用于情感计算的生理数据：Affect-HRI 数据集

2024-06-27 Thu
生理数据在与拟人化服务机器人进行人机交互中的应用：Affect-HRI数据集背景与研究意义在人类与人类、人类与机器人互动中，交互对象会影响人类的情感状态。与人类不同，机器人本质上无法表现出同理心，因此无法缓解不利的情感反应。为了创建一个负责任且具有同理心的人机交互系统，尤其是在涉及拟人化服务机器人时，必须了解机器人行为对人类情感的影响。为此，研究人员提供了一个新的综合数据集Affect-HRI，首次包括了标记有人类情感（即情绪和心情）的生理数据，这些数据是在进行的一项人机交互研究中收集的。
研究来源该研究论文由Judith S. Heinisch、Jérôme Kirchhoff、Philip Busch、Janine Wendt、Oskar von Stryk和Klaus David撰写，分别来自University of Kassel和Technical University of Darmstadt。该论文发表在《Scientific Data》期刊上，论文编号为2024年第11卷第333期。
研究流程研究设计与方法研究采用多方法研究方法和被试间设计，旨在研究人类与拟人化服务机器人的负责任交互对人类情感的影响。研究选取了两种拟人化服务机器人，分别是Tiago++和Elenoide，机器人在实验中模拟了五种不同的行为条件：中性、透明、责任、道德和不道德。
实验场景设置实验在模拟的零售环境中进行，包含三个场景：产品咨询、客户账号创建和霉菌清除剂的交接。参与者被要求在这些场景中与机器人进行互动，机器人根据预设的脚本和条件进行响应和操作。
数据收集实验过程中，参与者佩戴Empatica E4腕带收集生理数据，包括皮肤电反应（GSR）、心率（HR）、皮肤温度（ST）等。此外，参与者在实验前后还需完成问卷，记录他们的情感状态和对机器人的评价。
数据分析数据集包括生理传感器数据、问卷数据和机器人行为数据（言语和手势）。通过对这些数据的分析，研究人员能够评估不同条件下机器人行为对参与者情感状态的影响。
研究结果主要结果情感变化：在透明条件下，参与者对数据隐私问题的负面情感反应减弱，整体情感状态更为放松和积极。而在责任条件下，失败的交接任务显著降低了参与者的愉快感，并提高了紧张感。
道德与不道德行为的影响：与中性条件相比，道德条件下的机器人行为降低了参与者的紧张感，使其情感状态更为放松。不道德行为则导致参与者情感更为紧张和不愉快。
研究结论该研究首次提供了标记有人类情感的生理数据集，用于人机交互中的情感计算。数据集不仅可以用于验证现有的情感识别方法，还可用于开发新的情感识别技术。研究结果表明，机器人行为的透明性和道德性对人类情感状态有显著影响，这对未来设计更具同理心和负责任的服务机器人具有重要指导意义。
研究亮点数据集的综合性：Affect-HRI数据集是首个公开提供的包含标记情感的生理数据的人机交互数据集。
多方法研究设计：研究结合了心理学、计算机科学和法律等多个学科的专业知识，提供了一个全面的人机交互视角。
实验场景的现实性：实验在模拟的零售环境中进行，场景设置贴近真实世界，提高了研究结果的应用价值。
研究的科学与应用价值科学价值：研究为情感计算和人机交互领域提供了宝贵的数据资源和新的研究视角，有助于推动相关技术的发展和完善。
应用价值：研究结果可应用于设计更加人性化和负责任的服务机器人，提高用户体验和接受度。此外，数据集也可用于跨学科的研究，如法律和伦理学，探讨人机交互中的责任和透明性问题。
其他重要信息参与者与招募实验共招募了175名参与者，其中29名因技术问题或未按要求完成任务被剔除，最终有效样本为146名（女性85名，男性60名，1名性别不明），年龄范围为18至66岁。参与者主要来自Technical University of Darmstadt的学生和工作人员。
数据匿名化为保护参与者隐私，所有数据均经过匿名处理。实验数据采用多层次的匿名化方法，包括时间匿名化和参与者ID匿名化，确保数据在研究中的安全和合规使用。
数据集验证数据集经过严格的技术验证和质量控制，确保了数据的准确性和可靠性。研究人员使用了多种分析工具和方法，对数据集进行了全面的验证和评估。
使用建议数据集可用于研究和改进情感识别方法、评估机器人行为对用户体验的影响以及探讨人机交互中的责任和透明性问题。研究人员建议使用Python等编程语言进行数据处理和分析，并结合其他开源数据集进行更深入的研究。
结论Affect-HRI数据集为情感计算和人机交互领域提供了一个宝贵的资源，研究结果揭示了机器人行为对人类情感状态的显著影响，为未来设计更具同理心和负责任的服务机器人提供了重要参考。通过跨学科的研究，数据集还可用于探讨人机交互中的伦理和法律问题，推动相关领域的发展。