[论文解读] The Relationship Between Emotion Models and Artificial Intelligence

Christoph Bartneck, Michael J. Lyons+1 more|arXiv (Cornell University)|Jun 29, 2017

Social Robot Interaction and HRI参考文献 8被引用 24

一句话总结

本文批判性地审视了人工通用智能中OCC（Ortony、Cohen与Collins）情绪模型的局限性，特别是在具身智能体与人机交互中的应用。文章指出，尽管OCC模型在情绪合成中被广泛采用，但其有效性受限于底层人工智能能力，呼吁构建更加集成化、自适应的情绪建模框架，超越静态规则，以支持人工智能系统中动态、情境敏感的情绪行为。

ABSTRACT

Emotions play a central role in most forms of natural human interaction so we may expect that computational methods for the processing and expression of emotions will play a growing role in human-computer interaction. The OCC model has established itself as the standard model for emotion synthesis. A large number of studies employed the OCC model to generate emotions for their embodied characters. Many developers of such characters believe that the OCC model will be all they ever need to equip their character with emotions. This study reflects on the limitations of the OCC model specifically, and on the emotion models in general due to their dependency on artificial intelligence.

研究动机与目标

• 分析情绪模型（尤其是OCC模型）在人工智能与人机交互中的作用。
• 识别OCC模型在AI系统中应用时，由于其僵化、基于规则的结构而产生的固有局限性。
• 探讨情绪模型的表现力与适用性如何受到底层人工智能架构的制约。
• 倡导采用更具适应性与情境敏感性的情绪建模方法，以更好地契合实时、动态的人机交互。
• 激发研究工作，推动情绪模型更深层次地整合进人工智能系统，超越孤立的情绪生成模块。

提出的方法

• 对OCC模型的理论基础及其在人工智能驱动的具身智能体中的实现进行批判性回顾。
• 分析OCC模型在认知机器人学与情感计算中应用的案例研究与文献。
• 评估该模型对人工智能组件（如推理、感知与决策系统）的依赖，以实现情绪行为。
• 提出情绪模型必须与人工智能系统动态耦合，而非被视为静态、预定义的规则集合。
• 通过现有实现的定性分析，突出其在适应性、情境敏感性与实时响应方面的不足。
• 借鉴认知科学与情感计算的洞见，提出面向下一代情绪感知人工智能系统的设计原则。

实验结果

研究问题

• RQ1 OCC模型基于规则的结构在动态、现实世界的人工智能应用中在多大程度上限制了其有效性？
• RQ2 对底层人工智能架构的依赖如何制约情绪模型的表现力与适应性？
• RQ3 将情绪模型视为孤立模块而非人工智能系统集成组件的主要缺陷是什么？
• RQ4 如何使情绪模型更好地契合人工智能系统中人类互动的认知与行为动态？
• RQ5 为实现更具适应性与情境敏感性的情绪建模，人工智能中需要哪些设计原则？

主要发现

• 尽管OCC模型被广泛采用，但其僵化性使其缺乏在复杂环境中实现动态情绪适应的机制。
• 像OCC这样的情绪模型从根本上受限于其所嵌入的人工智能系统，尤其在感知、推理与决策能力方面。
• 许多开发者高估了OCC模型的完备性，将其视为完整解决方案，而实际上它无法处理情境变化或实时情绪反馈。
• 本文识别出理论情绪模型与实际人工智能实现之间存在关键差距，特别是在具身智能体与社交机器人领域。
• 亟需情绪模型不仅基于规则，还需具备可学习性、情境意识，并能响应环境与社会线索。
• 情绪模型在人工智能系统中的集成应优先考虑适应性与实时交互，而非静态、预定义的情绪反应。