EmoFlow：从追踪到通过创意绘画理解情绪

文献标题

EmoFlow: From Tracking to Sense-Making of Emotions Through Creative Drawing

出版信息

• 主题领域: 通过创造性、视觉化的自我表达进行情绪追踪。
• 关键词: 情绪追踪，创造性绘画，自我表达，视觉隐喻，个人信息学，情绪识别，心理健康，人机交互，数字工具，自我反思。

背景与问题

• 问题/挑战: 现有的情绪追踪方法通常依赖于预定义的模板或自动感知，这无法捕捉通过视觉艺术表达的深度个性化和情境依赖的情绪特征。此前的研究尚未充分探讨人们如何将绘画作为日常情绪追踪的实践，以及这种实践如何在个体之间进行推广。
• 意义: 理解个体如何通过绘画表达情绪可以为设计促进情绪健康、自我反思和创造力的工具提供指导，为僵化或缺乏个性化的情绪追踪系统提供替代方案。
• 动机与相关工作: 先前的研究探讨了情绪与视觉创作之间的关系，通常集中于预定义的情绪类别或由治疗师引导的解释。然而，日常情绪绘画背后细腻且个性化的意义建构过程仍未被充分研究。本研究基于情绪的维度理论和建构主义理论，探讨绘画作为一种自由、表达性情绪追踪方式的潜力。

解决方案

• 提出的方法: EmoFlow，一款支持数字绘画进行情绪追踪的iOS应用程序，结合轻量化的数据输入和反思性访谈。
• 创新点:
  1. 提供实证证据，挑战视觉特征与情绪之间的普遍映射关系，强调个性化和情境驱动的意义建构。
  2. 识别出情绪绘画的四种表达模式：情绪来源、隐喻性表达、直接表达和随机绘画。
  3. 为情绪追踪技术设计提供启示，强调创造性、解释的开放性和用户自主性。
• 过程与关键技术:
  1. 进行为期14天的日记研究，21名参与者使用EmoFlow每天创作情绪绘画并记录效价、唤醒度和文本描述。
  2. 研究后进行访谈，探讨参与者对其绘画和情绪追踪过程的反思。
  3. 对252幅绘画进行多模态分析，包括对表达模式、个人风格的编码，以及情绪与绘画行为之间的统计相关性分析。

研究结果

• 具体发现:
  • 情绪效价与笔画数量（r = 0.32）和绘画时长（r = 0.35）之间存在中等正相关。情绪与笔压或表达模式之间未发现显著相关性。
  • 识别出四种表达模式：情绪来源（如事件、物体）、隐喻性表达（如天气、符号）、直接表达（如表情符号、文字）和随机绘画（如抽象标记）。
  • 参与者保持了稳定的个人风格（如单色素描、彩色几何图形），但在非典型情绪状态下偶尔会改变风格。
• 相较基线的优势: 与使用预定义模板的现有工具不同，EmoFlow允许自由形式的创造性表达，揭示了情绪绘画深度个性化和动态的特性。这一方法突出了视觉特征与情绪之间普遍映射的局限性。
• 实验/评估:
  • 参与者: 21名大学生（15名女性，6名男性，年龄18–31岁）。
  • 数据: 252幅绘画、情绪评分（效价、唤醒度）、文本描述和访谈记录。
  • 指标: 绘画行为（如笔画数量、时长、笔压）、表达模式以及访谈中的定性主题。
• 局限性与未来工作:
  • 文化多样性有限（参与者主要为亚洲人）且样本量较小。
  • 参与者艺术水平存在差异。
  • 未来研究应探讨跨文化差异、神经多样性人群，以及多模态情绪追踪方法（如结合绘画与语音或文本）。

总结

本研究介绍了EmoFlow，一款通过创造性绘画进行情绪追踪的数字工具，并开展了一项为期14天的日记研究，共有21名参与者参与。分析识别出四种表达模式（情绪来源、隐喻性表达、直接表达和随机绘画），并强调了情绪绘画的深度个性化和情境依赖特性。尽管未发现情绪与视觉特征之间的普遍相关性，研究表明绘画能够促进直观、有趣且安全的情绪表达。这些发现突出了情绪追踪技术需要优先考虑创造性、解释的开放性和用户自主性，为人机交互和心理健康领域的表达中心设计设定了新的议程。