情感计算中的不确定性：关于数据收集实践中意义与情境的考量

自动情感预测（AAP）通过对输入数据（如文本、语音、图像和生理信号）进行计算分析，以预测各种情感现象（如情绪或情绪状态）。这些模型通常使用监督机器学习算法构建，这些算法高度依赖标记的训练数据集。本论文提出，所有AAP训练数据都源自人类的情感解释过程， resulting in a form of Affective Meaning（情感含义）。人类情感研究指出，这种含义具有一种基本的复杂性：它可以具备我们在此所广泛称之为情感不确定性特征（Qualities of Indeterminacy, QIs）的特征——包括主观性（含义取决于解释者是谁）、不确定性（对含义正确性的信心不足）、模糊性（含义包含互斥概念）以及含糊性（含义位于嵌套层次结构中的不同水平）。未能充分考虑QIs会导致无法进行有意义且可靠预测的结果。基于此，我们认为，充分处理AAP中的不确定性的一个关键步骤是，发展用于建模语料库的数据收集实践，该实践系统性地考虑1）一组相关的QIs以及2）与相关解释过程相关的情境。为此，我们1）概述了AIPs及其产生的含义相关QIs的概念模型，以及相关情境的概念结构，以支持对其作用的理解。最后，我们使用我们的框架2）讨论了与情境敏感性相关挑战的例子，这些挑战在数据收集 setup 中处理QIs。我们相信我们的努力可以刺激就AAP研究中不确定性和情境方面进行结构化讨论，为数据收集和分析的开发提供更好的实践。