提要

1.微笑哭泣、腔调高低、用字遣词都反响我们当下的感情，这类生理反应经丈量并打算后，可转化为感情信息。

2.然而，这些感情信息可能潜藏刻板印象与偏误，用于算法或在实际运用上便会引发不平等议题。

3.情绪打算的数据来自于人们，因此用户、研发者与立法者三方的态度将会大幅影响这类科技的进展。

有名认知学者及打算机科学家明斯基（Marvin Minsky）曾说过：“问题不在于具有智能的机器能不能拥有任何感情，而是机器具有智能之后怎麽可能没有感情。
” 感情形塑个人生活，联系人际互动，影响群体氛围。
科技发展至今，已体认到科技不足人性化就不受人们青睐，因此现今科技正在开拓一系列创新之路，要把感情感知授予科技，让科技更深入民气并走入生活，而情绪打算（affective computing）便是个中之一。

情绪打算的进展可回溯到1995年，美国麻省理工学院（MIT）媒体实验室的教授毕凯（Rosalind Picard）提出并开启了一项新兴跨领域研究。
她除了以生理学理论为根本，也整合统计剖析和人工智能（AI）技能，让电脑开始搜集相机、麦克风和生理穿着式装置的旗子暗记，通过打算便能判读人们生理状态。

科学家创造，脸部表情的皱眉头或嘴角上扬都透露明显的感情讯号，声音的抑扬抑扬和说话时的用字遣词，也是反响出感情正负向和激动程度的要素，生理讯号则非常真实呈现感官受刺激后的感情反应。
这些旗子暗记经丈量后，通过打算所取得的感情信息，也回应了生理学深厚的理论知识。
基于这些研究，不同领域的专家投入情绪打算的技能开拓，促进了这一跨领域学科形成。

随着情绪打算的技能持续开拓，拓展出更多研究领域，例如在医疗康健上，情绪打算可用于赞助诊断自闭症、思觉失落调症和忧郁症等生理疾病。
过去科学家透过不雅观察个人行为表现并丈量脑部活动，证明脑部的运作会部份反应在行为上，例如自闭症患者的脸部感情可对应到脑电图（EEG），因此行为可做为临床衡量指标。

一样平常来说，生理干系疾病的诊断与治疗，须要仰赖有履历的精神科医师及临床生理师，以一对一壁谈办法进行，并且每每须要患者或亲友主动寻求帮忙，较难于生活中实时判断并记录患者行为。
而诊断及追踪的面谈过程有时会采取构造化或半构造化的量表做为衡量工具。
如果有朝一日能利用情绪打算技能来进行自动化评估，或许就能提升量表评估的效率，并赞助医师实时诊断患者，举例来说，透过眼动追踪、异样表情辨识及语音特色来打算或预测衡量指标，得以进一步理解自闭症严重程度。

类似技能也可利用于忧郁症的诊断及分类，无论是针对说话办法、头迁徙改变的角度或眼睛看的方向，都可能当做衡量指标，开拓出干系技能加以评估。
值得把稳的是，一样平常人随意马虎忽略的行为表现，透过情绪打算的帮忙就可能发掘出隐含病征的细节。
把原来耗时且涉及繁芜人类行为的事务加以规模化（scaling），正是情绪打算的潜在用场之一，例如从博客文章的内容来侦测作者的自尽方向，或是从日益遍及的穿着式手环来不雅观察利用者的压力和焦虑程度。
情绪打算有可能为我们增长新工具，来对付难缠的生理康健与压力问题。

此外，远距利用的上风也有机会拉近人与医疗资源的间隔。
2017年斯坦福大学团队推出并测试Woebot谈天机器人，这款运用采取认知行为治疗（CBT）的设计，请用户写下自己的想法，并在构造化的问答中，供应用户反思自身感情并改变想法的机会。
南加州大学团队则利用生理治疗系统Ellie，针对美国退伍军人的创伤后压力疾患（PTSD）来自动侦测微笑频率和持续韶光，供应了追踪病程的线索。

过往实验也创造一种有趣征象，受试者在面对机器时反而比较乐意倾吐心声，正由于机器并不是真人，受试者得以抛开社交或身分顾虑，进而产生一种新的沟通路子。
在新冠肺炎疫情期间，避免群聚造成人际疏离，可能添增大众的忧郁方向，在医疗现场资源急急之下，远距科技赞助生理诊疗势必更受关注。

从上述研究，不禁令人思考人们与机器对话时会寻求哪方面的帮忙？Woebot创办人达西（Alison Darcy）也是生理学家，明确回应许多人的误解：“Woebot不是用于取代临床生理师！
”相反地，情绪打算研究拓展了生理辅导和咨商的新渠道，而且具有24小时不断线的优点，当人们怀有负面感情时，或许能够填补乞助无门的空缺。

除了医疗方面的积极考试测验，这些谈天机器人供应的陪伴和娱乐浸染，或许有朝一日也能运用在大众的日常生活中。
事实上，人们无时无刻都在“打算”自身感情状态。
上课时，学生会对不适宜的传授教化步调或内容感到挫折，如果有对应的客不雅观感情反应指标，老师大概就能更适当调度。
开车时，驾驶可能会打瞌睡儿，有了车用疲倦侦测装置的帮忙，就能降落车祸发生率。
情绪打算发展至今，正环绕着人类生活来考试测验各种新的试验，也衍生出一些未来想象和运用处景。

情绪打算研究的面向广泛，把研究结果融入日常生活，须要战胜不少寻衅，例如搜集的数据潜藏隐私问题、误用模型所造成的决策风险，以及预测偏误带来的潜在不平等议题。
用于演习情绪打算模型的数据库，常日强烈影响模型的预测结果，因此搜集并检讨数据库内容的方法就变得相称主要。

过去研究职员测试Google供应的影像辨识做事时，创造机器较随意马虎预测女性脸上有笑颜。
非情绪打算的干系任务上也有类似情形，几家大公司供应的做事具有各种问题，例如对付预测黑人性别的较不准确，因而匆匆成性别图谱（Gender Shade）项目，试图挖掘更深的偏误来源。
偏误并不是这些大公司故意塑造，如果数据库中的女性大多面带微笑，自然软件很随意马虎把女性和笑颜直接链接成对应的特色，但这并非真正该当用于进行建模的特色。

这类以数据为根本的技能就像一壁镜子，真实反响收录资料的内涵，当研究职员没有把稳到数据库含有刻板印象和偏误时，无形中许可不平等存在于软件，只有刻意去不雅观察才得以肃清。

其余一类偏误来自于模型演习的过程，由于资料搜集相称困难，一项感情辨识任务在测试初期常日高度简化，随着研究进展才逐步扩大运用情境。
例如用于演习感情辨识模型的音档，起初是由受试者朗读设计过的脚本来产生感情，演化到搜集自然对话，乃至是电影及播客（podcast）等多媒体真实情境资料。
纵然模型在基本的脚本情境中得到高准确率，并不代表在其他生活化的情境中也能有同等表现，因此解读模型准确率不该只单看数字高低，须要更细致关注数据来源和运用情境。

上述对付情绪打算模型的误解相称常见，供应技能的单位有任务戳穿这些模型的限定和运用情境。
在研发过程中，还须要把稳另一种偏误来源，例如不考虑一句话的前后文，就要模型预测这句话所代表的感情，或是不供应周围情境，就要模型判读一个脸部表情所代表的内在感想熏染，在欠缺这些信息的情形下，很多时候连人类都没有把握能做出判断，又怎么能期待机器具有超乎人类的情绪判断力呢？因此在演习情绪打算模型时该当整合更多面向的数据，并采纳不同领域专家的见地。

情绪同时牵扯身心层面，人们对情绪的意见有一定程度的差异，任何专家都没有把握能全然节制情绪和行为的关系。
事实上，这些议题长期存在，现今的科技运用都有类似问题，当情绪打算用于判读人们内心感想熏染，更须要有配套方法来处理干系伦理与隐私议题。
关于伦理与法规的需求，学术圈已有浩瀚学者参与谈论，在去年9月召开的情绪打算与智能互动国际会议（ACII）正是以情绪打算的伦理层面为主题，搜集技能社群，共同谈论如何为社会带来正面影响。

各国也持续研议干系立法，例如2020年美国加州推动加州隐私权法（CPRA），扩大了数据搜集的干系规范，个中备受重视的个人生物识别数据，涵盖了多种可用于识别感情的记录，用户可以决定这些生物辨别数据该如何利用，也有权要求删除这些数据。

从情绪打算的技能和数据实质来看，就会创造这类研究融入生活并不大略。
近年来我们团队针对不同情境，抽丝剥茧提出可能的技能打破点，例如让机器考量不同人在表达感情时的表情、语音和用字的个人差异性，才进行感情辨识; 把剖析讯号中感情和人格特质的算法，设计成供应用户选择紧张预测任务，并透过屏蔽技能去除用户不想戳穿的信息。
此外，揭橥在《IEEE旗子暗记处理杂志》针对情绪打算技能进行归纳性的调查研究，从稳定性、一样平常化及利用性等三个面向阐发多年来进展。

除了学术研究不断强化技能面向上的不敷，近年专家透过社群平台和媒体通报科普知识、汇整技能和家当发展趋势，都有助于社会对情绪打算的理解。
而情绪打算发展的方向也有赖于每位用户的积极参与，多一些对情绪打算的认识，才是推进此一技能的根基。
用户须要理解情绪打算目前可利用的情境，以及背后已经采取的技能，避免过度浮夸情绪打算的能力更是主要。

情绪打算有了学术研究根本，也有运用于日常生活的可能性，下一步就须要聪明的用户精确利用情绪打算做事。
一个好的科技发展循环，是由用户、研发者和立法者共同串连。
如果社会上多元的用户都能直接瞥见技能来源，也能直接传达对付技能发展的诉求，就决定了科技的下一步发展。

我们必须试着精确理解科技，把稳误用情形，节制自己的资料利用范围，扩大用户自主权。
如果人类社会加入情绪科技，将变得更有聪慧，那不该是由科学家和工程师在实验室凭空想象出来，而是社会上每个人把需求回馈到科技进步的循环里，形塑有温度的科技。
情绪打算的下一步已经交到我们手上，主动参与，就能影响下个世代在情绪、打算和生活上的样子容貌。

（文献来源：《人工聪慧情绪怎運算？》，《科學人》雜誌（Scientific American 中文繁体版）2022年第240期2月號https://sa.ylib.com/MagArticle.aspx?id=5263&utm_source=UDN）