无传感器自动情感检测：系统性文献综述
人机交互
2023-10-24 v1 机器学习
摘要
情感及其他 affective states 在认知乃至学习过程中起着关键作用。已有充分证据表明，能够检测并适应学生情感状态的基于计算机的学习环境(CBLEs)可提升学习成效。然而，实际约束常对 CBLEs 中基于传感器的情感检测部署构成挑战，尤其对于大规模或长期应用。因此，仅依赖学生与 CBLEs 交互日志的无传感器情感检测(sensor-free affect detection)成为一种引人注目的替代方案。本文提供关于无传感器情感检测的全面文献综述。它深入探讨了最常被识别的情感状态、用于传感器开发的方法与技术、CBLEs 与数据样本的定义属性，以及关键研究趋势。尽管该领域已明显成熟——模型性能稳定且应用了先进机器学习技术，但未来研究仍有充足空间。进一步探索的潜在方向包括：提升无传感器检测模型性能、收集更多代表性不足情感的样本、识别额外情感。同时需改进模型开发实践与方法，可包括比较不同数据收集技术的准确性、确定时长的最优粒度、建立动作日志与情感标签的共享数据库，以及公开这些模型的源代码。未来研究还应优先将模型集成至 CBLEs 以实现实时检测、基于检测情感提供有意义干预，并深化对情感影响学习的理解。
引用
@article{arxiv.2310.13711,
title = {Automatic Sensor-free Affect Detection: A Systematic Literature Review},
author = {Felipe de Morais and Diógines Goldoni and Tiago Kautzmann and Rodrigo da Silva and Patricia A. Jaques},
journal= {arXiv preprint arXiv:2310.13711},
year = {2023}
}