中国人工智能学会通讯——战马袭心我懂你所感 1.1 情感计算 : 了解观众的真实感受

1.1 情感计算 : 了解观众的真实感受

舞台剧《战马》(见图1)以“一战”为背景,讲述了英国小男孩儿与马之间的故事,既有温暖细腻的情感场面,也有惊心动魄的战争场景。2007年首演于伦敦后,在全球已上演过4 000多场,观剧人次超过600万。2015年,由中国国家话剧院联合英国国家剧院制作的中文版《战马》问世。主创人员非常想了解这匹载誉全球的战马,是否能被中国观众认可。然而,如何了解到普通观众的真实体验?

人类参与艺术活动需要积极调动自身的感知与认知系统,“看戏”是人处理的一个极为复杂、饱含各种情感的认知计算“任务”。即使是艺术工作者,要用语言精准地表达对一出戏的感受也并非易事,更何况普通的观众。传统的调查问卷就受限于此,很难“说出我的感觉”。而调查问卷还有滞后性、主观性、不便于搜集等特点,很难反映观众看戏时的真实体验。

我们试图采用生物传感技术解决这一问题,见图2。观众只需在观看时佩戴我们自主研发的皮肤电传感器,就能在演出过程中即时被后台获取数据。

根据之前的研究,皮肤电能够反映用户关注度的结论,是被广泛接受的[2-5]。它测量的是用户由于自主神经系统活动所引起的皮肤电阻的变化。在观演过程中,用户的各种情绪状态可以通过大脑边缘系统的巴贝兹回路(Papez circuit)引发皮肤的自主神经反应,比如出汗、毛细血管收缩、立毛肌收缩等。这些反应会引起皮肤电阻的变化,从而被皮肤电传感器检测出来。皮肤电传感器采集人体生理变化数据,经过算法处理后,通过“唤醒度”数值直观反映观众的体验。当观众被演出吸引、深受打动时,数值会攀升;当观众感到疲倦、注意力分散时,数值会下降。

相对于传统的观众反馈调查方法,使用皮肤电传感器的好处在于:①数据是实时且连续的,每秒反馈一个数值。也就是说,观众在观演过程中的生理反馈数据可以和整个表演中的每一个场景对应。②数据的收集是在用户无意识的情况下进行,不会打扰观众的观演过程。

在《战马》实验中,根据中国国家话剧院的需求,研究组共招募了150名不同性别、年龄、专业的观众。通过对不同群体数值的比较,来了解到他们不同的感受与偏好。例如在前期沟通中,中文版《战马》的项目负责人中国国家话剧院海外中心主任李东说:“中国的戏剧观众有70%是女性,一般都是母亲带着孩子进剧场。”所以,他们很想了解女性对这出戏的感受,她们容易被哪些场景打动。这些信息不但有助于制作方进行有效的推广营销,也为他们接下来的定制化创作提供参考。

我们可以对比女性与男性对下半场演出的生理反馈图(见图3)。从关注度的曲线图可以发现,女性与男性对演出的关注度都较高;而女性被演出“唤醒”的次数更多、持续时间更长。两者之间既有共性,又有区别。

图3(a)中,横轴为时间,纵轴为P值。红线为P=0.05,低于红线部分为观众关注度显著升高的部分。颜色标记处为男性与女性观感明显有区别的区间。对照时间坐标及情节就可以得知,两性分别青睐哪些场面。

除了男性/女性的比较,还有成人/儿童、男童/女童等样本组别。内容创作者拿到这些数据,就可以有针对性地为不同群体定制产品。心理学、神经认知学方面的专家则可以采用这些数据,结合剧的内容和个人情况进行更深入的研究。

在心理学领域,用皮肤电获取被试的生理数据并不新鲜,而此次实验的意义在于:①实验在真实场景而非实验室中进行,为行业应用提供了可能性;②硬件支持大规模群组实验,提高精准度的同时降低了实验成本;③看戏是一个非常复杂的认知过程,包含着很多种情感,实验收集到不同人群的大量有效数据;④多学科交融及跨文化的研究。

时间: 2024-09-11 05:01:21

中国人工智能学会通讯——战马袭心我懂你所感 1.1 情感计算 : 了解观众的真实感受的相关文章

中国人工智能学会通讯——战马袭心我懂你所感

人工智能面临的挑战或许不来自"智能"的部分,而来自"人".由于我们对自身感知万物.产生情感.理解世界的机制尚不完全清楚,要让机器完成不完整信息条件下复杂任务的规划和推理更是难上加难. 从上世纪60年代到当下的人工智能浪潮,研究最多.也最受关注的就是下棋.然而,不管是国际象棋还是围棋,都是抽象的表达,描述棋局的对弈状态与精确表征自然界相比过于简单:棋盘的位置是有限的,下棋的动作也是有限的,没有感知和动作执行的不确定性. 因此,在人工智能的赛道上,强大的计算与数据收集能

中国人工智能学会通讯——一张图看懂BP算法 1.1 引言

1.1 引言 神经网络是实现人工智能的重要途径之一.近年来,深度神经网络在语音识别.图像理解.自然语言处理.智能博弈.智能医疗等领域内的大数据问题上取得一系列重大突破,引起了人们对神经网络的极大兴趣,并引领人工智能蓬勃向前发展.反向传播(backpropagation,BP)算法是深度神经网络最基本的算法之一,对深度神经网络的发展起着十分重要的作用,已成为深度神经网络理论的一个无可厚非的基石. BP算法的关键是反向计算敏感性,通过巧妙利用数学分析中求偏导数的链式法则,将敏感性反向传播,在数学上是

《中国人工智能学会通讯》——12.15 时空众包 : 共享经济时代的新型计算范式

12.15 时空众包 : 共享经济时代的新型计算范式 自 Jeff Howe 于 2006 年 首 次 提 出 众 包(Crowdsourcing) 概念[1]以来,这种通过公开的 Web平台,将任务分配给非特定的解决方案提供者群体来完成的分布式问题求解模式,正在变得日益流行,其更为传统的人本计算 (Human Computation) 注入了通过群体智慧来求解问题的新鲜血液.众包最著名的案例莫过于美国卡内基梅隆大学的 Luis vonAhn 教授所研发的 reCAPTCHA 系统[2] ,其巧

中国人工智能学会通讯——一张图看懂BP算法 1.3 神经网络的 BP 算法

1.3 神经网络的 BP 算法 它描述了网络输出和目标输出之间的距离,刻画了网络性能的好坏.显然,J越小,网络性能越好.寻求J的极小点是BP算法的目标. 这一关系式表明只要能计算出敏感性,即可据此计算出梯度. 删除中间过程,有 通过计算网络最后一层神经元的敏感性,然后在网络中反向逐层计算其他层神经元敏感性,这就是所谓BP. 图4非常容易记忆和理解,这就是我们所谓的一张图看懂BP算法.

中国人工智能学会通讯——一张图看懂BP算法 1.4 致谢

1.4 致谢 本文内容和相关图示,来自我每年秋天为四川大学计算机学院本科生开设的 课 程"Understanding Deep Neural Networks".感谢我的博士研究生王建勇和郭泉同学整理了本文的初稿. Fellow of IEEE,四川大学计算机学院院长,教授,博士生导师,四川省 2011 大数据分析协同创新中心主任.发表 SCI 学术论文 200 余篇,其中 IEEE Transactions 系列论文 50 余篇,著有"Convergence Analysi

中国人工智能学会通讯——一张图看懂BP算法 1.2 神经网络模型

1.2 神经网络模型 神经元模型 我们先从神经元模型说起,图1所示是一个熟知的最简单的神经元模型. 该神经元模型的数学表达式为 前馈网络模型 通过按某种方式将神经元连接起来,就可构成相关神经网络.图2所示为一个熟知的前馈网络模型,该网络有L层,第1层为输入层,第L层为网络输出层.在这个网络中,前一层神经元连接到后一层神经元,同层的神经元之间没有任何连接. 前向计算

中国人工智能学会通讯——2016机器智能前沿论坛召开

2016 年 12 月 17 日,由中国人工智能学会.中国工程院战略咨询中心主办,今日头条.IEEE<计算科学评论>协办的"2016机器智能前沿论坛"暨"2016 BYTE CUP国际机器学习竞赛颁奖仪式"在中国工程院举办.论坛嘉宾包括中外顶尖的数据挖掘.机器学习,以及自然语言处理方向的专家学者. 与以往不同,本次论坛除介绍机器学习的重大进展和应用外,还着重讨论了机器学习技术在媒体数据上的应用,并为2016 BYTE CUP 国际机器学习竞赛的获奖选手进

中国人工智能学会通讯——机器学习里的贝叶斯基本理论、模型和算法

非常感 谢周老师给这个机会让我跟大家分享一下.我今天想和大家分享的是,在深度学习或者大数据环境下我们怎么去看待相对来说比较传统的一类方法--贝叶斯方法.它是在机器学习和人工智能里比较经典的方法. 类似的报告我之前在CCF ADL讲过,包括去年暑假周老师做学术主任在广州有过一次报告,大家如果想看相关的工作,我们写了一篇文章,正好我今天讲的大部分思想在这个文章里面有一个更系统的讲述,大家可以下去找这篇文章读. 这次分享主要包括三个部分: 第一部分:基本理论.模型和算法 贝叶斯方法基础 正则化贝叶斯推

中国人工智能学会通讯——无智能,不驾驶——面向未来的智能驾驶时代 ( 下 )

到目前为止似乎比较完美,而实际还 存在着一些问题.我们现在看到很多道 路上面,交通标志牌它的分布非常稀疏, 可能每过一两公里才能够检测出来一个 交通标志牌,因为毕竟这个深度学习算 法是目前最完美的,它有时候还会错过 一个交通标志牌,这时候怎么办呢?我 们会发现在路面上也有非常明显的视觉 特征,我只要把路面的这些视觉特征识 别出来进行匹配,其实是有连续的绝对 的视觉参考的.所以我们做的办法是, 把这个路面粘贴起来.这个粘贴的方法 很简单,跟我们手机拍场景图片一样, 我们慢慢移动的时候可以把这个场景