🤖 machine learning

WELD: The First Naturalistic Long-Period Small-Team Workplace Emotion Dataset for Ubiquitous Affective Computing

Dit artikel introduceert WELD, de eerste naturalistische, meerjarige dataset van passieve gezichtsuitdrukkingsdata uit een stabiele werkplek met een klein team, die gevestigde emotionele patronen valideert, nieuwe inzichten biedt in emotionele regimes en voorspelling van personeelsverloop, en systematische vertekeningen in modellen voor gezichtsuitdrukkingsherkenning voor Aziatische gezichten blootlegt.

Oorspronkelijke auteurs: Xiao Sun

Gepubliceerd 2026-05-19

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Xiao Sun

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert te begrijpen hoe een groep vrienden zich voelt tijdens een lange vakantie. De meeste eerdere studies waren als het maken van één foto van elke vriend per uur, maar dan slechts voor één dag, of hen vragen om elke week een enquête in te vullen. Deze methoden missen de rommelige, echte stroom van emoties: de langzame opbouw van stress, de plotselinge vreugde van een vrijdag, of hoe de slechte bui van één persoon de hele groep over weken langzaam kan onderdompelen.

WELD is een nieuwe, enorme "emotiefilm" die dit oplost. Het is de eerste dataset die meer dan twee jaar (30 maanden) lang een echte werkplek filmt, waarbij de echte, niet-gescripte emoties van 49 werknemers in een Chinees softwarebedrijf worden vastgelegd.

Hier is een uiteenzetting van wat WELD speciaal maakt, met gebruik van eenvoudige analogieën:

1. De "Stille Observer" Camera

In plaats van mensen te vragen om te stoppen met wat ze doen en te zeggen: "Ik voel me nu blij", gebruikten de onderzoekers bestaande beveiligingscamera's die al in het kantoor hingen.

De Analogie: Stel je een bewaker voor die nooit knippert en 30 maanden lang het kantoor in de gaten houdt. Ze stellen geen vragen, dragen geen horloge en onderbreken niemand. Ze kijken gewoon.
De Haken: Om privacy te beschermen, hebben de onderzoekers de daadwerkelijke video niet opgeslagen. Ze hebben zelfs de gezichten niet bewaard. In plaats daarvan keek de computer naar de video, besliste direct "Deze persoon lijkt 20% blij, 5% boos, 75% neutraal", en gooide de video daarna weg. Alleen de wiskunde (de percentages) en een nepnaam (zoals "P01") werden bewaard.

2. De "Emotionele Weerbericht"

Het artikel behandelt emoties als weer. Net zoals meteorologen regen en temperatuur over jaren volgen om patronen te vinden, volgt WELD "emotioneel weer".

Het Weekend-Boost: De data bevestigde wat we allemaal voelen: mensen zijn aanzienlijk blijer in het weekend. De "emotionele temperatuur" steeg met ongeveer 43% ten opzichte van doordeweekse dagen.
De Lunch-Dip: Er is een voorspelbaar dagelijks ritme. Mensen voelen zich rond het middaguur het beste, maken daarna direct een scherpe duik direct na de lunch (rond 13:00 uur), voordat ze zich later op de dag herstellen.
Het "Lockdown"-Mysterie: Toen de stad in 2022 in lockdown ging, verwachtten de onderzoekers dat iedereen verdrietig zou worden. Maar de data toonde iets verraderlijks: de groep werd al maanden voor de lockdown begon steeds somberder. De lockdown veroorzaakte de daling niet; het viel toevallig samen met de bodem van een lange, langzame daling. Dit laat zien waarom je langetermijndata nodig hebt om het echte verhaal te zien.

3. De "Emotionele Zwaartekracht"

Een van de meest verrassende bevindingen is hoe moeilijk het is om uit een slechte bui te komen.

De Analogie: Denk aan emoties als een bal die op een heuvel rolt.
- Blije toestanden zijn als een bal op een steile helling: hij rolt heel snel naar beneden (verandert). Een blije dag verandert vaak snel in een neutrale of slechte dag.
- Slechte toestanden zijn als een bal die vastzit in een diep, modderig gat. Zodra de groep in een "Hostiel" of "Teruggetrokken" humeur terechtkomt, blijven ze daar 16 tot 18 dagen hangen. Het kost enorme inspanning om uit dat gat te klimmen.
- Het Resultaat: Negatieve emoties duren in deze werkplek ongeveer 5 tot 6 keer langer dan positieve emoties.

4. De "Verloop-Kristallen Bol" (en waarom het lastig is)

De onderzoekers probeerden te voorspellen wie hun baan zou opzeggen, uitsluitend met behulp van de eerste maand van hun emotionele data.

De Valstrik: Aan het begin leek een computermodel te kunnen voorspellen wie zou vertrekken met 79% nauwkeurigheid. Maar de onderzoekers realiseerden zich dat dit een truc was. Het model gokte alleen: "Mensen die vroeg vertrekken hebben meestal korte, volatiele emotionele geschiedenissen." Het voorspelde niet de toekomst; het merkte alleen op dat mensen die vroeg opzegden niet genoeg tijd hadden om een lange geschiedenis op te bouwen.
De Echte Test: Toen ze een eerlijkere statistische methode gebruikten (overlevingsanalyse), daalde de nauwkeurigheid naar 52% – in feite een muntworp. Dit leert ons dat je niet eenvoudig kunt voorspellen wie zal opzeggen door alleen te kijken naar hun eerste maand gezichtsuitdrukkingen.

5. De "Boos Gezicht"-Glitch

Het artikel vond ook een gebrek in de "ogen" van de computer.

Het Probleem: De software die werd gebruikt om emoties te lezen, was voornamelijk getraind op westerse gezichten. Toen het naar de Aziatische werknemers in deze studie keek, bleef het denken dat ze boos waren, zelfs als ze gewoon neutraal waren.
De Oplossing: De computer gaf een "19% boos" rating voor neutrale gezichten, terwijl dit dicht bij 5% had moeten liggen. Het artikel gebruikt dit om aan te tonen dat we voorzichtig moeten zijn met het gebruik van deze tools op verschillende culturen, omdat ze mensen onterecht kunnen labelen als boos terwijl ze dat niet zijn.

6. De "Privacy-Fort"

Omdat deze data zo gevoelig is, bouwden de onderzoekers een "vierlaagse fort" om de werknemers te beschermen:

Laag 1 (De Kluis): De ruwe video wordt nooit door het publiek gezien.
Laag 2 (Het Masker): Zelfs de onderzoekers die de data analyseren, zien geen gezichten, alleen cijfers.
Laag 3 (Het Publiek): Het enige dat aan het publiek wordt vrijgegeven, is een klein, geanonimiseerd overzicht (zoals "P01 voelde zich op dinsdag zo").
Laag 4 (De Uitgang): Als een werknemer zegt: "Ik wil mijn data weg", verwijderen de onderzoekers het direct, zelfs als dat betekent dat de analyse opnieuw moet worden gedaan.

Samenvatting

WELD is als een tijdmachine voor emoties. Het bewijst dat je, om te begrijpen hoe mensen zich op het werk voelen, niet zomaar een foto kunt maken; je moet de hele film bekijken. Het onthult dat slechte buien kleverig zijn, dat computers vooroordelen kunnen hebben tegen bepaalde gezichten, en dat voorspellen wie zal opzeggen veel moeilijker is dan het lijkt. Het belangrijkste is dat het laat zien dat we met de juiste privacywaarborgen veel kunnen leren over menselijk gedrag zonder ooit een enkel gezicht te zien.

Technische Samenvatting: WELD – De Eerste Naturalistische Dataset voor Langdurige Emoties in Kleine Werkteams

1. Probleemstelling

Affectieve computing is aanzienlijk vooruitgegaan binnen gecontroleerde laboratoriumomgevingen, maar er blijft een kritieke kloof bestaan bij het toepassen van deze systemen op real-world, langetermijn organisatorische contexten. Bestaande publieke datasets lijden onder vier structurele beperkingen die het bestuderen van complexe emotionele dynamieken op de werkplek belemmeren:

Duur: De meeste datasets bestaan uit korte clips (seconden tot minuten) of zelfrapportages die slechts enkele weken beslaan, en missen het horizon van meerdere maanden tot meerdere jaren dat nodig is om stabiele individuele baselines, seizoencycli of de causale impact van organisatorische gebeurtenissen te modelleren.
Setting: Naturalistische "in-the-wild" data is vaak schaars of mist de continue, passieve sensatieprotocollen die noodzakelijk zijn om reactiviteit en last voor deelnemers te voorkomen.
Sociale Structuur: Longitudinale corpora aggregeren doorgaans niet-gerelateerde individuen uit uiteenlopende organisaties, waardoor het onmogelijk is om teamniveau-dynamieken te bestuderen, zoals emotionele besmetting, dyadische koppeling of regime-synchronisatie binnen een afgebakende sociale groep.
Privacy & Ethiek: Het inzetten van passieve sensatie (bijvoorbeeld camera's) op de werkplek voor onderzoek voldoet vaak niet aan institutionele toetsingsnormen met betrekking tot de privacy en toestemming van werknemers.

Geen enkele eerdere dataset voldoet tegelijkertijd aan de vereisten van lange duur, naturalistische werkpleksetting, stabiele kleine-teamstructuur en volledig passieve sensatie.

2. Methodologie en Datasetconstructie

Dataverzameling

De WELD-dataset is verzameld van november 2021 tot mei 2024 (30,1 maanden) bij één Chinees softwareontwikkelbedrijf.

Deelnemers: 49 toestemmende werknemers. Een primaire analysecohort van 22 personen voldeed aan een strikte opnamecriterium van $\ge$ 60 actieve dagen; 27 kortdurende individuen werden behouden voor studies rond onboarding.
Sensatieprotocol: Het systeem gebruikte bestaande aan het plafond gemonteerde IP-camera's (1080p, 25 fps) in een open kantoorruimte. Er werden geen gespecialiseerde hardware, wearables of enquêtes gebruikt.
Verwerkingspijplijn: Rauwe videostreams werden on-premises verwerkt. De pijplijn omvatte:
- Gezichtsdetectie (RetinaFace).
- Identiteitsmatching via een intern getraind embedding-model.
- Emotieherkenning met behulp van een commercieel 7-klassen FER-model (ResNet-50 backbone) dat is fijnafgestemd op Aziatische gezichten.
- Sampling vond tijdens werktijden (08:00–20:00) maximaal één keer per 10 seconden per gezicht plaats.

Desensitisatie en Ethiek

Om privacyzorgen aan te pakken, is de datapijplijn opgedeeld in vier niveaus van gevoeligheid, waarbij alleen het laagste niveau publiek wordt vrijgegeven:

L0 (Rauwe Video): Verlaat de organisatie nooit.
L1 (Gezichtsuitsneden/Embeddings): Opgeslagen on-premises, cryptografisch gewist na 90 dagen.
L2 (Per-frame Kansen): Gebonden aan interne pseudoniemen; 5 jaar bewaard maar niet publiek vrijgegeven.
L3 (Publieke Release): Per uur geaggregeerde kansen gebonden aan gerandomiseerde pseudoniemen (P01–P49). Bevat geen afbeeldingen, demografie, rollabels of directe identificatoren.

Ethische conformiteit werd gewaarborgd via een vernieuwbare, herroepbare toestemmingsprocedure, een vrijstelling van de IRB (gebaseerd op minimaal risico en gebrek aan impact op de werkrelatie), en een strikte Data Use Agreement (DUA) die heridentificatie, bewakingstraining of commercieel gebruik verbiedt.

Datasetstatistieken

Totaal Aantal Records: 733.780 per-frame 7-klassen gezichtsuitdrukking-kansvectoren.
Cohort: 49 werknemers (22 in het strikte analysecohort).
Duur: Tot 30,1 maanden per onderwerp.
Klassen: Zeven emotiekansen (Blij, Verdrietig, Boos, Walging, Angst, Verrast, Neutraal) plus afgeleide valentie- en arousal-scores.

3. Belangrijkste Bijdragen

Eerste in zijn soort: WELD is de eerste dataset die lange duur (maanden tot jaren), naturalistische in-the-wild setting, stabiele kleine-teamstructuur en volledig passieve sensatie combineert.
Privacybehoudend Protocol: Een vier-niveau desensitisatieschema dat alleen geaggregeerde, gepseudonimiseerde kansen vrijgeeft, ondersteund door een rigoureuze audit van het risico op heridentificatie (succespercentage linkeraanval niet te onderscheiden van toeval).
Uitgebreide Evaluatieset: Het artikel biedt referentiebaselines voor vijf downstream taken: replicatie van emotieherkenning, herstel van dagelijkse/wekelijkse cycli, detectie van gebeurtenisgedreven verschuivingen, voorspelling van vertrek en audit van FER-bias.
Methodologische Correcties:
- Voorspelling van Vertrek: Toont aan dat de binaire AUC (0,79) voor voorspelling van vertrek wordt opgeblazen door door anciënniteit veroorzaakte lekken. Een overlevingsanalyse (Cox PH) levert een concordantie-index van 0,52 op, wat suggereert dat pure emotionele kenmerken een marginale voorspellende waarde hebben voor vertrek.
- Causale Inferentie: Laat zien dat naïeve vergelijkingen van het effect van de Shanghai-locksdown van 2022 verward worden door bestaande trends; rigoureuze onderbroken tijdreeks- en permutatietests onthullen geen significant negatief causaal effect op de groepsvalentie.
FER-Fairness Audit: Documenteert een systematische "boos-op-Aziatisch-neutraal-gezicht"-bias in kant-en-klare FER-modellen, waarbij de gemiddelde "boos"-kans (0,194) $\approx$ 4 $\times$ hoger is dan priors in westerse benchmarks (FER2013/AffectNet).

4. Belangrijkste Resultaten en Bevindingen

Variantiedecompositie

Een Type-I sequentiële ANOVA op dagelijkse valentie onthult de bronnen van variantie:

Maandseizoensinvloed: 29,8%
Stabiele Verschillen Tussen Personen: 19,3%
Overgang Verwerkingspijplijn (V2/V3): 7,6%
Dag van de Week: 3,3%
Residuen Binnen Persoon: 40,1%
Dit stelt een prestatieplafond van $\approx$ 60% verklaarbare variantie vast voor toekomstige modellen.

Replicatie van Affectieve Verschijnselen

Weekend-effect: Een relatieve valentiestijging van +43,1% in het weekend vergeleken met doordeweekse dagen.
Dagelijkse Cyclus: Een piek om 12:00 en een dal om 13:00 (na de lunch), met een amplitude van $\approx$ 0,09 valentie-eenheden.
Impact van Lockdown: Hoewel een naïeve vergelijking een gemiddeld effectverlies suggereerde ( $d=-0,40$ ), vond rigoureuze causale inferentie (ITS, SARIMA contrafactuelen) geen significant negatief effect, en schreef het verlies toe aan een bestaande neerwaartse trend.

Latente Emotionele Regimes

Een Gaussisch Hidden Markov Model (HMM) identificeerde zes emotionele regimes. Een opvallende bevinding is de asymmetrische persistentie: negatieve regimes (bijvoorbeeld "Hostiel", "Gedempt") blijven 5–6 keer langer bestaan (16–18 dagen) dan het positieve "Vrolijke" regime (3 dagen). Overgangen van de meest negatieve naar de meest positieve toestand zijn in principe onmogelijk zonder tussenliggende staten te passeren.

Temporele Periodiciteit

Lomb-Scargle-periodogrammen bevestigen multi-schaal periodiciteit op 24 uur (circadiaans), 7,7 dagen (wekelijks) en 25–46 dagen (mogelijk project- of looncycli).

Besmettingsnetwerken

Emotionele besmettingsnetwerken zijn schaars.

Granger-Causaliteit: Dichtheid van 2,7% (8 gerichte randen van de 296 paren).
Transfer Entropie: Dichtheid van 8,1% (24 gerichte dyaden).
De twee methoden detecteren disjuncte randsets, wat suggereert dat lineaire en niet-lineaire mechanismen verschillende afhankelijkheden vastleggen.

Voorspelling van Vertrek

Met behulp van kenmerken uit de vroege anciënniteit (eerste 30 dagen):

Binaire Classificatie (AUC): 0,79 (Gradient Boosting). De auteurs schrijven deze hoge score toe aan "anciënniteit-geïnduceerd lek" (kortdurende individuen zijn oververtegenwoordigd in de vertrokken klasse en hebben onderscheidende vroege emotionele profielen).
Overlevingsanalyse (C-index): 0,52. Dit geeft aan dat, wanneer gecontroleerd wordt voor blootstellingstijd, emotionele kenmerken alleen weinig voorspellende kracht bieden voor vertrek.

5. Betekenis en Claims

Het artikel beweert dat WELD een kritieke niche in affectieve computing invult door twee eerder onmogelijke wetenschappelijke use-cases mogelijk te maken:

Langetermijn Dynamiek Binnen Persoon: Het bestuderen van stabiele emotionele baselines, veranderingen in regimes en de voorspelbaarheid van levensgebeurtenissen over jaren.
Relatie-dynamiek op Teamniveau: Het analyseren van emotionele besmetting en netwerktopologie binnen een afgebakende, co-lokale sociale groep.

De auteurs benadrukken dat WELD niet zomaar een grotere dataset is, maar een methodologische correctie voor het vakgebied. Het biedt:

Verdedigbare Baselines: Het vaststellen dat eenvoudige persistentiemodellen vaak beter presteren dan complexe deep learning-modellen voor het voorspellen van groepsvalentie (RMSE 0,039).
Fairness-benchmarks: Het kwantificeren van FER-bias tegenover Aziatische neutrale gezichten, en het bieden van een hulpmiddel voor het auditen van commerciële classifiers.
Ethisch Kader: Het aantonen dat passieve, langetermijn sensatie op de werkplek haalbaar is onder strikte privacybeperkingen (viertraps-toegang, geen vrijgave van rauwe afbeeldingen).

Het artikel concludeert dat de conjunctie van deze assen (lange duur, naturalistische setting, kleine-teamstructuur, passieve sensatie) de sleutelenabler is voor rigoureuze, causale en relationele affectief onderzoek in het wild, en dat toekomstige modellen rekening moeten houden met de kwantitatieve plafonds en methodologische kanttekeningen (bijvoorbeeld overleving versus binaire metrieken) die in dit werk zijn geïdentificeerd.