远程评估情感过程中的共情准确性与精神努力
心理健康应用与在线支持社区用户研究方法(访谈、调查、观察)HCI 研究员认知科学家
文献标题
Empathic Accuracy and Mental Effort During Remote Assessments of Emotions
文献信息
- 主题领域: 人机交互、远程用户情感评估
- 关键词: 远程用户研究, 情绪, 同理心, 用户界面, 声音, 人机交互, 认知同理心, 情绪分析, 面部表情, 主观感知努力
研究背景与问题
-
发现的问题或挑战:
- 随着COVID-19疫情推动远程交互和视频会议的普及,远程用户体验测试的需求显著增加。
- 在远程环境中,由于光线、噪声、数据压缩和硬件差异等因素,可能对研究者判断用户情绪的准确性造成偏差。
- 当前仍不清楚远程情感评估中哪些信息渠道(如用户视频、声音、用户界面)对准确判定用户情绪最关键。
-
重要性: 情绪是用户体验的重要组成部分,从用户互动中准确识别并解读情绪能够帮助优化交互设计和人机交互质量。
-
研究动机:
- 探讨评估用户情绪所需的关键信息渠道(如用户的视频、声音、用户界面可见性)。
- 探讨不同信息条件下研究者的认知负担(mental effort)。
- 为远程用户研究提供实践指导和理论依据。
解决方案
-
研究方法:
- 实验设计:在线实验中,参与者观看30段简短的视频记录(4-19秒),研究者操控视频中显示的信息元素,包括用户视频、用户界面视频和声音组合的6种信息条件。
- 研究假设:
- 提供所有信息通道(用户视频+声音+用户界面)可以最大限度地提高同理心准确性(H1)。
- 提供用户界面背景信息可以提高情绪判断的准确性(H2)。
- 同时处理多个信息通道会增加认知负担(H3)。
- 依变量:
- 同理心准确性(成功识别情感的精确度)。
- 主观心理负担(使用主观心理负担量表-SMEQ衡量)。
-
创新之处:
- 在特定远程用户研究情景下首次定量分析上下文信息对情绪识别的影响。
- 探讨用户音频信息在情绪解读中的关键作用,这在情绪识别研究中较少被关注。
研究成果
-
具体成果:
- H1验证:所有三种信息通道(用户视频、声音、用户界面)合在一起时,参与者的同理心准确性最高,平均达68%。
- H2 驳回:用户界面的单独可见性未显著提高情绪识别的准确性。
- H3 部分支持:单一条件下的用户视频(无声音或界面)反而增加了参与者的主观心理负担;而声音信息对于情绪识别表现出较高的重要性。
-
与现有工作的比较:
- 本研究补充了现有情绪识别文献中对情绪上下文和音频的关注,强调声音信息在实际情感推断中的作用,打破了以往更多集中于面部表情的研究偏向。
- 高质量音像结合的远程测试可作为面对面测试的强有力替代。
-
实验和评估结果:
- 信息通道对比显示更多信息能提高情绪识别的准确性,局部验证了“信息越多越好”的假设,但界面信息的具体贡献有限。
- 参与者在识别“复杂情绪”(如自豪与快乐区分)时表现较弱,体现了纯观察法的缺陷。
-
局限性与未来方向:
- 视频素材采自由YouTube 选取,尽管生态效度高,但某些场景非自然表达。
- 没有纳入复杂情绪触发、情感强度等更多变量。
- 建议未来研究扩展到更多真实用户研究场景,包含长时间的视频分析和多模态情感验证。
- 可以探索如何提升声音通道分析在用户情绪识别中的技术性能。
总结:本研究强调,为获取准确的远程用户情绪理解,研究者应优先确保用户视频、音频和系统界面信息全面传输,特别强调了声音信息的重要性。
研究问题 / 现实痛点
这篇论文在当前问题库中对应的问题线索。
help
研究问题
3- 远程用户情绪评估中,哪些信息渠道(如视频、音频、界面)最关键?分类: 健康、情绪与个体支持性交互设计同类问题arrow_forward
- 多信息渠道的结合是否能够提高情绪识别的准确性?分类: 健康、情绪与个体支持性交互设计同类问题arrow_forward
- 同时处理多个信息渠道会增加研究人员的认知负荷吗?分类: 健康、情绪与个体支持性交互设计同类问题arrow_forward
lightbulb
现实痛点
1- 研究者在远程情绪评估中很难准确判断用户情绪。分类: 健康、情绪与个体支持性交互设计同类问题arrow_forward
- 75%
我们如何衡量这一点?! 快速量表开发
CHI '18· 用户研究方法(访谈、调查、观察)
- 75%
表达经验:将微观现象学应用于人机交互设计研究的专家反思
CHI '20· 心理健康应用与在线支持社区 +1
- 75%
什么是用户参与?:对人机交互及更多领域的241篇研究文章的系统性回顾
CHI '25· 用户研究方法(访谈、调查、观察)
- 67%
人机交互如何在在线健康社区中桥接健康与设计:系统综述
DIS '21· 心理健康应用与在线支持社区 +1
- 60%
定性研究的半自动编码:以用户为中心的探究和初始原型
CHI '18· 用户研究方法(访谈、调查、观察) +1
- 60%
我们如何衡量这一点?! 快速量表开发
CHI '18· 可视化感知与认知 +1
- 60%
我们如何测量这一点?! 快速量表开发
CHI '18· 用户研究方法(访谈、调查、观察) +1
- 60%
超越可用性评估人机交互研究
CHI '18· 心理健康应用与在线支持社区 +1
- 60%
百慕大三角区?- 用户体验评估中的方法应用和三角互证的回顾
CHI '18· 用户研究方法(访谈、调查、观察) +1
- 60%
交互性的意义——一些定义和测量的建议
CHI '18· 用户研究方法(访谈、调查、观察) +1
基于研究子主题与职业分类的 Jaccard 相似度(≥60%)
快捷操作
广告推荐
学习 AI 编程到 CodeNow
open_in_new打开DOI链接
DOI: https://doi.org/10.1145/3544548.3580824
一眼看懂
fact_check论文快照
dataset
来源
CHI
calendar_month
年份
2023
emoji_events
奖项
未标记奖项
group
作者
2 位作者
sell
研究子方向
心理健康应用与在线支持社区、用户研究方法(访谈、调查、观察)
work
职业/产业
HCI 研究员、认知科学家
article
内容状态
已索引正文
hub
相关论文
10 篇相关论文