valence

As AI virtual influencers (AIVIs) proliferate, understanding human-AI emotional engagement is vital for advancing affective computing. To examine whether AIVIs evoke comparable affective responses to human influencers (HIs), we analyzed 156,918 Instagram comments that received 12+ million likes, integratinglarge language model (LLM)-derived knowledge graphs, emotion analysis, and machine learning. HI-directed discourse shows more differentiated emotional expression and a pattern consistent with more cohesive semantic networks than AIVI-directed discourse. AIVI-directed comments are less likely to express positive affect (24.8% vs. 41.5%) and also less likely to express negative affect (5.8% vs. 9.3%), indicating reduced affective expression of either valence rather than heightened negativity. This group-level tendency is not uniform: affective engagement varies substantially across AIVIs, and that variation is more closely associated with positive than with negative expression. Our Multi-Signal Embedding Network (MSEN), incorporating behavioral metrics and OpenAI semantic embeddings, classified influencer types from behavioral, affective and semantic features (F1 = 0.89), outperforming baselines including a state-of-the-art zero-shot LLM. These findings identify a boundary condition for the Computers Are Social Actors (CASA) paradigm: human-like appearance can elicit social responses without producing affective and semantic response patterns as rich as those elicited by HIs.

Background Simulated interviews could provide behavioral information for young-adult mental-health research, including studies of social-evaluative anxiety. Their value depends on reliable observer impressions and interpretable links to participants’ self-reports. We examined personality expression, affective communication, self-observer correspondence, and competence impressions in emerging adults. Methods Two video-interview protocols were administered to participants aged 18–23 years: an occupationally framed protocol ( n = 55 ) and a broader personality-oriented protocol ( n = 33 ); 30 participants completed both. The protocols covered parallel HEXACO-related domains but differed in both framing and question content. Participants completed HEXACO self-reports and selected one of five valence-arousal categories after each response. Four observers rated personality expression, affective communication, and competence. We distinguished focused domain-matched tests from secondary question-level tests and exploratory correlation matrices, reported 95% confidence intervals, used permutation tests, and controlled the false-discovery rate within analysis families. Results Self-reported HEXACO scores were similar across protocols except for lower Agreeableness in the broader protocol (mean difference = − 0.23 , 95% CI [ − 0.35 , − 0.12 ] , q = 0.004 ). Global valence was more positive in the broader protocol (mean difference = 0.30 , 95% CI [ 0.15 , 0.45 ] , q < 0.001 ), whereas the arousal difference was uncertain. Reliability was heterogeneous: personality and competence ICCs ranged from 0.27 to 0.65 and 0.35 to 0.64 in the occupational protocol and from 0.33 to 0.58 and 0.22 to 0.73 in the broader protocol. Question-level affect ICCs were approximately 0.00 to 0.60 and − 0.91 to 0.03, respectively. Occupational self-observer correlations for Extraversion and Agreeableness survived correction; no broader-protocol personality correlation did. Strong same-observer personality-competence associations survived correction in both protocols, but broader-protocol affect-competence associations did not. Conclusions Affective reports differed between protocols, but question content also differed, precluding a pure context effect. Observer-rating reliability and self-observer correspondence identify conditions for future mental-health studies pairing simulated interviews with validated symptom and functioning measures.

Introduction This study treats adolescent athletes' self-efficacy as a dynamic process rather than a fixed quantity, asking how its fluctuations arise in online social settings and how that volatility shapes training engagement. Methods We recruited a stratified sample of 320 youth athletes across sport discipline, competitive tier, and sex, and combined ecological momentary assessment with weekly follow-up over 8 consecutive weeks, using instruments released under open licenses and open-source software throughout. Two dispersion indices, the intraindividual standard deviation and the root mean square of successive differences, summarized fluctuation at the person level, while absolute occasion-to-occasion change indexed momentary instability at the event level. We fitted multilevel linear models, a two-level dynamic structural equation model, latent growth curve models, and multilevel structural equation models, with each path labeled by its level of analysis. Results Momentary self-efficacy showed genuine within-person temporal dependence rather than independent scatter, and its trajectory was phase-linked to the competitive calendar and unevenly distributed across individuals. Between persons, fluctuation amplitude tracked the intensity of negatively valenced comparison rather than the sheer volume of feedback, and comparison orientation amplified that association on the negative arm alone. Within persons, negative comparison enlarged momentary instability both immediately and at a one-occasion lag, whereas positive signals steadied confidence only briefly. Amplitude was negatively associated with all three engagement facets beyond mean efficacy, most strongly for absorption, although a formal equality test separated absorption from dedication but not vigor. The direct reach of negative comparison into engagement proved facet-specific: vigor and absorption were affected, dedication was not, so the facet-by-facet hypothesis holds only in part. Sensitivity analyses adding competitive-calendar phase, splitting the series by season phase, partialling the person mean and the person-specific autoregression out of the amplitude index, entering competitive tier as a covariate, and checking participant-coded valence against automated sentiment scoring left the pattern intact. Discussion The findings extend social cognitive theory's vicarious and persuasive sources into a temporally dense digital regime and point toward protective coaching and self-regulation strategies.

OBJECTIVE: Multi-view electroencephalography (EEG) emotion recognition must decide how the spectral graph sets of different connectivity views correspond and how their graph propagation operators interact. We present CSTO-Net, a cross-view spectral-transport and topology-operator network for EEG-based emotion recognition. Approach: CSTO-Net integrates three window-wise views: dynamic differential entropy (DDE) as node attributes, amplitude-envelope Pearson correlation coefficient (PCC) graphs, and phase-locking value (PLV) graphs. Cross-View Spectral Transport Routing (CSTR) formulates PCC-PLV spectral correspondence as an entropy-regularized optimal-transport problem with explicit marginal constraints, deliberately separating correspondence estimation from band-importance estimation. Directional Cross-Topology Modulation (DCTM) performs ordered composition of the two routed propagation operators on shared node features and encodes order-dependent propagation discrepancy via a provably skew-symmetric graph-operator commutator with signed decomposition. Main results: On the Database for Emotion Analysis using Physiological Signals (DEAP) dataset, CSTO-Net achieves 93.95 ± 2.50% valence and 94.97 ± 2.72% arousal accuracy under the subject-dependent setting, and 93.73% and 94.54% under participant-wise five-fold subject-independent cross-validation across 32 participants. On the SJTU Emotion EEG Dataset (SEED), it achieves 93.12% under the standard subject-dependent split, 91.36% under 15-fold leave-one-subject-out evaluation across 15 participants, and 98.05 ± 2.32% under subject-dependent five-fold cross-validation. Ablation studies confirm that both CSTR and DCTM contribute substantially to recognition accuracy. Significance: These results demonstrate that explicit cross-view spectral correspondence and topology-operator-level interaction provide complementary benefits for EEG emotion recognition, offering an interpretable route for modeling order-sensitive interactions between functional connectivity views.

هدف: شناسایی هیجان مبتنی بر الکتروانسفالوگرافی چندنما (EEG) باید تعیین کند که مجموعه‌های گراف طیفی نماهای مختلف ارتباطی چگونه با یکدیگر متناظر می‌شوند و عملگرهای انتشار گراف آن‌ها چگونه با هم تعامل دارند. ما CSTO-Net را ارائه می‌دهیم؛ شبکه‌ای برای انتقال طیفی بین‌نما و عملگر توپولوژی جهت شناسایی هیجان مبتنی بر EEG. روش: CSTO-Net سه نمای مبتنی بر پنجره را ادغام می‌کند: آنتروپی تفاضلی پویا (DDE) به عنوان ویژگی‌های گره، گراف‌های ضریب همبستگی پیرسون پوش‌آمپلیتیود (PCC) و گراف‌های مقدار قفل‌شدگی فاز (PLV). مسیریابی انتقال طیفی بین‌نما (CSTR) متناظر بودن طیفی PCC-PLV را به صورت یک مسئله انتقال بهینه با قید حاشیه‌ای صریح و منظم‌سازی آنتروپی مدل‌سازی می‌کند و به طور هدفمند برآورد متناظری را از برآورد اهمیت باند جدا می‌سازد. مدولاسیون متقاطع توپولوژی جهت‌دار (DCTM) ترکیب مرتب دو عملگر انتشار مسیریابی‌شده را بر ویژگی‌های گره مشترک انجام می‌دهد و اختلاف انتشار وابسته به ترتیب را از طریق یک جابجایی عملگر گراف با تجزیه علامت‌دار و اثباتاً پادمتقارن رمزگذاری می‌کند. نتایج اصلی: بر روی پایگاه داده تحلیل هیجان با استفاده از سیگنال‌های فیزیولوژیک (DEAP)، CSTO-Net به دقت 93.95 ± 2.50٪ برای والانس و 94.97 ± 2.72٪ برای برانگیختگی در شرایط وابسته به آزمودنی دست می‌یابد و در اعتبارسنجی متقاطع پنج‌تایی مستقل از آزمودنی به ترتیب 93.73٪ و 94.54٪ در میان 32 آزمودنی کسب می‌کند. بر روی پایگاه داده EEG هیجان دانشگاه SJTU (SEED)، به دقت 93.12٪ در تقسیم‌بندی استاندارد وابسته به آزمودنی، 91.36٪ در ارزیابی leave-one-subject-out پانزده‌تایی در میان 15 آزمودنی و 98.05 ± 2.32٪ در اعتبارسنجی متقاطع پنج‌تایی وابسته به آزمودنی دست می‌یابد. مطالعات حذف مؤلفه نشان می‌دهد که هر دو مؤلفه CSTR و DCTM سهم قابل توجهی در دقت شناسایی دارند. اهمیت: این نتایج نشان می‌دهد که متناظر‌سازی طیفی بین‌نما و تعامل در سطح عملگر توپولوژی، مزایای مکملی برای شناسایی هیجان مبتنی بر EEG فراهم می‌آورد و مسیر قابل تفسیر برای مدل‌سازی تعاملات حساس به ترتیب بین نماهای ارتباط عملکردی ارائه می‌دهد.

How do expert teams manage uncertainty and emotion when lives depend on coordinated performance? We present the first dual-channel analysis of team cognition in action: how a crew distributes information, coordination and affect between its private (crew-to-crew) and public (crew-to-ground) channels across a complete spaceflight mission. All 13,114 Apollo 11 statements (161,954 words) were coded with a validated six-category taxonomy and an emotional valence scheme. The crew expressed uncertainty at more than double the rate privately (21.11%) compared with the public channel (10.28%), while negative affect was four times more prevalent in private communication (2.82% versus 0.71%). This pattern persisted during the life-threatening descent and landing sequence. The private channel supported iterative uncertainty processing, with an uncertainty statement followed by further uncertainty in 18.78% of cases privately against 8.46% publicly, while the public channel exhibited a tight information–confirmation protocol. An expert team can thus actively partition cognitive and affective processing even under genuine life-or-death conditions, with implications for communication architecture, training and crew autonomy in future deep-space missions.

تیم‌های خبره چگونه در شرایطی که جان افراد به عملکرد هماهنگ وابسته است، با عدم قطعیت و هیجان مقابله می‌کنند؟ در این پژوهش، نخستین تحلیل دوکاناله از شناخت تیمی در عمل ارائه می‌شود: نحوه توزیع اطلاعات، هماهنگی و عاطفه توسط خدمه بین کانال خصوصی (ارتباط خدمه با یکدیگر) و کانال عمومی (ارتباط خدمه با مرکز کنترل زمینی) در طول یک مأموریت کامل فضایی بررسی شده است. تمامی ۱۳٬۱۱۴ اظهار خدمه آپولو ۱۱ (معادل ۱۶۱٬۹۵۴ واژه) با استفاده از یک طبقه‌بندی شش‌گانه معتبر و طرح ارزش‌گذاری هیجانی کدگذاری شدند. خدمه در کانال خصوصی بیش از دو برابر کانال عمومی ابراز عدم قطعیت داشتند (۲۱٫۱۱٪ در مقابل ۱۰٫۲۸٪)، در حالی که عاطفه منفی چهار برابر بیشتر در ارتباطات خصوصی مشاهده شد (۲٫۸۲٪ در مقابل ۰٫۷۱٪). این الگو در طول توالی نزول و فرود تهدیدکننده حیات نیز پایدار بود. کانال خصوصی از پردازش تکرارشونده عدم قطعیت پشتیبانی می‌کرد، به‌طوری‌که در ۱۸٫۷۸٪ موارد، بیان عدم قطعیت با بیان عدم قطعیت دیگری دنبال می‌شد، در حالی که این میزان در کانال عمومی ۸٫۴۶٪ بود؛ در مقابل، کانال عمومی پروتکل اطلاعات–تأیید دقیقی را نشان داد. بنابراین، یک تیم خبره می‌تواند حتی تحت شرایط واقعی مرگ و زندگی، پردازش‌های شناختی و عاطفی را به طور فعال تقسیم کند؛ این یافته‌ها پیامدهایی برای معماری ارتباطات، آموزش و خودمختاری خدمه در مأموریت‌های آینده اعماق فضا دارد.

Background Depression is a prevalent mental health condition that significantly affects individuals’ well-being and daily functioning, making early depressive symptom detection crucial. Objectives This study explores the potential of advancing speech analytics with dimensional sentiment analysis, using valence and arousal scoring to enhance depressive symptom detection in family caregivers. Methods We recruited 116 family caregivers and assessed their depression levels using the Beck Depression Inventory-II. Participants provided verbal responses to 12 open-ended questions related to family resilience. The extracted words from the responses were analyzed for sentiment using the Chinese Valence-Arousal Words dictionary to determine their valence and arousal ratings. For each participant, we computed various summary statistics (e.g., mean, variance, quantiles) and frequency-domain statistics (e.g., spectral entropy, dominant frequency components) of valence and arousal distributions. These features were then used as predictors in nine different machine learning models evaluated under repeated 5-fold nested cross-validation with cost-sensitive cutoff selection, enabling robust classification of depression levels while prioritizing the identification of true positive cases. Results Our analysis showed that participants with higher depressive symptoms used words with more extreme valence and arousal scores than those with lower depressive symptoms. The models demonstrated strong predictive utility of these emotional dimensions: the quadratic discriminant analysis (QDA) model achieved an out-of-sample sensitivity of 0.725, a specificity of 0.563, and an AUC of 0.7. These findings support that valence and arousal analysis provides meaningful discriminative power for identifying depressive symptoms. Importantly, the high sensitivity achieved by these models ensures that individuals with elevated symptoms are more reliably detected, thereby reducing the risk of missed cases. Overall, the results suggest strong potential for automated depressive symptom detection based on emotional signal analysis, with cost-sensitive optimization reducing false negatives while maintaining clinically relevant specificity. Conclusions This study offers proof-of-concept evidence that emotional sentiment analysis of speech using valence and arousal scoring can capture linguistic markers associated with depressive symptoms among family caregivers. With further refinement and validation, this approach lays an important foundation for the development of more robust machine learning models and ultimately contributes to non-intrusive mental health screening tools.

زمینه و هدف: افسردگی یکی از اختلالات شایع سلامت روان است که به طور قابل توجهی بر بهزیستی و عملکرد روزانه افراد تأثیر می‌گذارد و شناسایی زودهنگام نشانه‌های افسردگی را ضروری می‌سازد. هدف: این پژوهش به بررسی قابلیت ارتقای تحلیل گفتار با استفاده از تحلیل احساسی بُعدی و امتیازدهی والنس و برانگیختگی جهت بهبود شناسایی نشانه‌های افسردگی در مراقبان خانوادگی می‌پردازد. روش‌ها: تعداد ۱۱۶ مراقب خانوادگی جذب شدند و سطح افسردگی آن‌ها با استفاده از پرسشنامه افسردگی بک-نسخه دوم (Beck Depression Inventory-II) ارزیابی شد. شرکت‌کنندگان به ۱۲ پرسش باز مرتبط با تاب‌آوری خانواده به صورت شفاهی پاسخ دادند. واژه‌های استخراج‌شده از پاسخ‌ها با استفاده از فرهنگ واژگان چینی والنس-برانگیختگی از نظر احساسات مورد تحلیل قرار گرفت تا امتیازهای والنس و برانگیختگی آن‌ها تعیین شود. برای هر شرکت‌کننده، آمارهای خلاصه مختلف (مانند میانگین، واریانس، صدک‌ها) و آمارهای حوزه فرکانس (مانند آنتروپی طیفی، مؤلفه‌های فرکانسی غالب) توزیع والنس و برانگیختگی محاسبه شد. این ویژگی‌ها به عنوان متغیرهای پیش‌بین در نه مدل مختلف یادگیری ماشین که با اعتبارسنجی متقاطع تودرتوی ۵-تایی تکرارشونده و انتخاب نقطه برش حساس به هزینه ارزیابی شدند، مورد استفاده قرار گرفتند تا طبقه‌بندی قوی سطوح افسردگی با اولویت شناسایی موارد مثبت واقعی فراهم شود. نتایج: تحلیل ما نشان داد شرکت‌کنندگانی که نشانه‌های افسردگی بیشتری داشتند، واژه‌هایی با امتیازهای والنس و برانگیختگی افراطی‌تر نسبت به افراد با نشانه‌های افسردگی کمتر به کار بردند. مدل‌ها سودمندی پیش‌بینی قوی این ابعاد هیجانی را نشان دادند: مدل تحلیل ممیز مربعی (QDA) حساسیت خارج از نمونه ۰.۷۲۵، ویژگی ۰.۵۶۳ و سطح زیر منحنی (AUC) برابر با ۰.۷ را به دست آورد. این یافته‌ها نشان می‌دهد که تحلیل والنس و برانگیختگی قدرت تمایز معناداری برای شناسایی نشانه‌های افسردگی فراهم می‌کند. مهم‌تر آنکه حساسیت بالای این مدل‌ها تضمین می‌کند که افراد با نشانه‌های بالا با اطمینان بیشتری شناسایی می‌شوند و در نتیجه خطر موارد از دست رفته کاهش می‌یابد. به طور کلی، نتایج نشان‌دهنده پتانسیل قوی برای شناسایی خودکار نشانه‌های افسردگی بر اساس تحلیل سیگنال‌های هیجانی است که با بهینه‌سازی حساس به هزینه، موارد منفی کاذب را کاهش داده و در عین حال ویژگی بالینی مرتبط را حفظ می‌کند. نتیجه‌گیری: این مطالعه شواهد اثبات مفهومی ارائه می‌دهد که تحلیل احساسات هیجانی گفتار با استفاده از امتیازدهی والنس و برانگیختگی می‌تواند نشانگرهای زبانی مرتبط با نشانه‌های افسردگی در میان مراقبان خانوادگی را شناسایی کند. با اصلاح و اعتبارسنجی بیشتر، این رویکرد می‌تواند پایه‌ای مهم برای توسعه مدل‌های یادگیری ماشین قوی‌تر و در نهایت ابزارهای غربالگری سلامت روان غیرتهاجمی فراهم آورد.

Understanding how individuals evaluate social content in affective scenes is crucial for research in emotion, social cognition, and decision-making. However, standardized image databases often lack fine-grained ratings of social dimensions beyond basic emotional content. We present a normative dataset of 296 affective scenes rated by 424 adult participants across six social-affective dimensions: social relevance, emotion sharing, action sharing, interpersonal equality, scene pleasantness, and participatory arousal. Each image was independently coded for objective features such as number of people, face visibility, and gaze direction. All rating dimensions showed excellent interrater reliability. Pleasantness ratings demonstrated strong convergent validity with established valence norms from the International Affective Picture System (IAPS), while arousal ratings differentiated between experienced and participatory arousal, suggesting that the latter captures a distinct affective component. Correlation analyses revealed that social relevance was strongly associated with scene pleasantness and a composite “engagement” factor combining emotion sharing, action sharing, and equality. Notably, the association between pleasantness and social relevance was especially pronounced in scenes depicting single individuals. Linear mixed models further indicated that extraversion showed a tentative positive association with the engagement–social relevance relationship, which did not survive correction for multiple comparisons and requires replication. Other personality traits and empathy did not significantly moderate these relationships. This open-access dataset provides a reliable, multidimensional tool for selecting affective scenes based on both emotional and social-interpersonal features. It supports improved stimulus control and design in a wide range of behavioral and neurocognitive research. By systematically mapping social meaning in static affective scenes, our study advances existing methodological resources and offers empirical insight into the structure of social-affective appraisals. All image codes, mean ratings, and analysis scripts are publicly available via the Open Science Framework.

درک نحوه ارزیابی افراد از محتوای اجتماعی در صحنه‌های عاطفی برای پژوهش در حوزه هیجان، شناخت اجتماعی و تصمیم‌گیری اهمیت اساسی دارد. با این حال، پایگاه‌های داده تصویری استاندارد اغلب فاقد ارزیابی‌های دقیق ابعاد اجتماعی فراتر از محتوای عاطفی پایه هستند. در این پژوهش، مجموعه داده هنجاری شامل ۲۹۶ صحنه عاطفی ارائه می‌شود که توسط ۴۲۴ شرکت‌کننده بزرگسال در شش بعد اجتماعی-عاطفی ارزیابی شده‌اند: ارتباط اجتماعی، اشتراک هیجان، اشتراک عمل، برابری بین‌فردی، خوشایندی صحنه و برانگیختگی مشارکتی. هر تصویر به طور مستقل از نظر ویژگی‌های عینی مانند تعداد افراد، قابلیت مشاهده چهره و جهت نگاه کدگذاری شده است. تمامی ابعاد ارزیابی، پایایی بین ارزیاب بسیار عالی نشان دادند. ارزیابی‌های خوشایندی، روایی همگرا قوی با هنجارهای ارزش‌گذاری تثبیت‌شده از سامانه بین‌المللی تصاویر عاطفی (IAPS) داشتند، در حالی که ارزیابی‌های برانگیختگی بین برانگیختگی تجربه‌شده و مشارکتی تمایز قائل شدند که نشان می‌دهد برانگیختگی مشارکتی مؤلفه عاطفی متمایزی را منعکس می‌کند. تحلیل‌های همبستگی نشان داد که ارتباط اجتماعی با خوشایندی صحنه و عامل ترکیبی «درگیری» (شامل اشتراک هیجان، اشتراک عمل و برابری) ارتباط قوی دارد. به طور قابل توجهی، این ارتباط میان خوشایندی و ارتباط اجتماعی در صحنه‌هایی که تنها یک فرد را نشان می‌دهند، برجسته‌تر بود. مدل‌های خطی آمیخته همچنین نشان دادند که برون‌گرایی ارتباط مثبت و اولیه‌ای با رابطه درگیری–ارتباط اجتماعی دارد که پس از اصلاح برای مقایسه‌های متعدد معنادار باقی نماند و نیازمند تکرار است. سایر صفات شخصیتی و همدلی به طور معناداری این روابط را تعدیل نکردند. این مجموعه داده دسترسی آزاد، ابزاری پایا و چندبعدی برای انتخاب صحنه‌های عاطفی بر اساس ویژگی‌های هیجانی و اجتماعی-بین‌فردی فراهم می‌کند. این مجموعه از کنترل و طراحی بهتر محرک‌ها در طیف وسیعی از پژوهش‌های رفتاری و عصب‌شناختی حمایت می‌کند. با ترسیم نظام‌مند معنای اجتماعی در صحنه‌های عاطفی ایستا، مطالعه حاضر منابع روش‌شناختی موجود را ارتقا داده و بینش تجربی درباره ساختار ارزیابی‌های اجتماعی-عاطفی ارائه می‌دهد. تمامی کدهای تصاویر، میانگین ارزیابی‌ها و اسکریپت‌های تحلیل از طریق Open Science Framework به صورت عمومی در دسترس است.

Research on emotional recognition from images is advancing across computer vision, psychology, and neuroscience. Even though computer vision has come a long way, emotion detection still faces many challenges. For example, facial-centric models trained on small datasets don't always get the right results, and there aren't enough image collections that show emotions in the right context to show how complicated they really are. This work proposes an innovative approach for contextual emotional detection by integrating bodily sensations with environmental data. We created LEMOTIC, a large, diverse dataset that covers a 116,034 images; wide range of emotional situations. We constructed our methodology utilising a deep convolutional neural network (DCNN) architecture. To better understand emotions in context, we connect 26 different emotional categories to three continuous emotional dimensions: valence, arousal, and dominance. After extensive hyperparameter tuning, our model demonstrated accurate emotion recognition from full-body postures and ambient data. Our Sentiment Recognition Model surpasses earlier techniques in both accuracy and generalisation for continuous and discrete emotional variables. Our study reveals that somatic and contextual emotions are particularly important when examining emotions in images. Our method improves context-aware emotion recognition by using deep learning and a carefully chosen dataset. This makes it easier to use in social robotics, affective computing, and human-computer interaction.

پژوهش‌ها در زمینه شناسایی هیجان از تصاویر در حوزه‌های بینایی ماشین، روان‌شناسی و علوم اعصاب در حال پیشرفت است. با وجود پیشرفت‌های قابل توجه در بینایی ماشین، شناسایی هیجان همچنان با چالش‌های متعددی مواجه است. به عنوان مثال، مدل‌های مبتنی بر چهره که با داده‌های محدود آموزش دیده‌اند، همواره نتایج دقیقی ارائه نمی‌دهند و مجموعه تصاویر کافی که هیجان‌ها را در زمینه مناسب نمایش دهند و پیچیدگی آن‌ها را نشان دهند، وجود ندارد. این پژوهش رویکردی نوآورانه برای شناسایی هیجان زمینه‌مند با ادغام احساسات بدنی و داده‌های محیطی ارائه می‌دهد. ما مجموعه داده LEMOTIC را ایجاد کردیم که شامل ۱۱۶٬۰۳۴ تصویر و دامنه وسیعی از موقعیت‌های هیجانی است. روش‌شناسی ما مبتنی بر معماری شبکه عصبی کانولوشنی عمیق (DCNN) طراحی شده است. به منظور درک بهتر هیجان‌ها در زمینه، ۲۶ دسته هیجانی مختلف را به سه بعد پیوسته هیجان شامل والانس، برانگیختگی و سلطه متصل کردیم. پس از تنظیم گسترده ابرپارامترها، مدل ما توانست شناسایی دقیقی از هیجان بر اساس وضعیت‌های بدنی کامل و داده‌های محیطی ارائه دهد. مدل شناسایی هیجان ما از نظر دقت و تعمیم‌پذیری در متغیرهای هیجانی پیوسته و گسسته، عملکرد بهتری نسبت به روش‌های پیشین نشان داد. یافته‌های پژوهش نشان می‌دهد که هیجان‌های جسمانی و زمینه‌ای در بررسی هیجان‌ها در تصاویر اهمیت ویژه‌ای دارند. روش ما با بهره‌گیری از یادگیری عمیق و مجموعه داده‌ای منتخب، شناسایی هیجان آگاه از زمینه را بهبود می‌بخشد و کاربرد آن را در رباتیک اجتماعی، محاسبات عاطفی و تعامل انسان و رایانه تسهیل می‌کند.

Abstract Process‐oriented approaches are needed to understand the temporality and dynamics of teacher–student interactions in higher education classrooms. In this study, we follow a complexity science approach, based on non‐linear intra‐ and inter‐personal physiology methods, to explore the physiology of teacher–student interactions. In particular, we examine the relationship between higher education students' course interest, electrodermal activity (EDA, as an indicator of physiological arousal), perceived teacher enthusiasm in the classroom and lesson enjoyment. Ten higher education teachers and 42 of their students voluntarily participated in this study. Self‐reported measures were applied to assess students' course interest (pre), perceived teacher enthusiasm (post) and lesson enjoyment (post) in authentic higher education lectures. Teachers' and students' EDA was sampled at 2 kHz using Bionomadix mobile sensors during the lectures. Auto‐ and cross‐recurrence quantification analyses were applied to understand the temporal structures of students' individual EDA patterns and their physiological synchrony with their teachers. At the individual level, entropy of students' EDA predicted their perceived teacher enthusiasm and lesson enjoyment beyond course interest. At the physiological synchrony level, course interest was the only predictor of students' perceived teacher enthusiasm and lesson enjoyment. Moreover, our findings showed that the relationships between course interest and the structure of EDA patterns differ between individual and physiological synchrony levels. These results provide valuable insight into understanding interactions between teachers and students from a complexity science perspective. Practitioner notes What is already known about this topic? Control value theory (CVT) defines academic emotions in terms of the two dimensions of valence (positive or negative) and arousal (activating or deactivating). Enjoyment is considered a positive activating emotion that is central to effective teaching and learning. Emotions in the classroom are dynamically co‐constructed through social interactions among teachers and students. While valence is inherently subjective, objective physiological measures like electrodermal activity (EDA) are increasingly utilised to understand the arousal dimension of emotions and the dynamics of emotional contagion between teachers and students. What this paper adds? Observing EDA of higher education students during authentic lectures can provide valuable insights into their perceived teacher enthusiasm and lesson enjoyment. Exploring the temporal structures of EDA through nonlinear methods might help understand the emergence of students' lesson enjoyment in a bottom‐up manner. Studying temporal structures of EDA at intra‐ and interpersonal levels (i.e. teacher–student physiological synchrony) can provide a multilayered perspective on the relationship between students' course interest, perceived teacher enthusiasm and lesson enjoyment. At the intra‐personal level, students' course interest and their EDA entropy both predict perceived teacher enthusiasm and lesson enjoyment. At the inter‐personal level, teacher–student physiological synchrony occurs above chance level. Furthermore, physiological synchrony is associated with students' course interest. However, it does not predict perceived teacher enthusiasm or lesson enjoyment beyond the influence of course interest. Implications for practice and/or policy Teachers and learning designers can focus on fostering high course interest among learners at the beginning of their courses to facilitate positive relational dynamics with the students. Moving educational research towards non‐linear approaches can provide more nuanced insights into how students' and teachers' emotions evolve in higher education classrooms.

رویکردهای فرایندی برای درک زمان‌مندی و پویایی تعاملات معلم-دانشجو در کلاس‌های آموزش عالی ضروری است. در این پژوهش، ما با رویکرد علم پیچیدگی و بر اساس روش‌های فیزیولوژی غیرخطی درون‌فردی و بین‌فردی، به بررسی فیزیولوژی تعاملات معلم-دانشجو می‌پردازیم. به طور خاص، رابطه بین علاقه‌مندی دانشجویان آموزش عالی به درس، فعالیت الکترودرمال (EDA، به عنوان شاخص برانگیختگی فیزیولوژیک)، اشتیاق ادراک‌شده معلم در کلاس و لذت از درس را بررسی می‌کنیم. ده معلم آموزش عالی و ۴۲ نفر از دانشجویان آن‌ها به صورت داوطلبانه در این مطالعه شرکت کردند. برای سنجش علاقه‌مندی دانشجویان به درس (پیش‌آزمون)، اشتیاق ادراک‌شده معلم (پس‌آزمون) و لذت از درس (پس‌آزمون) در سخنرانی‌های واقعی آموزش عالی، از ابزارهای خودگزارش‌دهی استفاده شد. فعالیت الکترودرمال معلمان و دانشجویان با استفاده از حسگرهای سیار Bionomadix با نرخ نمونه‌برداری ۲ کیلوهرتز در طول سخنرانی‌ها ثبت شد. برای درک ساختارهای زمانی الگوهای فردی EDA دانشجویان و همزمانی فیزیولوژیک آن‌ها با معلمان، از تحلیل‌های کمّی بازگشت خودکار و متقاطع استفاده شد. در سطح فردی، آنتروپی EDA دانشجویان، اشتیاق ادراک‌شده معلم و لذت از درس را فراتر از علاقه‌مندی به درس پیش‌بینی کرد. در سطح همزمانی فیزیولوژیک، علاقه‌مندی به درس تنها پیش‌بین اشتیاق ادراک‌شده معلم و لذت از درس بود. افزون بر این، یافته‌های ما نشان داد که روابط بین علاقه‌مندی به درس و ساختار الگوهای EDA در سطوح فردی و همزمانی فیزیولوژیک متفاوت است. این نتایج بینش ارزشمندی برای درک تعاملات معلم و دانشجو از منظر علم پیچیدگی فراهم می‌کند. یادداشت‌های کاربردی چه چیزی پیش‌تر درباره این موضوع شناخته شده است؟ نظریه ارزش-کنترل (CVT) هیجانات تحصیلی را بر اساس دو بعد ارزش (مثبت یا منفی) و برانگیختگی (فعال‌کننده یا غیرفعال‌کننده) تعریف می‌کند. لذت به عنوان یک هیجان مثبت و فعال‌کننده، محور تدریس و یادگیری مؤثر است. هیجانات در کلاس به صورت پویا و از طریق تعاملات اجتماعی میان معلمان و دانشجویان ساخته می‌شوند. در حالی که ارزش ماهیتی ذهنی دارد، سنجه‌های عینی فیزیولوژیک مانند فعالیت الکترودرمال (EDA) به طور فزاینده‌ای برای درک بعد برانگیختگی هیجانات و پویایی سرایت هیجانی بین معلمان و دانشجویان به کار می‌رود. این مقاله چه می‌افزاید؟ مشاهده EDA دانشجویان آموزش عالی در طول سخنرانی‌های واقعی می‌تواند بینش‌های ارزشمندی درباره اشتیاق ادراک‌شده معلم و لذت از درس آن‌ها فراهم کند. بررسی ساختارهای زمانی EDA با روش‌های غیرخطی می‌تواند به درک ظهور لذت از درس دانشجویان به صورت پایین به بالا کمک کند. مطالعه ساختارهای زمانی EDA در سطوح درون‌فردی و بین‌فردی (یعنی همزمانی فیزیولوژیک معلم-دانشجو) می‌تواند دیدگاه چندلایه‌ای درباره رابطه علاقه‌مندی به درس دانشجویان، اشتیاق ادراک‌شده معلم و لذت از درس ارائه دهد. در سطح درون‌فردی، علاقه‌مندی به درس دانشجویان و آنتروپی EDA هر دو پیش‌بین اشتیاق ادراک‌شده معلم و لذت از درس هستند. در سطح بین‌فردی، همزمانی فیزیولوژیک معلم-دانشجو بالاتر از سطح تصادفی رخ می‌دهد. همچنین، همزمانی فیزیولوژیک با علاقه‌مندی به درس دانشجویان مرتبط است، اما فراتر از تأثیر علاقه‌مندی به درس، اشتیاق ادراک‌شده معلم یا لذت از درس را پیش‌بینی نمی‌کند. پیامدهای کاربردی و/یا سیاستی معلمان و طراحان آموزشی می‌توانند بر تقویت علاقه‌مندی بالا به درس در ابتدای دوره‌ها تمرکز کنند تا پویایی‌های مثبت رابطه‌ای با دانشجویان را تسهیل نمایند. حرکت پژوهش‌های آموزشی به سوی رویکردهای غیرخطی می‌تواند بینش‌های دقیق‌تری درباره چگونگی تحول هیجانات دانشجویان و معلمان در کلاس‌های آموزش عالی ارائه دهد.

Abstract In Mandarin Chinese, the same acoustic feature, pitch, conveys both semantic valence and emotional prosody. The effects of semantic valence on bilingual emotional prosody perception are mixed, with some studies reporting semantic facilitation and others showing interference. To clarify this, we extend the conceptual account of semantic valence to second language acquisition by examining its two components: learners’ semantic knowledge and the inherent semantic valence of stimuli. We investigated the independent and interactive effects of these components of semantic valence on emotional prosody perception for L1-English L2-Chinese learners in Chinese words and sentences. We found that semantic valence facilitated L2 learners’ perception when congruent with emotional prosody, but interfered when incongruent. Notably, these semantics-prosody (in)congruence effects were significantly predicted by learners’ semantic knowledge. Our results suggest an interaction between linguistic knowledge and paralinguistic perception in bilingual emotion processing.

در زبان چینی ماندارین، یک ویژگی صوتی مشابه، یعنی زیروبمی، هم ارزش‌گذاری معنایی و هم آهنگ احساسی گفتار را منتقل می‌کند. تأثیرات ارزش‌گذاری معنایی بر ادراک آهنگ احساسی گفتار در افراد دوزبانه متناقض گزارش شده است؛ برخی پژوهش‌ها تسهیل معنایی و برخی دیگر تداخل را نشان داده‌اند. برای روشن‌تر شدن این موضوع، ما رویکرد مفهومی ارزش‌گذاری معنایی را به حوزه یادگیری زبان دوم گسترش دادیم و دو مؤلفه آن را بررسی کردیم: دانش معنایی زبان‌آموزان و ارزش‌گذاری معنایی ذاتی محرک‌ها. ما اثرات مستقل و تعاملی این مؤلفه‌های ارزش‌گذاری معنایی را بر ادراک آهنگ احساسی گفتار در زبان‌آموزان انگلیسی‌زبان با زبان دوم چینی، در سطح واژه و جمله، بررسی کردیم. یافته‌ها نشان داد که ارزش‌گذاری معنایی زمانی که با آهنگ احساسی گفتار همخوان بود، ادراک زبان‌آموزان زبان دوم را تسهیل کرد و در صورت ناهماهنگی، موجب تداخل شد. شایان ذکر است که این اثرات همخوانی یا ناهماهنگی معنا و آهنگ گفتار به طور معناداری توسط دانش معنایی زبان‌آموزان پیش‌بینی می‌شد. نتایج ما حاکی از تعامل میان دانش زبانی و ادراک فرازبانی در پردازش هیجان در افراد دوزبانه است.

Abstract Adolescence involves social reorientation toward peers, increasing exposure to interpersonal stressors and vulnerability to psychopathology. The current study investigated the potential buffering effects of high-quality parent–child relationships (PCRs) on the associations between peer stress exposure and multiple measures of positive valence systems (PVS) functioning. The study included 165 adolescents, ages 9–16 (81 girls, M age = 11.93, 78.18% White). Interviews were conducted to gather data on PCR quality and peer stress exposure. Adolescents self-reported their reward sensitivity, and behavioral reward sensitivity was derived from a reward learning paradigm. The reward positivity (RewP) was recorded during three tasks using monetary, social, and food reward stimuli. Contrary to our predictions, adolescents who had higher-quality PCR showed a blunted monetary RewP ( β = 0.17, p = .020) and reduced behavioral reward sensitivity ( β = 0.15, p = .040), when also reporting high levels of peer stress exposure. No significant interaction was found with other measures as the outcomes. The results suggest that high-quality PCR may not uniformly buffer against the effects of peer stress exposure and highlight differential effects for different PVS measures. Future research across multiple units of analysis is needed to elucidate the complex pathway to PVS-related psychopathology during this critical developmental stage.

چکیده: نوجوانی با بازآرایی اجتماعی به سوی همسالان، افزایش مواجهه با عوامل استرس‌زای بین‌فردی و آسیب‌پذیری نسبت به آسیب‌شناسی روانی همراه است. پژوهش حاضر به بررسی اثرات بالقوه محافظتی روابط والد-فرزند با کیفیت بالا (PCR) بر ارتباط بین مواجهه با استرس همسالان و چندین شاخص عملکرد سامانه‌های ارزش‌گذاری مثبت (PVS) پرداخت. این مطالعه شامل ۱۶۵ نوجوان ۹ تا ۱۶ ساله (۸۱ دختر، میانگین سنی = ۱۱٫۹۳، ۷۸٫۱۸٪ سفیدپوست) بود. مصاحبه‌هایی برای گردآوری داده‌ها درباره کیفیت PCR و میزان مواجهه با استرس همسالان انجام شد. نوجوانان حساسیت پاداش خود را به صورت خودگزارش‌دهی بیان کردند و حساسیت رفتاری به پاداش از طریق یک الگوی یادگیری پاداش استخراج شد. مثبت‌گرایی پاداش (RewP) در طول سه تکلیف با استفاده از محرک‌های پاداش پولی، اجتماعی و غذایی ثبت شد. برخلاف پیش‌بینی‌ها، نوجوانانی که PCR با کیفیت بالاتری داشتند، در صورت گزارش سطوح بالای مواجهه با استرس همسالان، RewP پولی کاهش‌یافته (β = ۰٫۱۷، p = ۰٫۰۲۰) و حساسیت رفتاری به پاداش کاهش‌یافته (β = ۰٫۱۵، p = ۰٫۰۴۰) نشان دادند. هیچ تعامل معناداری با سایر شاخص‌ها به عنوان پیامد مشاهده نشد. نتایج نشان می‌دهد که PCR با کیفیت بالا لزوماً به طور یکنواخت در برابر اثرات مواجهه با استرس همسالان نقش محافظتی ایفا نمی‌کند و بر تفاوت اثرات بر شاخص‌های مختلف PVS تأکید دارد. پژوهش‌های آینده با استفاده از واحدهای تحلیلی چندگانه برای روشن ساختن مسیر پیچیده آسیب‌شناسی روانی مرتبط با PVS در این مرحله بحرانی رشد ضروری است.