🤖 machine learning

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

Este artigo apresenta o WELD, o primeiro conjunto de dados naturalístico e multianual de dados de expressões faciais passivas de um ambiente de trabalho estável de pequena equipe, que valida padrões emocionais estabelecidos, revela novas percepções sobre regimes emocionais e previsão de rotatividade e expõe vieses sistemáticos em modelos de reconhecimento de expressões faciais para rostos asiáticos.

Autores originais: Xiao Sun

Publicado 2026-05-19

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Xiao Sun

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine tentar entender como um grupo de amigos se sente durante umas férias longas. A maioria dos estudos anteriores era como tirar uma única foto de cada amigo a cada hora, apenas por um dia, ou pedir que preenchessem um questionário toda semana. Esses métodos perdem o fluxo desordenado e real das emoções: a construção lenta do estresse, a alegria súbita de uma sexta-feira, ou como o mau humor de uma pessoa pode arrastar lentamente todo o grupo ao longo de semanas.

WELD é um novo e massivo "filme de emoções" que corrige isso. É o primeiro conjunto de dados a filmar um local de trabalho real por mais de dois anos (30 meses), capturando as emoções genuínas e não roteirizadas de 49 funcionários de uma empresa de software chinesa.

Aqui está uma explicação do que torna o WELD especial, usando analogias simples:

1. A Câmera "Observadora Silenciosa"

Em vez de pedir às pessoas que parem o que estão fazendo e digam: "Estou feliz agora", os pesquisadores usaram as câmeras de segurança existentes que já estavam penduradas no escritório.

A Analogia: Imagine um guarda de segurança que nunca pisca, observando o escritório por 30 meses. Ele não faz perguntas, não usa relógio e não interrompe ninguém. Ele apenas observa.
O Problema: Para proteger a privacidade, os pesquisadores não salvaram o vídeo real. Eles nem sequer salvaram os rostos. Em vez disso, o computador analisou o vídeo, decidiu instantaneamente "Esta pessoa parece 20% feliz, 5% irritada, 75% neutra" e depois descartou o vídeo. Ele manteve apenas a matemática (as porcentagens) e um nome falso (como "P01").

2. O "Relatório Meteorológico Emocional"

O artigo trata as emoções como o clima. Assim como meteorologistas rastreiam chuva e temperatura ao longo de anos para encontrar padrões, o WELD rastreia a "meteorologia emocional".

O Impulso do Fim de Semana: Os dados confirmaram o que todos sentimos: as pessoas são significativamente mais felizes nos fins de semana. A "temperatura emocional" subiu cerca de 43% em comparação com os dias úteis.
A Queda do Almoço: Há um ritmo diário previsível. As pessoas se sentem melhor por volta do meio-dia, depois mergulham abruptamente logo após o almoço (por volta das 13h), antes de se recuperarem mais tarde no dia.
O Mistério do "Lockdown": Quando a cidade entrou em lockdown em 2022, os pesquisadores esperavam que todos ficassem tristes. Mas os dados mostraram algo complicado: o grupo já estava ficando mais triste há meses antes do lockdown começar. O lockdown não causou a queda; apenas coincidiu com o fundo de uma longa e lenta descida. Isso mostra por que você precisa de dados de longo prazo para ver a história real.

3. A "Gravidade Emocional"

Uma das descobertas mais surpreendentes é o quão difícil é sair de um mau humor.

A Analogia: Pense nas emoções como uma bola rolando em uma colina.
- Estados felizes são como uma bola em uma encosta íngreme: ela rola para baixo (muda) muito rapidamente. Um dia feliz frequentemente se transforma em um dia neutro ou ruim rapidamente.
- Estados ruins são como uma bola presa em um buraco profundo e lamacento. Uma vez que o grupo entra em um humor "Hostil" ou "Contido", eles tendem a ficar lá por 16 a 18 dias. É necessário um esforço enorme para sair desse buraco.
- O Resultado: As emoções negativas duram cerca de 5 a 6 vezes mais do que as positivas neste local de trabalho.

4. A "Bola de Cristal de Rotatividade" (e por que é complicada)

Os pesquisadores tentaram prever quem iria demitir-se usando apenas o primeiro mês de seus dados emocionais.

A Armadilha: Inicialmente, um modelo de computador parecia prever quem iria demitir-se com 79% de precisão. Mas os pesquisadores perceberam que isso era um truque. O modelo apenas adivinhava: "Pessoas que saem cedo geralmente têm histórias emocionais curtas e voláteis". Ele não estava prevendo o futuro; apenas notava que as pessoas que demitiam-se cedo não tinham tempo suficiente para construir uma história longa.
O Teste Real: Quando usaram um método estatístico mais honesto (análise de sobrevivência), a precisão caiu para 52% — basicamente um lançamento de moeda. Isso nos ensina que não é possível prever facilmente quem vai demitir-se apenas olhando para o primeiro mês de suas expressões faciais.

5. O Bug da "Cara Irritada"

O artigo também encontrou uma falha nos "olhos" do computador.

O Problema: O software usado para ler emoções foi treinado principalmente em rostos ocidentais. Quando olhou para os funcionários asiáticos neste estudo, continuou achando que eles estavam irritados, mesmo quando estavam apenas neutros.
A Correção: O computador atribuiu uma classificação de "19% irritado" a rostos neutros, quando deveria ter sido próximo de 5%. O artigo usa isso para mostrar que precisamos ter cuidado ao usar essas ferramentas em diferentes culturas, pois elas podem rotular injustamente pessoas como irritadas quando não estão.

6. A "Fortaleza de Privacidade"

Como esses dados são tão sensíveis, os pesquisadores construíram uma "fortaleza de quatro camadas" para proteger os funcionários:

Camada 1 (O Cofre): O vídeo bruto nunca é visto pelo público.
Camada 2 (A Máscara): Mesmo os pesquisadores que analisam os dados não veem rostos, apenas números.
Camada 3 (O Público): A única coisa liberada ao público é um pequeno resumo anonimizado (como "P01 sentiu-se assim na terça-feira").
Camada 4 (A Saída): Se um funcionário disser: "Quero meus dados apagados", os pesquisadores os deletam imediatamente, mesmo que isso signifique refazer a análise.

Resumo

O WELD é como uma máquina do tempo para emoções. Ele prova que, para entender como as pessoas se sentem no trabalho, você não pode apenas tirar uma foto; precisa assistir ao filme inteiro. Ele revela que os maus humores são pegajosos, que os computadores podem ser tendenciosos contra certos rostos e que prever quem vai demitir-se é muito mais difícil do que parece. Mais importante ainda, mostra que, com as salvaguardas de privacidade adequadas, podemos aprender muito sobre o comportamento humano sem nunca ver um único rosto.

Resumo Técnico: WELD – O Primeiro Conjunto de Dados Naturalístico de Emoções no Ambiente de Trabalho de Longo Período para Pequenas Equipes

1. Declaração do Problema

A computação afetiva avançou significativamente em ambientes laboratoriais controlados, contudo, persiste uma lacuna crítica na aplicação desses sistemas a contextos organizacionais reais e de longo prazo. Conjuntos de dados públicos existentes sofrem de quatro limitações estruturais que impedem o estudo de dinâmicas emocionais complexas no ambiente de trabalho:

Duração: A maioria dos conjuntos de dados consiste em clipes curtos (segundos a minutos) ou autorrelatos que abrangem apenas semanas, carecendo do horizonte de vários meses a vários anos necessário para modelar linhas de base individuais estáveis, ciclos sazonais ou o impacto causal de eventos organizacionais.
Ambiente: Dados naturalísticos "in-the-wild" (no mundo real) são frequentemente esparsos ou carecem dos protocolos de sensoriamento passivo contínuo necessários para evitar reatividade e sobrecarga dos participantes.
Estrutura Social: Corpos longitudinais tipicamente agregam indivíduos não relacionados de organizações distintas, tornando impossível estudar dinâmicas de nível de equipe, como contágio emocional, acoplamento diádico ou sincronização de regimes dentro de um grupo social delimitado.
Privacidade e Ética: A implementação de sensoriamento passivo (por exemplo, câmeras) em ambientes de trabalho para pesquisa frequentemente falha em atender aos padrões de revisão institucional relativos à privacidade e consentimento dos funcionários.

Nenhum conjunto de dados anterior satisfaz simultaneamente os requisitos de longa duração, ambiente naturalístico de trabalho, estrutura estável de pequena equipe e sensoriamento totalmente passivo.

2. Metodologia e Construção do Conjunto de Dados

Aquisição de Dados

O conjunto de dados WELD foi coletado de novembro de 2021 a maio de 2024 (30,1 meses) em uma única empresa de desenvolvimento de software chinesa.

Participantes: 49 funcionários consentidos. Uma coorte principal de análise de 22 indivíduos atendeu a um critério de inclusão rigoroso de $\ge$ 60 dias ativos; 27 indivíduos com curta permanência foram mantidos para estudos de integração.
Protocolo de Sensoriamento: O sistema utilizou câmeras IP existentes montadas no teto (1080p, 25 fps) em um escritório de planta aberta. Não foram utilizados hardware especializado, wearables ou pesquisas.
Pipeline de Processamento: Os fluxos de vídeo brutos foram processados no local. O pipeline incluiu:
- Detecção facial (RetinaFace).
- Correspondência de identidade via um modelo de incorporação treinado internamente.
- Reconhecimento de emoções utilizando um modelo comercial de FER de 7 classes (base ResNet-50) ajustado finamente para rostos asiáticos.
- A amostragem ocorreu no máximo uma vez a cada 10 segundos por rosto durante o horário de trabalho (08:00–20:00).

Desensibilização e Ética

Para abordar preocupações de privacidade, o pipeline de dados foi segmentado em quatro níveis de sensibilidade, sendo liberado publicamente apenas o nível mais baixo:

L0 (Vídeo Bruto): Nunca deixa a organização.
L1 (Recortes/Incorporações Faciais): Armazenado no local, criptograficamente apagado após 90 dias.
L2 (Probabilidades por Quadro): Vinculado a pseudônimos internos; retido por 5 anos, mas não liberado publicamente.
L3 (Liberdade Pública): Probabilidades agregadas por hora vinculadas a pseudônimos aleatorizados (P01–P49). Não contém imagens, dados demográficos, rótulos de função ou identificadores diretos.

A conformidade ética foi garantida por meio de um processo de consentimento renovável e revogável, uma determinação de isenção de IRB (baseada em risco mínimo e falta de impacto no emprego) e um Acordo de Uso de Dados (DUA) rigoroso que proíbe reidentificação, treinamento de vigilância ou uso comercial.

Estatísticas do Conjunto de Dados

Total de Registros: 733.780 vetores de probabilidade de expressão facial de 7 classes por quadro.
Coorte: 49 funcionários (22 na coorte de análise rigorosa).
Duração: Até 30,1 meses por sujeito.
Classes: Sete probabilidades de emoção (Feliz, Triste, Bravo, Nojo, Medo, Surpreso, Neutro) mais escores de valência e excitação derivados.

3. Contribuições Principais

Primeiro de seu Gênero: O WELD é o primeiro conjunto de dados a combinar período longo (meses a anos), ambiente naturalístico in-the-wild, estrutura estável de pequena equipe e sensoriamento totalmente passivo.
Protocolo de Preservação de Privacidade: Um esquema de desensibilização de quatro níveis que libera apenas probabilidades agregadas e pseudonimizadas, apoiado por uma auditoria rigorosa de risco de reidentificação (taxa de sucesso de ataque de vinculação indistinguível do acaso).
Suite de Avaliação Abrangente: O artigo fornece linhas de base de referência para cinco tarefas subsequentes: replicação de reconhecimento de emoções, recuperação de ciclos diários/semanais, detecção de mudanças impulsionadas por eventos, previsão de rotatividade e auditoria de viés em FER.
Correções Metodológicas:
- Previsão de Rotatividade: Demonstra que o AUC binário (0,79) para previsão de rotatividade é inflado por vazamento induzido por tempo de serviço. Uma análise de sobrevivência (Cox PH) produz um índice de concordância de 0,52, sugerindo que características puramente emocionais têm valor preditivo marginal para rotatividade.
- Inferência Causal: Mostra que comparações ingênuas do efeito do bloqueio de Xangai em 2022 são confundidas por tendências pré-existentes; testes rigorosos de séries temporais interrompidas e permutação revelam nenhum efeito causal negativo significativo na valência do grupo.
Auditoria de Equidade em FER: Documenta um viés sistemático "bravo-em-rosto-neutro-asiático" em modelos de FER prontos para uso, onde a probabilidade média de "bravo" (0,194) é $\approx$ 4 $\times$ maior do que os priores em benchmarks ocidentais (FER2013/AffectNet).

4. Resultados e Descobertas Principais

Decomposição de Variância

Uma ANOVA sequencial Tipo-I na valência diária revela as fontes de variância:

Sazonalidade Mensal: 29,8%
Diferenças Estáveis Entre Pessoas: 19,3%
Transição do Pipeline de Medição (V2/V3): 7,6%
Dia da Semana: 3,3%
Resíduos Dentro da Pessoa: 40,1%
Isso estabelece um teto de desempenho de $\approx$ 60% de variância explicável para modelos futuros.

Replicação de Fenômenos Afetivos

Efeito de Fim de Semana: Um aumento relativo de valência de +43,1% nos fins de semana em comparação com dias úteis.
Ciclo Diurno: Um pico às 12:00 e uma depressão às 13:00 (pós-almoço), com uma amplitude de $\approx$ 0,09 unidades de valência.
Impacto do Bloqueio: Embora uma comparação ingênua sugerisse uma queda de efeito médio ( $d=-0,40$ ), a inferência causal rigorosa (ITS, contrafactuais SARIMA) não encontrou efeito negativo significativo, atribuindo a queda a uma tendência descendente pré-existente.

Regimes Emocionais Latentes

Um Modelo de Markov Oculto Gaussiano (HMM) identificou seis regimes emocionais. Uma descoberta notável é a persistência assimétrica: regimes negativos (por exemplo, "Hostil", "Contido") persistem 5–6 vezes mais (16–18 dias) do que o regime positivo "Alegre" (3 dias). Transições do estado mais negativo para o mais positivo são essencialmente impossíveis sem passar por estados intermediários.

Periodicidade Temporal

Periodogramas de Lomb-Scargle confirmam periodicidade multi-escala em 24 horas (circadiana), 7,7 dias (semanal) e 25–46 dias (potencialmente ciclos de projeto ou pagamento).

Redes de Contágio

As redes de contágio emocional são esparsas.

Causalidade de Granger: Densidade de 2,7% (8 arestas direcionadas de 296 pares).
Entropia de Transferência: Densidade de 8,1% (24 diadas direcionadas).
Os dois métodos detectam conjuntos de arestas disjuntos, sugerindo que mecanismos lineares e não lineares capturam dependências diferentes.

Previsão de Rotatividade

Usando características de início de permanência (primeiros 30 dias):

Classificação Binária (AUC): 0,79 (Gradient Boosting). Os autores atribuem essa pontuação alta a "vazamento induzido por tempo de serviço" (indivíduos com curta permanência estão super-representados na classe de saída e possuem perfis emocionais iniciais distintos).
Análise de Sobrevivência (Índice-C): 0,52. Isso indica que, ao controlar o tempo em risco, características emocionais sozinhas oferecem pouco poder preditivo para rotatividade.

5. Significado e Alegações

O artigo afirma que o WELD preenche um nicho crítico na computação afetiva, permitindo dois casos de uso científicos anteriormente impossíveis:

Dinâmicas de Longo Prazo Dentro do Indivíduo: Estudo de linhas de base emocionais estáveis, mudanças de regime e a previsibilidade de eventos da vida ao longo de anos.
Dinâmicas Relacionais de Nível de Equipe: Análise de contágio emocional e topologia de rede dentro de um grupo social delimitado e co-localizado.

Os autores enfatizam que o WELD não é meramente um conjunto de dados maior, mas uma correção metodológica para o campo. Ele fornece:

Linhas de Base Defensáveis: Estabelecendo que modelos simples de persistência frequentemente superam modelos complexos de aprendizado profundo para previsão de valência de grupo (RMSE 0,039).
Benchmarks de Equidade: Quantificando o viés do FER contra rostos neutros asiáticos, oferecendo uma ferramenta para auditoria de classificadores comerciais.
Estrutura Ética: Demonstrando que o sensoriamento passivo de longo prazo no ambiente de trabalho é viável sob restrições rigorosas de privacidade (acesso de quatro níveis, nenhuma liberação de imagem bruta).

O artigo conclui que a conjunção desses eixos (longa duração, ambiente naturalístico, estrutura de pequena equipe, sensoriamento passivo) é o principal habilitador para pesquisa afetiva rigorosa, causal e relacional no mundo real, e que modelos futuros devem respeitar os tetos quantitativos e ressalvas metodológicas (por exemplo, sobrevivência versus métricas binárias) identificados neste trabalho.