اكتشاف العواطف بذكاء: تقنية جديدة تعيد تشكيل التعرف على المشاعر

في عالم الذكاء الاصطناعي، يتزايد الاهتمام بتطوير حلول أكثر فعالية للتعرف على المشاعر. تقدم دراسة جديدة تقنية مبتكرة تُعرف باسم Multimodal Functional Maximum Correlation (MFMC)، التي تستند إلى مبادئ التعلم الذاتي المدعوم (Self-Supervised Learning) وتعمل على تحسين فهمنا للتفاعلات العاطفية المعقدة.

يمكن القول إن الحالة العاطفية تتجلى من خلال استجابات فسيولوجية متنوعة، بدءًا من ردود الفعل في الأنظمة العصبية المركزية وصولًا إلى الاستجابات التلقائية. لكن التحدي يكمن في كيفية تمثيل هذه الديناميكيات المتعددة الأنماط بطريقة مشتركة وفعالة. تبرز الصعوبة في أن غالبية أساليب التعلم الذاتي الحالية تعتمد على الأهداف المُعقدة المرتبطة بزوجين من الأنماط، وهو ما لا يكفي للتعامل مع الاعتماد بين أكثر من نمط واحد.

هنا يأتي دور البُنية الجديدة MFMC، التي تهدف إلى تعظيم الاعتماد المتعدد الأنماط من خلال هدف مزدوج لارتباط التعقيد (Dual Total Correlation - DTC). يعتبر هذا الإطار الجديد قادرًا على التقاط التفاعلات المتعددة الأنماط مباشرةً، دون الاعتماد على الخسائر التباينية المتزاوجة التي لن تعكس بشكل كامل العلاقات الفعلية.

تثبت الدراسات التجريبية التي أُجريت على ثلاثة معايير عامة في مجال الحوسبة العاطفية أن MFMC يحقق نتائج متميزة بشكل متواصل، سواء في التقييم بناءً على الأفراد المعروفين أو الأفراد غير المعروفين. على سبيل المثال، حقق MFMC زيادة في الدقة الخاصة بالأفراد المعروفين على مجموعة CEAP-360VR من 78.9% إلى 86.8%. كما حصل على نتائج متفوقة بما يتعلق بالأفراد غير المعروفين، بزيادة من 27.5% إلى 33.1% عند استخدام إشارة (EDA) فقط.

تستمر هذه التقنية في مواجهة تحديات الانقسام الأكثر صعوبة، حيث تبقى ضمن 0.8 نقطة مئوية من أفضل الأساليب الأخرى في مجموعة MAHNOB-HCI، مما يبرز مرونتها أمام التغييرات بين الأفراد. لكل المهتمين في مجال الحوسبة العاطفية، يمكنك الوصول إلى شفرة MFMC على GitHub.

في ظل هذه التطورات الجديدة، ما رأيكم في إمكانية استخدام هذه التقنية في التطبيقات اليومية؟ شاركونا آراءكم في التعليقات!