PREFAB：基于偏好的低预算自标注情感建模方法

文献标题

PREFAB: PREFerence-based Affective Modeling for Low-Budget Self-Annotation

出版信息

• 主题领域: 情感计算与自我标注方法。
• 关键词: 情感计算、自我标注、偏好学习、峰终定律、序数建模、认知负荷、时间效率、用户研究、插值、情感拐点区域。

背景与问题

• 问题/挑战: 传统自我标注方法需要对情感状态进行全面标注，这种方式认知负担重、耗时长，且容易导致疲劳和错误。现有替代方法通常依赖侵入式传感器，且未能解决未标注的片段问题。
• 重要性: 减轻自我标注的负担对于可扩展的情感数据收集至关重要，可应用于游戏、教育等多个领域。
• 动机与相关研究: 之前的研究探索了捕捉情感状态的工具以及利用生理信号的选择性标注方法。然而，这些方法受限于对侵入式传感器的依赖以及基于基数建模的局限性。本文基于峰终定律和序数表示法来解决这些问题。

解决方案

• 提出的方法: PREFAB（基于偏好的情感建模，用于低成本自我标注），一种针对情感拐点区域的回顾性自我标注方法。
• 创新点:
  1. 基于偏好学习的选择性标注，专注于峰终拐点。
  2. 将序数情感建模与峰终定律相结合。
  3. 引入预览机制以提高标注准确性。
  4. 展示了降低认知负荷的同时保持标注质量。
• 流程与关键技术:
  • 步骤1: 使用包含个人背景和游戏数据的训练模型预测情感变化。
  • 步骤2: 利用峰终动态和事件分割理论检测拐点。
  • 步骤3: 仅标注选定的拐点区域。
  • 步骤4: 使用线性插值填补未标注的片段。

结果

• 具体发现:
  • PREFAB在九款游戏中实现了最高的F1分数（最高可达0.685）和最低的Δ TE（0.124），优于基线方法。
  • 与全面标注轨迹的重建一致性表现出中等一致性（CCC = 0.67）、强序数对应性（Spearman’s ρ = 0.69）以及高形态对齐度（DTW相似度 = 0.82）。
• 相较基线的优势:
  • 在识别情感拐点区域方面优于简单、启发式和基数建模方法。
  • 相较全面标注，降低了认知负荷并提高了信心。
• 实验/评估:
  • 使用AGAIN数据集和PAGAN工具进行技术评估。
  • 对比全面标注、无预览的PREFAB以及带预览的PREFAB，进行用户研究（25名参与者）。
  • 评估指标包括F1分数、Δ TE、自我报告的负荷、信心、标注质量和时间效率。
• 局限性与未来工作:
  • 由于研究集中于单一游戏和参与者群体，通用性有限。
  • PREFAB需要前期收集训练数据，成本较高。
  • 插值策略仅限于线性方法，未来研究可探索个性化策略。

总结

PREFAB提出了一种基于偏好学习的回顾性自我标注方法，专注于情感拐点区域以降低认知和时间负担。该方法利用峰终定律和序数建模聚焦关键情感时刻，并通过预览机制提高标注准确性。结果显示，与基线相比，PREFAB显著提升了标注效率和质量，同时降低了工作负荷并保持了情感轨迹的完整性。尽管时间效率的提升具有一定条件性，PREFAB为情感计算应用提供了可扩展的解决方案，并在适应性预览策略和插值技术方面具有进一步优化的潜力。