Synthetic vs Human Emotional Faces: What Changes in Humans' Decoding Accuracy

随着虚拟代理技术的不断发展，使用辅助技术的人越来越多，因此有必要研究影响用户和代理之间交互的因素，其中包括人们解释和解码合成情感的方式，即虚拟代理传达的情感表达。因此，本文提出了一项研究，涉及278名参与者，分为不同年龄组（年轻、中年和老年）。在每个年龄组中，一些参与者接受了自然解码任务，即识别人类情感面孔，而其他人接受了合成解码任务，即虚拟代理传达的情感表达。参与者需要标记不同年龄（年轻、中年和老年）的女性和男性人类或虚拟代理展示的厌恶、愤怒、悲伤、恐惧、快乐、惊讶和中性的静态表情图片。结果显示，与其他年龄组相比，年轻参与者在愤怒、悲伤和中性方面表现更好，女性参与者在悲伤、恐惧和中性方面表现更好。悲伤和恐惧在传达真实人类面孔时更容易被识别，而快乐、惊讶和中性则在虚拟代理代表时更容易被识别。年轻面孔在表达愤怒和惊讶时更容易被解码，中年面孔在表达悲伤、恐惧和快乐时更容易被解码，而老年面孔在表达厌恶时更容易被解码。总体而言，女性面孔比男性面孔更容易被解码。

本论文旨在研究人们如何解读和识别虚拟代理人传达的情感表达，并探讨年龄、性别和表情类型对情感表达识别的影响。

论文通过对278名参与者进行实验，发现年轻人更擅长识别愤怒、悲伤和中立情绪，女性更擅长识别悲伤、恐惧和中立情绪，而真人面孔更容易识别悲伤和恐惧，而虚拟代理人更容易识别快乐、惊讶和中立情绪。此外，不同年龄段和性别的面孔在表达不同情绪时，识别准确率也会有所不同。

实验结果表明，虚拟代理人传达情感表达时，与真人面孔相比，更容易识别快乐、惊讶和中立情绪。女性在识别悲伤、恐惧和中立情绪时表现更好。年轻人更擅长识别愤怒、悲伤和中立情绪，而老年人则更擅长识别厌恶情绪。此外，不同年龄段和性别的面孔在表达不同情绪时，识别准确率也会有所不同。

近期的相关研究包括：1. "Facial expression recognition with deep learning: a review"；2. "Emotion recognition using facial expressions based on deep learning: a review"；3. "A review of affective computing: from unimodal analysis to multimodal fusion"。