情感模型（共3篇）
情感模型 篇1
分类是数据挖掘的主要研究内容之一, 是反映同类事务共同性质的特征型知识和不同事务之间的差异型特征知识。分类的目的是能够根据已正确分类的数据构造出一个分类模型, 并用该模型预测未知数据所属类别。
社会情感优化算法 (SEOA) 是通过模拟人类情感、情绪对行为的影响而构造的一种群智能优化算法, 该算法具有广阔的社会学和生物学背景。传统的群智能算法提供的作用规则有限, 因此个体进行自组织、自学习能力受到了限制。而社会情感优化算法具有更优越的性能, 由于个体有情感因素的加入, 能够利用每个人的情绪作为控制策略, 从而提高了算法的性能, 改善了算法的多样性和灵活性, 它已被成功应用于团簇结构优化、电力系统无功优化等实际问题中。但未见到在分类问题方面的应用, 本文将把社会情感算法应用于分类问题, 针对连续属性建立模型。
1分类
分类是构造一个分类模型, 该模型能够把数据库中未分类的数据项映射到给定类别的某个。分类主要需要两个步骤。
第一步、建立一个模型, 即从已经给定的数据类集抽取一部分作为训练集来建立模型;
第二步、评估该模型的分类准确率, 即用已经建立好的模型对于数据集中剩下未分类的数据进行分类, 若该模型的准确率能够接受, 则采用该模型进行分类。
2社会情感优化算法
2.1算法的提出
社会情感优化算法是一种基于社会活动中人的情感对行为的影响的群智能优化算法, 模拟了理智情况下的人在参与某种社会活动时, 感知其周围环境对他的评价, 通过情绪的反馈采取相应决策和效应, 从而对下一步活动进行指导, 重复此过程, 直到满足条件为止。
2.2算法的介绍
在社会情感优化算法中, 每个个体代表一个虚拟的人, 在每次的迭代过程中, 它将根据自己的情绪指数来选择相应的行为, 随后社会给出该个体的评价值, 从评价值就可以反映出该个体本次行为的正确与错误。如果正确, 则情绪指数上升, 否则就降低。
在初始化阶段, 将所有个体的情绪指数都设为0, 此时情绪指数为最小值, 所有个体按照下列方式选择下一次行为:
在第t代时, 如果个体j的社会评价值没有先前所有值好的话, 那么j的情绪指数按照下列式子发生变化:
如果式 (2) 发生Ej (t+1) <0.0, 则令Ej (t+1) =0.0。Δ是一个预定义的值, 在此该参数被设定为0.05。如果个体j被奖励一个历史最好的社会评价, 那么
所有个体下一步的行为根据以下三种情况发生相应的变化:
此时个体情绪高昂, 学习的渴望非常强烈, 而忽略群体历史较差评价的负面影响, 只考虑外界环境的最好评价。
3基于社会情感算法的分类模型
分类模型有很多表示方法, 如决策树、数学公式、神经网络、框架和规则等。由于分类规则易于理解, 表示形式简单, 因此宜采用规则来描述分类问题。
4小结
本文首先提出分类问题及分类模型, 然后引进一种基于社会活动中人的情感对行为的影响的群智能优化算法——社会情感算法, 并且将社会情感算法应用于分类问题来建立分类模型。
参考文献
[1]崔志华.社会情感优化算法[M].北京:电子工业出版社, 2011.
[2]陈永静.社会情感优化算法在团簇结构优化中的应用研究[D].太原:太原科技大学, 2011.
[3]魏战红.社会情感优化算法及其在电力系统无功优化中的应用研究[D].太原:太原科技大学, 2011.
[4]陈文伟, 黄金才.数据仓库与数据挖掘[M].北京:人民邮电出版社, 2004.
[5]邵峰晶, 于忠清.数据挖掘原理与算法[M].北京:中国水利水电出版社, 2003.
情感模型 篇2
关键词：小学生,情感能力,结构模型,问卷编制
一、引言
随着新一轮基础教育课程改革的全面铺开, 注重知识传授的旧有教育观念逐渐被摒弃, 强调培养学生的知识与技能、过程与方法以及情感态度价值观的新的教育目标。这是新中国成立以来首次以教育文本的形式确立了情感态度价值观目标。由此可以看出, 培养中小学生情感能力是新课程改革的一个重要内容。而小学阶段又是学生情感能力形成的关键时期, 因此, 在小学开展情感教育、培养学生的情感能力尤为重要。但情感能力的建构必须依据科学的模型和测量工具, 尤其是要符合我国小学生情感能力发展特点。
所谓情感能力, 原称情绪智力 (Emotional Intelligence) , 是指以情绪或情感为操作对象所表现出的一种智力, 也就是在智力层面上所表现出的情感特征。作为影响个体成功的一个重要因素———情绪智力一直以来就被学术界甚为关注。自情绪智力提出以来, 有些学者认为它不能称为一个严格的科学概念, [1]因为部分学者把原属情感和意志机能的个体特征归为智力, 不恰当地扩大了智力的外延。[2,3]为此, 另一些学者认为情绪智力是一个极不成熟的概念。[4]其实, 能力并不等于智力, 情感与意志能力是存在于智力之外的。[5]加德纳在《智能的结构》一书中, 把情感视为一种能力, 是颇有创造性的论证。[6]因此, 情绪智力的概念不够准确, 而应重新命名为情感能力。
情绪情感是一个多水平、多层次的系统, 这一心理过程的评价要比感觉、知觉、想象等认知过程复杂得多。笔者通过文献检索发现, 目前国内外未有专门针对小学生的情感能力编制问卷。因此, 笔者认为, 有必要构建一个符合我国小学生情感能力发展特点的模型, 并在此基础上编制一套测评问卷, 用于指导小学生情感教育的实践操作。
二、情感能力结构模型的构建
为确定我国小学生情感能力的结构维度, 我们采用内容分析和访谈法, 对小学生的作品如日记、周记、作文等进行分析, 并随机抽取30名小学生进行深入访谈;同时在借鉴国内外学者研究成果的基础上, [7,8]提出了情感能力的定义, 即特定年龄阶段的个体能对自我、他人和社会产生适当情感和态度体验的能力, 即情感的自我意识能力、移情共感能力、人际交往能力, 它最终发展为社会性情感品质。由此概括情感能力包括以下三个结构:情感的自我意识能力 (自我) 、移情共感能力 (他人) 、社会性情感 (社会) , 简称“自我—他人—社会”情感能力模型 (如图1) 。
三、情感能力问卷的初步编制
1.问卷内容的初步形成
在确定了情感能力模型的结构后, 本研究先对随机抽取的三、四、五年级各20名小学生进行了访谈。一是通过访谈归纳出情感能力的内容有哪些;二是了解小学生情感能力的状况, 即个体对于情感状态的体验和评价水平。通过上述系列研究归纳出情感能力三个维度的理论构想, 由此得到问卷编制的基本信息。
根据对访谈结果和学生心理档案中情感日记和绘画作品等材料的深入分析, 同时参考相关问卷的理论结构, 我们提出了情感能力的三维度理论构想, 且进一步形成了每一维度的测查项目, 其具体内容如下:
“自我”———情感的自我意识能力维度:即学生对自己情感积极、正确的认识、评价和管理的能力。具体包括情绪的自我觉知能力、接受和悦纳自我能力、情感控制和管理能力、抗压能力、情感独立能力和积极自我认知能力6个方面。
“他人”———移情共感、人际交往能力维度:即指学生能敏锐、准确地领会和理解对方所表达的意思和情感, 并将这种领会和理解向对方传递, 形成良好的人际沟通和交流。具体包括共感能力、情感表达能力、情感调适能力、人际交往能力和团队协作能力5个方面。
“社会”———社会性情感能力维度:指学生社会性情感丰富, 个性和谐发展, 人性得到净化和提升。具体包括社会责任感和社会道德感两个方面。
情感能力各个维度所包含的内容之间应该是一个层级递进的关系, 即三个维度之间的关系与学生情感能力从低级到高级的发展规律相一致。
在形成了问卷的条目后, 以专家判断法确定问卷的内容效度, 再随机抽取小学生50人, 以“是”与“否”两点记分的方式, 在班主任老师的配合下进行了小范围的试测。通过对小范围试测的统计结果进行分析, 最后形成了35个项目的情感能力问卷。
2.问卷的预测及结果
预测被试为成都地区某小学三、四、五、六年级学生共316人, 男生153人, 女生163人;三年级79人, 四年级77人, 五年级81人, 六年级79人, 年龄为10.10±0.71岁。
对问卷的项目实施探索性因素分析, 并用主成分分析法抽取公共因素, 求得初始负荷矩阵, 再用正交转轴法求出最终的因素负荷矩阵。EFA中取样适当性KMO的指标为0.735, Bartlett球形检验的xz值为5 127.666, P=0.001, 上述数据显示可以进行因素分析。对问卷的项目进行探索性因素分析, 运用主成分分析法, 限定3个因素进行正交旋转。分析发现每个维度的结构较为清晰, 去除载荷小于0.3、交叉载荷较高的题目5项, 对剩余条目再次进行限定3个因素的正交旋转, 发现累积贡献率是42.254%, 项目载荷在0.303~0.712之间。依据此结果, 情感能力结构为三因素结构, 共30个项目, 每一因素包含的项目数分别为15、8与7个, 问卷的克伦巴赫α系数为0.907。
四、正式问卷的形成
为确定调整后的情感能力模型三维度的合理性, 并检验情感能力问卷的效度与信度, 本研究选取360多名被试施测了问卷。
1.被试
正式施测的被试系四川省4所学校三、四、五、六年级的小学生361人。发放正式问卷430份, 回收问卷402份, 有效问卷361份。其中男生180人, 女生181人;三年级95人, 四年级98人, 五年级82人, 六年级86人;年龄10.29±0.68岁。
2.研究工具
(1) 情感能力自评问卷:设计共30题, 包含三个维度, 为5点量表式, 从完全不符合到完全符合, 依次记1~5分。 (2) 情感能力他人评定表, 请每班班内两位学生干部和班主任老师3人完成对班级学生情感能力的评定。 (3) 自尊量表SES (Rosenberg, 1965) 由10个项目组成, 采用五级评分制, 从非常符合到非常不符合, 得分越高表示自尊越高。 (4) 情感平衡量表AS (Brandburn, 1969) 由十个条目组成, 受试者直接报告这些正性和负性情感的描述是否符合他们自己在过去几周的感受。总分越高表示情感平衡程度越高。 (5) 儿童自我意识量表:采用Piers-Harris儿童自我意识量表 (Childrens self-concept scale) , 是美国心理学家DBEV及Piers-Harris于1969年编制、1974年修订的儿童自评量表。主要用于评价儿童自我意识的状况, 分为六个量表:行为、智力与学校情况、躯体外貌与属性、焦虑、合群、幸福与满足来评价儿童的自我意识。这些量表作为本研究的效标, 在国内外应用较为广泛, 信效度较好。
3.研究程序
问卷施测采用团体施测。利用自习课时间, 请班主任老师和一名心理学专业研究生对学生进行集体施测:大部分同学仅完成情感能力自评问卷, 四年级随机抽取66名学生同时完成情感能力自评问卷和儿童自我意识量表, 五年级随机抽取61名同时完成情感能力自评问卷和情感平衡量表, 六年级随机抽取74名学生同时完成情感能力自评问卷和自尊量表。并请每班班内两位学生干部和班主任老师3人完成对班级学生情感能力的评定。为最大限度减低被试的顾虑, 每位同学的问卷为匿名。量表中的部分题目采用反向记分以避免系统误差的出现, 最后再统一重新编码, 进行计算。
4.数据处理
采用SPSS 13.0进行数据处理, 并通过LISREL 8.51进行验证性因素分析。
5.结果与分析
(1) 探索性因素分析。对30个项目的模型作因素分析, 用主成分分析法, 正交旋转后问卷的项目分布和因子负荷情况见表1。
(2) 验证性因素分析。依据情感能力问卷30个项目的方差协方差矩阵, 对构想的三因素模型进行验证性因素分析。模型各拟合指数为χ2/df=9.35, SRMR=0.091, GFI=0.62, NNFI=0.75, CFI=0.81。根据修正指数去掉交叉载荷较高的项目3个, 对余下的27个项目再次进行验证性因素分析, 发现模型各拟合指数均有提高, χ2/df=7.83, SRMR=0.072, GFI=0.93, NNFI=0.81, CFI=0.86, 见表2。根据该次因素分析的修正指数, 得到最终模型。最终, 确立小学生情感能力自编问卷结构为三个维度, 27个项目。
(3) 问卷的信效度。信度———在研究中我们采用内部一致性信度、分半信度和重测信度开展信度检验。使用克伦巴赫α系数代表内部一致性信度, 而重测间隔时间为2周, 三个维度的信度系数和问卷的信度系数见表3。
内容效度。本研究在借鉴相关文献的基础上, 依据对小学生的访谈结果形成调查问卷, 并请具有专业背景的8位专家对问卷进行核查与修改。同时, 随机抽取小学生50人进行测试, 使调查表适用于小学三年级以上学生, 易懂并符合理论设想。正式调查前, 还对316名小学生做了预测, 这些措施保证了问卷的内容效度。
结构效度。采用因素间相关系数矩阵、探索性因素分析及验证性因素分析等方法以验证编制问卷的结构效度, 并对情感能力结构的理论设想进行深入的探讨。
表4显示, 各个维度之间存在中等程度的相关, 表明问卷的结构是符合测量学要求的。
注:*表示P<0.05, **表示P<0.01, 下同。
结合表1可知, 问卷的三个维度所有项目的因素载荷在0.301~0.942之间, 累积贡献率为46.014%。探索性因素分析表明, 三个因素与情感能力结构中的因素的初步构想是吻合的;验证性因素分析结果表明, 27个项目的模型对情感能力的结构提供了较为准确的拟合。由此表明, 问卷的结构效度较好。
效标效度。在学生完成各个问卷的同时, 请各班两位学生干部和班主任老师3人完成班级学生情感能力评定表。3位评分者的一致性信度依次是0.81, 0.84和0.82。以每一班级中3位评分者评定分数的均分作为每位小学生情感能力的他人评定分数, 将各班小学生按照他人评定分数进行排序, 其中每一班中前10名为高分组, 最后10名为低分组, 其余为一般组。以学生所属组别为自变量, 以其情感能力3个维度上的得分为因变量进行单因素多元方差分析。结果表明, 组间效应十分显著, F=5.57 (P<0.001) 。对其进行单变量F检验表明, 3个维度上均存在显著的组间效应 (见表5) , 显示问卷效标效度较高。
同时还使用了自尊量表SES (Rosenberg, 1965) 、情感平衡量表AS (Brandburn, 1969) 、儿童自我意识量表考查问卷的效标效度。测试发现, 问卷得分可解释SES量表所测得自尊的总方差的35.8%, 可解释AS量表所测得情感的总方差的31.2%, 与儿童自我意识量表所测得的对焦虑的意识、对合群的意识、对幸福与满足的意识相关系数分别为0.67, 0.54, 0.52, 说明问卷有较好的效度。
五、讨论
本研究的情感能力模型是在我国文化背景下构建的, 既是一种能力模型, 也是基于小学生情绪情感发展特点的三阶段模型:从对自我情感的意识到对他人情感的觉知, 再到社会性情感的形成。
情感能力自评问卷是依据小学生的情感心理发展特点编制的、与模型内容相符合的测评工具, 问卷的内容结构也符合小学生情感自我体验与评价的一致性。从表1可知, 问卷三个维度之间呈较为显著的相关, 表明情感能力三个维度既相互关联又具有一定独立性, 所测得的结果不仅能够反映出三个不同阶段小学生情感能力的特点, 还能够体现学生情感发展的连续性和一致性特点。通过探索性因素分析和验证性因素分析, 最终问卷保留了3个维度, 共27个项目。信效度检验表明, 问卷的各项指标达到心理测量学的要求。这为小学开展情感教育干预提供了可以借鉴的测评工具。
情感教育需要遵循儿童情感发展的特点, 必须紧密配合儿童的成长阶段。[1]情感的自我体验发生于幼儿阶段, 小学阶段得到较大发展。所谓情感自我体验是指个体对自己的一种情感体验, 是在自我认识基础上产生的, 反应个体对自己所持的态度, 包括自尊、自信、自卑、内疚、自豪感、成功感、自我效能感等, 其中自尊是自我体验中最主要的方面。自我体验在小学阶段主要表现在自尊心上, 由于儿童有了自尊体验, 所以能够约束自己的行为, 并注意他人对自己的评价。韩进之等人指出, 自我体验的发展与自我意识的发展总趋势相一致, 在小学阶段, 自我体验与自我评价的发展具有很高的一致性 (r=0.996) 。[9]这使得采用自评式问卷测试小学生情感能力具备了可行性。此外, 情绪发展与其他能力的成熟也有着密切的关系。Arsenio (2003) 在其文章中指出, 个体有三类情绪调节能力, 主要包括:第一, 与气质关系密切的生理层面的情绪调节;第二, 以后天习得为基础的情绪调节的知识与技能等;第三, 自我意识层面的情绪调节。由此可见, 唯有第二类涉及了认知, 且此能力可通过培训而提高, 与稳定性很高的认知能力并不具有同样的性质。[10]这些研究结果与本研究中小学生情感能力模型构建的思路相一致。当然, 也有可能是因为该问卷是一阶三维模型, 结构和内容都较为简单, 因此预测效果较好。期望本文为进一步的研究提供有益的依据, 在此基础上不断修正和完善。
当然, 由于小学生认知发展的特点, 仅仅使用问卷调查的方法来检验情感能力结构模型是有局限性的。近年来有人提出研究方法的整合, [11]针对情绪的复杂性, 多种方法的结合更富有系统性。[12]为此, 我们还采用了实验干预、观察记录、访谈以及学生成长档案和作品分析等方法评价情感能力结构模型的合理性和有效性。
六、结论
(1) 小学生情感能力的结构模型包括情感的自我意识能力 (自我) 、移情共感能力 (他人) 、社会性情感 (社会) , 所构建的模型简称为:“自我—他人—社会”情感能力模型。
(2) 探索性因素分析的结果表明, 小学生情感能力问卷的三因素结构是合理的, 三个维度之间存在较为显著的正相关;验证性因素分析的结果表明, 27个项目的一阶三维模型各项拟合指数达到最优。
(3) 信效度检验结果表明, 自编的小学生情感能力问卷的信效度达到心理测量学要求, 可以投入使用。
参考文献
情感模型 篇3
计算机游戏中最初出现“智能”是参与游戏的非玩家角色NPCs( None-Player Characters) 被设计成“游戏逻辑”的一部分,通常是指一段“聪明”的程序。随着人们逐渐认识到人工智能在游戏领域的重要性,一些研究者认为此类非玩家角色在未来应该能够实现“自治”,即通过“虚拟躯体”与“虚拟世界”进行交互,通过各种各样的规划和学习算法来调整自身适应环境[1,2,3]。
此外,一些专家发现运用适当的生物学知识可以使自治角色的行为表现更加真实可信。一些研究者认为: 情感无疑是真实性与可信度的关键因素,即有情感的非玩家角色表现出的行为更加真实,使游戏参与者更能体会到是与“人”而不是死板的计算机进行对峙。这不仅增加游戏的趣味性,也提高了其娱乐价值与商业价值[4]。
行为规划技术常用于智能体的物理行为选择,而情感的产生则依赖于情感评价理论。基于人脑信息处理过程的研究,智能体或机器人在复杂环境中常采用混合体系结构进行行为选择,一般分为两层: 反应层和慎思层。反应层支持行为选择机制速度较快,而慎思层则支持形成最优化的行为[5]。分层理论对应的情感评价理论则是“多层情感评价理论”。
本文将智能体的物理行为和情感行为统称为行为,并基于部分可观察马尔科夫决策过程POMDP ( Partially Observable Markov Decision Process) 和分层理论提出一种基于规划的情感模型PEM( Planning-Emotion Model) 。由于智能体一般为了某一目标而设计的,并且在实际的规划执行过程中往往会受到一些约束( 时间和资源等) ,所以本文基于部分可观察马尔科夫决策过程提出一类成本约束的目标导向行为规划CGOAP( Costs-constrained Goal Oriented Action Planning) 。该规划可以计算出智能体在某一状态时应该选择的最优动作以及未来可以到达目标的概率( 目标满意度) ,同时根据“观察”计算出“动机一致性”与“责任”等评价变量的值。其中,“动机一致性”、“责任”等变量会用于计算产生反应式情感,目标满意度则会影响到再评价过程,进而计算产生慎思式情感。最后,本文运用PEM构建了情感自主角色AACs( Affective Autonomous Characters) ,并结合特定场景进行实验从而对PEM的有效性进行验证。
1 相关理论
1. 1 部分可观察马尔科夫决策过程
游戏世界中充满不确定性,如NPC突然开枪射击玩家,玩家可能被击中也可能成功躲避。另外,自主角色观察世界采用的方式与玩家一致,即依靠自己的主动性获取局部信息。针对这种行为结果的不确定性以及观察的不完整性,本文选择部分可观察马尔可夫决策过程( POMDP) 进行建模。POMDP为部分可观察环境下行为规划提供了常用的框架,即自主角色即使观察到非精确信息也能预测行为动作带来的后果。POMDP可以用< S,A,O,T,R,Z > 六元组表示[6],其中S是状态集,O是观察集,A是行为集,状态转换函数如下:
其中由状态s执行动作a到状态s'的概率可表示为:
观察函数如下:
其中执行动作a且结果状态是s时观察到o的概率如下:
奖赏或成本函数如下:
其中R( s,a) 是指在状态s执行动作a所期望的奖赏或花费成本。
由于环境是不可观察的,可通过定义| S | 维“信念状态”将非马尔可夫问题转化为马尔可夫问题[6]。其中,b( s) 表示状态s的概率,信念状态可以根据基本概率理论进行递归更新。对于信念状态b和动作a以及观察o ( Pr( o | b,a) > 0) ,计算出新的信念状态b',计算公式如下:
其中:
接下来是自治角色如何根据信念状态选择执行的动作来优化性能。用Vt( b) 表示在时间t和信念状态b下,角色期望未来能得到的总的折扣奖赏,根据Bellman优化理论可得:
其中:
μ = Pr( o | b,a) ,γ ∈ ( 0,1]为折扣因子,bao是指在信念状态b时执行动作a并观察到o时的信念状态。
然而,用式( 5) 求解无穷步规划问题时只能针对很小的问题,并且在现实世界的规划过程中会存在着一些约束,如规划时长、可用资源数量等。因此,本文在POMDP的基础上定义了一类成本约束的目标导向行为规划模型( CGOAP) 来指导自主角色选择行为动作。CGOAP针对的是部分可观察不确定环境下的有限步,含约束条件的规划问题。与传统所期望的最大化长期折扣奖赏的目标不同,CGOAP关心的是在定量成本约束下,自主角色未来到达目标的最大可能性。
1. 2 评价理论
大多数的情感理论都专注研究“认知”与“情感”之间的关系[7,8,9],并得出特定情境会激发不同的情感反应这一结论。换言之,情感反应依赖于认知评价。情感类型可以由一个或多个评价变量决定,常见的评价变量包括: 目标一致性、责任和概率等。其中,概率是指未来实现目标的可能性。Chartrand等人指出认知评价并非只指复杂的认知过程,在到达某个阈值时情感可以被触发产生而非必须经过“有意识”的处理过程[10]。Lazarus理论将认知评价过程细分为三个子评价过程: 基本评价、次级评价以及再评价。Smith和Lazarus更进一步划分出六个评价部分,其中两个部分包括基本评价,另外四个部分则包含次级评价[11]。
Damasio在神经学证据基础上将情感划分为主情感和次情感[12]。主情感也称为反应式情感,是人类应对外部环境尤其是危险事件时一种直接的、原始的、自适应的应急情感; 次情感也称为慎思式情感,通常是建立在人们对主情感的有意识的价值判断上的,其产生需要一个过程。
由于多层情感理论与人类大脑分层处理信息过程相吻合,因此比单一的评价过程更合理且更容易解释人类生活中常见的一些情感现象。
人类很多情感的产生源于对某事件的期望,当目标事件实现的概率较高时人类会产生正向情感( 积极情感) ,反之会产生负向情感( 消极情感) 。本文将CGOAP和多层情感计算相结合来创建具有情感的自主角色AACs。AACs在追寻目标的过程中,每执行一个动作,目标实现的概率( 通过CGOAP计算得出)可能会发生变化,从而它的情感也会随着变化,这就是所谓的情感动力学。
2 集成CGOAP的情感计算模型
本文采用主次情感的双层情感模型并结合CGOAP提出一类适用于部分可观察不确定环境的情感计算模型,如图1 所示,也称之为基于规划的情感模型PEM。PEM从感知层和认知层两个层面来处理刺激,且对刺激的评估过程是由感知层上升到认知层[13]。评价过程建立在自发的感知层,再评价过程是建立在深思熟虑的认知层上的。对PEM来说,外界对角色的刺激会形成一种原始观察( 基本观察) ,原始观察有可能会触发产生反应式情感,但未必会影响到角色的行为规划。原始观察累积会形成高级观察( 抽象观察) ,CGOAP根据当前的信念状态以及高级观察计算出未来可以实现目标的概率。情感评价系统将利用计算出的概率对当前产生的反应式情感进行再评价从而产生次级情感,而反应式情感的产生则是依赖于CGOAP中通过基本观察计算出的“动机一致性”和“责任”。反应式情感强度大但衰减速度快,而慎思式情感强度小但衰减速度慢且可以保持到下一规划步到来。在每一个决策点,CGOAP除了计算出未来能实现目标的概率,还能计算出当前应该采取的行为。在我们的模型中行为是由基本动作序列组成,而执行每一个基本动作会对虚拟世界产生作用,继而又产生新的原始观察以及反应式情感,如此循环往复形成情感动力学。在AACs的情感表现过程中,次级情感相对比较稳定( 类似于情绪) ,而反应式情感则是不断地打断次级情感,但消逝速度很快。
2. 1 CGOAP
本文基于POMDP提出了一种CGOAP模型,即在有限成本的基础上,计算出AACs未来实现目标的最大概率和当前应采取的最优行为。CGOAP由( S,A,T,O,Z,b0,c0,g,C) 九元组表示,其中b0是初始信念状态,c0是指初始成本,n维向量g表示各个状态成为目标状态的概率,C是约束函数,其他元素的定义与POMDP相同。CGOAP中每个行为动作都有相关的成本,用C( a) > 0 表示,且对于任何信念状态b可执行的动作集合均满足,其中 Λ 表示在信念状态b上没有执行任何动作。依据Bellman最优化理论可得公式如下:
其中,c是剩余可用成本,Ot( b,c,a) 表示在时刻t信念为b,且可用成本为c的情况下选择执行动作a未来可到达目标的最大概率。规划的目标是计算V0( b0,c0) 的最大值以及相应的行为规划 π( b,c,t) 。γ < 1 表示随着时间的推移实现目标的难度加大。
对于复杂系统( 如游戏) 要想给出一个完美的因果关系律是不现实的。为了满足实时性,通常我们会在一个较高层次上建模。对于CGOAP,此时观察o是一种高级观察( 抽象观察) ,动作a是由基本动作序列构成的一种复杂动作( 行为) ,于是在状态s0执行动作a到达状态s可表示为: s = do ( αn,…,do( α1,s0) ) ,其中< α1,…,αn> 是指构成行为a的基本动作序列。一般而言,执行完每个基本动作都会产生一个原始观察。高级观察是通过对原始观察序列分析得到的。
2. 2 认知评价
在计算机科学领域中,认知评价是情感生成的重要方法,如OCC模型给出了22 种情感的评价方法[14]。本文基于Ekman基本情感理论运用PEM实现六类情感( 快乐、悲伤、愤怒、担心、失望和惊喜) 的评价。Ekman等认为人类有六类基本情感: 快乐、悲伤、愤怒、担心、厌恶和惊喜。由于AACs是目标导向的,因此本文将“回避”动机相关的负面情感“厌恶”换成“趋近”动机相关的负面情感“失望”,同样的道理,将fear翻译成担心,surprise翻译成惊喜。本文在反应式情感里考虑三类情感: 快乐、悲伤和愤怒;而在慎思类情感里考虑快乐、惊喜、悲伤、担心和失望五类情感。反应式情感和慎思式情感中都存在“快乐”和“悲伤”,但却是相互区别的。相同的情感在反应式情感中一般强度较高、延续的时间短并且表现方式比较明显,而在慎思式情感中则恰恰相反。
本文用“动机一致性”和“责任”来区分反应式情感。AACs的动机是实现目标,因此可以用行为是否有利于达到目标来衡量该行为是否和动机一致。本文采用一个更简单的方法,即“达到了目标”则满足动机一致性,“没有达到目标”则不满足动机一致性。我们用“动机一致性”这一评价变量来区分“快乐”和“悲伤”,对于“愤怒”则还需考虑行为的主体,如果自己的损失是别人造成的,则产生愤怒。
对于慎思式情感,可以采用评价变量“概率”来区分。当未来到达目标的概率不低于0. 5 时,AACs会表现出正向情感( 以快乐为基调的情感) ; 当低于0. 5 时,负向情感( 以悲伤为基调的情感) 会产生[14,15,16]。OCC模型认为正向情感( 快乐和惊喜)或者负向情感( 悲伤、担心和失望) 它们之间的区别仅仅是强度的不同,并且这些情感可以通过概率区间区分,我们用模糊变量来表示这些概率区间。本文用一个两阶段决策树来表示PEM在决策点时的情感评价过程,如图2 所示( 更多的反应式情感是在非决策点获得原始观察时产生的) 。
2. 3 情感表达
情感表达的形式多种多样,如面部表情、肢体语言、行为表现和语言声音等。情感可以通过外部动作和声音直接被人察觉,另外对面部表情地特写也是常用的情感传递方式。ACCs将通过动作、声音和表情等多维度混合方式表达和传递情感。
3 应用实验
基于上述情感计算模型PEM创作一段游戏动画,然后通过主观评价实验来验证PEM的有效性。
3. 1 故事情节
很久以前,在一个山谷里住着一群牧羊人,他们过着幸福平静的生活,然而一天夜里一个怪物突然掠走了他们所有羊群,牧民们很伤心,一位勇士决心去除掉这个怪物救回牧民的羊群。翌日,勇士循迹来到了怪物地盘,但通往怪物洞穴的路阴森迷幻,并不断有小怪物骚扰勇士,消耗勇士的体力。图3 是游戏故事情节的一些片段,其中,( a) 为开始阶段勇士精力充沛,有很高的概率找到怪物,因此比较乐观; ( b) 为在耗费了一定体力后,勇士发现能找到怪物的概率很低了,显得很担心; ( c) 为不可能找到怪物了,勇士很失望; ( d) 为在另一次游戏中,勇士找到了怪物,在同怪物的打斗中,怪物抓中了勇士,勇士很愤怒。
3. 2 PEM
本文用一个3 × 3 的方格来描述实验设计( 每个方格对应着一个动态生成的游戏场景相当于一个关卡) ,中间的方格是个阻塞区不能穿过,怪兽在右上角的方格里,除了怪兽所在方格,所有方格均难以区别,每个方格中心有一个北向指示标识。角色在每个非目标方格的中心有四个行为可以选择,分别是向北、向东、向南和向西。角色从方格中心选择任何一个行为只有80% 的概率沿着该方向行走,各有10% 的概率会变到与行走方向垂直的任何一个方向,如果前方是边界或者障碍物则会退回到出发方格的中心。除了在目标方格正下方的方格内选择北向行为花费是1 外,其它的行为选择花费是2。定义各类慎思式情感的概率区间为: 惊喜( 0. 8,1],快乐[0. 5,0. 8],害怕( 0. 5,0. 3) ,担心[0. 3,0. 1]和失望[0,0. 1) 。
3. 3 实验方法
本文参考Reilly的文章设计两组对比实验对角色逼真度进行评价[17]。Reilly分别从以下三个参考方面对角色逼真度进行评定( 实为参与者针对三个问题进行打分) : 角色整体效果、角色表达人类特质效果和参与者身临其境效果。
两组对比实验分别是: 第一组是无情感的角色( A) 与只有反应式情感的角色( B) ; 第二组是只有反应式情感的角色( B)和运用了PEM模型的角色( C) 。每组20 个同学参与评分,其中包括12 名男生8 名女生,年龄范围20 ~ 27 岁。打分区间为0 ~ 10,随着分值的增加表示逼真度不断提高,0 ~ 2 表示“非常不逼真”,3 ~ 4 分表示“不逼真”,5 分代表“中立”,6 ~ 7 代表“逼真”,8 ~ 10 代表“非常逼真”。
进行实验之前给每个参与者发一份纸质说明,其内容包括:游戏故事情节、逼真度打分的范围以及上述逼真度参考的三个方面,确保每个参与者对上述内容清晰。为尽量减小由顺序引起的误差,每组中随机抽取6 个男生和4 个女生先观看各自组中某一个角色的游戏动画。同时,剩下的6 个男生和4 个女生观看另外一个角色的游戏动画,当参与者观看完一遍两个动画片段后,可自由选择动画片段观看直到可以得出一个结论为止,实验持续时间大约为二十分钟。最后,每个参与者分别给两个角色打分,并给出一些说明。
3. 4 实验结果及分析
通过统计分析,第一组实验中角色A的均值和标准差为:( 3. 5,1. 67) ,角色B的均值和标准差为( 5. 35,1. 81) ; 第二组实验中角色B均值和标准差是( 5. 3,1. 13) 和角色C的均值和标准差是( 6. 85,2. 39) ,如图4 所示。
本文采用单尾成对t检验方法对实验数据进行分析[17]。单尾成对t检验方法是对每个参与者针对该组两个角色的逼真度打分的差值( 后者减去前者) 进行检验,统计结果如图5所示。
检查两者的均值差是否大于0,如果95% 置信区间在0 值右侧,则可以宣称两者的均值差大于0( 95% 的可能) ,即后者要比前者“好”。第一组实验P值约为0. 0027 且置信区间在0 值右侧,表明角色B的逼真度均值大于角色A的逼真度均值,说明只有反应式情感的角色B比无情感的角色A更逼真。此实验结果与先前Reilly的研究结论是一致的。第二组实验P值约为0. 015 且置信区间在0 值右侧,表明角色C的逼真度均值大于角色B的逼真度均值,说明使用本文提出的模型PEM的角色C比只有反应式情感的角色B更逼真。
3. 5 讨论
模拟情感可以提高游戏角色的逼真度,此结论在很多实验中得到验证( 包括本实验)[14,15,16]。反应式情感是人类和动物进化的产物,而慎思式情感是人类特有的情感。第二组参与者的解释表明,通过对慎思式情感的连续模拟( 一个动态的情感过程) ,使得参与者感觉到角色C可以关心并推理当前的处境,这为计算机游戏或动画设计提供一种更有前景的发展方向,用户或者观众更倾向与关心当前形势的游戏( 动画) 角色打交道。
本实验不足之处在于参与者的年龄范围和受教育程度等条件的方差较小,不利于结论的进一步推广。未来应该考虑设计更多的实验并争取更广泛的参与者。
4 结语
关于人工智能的研究如果过分专注智能可能会忽略角色的行为可信度。情感是增加真实度和可信度的关键因素。本文重点是在部分可观察马尔可夫决策过程的基础上提出一种成本约束的目标导向行为规划技术( CGOAP) ,并结合双层认知评价理论提出了一种可用于部分可观察不确定环境下的基于规划的情感计算模型( PEM) 。PEM可用来创建具有情感的自主角色AACs,也可用于动画的自动生成。未来的工作是将更多的情感集成到PEM,以及在PEM中加入情感对行为选择的作用。
摘要：在计算机游戏中,富有情感可以使非玩家角色表现得更加真实,同时增加游戏的趣味性以吸引更多的游戏爱好者参与。在部分可观察不确定环境提出一种基于规划的情感计算模型。首先,基于部分可观察马尔科夫决策过程提出一种成本约束的目标导向行为规划技术用于规划智能体行为;其次,在规划执行过程中结合评价与再评价的双层评价理论计算生成情感;最后,结合特定情境设计两组对比实验。实验表明该模型能够提高智能体的逼真度且更加吸引玩家。