پرش لینک ها

داده کاوی فازی و مدیریت احساسات مجازی

داده کاوی فازی و مدیریت احساسات مجازی
داده­ کاوی فازی در میان فعال­ ترین حوزه­ های پژوهشی است که در آنها بازنمودهای دانش مبتنی بر فازی تحقق می ­یابد. تا بدینجا بسیاری از حوزه ­های آن بطور گسترده مورد بررسی قرار گرفته ­اند و ما بر دو جنبه­ ی نویدبخش آن تمرکز داریم، یعنی جنبه­ هایی که در آنها پیشرفت زیادی باقی است و به علاوه پرداختن به تفسیرپذیری و ایجاد ذهنیت حائز اهمیت ­اند.
در میان حوزه­ های اصلی که می­ توان اثبات نمود داده ­کاوی فازی مفید است، قصد داریم این مقاله را با اشاره به حوزه­ ای به پایان برسانیم که هنوز هم کاوش در آن با تنوع کاربردی نویدبخشی در مسائل دنیای واقعی روبروست، این چالش ­ها در نتیجه­ ی مؤلفه­ های شناختی و ذهنیت­ های درونی آن است. این حوزه ­ی بسیار فعال، محاسبات عاطفی یا محاسبات احساسی نامیده می­ شود و با تولید احساسات مجازی و تشخیص و تحلیل احساسات طبیعی یا حالات روانشناختی در پشتیبانی دیجیتالی، برای مثال در منابع با دسترسی آزاد در شبکه­ ی اینترنت همچون تصاویر، ویدئوها یا اسناد متنی، در ارتباط است. واضح است که بازنمود دانش فازی می­ تواند به شیوه ­ای کارآمد سهم بیشتری نسبت به به ­­روزترین موارد چنین وظایفی داشته باشد، که این به خاطر قابلیت آن در رسیدگی به داده ­های مبهم و ذهنی و همچنین تعاملات آن با زبان طبیعی است.
تولید احساسات مجازی و تشخیص عواطف طبیعی به مدت چندین سال چالشی در چارچوب نوظهور محاسبات عاطفی بوده ­است. مدلسازی فازی جهت بیان تدریجی بودن احساسات که غالباً با فرآیندهای یادگیری در ارتباط است، استفاده می­ شود. این روندها رفتار عمومی سیستم­ های مرتبط با عوامل ذهنی همچون عواطف یا حالات روانی یا اطلاعات ذهنی را که می ­توان از تصاویر، ویدئوها یا فایل ­های صوتی و همچنین المان­ های تعاملات ماشینی استخراج نمود، فراهم می ­آورند. ما به شیوه ­ای پیگیر تولید احساسات مجازی و تشخیص عواطف طبیعی را بررسی خواهیم کرد.
  • تولید احساسات مجازی
تولید احساسات مجازی در طراحی آواتارها، شخصیت ­ها یا عوامل هوشمند برای کارتون­ ها یا بازی­ های ویدئویی مورد توجه قرار می­ گیرد. این با تولید مشخصه­ های احساسات انسانی در محصولات مصنوع در ارتباط بوده و نیازمند شاخص­ های ظریف عواطف در حرکات و چهره ­های مجازی است. مدلسازی فازی به در اختیار گرفتن ظرافت احساسات، برای نمونه با استفاده از سیستم مبتنی بر قواعد فازی [33،34] یا تشابهات فازی [35] کمک می­ کند.
در [36] مدلی از احساسات برای عوامل مصنوعی که توانایی برقراری ارتباط با انسان را دارا هستند، با استفاده از قوانین استنتاج فازی جهت تعیین سطوح عوامل عاطفی منجر به احساسات با شدت­ های مختلف، پیشنهاد شده است. یک مکانیزم یادگیری جهت تنوع بخشیدن به رفتارهای مرتبط با یک حالت عاطفی خاص استفاده شده است.
یک مدلسازی پیچیده­ تر در [37] بر پایه ­ی مدل­ های روانشناختی عواطف با هدف فراهم نمودن شیوه­ ای برای ارتقای تعاملات میان یک عامل هوشمند و محیط پیرامونی آن، موجود است. مدل تطبیقی منطق فازی پیشنهادشده برای عواطف (FLAME) از منطق فازی در به حساب آوردن شدت عواطف و گذاری آرام بین حالات عاطفی با استفاده از قواعد فازی که ارتباطات میان حوادث، احساسات و رفتارها را در اختیار دارند، استفاده می ­کند. این مدل دربردارنده­ ی ادراک مدیریت مؤلفه­ های یادگیری و ارتباط میان حوادث و عواطف است.
  • شناخت عواطف طبیعی
شناخت عواطف طبیعی در عوامل انسانی با استخراج احساسات از متون یا تصاویر و همچنین تحلیل ویدئوها یا پردازش سیگنال ­های بیولوژیکی جهت تشخیص احساسات انسانی یا وضعیت روانی عامل انسانی، در ارتباط است. چنین تشخیصی در شماری از حوزه ­های کاربردی، عمدتاً از طریق تکنیک ­های داده­ کاوی دخیل است.
در زمینه­ ی تعاملات میان بشر و ماشین، درصورتیکه احساسات به درستی شناخته شده باشند، سیستم­ های تطبیقی می ­توانند به عواطف کاربران خود عکس ­العمل نشان دهند. برای نمونه این موردی است که لیست­ های استفاده از شبکه­ ی اینترنت از طریق قواعد وابستگی فازی یا الگوهای مقطعی فازی [38] برای به حساب آوردن نشانه­ های عاطفی و رفتاری مشترکان، کاوش و تحلیل می­ شوند.
پژوهش در بسیاری از دیگر جنبه ­های تعاملات بشر-ماشین با کمک مدلسازی فازی، به ویژه جهت شناسایی احساسات یا حالات روانی از داده ­های تهیه­ شده توسط انواع مختلف حسگرها همچون حسگرهای بیولوژیکی یا دوربین ­ها، با کاربردهای حیاتی در شرایط پزشکی یا کمک به افراد معلول یا سالخورده، هنوز باقی است. دیگر کاربردهای واقعی با ارزیابی کیفیت محصول در ارتباط است. کاربرد بهره­ برداری ردیابی چشمی، ثبت توسط کاربر که با کاوش ویدئو یا کاوش در خروجی­ های حسگر دنبال می­ شود با استفاده از بازنمودهای مبتنی بر مجموعه ­ی فازی پیگیری نشده ­است. برای مثال این موردی است که هنگام شناسایی احساسات جهت ارزیابی کیفیت بازی­ای ویدئویی یا برای کمک به طراحی آنها روی می ­دهد، حتی اگر چنین کاربردهایی به تازگی تحلیل شده ­باشند [39].
روابط میان اسناد متنی دیجیتال و احساساتی که آنها تداعی می ­کنند، به تازگی مورد بررسی قرار گرفته است [40]، اما این حوزه ­ی پیچیده ­ای است. کاربردهای کاوش نظریات، تحلیل احساسات یا اعتبار اینترنتی جهت هوشی تجاری، روابط هوشمند با مشتریان یا پاسخ ­دهی اتوماتیک به ایمیل­ ها، حوزه­ ی مناسبی است که در آن انعطاف­ پذیری مدل­ های فازی می ­تواند راه ­حل­ هایی را به ارمغان آورند که تا به امروز بررسی نشده­ اند.
تشخیص احساسات تحریک ­شده توسط تصاویر نیز موضوع مهمی است که کاربردهای مشهودی در بازیابی تصاویر، برای نمونه جهت یافتن راه ­حل ­هایی برای درخواست همچون “من به دنبال تصاویر شاد هستم”، دارد و این با فقدان حاشیه­ نویسی­ های عاطفی برای بسیاری از تصاویر مواجه است. برخی پیوندها میان عواطف و رنگ­ ها با کمک بازنمود دانش فازی مطالعه شده ­اند [41]. استفاده از پیوندهای میان عواطف و اشکال اشیاء مشخص ­شده روی تصاویر نیز در طراحی صنعتی در روشی بسیار نویدبخش مورد استفاده قرار گرفته است [42]. به شناسایی احساسات در موسیقی نیز از طریق طبقه ­بندی فازی، یا بطور مستقیم از فایل صوتی [43] یا بر پایه ­ی متن آهنگ [40] نیز پرداخته شده است. دستیابی به کاربرد مدلسازی فازی در این حوزه ­ها هنوز حاصل نشده است و این ظرفیت سیستم را در مقابله با پیچیدگی عواطف تقویت می­ کند.

دانلود مقاله لاتین سفــــارش ترجمـــه  مقاله کامل را اینجا ببینید

می خوای از فایلای با ارزشی که داری درآمد داشته باشی؟ باهامون تماس بگیر