Pandemic Emotion Perception
Notice bibliographique
Résumé
Abstract: Existing research articulates difficulties masks cause in the interpretation of emotions (e.g., Carbon, 2020). The COVID-19 pandemic is an unprecedented time in which the impact of the pandemic on individuals' emotional processing is yet to be determined. Previous work in our lab has looked at interactions between audiovisual perception, emotion recognition, and memory without the use of masks; this work and existing research provide a baseline for my current project investigating the detection of facial emotions based on auditory cues during mask wearing. The Ryerson Audio-Visual Database of Emotional Speech and Song (RAVDESS) is a verified tool to help analyze emotional reactions in individuals that was used in conjunction with the Facial Masks and Respirators Database (FMR-DB) which displays images of individuals with different types of masks. Participants heard sentences neutral in content (e.g., "dogs are sitting by the door") spoken in either a happy, sad, or neutral tone accompanied by masked or unmasked ambiguous faces. The purpose of the present study was to see how vocal expression of emotion can change the emotions detected on faces. We expect participants to interpret the ambiguous non-masked faces in a strong emotional manner when listening to the emotionally-charged audios. We also expect participants to have greater difficulty interpreting masked faces and rating them more neutral despite the emotion of the accompanied audio. The findings for this study are influential during COVID-19 as they may help mitigate communication complications as a result of the pandemic.
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 | 0,000 | 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) | 0,007 | 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 ».