Кіріспе
Компьютерлік ғылымдағы зерттеулер саласы, пайдаланушылардың эмоционалдық жағдайын түсінуге бағытталған.
Эмоционалды есептеу – адамның сезімдерін танитын, түсіндіретін, өңдейтін және модельдеуге қабілетті жүйелер мен құрылғыларды зерттеу және дамыту саласы. Бұл компьютерлік ғылым, психология және когнитивтік ғылымдарды қамтитын салааралық ғылым. Саладағы негізгі идеялардың кейбіреулерін ежелгі философиялық эмоциялар туралы зерттеулерге дейін табуға болады, бірақ қазіргі заманғы компьютерлік ғылым саласы Розалинд Пикардтың 1995 жылғы «Эмоционалды есептеу» мақаласымен және MIT Press баспасында жарық көрген «Эмоционалды есептеу» кітабымен қалыптасты. Зерттеудің мақсаты – машиналарға эмоционалды интеллект беру, оның ішінде эмпатияны имитациялау қабілетін дамыту. Машина адамның эмоционалдық жағдайын түсініп, мінез-құлқына бейімделуі және осы сезімдерге лайықты жауап беруі тиіс.
Эмоционалды ақпаратты анықтау және тану
Эмоционалды ақпаратты анықтау әдетте пайдаланушының физикалық күйі немесе мінез-құлқы туралы деректерді түсіндірмей, жай ғана тіркеп алатын пассивті сенсорлармен басталады. Жиналған деректер адамдардың басқалардың эмоцияларын қабылдау үшін қолданатын белгілерге ұқсас. Мысалы, бейнекамера бет-әлпетін, дене күйін және қимыл-қозғалыстарын тіркесе, микрофон сөйлеуді тіркеуі мүмкін. Басқа сенсорлар тері температурасы және галваникалық қарсылық сияқты физиологиялық деректерді тікелей өлшеу арқылы эмоциялық белгілерді анықтайды. Эмоционалды ақпаратты тану үшін жиналған деректерден мағыналы үлгілерді бөліп алу қажет. Бұл машиналық оқыту техникаларын қолдану арқылы жасалады, олар сөйлеуді тану, табиғи тілді өңдеу немесе бет-әлпетін анықтау сияқты әртүрлі модальдықтарды өңдейді. Осы техникалардың көпшілігінің мақсаты – адамның сол жағдайда беретін белгілерге сәйкес келетін белгілерді шығару: мысалы, егер адам маңдайын жиырып, ойлы көрінсе, компьютерлік көру жүйесі оның бет-әлпетін "сансақтап тұрған", "көңіл қойып отырған" немесе "сәл теріс" деп белгілеуге үйретілуі мүмкін (қарсылығында, олар бақытты көрінетіндей күлімсіресе, "позитивті" деп белгіленеді). Бұл белгілер адамның нақты сезімімен сәйкес келуі де, келмеуі де мүмкін.
Машинадағы эмоциялар
Эмоционалды есептеудің тағы бір саласы – туа біткен эмоционалдық қабілеттерді көрсетуге немесе эмоцияларды сенімді түрде имитациялауға қабілетті есептеу құрылғыларын жобалау. Қазіргі технологиялық мүмкіндіктерге негізделген көбірек практикалық тәсіл – адам мен машина арасындағы өзара әрекеттесуді байыту және жеңілдету үшін әңгімелесу агенттерінде эмоцияларды имитациялау. Жасанды интеллект саласындағы пионер компьютер ғалымдарының бірі Марвин Мински эмоцияларды машиналық интеллекттің кең мәселелерімен байланыстырады және «Эмоция машинасы» еңбегінде эмоцияның «біз ‘ойлау’ деп атаған процестерден ерекшеленбейтінін» айтады. «Цифрлық адамдар» немесе виртуалды адамдар» атты инновациялық тәсіл адамдарды имитациялайтын осы бағдарламаларға эмоционалдық өлшемді қосуға тырысады, соның ішінде нақты адамның белгілі бір эмоционалдық жағдайдағы реакциясына сәйкес реакциялар, сондай-ақ бет әлпеті мен дененің қимыл-қозғалыстарын енгізуді қамтиды.
Технологиялар
Психологияда, когнитивтік ғылымда және нейроғылымда адамдардың эмоцияларды қабылдау және жіктеу жолдарын сипаттау үшін екі негізгі тәсіл бар: үздіксіз немесе категориялық. Үздіксіз тәсіл көбінесе теріс және оң, тыныш және ояңдайтын сияқты өлшемдерді пайдаланады. Категориялық тәсіл бақытты, қайғылы, ашулы, қорқынышты, таңғаларлық, жирену сияқты жеке категорияларды пайдаланады. Машиналардың үздіксіз немесе жеке таңбаларды шығаруы үшін түрлі машиналық оқыту регрессиясы және жіктеу модельдерін қолдануға болады. Кейде модельдер санаттардың арасындағы комбинацияларға мүмкіндік береді, мысалы, қуанышты таңғалған бет немесе қорқынышты таңғалған бет. Келесі бөлімдерде эмоцияны тану міндеті үшін қолданылатын әртүрлі кіріс деректері қарастырылады.
Сезімтал сөйлеу
Автономды жүйке жүйесіндегі түрлі өзгерістер адамның сөйлеуін тікелей емес жолмен өзгерте алады, ал әсерлік технологиялар бұл ақпаратты эмоцияны тану үшін қолданады. Мысалы, қорқыныш, ашу немесе қуаныш сезімінде туған сөйлеу жылдам, жоғары дыбыспен, нақты айтылып, дауыс биіктігінің кең ауқымын қамтиды, ал шаршаңқылық, жалыққандық немесе қайғы сияқты эмоциялар көбінесе баяу, төмен дыбысты және дұрыс емес айтылатын сөйлеуге әкеледі. Ашу сияқты кейбір эмоцияларды есептеу арқылы анықтау оңайырақ болып табылады.
Әсерлік сөйлеуді өңдеу технологиялары сөйлеу ерекшеліктерінің есептеу талдауын пайдаланып, пайдаланушының эмоционалдық жай-күйін анықтайды. Дауыстық параметрлер және прозодикалық ерекшеліктер, мысалы, дауыс биіктігінің өзгеруі және сөйлеу жылдамдығы үлгіні тану техникалары арқылы талдауға болады. Сөйлеуді талдау – бұл әсерлік жай-күйді анықтаудың тиімді әдісі, 2003 және 2006 жылдарғы зерттеулерде орташа дәлдігі 70-80% құрайды. Бұл жүйелер әдетте адамның орташа дәлдігінен (шамамен 60%) жоғары нәтижелер көрсетеді. Дегенмен, көптеген сөйлеу ерекшеліктері семантикаға немесе мәдениетке тәуелді болмағандықтан, бұл техника одан әрі зерттеулер үшін перспективті бағыт саналады.
Алгоритмдер
Сөйлеу/мәтіндік әсерді анықтау процесі, оның қолданылуының барлық қажеттіліктерін қамтитын сенімді деректер базасын, білім базасын немесе векторлық кеңістік моделін құруды, сондай-ақ эмоцияны жылдам және дәл анықтауға мүмкіндік беретін тиімді жіктегішті таңдауды қажет етеді. Ең көп қолданылатын жіктегіштер: сызықтық дискриминантты жіктегіштер (LDC), k жақын көрші (k NN), Гаусс қоспасы моделі (GMM), қолдау векторлық машиналар (SVM), жасанды нейрондық желілер (ANN), шешім ағаш алгоритмдері және жасырын Марков модельдері (HMM). Әртүрлі зерттеулер тиімді классификаторды таңдау жүйенің жалпы өнімділігін едәуір арттыратынын көрсетті. SVM – бұл әдетте екілік болатын, екі (немесе одан көп) мүмкін классқа кіруі мүмкін екенін анықтайтын сызықтық жіктегіштің бір түрі. ANN – биологиялық нейрондық желілерден шабыттанған математикалық модель, ол мүмкіндік кеңістігінің сызықтық емес ерекшеліктерін жақсырақ түсінуге мүмкіндік береді. Шешім ағаш алгоритмдері – жіктелу нәтижесін көрсететін жапырақтары бар және жіктелуге әкелетін келесі ерекшеліктердің бірігуін көрсететін тармақтары бар шешім ағашының бойымен жүру принципінде жұмыс істейді. HMM – күйлер мен күйлердің өзгеруі тікелей бақылана алмайтын статистикалық Марков моделі. Оның орнына, күйлерге байланысты шығыстар тізбесі көрінеді. Әсерді тану жағдайында шығыстар сөйлеу ерекшеліктерінің векторлық тізбесін білдіреді, бұл модельдің өскен күйлерінің тізбектерін анықтауға мүмкіндік береді. Күйлер эмоцияның көрінісіндегі әртүрлі аралық қадамдардан тұрады және олардың әрқайсысының мүмкін болатын шығыс векторлары бойынша ықтималдық таралуы бар. Күйлер тізбесі біз жіктеуге тырысатын әсерлік күйді болжауға мүмкіндік береді, бұл сөйлеу әсерін анықтау саласындағы ең көп қолданылатын техникалардың бірі. Жеңіліс дәлелдерінің жеткілікті болуы адамның эмоционалдық күйін көпшілік дауыс беру жіктегіштері арқылы жіктеуге болатыны дәлелденді. Ұсынылған жіктегіштер жиынтығы үш негізгі жіктегішке негізделген: kNN, C4.5 және SVM RBF Kernel. Бұл жиынтық әрбір негізгі жіктегіштен жеке алынғанда жақсы нәтижелер береді. Ол басқа екі жіктегіш жиынтығымен салыстырылады: бірі гибридті ядролары бар барлық (OAA) көп класты SVM-ге қарсы, екіншісі C5.0 және нейрондық желі сияқты екі негізгі жіктегіштен тұрады. Ұсынылған нұсқа басқа екі жиынтықтан жақсы өнімділік көрсетеді.
Деректер қоры
Қазіргі жүйелердің басым көпшілігі деректерге тәуелді. Бұл, сөйлеу арқылы эмоцияларды анықтаудағы ең үлкен қиындықтардың бірі болып табылады, себебі бұл классификаторды оқыту үшін қолданылатын тиісті дерекқорын таңдауды қажет етеді. Қазіргі кездегі деректердің көп бөлігі актерлерден алынған, сондықтан ол архетиптік эмоциялардың көрінісі болып табылады. Осы «ойналған» дерекқорлар әдетте Пол Экманның негізгі эмоциялар теориясына негізделген, ол алты негізгі эмоцияның (ашу, қорқыныш, жирену, таңғалу, қуаныш, қайғы) бар екенін және қалғандарының бұрынғыларының қоспасы екенін болжайды. Дегенмен, олар әлі де жоғары дыбыс сапасын және теңгерімді санаттарды ұсынады (бірақ көбінесе жеткіліксіз), бұл эмоцияларды танудағы жоғары жетістік деңгейіне үлес қосады. Алайда, нақты өмірде қолдану үшін табиғи деректерге басымдық беріледі. Табиғи деректер базасын субъектілерді олардың табиғи ортасында бақылау және талдау арқылы жасауға болады. Соңында, мұндай деректер қоры жүйенің эмоцияларды олардың контекстіне сәйкес тануына, сондай-ақ өзара әрекеттесудің мақсаттары мен нәтижелерін анықтауына мүмкіндік беруі керек. Осы деректердің сипаты, адам-компьютерлік өзара әрекеттесу (ХКИ) кезінде табиғи түрде туындайтын жағдайларды сипаттайтындықтан, шынайы өмірде іске асыруға мүмкіндік береді. Натуралистік деректердің ойналған деректерге қарағанда көптеген артықшылықтары болғанына қарамастан, оны алу қиын және көбінесе эмоционалдық қарқындылығы төмен болады. Сонымен қатар, табиғи жағдайда алынған деректердің сигнал сапасы төмендеу, себебі қоршаған ортаның шуы және микрофоннан субъектіге дейінгі қашықтық әсер етеді. Мұндай деректер базасын жасауға жасалған алғашқы әрекет – CEICES (Эмоционалды пайдаланушы күйлерінің автоматты жіктелуін жақсарту үшін күш-жігерді біріктіру) үшін FAU Aibo Emotion Corpus, ол Sony Aibo роботымен ойнаған балалардың (10-13 жас) шынайы контекстіне негізделген. Сондай-ақ, барлық эмоциялық зерттеулер үшін бір стандартты деректер базасын жасау, әртүрлі әсерді тану жүйелерін бағалау және салыстыру әдісін ұсынар еді.
Беттің әсерін анықтау
Жүздік экспрессияны анықтау және өңдеу оптикалық ағын, жасырын Марков модельдері, нейрондық желілерді өңдеу немесе белсенді көрініс модельдері сияқты әртүрлі әдістер арқылы жүзеге асырылады. Бірнеше модальностьтар біріктірілуі немесе қосылуы мүмкін (көпмодальды тану, мысалы, жүздік экспрессия және сөйлеу интонациясы, жүздік экспрессия және қол қимылдары, немесе жүздік экспрессия, сөйлеу және мәтін көпмодальды деректер мен метадеректерді талдау үшін) нысананың эмоционалдық жағдайын анықтауды дәлдеу үшін.
Бет көрінісі дерекқоры
Сезімдер базасын жасау қиын және көп уақыт алатын жұмыс. Алайда, деректер базасын құру – адамның эмоцияларын танитын жүйенің құрылысындағы аса маңызды қадам. Көптеген қолжетімді эмоциялар базаларында тек поздалған бет-әлпеттер ғана кездеседі. Поздалған бет-әлпеттер базаларында қатысушылардан түрлі негізгі эмоциялық әлпеттерді көрсету сұралады, ал спонтанды бет-әлпеттер базаларында әлпеттер табиғи болып келеді. Спонтанды эмоцияларды ояту үшін қажетті стимулдарды дұрыс таңдауға көп күш жұмсау қажет, бұл жоспарланған эмоциялардың байып келуіне мүмкіндік береді. Екіншіден, эмоцияларды тәжірибелі мамандар қолмен белгілейді, бұл деректер базасын өте сенімді етеді. Әлпеттерді қабылдау және олардың қарқындылығы субъективті болғандықтан, сарапшылардың пікірлері деректерді тексеру үшін өте қажет. Зерттеушілер үш түрлі деректер базасымен жұмыс істейді, мысалы, тек эмоциялардың ең жоғары нүктесіндегі суреттер базасы, эмоцияның бейтарап күйден ең жоғары деңгейге дейінгі өзгерісін көрсететін суреттер тізбегі және эмоциялық түсіндірмелермен жабдықталған бейнежазбалар. Көптеген бет-әлпеттер базалары құрылып, бет-әлпетті тану мақсатында қолжетімді етуге ұсынылды. Ең көп қолданылатын екі база – CK+ және JAFFE.
Дене қимылы
Им-дарекеттерді пайдаланушының нақты эмоционалдық жағдайын анықтау құралы ретінде тиімді пайдалануға болады, әсіресе оны сөйлеу және беттік танумен бірге қолданғанда. Нақты бір әрекетке байланысты, им-дарекеттер қарапайым рефлекстік жауаптар болуы мүмкін, мысалы, сұраққа жауап білмейтін кезде иықтың көтерілуі, немесе олар қол тілімен қарым-қатынас жасағандағыдай күрделі және мағыналы болуы мүмкін. Біз ешқандай затты немесе айналадағы ортаны пайдаланбай-ақ қолмен көрсетуге, соққылауға немесе шақыруға болады. Ал заттарды қолданғанда, оларды нұсқаумен көрсетуге, жылжытуға, тигізуге немесе ұстауға болады. Компьютер оларды тани білуі, жағдайды талдап, мағыналы жауап беруі керек, осылайша ол Адам-Компьютер өзара әрекеттесуінде тиімді пайдаланылуы мүмкін. Дене им-дарекеттерін анықтау үшін көптеген әдістер ұсынылған. Әдебиеттерде им-дарекеттерді танудың екі түрлі тәсілі ажыратылады: 3D модельге негізделген және сыртқы түріне негізделген. Бірінші тәсіл дене мүшелерінің негізгі элементтерінің 3D ақпаратын пайдаланады, бұл алақанның орналасуы немесе буын бұрыштары сияқты бірнеше маңызды параметрлерді алу үшін қажет. Екінші жағынан, сыртқы түріне негізделген жүйелер тікелей түсіндіру үшін суреттерді немесе бейнелерді қолданады. Қол им-дарекеттері дене им-дарекеттерін анықтау әдістерінің жиі кездесетін саласы болып табылады. Толқындардың жоғарғы нүктелері жүрек циклін көрсетеді, онда жүрек қанды аяқ-қолға соғады. Егер адам қорқыныш сезіміне тап болса немесе сескенгенше, оның жүрегі әдетте «секіріп», біраз уақыт бойы жылдам соғады, бұл жүрек циклінің амплитудасын арттырады. Бұл фотоплетизмографта толқынның ең төменгі және ең жоғарғы нүктелері арасындағы қашықтық қысқарғанда анық көрінеді. Адамның тыныс-тенісі қалыпқа келгенде және дене ішкі кеңістігі кеңейгенде, қанның аяқ-қолға қайта ағуына мүмкіндік береді, цикл қалыпты күйіне оралады.
Әдістеме
Инфрақызыл сәуле арнайы сенсорлық құрылғылармен теріге бағытталады, ал шағылысқан жарықтың мөлшері өлшенеді. Шағылысқан және өткізілген жарықтың мөлшері қан тамырында көп мөлшерде болатын гемоглобин жарықты сіңіретіндіктен, БҚД-мен (BVP) байланысты.
Кемшіліктер
Инфрақызыл сәуле шашыратып, шағылысқан сәулені бақылайтын сенсордың әрқашан бір ғана аяқ-қолға бағытталғанын қамтамасыз ету қиынға түсуі мүмкін, әсіресе адамдар компьютер пайдаланғанда жиі созылып, позысын өзгертетінін ескерсек. Қан көлемі мен пульске әсер ететін басқа да факторлар бар. Бұл аяқ-қолдар арқылы қан ағынының өлшемі болғандықтан, егер адам ыстық немесе қатты суық сезінсе, оның денесі аяқ-қолдарға қан ағынын көбейту немесе азайту мүмкіндігін қарастырады, бәрі де адамның эмоциялық жағдайына қарамастан.
Терінің галваникалық реакциясы
Гальваникалық тері реакциясы (ГТР) – [Электродермалық белсенділік] немесе ЭДА деп аталатын көбірек тараған құбылыстың ескірген атауы. ЭДА – терінің электрлік қасиеттерінің өзгеруін қамтитын жалпы құбылыс. Тері [симпатиялық нерв жүйесі] арқылы иннервацияланады, сондықтан оның кедергісін немесе өткізгіштігін өлшеу автономды нерв жүйесінің симпатиялық тармағындағы шағын өзгерістерді анықтауға мүмкіндік береді. Тер бездері тер сезілмей тұрып белсендірілген кезде, ЭДА деңгейін (әдетте өткізгіштік арқылы) тіркеуге болады және бұл автономдық қозғырғыштықтағы шағын өзгерістерді ажырату үшін қолданылады. Зерттелуші қаншалықты қозғырылған болса, терінің өткізгіштігі соншалықты жоғары болады.
Әдістеме
Бұл әдістер бет түсінің өзгеруіне негізделген. Делоне үшбұрышы үшбұрышты жергілікті аймақтарды құру үшін қолданылады. Ауыздың және көздің (склера мен ирис) ішкі бөлігін анықтайтын кейбір үшбұрыштар алынып тасталады. Ерекшелік векторларын құру үшін сол жақ үшбұрышты аймақтардың пиксельдерін пайдаланыңыз. Немесе, LMS арналары беттермен жұмыс істегенде жақсы нәтиже береді. Сондықтан, жоғарыдағы векторды жақсы түсті кеңістікке бейімдеп, қызыл, жасыл және сары, көк түстерге жіктеңіз. Содан кейін терең оқу әдістерін қолданып, сәйкес эмоцияларды анықтаңыз.
Көрнекі эстетика
Эстетика – өнер және фотосурет әлемінде сұлулықтың табиғаты мен оны бағалау принциптерін білдіреді. Сұлулықты және басқа да эстетикалық сапаларды бағалау – өте субъективті міндет. Penn State университетінің компьютерлік ғалымдары суреттердің визуалды мазмұнын пайдаланып, олардың эстетикалық сапасын автоматты түрде анықтау қиындығын машиналық оқыту мәселесі ретінде қарастырады, ал деректер көзі ретінде өзара бағаланатын онлайн фотосуреттерді бөлісу веб-сайтын пайдаланады. Олар эстетикалық тұрғыдан ұнамды және ұнамайтын суреттерді ажырата алатындығы туралы түйсікке негізделген белгілі бір визуалды ерекшеліктерді анықтайды.
Білім
Сүйіспеншілік оқушылардың оқу жағдайларына әсер етеді. Эмоционалдық есептеу технологиясын пайдалану арқылы компьютерлер оқушылардың эмоцияларын және оқу жағдайын олардың бет-әлпеттерінен тани отырып анықтай алады. Білім беруде мұғалімдер осы талдау нәтижелерін оқушының оқу және қабылдау қабілетін түсіну үшін пайдалана алады, содан кейін оқу жоспарын тиімді жолмен құра алады. Сонымен қатар, олар оқушылардың ішкі сезімдеріне көңіл бөледі, бұл олардың психологиялық денсаулығына оң әсер етеді. Әсіресе қашықтықтан білім беруде, уақыт пен кеңістіктің арада болуына байланысты, мұғалім мен оқушы арасындағы екі жақты байланыста эмоционалдық серпіліс болмайды. Дәстүрлі сыныптағы оқу атмосферасы болмағандықтан, оқушылар оңай шаршап, оқу тиімділігі төмендеуі мүмкін. Қашықтықтан білім беру жүйесінде эмоционалдық есептеуді қолдану осы мәселені тиімді шеше алады.
Көлік
Сенсорлық есептеулердің қолданылуы жол қауіпсіздігін жақсартуға көмектеседі. Мысалы, автомобильдегі барлық адамдардың эмоцияларын бақылап, жүргізуші ашулы екенін анықтаған жағдайда басқа көліктерді ескерту сияқты қосымша қауіпсіздік шараларын іске қосуға болады. Сонымен қатар, жүргізушінің стрессін бақылайтын аффективтік есептеу жүйелері стресс деңгейіне сәйкес реттелетін жүргізушіге көмек көрсету жүйелері және жүргізушінің эмоциялық күйін өзгертуге бағытталған минималды, тікелей араласулар сияқты түрлі шараларға мүмкіндік береді.
Денсаулық сақтау
Әлеуметтік роботтар, сондай-ақ денсаулық сақтау саласында қолданылатын роботтардың саны артып келеді, олар эмоциялық сезімталдықтан пайда көреді, себебі олар пайдаланушылар мен науқастардың эмоционалдық жағдайын жақсырақ анықтай алады және оған сәйкес өз әрекеттерін/бағдарламаларын өзгерте алады. Бұл, әсіресе қарт адамдар саны артып, жас жұмыс күші жетіспейтін елдерде маңызды. Эмоциялық есептеулер аутизммен ауыратын адамдарға арналған коммуникациялық технологияларды дамытуға да қолданылады. Сондай-ақ мәтіннің эмоциялық құрамы, әсіресе оның «эмоционалды немесе сезімтал Интернет» деп аталатын құбылыстағы рөліне де көбірек назар аударылуда.
Бейне ойындар
Эмоционалды видео ойындар биологиялық кері байланыс құрылғылары арқылы ойыншылардың эмоционалдық жағдайын анықтай алады. Биологиялық кері байланыстың ең қарапайым түрі – түймелерді басып қысымды өлшейтін геймпадтар арқылы қол жетімді: бұл ойыншылардың қозғалғыштық деңгейімен тығыз байланысты екені көрсетілген; ал шкаланың екінші ұшында ми-компьютер интерфейстері орналасқан. Эмоционалды ойындар аутизммен ауыратын балалардың эмоционалдық дамуын қолдау мақсатында медициналық зерттеулерде пайдаланылған.
Психомоторлық жаттығу
Рульді басқару және маневрлеу сияқты психомоторлық операцияларды оқыту әдістері авиация, көлік және медицина сияқты түрлі салаларда қолданылады. Адаптивті автоматтандыру қағидаларына сәйкес, осы типтегі оқу жүйелеріне эмоционалдық есептеу мүмкіндіктерін қосу, оқу сапасын арттыру және қажетті оқу мерзімін қысқартуға тиімді екені анықталды.
Басқа қолданбалар
Аффективті есептеу адам-компьютерлік өзара әрекеттесте әлеуетті қолданыстарға ие, мысалы, пайдаланушыға өзінің қалай өнер танысып жатқанын көруге мүмкіндік беретін аффективті айналар; ашулы электрондық хат жібермес бұрын ескерту беретін жүйелер; тіпті музыка ойнатқыштары көңіл-күйіне қарай әндерді таңдау. Румын ғалымы, доктор Нику Себе бір сұхбатында белгілі бір өнімді (мысалы, мұзжұмсақты) қолданып жатқан адамның бет-әлпетін талдауды ұсынды. Компаниялар мұндай талдау арқылы өнімдерінің аталған нарықта жақсы қабылданатынын немесе қабылдамайтынын анықтай алады. Адамның бейнежазбасын алып, оның бет-әлпетін зерттеу арқылы телеарна жарнамасының әсерін бағалау үшін де аффективті күйді тануды қолдануға болады. Көптеген қатысушылардан алынған нәтижелерді орташалап есептегенде, жарнаманың (немесе фильмнің) күтілген әсерін тигізіп-тігізбегенін және көрерменді қандай элементтер қызықтыратынын анықтауға болады.
Когнитивистік және интеракциялық тәсілдер
Адам-компьютер өзара әрекеттесу саласында Розалинд Пикардтың когнитивистік немесе "ақпараттық модель" эмоция тұжырымдамасы Кирстен Бонер және басқалар ұсынған "посткогнитивистік" немесе "интеракциялық" прагматикалық көзқараспен салыстырылып, сынға ұшырады. Бұл көзқарас эмоцияны бастапқыда әлеуметтік деп қарастырады. Пикардтың назары адам-компьютер өзара әрекеттесуіне шоғырланған, ал аффективтік есептеудегі мақсаты – "компьютерлерге эмоцияларды тану, көрсету және кейбір жағдайларда 'сезіну' қабілетін сыйлау".