Short-Term Affective Change in Immersive Installations: A Multimodal Analysis of EEG and PANAS
这项研究发现，基线自评情感（PANAS）在沉浸式装置中的短期情感变化预测方面，比基于脑电图（EEG）的指标更具稳定性和一致性，这表明当生理数据有限或难以解释时，经过验证的自评量表仍然是一个实用的参考标准。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
人类的情感并非静态的快照，而是随着我们度过每一天而不断变化和起伏的流动电流。在情感科学领域，研究人员长期以来一直试图理解这些内在状态是如何变化的，特别是在虚拟现实或交互式艺术装置等沉浸式体验中。虽然我们可以轻松地询问某人现在感觉如何，但要预测一次特定的体验将如何改变其从开始到结束的情绪变化，则是一个更为复杂的难题。科学家们转向了脑活动研究，通过放置在头皮上的电极来测量脑电信号，希望找到一种生物学特征，能在一个人意识到自身情绪变化之前，就揭示出这些情感的转变。驱动这一研究方向的核心问题是：这些来自大脑的电信号是否能比人对自己所能表达的信息，更深入地揭示一个人的情感旅程。
一支研究团队通过观察三十名参与沉浸式多感官艺术装置的人群，着手测试这一设想。该环境旨在提供参与感和互动性，允许参与者自由移动和互动，就像在真实世界的情境中一样，而非在枯燥的实验室里。在进入装置之前，每个人都完成了一份标准问卷，对他们当前的感觉进行评分，例如他们是否感到兴奋、沮悦或专注。同时，他们的脑活动也通过一顶传感器帽进行了记录。在环节结束后，他们再次完成了相同的问卷。随后，研究人员计算了“之前”与“之后”评分之间的差异，以精确了解每个人的正向或负向情绪究竟发生了多大的变化。他们还分析了环节开始前收集到的脑电数据，以观察那些初始的神经模式是否能够预测随后发生的情绪转变幅度。
研究人员通过构建计算机模型来预测情绪变化来解决这一问题。他们测试了三种不同类型的信息，以观察哪种效果最好。第一种类型完全依赖于问卷中的自我报告感受。第二种类型仅使用脑活动数据，特别是观察不同脑波的强度以及大脑左右两侧活动的平衡情况。第三种类型则结合了问卷答案和脑电数据。他们使用了一种机器学习方法——这是一种能够学习识别数据模式的计算机程序——来观察能否根据一个人的起始状态，准确预测其情绪的变化程度。
结果给出了一个清晰且略显令人惊讶的答案。仅依赖脑电数据的模型表现最不稳定；它们无法可靠地预测一个人的情绪会改善还是恶化。事实上，对于某些算法而言，仅使用脑电信号的模型产生了负的测试集 R² 值，这意味着它们的表现甚至不如简单的基准预测。当研究人员将脑电数据与问卷答案结合时，结果并未比仅使用问卷得到显著提升。最一致且准确的预测来自于仅使用自我报告感受的模型。具体而言，一个人最初的烦躁或焦虑水平是其负面情绪在体验后下降程度的一个强有力指标。如果有人在开始环节时感到高度烦躁或不安，那么该装置更有可能帮助他们在结束后感到平静。对于所有方法来说，预测积极情绪的增加都变得更加困难，但自我报告仍然是最可靠的指南。
这一发现表明，在复杂的现实环境中，一个人对自己情感状态的描述，目前仍是理解其情感轨迹比脑电波总结更有用的工具。脑电数据确实显示出与情绪变化存在适度的双变量关联，特别是关于大脑额叶部分的活动平衡，但这些信号过于微弱且充满噪声，因此难以独立发挥作用。研究人员指出，装置的沉浸式特性（允许移动和注意力转移）可能在脑电记录中引入了大量的背景噪声，使得分离出与情绪相关的特定信号变得更加困难。
研究结论认为，尽管测量脑活动是一种强大的工具，但在追踪动态环境下短期情绪变化时，它尚不能取代询问人们的感受。自我报告的感受提供了一个稳定且一致的基准，这是脑电数据无法匹配的。这并不意味着脑电数据是无用的，而是说明它捕捉到了情感体验中不同的方面，而这些方面并不总是与一个人能有意识报告的内容完美契合。目前，在试图理解沉浸式体验如何改变一个人的情绪时，最直接且最可靠的路径是倾听那个人本身的声音。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。