量化情绪的低层运动效应：在情感情境中验证费茨定律

文献标题

Quantifying Low-Level Motor Effects of Emotion: Validating Fitts’ Law in Affective Contexts

出版信息

• 主题领域: 情绪对人机交互中运动表现的调节作用。
• 关键词: 情绪、运动控制、Fitts定律、人机交互、效价、唤醒度、任务难度、吞吐量、情感计算、自适应系统。

背景与问题

• 问题/挑战: 以往关于人机交互中情绪的研究主要集中在高层次认知效应上，忽略了情绪状态如何影响诸如指向和选择等细粒度的运动行为。
• 重要性: 理解这些影响对于设计能够优化用户表现的自适应情感感知界面至关重要。
• 动机与相关研究: 虽然Fitts定律是量化运动表现的成熟框架，但其在情感背景中的应用尚未被探索。现有研究强调情绪对注意力和决策的影响，但缺乏系统分析情绪对低层次运动指标（如运动时间、反应时间、错误率和吞吐量）的影响。

解决方案

• 提出的方法: 本研究探讨了由效价和唤醒度定义的情绪状态如何在不同难度水平下调节Fitts定律任务中的运动表现。
• 创新点:
  1. 实证展示情绪对数字交互中核心运动行为的影响。
  2. 将情绪维度整合到Fitts定律模型中，以提高预测准确性。
  3. 在低难度和高难度任务中进行情境敏感的情绪效应分析。
• 程序与关键技术:
  • 参与者在五种情绪条件下（正/负效价，高/低唤醒度，中性）完成Fitts定律任务。
  • 使用经过验证的图像刺激诱导情绪状态，并通过自我报告进行测量。
  • 使用难度指数（ID）改变任务难度，分别研究低ID（弹性运动）和高ID（修正运动）任务。
  • 使用线性混合效应模型分析运动表现指标（运动时间、反应时间、错误率、吞吐量）。

结果

• 具体发现:
  • 正效价在各任务中一致性地提高了吞吐量并减少了运动时间。
  • 高唤醒度在低难度任务中促进了表现，但在高难度任务中由于优先考虑准确性而减缓了运动速度。
  • 情绪效应具有情境依赖性，最佳配置因任务需求而变化。
• 相较基线的优势: 基于情绪的Fitts定律模型的预测准确性显著提高（R²最高达0.910），相比之下，汇总模型的R²仅为0.764–0.577。
• 实验/评估:
  • 研究1（低ID）：22名参与者完成了难度指数为2.32–4.09的任务。
  • 研究2（高ID）：25名参与者完成了难度指数为5.04–7.01的任务。
  • 情绪状态通过自我报告和NASA-TLX工作负荷评分进行了验证。
• 局限性与未来工作:
  • 基于静态图像的情绪诱导可能限制生态效度。
  • 大量试验导致的疲劳效应以及光标遮挡可能影响结果。
  • 未来研究应探索沉浸式情绪诱导（如虚拟现实）、实时情绪追踪以及情绪反应的个体差异。

总结

本研究表明情绪状态系统性地影响Fitts定律任务中的运动表现，其影响因任务难度而异。正效价在所有条件下均提高了效率，而高唤醒度促进了弹性运动但对依赖精度的任务产生了负面影响。基于情绪的建模显著提高了预测准确性，强调了将情绪维度纳入运动表现框架的重要性。这些发现为设计需要精确性和低错误容忍度的自适应情感感知系统（如航空和手术机器人领域）提供了可操作的见解。未来工作应进一步提升生态效度并考虑个体差异，以优化情感敏感交互模型。