Эпоха безэмоционального рационализма подошла к концу для человека давным-давно, но для современных машин сейчас наступает рассвет их эмоционального интеллекта. На протяжении последних десяти лет мы наблюдали стремительное развитие эмоциональных технологий, область которую чаще называют «аффективные вычисления» (Affective Computing). Но там, где есть эмоции, всегда находится много загадок.
Некоторые ошибочные клише встречаются особенно часто. Мы рассмотрим три наиболее популярных мифа о эмоциях в Affective Computing, которые активно распространяются в бизнес среде и медиапространстве.
Вкратце теорию Пола Экмана можно описать так: когда дело касается лицевых экспрессий, люди способны выражать и узнавать определенный набор эмоций, который он называет «базовым». Вне зависимости от того, где мы находимся и с кем разговариваем, мы всегда способны распознать, когда наш собеседник проявляет 5* эмоций: гнев, страх, отвращение, радость, грусть.
*После того, как теория была пересмотрена, удивление исключили из списка базовых эмоций.
Базовые эмоции по Полу Экману (плюс нейтральное состояние) в исполнении Тима Рота, актера, сыгравшего главного героя сериала «Обмани меня».
Джеймс Рассел – один из первых критиков теории Экмана, отрицал идею универсальности эмоций. Он считал, что взаимосвязь лица и эмоций не настолько прямолинейна, как изначально полагал Экман, а эмоции имеют определенное значение в зависимости от контекста. Позже в своей книге «Эмоции и тело» Беатрис де Гелдер писала, что в результате экспериментов с фМРТ не удалось выявить никаких неврологических оснований для подтверждения универсальности тех или иных эмоций.
Не так давно одна из самых видных критиков теории базовых эмоций, знаменитый нейробиолог Лиза Баррет заявила, что эмоции — это не врожденное, а приобретенное через опыт качество. Понимание эмоций проявляется иначе для разных людей и культур. Существует серия исследований, в которой научная группа поехала в Намибию, чтобы изучить, как племя отшельников Химба будет распознавать радостные, печальные, злые, испуганные или нейтральные выражения лиц. С восприятием проявлений позитивных эмоций не возникло, однако Химба часто путали гнев и отвращение. Аналогичные эксперименты в других племенах показали похожие результаты. Это позволило Баррет сделать вывод, что наше объяснение и понимание эмоций заложено в культуре – мы даем похожие названия вещам, которые в реальности означают разные понятия.
Несмотря на то, что в 2011 году Экман изменил своё определение «эмоций», включив туда культурный и индивидуальный аспекты, и даже исключив одну из базовых эмоций, многие компании по-прежнему основывают свою работу в аффективных вычислениях на старой теории. Они все еще включают понятие «базовые эмоции» в свои базы данных, и, как считает Лиза Баррет, именно этот подход станет их Ахиллесовой пятой. Однако, добавляет одна, если учитывать внешний и внутренний контекст, то у данной технологии есть огромный потенциал, чтобы совершить революцию в сфере науки об эмоциях.
Лабораториям и компаниям, которые работают с эмоциональной аналитикой, не следует понимать эмоции как нечто универсальное. Во-первых, аффективные датасеты должны быть специфичными, ведь они используются для обучения алгоритма, а значит должны включать в себя информацию о культуре, языке, гендерной принадлежности и даже возрасте, чтобы корректно определить эмоцию. Во-вторых, алгоритмы распознавания эмоций должны быть восприимчивы к контексту. Очень важно отметить тот факт, что некоторые лаборатории пытались учитывать контекст (например, здесь), но ни одна «большая» компания, занимающаяся аффективными вычислениями, пока не предпринимала подобных попыток.
Миф 2: Улыбка — показатель счастья
С другой стороны, теория Экмана привела к естественному выводу о том, что выражаемая эмоция может быть связана с чувствами, которые переживает человек.
Например, у улыбки, которую алгоритмы детектируют проще всего, могут быть разные значения: чувство счастья, радости, удовлетворения, поддержки, и т.д. Отсюда рождается вопрос: какая у нее функция?
В недавнем исследовании [1] испытуемых попросили сделать девять сложных упражнений, которые выводились на монитор. Когда участникам удавалось дать правильный ответ на какую-либо из этих непростых задач, они улыбались, хотя перед ними был только экран компьютера. В то же время, теория социальных инструментов (social displays) утверждает, что функция улыбки может варьироваться в зависимости от того находится ли человек один или в определенном общественном окружении.
В аффективных вычислениях, по крайней мере в их коммерческой версии, современные технологии распознавания эмоций способны анализировать эмоции только в отдельности от социального контекста. Таким образом, чтобы действительно понимать значение улыбки, мы должны научить машину различать эмоции в разных ситуация, как социальных, так и нет. Существует разница между тем, как мы улыбаемся, будучи с кем-то и тем, когда улыбка возникает перед монитором. Именно поэтому следует подходить к природе эмоций серьезнее. Анализ выражения лица может быть проведен в совокупности с добавлением акустических параметров, анализом движения тела или физиологических характеристик – подобный подход называют мультимодальностью эмоций.
Миф 3: «Язык» тела?
Итак, мы пришли к выводу, что эмоции не универсальны, понятие «базовых эмоций» дискуссионно, а проявление эмоций напрямую связано с культурным, индивидуальным и контекстуальным аспектами. Так как выражение эмоций не ограничено нашим лицом, но и включает в себя голос, движения тела, межличностную дистанцию и различные физиологические проявления, ситуация усложняется.
Также, как люди зачастую люди пытаются понять обманывают ли их, ориентируясь на лицо собеседника, они наблюдают и за телом. Телодвижения пытались связать практически с чем угодно. Самые известные варианты – человек дотрагивается до своего рта, когда врет, или принимает открытую позу, когда чувствует себя спокойно и в безопасности. Эта теория стала настолько распространенной, что ее эхо попало в сферу управления стрессом, вопросов безопасности и даже кинематограф.
Например, безопасность в аэропортах всегда был в приоритете. Первые автоматические системы распознавания паттернов поведения (behavior detection systems) установили в аэропортах США в конце 20 века. С тех пор они распространились по всему миру. Обычно подсчет вероятности того, опасен ли потенциально пассажир, основывается на учете ключевых характеристик, которые ассоциируются с высоким риском. До сегодняшнего дня многие ученые утверждают, что определенных психологических особенностей личности, которые могут быть свойственны террористам, найдено не было. [2] Точно также корреляция между тем, как человек двигается и врет ли он в этот момент не так прямолинейна, как утверждает народная психология.
Существование народной версии «языка» тела, раскрывающего истинные чувства человека – вопрос более чем спорный. Конечно, можно провести связь между невербальными сигналами и эмоциональным поведением. На сегодняшний день существует целая технология трекинга телодвижений, body-tracking. В Affective Computing трекинг используется для сбора статистических данных о связи между движениями и определенными эмоциями.
В заключение
Аффективные вычисления удивительная, но сложная сфера, как для науки, так и для бизнеса. Она поистине находится на рубеже высоких технологий. Однако во многих случаях подход к использованию технологий распознавания эмоций в коммерции по-прежнему старомоден. Кого-то привлекает авторитет имени основателя знаменитого подхода, кого-то ограниченность целей, которых можно достичь.
Конечно, все хотели бы обладать способностью «читать» эмоции, как главный герой сериала «Обмани меня». Однако не следует забывать, что эмоции намного сложнее и загадочнее, и не стоит увлекаться френологией и хиромантией.
Мы рассказали о трех наиболее распространенных мифах об эмоциях в Affective Computing. Важно искоренить подобные заблуждения, чтобы эти технологии могли работать на благо человечества с точностью и беспристрастностью.
Автор: Ольга Перепелкина, главный научный сотрудник Neurodata Lab.
Ссылки:
[1] Harry J. Witchel et al. A trigger-substrate model for smiling during an automated formative quiz, Proceedings of the 36th European Conference on Cognitive Ergonomics — ECCE’18 (2018). DOI: 10.1145/3232078.3232084
[2] Airline Passenger Profiling Based on Fuzzy Deep Machine Learning (2016). Zheng, Yu-Jun et al. doi: 10.1109/TNNLS.2016.2609437
Источник
