SST：对情感的高维度理解和映射让机器更真实地模拟人类情感

Hume AI的博客文章《 什么是语义空间理论？ 》介绍了一个先进的理解情感的方法：语义空间理论（SST）。这种方法利用计算方法和数据驱动的方法来映射我们情感的全谱。 这种理论使用计算方法和数据驱动的方式，通过分析大量的自然语言数据来映射情感的全谱。SST旨在超越传统的情感研究方法，提供一个更为复杂和全面的框架来理解人类的情感体验和表达。 SST的原理 SST的核心原理基于这样一个观点：情感可以在一个高维的语义空间中被定位和映射。这个语义空间包含了不同情感之间的关系，以及它们如何相互作用和转换。SST通过收集和分析自然情境下的语言表达、面部表情、声音调调和非语言声音（如哭泣或笑声）等数据，使用归纳性的、数据驱动的方法来识别和描述这个高维空间。 SST通过对情感的高维度理解和映射，提供了一种更为精准和细致的方法来捕捉人类情感的复杂性和多样性。这种理论的核心在于，它不是将情感简化为几个基本类别或者单一维度（如快乐、悲伤等），而是认识到人类情感的丰富性和连续性，从而能够更精细地描述情感的不同状态和转换。使得SST（语义空间理论）可以让机器更真实地模拟人类情感。 STT研究洞见 情感的高维性 ：SST的研究表明，情感远比传统理论所认为的更为复杂。传统上，情感被简化为几个基本类别或维度，如“基本六情绪”或“价值感和唤起度”。然而，SST通过数据驱动的方法发现，人们实际上使用超过20个不同的维度来描述情感体验，表明情感具有至少四倍于传统假设的复杂性。

情感类别的非离散性 ：SST研究揭示，情感在语义空间中并非离散存在，而是表现出连续性和混合性。许多传统理论视为独立的情感类别实际上通过连续的意义梯度相互连接，展示了情感体验的异质性和多样性。例如，愤怒和厌恶或敬畏和恐惧之间存在过渡状态，SST能够揭示这些状态的混合情感和表达。

具体情感的实在性和组织性 ：SST的发现强调，特定的情感类别（如愤怒、敬畏或恐惧）比更广泛的情感维度（如价值感和唤起度）更能准确地捕捉和描述情感体验。这表明人们在描述自己的经历和从表情中推断意义时，实际上是通过情感类别而非简单的情感维度来进行的。

跨文化情感的一致性和多样性 ：SST还支持跨文化的情感研究，揭示了不同文化之间情感表达和体验的共性和差异。这表明虽然情感体验在全球范围内是普遍存在的，但具体的情感表达方式和解读可以因文化而异。

情感科学的新途径 ：SST为情感研究提供了新的研究方法和理论框架，允许科学家更准确地描述和理解情感的复杂性。这包括利用大数据、自然语言处理和高级统计模型来捕捉情感的细微差别，推动情感科学的进步。

SST能做什么 情感分析 ：SST可以用于深入分析和理解人类的情感反应，包括情感的多样性和复杂性。这包括识别情感的不同维度，以及如何在不同文化和语言中表达和经历情感。

情感建模 ：利用SST，研究人员和开发者可以创建更为精准的情感识别模型，这些模型能够识别出人类表达中的细微情感差异，提高情感识别技术的准确性和可靠性。在社交媒体分析、市场研究等领域，提供更精细的情感洞察，以理解公众情绪或消费者反馈。

跨文化情感研究 ：SST支持跨文化的情感研究，帮助研究人员理解不同文化背景下情感的共性和差异，增进对全球情感多样性的理解。

计算情感理解 ：SST的发现为情感的详细计算理解铺平了道路，提供了一套理论和方法框架，以科学的方式捕捉和理解人类经验和情感的复杂性。 人机交互 ：提高虚拟助手、客服机器人等的情感智能，使它们能够更自然和有效地与用户交流。 心理健康应用 ：开发可以理解和回应用户情感状态的应用程序，支持情绪管理和心理健康干预。 SST使机器更真实地模拟人类情感： 高维度情感模型 ：SST允许机器通过高维度的情感模型来理解和模拟人类情感，这些模型能够反映情感的广泛谱系和微妙差异。例如，机器可以区分复杂的情感状态，如带有轻微焦虑的期待或带有愉悦感的悲伤。

数据驱动的情感理解 ：通过使用大量的自然数据（包括文本、面部表情、声音等）来训练模型，SST使得机器能够基于实际人类表达和体验来模拟情感。这种方法有助于机器学习和模拟更加真实和具体的情感反应。

跨文化情感识别 ：SST的应用还包括对不同文化背景下情感表达的理解，这意味着机器不仅能模拟特定文化中的情感表达，还能跨文化准确理解和响应情感。

情感的连续性与混合性 ：SST认识到情感往往是连续和混合的，而不是离散的。这使得机器能够模拟人类情感的流动性和复杂的情感混合，如敬畏中夹杂着轻微的恐惧，或愤怒中含有失望的成分。

原文： https://www.hume.ai/blog/what-is-semantic-space-theory Hume AI简介 Hume AI致力于通过其AI工具包测量、理解和改善技术对人类情感的影响，开创了同情心技术的新时代。它们通过开发具有同情心的大型语言模型（eLLMs）来重塑人工智能与人类的互动。 主要产品和服务 表情测量API ：基于10多年的研究，Hume AI的模型能够即时捕捉音频、视频和图片中表情的细微差别，例如夹杂着尴尬的笑声、松一口气的叹息、怀旧的目光等。这些模型旨在深入理解和解释人类的情感表达。

自定义模型API ：Hume AI提供低代码的自定义模型解决方案，允许用户在其应用程序中构建定制化的见解。这些模型利用从Hume AI的先进表情测量模型和eLLMs中获得的转移学习，可以比仅使用语言更准确地预测几乎任何结果，例如人类的福祉。

研究和发展 Hume AI不仅提供产品和服务，还致力于基础模型的研究以及如何将这些模型与人类福祉相结合。他们的研究覆盖了从情感理论到机器学习模型如何更好地与人类情感对齐的广泛领域。 更多研究： https://www.hume.ai/research 原文翻译 什么是语义空间理论？ • Hume AI 我们的模型和产品建立在一个前沿的理解情感的方法上：语义空间理论 (Semantic Space Theory, SST)，它使用计算方法和数据驱动的方法来绘制我们感受的全部光谱 情感是深度个人化的，塑造了构成我们身份的众多模式和偏好：我们的社交互动、我们的关系、我们对艺术和音乐的反应，以及我们决定在生活中工作和关注的内容。 但多年来，情感的科学研究一直在应对基础问题：什么是情感？情感最初是如何为科学研究所代表的？ 对情感的科学方法通常将情感简化为少数几个类别（例如 愤怒 、 厌恶 、 恐惧 、 快乐 、 悲伤 和 惊讶 ；或“基本6”）或维度（例如价值和唤醒）。 这些想法几十年来一直塑造着情感的研究，从研究人员可用的刺激集，到计算模型提供的输出。即使是批评“基本6”方法的研究人员，也倾向于仅在他们的研究中使用基本6作为条件，因为这些实践限制。 我们如何超越此限制，以捕捉人们实际对情感所作的复杂、细腻的评价？ 我们在Hume的研究基础是 语义空间理论 (SST) ，这是一种归纳的、数据驱动的方法来回答这些问题。使用广泛的自然数据和开放式、前沿的统计方法，SST绘制了人类情感的全部光谱。 一种数据驱动的、计算方法的情感研究 随着计算、数据存储、在线数据收集等技术的最新进步，为新一代情感科学奠定了舞台。收集大量自然数据并使用统计建模来定量描述大型数据集变得更加可行，这得益于我们存储和处理这些数据能力的提高。 归纳的、数据驱动的方法对数据的分布预设假设较少，并且—因此—可以捕捉到情感的多种不同贡献者—既是我们试图测量的实际结构，也是过去难以测量的混淆因素。将这些技术与大规模数据收集结合起来，提供了训练模型的能力，这些模型能够捕捉到特定的线索和兴趣行为，并减少这些模型的偏见贡献。 SST超越了低维情感理论，将情感视为一个高维语义空间，这些技术使我们能够详细地绘制这个空间。 这些方法带来了三个主要的见解，为情感的详细计算理解铺平了道路。 情感是高维的 在语义空间内区分了多少种情感？ 而不是事先决定只有6个类别定义情感空间，并且仅包括符合这一假设的刺激和反应选项，SST的方法是进行实验，使用广泛的表达性和唤起性刺激，收集对广泛情感、心理状态和非言语行为的反应。识别捕捉这些反应中系统变化的维度需要数据驱动的统计建模，如多维可靠性分析。 这些方法已被用来理解在 自我报告的经验 、 面部表情 、 语音韵律 、 非言语声音（声音爆发） 、 音乐唤起的感觉 以及 古代艺术中描绘的表情 中表达的情感的语义空间。这些研究在多种文化中进行，包括我们最近在5-6个国家进行的工作。 这些研究一致发现，人们用来描述这些不同领域的情感至少有20个不同的维度。特定的情感数量不如一个总体见解重要—— 情感至少比传统假设的复杂四倍 。 情感的语义空间。A) 语义空间框架能够提供关于有多少维度的情感、这些情感如何在语义空间中分布，以及这些情感最佳概念化的方法的定量理解。B) 面部表情和声音爆发中表达的情感的语义空间。C) 在情感经验的自我报告中描述的情感的语义空间。D) 文化跨界中音乐唤起的感觉的语义空间。E) 语音韵律中表达的情感的语义空间。F) 古代美洲艺术中描绘的情感的语义空间。图表由 认知科学趋势 提供 情感类别不是离散的 情感在语义空间中是如何分布的？ SST的方法允许情感的结构从数据本身中浮现，这通常显示情感不是离散的，而是异质的，并且经常混合。 在绘制情感的语义空间时，许多可能被传统理论视为离散和分开的情感——如_愤怒_和_厌恶_，或_敬畏_和_恐惧_——实际上是通过意义上的连续渐变连接的。例如，_敬畏_和_恐惧_之间有许多状态，SST显示这些状态伴随着复合的感觉和表达，这些表达可靠地代表这些混合、中间的意义。 人类经验是复杂的——但SST提供了一种科学方法，可以捕捉和理解这种复杂性。 特定情感是真实的，它们组织情感行为 情感最好使用明确的类别（如_愤怒_、 胜利_或_恐惧 ）来理解，还是最好用其他结构（如价值和唤醒）来描述？ 我们的研究表明，价值和唤醒仅捕捉到情感状态评级变化的一小部分。与此同时，情感类别的评级几乎捕捉了价值和唤醒中的全部变化。换句话说，人们描述自己经验的方式，以及他们从表达中推断的含义，统计上更好地通过情感类别而不是更广泛的“核心情感”维度来捕捉。 此外，我们研究的不同文化中的人们在对情感和心理状态术语的评级上显示出了比他们对价值和唤醒的评级更多的一致性。 这就是为什么，在Hume，我们的表达测量模型提供的输出对应于情感类别（如_恐惧_、 胜利_和_悲伤 ），而不是试图将它们简化为底层维度。情感最好使用情感类别来理解和描述。 传统模型所捕捉的。Venn图显示了报告的情感经验和感知中可靠变异的比例，由基本6和价值/唤醒与语义空间理论相比。总的来说，基于基本6和价值及唤醒的传统模型大多未能捕捉到情感表达传达的丰富意义空间，以及在自我报告中出现的。图表由 认知科学趋势 提供 。 结论 语义空间理论是一种数据驱动的、计算方法的情感科学方法，它克服了现有方法的限制——无论是研究方法还是思考情感的框架。结果的方法不是简化的，捕捉了情感的复杂性，并且有能力解释和整合该领域中的细微理论主张。 SST利用先进的计算、统计和数据收集方法，为前进提供了一条道路——提供了一个科学研究情感的框架，承认人类经验和感觉的全部复杂性。 这个框架指导了我们如何训练我们的模型和构建我们的产品在Hume。这些发现也为进一步的情感绘制工作铺平了道路，无论是在大脑中、身体中、社会关系中，还是在文化形式中的情感表达中。 保持对我们最新发展的关注 https://hume.ai/science 。更多信息，以及阅读我们的一些已发布研究，请访问 https://dev.hume.ai/docs/published 。