GroupAffect-4:四人协作互动的多模态数据集
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。
相似文章
小型协作群体中情感感知的伪标签增强
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。
AffectOmni:用于社交与艺术场景的强化学习可验证以人为中心情境情感推理
AffectOmni是一个基于GRPO训练的框架,用于多模态大型语言模型中的可验证情感推理,引入了People Focus和Temporal Order奖励,以增强以人为中心的证据选择和时间结构化推理,实验显示在7B规模基线上有所改进。
ACE-Data-0:以人为中心的环境采集作为具身数据引擎
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。
情感计算中关系范式的转变:情感共振、活力情感与语音交互场
本文提出了一种情感计算的关系框架,将焦点从个体情绪状态转向语音动态中的交互场,并通过一项使用自监督语音表示来检测方向性表达耦合的实证研究加以支持。
ChatGPT 情感使用与情感幸福感的早期研究方法
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。