Forscher kommen der Entwicklung von “emotionell intelligenter” KI näher

Forscher am Japan Advanced Institute of Science and Technology haben biologische Signale mit maschinellen Lernmethoden integriert, um “emotionell intelligente” KI zu ermöglichen. Emotionelle Intelligenz könnte zu natürlicheren Mensch-Maschine-Interaktionen führen, sagen die Forscher.

Die neue Studie wurde in der Zeitschrift IEEE Transactions on Affective Computing.

Emotionelle Intelligenz erzielen

Sprach- und Spracherkennungstechnologien wie Alexa und Siri entwickeln sich ständig weiter, und die Hinzufügung von emotionaler Intelligenz könnte sie auf das nächste Level heben. Dies würde bedeuten, dass diese Systeme den emotionalen Zustand des Benutzers erkennen könnten, sowie Sprache verstehen und empathischere Antworten generieren könnten.

“Multimodale Sentiment-Analyse” ist eine Gruppe von Methoden, die den Goldstandard für KI-Dialogsysteme mit Sentiment-Erkennung darstellen, und sie können automatisch den psychologischen Zustand einer Person aus ihrer Sprache, Gesichtsausdrücken, Stimmlage und Körperhaltung analysieren. Sie sind grundlegend für die Schaffung von menschzentrierten KI-Systemen und könnten zur Entwicklung von emotional intelligenter KI mit “übermenschlichen Fähigkeiten” führen. Diese Fähigkeiten würden es der KI ermöglichen, den Sentiment des Benutzers zu verstehen, bevor sie eine entsprechende Antwort bildet.

Unbeobachtbare Signale analysieren

Aktuelle Schätzungsmethoden konzentrieren sich hauptsächlich auf beobachtbare Informationen, was die Informationen in unbeobachtbaren Signalen außer Acht lässt, die physiologische Signale umfassen können. Diese Arten von Signalen enthalten viele wertvolle Daten, die die Sentiment-Schätzung verbessern könnten.

In der Studie wurden physiologische Signale erstmals der multimodalen Sentiment-Analyse hinzugefügt. Das Team der Forscher, das diese Studie durchführte, umfasste Associate Professor Shogo Okada vom Japan Advanced Institute of Science and Technology (JSAIT) und Prof. Kazunori Komatani vom Institute of Scientific and Industrial Research an der Osaka University.

“Menschen sind sehr gut darin, ihre Gefühle zu verbergen”, sagt Dr. Okada. “Der interne emotionale Zustand eines Benutzers wird nicht immer genau durch den Inhalt des Dialogs widergespiegelt, aber da es schwierig für eine Person ist, ihre biologischen Signale, wie die Herzfrequenz, bewusst zu kontrollieren, könnte es nützlich sein, diese für die Schätzung ihres emotionalen Zustands zu verwenden. Dies könnte zu einer KI mit Sentiment-Schätzungsfähigkeiten führen, die über die menschlichen Fähigkeiten hinausgehen.”

Die Studie des Teams umfasste die Analyse von 2.468 Dialogen mit einem Dialog-KI, die von 26 Teilnehmern stammten. Mit diesen Daten konnte das Team den Grad des Vergnügens schätzen, den der Benutzer während des Gesprächs erlebte.

Der Benutzer wurde dann gebeten, zu bewerten, wie angenehm oder langweilig das Gespräch war. Der multimodale Dialog-Datensatz “Hazumi1911” wurde vom Team verwendet. Dieser Datensatz kombiniert Spracherkennung, Stimmlagesensoren, Körperhaltungserkennung und Gesichtsausdruck mit Hautpotential, einer Form der physiologischen Reaktionsmessung.

“Beim Vergleich aller getrennten Informationsquellen erwies sich die biologische Signalinformation als effektiver als Stimme und Gesichtsausdruck”, fuhr Dr. Okada fort. “Wenn wir die Sprachinformationen mit biologischen Signalinformationen kombinierten, um den selbst bewerteten internen Zustand während des Gesprächs mit dem System zu schätzen, wurde die Leistung der KI mit der eines Menschen vergleichbar.”

Die neuen Erkenntnisse deuten darauf hin, dass die Erkennung von physiologischen Signalen bei Menschen zu hoch emotional intelligenter KI-basierter Dialogsystemen führen könnte. Emotionell intelligente KI-Systeme könnten dann verwendet werden, um psychische Erkrankungen durch die Erkennung von Veränderungen im täglichen emotionalen Zustand zu identifizieren und zu überwachen. Ein weiterer möglicher Anwendungsfall ist die Bildung, in der sie erkennen könnten, ob ein Lerner an einem Thema interessiert ist oder gelangweilt, was zur Anpassung der Lehrstrategien verwendet werden könnte.