Psychological Education and Emotional Model Establishment Analysis Based on Artificial Intelligence in the Intelligent Environment
Notice bibliographique
Résumé
Emotion plays an important role in our daily life. It affects people's study and life in varying degrees. This study mainly discusses the psychological education and emotional model building based on artificial intelligence in intelligent environment. In this study, hidden Markov model (HMM) is used to recognize facial expression and describe the output probability of emotional state change. In the aspect of emotion feature extraction, acceleration sensor is used to judge the user's activity state, and optical sensor data and GPS data are used to collect environmental data. In order to reflect individual emotion and its intensity, emotion space method can be used to deal with the reflected emotion vector effectively. Because FACS system is too complex, this model simplifies it. The emotion reflected from emotion space corresponds to a series of AU parameters, which constitute the corresponding facial expression. The strength of these parameters is determined by the size of the emotion vector module. Finally, a sound processing module is added in front of the emotion parameter extraction module of the emotion model for better emotional interaction. In emotion recognition test, the accuracy rate of sensor data based on basic emotion model was 47.13%, 49.08% and 56.32%, respectively. The results show that the model attempts to achieve multi character expression by modifying the emotional space, and achieves the goal of multi modality of the model, which provides the possibility for personalized customization of emotional model in the future.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».