[论文解读] Affect Control Processes: Probabilistic and Decision Theoretic Affective Control in Human-Computer Interaction.

Jesse Hoey, Tobias Schröder+1 more|arXiv (Cornell University)|Jun 22, 2013

Mental Health Research Topics被引用 3

一句话总结

本文提出 BayesAct，一种基于概率和决策理论的Affect Control Theory扩展，通过将多种行为和身份假设表示为概率分布，来建模人机交互中的情感控制。该方法通过学习与预测实现价值导向、情感上可信的交互，已在基于调查获取的情感知识的智能辅导系统试点研究中得到验证。

ABSTRACT

Affect Control Theory is a mathematical representation of the interactions between two persons, in which it is posited that people behave in a way so as to minimize the amount of deflection between their cultural emotional sentiments and the transient emotional sentiments that are created by each situation. Affect control theory presents a maximum likelihood solution in which optimal behaviours or identities can be predicted based on past interactions. Here, we formulate a probabilistic and decision theoretic model of the same underlying principles, and show this to be a generalization of the basic theory. The new model, called BayesAct is more expressive than the original theory, as it can maintain multiple hypotheses about behaviours and identities simultaneously as a probability distribution, and can make value-directed action choices. This allows the model to generate affectively believable interactions with people by learning about their identity, predicting their behaviours, and taking actions that are simultaneously goal-directed and affect-sensitive. We demonstrate this generalisation with a set of simulations. We then show how our model can be used as an emotional plug-in for systems that interact with humans. We demonstrate human-interactive capability by eliciting knowledge from 37 participants with a survey, and then using this knowledge to build a simple demonstrative intelligent tutoring application. We present results from a pilot study with 20 participants using the application.

研究动机与目标

• 将经典Affect Control Theory扩展为支持人类身份与行为动态信念更新的基于概率和决策理论的框架。
• 通过平衡目标导向行为与情感敏感性，使系统能够生成情感上可信的交互。
• 利用从人类参与者中学习到的情感知识，开发可推广的情感插件，用于交互系统。
• 通过模拟和与人机交互的智能辅导应用的试点研究，验证模型的有效性。

提出的方法

• 将Affect Control Theory形式化为贝叶斯概率模型，以维护可能身份与行为的概率分布。
• 使用决策理论优化方法，选择能最小化情感偏离同时实现系统目标的动作。
• 整合来自37名参与者的调查获取的情感情感倾向数据，以参数化模型的情感先验和行为期望。
• 通过模拟情感交互，评估模型预测和响应情感动态的能力。
• 将模型实现为原型智能辅导系统中的情感插件，以支持实时人机交互。
• 通过20名参与者的试点研究，评估系统在情感可信度和有效性方面的表现。

实验结果

研究问题

• RQ1 基于概率的Affect Control Theory扩展能否有效建模并预测交互系统中的人类情感反应？
• RQ2 将多种行为和身份假设作为概率分布维持，如何提升情感预测与响应生成的能力？
• RQ3 该模型在真实世界人机交互环境中，能在多大程度上生成情感可信且目标导向的交互？
• RQ4 整合人类获取的情感倾向数据在多大程度上提升了模型的现实感与响应能力？

主要发现

• BayesAct模型通过支持多假设和价值导向的动作选择，成功将经典Affect Control Theory进行了泛化。
• 模拟结果表明，该模型能够动态维持和更新情感信念，从而生成更细致、更具情境敏感性的响应。
• 在试点研究中，使用BayesAct的智能辅导系统被参与者认为具有情感可信度。
• 来自37名参与者的调查数据提供了可靠的情感先验，提升了模型预测情感反应的准确性。
• 20名参与者参与的试点研究证实了将BayesAct作为情感插件集成到交互系统中的可行性。
• 该模型使系统能够在情感敏感性与目标导向行为之间取得平衡，从而提升人机交互中的自然感感知。