🔬 physics

CARDIO-Affect: A Hamiltonian-Variability Framework for Spatio-Temporal Emotional Pattern Recognition with Manifold-Based Individual and Group Profiling

Dit artikel introduceert CARDIO-Affect, een complex-systeemkader dat langetermijneemotionele dynamiek in kleine groepen modelleert met behulp van Hamiltoniaanse stochastische differentiaalvergelijkingen, informatiogeometrie en topologische data-analyse om emergente macrotoestanden en paradoxale patronen bloot te leggen die onzichtbaar zijn voor conventionele analyse van korte gezichtsfragmenten.

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

Het Grote Plaatje: Emoties als Weersysteem, Niet als Code

In het afgelopen decennium zijn computers zeer goed geworden in het herkennen van emoties in korte clips—zoals het opsporen van een glimlach in een 5-seconden video of een frons in een enkele foto. Maar de auteurs van dit artikel betogen dat het kijken naar emoties op deze manier hetzelfde is als proberen een orkaan te begrijpen door naar een enkele regendruppel te kijken.

Echte menselijke emoties in een stabiele groep (zoals een kantoor) gebeuren niet in geïsoleerde momenten. Ze vormen een complex, langetermijnsysteem dat meer gedraagt als weer of een levend ecosysteem. Om ze te begrijpen, heb je een nieuw raamwerk nodig dat CARDIO-Affect heet.

Zie CARDIO-Affect als een high-tech weerstation voor een werkplek. In plaats van alleen glimlachen te tellen, meet het de "atmosfeer", de "windpatronen" tussen mensen en de "stormen" die zich over maanden voordoen.

De Kernidee: Twee Laagjes Emotie

Het artikel ziet de emoties van een groep als twee laagjes, zoals een gebouw met een fundering en een dak:

De Micro-laag (Het Individu): Elke persoon is als een bal die rolt over een hobbelig landschap. Soms blijven ze vastzitten in een "vallei" (een specifieke stemming, zoals chagrijnig of gelukkig). Het artikel gebruikt wiskunde om deze valleien in kaart te brengen. Het bleek dat mensen veel langer vastzitten in "negatieve valleien" dan in "positieve"—alsof een bal in een diep gat rolt en er lang over doet om er weer uit te klimmen.
De Macro-laag (De Groep): De groep is een netwerk van deze ballen. Als één bal beweegt, duwt het dan de anderen? Het artikel vond dat emotionele "besmetting" (het oppakken van de stemming van iemand anders) eigenlijk zeer schaars is. Het is geen dicht web waar iedereen iedereen beïnvloedt. In plaats daarvan beïnvloeden slechts een paar specifieke paren mensen elkaar sterk, terwijl de meeste mensen emotioneel onafhankelijk zijn van hun collega's op dagelijkse basis.

De "Hartslag" van Emoties (EVA)

Een van de meest creatieve onderdelen van het artikel is Emotional Variability Analytics (EVA).

In de geneeskunde kijken artsen naar Heart Rate Variability (HRV) om te zien hoe gezond een hart is. Een gezond hart slaat niet als een metronoom; het heeft een complex, licht chaotisch ritme dat zich aanpast aan stress.

De auteurs vroegen zich af: Werkt onze emotionele "pols" op dezelfde manier?
Ze analyseerden de snelle veranderingen in gezichtsuitdrukkingen gedurende de dag (niet alleen de gemiddelde stemming). Ze ontdekten dat werkplekemoties ook een "hartslag" hebben:

Lange-termijngeheugen: Hoe je je vanochtend voelt, is subtiel verbonden met hoe je je gisteren voelde.
Zwakke chaos: Het systeem is stabiel maar heeft een klein beetje onvoorspelbaarheid, wat eigenlijk een teken van gezondheid is.
Balans: Net zoals een gezond hart een balans heeft tussen snelle en trage slagen, toonden de emoties van de groep een gebalanceerde mix van fluctuaties met hoge en lage energie.

De Drie "Paradoxen" (Wat Ze Ontdekten)

Door dit nieuwe raamwerk toe te passen op een echte dataset van 49 werknemers over 30 maanden (de WELD-dataset), vonden ze drie verrassende dingen die in strijd zijn met gezond verstand:

1. De "Schaarse Besmetting"-paradox

Geloof: Emoties verspreiden zich als een virus; als één persoon verdrietig is, vangen het iedereen op.
De Ontdekking: Emotionele besmetting is eigenlijk zeldzaam. Het netwerk van invloed is zeer dun (slechts 2,7% van de mogelijke verbindingen bestaat). De meeste mensen worden op dagelijkse basis niet emotioneel beïnvloed door hun collega's. Het "virus"-model is verkeerd; het lijkt meer op een paar specifieke vrienden die elkaar beïnvloeden, terwijl de rest van het kantoor onafhankelijk blijft.

2. De "Asymmetrische Persistentie"-paradox

Geloof: Goede en slechte stemmingen zijn even waarschijnlijk om aan te houden.
De Ontdekking: Negatieve stemmingen zijn als diepe putten; als je erin valt, duurt het lang om er weer uit te komen. Positieve stemmingen zijn als ondiepe plasjes; je kunt erin vallen en er snel weer uit springen. De data toonde aan dat mensen 5,85 keer langer in negatieve emotionele toestanden bleven dan in positieve.

3. De "Crisis Inversie"-paradox

Geloof: Een grote crisis (zoals de lockdown in Shanghai in 2022) maakt iedereen verdrietig en depressief.
De Ontdekking: Toen ze de data bekeken met hun geavanceerde wiskundige hulpmiddelen, maakte de "crisis" de groep niet verdrietig. Sterker nog, de gemiddelde stemming van de groep daalde helemaal niet. In plaats daarvan polariseerde de crisis de groep: sommige mensen werden meer angstig, terwijl anderen meer vrolijk werden. Het "gemiddelde" verborg het feit dat de groep eigenlijk splitste in twee verschillende kampen.

Hoe de Computer Dit Leerde

De auteurs bouwden een speciale AI-architectuur (een type neurale netwerk) om deze patronen te vinden.

De "Mask-Self"-Truc: Om uit te vinden wie wie beïnvloedt, moest de AI leren de stemming van een persoon te voorspellen zonder naar hun eigen verleden te kijken. Het moest uitsluitend vertrouwen op wat hun collega's deden. Dit dwong de AI om het voor de hand liggende te negeren (mensen blijven meestal in dezelfde stemming) en zich alleen te richten op de verborgen verbindingen tussen mensen.
De Fysica-check: Ze lieten de AI niet zomaar gissen. Ze dwongen de AI om de wetten van de fysica te gehoorzamen (specifiek hoe energie en warmte werken in complexe systemen). Dit zorgde ervoor dat de resultaten wetenschappelijk zinvol waren, niet alleen statistisch.

Wat Ze Toegeven Dat Ze Nog Niet Kunnen

Het artikel is zeer eerlijk over zijn beperkingen:

Niet-lineaire Complexiteit: De AI werkt geweldig wanneer mensen elkaar beïnvloeden in een rechte, logische lijn (Lineair). Echter, als de invloed vreemd is of "verzadigend" (zoals een volumeknop die na een bepaald punt niet harder wordt), faalt de AI momenteel om dit te detecteren. Ze erkennen dat dit een beperking is die ze in toekomstig werk moeten oplossen.
Slechts Eén Kantoor: Ze hebben dit getest op één Chinees softwarebedrijf. Hoewel de wiskunde stevig is, hebben ze nog niet bewezen dat het werkt in een school, een ziekenhuis of een Westers bedrijf.

Samenvatting

CARDIO-Affect is een nieuwe manier om naar groeps emoties te kijken. Het behandelt een team niet als een verzameling individuen, maar als een complex, levend systeem met zijn eigen "weer", "hartslag" en "fysica".

Het leert ons dat:

We emotioneel minder besmettelijk zijn dan we denken.
Slechte stemmingen moeilijker af te schudden zijn dan goede.
Crises niet altijd iedereen verdrietig maken; soms maken ze de groep alleen maar meer verdeeld.

Het artikel biedt de wiskundige hulpmiddelen om deze dingen met hoge precisie te meten en behandelt menselijke emotie met dezelfde strenge wetenschappelijke respect die meestal voorbehouden is aan natuurkunde en techniek.

Technische Samenvatting: CARDIO-Affect

1. Probleemstelling

Het vakgebied van affective computing heeft aanzienlijke vooruitgang geboekt in de classificatie van statische gezichtsuitdrukkingen en de herkenning van emoties in korte videoclips. Er blijft echter een kritieke kloof bestaan in het modelleren van emotionele processen over lange periodes, natuurlijk en in de echte wereld, binnen stabiele, afgebakende sociale groepen. Bestaande corpora missen doorgaans de combinatie van lange temporele duur, ecologische validiteit, een stabiele sociale structuur en meerkanaals gezichtssignalen die nodig zijn om hypothesen te toetsen over langetermijn spatiotemporale emotionele dynamiek.

Conventionele kaders (bijv. CNN's, Transformers, GNN's) veronderstellen impliciet onafhankelijke en identiek verdeelde (i.i.d.) frames of korte Markov-ketens. Ze missen de theoretische taal om multi-stabiele niet-lineaire dynamiek, zwakke chaos, lange-afstandsgeheugen en emergente macrotoestanden te beschrijven die worden waargenomen in complexe sociale systemen. Bovendien faalt eerder werk vaak om expliciete onzekerheidskwantificering te bieden, wat leidt tot opgeblazen claims over de dichtheid en effectgroottes van emotionele besmetting.

2. Methodologie: Het CARDIO-Affect Kader

Het artikel stelt CARDIO-Affect voor (Complex Affective Regulation Dynamics with Information-geometric Observation), een theoretisch kader voor complexe systemen dat langdurige groepsgevoel behandelt als een tweelaagsysteem dat wordt verenigd door expliciete onzekerheidskwantificering.

A. Theoretische Kern: Tweelaags Complex Systeem

Microscopische Laag (Individueel): De emotie van elk individu wordt gemodelleerd als een stochastische trajectorie in een 7-dimensionaal waarschijnlijkheidssimplex, beheerst door een regime-voorwaardelijke asymmetrische Langevin Stochastische Differentiaalvergelijking (SDE).
- De dynamiek is multi-stabiel (meerdere aantrekkingsbekkens) met asymmetrische potentiedieptes.
- Het systeem vertoont zwakke chaos aan de rand van stabiliteit en lange-afstandsgeheugen.
- Regime-overgangen volgen een continue-tijd Markov-keten.
Macroscopische Laag (Collectief): Groepsgevoel ontstaat als een spaarzaam gekoppeld netwerk van individuele systemen.
- De koppelingsmatrix is sub-middenveld, waardoor het systeem zich in een sub-kritisch regime van de theorie van fase-overgangen bevindt.
- Emergente macrotoestanden (bijv. groepsvalentie, fasesynchronisatie) zijn niet reduceerbaar tot individuele toestanden.

B. Vier Wiskundige Pijlers

Het kader integreert vier verschillende wiskundige perspectieven:

Statistische Mechanica: Gebruikt een door neurale netwerken geparametriseerde Hamiltoniaanse SDE. Het past Kramers' ontsnappingswet toe om empirische verblijftijdverhoudingen tussen emotionele regimes om te zetten in verschillen in potentiediepte.
Informatiegeometrie: Stelt elk individu voor als een punt op een Fisher-Rao-variëteit, waardoor een 45-dimensionaal geometrisch portret ontstaat.
Topologische Data-analyse (TDA): Gebruikt persistente homologie om herparameterisatie-invariante handtekeningen van emotionele trajecten te genereren.
Emotionele Variabiliteitsanalyse (EVA): Een suite, geïnspireerd op Hartslagvariabiliteit (HRV), die hoge dichtheid dagelijkse emotionele steekproeven decomposeert in maatstaven voor tijdsdomein, frequentiedomein (ULF/LF/HF) en niet-lineaire maatstaven (DFA Hurst, Lyapunov, Sample Entropy).

C. Architectuur en Training

Het kader hanteert een 8-taken multi-task architectuur met een gedeelde spatiotemporale encoder en een energie-gebaseerd gezamenlijk model (Hamiltoniaans).

Kerninnovatie (Identificeerbaarheid): Om de spaarzaam gekoppelde matrix $J$ in een onbewaakte setting te herstellen, introduceren de auteurs Mask-Self Auxiliary Forecast Tasks (M2/M3/M4) die opereren in log-ruimte. Deze taken maskeren het eigen verleden/toekomst van een individu en dwingen het model om hun toestand te voorspellen met uitsluitend informatie van peers, wat wiskundig garandeert dat de koppelingsmatrix $J$ het unieke pad is voor interpersoonlijk signaal.
Physics-Regularized Loss: Het trainingsdoel omvat termen voor consistentie van de Hamiltoniaanse gradiënt, consistentie van de Kramers-ontsnappingssnelheid, behoud van Fisher-Rao-geometrie en stabiliteit van persistente homologie.

D. Onzekerheidskwantificering (UQ)

Elk empirisch claim wordt vergezeld door drie vormen van onzekerheidsgrenzen:

Aleatorisch: Multi-seed ablaties (gemiddelde ± std).
Epistemisch: Bayesiaanse Structurele Tijdreeks (BSTS) contrafactuele betrouwbaarheidsintervallen.
Frequentistisch: Permutatie-nultests en Benjamini-Hochberg False Discovery Rate (BH-FDR) correcties.

3. Belangrijkste Bijdragen

Theoretisch Kader: Het eerste kader dat langdurige groepsgevoel behandelt als een tweelaags complex systeem met expliciete onzekerheidskwantificering, waarbij statistische mechanica, informatiegeometrie, TDA en EVA worden geïntegreerd.
Wiskundige Propositions: Zes formele proposities die voorwaarden vaststellen voor identificeerbaarheid, asymptotische equivalentie met Granger-causaliteit in lineaire regimes, en architecturale beperkingen in niet-lineaire regimes.
Emotionele Variabiliteitsanalyse (EVA): Een complete HRV-analoog suite voor gezichtsemotie-biosignalen, die lange-afstandsgeheugen en zwakke chaos in werkplek-emotie onthult.
Synthetische Benchmarks: Rigoureuze evaluatie op drie synthetische klassen (Lineair VAR, Niet-lineair Multistabiel, Gemengd) die aantonen dat de architectuur bijna optimale prestaties bereikt op lineaire data, maar faalt op specifieke niet-lineaire koppelingen (een gedocumenteerde beperking).
Empirische Paradoxen: Ontdekking van drie tegen-intuïtieve bevindingen op het WELD-corpus (30,1 maanden, 49 werknemers, 733k records).

4. Empirische Resultaten

Het kader werd gevalideerd op het WELD-corpus (Workplace Emotion Longitudinal Dataset).

A. Drie Falsifieerbare Paradoxen

Spaarzaam-Besmetting: In tegenstelling tot aannames over dichte netwerken, is het emotionele netwerk extreem spaarzaam.
- Dichtheid: 2,7% (slechts 8 significante randen na BH-FDR correctie).
- Basisreproductiegetal ( $R_0$ ): 0,36 (sub-kritisch regime).
- Implicatie: De meeste individuen hebben geen detecteerbare emotionele input van peers; besmetting wordt gedreven door enkele sterke dyaden.
Asymmetrische-Persistentie: Emotionele regimes zijn sterk asymmetrisch.
- Verblijftijd: Negatieve regimes blijven 5,85× langer aan dan positieve regimes.
- Hamiltoniaanse Interpretatie: Dit komt overeen met een verschil in potentiaalputdiepte van 1,77D (waarbij $D$ de ruis-temperatuur is), wat betekent dat negatieve toestanden energetisch "dieper" zijn en moeilijker te ontsnappen zijn.
Crisis-Inversie: De lockdown in Shanghai in 2022 veroorzaakte geen uniforme emotionele daling.
- Naïeve Analyse: Suggereerde een daling ( $d = -0,40$ ).
- Gecorrigeerde Analyse (BSTS + Permutatie): Het effect stortte in tot nul ( $p=0,94$ ) of licht positief ( $+0,021$ ).
- Mechanisme: De lockdown polariseerde de groep (verhoging van zowel angst als vreugde tegelijkertijd) in plaats van het gemiddelde te depresseren.

B. Prestaties op Synthetische Benchmark

Klasse A (Lineair VAR): CARDIO-EBM v2 (onbewaakt) behaalde AUROC 0,984 ± 0,012, wat overeenkomt met de asymptotisch optimale BH-FDR-Granger (0,997) binnen 1,3%.
Klasse B (Niet-lineair Tanh-Gekoppeld): CARDIO-EBM v2 faalde (AUROC 0,490), terwijl Granger daalde naar 0,796. Het artikel documenteert dit expliciet als een beperking van lineaire mask-self-regressie op verzadigende niet-lineariteiten.

C. Variabiliteit en Overleving

EVA-handtekeningen: De mediaan DFA Hurst-exponent was 1,01 (lange-afstandsgeheugen) en de Lyapunov-exponent was 0,030 (zwakke chaos).
Overlevingsvoorspelling: Met EVA-kenmerken behaalde een DeepSurv-model een C-index van 0,61 voor werknemersverloop, beter dan standaard Cox-modellen (0,52).

5. Betekenis en Claims

Het artikel claimt dat CARDIO-Affect het eerste kader is dat:

Langdurige groepsgevoel behandelt als een complex systeem met expliciete onzekerheidskwantificering op elke laag.
Statistische mechanica, informatiegeometrie en topologische data-analyse integreert voor affective computing.
Falsifieerbare empirische paradoxen rapporteert (Spaarzaam-Besmetting, Asymmetrische-Persistentie, Crisis-Inversie) die zijn afgeleid van longitudinale data op organisatieniveau.
Een wiskundig consistent kader biedt met zes formele proposities die zowel de voorwaarden voor identificeerbaarheid als de architecturale beperkingen definiëren (specifiek met betrekking tot niet-lineaire koppeling).

De auteurs benadrukken dat het kader niet claimt alle niet-lineaire koppelingsproblemen op te lossen; het falen op Klasse B-data wordt gepresenteerd als een principiële architecturale beperking die toekomstig werk leidt (bijv. kernel mask-self-regressie of latente ODE's). Het artikel bevat ook een Transparantieverklaring die eerdere opgeblazen statistieken uit een eerdere preprint ("Neuroticism Paradox") intrekt en de gecorrigeerde, rigoureuze bevindingen van deze versentie presenteert.