منبع: بنیاد طراحی تعامل (IxDF) · بازنویسی آزاد: سپنتا پویا · مرداد ۱۴۰۵ · زمان مطالعه: حدود ۱۰ دقیقه

رایانش عاطفی (Affective Computing) چیست؟

💡 این متن «بازنویسی آزاد» است: ایده‌ها و مفاهیم مطلب اصلی با نگارش کاملاً مستقل فارسی و مثال‌های تازه بازگو شده‌اند و ترجمهٔ کلمه‌به‌کلمه نیست. بخش‌های افزودهٔ مترجم در جعبهٔ منبع مشخص شده‌اند.

فرض کنید سامانه‌ای بتواند از روی چهره‌تان بفهمد کلافه‌اید و رابط را ساده‌تر کند. یا از روی صدایتان بفهمد مضطربید و آهنگ گفت‌وگو را عوض کند. این وعدهٔ رایانش عاطفی است — و وعدهٔ جذابی است.

اما زیر این وعده یک فرض خوابیده که کمتر کسی صریح بیانش می‌کند: اینکه آنچه از بیرون دیده می‌شود، به‌قدر کافی و به‌شکل قابل‌اعتماد به آنچه در درون می‌گذرد وصل است. بخش سوم این مقاله دربارهٔ همین فرض است و اینکه چرا شکننده‌تر از آن است که به‌نظر می‌رسد.

مسیر: تعریف و ریشه، سه کانال تشخیص، آن فرض بنیادی و شواهد علیه‌اش، جاهایی که این فناوری معنا دارد و ندارد، و در پایان مسئلهٔ فرهنگی که برای ما مشخص‌تر است.

رایانش عاطفی چیست؟

رایانش عاطفی، محل تلاقی فناوری و احساس است: سامانه‌هایی که حالت عاطفی انسان را تشخیص می‌دهند و به آن واکنش نشان می‌دهند. این اصطلاح را Rosalind Picard در دههٔ ۱۹۹۰ در MIT ساخت، در مقاله و بعد کتابی به همین نام.

استدلال بنیادی‌اش قابل دفاع است: احساس، جانبی و تزئینی نیست؛ بخشی از شناخت است. آدمِ مضطرب متفاوت تصمیم می‌گیرد، متفاوت یاد می‌گیرد و متفاوت به خطا واکنش نشان می‌دهد. پس ماشینی که کاملاً نسبت به حالت عاطفی کاربر کور است، بخشی از موقعیت را از دست می‌دهد. این همان نکته‌ای است که در طراحی احساسی از سمت دیگرش بحث کردیم.

کاربردهایی که معمولاً نام برده می‌شوند: آموزش از راه دور (تشخیص اینکه دانش‌آموز گم شده)، سلامت و مراقبت از سالمندان، محیط خانه (نور و رنگ محیطی که با حال‌وهوا تغییر می‌کند)، و پوشیدنی‌ها.

سه کانال تشخیص

سه راه اصلی برای تشخیص وجود دارد، و تفاوت مهمی میانشان هست که معمولاً گفته نمی‌شود — هر سه چیزی را اندازه می‌گیرند که احساس نیست:

• - چهره. موقعیت نقاط کلیدی صورت — ابرو، پلک، گوشهٔ لب — استخراج و به یک برچسب عاطفی نگاشت می‌شود. آنچه اندازه گرفته می‌شود هندسهٔ عضلات صورت است، نه احساس.
• - صدا. زیر و بمی، سرعت، شدت و مکث. آنچه اندازه گرفته می‌شود ویژگی‌های آکوستیک است.
• - سیگنال‌های فیزیولوژیک. ضربان قلب، رسانایی پوست، تنفس. این‌ها به برانگیختگی حساس‌اند — اما برانگیختگی، جهت ندارد: بدن در ترس و در هیجانِ خوشایند، شبیه هم واکنش نشان می‌دهد.

و محدودیتی که خود منابع هم می‌پذیرند: این سامانه‌ها در تشخیص احساس‌های اولیه نسبتاً کار می‌کنند و در احساس‌های ثانویه و مرکب — سرخوردگی، شرم، تردید، دلخوری — ضعیف‌اند. مشکل این است که در تعامل با محصول، تقریباً همهٔ چیزهایی که برای ما اهمیت دارند از همین دستهٔ دوم‌اند.

فرضی که همه‌چیز بر آن استوار است

این بخش تا حد زیادی افزودهٔ مترجم است، هرچند خود منبع هم نشانه‌اش را دارد. زنجیرهٔ استنتاج در همهٔ این سامانه‌ها یکی است: ابراز بیرونی ← احساس درونی ← تصمیم سامانه. حلقهٔ وسط، همان فرضی است که همه‌چیز به آن بند است.

ریشهٔ این فرض قدیمی است. داروین در ۱۸۷۲ در The Expression of the Emotions in Man and Animals استدلال کرد که ابراز احساس، جهانی و زیستی است. در قرن بیستم Paul Ekman این را به مدل «شش احساس پایه» تبدیل کرد — شادی، غم، خشم، ترس، انزجار، تعجب — که تا امروز زیربنای بیشتر سامانه‌های تشخیص احساس است.

اما شواهد بعدی این جهان‌شمولی را جدی به چالش کشیده‌اند. پژوهش Jack و همکارانش — که منبع اصلی هم به آن ارجاع می‌دهد — نشان داد الگوهای ابراز و تفسیر احساس میان فرهنگ‌ها یکسان نیستند. و نقد گسترده‌تری هم وجود دارد که می‌گوید حالت چهره نگاشت یک‌به‌یک با حالت درونی ندارد: آدم‌ها در حالت درونی یکسان، صورت‌های متفاوتی می‌سازند، و صورت یکسان می‌تواند از حالت‌های درونی متفاوتی بیاید.

پس نتیجهٔ عملی برای طراح چیست؟ نه اینکه این فناوری بی‌فایده است، بلکه این:

• - خروجی را «حالت عاطفی کاربر» ندانید؛ آن را یک سیگنال بدانید. «ابروها درهم است» یک مشاهده است. «کاربر عصبانی است» یک استنتاج است. سامانه اولی را می‌بیند و دومی را ادعا می‌کند.
• - سامانه می‌تواند با اطمینان اشتباه کند. خروجی معمولاً یک برچسب قاطع با درصد اطمینان بالاست، و این ظاهرِ قطعیت، خطا را پنهان‌تر می‌کند تا اینکه نبودِ داده.
• - خطا یکنواخت پخش نمی‌شود. دقت روی گروه‌هایی که در دادهٔ آموزشی کم‌نماینده‌اند پایین‌تر است — همان بحث شکاف داده که در سوگیری در طراحی داشتیم.

کجا معنا دارد، کجا ندارد

این بخش هم افزودهٔ مترجم است. با در نظر گرفتن آنچه گفتیم، می‌شود یک خط نسبتاً روشن کشید:

• - معنا دارد: سیگنال تجمعی و بی‌نام. اینکه «در این بخش از آموزش، نشانه‌های سردرگمی در بسیاری از یادگیرندگان بالا می‌رود» یک یافتهٔ آماری مفید است که به تصمیم دربارهٔ محتوا می‌انجامد، نه دربارهٔ یک فرد.
• - معنا دارد: کنترل در دست کاربر. پوشیدنی‌ای که به خودِ کاربر می‌گوید ضربان قلبش بالا رفته، به او اطلاعات می‌دهد تا خودش تفسیر کند. اینجا استنتاج را انسان انجام می‌دهد، نه ماشین.
• - معنا دارد: تنظیم برگشت‌پذیر و کم‌خطر. نور محیطی که با حال‌وهوا کم‌وزیاد می‌شود، اگر اشتباه کند هزینه‌اش نزدیک صفر است.
• - معنا ندارد: قضاوت دربارهٔ یک فرد مشخص با پیامد واقعی. ارزیابی داوطلب استخدام، سنجش «توجه» دانش‌آموز در امتحان، یا هر تصمیمی که به سود و زیان کسی بینجامد. اینجا خطای سامانه به آدم مشخصی آسیب می‌زند و او هم معمولاً راهی برای اعتراض ندارد.
• - معنا ندارد: تشخیص پنهان. اگر کاربر نداند که چهره یا صدایش تحلیل می‌شود، این دیگر بحث دقت نیست؛ بحث رضایت است. مقایسه‌اش با تشخیص چهره بی‌راه نیست.

و یک آزمون ساده که به‌نظرم بیشتر از هر چارچوبی کار می‌کند: اگر سامانه در مورد این کاربر اشتباه کند، چه اتفاقی می‌افتد و او چطور می‌فهمد؟ اگر پاسخ «هیچ اتفاق مهمی» است، احتمالاً کاربرد مشروعی است. اگر پاسخ «تصمیمی دربارهٔ او گرفته می‌شود و خودش هم خبردار نمی‌شود»، نباید ساخته شود.

قواعد ابراز احساس در فرهنگ فارسی

این بخش هم افزودهٔ مترجم است. اگر ابراز احساس جهان‌شمول نیست — که شواهد همین را می‌گویند — آنگاه «قواعد ابراز» فرهنگی، مستقیماً بر دقت این سامانه‌ها اثر می‌گذارند. چند نکته که برای بافت ما مشخص‌اند:

• - تعارف، فاصلهٔ میان حالت درونی و ابراز بیرونی را عمداً باز می‌کند. در بسیاری از موقعیت‌های اجتماعی، ابراز رضایت و موافقت، بخشی از ادب است نه گزارش حال درونی. سامانه‌ای که لبخند را نشانهٔ رضایت بگیرد، دقیقاً همان چیزی را می‌سنجد که کمترین ارتباط را با واقعیت دارد.
• - قواعد ابراز، بافتی و جنسیتی‌اند. شدت مجاز ابراز خشم یا شادی در حضور غریبه، در محیط کار، و برای زن و مرد یکسان نیست. سامانه‌ای که یک آستانهٔ واحد دارد، این تفاوت‌ها را به‌عنوان تفاوت احساس گزارش می‌کند.
• - دادهٔ آموزشی فارسی‌زبان تقریباً وجود ندارد. مجموعه‌داده‌های استاندارد این حوزه عمدتاً از آزمودنی‌های غربی یا شرق آسیایی جمع شده‌اند. یعنی برای کاربر ایرانی، هم مدل با چهره‌های کمتر آشنایی روبه‌روست و هم قواعد ابرازش را ندیده است.
• - در کانال صدا، مسئله دوچندان است. تحلیل عاطفی گفتار به آهنگ و مکث و زیر و بمی وابسته است، و این‌ها در فارسی الگوی خودشان را دارند — به‌علاوهٔ همان فاصلهٔ نوشتار و گفتار که در رابط کاربری صوتی بحثش کردیم.

نتیجهٔ عملی برای تیم فارسی‌زبان: اگر محصولی می‌سازید که ادعای تشخیص احساس دارد، پیش‌فرض بگیرید که روی کاربران شما کم‌دقت‌تر از عدد اعلام‌شدهٔ سازنده است — و آن عدد را روی نمونهٔ خودتان بسنجید. و اگر تصمیمی با پیامد واقعی به این خروجی وصل است، وصلش نکنید.

جمع‌بندی

• - رایانش عاطفی یعنی سامانه‌هایی که حالت عاطفی را تشخیص می‌دهند و به آن واکنش نشان می‌دهند؛ اصطلاح را Rosalind Picard در دههٔ ۱۹۹۰ ساخت.
• - هر سه کانال — چهره، صدا، سیگنال فیزیولوژیک — چیزی را اندازه می‌گیرند که خودِ احساس نیست: هندسهٔ عضلات، ویژگی آکوستیک، و برانگیختگیِ بدون جهت.
• - زنجیرهٔ استنتاج به یک حلقهٔ ضعیف بند است: اینکه ابراز بیرونی به‌شکل قابل‌اعتماد به حالت درونی وصل باشد.
• - این فرض از داروین (۱۸۷۲) و مدل شش‌احساسی اکمن می‌آید، و پژوهش‌های بعدی — از جمله کار Jack و همکاران — جهان‌شمولی‌اش را به چالش کشیده‌اند.
• - خروجی را سیگنال بدانید نه واقعیت: «ابرو درهم است» مشاهده است، «کاربر عصبانی است» استنتاج.
• - کاربرد مشروع: سیگنال تجمعی و بی‌نام، کنترل در دست کاربر، تنظیم کم‌خطر. کاربرد نامشروع: قضاوت دربارهٔ فرد با پیامد واقعی، و تشخیص پنهان.
• - آزمون عملی: اگر سامانه اشتباه کند چه می‌شود و کاربر چطور می‌فهمد؟
• - قواعد ابراز فرهنگی — از جمله تعارف — فاصلهٔ ابراز و احساس را باز می‌کنند، و دادهٔ آموزشی فارسی‌زبان تقریباً وجود ندارد.