人机情绪互通:新的机器学习模型可以预测人类情绪
近日,来自斯坦福大学的Johannes Eichstaedt和密歇根大学的Aaron Weidman进行了一项合作研究,证明了机器学习模型可以追踪一个人每周的情绪波动。
利用自然语言处理工具分析Facebook上的帖子,新的机器学习模型可以推断一个人在任何给定时间内的开心或悲伤程度,甚至是兴奋或无精打采的程度。随着时间的流逝,该算法甚至可以绘制出一个人情绪起伏的视频。
新的机器学习模型可以推断一个人的情绪
这一研究可能引发人们对隐私或社交媒体推销的担忧:从理论上来说,市场营销人员或政治宣传人士可能会根据那些能够引发大众最强烈反应的信息来调整他们的策略和行为。
但是,斯坦福大学人文科学学院的心理学助理教授、人工智能研究所的教员Eichstaedt表示,这种方法具有更大的应用价值:帮助诊断患有情绪障碍的人,并观察他们对药物,疗法或生活方式改变的反应。
Eichstaedt说:“如果这种方法满足了道德和法律的约束条件,并受到严格的隐私保护,我们将有办法通过计算来了解人的思想。”“它可以帮助诊断病情、进行药物评估,它还可以帮助我们追踪创伤性社会事件的心理影响,诸如COVID-19大流行等事件。”
当然,就目前情况来看,未来好坏结果参半:因为实验结果是初步的,调查对象只是一小部分Facebook超级用户,这些用户大多还是美国人,他们发帖的频率远远高于普通人。因此,研究人员特别强调,研究结果并不能代表所有人。
尽管如此,研究人员指出,机器学习程序提供了诱人的证据,证明这一研究的方向是正确的。它发现的许多情绪模式与之前其他研究人员进行的、基于自我表述情绪的研究一致。
训练机器追踪感情
Eichstaedt和Weidman首先让助理标注了一项早期研究中近3,000名志愿者在Facebook上的公开帖子。研究助理对每个帖子的“效价”(表示正面或负面情绪的程度)以及“唤醒”(这些情绪的强度)进行评分。
心理学研究助理为帖子的“效价”和“唤醒”注释
将这些被标注的帖子用于训练机器学习模型,该模型将分析语言传达了哪种情感。然后,Eichstaedt和Weidman在640位Facebook超级用户完全不同的帖子集上测试了他们的模型。第二组的人在28周内平均每周发布17次帖子,由此产生现已公开的数据集——该数据集跟踪了18,000人每周的情绪动态,这是有史以来最大的每周情绪动态数据集。
评估模型
为了了解机器学习模型是否正确地解读了人类,Eichstaedt和Weidman考察了模型处理的结果模式与经典面对面心理学研究的预测匹配程度。
研究结果与预测一致,这些预测标准参考了心理学领域的“大五”人格特征:开放、亲和性、格外向、责任心和神经质。该研究中的所有Facebook用户都自愿参加了“我的个性”研究,该研究通过问卷调查的方式衡量了每位用户的五大性格特征。
与之前的预测一致,机器学习模型在外向、亲和力和责任心上的给分较高的人,往往都是在现实生活中更乐观、更兴奋的人。
机器学习的结果还与早期“特定时间与兴奋程度”相关研究结论相吻合,这是一种“V形”的不平衡关系:当人们情绪高涨或低落时,他们的兴奋程度都会上升,处于乐观情绪下这种关系会更强。
性别差异
研究人员还发现,男性和女性的情绪模式有所不同。
女性往往比男性更乐观,拥有更广泛的情感“休息点”,或者具有典型愉悦或兴奋的情绪水平。Eichstaedt说:“换句话说,男性比女性脾气暴躁,对环境的情感反应更少。这与女性拥有更高‘情感灵活性’的观点是一致的。”
Eichstaedt强调,判断机器学习是否可以为情绪提供精确的MRI图像还为时过早,但是考虑到社交媒体上所有可用的数据,这可能为理解人类情绪动态提供更大的新机会。
参考:
https://techxplore.com/news/2021-01-machine-mood-social-media.html
人机情绪互通:新的机器学习模型可以预测人类情绪相关推荐
- QLattice:你不知道的新的机器学习模型
数据科学中层领域,我有个大新闻.一个全新的机器学习模型已经浮出水面. QLattice简介:适合您的问题的全新模型.QLattice图既不是神经网络也不是基于决策树的模型.您可以说QLattice解开 ...
- 如何更新你的机器学习模型?手把手带你设计一个可持续的预测模型!
作者 | CloudFactory 译者 | 天道酬勤 责编 | 徐威龙 出品 | AI科技大本营(ID:rgznai100) 高效的机器学习模型需要高质量的数据.训练你的机器学习模型并不是过程中的单 ...
- Google重磅发布开源库TFQ,快速建立量子机器学习模型
整理 | 弯月 编辑 | 郭芮 出品 | AI科技大本营(ID:rgznai100) 近日,Google 与滑铁卢大学.大众汽车等联合发布 TensorFlow Quantum(TFQ),一个可快速建 ...
- 独家 | 不同机器学习模型的决策边界(附代码)
作者 :Matthew Smith 翻译:张若楠 校对:吴金笛 本文约6700字,建议阅读10分钟 本文利用Iris数据集训练了多组机器学习模型,并通过预测大量的拟合数据绘制出了每个模型的决策边界. ...
- 从将机器学习模型转化成真正产品和服务中学到的经验教训
人工智能依然处于它的幼年时期.今天,只有15%的企业在使用机器学习,但是有30%的企业已经在它们未来的发展路线图里包括了机器学习.像Intel的CEO这样的公众人物宣称,每一个企业都应该有一个机器学习 ...
- 还在随缘炼丹?一文带你详尽了解机器学习模型可解释性的奥秘
一只小狐狸带你解锁NLP/ML/DL秘籍 正文来源:腾讯技术工程 所谓炼丹,就是将大量灵材使用丹炉将其凝炼成丹.练成的灵丹蕴含灵材的大部分特性,方便携带,容易吸收.高级仙丹在炼制中更是能吸收天地灵气从 ...
- Google 发布开源库 TFQ,快速建立量子机器学习模型!
整理 | 弯月 责编 | 郭芮 出品 | CSDN(ID:CSDNnews) 近日,Google 与滑铁卢大学.大众汽车等联合发布 TensorFlow Quantum(TFQ),一个可快速建立量子机 ...
- c#生成静态库_在 Blazor WebAssembly 静态网站中部署ML.NET机器学习模型
目前世面上有许多方法来部署机器学习模型.最常见的方法是通过 API 或 serverless functions 将模型公开为 Web 服务.将模型部署为 Web 服务时,其中一个注意事项是延迟和性能 ...
- 机器学习模型可解释性的详尽介绍
机器之心平台 来源:腾讯技术工程 模型可解释性方面的研究,在近两年的科研会议上成为关注热点,因为大家不仅仅满足于模型的效果,更对模型效果的原因产生更多的思考,这样的思考有助于模型和特征的优化,更能够帮 ...
最新文章
- 世界级光伏产业集群落地合肥
- PowerDesigner中使用vbscript访问对象进行批量操作
- photo如何制作长图(外送搞笑毒故事)
- py2exe打包OpenCV,找不到libiomp5md.dll
- mysql索引结构原理、性能分析与优化
- 6-5 顺序表操作集 (20 分)(创建,查找,插入,删除)以及顺序表的理解
- 自觉培养“舆商” 争做成功网商
- JavaSE——XML与JSON(语法格式、解析内容)
- 给侄子推荐的中学教辅资料清单
- django-获取用户数据小结-编辑中
- 48周岁交的社保,加医疗合计每月1200,想问问退休能开多少?
- docker容器日志清理
- c语言解三元一次方程组_一次二次反比例,一山更比一山高?二次函数三大解析式详解...
- 【ML经典书籍系列1】解读PRML
- 实战|朝阳医院药品销售分析案例
- 用 BusyBox 构建根文件系统
- c语言10k ntc 测温表,10KNTC热敏电阻对照表.doc
- 基于Android的车位共享系统的设计
- 【Matlab学习手记】拟牛顿型信頼域方法求解函数极值
- 如何破解EXCEL的单元格保护密码