GroupAffect-4:四人协作互动的多模态数据集

arXiv cs.AI 论文

摘要

本文介绍了GroupAffect-4,一个包含40名参与者(组成10个四人小组)执行协作任务的多模态数据集。数据集包括对齐的生理、眼动、音频、自我报告和个性数据,以及针对个体内、个体间和群体层面分析的基准目标。

arXiv:2605.19765v1 公告类型:新 摘要:现有的情感计算、社会信号处理和会议语料库捕捉了人类互动的重要部分,但很少支持将共处群体中的情感分析视为个体、人际和群体层面的耦合过程。所需的信号(每位参与者的生理、眼动、音频、自我报告、任务结果和个性)通常分散在各自的数据集传统中。我们引入了GroupAffect-4,一个包含40名参与者(组成10个四人小组)的多模态语料库,每个小组完成四个生态多样的协作任务,涵盖信息汇集、谈判、创意生成和公共物品博弈。每位参与者配备手腕式生理传感器、眼动追踪眼镜和近讲麦克风;会话包括连续的情感自我报告、任务后问卷、任务结果和大五人格评分,所有数据均与共享时钟时间对齐。数据集覆盖了预期的生理窗口的91%以上和眼动窗口的98%,通过谈判环节的清晰情感操控检查确认了强大的任务效度。我们定义了十五个基准目标,涵盖三个分析层面——个体内状态、个体间特质和群体动态——并报告了留一组交叉验证的可行性基线,确立了数据集的评估范围。GroupAffect-4以受BIDS启发的结构、Croissant元数据、数据表、每会话质量报告和开放处理脚本发布。代码和处理脚本可在https://github.com/meisamjam/GroupAffect-4获取;数据集存档于https://zenodo.org/records/20037847。
查看原文

相似文章

小型协作群体中情感感知的伪标签增强

arXiv cs.LG

本文提出一种伪标签增强方法,通过利用生理数据和大五人格特质,并采用高斯过程伪标签化和人格感知加权策略,以提升小型协作群体中的情感感知能力。

ACE-Data-0:以人为中心的环境采集作为具身数据引擎

Hugging Face Daily Papers

介绍了ACE-Data-0,这是一个大规模具身AI数据集,包含150小时、跨200个任务类别的同步多模态人类演示,由环境采集引擎(ACE)在真实家庭环境中捕捉。数据集附带一个分层基准,揭示了现有方法在接触、遮挡和长时程任务下的明显不足。

ChatGPT 情感使用与情感幸福感的早期研究方法

OpenAI Blog

OpenAI 和 MIT Media Lab 研究人员进行了两项并行研究,分析了与 ChatGPT 的情感互动如何影响用户幸福感。该研究结合了对 4000 万次对话的分析和对 1000 名参与者的随机对照试验,以了解其对孤独感、社交互动和有问题的 AI 使用的影响。