情绪智力对高校教师的多层次影响实证研究

研究采用多层次数据统计软件,探讨情绪智力对高校教师职业成长、教学方式与教学质量的影响关系。采用跨层次分析468份问卷后发现:教师情绪智力对学生课程认同与教师认同具有正向影响,这种影响是通过教师情绪智力改变教师职业成长与教学方式的机制加以传导。通过上述实证检验,阐述了当前教师情绪智力对高校教学质量影响的重要作用,建议高校在教师选拔与培养的过程中不仅需要关注其科研水平的提升,也应当关注其情绪智力的培养,从而提高整体教学质量。     

论大学教师修养

大学教师修养是大学教师主体自主自觉长期不断地进行理想人格自我建构的社会实践活动，大学教师理想人格范型为具有德高、学高、情智高、事功高特征的人文与科学大师，是科学（学术）大师，教学大师和思想大师三者的统一体。大学教师修养过程是大学教师主体内化与外化交互作用的过程，也是大学教师主体不断超越现实我、趋向理想我的终身实践过程。进行科学（学术）研究活动、教书育人活动和社会文化批判活动是大学教师修养的根本途径和方式方法。     

基于动作识别的情绪提取方法研究

基于运动数据的动作识别技术是当今计算机视觉和模式识别研究领域的热点问题,然而根据动作识别结果进行人体情绪提取的研究却较少。为此,在现有人体行为学研究的基础上,结合计算机图形学、人工智能和机器学习等技术,得出一套关于人体情绪的数据集合,包括开心、愤怒、悲伤、恐惧4种基本情绪和惊喜、厌恶2种衍生情绪。从动作的角度分析这6种情绪得到动作,即情绪关系,按照动作识别的划分基准,将Period作为情绪提取的最小单位,确定单个Period的情绪列表,再结合动作和速率的参数,提取出在执行该动作时人体的情绪。实验结果表明,该方法能够有效地从3D运动数据中提取情绪信息。     

一种语句级细粒度情感倾向性分析算法研究

针对中文语句的细粒度情感倾向分析问题,构建一个细粒度情感词库。对所含词语进行权重值的计算,并结合中文语句的句式、情感词修饰方法等特点,提出一种基于词库权重、句式权重、修饰权重相结合的语句级细粒度情感倾向性分析算法。实验结果表明,该算法可以准确计算出评论语句的情感倾向值,为进一步研究语句级细粒度情感倾向分类提供了重要的参考依据。     

多智能体环境下的情绪决策模型?

建立一种基于情绪的Nash-Q决策模型,它由认知层和情绪层组成。认知层模型由Nash-Q算法实现,情绪层建立在情绪记忆和评价理论之上,由高兴、伤心、恐惧、厌烦组成情绪空间,建立相应刺激与情绪映射模型、情绪与行为动作映射模型、每种情绪下的动作信任度评价模型。将文中模型应用到两智能体网格决策实验中,结果表明情绪层的引入可加快收敛速度,同时能有效防止陷入局部最优,更好兼顾在线学习的“保守”和“探索”平衡。     

多维数据特征融合的用户情绪识别

针对目前基于智能手机的情绪识别研究中所用数据较为单一,不能全面反应用户行为模式,进而不能真实反应用户情绪这一问题展开研究,基于智能手机从多个维度全面收集反应用户日常行为的细粒度感知数据,采用多维数据特征融合方法,利用支持向量机(support vector machine,SVM)、随机森林(random forest)等6种分类方法,基于离散情绪模型和环状情绪模型两种情绪分类模型,对12名志愿者的混合数据和个人数据分别进行情绪识别,并进行了对比实验。实验结果表明,该全面反应用户行为的多维数据特征融合方法能够很好地对用户的情绪进行识别,其中使用个人数据进行情绪识别的准确率最高可达到79.78%,而且环状情感模型分类结果明显优于离散分类模型。     

书籍推荐

我们也赶个潮流,这期的主题是“致青春”。我认识一个刚毕业的小朋友,他告诉我他很讨厌现在来回忆青春,他会对各种形式的“青春主题牌”嗤之以鼻：矫·睛!每到这个时候．我总是觉得很好笑．并非嘲笑他的赌气．而是觉得这种明显还未脱离青春叛逆情绪显得非常可爱．让笔者来回忆下这种“可爱的”小情绪．想想我们大学刚毕业时,那些陪伴我们走过青春的文学回忆。     

混音，电音：被解构的情绪

法国电影导演弗朗索瓦·特吕弗（Francois Truffaut）曾说过,“一个导演终其一生只拍一部电影。”因为一个导演的所有电影就是他一生的编年史,杰出的艺术大师往往会探寻到属于自己的独特表达方式,一生受用无穷。这句话同样可以适用于黄维伟身上,一名DJ一生只放一首曲子。虽然因为职业的关系,每天都需要“收集”各种各样的声音,但在这些声音中黄维伟轻易便会捕捉到自己想要的感觉,     

怒了吗？砸个网站泄愤吧!

常在网上游,你有没有遇到过讨厌的网站呢？如果有就让我们一起去“砸”掉它（别告诉我你讨厌的网站是www.PCDigest.com,）,让讨厌的网站成为我们的出气筒,NetDisaster网站就是我们有力的武器。     

基于改进VGG16模型的人脸情绪识别预测研究

人脸情绪识别是人类沟通交流中的重要一部分,所以正确识别人脸情绪可以保证高质量的沟通效果。文章提出改进的VGG16模型作用于人脸情绪识别的预测研究。改进模型引入正负例样本均衡化来解决数据集分布不均衡的现象,从而优化局部最小值和过拟合现象;为了提高模型训练的泛化能力,引入局部归一化对图像数据集进行处理;利用交叉验证机制提高模型训练的精确度,且修改VGG16模型第一个全连接层为全卷积层以适应任意大小的输入样本。最后采用IM-VGG16、VGG16和ResNet18模型分别对数据集进行6分类识别。实验表明,与ResNet18和VGG16模型相比,IM-VGG16模型具有更高的情绪识别准确度,其最终的识别准确度为89.92%。