinámicas diferentes a las sonrisas de "intentar parecer feliz").
  • Las combinaciones FACS no se corresponden de forma 1:1 con las emociones que los psicólogos propusieron originalmente (tenga en cuenta que esta falta de correspondencia 1:1 también se produce en el reconocimiento del habla con homófonos y homónimos y muchas otras fuentes de ambigüedad, y puede mitigarse incorporando otros canales de información).
  • La precisión del reconocimiento mejora al añadir contexto; sin embargo, añadir contexto y otras modalidades aumenta el coste computacional y la complejidad.

gesto corporal

Los gestos pueden utilizarse para detectar el estado emocional de un usuario, especialmente cuando se combinan con el reconocimiento de voz y facial. Pueden ser simples respuestas reflejas, como levantar los hombros al desconocer la respuesta a una pregunta, o gestos complejos y significativos, como en la comunicación mediante el lenguaje de señas. Sin necesidad de objetos ni del entorno, podemos saludar con la mano, aplaudir o hacer señas. Por otro lado, al usar objetos, podemos señalarlos, moverlos, tocarlos o manipularlos. Para la interacción persona - ordenador, un ordenador debe ser capaz de reconocer estos gestos, analizar el contexto y responder de forma significativa.

Los gestos se pueden detectar mediante diversos métodos. [ 42 ] Existen dos enfoques principales para el reconocimiento de gestos: basados ​​en modelos 3D y basados ​​en la apariencia. [ 43 ] El método principal utiliza información 3D de elementos clave de las partes del cuerpo para obtener varios parámetros importantes, como la posición de la palma o los ángulos de las articulaciones. Por otro lado, los sistemas basados ​​en la apariencia utilizan imágenes o vídeos para la interpretación directa. Los gestos de las manos han sido un foco común de los métodos de detección de gestos corporales. [ 43 ]

Monitorización fisiológica

Esto podría utilizarse para detectar el estado afectivo de un usuario mediante el monitoreo y análisis de sus signos fisiológicos. Estos signos abarcan desde cambios en la frecuencia cardíaca y la conductancia de la piel hasta contracciones mínimas de los músculos faciales y cambios en el flujo sanguíneo facial. Esta área está cobrando impulso y ya vemos productos reales que implementan estas técnicas. Los cuatro principales signos fisiológicos que se suelen analizar son el pulso del volumen sanguíneo , la respuesta galvánica de la piel , la electromiografía facial y los patrones de color facial. Por ejemplo, estos métodos se han utilizado para examinar los síntomas de la depresión. [ 44 ]

Pulso del volumen sanguíneo

Descripción general

El pulso de volumen sanguíneo (PVS) de un sujeto se puede medir mediante un proceso llamado fotopletismografía , que produce un gráfico que indica el flujo sanguíneo a través de las extremidades. [ 45 ] Los picos de las ondas indican un ciclo cardíaco en el que el corazón ha bombeado sangre a las extremidades. Si el sujeto experimenta miedo o se sobresalta, su corazón suele "saltarse" y latir rápidamente durante un tiempo, lo que provoca un aumento de la amplitud del ciclo cardíaco. Esto se puede observar claramente en un fotopletismógrafo cuando la distancia entre el valle y el pico de la onda ha disminuido. A medida que el sujeto se calma y el núcleo interno del cuerpo se expande, permitiendo que fluya más sangre de regreso a las extremidades, el ciclo volverá a la normalidad.

Metodología

Los investigadores iluminaron la piel con luz infrarroja mediante sensores especiales y midieron la cantidad de luz reflejada. La cantidad de luz reflejada y transmitida se correlaciona con el BVP, ya que la luz es absorbida por la hemoglobina, que se encuentra en abundancia en el torrente sanguíneo.

Desventajas

Puede resultar engorroso asegurar que el sensor que emite luz infrarroja y monitoriza la luz reflejada apunte siempre a la misma extremidad, sobre todo porque los sujetos suelen estirarse y reajustar su posición mientras utilizan un ordenador.

Existen otros factores que pueden afectar el pulso. Dado que mide el flujo sanguíneo a través de las extremidades, si la persona siente mucho calor o frío, su cuerpo puede permitir que fluya más o menos sangre a las extremidades, independientemente de su estado emocional.

El músculo corrugador superciliar y el músculo cigomático mayor son los dos músculos principales que se utilizan para medir la actividad eléctrica en la electromiografía facial.

electromiografía facial

La electromiografía facial es una técnica que se utiliza para medir la actividad eléctrica de los músculos faciales amplificando los pequeños impulsos eléctricos que generan las fibras musculares al contraerse. [ 46 ] El rostro expresa una gran cantidad de emociones. Sin embargo, existen dos grupos musculares faciales principales que se estudian habitualmente para detectar emociones: El músculo corrugador superciliar, también conocido como el músculo del ceño fruncido, baja la ceja. Por lo tanto, es la mejor prueba para las respuestas emocionales negativas y desagradables. El músculo cigomático mayor es responsable de retraer las comisuras de la boca al sonreír y, por lo tanto, es el músculo que se utiliza para evaluar una respuesta emocional positiva.

Aquí podemos ver una gráfica de la resistencia de la piel medida mediante GSR en función del tiempo mientras el sujeto jugaba a un videojuego. Se observan varios picos claros en la gráfica, lo que sugiere que la GSR es un buen método para diferenciar entre un estado de excitación y uno de relajación. Por ejemplo, al inicio del juego, donde la acción suele ser tranquila, se registra un alto nivel de resistencia, lo que indica una baja conductividad y, por lo tanto, menor excitación. Esto contrasta claramente con el descenso repentino que se produce cuando el jugador muere, ya que normalmente se experimenta mucho estrés y tensión al morir el personaje en el juego.

Respuesta galvánica de la piel

La respuesta galvánica de la piel (RGP) es un término obsoleto para un fenómeno más general conocido como actividad electrodérmica (AED). La AED es un fenómeno general mediante el cual cambian las propiedades eléctricas de la piel. La piel está inervada por el sistema nervioso simpático, por lo que medir su resistencia o conductancia permite cuantificar pequeños cambios en la rama simpática del sistema nervioso autónomo. A medida que se activan las glándulas sudoríparas, incluso antes de que la piel se sienta sudorosa, se puede registrar el nivel de AED (generalmente mediante conductancia) y utilizarlo para discernir pequeños cambios en la activación autonómica. Cuanto más activado está un sujeto, mayor tiende a ser la conductancia de la piel. [ 45 ]

La conductancia cutánea se suele medir utilizando dos pequeños electrodos de plata-cloruro de plata colocados en algún punto de la piel y aplicando un pequeño voltaje entre ellos. Para maximizar la comodidad y reducir la irritación, los electrodos pueden colocarse en la muñeca, las piernas o los pies, lo que deja las manos completamente libres para las actividades diarias. [ 47 ]

Color de la cara

Descripción general

La superficie del rostro humano está inervada por una extensa red de vasos sanguíneos. Las variaciones en el flujo sanguíneo de estos vasos producen cambios de color visibles en la cara. Independientemente de si las emociones faciales activan o no los músculos faciales, se producen variaciones en el flujo sanguíneo, la presión arterial, los niveles de glucosa y otros cambios. Además, la señal de color facial es independiente de la que proporcionan los movimientos musculares faciales. [ 48 ]

Metodología

Los enfoques se basan en cambios de color facial. Se utiliza la triangulación de Delaunay para crear áreas locales triangulares. Algunos de estos triángulos que definen el interior de la boca y los ojos (esclerótica e iris) se eliminan. Los píxeles de las áreas triangulares izquierdas se utilizan para crear vectores de características. [ 48 ] La evidencia muestra que convertir el color del píxel del espacio de color RGB estándar a un espacio de color, como el espacio de color oRGB [ 49 ] o los canales LMS, permite un mejor rendimiento al tratar con rostros. [ 50 ] Entonces, los vectores se mapean al mejor espacio de color y se descomponen en canales rojo-verde y amarillo-azul. Luego, los métodos de aprendizaje profundo encuentran emociones equivalentes.

estética visual

En el mundo del arte y la fotografía, la estética se refiere a los principios de la naturaleza y la apreciación de la belleza. Juzgar la belleza y otras cualidades estéticas es una tarea altamente subjetiva. Los informáticos de Penn State abordan el desafío de inferir automáticamente la calidad estética de las imágenes a partir de su contenido visual como un problema de aprendizaje automático, utilizando como fuente de datos un sitio web de intercambio de fotos en línea con valoración por pares. [ 51 ] Extraen ciertas características visuales basándose en la intuición de que pueden discriminar entre imágenes estéticamente agradables y desagradables.

Aplicaciones potenciales

Educación

El afecto influye en el estado de aprendizaje. Mediante la tecnología de computación afectiva, las computadoras pueden juzgar el afecto y el estado de aprendizaje de los estudiantes reconociendo sus expresiones faciales. En educación, un docente puede utilizar este resultado de análisis para comprender la capacidad de aprendizaje y aceptación del estudiante y, posteriormente, formular planes de enseñanza adecuados. Al mismo tiempo, pueden prestar atención a los sentimientos internos de los estudiantes, lo cual es beneficioso para su salud psicológica. Especialmente en la educación asíncrona, debido a la separación de tiempo y espacio, no existe un incentivo emocional entre docentes y estudiantes para la comunicación bidireccional. Sin el ambiente que proporciona el aprendizaje tradicional en el aula, los estudiantes se aburren fácilmente, lo que puede afectar los resultados del aprendizaje. La aplicación de la computación afectiva en el sistema de educación a distancia puede mejorar esta situación. [ 52 ] La IA emocional puede proporcionar a los estudiantes apoyo de aprendizaje basado en IA, lo que beneficia los resultados cognitivos y emocionales de los estudiantes. [ 12 ]

Transporte

Las aplicaciones de la computación sensorial pueden contribuir a mejorar la seguridad vial. Por ejemplo, un automóvil puede monitorear las emociones de todos los ocupantes y aplicar medidas de seguridad adicionales, como alertar a otros vehículos si detecta que el conductor está enojado. [ 53 ] Además, los sistemas de computación afectiva pueden permitir diversas intervenciones, como sistemas de asistencia al conductor ajustados según el nivel de estrés del conductor [ 54 ] , así como intervenciones mínimas y directas para modificar su estado emocional. [ 55 ]

Cuidado de la salud

Los robots sociales , así como un número creciente de robots utilizados en la atención médica, se benefician de la conciencia emocional porque pueden evaluar mejor los estados emocionales de los usuarios y pacientes, modificando sus acciones/programación de manera apropiada. Esto es especialmente importante en países con poblaciones cada vez más envejecidas y escasez de trabajadores jóvenes para atender sus necesidades. [ 56 ]

La computación afectiva también se está aplicando al desarrollo de tecnologías comunicativas para su uso por personas con autismo. [ 57 ] El componente afectivo de un texto también está ganando cada vez más atención, en particular su papel en la llamada Internet emocional o emotiva . [ 58 ]

Juegos de vídeo

Los videojuegos afectivos pueden acceder a los estados emocionales de sus jugadores mediante dispositivos de biorretroalimentación . [ 59 ] Una forma particularmente simple de biorretroalimentación es un mando que mide la presión con la que se presiona un botón: se ha demostrado que esto se correlaciona fuertemente con el nivel de excitación de los jugadores . [ 60 ] En el otro extremo de la escala se encuentran las interfaces cerebro-computadora . [ 61 ] [ 62 ] Los juegos afectivos se han utilizado en la investigación médica para apoyar el desarrollo emocional de niños autistas . [ 63 ]

entrenamiento psicomotor

Los métodos de entrenamiento de operaciones psicomotoras , como la dirección y las maniobras, se utilizan en diversos campos como la aviación, el transporte y la medicina. Se ha comprobado que la integración de capacidades de computación afectiva en este tipo de sistemas de entrenamiento, de acuerdo con el enfoque de automatización adaptativa, es eficaz para mejorar la calidad del entrenamiento y acortar su duración. [ 64 ]

Otras aplicaciones

La computación afectiva tiene aplicaciones potenciales en la interacción humano-computadora , como espejos afectivos que permiten al usuario ver su desempeño, agentes de monitoreo de emociones que envían una advertencia antes de que alguien envíe un correo electrónico enojado, o incluso reproductores de música que pueden seleccionar pistas según el estado de ánimo. [ 65 ]

Una idea planteada por el investigador rumano Dr. Nicu Sebe en una entrevista es el análisis del rostro de una persona mientras usa un producto determinado (mencionó el helado como ejemplo). [ 66 ] Las empresas podrían entonces utilizar dicho análisis para inferir si su producto será bien recibido o no por el mercado correspondiente.

También se podría utilizar el reconocimiento de estados afectivos para evaluar el impacto de un anuncio televisivo mediante la grabación en tiempo real de la persona y el posterior análisis de su expresión facial. Al promediar los resultados obtenidos en un grupo numeroso de sujetos, se puede determinar si el anuncio (o la película) tiene el efecto deseado y cuáles son los elementos que más interesan al espectador.

Enfoques cognitivistas frente a enfoques interaccionales

Dentro del campo de la interacción persona-computadora , el concepto cognitivista o "modelo de información" de emoción de Rosalind Picard ha sido criticado y contrastado con el enfoque pragmático "poscognitivista" o "interaccional" adoptado por Kirsten Boehner y otros, que considera la emoción como inherentemente social. [ 67 ]

El enfoque de Picard se centra en la interacción humano-computadora, y su objetivo para la computación afectiva es "dar a las computadoras la capacidad de reconocer, expresar y, en algunos casos, 'tener' emociones". [ 4 ] En contraste, el enfoque interaccional busca ayudar a "las personas a comprender y experimentar sus propias emociones" [ 68 ] y mejorar la comunicación interpersonal mediada por computadora. No busca necesariamente mapear la emoción en un modelo matemático objetivo para la interpretación de la máquina, sino más bien permitir que los humanos den sentido a las expresiones emocionales de los demás de maneras abiertas que pueden ser ambiguas, subjetivas y sensibles al contexto. [ 68 ] : 284

Los críticos de Picard describen su concepto de emoción como «objetivo, interno, privado y mecanicista». Afirman que reduce la emoción a una señal psicológica discreta que ocurre dentro del cuerpo, que puede medirse y que constituye un insumo para la cognición, lo que subestima la complejidad de la experiencia emocional. [ 68 ] : 280 [ 68 ] : 278

El enfoque interaccional afirma que, si bien la emoción tiene aspectos biofísicos, está «fundamentada culturalmente, se experimenta dinámicamente y, en cierta medida, se construye en la acción y la interacción». [ 68 ] : 276 Dicho de otro modo, considera «la emoción como un producto social y cultural experimentado a través de nuestras interacciones». [ 69 ] [ 68 ] [ 70 ]

Riesgos potenciales

Respuesta de ChatGPT a una pregunta
Algunos modelos de lenguaje natural (LLM), como ChatGPT, pueden imitar el comportamiento y las emociones humanas.

Relaciones entre humanos y computadoras

El uso de herramientas de computación afectiva como ChatGPT ha llevado a que algunas personas desarrollen relaciones parasociales con los LLM. Una mujer entrevistada por The New York Times conversaba con su "novio IA", ChatGPT, hasta cincuenta y seis horas semanales. [ 71 ] [ 72 ] Este tipo de interacciones con herramientas de computación afectiva pueden aumentar los sentimientos de depresión o soledad en personas con problemas de salud mental subyacentes, lo que da lugar a un fenómeno a menudo denominado " psicosis por chatbot ". [ 73 ] Matthew Raine y Megan Garcia, quienes perdieron a sus hijos en incidentes relacionados con la IA, han demandado a OpenAI por fomentar este tipo de relaciones con ChatGPT. [ 74 ]

Ética

Aunque los sistemas de computación afectiva tienen muchos usos potenciales, algunos de ellos plantean preocupaciones éticas en la comunidad científica. El uso de estos sistemas podría analizar las expresiones faciales de las personas en público sin su consentimiento explícito. También existe el riesgo de que se utilicen para manipular las emociones del público. Además, los sistemas que ayudan a otros pueden presentar pequeños riesgos de compensación (como despertar sentimientos que no están conectados con el mundo real). [ 75 ] A los investigadores también les preocupan los posibles efectos psicológicos de la computación afectiva utilizada en un contexto sexual (por ejemplo, muñecas sexuales robóticas), aunque aún no existe evidencia que demuestre estas afirmaciones. [ 76 ] Los usuarios de sistemas de computación afectiva confían más en ellos cuando existe un contrato ético entre el sistema y el usuario. [ 77 ]

Véase también

Referencias

Citas

  1. ↑ Tao, Jianhua; Tieniu Tan (2005). "Computación afectiva: una revisión". Computación afectiva e interacción inteligente . Vol. LNCS 3784. Springer. pp. 981–995 . doi : 10.1007/11573548 .  
  2. ↑ James, William (1884). "¿Qué es la emoción?" . Mind . 9 (34): 188– 205. doi : 10.1093/mind/os-IX.34.188 . Archivado del original el 21 de enero de 2022. Recuperado el 31 de agosto de 2020 .Citado por Tao y Tan.
  3. ↑ "Computación afectiva" Archivado el 11 de febrero de 2025 en Wayback Machine Informe técnico del MIT n.° 321 ( Resumen archivado el 24 de julio de 2019 en Wayback Machine ), 1995
  4. 1 2 Picard, Rosalind (1997). Computación afectiva . Cambridge, MA: MIT Press. pág. 1. 
  5. ↑ Kleine-Cosack, Christian (octubre de 2006). "Reconocimiento y simulación de emociones" (PDF) . Archivado del original (PDF) el 28 de mayo de 2008. Recuperado el 13 de mayo de 2008. La introducción de la emoción a la informática fue realizada por Pickard (sic), quien creó el campo de la computación afectiva.
  6. ↑ Diamond, David (diciembre de 2003). "La máquina del amor: Construyendo computadoras que se preocupan" . Wired . Archivado del original el 18 de mayo de 2008. Recuperado el 13 de mayo de 2008. Rosalind Picard, una afable profesora del MIT, es la madrina de este campo; su libro de 1997, Computación afectiva , desencadenó una explosión de interés en el lado emocional de las computadoras y sus usuarios.
  7. ↑ Hampton, WH, & Hildebrand, C. (2025). "Recompensas hápticas: cómo las vibraciones móviles influyen en la respuesta a la recompensa y la elección del consumidor". *Journal of Consumer Research*. https://doi.org/10.1093/jcr/ucaf025
  8. ↑ Garay, Nestor; Idoia Cearreta; Juan Miguel López; Inmaculada Fajardo (abril de 2006). "Tecnología de asistencia y mediación afectiva" (PDF) . Human Technology . 2 (1): 55–83 . doi : 10.17011/ht/urn.2006159 . Archivado (PDF) del original el 28 de mayo de 2008. Recuperado el 12 de mayo de 2008 .
  9. ↑ Heise, David (2004). "Asesores enculturados con comportamiento de rol expresivo". En Sabine Payr; Trappl, Robert (eds.). Cultura de agentes: Interacción humano-agente en un mundo multicultural . Lawrence Erlbaum Associates. pp. 127–142 . 
  10. ↑ Restak, Richard (17 de diciembre de 2006). "La mente sobre la materia" . The Washington Post . Archivado del original el 17 de noviembre de 2019. Recuperado el 13 de mayo de 2008 .
  11. ↑ Loveys, Kate; Sagar, Mark; Broadbent, Elizabeth (22 de julio de 2020). "El efecto de la expresión emocional multimodal en las respuestas a un humano digital durante una conversación de autorrevelación: un análisis computacional del lenguaje del usuario". Journal of Medical Systems . 44 (9): 143. doi : 10.1007/s10916-020-01624-4 . ISSN 0148-5598 . PMID 32700060. S2CID 220717084 .   
  12. 1 2 3 Zhang, Heng; Liu, Yuhan; Jiang, Meilin; Chen, Juanjuan; Wang, Minhong; Paas, Fred (15 de noviembre de 2025). "Inteligencia artificial emocional en la educación: una revisión sistemática y metaanálisis" . Educational Psychology Review . 37 (4): 106. doi : 10.1007/s10648-025-10086-4 . ISSN 1573-336X . 
  13. ↑ Por (8 de marzo de 2019). "Emotion AI, explained | MIT Sloan" . mitsloan.mit.edu . Consultado el 3 de mayo de 2026 .
  14. ↑ Ho, Manh-Tung (29 de marzo de 2023). " Un marco analítico para estudiar la actitud hacia la IA emocional: el enfoque de tres puntas" . MethodsX . 10 (102149) 102149. doi : 10.1016/j.mex.2023.102149 . PMC 10113835. PMID 37091958 .  
  15. ↑ Fatahi, Somayeh; Vassileva, Julita; Roy, Chanchal K. (2024). "Comparación de emociones en respuestas de ChatGPT y respuestas humanas a preguntas de codificación en Stack Overflow" . Frontiers in Artificial Intelligence . 7 1393903. doi : 10.3389/frai.2024.1393903 . ISSN 2624-8212 . PMC 11439875. PMID 39351510 .   
  16. ↑ Aleix y Shichuan Du, Martínez (2012). «Un modelo de percepción de las expresiones faciales de emoción en humanos: panorama general y perspectivas de la investigación» (PDF) . The Journal of Machine Learning Research . 13 (1): 1589–1608 . Archivado (PDF) del original el 10 de abril de 2021. Recuperado el 13 de febrero de 2021 .
  17. ^ Breazeal, Cynthia; Aryananda, Lijin (2002). "Reconocimiento de la intención comunicativa afectiva en el habla dirigida por robots" (PDF) . Robots Autónomos . 12 (1). Springer: 83– 104. doi : 10.1023/a:1013215010749 . ISSN 0929-5593 . S2CID 459892 . Archivado (PDF) desde el original el 27 de febrero de 2021 . Consultado el 9 de octubre de 2019 .  
  18. 1 2 3 Dellaert, F., Polizin, T., y Waibel, A., "Reconociendo la emoción en el habla", En Actas del ICSLP 1996, Filadelfia, PA, págs. 1970–1973, 1996
  19. ↑ Roy, D.; Pentland, A. (1 de octubre de 1996). «Clasificación y análisis automáticos del afecto hablado». Actas de la Segunda Conferencia Internacional sobre Reconocimiento Automático de Rostros y Gestos . págs. 363–367 . doi : 10.1109/AFGR.1996.557292 . ISBN  978-0-8186-7713-7. S2CID 23157273 . 
  20. ↑ Lee, CM; Narayanan, S.; Pieraccini, R., Reconocimiento de emociones negativas en las señales del habla humana, Taller sobre reconocimiento y comprensión automática del habla, diciembre de 2001
  21. ↑ Neiberg, D; Elenius, K; Laskowski, K (2006). "Reconocimiento de emociones en el habla espontánea mediante GMM" (PDF) . Actas de Interspeech . doi : 10.21437/Interspeech.2006-277 . S2CID 5790745. Archivado del original (PDF) el 16 de julio de 2020. Consultado el 29 de abril de 2017 . 
  22. ↑ Yacoub, Sherif; Simske, Steve; Lin, Xiaofan; Burns, John (2003). "Reconocimiento de emociones en sistemas interactivos de respuesta de voz". Actas de Eurospeech : 729–732 . CiteSeerX 10.1.1.420.8158 . doi : 10.21437/Eurospeech.2003-307 . S2CID 11671944 .  
  23. 1 2 Hudlicka 2003 , pág. 24 
  24. ↑ Hudlicka 2003 , pág. 25 
  25. ↑ Charles Osgood; William May; Murray Miron (1975). Universales transculturales del significado afectivo . Univ. of Illinois Press. ISBN 978-94-007-5069-2.
  26. ^ Scherer , Bänziger y Roesch 2010 , pág. 241 
  27. ↑ "Modelo de mezcla gaussiana". Archivado el 22 de abril de 2007 en Wayback Machine . Connexions – Compartiendo conocimiento y construyendo comunidades. Consultado el 10 de marzo de 2011.
  28. ↑ SE Khoruzhnikov; et al. (2014). "Reconocimiento y predicción de emociones en el habla extendida" . Revista Científica y Técnica de Tecnologías de la Información, Mecánica y Óptica . 14 (6): 137. Archivado del original el 9 de diciembre de 2019. Recuperado el 26 de junio de 2015 . 
  29. 1 2 Ekman, P. y Friesen, W. V (1969). El repertorio del comportamiento no verbal: categorías, orígenes, uso y codificación. Archivado el 19 de enero de 2022 en Wayback Machine . Semiotica, 1, 49–98.
  30. 1 2 Steidl, Stefan (5 de marzo de 2011). "FAU Aibo Emotion Corpus" . Pattern Recognition Lab. Archivado del original el 10 de octubre de 2019. Recuperado el 4 de septiembre de 2011 .
  31. ^ Scherer , Bänziger y Roesch 2010 , pág. 243 
  32. ↑ Singh, Premjeet; Saha, Goutam; Sahidullah, Md (2021). "Deformación de frecuencia no lineal mediante transformación Q constante para el reconocimiento de emociones en el habla". Conferencia Internacional de Comunicación e Informática Informática (ICCCI) de 2021. pp. 1–4 . arXiv : 2102.04029 . doi : 10.1109/ICCCI50826.2021.9402569 . ISBN  978-1-7281-5875-4. S2CID 231846518 . 
  33. ↑ Caridakis, G.; Malatesta, L.; Kessous, L.; Amir, N.; Raouzaiou, A.; Karpouzis, K. (2–4 de noviembre de 2006). Modelado de estados afectivos naturalistas mediante el reconocimiento de expresiones faciales y vocales . Conferencia Internacional sobre Interfaces Multimodales (ICMI'06). Banff, Alberta, Canadá. Archivado del original el 3 de diciembre de 2020. Recuperado el 12 de enero de 2010 .
  34. ↑ Balomenos, T.; Raouzaiou, A.; Ioannou, S.; Drosopoulos, A.; Karpouzis, K.; Kollias, S. (2004). "Análisis de emociones en sistemas de interacción hombre-máquina" . En Bengio, Samy; Bourlard, Herve (eds.). Aprendizaje automático para la interacción multimodal . Lecture Notes in Computer Science . Vol. 3361. Springer-Verlag . pp. 318–328 . Archivado del original el 3 de marzo de 2016. Recuperado el 12 de enero de 2010 .  
  35. ↑ Ekman, Paul (1972). Cole, J. (ed.). Universales y diferencias culturales en la expresión facial de las emociones . Simposio de Nebraska sobre motivación. Lincoln, Nebraska: University of Nebraska Press. págs. 207–283 . 
  36. ↑ Ekman, Paul (1999). «Emociones básicas». En Dalgleish, T; Power, M (eds.). Manual de cognición y emoción (PDF) . Sussex, Reino Unido: John Wiley & Sons. Archivado del original (PDF) el 28 de diciembre de 2010..
  37. ↑ "Sistema de Codificación de Acciones Faciales (FACS) y el Manual FACS" Archivado el 19 de octubre de 2013 en Wayback Machine . Un rostro humano. Recuperado el 21 de marzo de 2011.
  38. ↑ "Métodos del dominio espacial" . Archivado del original el 5 de febrero de 2020. Recuperado el 4 de septiembre de 2011 .
  39. ↑ Algoritmos inteligentes. "Algoritmo de optimización de búsqueda bacteriana – Algoritmos de enjambre – Algoritmos inteligentes". Archivado el 12 de junio de 2019 en Wayback Machine . Algoritmos inteligentes. Consultado el 21 de marzo de 2011.
  40. ↑ "Soft Computing" Archivado el 6 de marzo de 2021 en Wayback Machine . Soft Computing. Consultado el 18 de marzo de 2011.
  41. ↑ Williams, Mark. «Mejor software de reconocimiento facial: Revisión de tecnología». Archivado el 8 de junio de 2011 en Wayback Machine . Revisión de tecnología: La autoridad en el futuro de la tecnología. Consultado el 21 de marzo de 2011.
  42. ↑ JK Aggarwal, Q. Cai, Análisis del movimiento humano: una revisión, Visión por computadora y comprensión de imágenes, vol. 73, n.° 3, 1999
  43. 1 2 Pavlovic, Vladimir I.; Sharma, Rajeev; Huang, Thomas S. (1997). "Interpretación visual de gestos de la mano para la interacción humano-computadora: una revisión" ( PDF) . IEEE Transactions on Pattern Analysis and Machine Intelligence . 19 (7): 677– 695. Bibcode : 1997ITPAM..19..677P . doi : 10.1109/34.598226 . S2CID 7185733. Archivado (PDF) del original el 27 de noviembre de 2020. Recuperado el 4 de septiembre de 2011 . 
  44. ↑ Zucco, Chiara; Calabrese, Barbara; Cannataro, Mario (noviembre de 2017). «Análisis de sentimientos y computación afectiva para el monitoreo de la depresión». 2017 IEEE International Conference on Bioinformatics and Biomedicine (BIBM) . pp. 1988–1995 . doi : 10.1109/BIBM.2017.8217966 . ISBN  978-1-5090-3050-7.
  45. 1 2 Picard, Rosalind (1998). Computación afectiva. MIT.
  46. ↑ Larsen JT, Norris CJ, Cacioppo JT, " Efectos del afecto positivo y negativo sobre la actividad electromiográfica en el músculo cigomático mayor y el músculo corrugador superciliar ", (septiembre de 2003)
  47. ↑ Bulagang, Aaron Frederick; Weng, Ng Giap; Mountstephens, James; Teo, Jason (1 de enero de 2020). "Una revisión de enfoques recientes para la clasificación de emociones utilizando señales de electrocardiografía y electrodermografía" . Informatics in Medicine Unlocked . 20 100363. doi : 10.1016/j.imu.2020.100363 . ISSN 2352-9148 . 
  48. 1 2 Benitez-Quiroz, Carlos F.; Srinivasan, Ramprakash; Martinez, Aleix M. (19 de marzo de 2018). " El color facial es un mecanismo eficiente para transmitir emociones visualmente" . Actas de la Academia Nacional de Ciencias . 115 (14): 3581– 3586. Bibcode : 2018PNAS..115.3581B . doi : 10.1073/pnas.1716084115 . PMC 5889636. PMID 29555780 .  
  49. ↑ Bratkova, Margarita; Boulos, Solomon; Shirley, Peter (2009). "oRGB: Un espacio de color oponente práctico para gráficos por computadora". IEEE Computer Graphics and Applications . 29 (1): 42– 55. Bibcode : 2009ICGA...29a..42B . doi : 10.1109/ mcg.2009.13 . PMID 19363957. S2CID 16690341 .  
  50. ↑ Hadas Shahar, Hagit Hel-Or , Clasificación de microexpresiones mediante color facial y métodos de aprendizaje profundo , Conferencia Internacional IEEE sobre Visión por Computadora (ICCV), 2019, págs. 0–0.
  51. ↑ Ritendra Datta, Dhiraj Joshi, Jia Li y James Z. Wang, Estudio de la estética en imágenes fotográficas mediante un enfoque computacional , Lecture Notes in Computer Science, vol. 3953, Actas de la Conferencia Europea sobre Visión por Computadora, Parte III, pp. 288–301, Graz, Austria, mayo de 2006.
  52. ↑ Wu, Chih-Hung; Huang, Yueh-Min; Hwang, Jan-Pan (noviembre de 2016). "Revisión de la computación afectiva en la educación/aprendizaje: tendencias y desafíos" . British Journal of Educational Technology . 47 (6): 1304– 1323. doi : 10.1111/bjet.12324 . Archivado del original el 10 de noviembre de 2019. Recuperado el 10 de noviembre de 2019 .
  53. ↑ "El reconocimiento facial en el automóvil detecta a conductores enojados para prevenir la ira al volante" . Gizmodo . 30 de agosto de 2018. Archivado del original el 31 de agosto de 2018. Consultado el 31 de agosto de 2018 .
  54. ↑ Collet, Christian; Musicant, Oren (24 de abril de 2019). "Asociación de la automatización de vehículos con sistemas de evaluación del estado funcional de los conductores: un desafío para la seguridad vial en el futuro" . Frontiers in Human Neuroscience . 13 131. doi : 10.3389/fnhum.2019.00131 . ISSN 1662-5161 . PMC 6503868. PMID 31114489 .   
  55. ↑ Balters, Stephanie; Bernstein, Madeline; Paredes, Pablo E. (2 de mayo de 2019). «Análisis del estrés en carretera para intervenciones en el vehículo durante el trayecto diario» . Resúmenes ampliados de la Conferencia CHI 2019 sobre factores humanos en sistemas informáticos . ACM. págs. 1–6 . doi : 10.1145/3290607.3312824 . ISBN  978-1-4503-5971-9. S2CID 144207824 . Archivado del original el 25 de diciembre de 2023 . Recuperado el 25 de diciembre de 2023 . 
  56. ↑ Yonck, Richard (2017). El corazón de la máquina: Nuestro futuro en un mundo de inteligencia emocional artificial . Nueva York: Arcade Publishing. pp. 150–153 . ISBN  978-1-62872-733-3OCLC 956349457​​ 
  57. ↑ "Proyectos en Computación Afectiva" . MIT Media Lab . Archivado del original el 10 de junio de 2011. Recuperado el 15 de agosto de 2006 .
  58. ↑ Shanahan, James; Qu, Yan; Wiebe, Janyce (2006). Computing Attitude and Affect in Text: Theory and Applications . Dordrecht: Springer Science & Business Media. p. 94. ISBN  1-4020-4026-1.
  59. ↑ Gilleade, Kiel Mark; Dix, Alan; Allanson, Jen (2005). Videojuegos afectivos y modos de juego afectivo: Assist Me, Challenge Me, Emote Me (PDF) . Actas de la Conferencia DiGRA . Archivado del original (PDF) el 6 de abril de 2015. Consultado el 10 de diciembre de 2016 .
  60. ↑ Sykes, Jonathan; Brown, Simon (2003). Affective gaming: Measuring emotion through the gamepad . CHI '03 Extended Abstracts on Human Factors in Computing Systems. CiteSeerX 10.1.1.92.2123 . doi : 10.1145/765891.765957 . ISBN  1-58113-637-4.
  61. ↑ Nijholt, Anton; Plass-Oude Bos, Danny; Reuderink, Boris (2009). "Convirtiendo las deficiencias en desafíos: Interfaces cerebro-computadora para juegos" (PDF) . Entertainment Computing . 1 (2): 85– 94. Bibcode : 2009itie.conf..153N . doi : 10.1016/j.entcom.2009.09.007 . Archivado (PDF) del original el 9 de julio de 2009. Recuperado el 24 de septiembre de 2019 .
  62. ↑ Reuderink, Boris; Nijholt, Anton; Poel, Mannes (2009). Pacman afectivo: un juego frustrante para experimentos de interfaz cerebro-computadora . Tecnologías inteligentes para el entretenimiento interactivo (INTETAIN). págs. 221–227 . doi : 10.1007/978-3-642-02315-6_23 . ISBN  978-3-642-02314-9.
  63. ↑ Khandaker, M (2009). "Diseño de videojuegos afectivos para apoyar el desarrollo socioemocional de adolescentes con trastornos del espectro autista". Estudios en tecnología e informática de la salud . 144 : 37–9 . PMID 19592726 . 
  64. ↑ Sahar, Yotam; Wagner, Michael; Barel, Ariel; Shoval, Shraga (1 de noviembre de 2022). "Entrenamiento adaptativo al estrés: un entrenamiento psicomotor adaptativo según el estrés medido por la fuerza de agarre" . Sensors . 22 ( 21): 8368. Bibcode : 2022Senso..22.8368S . doi : 10.3390/s22218368 . ISSN 1424-8220 . PMC 9654132. PMID 36366066 .   
  65. ↑ Janssen, Joris H.; van den Broek, Egon L. (julio de 2012). "Sintoniza con tus emociones: un reproductor de música afectiva robusto y personalizado" . User Modeling and User-Adapted Interaction . 22 (3): 255– 279. doi : 10.1007/s11257-011-9107-7 . hdl : 2066/103051 .
  66. ↑ «Mona Lisa: ¿Sonriendo? Científicos informáticos desarrollan un software que evalúa las expresiones faciales» . ScienceDaily . 1 de agosto de 2006. Archivado del original el 19 de octubre de 2007.
  67. ↑ Battarbee, Katja; Koskinen, Ilpo (2005). "Coexperiencia: la experiencia del usuario como interacción" (PDF) . CoDesign . 1 (1): 5– 18. CiteSeerX 10.1.1.294.9178 . doi : 10.1080/15710880412331289917 . S2CID 15296236. Archivado del original (PDF) el 14 de diciembre de 2017. Recuperado el 2 de febrero de 2016 .  
  68. 1 2 3 4 5 6 Boehner, Kirsten; DePaula, Rogerio; Dourish, Paul ; Sengers, Phoebe (2007). "Cómo se crea y se mide la emoción". Revista Internacional de Estudios Humanos-Computadora . 65 (4): 275– 291. doi : 10.1016/j.ijhcs.2006.11.016 . S2CID 15551492 . 
  69. ↑ Boehner, Kirsten; DePaula, Rogerio; Dourish, Paul ; Sengers, Phoebe (2005). «Afecto: De la información a la interacción». CC '05: Actas de la cuarta conferencia decenal sobre computación crítica: entre el sentido y la sensibilidad . pp. 59–68 . doi : 10.1145/1094562.1094570 . ISBN  978-1-59593-203-7.
  70. ↑ Höök, Kristina; Staahl, Anna; Sundstrom, Petra; Laaksolahti, Jarmo (2008). "Empoderamiento interaccional". CHI '08: Actas de la Conferencia SIGCHI sobre factores humanos en sistemas informáticos . págs. 647– 656. doi : 10.1145/1357054.1357157 . ISBN  978-1-60558-011-1.
  71. ↑ Hill, Kashmir (15 de enero de 2025). "Ella está enamorada de ChatGPT" . The New York Times . ISSN 0362-4331 . Archivado del original el 10 de febrero de 2026. Consultado el 8 de febrero de 2026 . 
  72. ↑ Hill, Kashmir (22 de diciembre de 2025). "Se enamoró de ChatGPT. Luego desapareció" . The New York Times . ISSN 0362-4331 . Consultado el 8 de febrero de 2026 . 
  73. ↑ Gavin, Kara (14 de noviembre de 2025). "IA y psicosis: qué saber, qué hacer" . Michigan Medicine . Archivado del original el 21 de febrero de 2026. Recuperado el 8 de febrero de 2026 .
  74. ↑ Chatterjee, Rhitu (19 de septiembre de 2025). "Sus hijos adolescentes se suicidaron. Ahora, están dando la voz de alarma sobre los chatbots de IA" . NPR . Archivado del original el 10 de febrero de 2026. Recuperado el 8 de febrero de 2026 .
  75. ↑ Devillers, Laurence; Cowie, Roddy (octubre de 2023). "Consideraciones éticas sobre la computación afectiva: una visión general". Actas del IEEE . 111 (10): 1445– 1458. doi : 10.1109/JPROC.2023.3315217 . ISSN 1558-2256 . 
  76. ↑ Sullins, John (diciembre de 2012). "Robots, amor y sexo: la ética de construir una máquina del amor" (PDF) . IEEE Transactions on Affective Computing . 3 (4): 398– 409. Bibcode : 2012ITAfC...3..398S . doi : 10.1109/T-AFFC.2012.31 .
  77. ↑ Reynolds, Carson; Picard, Rosalind (24 de abril de 2004). «Sensores afectivos, privacidad y contratos éticos» . Resúmenes extendidos de CHI '04 sobre factores humanos en sistemas informáticos . CHI EA '04. Nueva York, NY, EE. UU.: Association for Computing Machinery. págs. 1103–1106 . doi : 10.1145/985921.985999 . ISBN  978-1-58113-703-3.

Obras citadas

  • Hudlicka, Eva (2003). "Sentir o no sentir: El papel del afecto en la interacción humano-computadora". International Journal of Human–Computer Studies . 59 ( 1– 2): 1– 32. CiteSeerX 10.1.1.180.6429 . doi : 10.1016/s1071-5819(03)00047-8 . 
  • Scherer, Klaus R; Bänziger, Tanja; Roesch, Etienne B (2010). Un plan maestro para la computación afectiva: un libro de referencia y un manual . Oxford: Oxford University Press. ISBN 978-0-19-956670-9.
Lecturas relacionadas
6 articulos
Afecto (psicología)Afecto (psicología)El afecto , en psicología , es la experiencia subyacente de sentimiento , emoción , apego o estado de ánimo . [1] Abarca una amplia gama de estados...Ciencias de la ComputaciónCiencias de la ComputaciónÁreas fundamentales de la informática La informática es el estudio de la computación , la información y la automatización . [1] [2] [3] La informát...PsicologíaPsicologíaLa psicología es el estudio científico de la mente y el comportamiento . [1] [2] Su objeto de estudio incluye el comportamiento de los seres humano...Ciencia cognitivaCiencia cognitivaFigura que ilustra los campos que contribuyeron al nacimiento de la ciencia cognitiva, incluida la lingüística , la neurociencia , la inteligencia ...EmociónEmociónLas emociones son estados físicos y mentales provocados por cambios neurofisiológicos , asociados de diversas formas con pensamientos , sentimiento...Rosalind PicardRosalind PicardRosalind Wright Picard (nacida el 17 de mayo de 1962) [1] es una académica e inventora estadounidense que es profesora de Artes y Ciencias de los M...