情感识别这个称谓看似富有诗意，其实其追求的目标非常实际，目的是使机器设备不仅能够察知人的面部神态，更能洞察其中蕴含的情感内在规律。

近二十年间，科研人员通过实验环境让机器学习分辨“开心表情”“不开心表情”，成功率持续提高。但实验中的表情多数是刻意做出的，不悦情绪也多是假装的。实际生活中的情绪却不会如此配合，它们变化快如股市波动，受到环境氛围、人际互动乃至天气状况的制约。因此情感分析领域正在发生转变，逐步从模拟环境迈向真实场景。

现实中的资料获取相当不易，当前多数资料库要么是简短视频，要么是固定画面，记录的都是一时一刻，而非持续演变。这就好比要分析气象，却仅有几帧晴朗和几帧阴雨的影像，根本无从揣度四时更迭。

在单位这种小范围场合中，情感互动更为错综，同僚间的协作、上级的决断、任务的紧迫，都会在面容上有所显露。缺少持续、常态化的情感资料，阻碍了情感分析技术实际部署的一大难点。

工作环境的作用非常明显。心态不仅关系到个人的工作成果，还会左右团队的配合情况，甚至影响一个公司的创造能力和团队向心力。一个经常面露忧色的负责人，或许比业绩不佳更迅速地打击大家的干劲。相对而言，乐观的心态能让集体更有承受力。换言之，工作场合的心情是企业状态的一种不易察觉的反映。

更令人意想不到的是，COVID-19 疫情为科研人员提供了一个极为难得的“现实对照”。封锁措施、居家工作安排、政策变动，这些偶然发生的事件如同接连不断的“心理震动”，使研究者能够审视人们在特殊状况下的心理变化。WELD 数据集就是在这样的环境中问世，它涵盖了疫情前后，系统记载了工作场所情绪的波动情况。

Xiao Sun 是该研究的专家，他担任 IEEE 高级会员职务，并且长期专注于情感计算与人工智能领域的研究工作。他所在的合肥工业大学情绪计算与智能机器实验室，是国内在此专业领域内具有领先地位的研究机构。这表明这项研究并非偶然为之的兼职项目，而是基于深厚学术积累的系统性工作。

01

现有数据集的局限

要理解 WELD 的价值，得先看看它的“前辈们”。

实验室里的数据集是情感分析领域的基石，CK+、MMI 这些项目在学界享有盛誉，然而它们的缺陷同样突出，表情多由演员刻意模仿，愤怒需要瞪大眼睛、悲伤必须流泪，显得非常做作，如同戏剧表演。此外，这些数据时长都非常有限，仅有几秒钟的片段，根本无法展现情绪的真实变化过程。

视频素材看似有所进步，例如 AFEW、DFEW，这些包含了时间序列的片段，但要注意，这些片段多数源自影视作品，本质上还是“表演出来的情感”。演员的悲喜，与你面对代码失误而紧锁眉头，属于截然不同的情境。

生理信号数据集则采取了不同方向。、-HCI 等项目融合了脑电、心电图、皮电等多种生理指标，显得十分专业。然而，此类实验的持续时间往往仅限于一个半小时左右，被试者需在实验室内佩戴传感器，情绪难以保持常态。试想一下，在布满电极线的状态下还要扮演“心情愉悦”的模样，这根本不太可能。

职业领域内的探索并非空白。采用问卷调查、体验采样（ESM）这类手段很普遍，然而这些方式基于个人陈述，容易受到记忆误差的干扰。此外，持续不断地填写表格会导致被调查者感到疲倦，从而影响信息的准确性。

当前最迫切的不足是缺乏纵向分析。目前的数据集几乎无法提供连续数月的情绪记录，更不用说跨年度的情绪监测了。具体来说，虽然可以观察到个体在某个特定时段的情绪状态，却无法掌握他们在整年内的情绪波动轨迹。缺少这类数据，就难以探究“情绪的持续影响”以及“情绪的相互感染”这类更为复杂的现象。

02

WELD 数据集的核心贡献

情感计算领域的早期探索者多数局限于学术环境中的小范围试验，而 WELD 则宛如一部详尽的现实职场情绪演变记录，将工作场所的情绪起伏展现得淋漓尽致。它的价值不仅体现在资料丰富，更在于它精确记录了情绪变化的进程以及所处的环境因素，使研究者得以像分析气象现象般深入探究情绪的规律。

首项成就是数量与时间跨度上的创新。WELD一共汇集了七十三万三千六百五十一条面部表情数据，时间范围持续三十个月半，全程记录了三十八位职员的工作状态情绪。这表示科研人员不再局限于观察短暂的“表情截取”，而是得以追踪长达两年半的情绪变化轨迹。这好比将“瞬间定格”转换为“连续记录”，让我们终于能够洞察情绪在持续不断的工作环境中如何波动。

接下来是这项数据在疫情背景下的特殊意义。该数据集涵盖了 COVID-19 的主要阶段，详细记录了上海实施封锁措施、相关政策调整等社会状况下职场人员心态的变化。例如，在封锁期间工作积极性明显降低，而解除封锁的当天却观察到情绪的剧烈提升。这使得 WELD 成为一个理想的研究平台，用以探讨社会动荡如何影响工作场所的情绪反应。

再观察一下这些完备的辅助信息。WELD 并非单纯的“情绪指数”集合，它还包含职业分组、人员流动状况，以及依据主管评价得出的五大性格维度。换言之，学者们能够将情感记录与组织动态关联，研究“技术岗位和销售岗位的情绪起伏有何差异”“高神经质倾向者是否更易情绪起伏不定”这类复杂议题。

更令人鼓舞的是扩展了情绪评估维度。 研究人员依托情感科学体系，推演出 32 种动态指标，涵盖愉悦程度、活跃水平、起伏变化、持续倾向、规律性，乃至“情感扩散力度”。这仿佛为情绪安装了“精密的测量工具”，使我们能够量化分析“谁是团队中的情绪催化剂”“谁的情绪反应如同节拍器般规律”。

技术验证部分同样表现突出。WELD 成功复制了著名心理学现象，包括周末效应（价值增长192%）、昼夜节律（上午偏低、下午转好、晚上又低）。更令人印象深刻的是，它在员工离职判断上实现了AUC=1.0的卓越水平，表明仅通过情绪信息就能提前数月识别可能离职的人员。对于 HR 来说，这简直是“情绪版预警雷达”。

[[[]]36]

03

数据采集与处理方法

WELD 的数据采集手段，堪称“隐形观察”的典范。研究人员未在工作人员面部放置电极，亦未要求他们每日填写数十份表格，而是借助办公场所内原本配备的安全监控设备，在未引起察觉的情况下，实施了为期30.5个月的情绪记录。

图1。关于数据集的说明。（A）展示三十点五个月期间数据采集的密集程度，并着重标明了几个重要的新冠疫情时间节点。（B）分别统计了有工作与已离职两类人员的记录数量，其中蓝色代表在职人员，红色代表离职人员。（C）呈现了七种主要情绪类型的分布情况。（D）列出了涵盖六个职业领域的角色分配比例。

这个团队由一家软件企业的 38 位成员组成，他们从事的工作包括编程、领导、质量保证、市场、业务拓展以及客户服务。工作场所是常见的开放式布局，座位排列整齐，主管拥有单独的办公桌，所有人都在同一个区域合作。这种布局特别有利于研究“情绪的相互影响”，因为一个人的面部反应很容易被邻近同事注意到。

该采集方式设计得相当巧妙。系统在上午九点到下午六点的工作时间内一直运作，每十秒就会捕捉一次检测到的人员面部图像。换言之，假如你全天都待在办公桌前，或许一天内就会有数百条关于情绪状况的资料被留存。与问卷调查每日填写一次的做法相比，这种采集频率堪称“秒秒更新”。

识别表情是技术的关键所在。研究人员运用了以-50为基准的卷积神经网络，同时引入了注意力机制，以此提升对细微表情的感知能力。此外，他们还专门针对亚洲人脸对模型进行了优化，从而消除了普遍存在的“跨文化辨识误差”。该系统会给出七种情绪的可能性数值，包括中性、喜悦、沮丧、震惊、恐慌、反感以及狂怒。

设备并非毫无瑕疵。专家对一千张画面施行了手动标记，统计表明系统与人类判断的吻合程度高达88.2%（Cohen’s k=0.84），证明其功能相当可信。偏差主要出现在某些相似类别，比如中性跟悲伤容易搞混，恐惧跟惊讶也经常认错。这些情况其实也说明人类面部神态本身存在不确定性。

04

元数据与扩展指标

WELD 的另一个显著特色在于它不仅拥有生动的“形象”，还具备详尽的“来龙去脉”。

研究员依据职位与职级，把三十八名职员划分成六个主要岗位，再细化为二十一个特定岗位，涵盖了从程序设计到项目主管，从市场推广到客户服务的各类角色。在职位等级上也有明确划分，包括高层管理人员、中层管理人员、小组领导、专业人员和基层员工。这种划分方式有助于研究者对比不同职位的情绪表现，例如分析技术岗位人员是否比业务岗位人员表情更为淡漠。

工作情况也一并进行了登记。在38位参与者里，有16位在项目收尾时仍然在工作岗位上，有20位已经离开了原来的单位，还有2位完成了他们的实习期。这些资料为“情绪与离职预测”研究提供了必要的分类依据。

图2：展示情绪相关数据。（A）波动程度与可预见性关联性分析，二者呈现反向趋势（相关系数值为-0.58）。（B）情绪持续性的统计结果，中位数值为0.42。（C）基准情绪状态和起伏变化的关联性分析，基准状态偏负的个体，情绪波动幅度更大。（D）当前工作状态人员与已离职人员情绪对比，发现离职人员焦虑和不满情绪表现更突出。

个人品质需由主管经过长时间观察判定，然后对应到五个大维度（神经质、外向性、开放性、宜人性、责任感）。这种判断方式存在一定主观成分，不过，如果再参考情感信息，就能辅助学者们研究“个性与情感表现”之间的关联性。

更令人激动的还有情绪变化的衡量方法。研究人员不再局限于瞬间神态，而是将情感视为动态过程进行考察。

情绪的愉悦感与活跃性，借助数学方法将各类情感的发生率对应到平面坐标上，前者反映心情的舒畅程度，后者体现神经系统的兴奋程度。

波动性，衡量情绪曲线的起伏幅度，波动大的人可能更情绪化。

惯性，体现情绪的持续时间，数值偏高表明一个人的情绪倾向于长时间停留。

可预测性，通过自回归模型计算，情绪越稳定，未来越容易预测。

情感传播结构，借助推因溯果，考察何人情感会触动何人。譬如，某位主管的怒气或许能在数小时内“蔓延”至全组。

这些参数使 WELD 超越了“表情资料库”的范畴，它成为了一个能够展现情感变化法则的“社会观察平台”。

05

技术验证与实验结果

一个数据集是否可靠，主要取决于它能否经受住检验。WELD 在这个方面的表现，可以说既体现了严谨性，又带来了新鲜感。

图3：心理状态分析及实验效果核实。（A）职场压力程度数据呈现显著向低值倾斜的分布特征。（B）时间规律揭示，工作启动时段（上午9至10时）价值感最为微弱，午餐时段（下午12至13时）则出现明显上升。（C）非工作日影响表明，周末期间该指标增幅高达192%（p值具有统计学意义）。

它首先精确模拟了传统心理学的典型表现，例如，周末效应，工作人员在休息日的愉悦程度比工作日强了一百九十二个百分点，这几乎就是“有根据的周末幸福感法则”。又如，日夜规律，清晨感觉低落，正午略有改善，午后再次低沉，黄昏时又稍显振作，这和人们常说的“清晨不愿工作、午后容易困倦、临近下班期待自由”的体验非常一致。更令人关注的是，疫情的影响也得到了明确反映，在上海实施封锁措施期间，员工的工作表现普遍出现下滑，而在解除封锁的当天，却出现了明显的情绪反弹现象，这些发现不仅证明了信息的真实性，也让人直接体会到社会状况对工作场所情绪产生的深刻印记。

其次sketch user flow，WELD 在员工离职预判上取得了极为出色的成果。研究人员借助情绪变化规律，能够提前三个月识别出有离职倾向的员工，其预测准确度高达AUC=1.0。这表明该系统极少出现失误，堪称“情绪型风险监测系统”。对于公司管理者而言，这种能力无疑是极具价值的。

再探讨性格的稳定性，研究者对比了工作者的情感特征，以及主管评定的五大性格类型，相似程度为k=0.72。这表明，个体的情感起伏确实能揭示其性格特点，例如神经质较强者更易情绪起伏，外向者则更频繁展现愉悦心境。

最后是基线模型的表现。研究员用多种模型进行了实验，

在情绪识别领域，LSTM 模型的正确率高达 91.2%，其性能明显超越随机森林方法，同时也要好于支持向量机技术。

在效价预估方面，LSTM 的 R²数值为0.84，表明该模型能够充分捕捉情绪的连续波动特征。

对于员工离职的判断，该模型展现了极高的准确度，这再次证明了情感信息在预测方面的有效性。

这些成果充分彰显了 WELD 的学术意义，同时也为后来的探索奠定了稳固的基础。

06

应用前景

WELD 的价值绝不局限于“一个庞大的数据资源”，它更像是一个“情感分析的探索平台”，为诸多行业开辟了新的机遇。

WELD 在学术研究里能当作情绪识别的参照数据集，用来协助研究者考核模型在现实环境中的稳定程度，此外，它也为情绪演变建模带来了史无前例的资料，使得专家们得以研究情绪的持续影响、起伏变化以及扩散现象等根本原理。

WELD 在组织管理方面的作用尤为突出，能够直中要害。公司借助此类数据，可以感知员工的愉悦程度，敏锐察觉团队心态的低迷状态，甚至能够预先警示人员流失的征兆。与常规的满意度问卷相比，这种基于情绪变化的剖析方式更为客观，反馈也更为即时。

在人与机器沟通的范畴内，WELD 为打造理解用户意图的系统贡献了实际应用的数据。往后，智能化的界面将不再是单调的设备，而是可以依据使用者心情动态变化，例如在用户心绪不宁时减少内容呈现量，在用户心境舒畅时提供更多互动元素。

更宽广的发展空间在于多领域联合研究。心理学者可以借助它探究心态与人品的相互影响，社会观察家能够剖析心态在集体内的流转方式，人工智能专家则可以借助此促进情感识别程序的进步。换言之，WELD不仅是计算机技术领域的产物，还是心思学、社会学和人工智能科学的融合之处。（END）

参考资料：

该文档可在特定网址获取，网址为arxiv提供的链接，具体为org的域名下，路径包含pdf格式文件，文件编号为2510.15221sketch user flow，这是一个学术资源分享平台的文献，可供研究者下载阅读，内容涉及科学研究领域。

关于波动智能——

波动智能致力于打造一个以人类情感和应对为基础的精准需求发现及实现的价值框架，结合智能技术与心智研究，开发包含情感感知、分析及引导的智能系统，独立设计适用于互动平台、交易环境等领域的多元情感检测工具、情感分类机制和情感引导方法，构成从情感获取、分析到商业应用的全流程服务。波动智能宣称感受是沟通个体、物品及资讯的新式桥梁，其研发成果已涉足人工智能社交、定制化信息推送、数字伙伴、商业平台改进等多个行业。该企业正致力于构建“感受即服务”的运作模式，协助公司达成更深入的用户理解与细致的情感沟通，促进产业从注重功能转向重视情感的转型。

如有侵权请联系删除！