一、数字化人类情感——和谐人机交互环境中的情感计算(论文文献综述)
马磊,吴慧,郭晓蓓[1](2021)在《情感计算联合边缘计算在商业银行数字化转型中的应用探索》文中研究指明近年来,更多商业银行开始利用金融科技探索数字化转型,力图开启经济第二发展曲线。情感计算技术可以感知、识别客户情感并进行反馈,边缘计算在各边缘侧发起应用,网络服务响应更快,具备实时、智能、安全等能力。目前业界主要将物联网与边缘计算组合研究,情感计算联合物联网边缘计算则还是一个非常新颖待研究的领域,将在商业银行数字化转型中具有更广阔的应用前景。本文从构建生态银行、高级人机交互、个性化服务、精准化营销推广、风控监测、安防监控七个方面探索研究情感计算联合边缘技术如何延伸金融服务边界开启新金融模式,进一步提升商业银行服务效率和质量。
尚忠安[2](2021)在《人工智能时代的博物馆情感交互式文创设计策略研究》文中研究表明
汪婧[3](2020)在《机器人社交中的伦理困境及规范研究》文中进行了进一步梳理随着社交媒体的崛起和迅速发展,社交网络用户群逐渐扩大,一类新的“用户”——社交机器人,开始活跃在在线社交网络中。社交机器人(socialbot)由单词“social”和“bot”合成,字面意义是带社交属性的机器人,实际是在社交网络中自动生产发布内容,并能扮演人类与真人互动的算法程序,是人工智能发展到一定阶段的产物。社交机器人作为社交平台的新用户为网络传播生态注入了活力,但是引发的伦理风险更引人注目,逐渐成为全球性问题。本文以社交机器人参与网络社交引发的伦理失范现象作为研究对象,采用文献研究法和案例分析法,依托国内外关于社交机器人的研究成果,借鉴新闻传播学、计算机科学、社会心理学、哲学等学科观点,对该现象进行了全面的梳理和分析。文章主要分为四部分,第一章论述了机器人社交对网络传播生态的重塑,社交机器人的出现使传播中介成为了传播主体,过去“媒介是人的延伸”的观点演变为“媒介是人”,社交机器人还重构人类用户间的社交关系。第二章讨论了机器人参与社交引发了伦理失范现象,机器人参与社交既引发了情感欺骗、偏见继承的道德问题,还导致了隐私泄露、政治黑幕、假新闻等犯罪行为。第三章从技术、平台、监管角度分析了造成伦理失范现象的成因,社交机器人本身的类人性、非具身性,社交平台本身的漏洞以及监管缺位是造成伦理风险的几大因素。最后就如何规范机器人社交行为,预防伦理风险提出了几点建议,具体包括事前将伦理嵌入算法设计;社交网络平台强化监管;制定针对社交机器人的法律道德准则,探索全球共同治理模式;人类加强伦理意识,提高科技素养。
刘聪[4](2020)在《情感型可教代理游戏的设计与开发》文中指出数字化和智能化的发展为自主学习提供了更多的可能,同时也向人性化教育发出了更大的挑战。学习的形式、对象、过程都在发生着变化,全面发展的战略目标使人类对学习效果的追求不止是对知识、技能等的认知,更是价值观、情感等方面的需求和关怀;另外,情感是一个完整的个体不可或缺的一部分,心理学研究表明情感体验将直接影响学习者的学习效率和质量。因此,无论从教育的影响因素还是从教育的目标来看,对学习者的情感支持都是对教育不容忽视的要求和手段。近年来相关学者对学习者的情感体验的大量研究也说明了这一点。当前的智能学习系统、网络课程、教育游戏、智能机器人等新兴教学手段,旨在提供个性化的学习体验,关注学习者认知结构的完善和知识技能的习得,而忽略了学习者的情感和价值观方面的培养以及学习者在学习过程中的情感需求。这将直接影响学习者的学习体验,面对没有感情的学习机器,学习者的热情和积极性逐步消耗,导致学习效率和学习质量的低下。因此,为学习者的自主学习提供情感支持是亟待解决的问题。智能技术和情感计算的技术为此提供了契机和机会,使智能代理的情感化成为可能。通过为代理添加类人的情感,赋予智能代理类似于人一样的观察、理解和生成各种情感特征的能力,并能根据当前的认知状态和情境变化而做出相应的情感反应,从而与学习者产生情感交流,促进学习者积极的情感体验,提供友好的学习和交互体验,提高学习质量。针对上述问题,本研究期望在有关学习理论和算法技术的指导和依托下,设计并开发出一款能模拟真实类人的情感的可教代理游戏。游戏中的代理不仅能通过与学习者的互动和对话习得相应的知识内容,而且能在学习过程中,根据与学习者的交互、学习进程等产生复杂的情感变化,以与学习者产生情感交流,为学习者提供积极友好的学习和情感体验。基于此,本研究采用文献研究法、设计研究法、问卷调查法等研究方法,依据相关理论指导并利用Unity3D软件作为游戏开发工具,设计和制作出一款兼具可教性和情感性的情感型可教代理游戏。下面从几方面论述研究工作的展开和获得的研究成果。(1)基础理论研究。在情感代理领域以及可教代理游戏领域内,查阅并分析大量相关文献资料的基础上,在本研究范围内定义了情感型代理和情感型可教代理游戏的概念和内涵。梳理相关理论,对情感的认知评估理论、人本主义学习理论以及情感与认知的关系进行详细的理论阐述和总结。(2)代理情感模型的构建研究。分析并梳理以往研究中智能代理的情感模型,在OCC模型的基础上,结合FLAME模型、基于规则的情感推理模型等传统情感模型,借鉴其模型建构思路和原则,从本研究的研究目标出发,为可教代理建构基于目标导向的动态情感推理模型,并对情感类型的推理流程和情感强度的计算算法进行阐述。(3)情感型可教代理游戏模型的建构研究。在对以往关于情感型教学系统以及可教代理模型的研究详细进行分析和梳理的基础上,借鉴其模型构建思路和策略,结合本研究的研究目标的思路,融入代理的情感模型,构建本研究中情感型可教代理游戏的功能结构模型,并详细阐述其中各部分的实现方法及其相关关系。(4)情感型可教代理游戏实例设计与开发研究。在游戏功能模型的基础上,本研究选择初中化学实验室加热高锰酸钾制取氧气的实验操作的知识作为游戏化学习内容,呈现代理主动请求帮助并做出情感反馈的学习情境。为实现游戏整体效果,本研究利用Unity3D软件作为开发平台,借助C#语言开发情感型可教代理游戏实例,并对游戏的应用效果进行实验验证。本研究将代理的情感融入可教代理游戏中,实现了代理的可教性和情感性,代理通过与学习者的对话和交互习得知识并反馈其情感变化,为学习者提供丰富的情感交流和积极友好的学习体验。但由于时间和本人技术能力的限制,研究仍然存在许多不足,未来的研究工作将继续围绕更加丰富和复杂的情感状态和反馈形式以及情感型可教代理游戏与其他学科的融合应用而努力。
贾昕岚[5](2020)在《Web3D中基于表情识别的自然人机交互方法研究》文中指出在过去的几年里,随着图形硬件功能的快速发展和机器“拟人化”的日益普及,人们对于信息界面的显示形式和人机交互的智能化、多样化发展有了更高的期待。三维虚拟化的信息呈现形式以及基于表情识别的人机智能化交流方式成为了本文研究的重点。Web3D(网页三维)技术可以打造充满沉浸感的虚拟三维交互环境,能够更好地发挥计算机自身强大信息传递能力及“具象化”的三维技术显示优势,进而有效地提高人机之间信息的传递效率,丰富人机交互的多元化场景。为了更具体的研究虚拟三维页面中的情感交互策略,本文主要将交互背景应用在同样对交互智能化、信息传递高效化有着迫切需求的在线教育场景中。在整个教学进程中,学生的情感波动与其认知水平的变化趋势有着千丝万缕的联系,若不能及时的了解学习者的情感及认知状态,就无法对其进行准确的、针对性的认知引导和情感干预,更无法达到真正的“个性化”教学目标。本研究提出了一种将Web3D信息虚拟化传递技术与基于表情识别的情感交互策略结合并应用于在线交互式课程的新型教学模式。针对在线教育场景中存在的知识抽象难理解、学生情感多变难感知、信息传递超负荷等难题,利用基于WebGL三维技术构建了一个适用于低龄儿童的网页版立体三维式虚拟答题场景,同时自制了一套环境多变且适用于答题环境下的表情数据集EA并基于此训练得到了一个可以实时识别人脸面部表情的CNN神经网络,准确率达75%。本文通过综合多帧面部表情变化及行为数据判别学生的内心情感状态,重点追踪学习者在答题时的情感状态变化、信息理解程度、认知状态变化等,并通过动态更改题目的难易程度和语音交互等行为进行有效地情感刺激交互,研究面向个性化伴学的智能导学方法,实现学习认知过程的多维度、智能化跟踪与干预,进而促进智慧学习的发生。
徐振国[6](2019)在《智慧学习环境中学习画面的情感识别及其应用》文中认为普通数字学习环境已不能满足“数字土着”的需求,人工智能、大数据、区块链等技术迅猛发展,将深刻改变人才需求和教育形态,作为数字学习环境高端形态的智慧学习环境便应运而生。智慧学习环境注重培养学习者的创新能力、问题求解能力、决策力和批判性思维能力等高阶思维能力,认知活动在培养过程中起着至关重要的协调与控制作用。情感是由外界刺激引起的心理反应,能够影响和调节注意、知觉、表象、记忆、思维和语言等认知活动。学习过程中的积极情感有助于激发学习动机、培养学习兴趣,促进认知过程;而消极情感则会影响耐心度、注意力,阻碍认知过程。现有智慧学习环境研究重“知”轻“情”,注重学习者认知层面的适应性和个性化,即根据学习者的认知能力和知识状态提供合适的学习内容、学习路径和问题解答等,而较少考虑情感、兴趣、动机、意志等非智力因素在学习活动中的作用,忽视智慧学习环境中和谐情感交互的理论和实践研究,以致其缺少情感层面的适应性和个性化,学习者在智慧学习过程中缺少情感支持。智慧学习环境中学习者主要通过智能学习终端观看学习内容的信息呈现画面即学习画面进行学习,学习画面是学习者学习的主要环境,并且是学习者与学习内容间信息交互的主通道。学习画面的色彩搭配、排版布局、图形装饰、背景纹理等对学习者智慧学习过程中的情感、兴趣、动机和效果都有不可忽视的影响。另一方面,学习者情感的准确识别是构建智慧学习环境和谐情感交互的基础,更是判断学习者学习状态的重要手段,对促进学习者的智慧学习具有重要意义。学习画面以直观的视觉特征和隐含的艺术特征影响学习者的情感状态和认知活动,智慧学习环境除为学习者提供个性化的学习内容和学习路径外,所呈现的学习画面还应与学习者的情感状态、视觉情感偏好相适应,并能对学习者的学习情感起调节和激发作用。本研究以学习画面隐含的情感属性为切入点,关注智慧学习环境中的“情感缺失”问题,为智慧学习环境情感层面自适应交互的实现提供了新的思路与方法。本研究通过访谈和调查,将学习画面情感分为温馨、欢快、活泼、搞笑、夸张、幽默、有趣、凄凉、枯燥、沉闷、繁乱、虚幻、惊险、恐怖等14种类型;通过文献梳理和实地观察,发现学习者的学习情感主要包括常态、高兴、愤怒、悲伤、惊恐、专注、走神等7种类型。然后,通过采集程序和网络爬虫,建设了拥有17456幅图像的学习画面图像数据库和拥有85085幅图像的学习者表情图像数据库。本研究综合考虑准确率、训练速度和内存消耗等因素,根据学习画面图像的特点,设计了9层卷积神经网络模型以识别学习画面的情感,该模型包括4个卷积层、4个池化层和1个全连接层,并在自主建设的学习画面图像数据库上进行了模型训练和实验;根据学习者表情图像的特点,设计了7层卷积神经网络模型以识别学习者的学习表情,进而判断学习者的情感状态,该模型包括3个卷积层、3个池化层和1个全连接层,并在自主建设的学习者表情图像数据库上进行了模型训练和实验。实验结果表明,本研究设计的卷积神经网络模型能够较为准确的识别学习画面的情感和学习者的学习表情。本研究通过实验探究学习画面情感对学习者情感的影响,实验对象为济南市某学校7、8年级的学生,使用具有不同情感的学习画面进行实际教学,并同时采集学习画面图像及其对应的学习者表情图像,整个实验共持续15周时间。实验结果表明,具有温馨、欢快、活泼、搞笑、幽默和有趣等情感的学习画面能够引起学习者常态、高兴、专注等积极情感,具有凄凉、枯燥、沉闷和繁乱等情感的学习画面能够引起学习者愤怒、悲伤、惊恐、走神等消极情感,而具有夸张、虚幻、惊险和恐怖等情感的学习画面则较为特殊。本研究通过实验探索学习画面自适应调整对学习者情感的影响,实验对象仍为济南市某学校7、8年级的学生,实验组观看自适应调整后的学习画面进行学习,对照组观看未经调整的原学习画面进行学习,同时采集实验组和对照组学习者的学习表情,整个实验共持续2周时间。实验结果表明,根据学习者的表情、视觉情感偏好以及学习画面的情感自适应调整学习画面的关键视觉特征,能够调节学习者的学习情感,激发学习者的学习兴趣。本研究为智慧学习环境情感层面自适应交互的研究与实现带来了新的发展,具有相当的创新性和实际应用价值。
刘欣[7](2015)在《基于表情认知的服务机器人情感计算研究》文中进行了进一步梳理机器人的情绪识别与类人情绪的产生过程受到计算机与心理学研究领域的广泛关注,同时得到了国际科学界的高度重视与大规模支持,并逐渐形成认知情感计算这一交叉研究领域。本文围绕人机交互的过程中服务机器人之认知情绪调节过程展开研究。首先,根据信息加工理论以及视觉感知与选择性关注特征建立起关注度分析模型,并基于交互者表情及微表情特征的提取与分析,构建起表情-情绪映射模型,将外界表情刺激映射到唤醒度-效价-开放度三维情绪空间中,为后续情绪调节过程提供可靠的认知依据;其次,针对Gross认知情绪调节策略中的情境选择、情境修正、注意分配环节,提出具备心理意义学的情绪调节与表达算法,并将其应用于仿人服务机器人中进行交互效果论证;而后,以动机心理学为原型,引入物理学中有源场理论,针对Gross策略的认知重评及表达抑制环节,建立起具有动力性能的情绪状态空间,在空间中模仿人类的认知能力及自身情绪状态间的相互作用过程,并融入HMM模型与Glauber动力系统,实现基于概率的刺激与自发情绪状态调节过程;最后,将上述理论、算法融入服务机器人平台中,分析、验证模型的有效性,并将其应用于孤独症社交辅助治疗中。本文的主要研究内容与创新点如下:(1)根据信息加工理论以及视觉感知与选择性关注特征,采用马尔可夫链-熵的方法来描述视觉注意在图像不同显着区域间的非对称性旋回转移过程;根据FACS中面部运动单元的划分方法,提取最能表现情绪状态的13个AU单元,将其划分为9个面部特征区域,采用PCA方法对5尺度8方向的Gabor小波变换得到的小波系数进行训练降低表情空问维度,在此基础上,通过表情势的分析,对非典型表情进行情绪映射,实现针对面部特征区域的表情情绪认知方法;在此研究基础上,采用Gabor滤波器分解由3D梯度投影描述法得到的微表情关键帧之特征区域图像,并通过多区域的局部Gabor二值模式算法,在尽可能保留图像特征信息的基础上进行特征降维,最终,构建起基于梯度量级加权的最近邻分类器对微表情特征进行分类,从而实现微表情捕捉与情绪识别过程,用于发现交互者的潜在情绪。以上关注度分析、表情及微表情情绪研究,为后续情感计算研究提供了较为有效的认知基础。(2)从Gross认知情绪调节过程中的情景选择、情景修正、注意分配环节中,抽象出交互关系参数与情绪抑制参数,实现对于情绪状态转移概率的影响,并通过遗传算法对相应交互关系影响因子与情绪抑制影响因子进行优化处理,进一步提高参数的控制精度,从而提出一种融合概率有限状态机算法的情绪调节与表达模型,并将外界环境因素融入仿人服务机器人的情绪表达过程中。本模型应用于14自由度的仿人表情机器人中进行交互实验,通过对500位交互者的Likert调查量表进行分析,对映射反应模型与认知情绪模调节型的交互效果进行对比,结果表明具备认知情绪调节能力的仿人服务机器人其表情拟人度与智能性更加良好,可以在人机交互过程中发挥多样化的情绪表达作用。(3)根据交互过程中的场力与冲突理论,在有源场情绪状态空间中建立起服务机器人的连续可控的情感调节过程。在费希纳-韦伯定律的基础上,定量分析Gross策略中情绪的自发性认知重评与指导性认知重评过程;根据情感强度第三定律提出一种与情绪效价相关联的情绪强度衰减模型;依据动力心理学理论,建立起基于有源场的情绪能量空间,用于模拟外界刺激情绪与机器人自身情绪的相互作用过程;并建立起基于情绪唤醒度的机器人行为表达抑制模型;在此研究基础上,提出基于HMM的情绪状态刺激转移算法与基于Glauber动力系统的情绪状态自发转移算法;并将以上模型算法用于13自由度的服务机器人平台中,实现非典型表情交互环境中机器人不确定性情绪过程的动态、可控调节。(4)基于以上视觉注意、表情/微表情-情绪映射、及认知情绪调节过程的研究成果,构建起以情感机器人为核心的面向孤独症儿童的社交辅助治疗系统,针对患儿的认知情感缺失问题,实现患儿与机器人的情感互动治疗。在视觉注意模型的基础上,建立共同注意子系统,实现对于患儿联合注意能力的训练;在表情/微表情-情绪映射模型的基础上,实现在表情学习、表情模仿训练模式中对于患儿面部表情的实时识别,辅助该训练模式的完成,此外,还可以实时追踪训练过程中患儿的情绪变化,并依据认知情绪调节模型给予相应情绪互动;在情境认知训练中,融入基于MFCCs分析的情绪调节模型,使机器人产生与场景相匹配的情绪状态及行为表现。本文所研究的模型与算法贯穿于患儿与情感机器人的交互过程,在临床试验中实现了具备仿人情感能力的心理及行为互动。SRS社交反应量表分析结果表明,通过六种模式下的认知情绪训练,患儿的联合注意及社会交往能力得到一定提高且其效果优于传统康复模式。
李勇帆,李里程[8](2013)在《情感计算在网络远程教育系统中的应用:功能、研究现状及关键问题》文中研究指明情感能力是人类智能的重要标志,情感的缺失会影响网络远程教育的教学质量和学习者的学习效果。情感计算是和谐人机交互与人工智能领域中新的研究方向。在网络远程教育系统中应用情感计算理论与技术,可以进一步优化网络远程教育的功能,帮助教师监测远程学习者的情感变化,调整教学策略和方法,实时给予学习者情感反馈,使教学质量达到最佳。目前国内外情感计算在远程教育方面的应用研究还处于起步与探索阶段,所构建的远程教学系统对远程教学中师生情感生理特征与心理特征、多模情感信息融合机制及网络虚拟人机情感交互特性等考虑不足,系统原型在情感合成与表达、智能人机情感交互实现上存在着很大的难度。因此,构建与人类情感系统相吻合的、自然和谐的、人性化和智能化的网络远程教育系统,需要有效解决师生面部表情、语音情感特征信号的准确识别与提取,师生多模情感信息融合机制与和谐人机情感交互技术等关键问题。
宋秒烨[9](2013)在《情感计算的哲学探究》文中提出随着信息技术的高速发展和人类对计算机的依赖性不断增强,如何实现计算机的智能化越来越受到企业和学者的重视。人工智能创始人之一明斯基(M. Minsky)在1985年提出“问题不在于智能机器能否有任何情感,而在于没有情感机器如何实现智能。”MIT媒体实验室皮卡德(R. W. Picard)认为,情感是人类信息交流中自然和社会的部分,人们在与计算机进行交互时会很自然的用到情感。因此,如果我们想让计算机真正具有智能并适应我们,能与我们自然地进行人机交互,则它们就应该具有情感识别和表达能力,并应该有情感,具有我们现在称之为情感智能的东西。情感计算是和谐人机交互与人工智能领域中日益受到关注的的新的研究方向,也是信息科学、智能科学、神经科学、生理及心理科学、认知科学等多学科交叉的新结合点。情感计算以哲学的理念更新引发,并以多学科理论融合和技术的方式存在,是现代计算机智能技术的集萃和创新,在推进人类社会现代化的伟大事业中,将发挥巨大的作用。本课题的研究,坚持马克思主义认识论和科学发展观,以马克思主义哲学为指导,从科学哲学的角度,并把计算机技术、心理学、认知学和社会学等多学科结合起来,借助跨学科分析方法、实证方法,阐述情感计算原理,探讨情感计算的哲学本原,分析情感计算技术应用的社会价值和哲理意义,有效地推进了人类生存技术的情感化、人类生活界面的智能化和人类生存工具的人性化。结论认为,虽然理论界存在很多的争论,但是人们的争论恰恰说明了情感计算的现实艰巨性,同时也说明了情感计算的历史必然性,学术争论能更好的促进技术的理论发展和现实发展。情感计算具有广阔的应用前景,情感计算技术不仅是经济发展的动力,是社会发展的要素,同时也体现了社会文明伦理的发展。情感计算集中了社会文明的发展趋势和人们的生存、伦理、发展要求。随着计算机智能技术和交互技术的发展,人类生存技术趋于情感化,人类活动界面与空间的智能化,人类生存和发展工具的人性化,必将进一步促进整个人类社会信息化的实现。
贺斌[10](2011)在《e-Learning情感计算模型设计研究》文中提出目前,绝大多数e-Learning系统是在传统智力观指导下设计开发而成,严重忽视了学习者情感智能的发展。脑科学研究表明,情感在注意、记忆、推理和决策等方面发挥重要作用。以情感计算学说、人工心理学、脑科学等相关理论为指导,赋予计算机和网络以情感智能,以设计出支持适应性学习的e-Learning情感计算模型。
二、数字化人类情感——和谐人机交互环境中的情感计算(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、数字化人类情感——和谐人机交互环境中的情感计算(论文提纲范文)
(1)情感计算联合边缘计算在商业银行数字化转型中的应用探索(论文提纲范文)
一、研究背景及意义 |
二、相关概念 |
(一)数字化转型 |
1. 培养数字化营销能力。 |
2. 重塑销售渠道和结构。 |
3. 提升营销效率。 |
4. 提升风险管理能力。 |
(二)情感计算 |
1. 情感信息获取。 |
2. 情感分析识别。 |
3. 情感理解。 |
4. 情感表达。 |
(三)边缘计算 |
1. 低延时,实时性高。 |
2. 低带宽,低功耗。 |
3. 低风险,容错率高。 |
三、研究现状 |
(一)商业银行数字化转型 |
1. 国外商业银行数字化转型成果。 |
2. 国内商业银行数字化转型实践。 |
(二)情感计算应用实践 |
(三)边缘计算实践探索 |
四、情感计算联合边缘计算在未来商业银行数字化转型中的应用探索 |
(一)构建生态银行 |
(二)高级人机交互 |
(三)个性化服务 |
(四)精准化营销推广 |
(五)风控监测 |
(六)网点智能化转型 |
(七)安防监控 |
五、对策与建议 |
(一)明确数字化战略机制,高质量加快战略转型 |
(二)构建生态合作系统,以技术推动业态整合创新 |
(三)重视物理设施和软件应用建设,通过技术融合降低业务成本 |
(四)提升风险防控能力,强化数据治理法制体系 |
(五)着手数据存储及管理,推进低碳绿色金融高速发展 |
六、总结 |
(3)机器人社交中的伦理困境及规范研究(论文提纲范文)
摘要 |
abstract |
绪论 |
一、研究缘起与意义 |
二、研究现状综述 |
三、研究对象与目标 |
四、研究方法与创新之处 |
第一章 机器人社交对传播生态的重塑 |
第一节 传播中介进化为传播主体 |
第二节 从“媒介是人的延伸”到“媒介是人” |
第三节 架构人类社交关系影响社交选择 |
第二章 机器人社交中的伦理风险 |
第一节 被用户调教的“熊孩子” |
第二节 人类情感的欺骗者 |
一、主观故意性欺骗 |
二、自愿沉迷骗局 |
第三节 网络犯罪的实施者 |
一、侵犯用户隐私 |
二、传播虚假新闻 |
第四节 政治活动的操纵者 |
一、左右政治选举 |
二、政治议题动员 |
三、政治干扰 |
第三章 机器人社交中的伦理失范成因 |
第一节 社交机器人自带“迷惑”属性 |
一、高度类人性让用户无法辨别 |
二、非具身性使幕后操手难以确认 |
第二节 平台漏洞让恶意机器人有机可乘 |
一、可绕过的验证码 |
二、可伪造的账号和个人信息 |
三、可抓取的社交图 |
四、可利用的平台API |
第三节 监管缺位使恶意活动层出不穷 |
一、未明确的责任:有关人工智能主体性的争议 |
二、被弱化的人权:平台规范更体现“商业精神” |
第四章 机器人社交的伦理问题规制 |
第一节 前置预防:将伦理嵌入算法设计 |
一、自上而下的进路 |
二、自下而上的进路 |
第二节 平台监管:强化检测且明确规范 |
一、强化检测技术处理可疑账户 |
二、明确相关平台政策把握监管尺度 |
第三节 政府管控:加强立法与全球共治 |
一、制定相关法律道德准则 |
二、探索全球共治之路 |
第四节 人的规制:养成伦理意识提升科技素养 |
结语 |
参考文献 |
致谢 |
(4)情感型可教代理游戏的设计与开发(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究缘起 |
1.2 研究现状 |
1.2.1 国内外可教代理游戏相关研究 |
1.2.2 国内外情感型代理相关研究 |
1.2.3 研究现状的评述与研究问题的提出 |
1.3 研究意义 |
1.4 研究的目标与内容 |
1.4.1 研究目标 |
1.4.2 研究内容 |
1.5 研究思路与方法 |
1.5.1 研究思路 |
1.5.2 研究方法 |
第二章 情感型可教代理游戏设计的理论基础 |
2.1 相关概念界定 |
2.1.1 可教代理与可教代理游戏的概念 |
2.1.2 代理的情感的定义与分类 |
2.1.3 情感型可教代理游戏的定义与特征 |
2.2 游戏设计的理论基础 |
2.2.1 情感的认知评估理论 |
2.2.2 人本主义学习理论 |
2.2.3 情感对认知和人机交互的作用 |
第三章 游戏中情感型可教代理的情感模型构建 |
3.1 情感在情感型可教代理中的定位 |
3.2 代理的情感模拟的可行性分析 |
3.3 代理的情感模型构建思路分析 |
3.3.1 经典情感模型分析与思想借鉴 |
3.3.2 经典情感模型的思想借鉴 |
3.3.3 情感模型构建的基本构想 |
3.4 情感模型的构建 |
3.4.1 外界刺激的感知模块 |
3.4.2 合成情感的生成模块 |
3.4.3 情感反应的生成模块 |
第四章 情感型可教代理游戏结构功能模型构建 |
4.1 游戏结构功能模型构建的可行性分析 |
4.2 游戏功能结构模型分析 |
4.2.1 游戏功能结构模型的思想溯源 |
4.2.2 游戏功能结构模型的思想借鉴 |
4.3 情感型学习系统的功能结构模型分析 |
4.3.1 情感型智能学习系统的功能结构模型设计思想溯源 |
4.3.2 情感型学习系统的功能结构模型设计思想借鉴 |
4.4 情感型可教代理游戏功能结构模型构建 |
4.4.1 情感型可教代理游戏功能结构模型的构建原则 |
4.4.2 情感型可教代理游戏功能结构模型的构建 |
4.4.3 情感型可教代理游戏模型核心要素功能实现方法 |
第五章 情感型可教代理游戏的实例设计 |
5.1 游戏功能的需求分析 |
5.2 情感型可教代理游戏的教学设计 |
5.3 游戏化学习流程设计 |
5.4 情感型可教代理游戏核心要素的实现过程 |
5.4.1 游戏资源库的设计与组织 |
5.4.2 情感型可教代理推理机制的技术实现 |
5.5 情感型可教代理推理机制的细化设计 |
5.5.1 情感型可教代理可教性推理细化设计 |
5.5.2 情感型可教代理情感性推理细化设计 |
第六章 情感型可教代理游戏的实例开发与验证 |
6.1 游戏制作平台及开发语言的选择 |
6.1.1 游戏制作平台的选择 |
6.1.2 游戏开发语言的选择 |
6.2 游戏实例关键模块的技术实现 |
6.2.1 游戏实例各模块架构及相互关系 |
6.2.2 游戏实例资源的组织与实现 |
6.2.3 情感型可教代理的学习路径实现 |
6.2.4 情感型可教代理的可教性机制的实现 |
6.2.5 情感型可教代理的情感推理机制的实现 |
6.2.6 呈现界面的设计与实现 |
6.3 情感型可教代理游戏实例的应用效果研究 |
6.3.1 实验目的 |
6.3.2 游戏化学习活动设计 |
6.3.3 测量工具的选择与制定 |
6.3.4 实验对象的选择与实验实施 |
6.3.5 实验结果分析 |
6.3.6 后台数据分析 |
6.3.7 实验结果分析与讨论 |
第七章 总结与展望 |
7.1 研究总结 |
7.2 研究不足 |
7.3 研究展望 |
参考文献 |
附录 |
攻读硕士期间发表的学术论文 |
致谢 |
(5)Web3D中基于表情识别的自然人机交互方法研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究工作的背景与意义 |
1.2 国内外研究现状 |
1.2.1 基于面部表情识别的情感分析研究现状 |
1.2.2 Web3D引擎技术及交互研究的发展现状 |
1.2.3 情感分析在教育交互领域的研究现状 |
1.3 本文的主要贡献和创新点 |
1.4 本论文的内容结构安排 |
第二章 相关理论及技术基础 |
2.1 Web3D技术介绍 |
2.2 人脸检测方法介绍 |
2.3 人脸表情识别理论 |
2.3.1 人脸表情图像预处理 |
2.3.2 人脸表情特征提取方法 |
2.4 在线教育交互技术研究 |
2.4.1 常见的在线教育交互方式 |
2.4.2 情感交互技术的原理及方法 |
2.4.3 在线教育中情感交互方法及应用 |
2.5 本章小结 |
第三章 表情数据集的构建 |
3.1 表情的分类 |
3.1.1 常见表情数据集分类 |
3.1.2 基于教育场景的表情分类研究 |
3.2 常见的表情数据集 |
3.3 人脸表情数据集的扩展及介绍 |
3.3.1 数据集扩展方式 |
3.3.2 数据集预处理规则 |
3.4 本章小结 |
第四章 WEB3D场景下基于表情识别的交互应用 |
4.1 基于Web3D技术搭建的教学场景 |
4.2 人脸表情图像的获取和预处理方法 |
4.2.1 人脸检测算法 |
4.2.2 人脸表情预处理 |
4.3 基于CNN的表情识别 |
4.3.1 改进的卷积神经网络的结构 |
4.3.2 模型性能与结果分析 |
4.4 情感分析及交互规则 |
4.5 本章小结 |
第五章 全文总结与展望 |
5.1 全文总结 |
5.2 后续工作展望 |
致谢 |
参考文献 |
攻读硕士学位期间取得的成果 |
(6)智慧学习环境中学习画面的情感识别及其应用(论文提纲范文)
摘要 |
ABSTRACT |
绪论 |
0.1 研究背景与意义 |
0.1.1 研究背景 |
0.1.2 研究意义 |
0.2 国内外研究综述 |
0.2.1 智慧学习环境研究综述 |
0.2.2 学习者的情感识别研究综述 |
0.2.3 学习画面的情感识别研究综述 |
0.3 相关概念界定 |
0.3.1 智慧学习环境 |
0.3.2 学习画面 |
0.3.3 学习情感 |
0.4 研究目的与内容 |
0.4.1 研究目的 |
0.4.2 研究内容 |
0.5 研究思路与方法 |
0.5.1 研究思路 |
0.5.2 研究方法 |
0.6 研究创新与不足 |
0.6.1 研究创新 |
0.6.2 研究不足 |
第一章 相关理论与技术 |
1.1 相关学习理论 |
1.1.1 智慧学习理论 |
1.1.2 关联主义学习理论 |
1.1.3 人本主义学习理论 |
1.1.4 自主学习理论 |
1.2 情感及情感计算 |
1.2.1 情感分类 |
1.2.2 情感模型 |
1.2.3 情感计算 |
1.2.4 情感与认知 |
1.3 卷积神经网络 |
1.3.1 卷积神经网络概述 |
1.3.2 卷积神经网络的结构 |
1.3.3 卷积神经网络的训练 |
1.4 本章小结 |
第二章 学习画面与学习者表情图像数据库的构建 |
2.1 学习画面图像的情感描述 |
2.2 学习画面图像数据库 |
2.2.1 学习画面的类型 |
2.2.2 学习画面图像采集 |
2.2.3 学习画面图像情感标注 |
2.3 学习者的学习情感描述 |
2.4 学习者的学习表情图像数据库 |
2.4.1 现有面部表情数据库 |
2.4.2 面部表情图像采集 |
2.4.3 网络面部表情图像采集 |
2.5 本章小结 |
第三章 智慧学习环境中学习画面的情感识别 |
3.1 图像情感识别方法概述 |
3.2 卷积神经网络的结构设计 |
3.2.1 卷积神经网络的结构 |
3.2.2 卷积神经网络的参数 |
3.3 模型训练与结果分析 |
3.3.1 实验环境与数据集 |
3.3.2 实验结果与分析 |
3.4 学习画面情感自动评估系统的开发 |
3.4.1 系统设计目标 |
3.4.2 开发工具及环境 |
3.4.3 系统核心功能的实现 |
3.5 学习画面情感的大数据分析 |
3.5.1 各学段学习画面的情感分析 |
3.5.2 各学科学习画面的情感分析 |
3.5.3 各资源类型学习画面的情感分析 |
3.5.4 对学习画面设计的启示 |
3.6 本章小结 |
第四章 智慧学习环境中学习者的情感识别 |
4.1 面部表情识别方法概述 |
4.2 基于Adaboost算法的人脸检测 |
4.2.1 Haar特征 |
4.2.2 积分图像 |
4.2.3 AdaBoost学习算法 |
4.3 卷积神经网络的结构设计 |
4.3.1 卷积神经网络的结构 |
4.3.2 卷积神经网络的参数 |
4.4 模型训练与结果分析 |
4.4.1 实验环境与数据集 |
4.4.2 实验结果与分析 |
4.5 学习者表情自动识别系统的开发 |
4.5.1 系统设计目标 |
4.5.2 开发工具及环境 |
4.5.3 系统核心功能的实现 |
4.6 本章小结 |
第五章 学习画面情感对学习者情感影响的实验研究 |
5.1 实验设计 |
5.1.1 实验目的 |
5.1.2 实验对象 |
5.1.3 教学内容 |
5.1.4 实验变量 |
5.1.5 实验假设 |
5.1.6 实验方案 |
5.2 学习画面与学习者表情同步采集系统的开发 |
5.2.1 系统设计目标 |
5.2.2 开发工具及环境 |
5.2.3 系统设计思路 |
5.2.4 系统核心功能的实现 |
5.3 实验的实施 |
5.3.1 准备阶段 |
5.3.2 实施阶段 |
5.3.3 完成阶段 |
5.4 数据分析与结果讨论 |
5.4.1 数据分析 |
5.4.2 结果讨论 |
5.4.3 启示与建议 |
5.5 本章小结 |
第六章 学习画面自适应调整对学习者情感影响的实验研究 |
6.1 实验设计 |
6.1.1 实验目的 |
6.1.2 实验对象 |
6.1.3 教学内容 |
6.1.4 实验变量 |
6.1.5 实验假设 |
6.1.6 测量工具 |
6.1.7 实验方案 |
6.2 学习画面自适应调整模型的构建 |
6.3 学习画面自适应调整系统的开发 |
6.3.1 系统设计目标 |
6.3.2 开发工具及环境 |
6.3.3 系统设计思路 |
6.3.4 系统核心功能的实现 |
6.4 实验的实施 |
6.4.1 准备阶段 |
6.4.2 实施阶段 |
6.4.3 完成阶段 |
6.5 数据分析与结果讨论 |
6.5.1 数据分析 |
6.5.2 结果讨论 |
6.6 本章小结 |
第七章 总结和展望 |
7.1 研究总结 |
7.2 研究展望 |
注释 |
参考文献 |
附录 |
攻读博士学位期间的学术成果 |
致谢 |
(7)基于表情认知的服务机器人情感计算研究(论文提纲范文)
致谢 |
摘要 |
Abstract |
插图清单 |
附表清单 |
1 绪论 |
1.1 课题的研究背景、目的与意义 |
1.1.1 研究背景 |
1.1.2 研究目的与意义 |
1.2 国内外相关领域研究现状分析 |
1.2.1 认知心理学 |
1.2.2 服务机器人 |
1.2.3 面部表情识别 |
1.2.4 情绪的有限状态集与维度空间 |
1.2.5 认知情感计算 |
1.3 本文的主要研究工作及创新点 |
1.4 论文的结构安排 |
2 视觉关注与表情中的情绪认知 |
2.1 引言 |
2.2 计算式认知方法 |
2.2.1 信息加工理论 |
2.2.2 视觉感知理论 |
2.2.3 选择性关注模型 |
2.2.4 视觉特征整合模型 |
2.2.5 视觉转移过程中的关注度建模 |
2.3 基于表情的情绪认知 |
2.3.1 面部特征区域的划分 |
2.3.2 表情特征提取 |
2.3.3 表情情绪的分类与映射 |
2.3.4 实验及结果分析 |
2.4 基于微表情的情绪认知 |
2.4.1 基于3D梯度投影描述的微表情捕捉 |
2.4.2 微表情的特征提取与降维 |
2.4.3 基于梯度量级加权的微表情分类 |
2.4.4 实验及结果分析 |
2.5 本章小结 |
3 Gross认知情绪调节过程 |
3.1 引言 |
3.2 情绪认知与调节的理论基础 |
3.2.1 情绪认知理论 |
3.2.2 Gross情绪调节方法 |
3.3 动态情绪调节过程 |
3.3.1 情绪有限状态集的描述 |
3.3.2 Gross认知情绪调节策略 |
3.3.3 基于有限状态机的认知情绪调节过程 |
3.3.4 情绪调节变量对情绪转移概率的影响 |
3.3.5 变量影响因子的选取 |
3.4 机器人的表情调节及交互 |
3.4.1 机器人的表情调节 |
3.4.2 交互实验及结果分析 |
3.5 本章小结 |
4 连续可控的情绪状态调节 |
4.1 引言 |
4.2 动机心理学 |
4.2.1 情绪的动机作用 |
4.2.2 交互过程中的场力与冲突 |
4.2.3 复杂动机结构分析 |
4.2.4 行为的卢可比模型 |
4.3 有源场中的动态情绪调节过程 |
4.3.1 自发性认知重评 |
4.3.2 指导性认知重评 |
4.3.3 情绪衰减 |
4.3.4 情绪状态的相互作用 |
4.3.5 基于HMM的情绪刺激转移 |
4.3.6 基于Glauber的情绪自发转移 |
4.3.7 机器人情绪的表达抑制 |
4.4 机器人的情绪调节与交互 |
4.4.1 服务机器人交互平台 |
4.4.2 实验及结果分析 |
4.5 本章小结 |
5 情感机器人在孤独症社交治疗中的应用 |
5.1 引言 |
5.2 情感机器人平台 |
5.3 情景交互中的情绪调节 |
5.3.1 音频特征参数提取 |
5.3.2 机器人的状态初始化 |
5.3.3 机器人的情绪状态转移 |
5.3.4 情绪转移的计算 |
5.3.5 情景交互实验 |
5.4 孤独症交互式辅助治疗系统 |
5.4.1 辅助治疗系统总体框架 |
5.4.2 孤独症辅助治疗的交互模式 |
5.4.3 量表评估及数据库子系统 |
5.5 实验与结果分析 |
5.5.1 实验设计 |
5.5.2 疗效分析 |
5.6 本章小结 |
6 结论与展望 |
6.1 本文的主要研究成果 |
6.2 后续研究工作的思考与展望 |
参考文献 |
附录A 孤独症辅助治疗系统临床试验证明 |
作者简历及在学研究成果 |
学位论文数据集 |
(8)情感计算在网络远程教育系统中的应用:功能、研究现状及关键问题(论文提纲范文)
一、引言 |
二、情感计算在网络远程教育系统中的作用 |
1. 利用情感计算理论与技术创建师生情感交互系统 |
2. 利用情感计算的理论与技术创建富有情绪调控的虚拟课堂和虚拟实验室 |
3. 利用情感计算理论与技术创建虚拟情感教师 |
三、情感计算研究现状 |
1. 情感计算基础理论与技术研究现状 |
2. 情感计算在远程教育中的应用 |
四、情感计算在构建和谐人机交互的网络远程教育系统中必须解决的关键问题 |
1. 师生面部表情和语音情感特征信号的准确识别与提取问题 |
2. 师生多模情感信息融合机制与和谐人机情感交互技术问题 |
五、总结与展望 |
(9)情感计算的哲学探究(论文提纲范文)
摘要 |
ABSTRACT |
1. 绪论 |
1.1 情感计算研究综述 |
1.2 课题研究目的与意义 |
1.3 课题研究的方法 |
2. 情感识别与情感计算 |
2.1 情感的定义 |
2.2 关于情感的主要观点 |
2.3 情感计算的关键技术研究与依据 |
3. 情感计算体现的哲理内涵 |
3.1 情感计算的路径 |
3.2 统一价值理论 |
3.3 计算主义实在观 |
3.4 宇宙的计算本质 |
3.5 情感的守恒性——情感具有规律性和两极性 |
3.6 情感守恒性的哲学论证 |
4. 结论 |
4.1 研究的基本结论 |
4.2 情感计算的现实意义与应用展望 |
参考文献 |
攻读学位期间发表的学术论文目录 |
致谢 |
(10)e-Learning情感计算模型设计研究(论文提纲范文)
一、导言 |
二、研究背景与缘起 |
(一) 情感智能重登殿堂 |
(二) 情感计算炙手可热 |
(三) e-Learning情感缺失 |
三、e-Learning情感计算理论支撑 |
(一) Picard情感计算学说体系[21] |
1. 情感计算的一般过程 |
2. 情感计算的主要研究内容[22] |
3. 情感计算学说的基本观点 |
(二) 王志良人工心理学[23] |
(三) 脑科学 |
1. 脑的层级系统和基本结构 |
2. 情绪的脑机制 |
3. 情绪的表达 |
四、e-Learning情感计算模型设计 |
(一) 什么是Agent |
1. 描述性定义 |
2. 形式化定义 |
(二) 基于MAS的e-Learning情感计算模型 |
1. 用户界面Agent |
2. 情感计算Agent群与学习者 (认知) Agent群 |
3. 学习对象Agent群 |
4. 学习策略Agent群 |
5. 动态监控Agent |
(三) 情感计算Agent群 |
1. 情感计算Agent群的逻辑结构 |
2. 情感计算Agent形式化定义 |
3. 情感协调Agent的形式化定义 |
五、e-Learning情感计算关键技术 |
(一) 情感信号获取与测量 |
(二) 情感信号建模分析与识别 |
(三) 情感合成与表达 |
六、一个应用案例:TEMAI培训系统 |
七、结语 |
四、数字化人类情感——和谐人机交互环境中的情感计算(论文参考文献)
- [1]情感计算联合边缘计算在商业银行数字化转型中的应用探索[J]. 马磊,吴慧,郭晓蓓. 西南金融, 2021(09)
- [2]人工智能时代的博物馆情感交互式文创设计策略研究[D]. 尚忠安. 江南大学, 2021
- [3]机器人社交中的伦理困境及规范研究[D]. 汪婧. 南京师范大学, 2020(04)
- [4]情感型可教代理游戏的设计与开发[D]. 刘聪. 山东师范大学, 2020(09)
- [5]Web3D中基于表情识别的自然人机交互方法研究[D]. 贾昕岚. 电子科技大学, 2020(07)
- [6]智慧学习环境中学习画面的情感识别及其应用[D]. 徐振国. 山东师范大学, 2019(09)
- [7]基于表情认知的服务机器人情感计算研究[D]. 刘欣. 北京科技大学, 2015(06)
- [8]情感计算在网络远程教育系统中的应用:功能、研究现状及关键问题[J]. 李勇帆,李里程. 现代远程教育研究, 2013(02)
- [9]情感计算的哲学探究[D]. 宋秒烨. 东华大学, 2013(07)
- [10]e-Learning情感计算模型设计研究[J]. 贺斌. 远程教育杂志, 2011(04)