Bridging the Emotional Gap in AI: A Study on Speech Emotion Recognition for Adaptive Human Computer Interaction
Notice bibliographique
Résumé
Speech Emotion Recognition (SER) is an advancement that has attracted a lot of interest because of its potential uses in intelligent systems, mental health monitoring, and human-computer interaction (HCI). Even with the progress made in AI-driven HCI, many systems are still unable to accurately sense and comprehend human emotions. Virtual assistants may carry out tasks based on spoken instructions, but they don't react well to user’s emotions, which results in less-than-ideal interactions. In order to close this gap, this study implements a speech emotion recognition algorithm that uses the Ryerson Audio-Visual Database of Emotional Speech and Song (RAVDESS), and Toronto Emotional Speech Set (TESS) datasets to examine voice characteristics. The system makes use of cutting-edge deep learning methods including Long Short-Term Memory (LSTM) networks to capture temporal relationships in speech patterns and Convolutional Neural Networks (CNNs) for feature extraction from spectrograms which results in building a Hybrid Model. Traditional machine learning models may not be able to capture subtle emotional nuances in complex data, but they do offer faster processing times and easier implementations. Conversely, deep learning models, including 2D architecture such as CNNs and LSTMs, need more processing power but are better at handling large datasets and detecting subtle emotional cues. By leveraging these advancements, this research aims to enhance virtual assistants and similar systems to better recognize and respond to emotional cues in real time. Thus, Opening the door for a technological environment that is more user-centered and sympathetic.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».