Tamaño de fuente:
Modelado Predictivo y Computación Afectiva: ¿El Futuro (o presente) de las Ciencias Afectivas?
Última modificación: 2023-07-12
Resumen
Introducción
La computación afectiva se ha centrado tradicionalmente en optimizar la performance de los modelos de predicción de emociones. Sin embargo, existe la oportunidad de aprovechar el modelado predictivo para mejorar nuestra comprensión de las emociones humanas, fomentando una conexión más fuerte entre la computación afectiva y la ciencia afectiva.
Objetivos
Este estudio resalta la importancia de comprender las dinámicas temporales de las emociones y aprovecha esta oportunidad utilizando el conjunto de datos Continuously Annotated Signals of Emotion (CASE). Asimismo, se busca desarrollar y comparar modelos predictivos para las dimensiones de valencia y activación (arousal)
Metodología
Se desarrollaron modelos predictivos para las dimensiones de activación y valencia utilizando la base de datos CASE. Estos modelos se compararon para identificar diferencias en el rendimiento de dichos modelos, y determinar la importancia de las características (features) de los modelos predictivos en cada caso.
Resultados
Los hallazgos revelaron que no existen diferencias significativas de performance entre las dos dimensiones, lo que contrasta con las expectativas basadas en la literatura previa. Además, se demostró que las predicciones que incorporan características de los datos pasados (i.e. datos fisiológicos previos a la anotación afectiva) son más informativas que aquellas basadas en datos futuros (i.e. datos fisiológicos posteriores a la anotación afectiva).
Discusión
Este resultado sugeriría que la actividad fisiológica precede a la experiencia afectiva y a la posterior anotación. Estos hallazgos contribuyen a una comprensión más profunda de las dinámicas temporales de las emociones y sus implicaciones para la computación afectiva y la ciencia afectiva, enfatizando el potencial de este enfoque interdisciplinario. Así, la computación afectiva y el modelado predictivo podrían representar el futuro - o incluso el presente - de las ciencias afectivas.
La computación afectiva se ha centrado tradicionalmente en optimizar la performance de los modelos de predicción de emociones. Sin embargo, existe la oportunidad de aprovechar el modelado predictivo para mejorar nuestra comprensión de las emociones humanas, fomentando una conexión más fuerte entre la computación afectiva y la ciencia afectiva.
Objetivos
Este estudio resalta la importancia de comprender las dinámicas temporales de las emociones y aprovecha esta oportunidad utilizando el conjunto de datos Continuously Annotated Signals of Emotion (CASE). Asimismo, se busca desarrollar y comparar modelos predictivos para las dimensiones de valencia y activación (arousal)
Metodología
Se desarrollaron modelos predictivos para las dimensiones de activación y valencia utilizando la base de datos CASE. Estos modelos se compararon para identificar diferencias en el rendimiento de dichos modelos, y determinar la importancia de las características (features) de los modelos predictivos en cada caso.
Resultados
Los hallazgos revelaron que no existen diferencias significativas de performance entre las dos dimensiones, lo que contrasta con las expectativas basadas en la literatura previa. Además, se demostró que las predicciones que incorporan características de los datos pasados (i.e. datos fisiológicos previos a la anotación afectiva) son más informativas que aquellas basadas en datos futuros (i.e. datos fisiológicos posteriores a la anotación afectiva).
Discusión
Este resultado sugeriría que la actividad fisiológica precede a la experiencia afectiva y a la posterior anotación. Estos hallazgos contribuyen a una comprensión más profunda de las dinámicas temporales de las emociones y sus implicaciones para la computación afectiva y la ciencia afectiva, enfatizando el potencial de este enfoque interdisciplinario. Así, la computación afectiva y el modelado predictivo podrían representar el futuro - o incluso el presente - de las ciencias afectivas.
Palabras clave
ciencias afectivas, computación afectiva, aprendizaje automático, señales periféricas
Se necesita una cuenta en este sitio para poder ver los documentos. Haga clic aquí para crear una cuenta.