UNIVESIDADE FEDERAL FLUMINENSE
INSTITUTO DE CIÊNCIAS DA SOCIEDADE E DESENVOLVIMENTO
REGIONAL
DEPARTAMENTO DE PSICOLOGIA
THAUAN ROCHA PORTO
Inteligência Artificial (IA) e processamento emocional: uma revisão de literatura
Campos dos Goytacazes-RJ
UNIVERSIDADE FEDERAL FLUMINENSE
INSTITUTO DE CIÊNCIAS DA SOCIEDADE E DESENVOLVIMENTO
REGIONAL
DEPARTAMENTO DE PSICOLOGIA
CURSO DE PSICOLOGIA
THAUAN ROCHA PORTO
Inteligência Artificial (IA) e processamento emocional: uma revisão de literatura
Trabalho monográfico apresentado à Universidade Federal Fluminense como requisito parcial para obtenção do grau de Bacharel em Psicologia
Tipo: Revisão de Literatura.
Formato: Monografia no formato de artigo.
ORIENTADOR: Prof. Erick Francisco Quintas Conde
Campos dos Goytacazes-RJ
Resumo
A partir do desenvolvimento da inteligência artificial (IA), têm-se desenvolvido um campo fértil de pesquisa e também de tecnologias que já estão presentes em nosso cotidiano. No entanto, existem limitações importantes nos modelos de IA para processamento de estados emocionais, as quais interferem na vida humana de forma significativa e muitas vezes conflitantes o que torna difícil a construção de modelos que envolvam este aspecto. Além disso, existem outras limitações no campo da inteligência artificial como a dificuldade de modelagem dos dados e seus efeitos na performance cognitiva. Com base nestas questões apresentadas, o presente estudo se propõe a realizar uma revisão sistemática de estudos científicos que abordam este tema da inteligência artificial em artigos que consideraram também as emoções. A procura dos dados foi nas bases PubMed (States Library of Medicine) e na Web of Science e os artigos foram selecionados a partir de critérios específicos. Se espera encontrar nos resultados uma melhor compreensão acerca destes temas como também acrescentar algo novo à literatura corrente.
Abstract
From the development of artificial intelligence (AI), a fertile field of research and technology already present in our daily lives has been grow. However, there are important limitations in the AI models for processing emotional states, which interfere in human life in a significant and often conflicting ways which makes the constructions of models that involve this aspect difficult. Besides this, there are other limitations in the field of artificial intelligence like the difficulty of data modeling and its effects on cognitive performance. Based on these questions, this study proposes to do a systematic review of the scientific studies that address this theme of artificial intelligence in articles that also considered emotions. The search used databases PubMed (States Library of Medicine) and Web of Science, and the articles were selected from specific criteria. We hope to find a better understanding about these issues as a conclusion, as well as add something new to the current literature.
Introdução
A Inteligência Artificial (IA) é um campo de estudo das ciências computacionais, que propõem entender os processos cognitivos humanos a partir da criação de modelos computacionais (SARAIVA; ARGIMON, 2007).
A analogia entre o computador e a mente humana pode ser feita porque os programas de computador são capazes de simular o processamento de estímulos em etapas que seguem um fluxograma similar aos estágios de processamento interno, no que também se pode estabelecer as relações e modulações recíprocas entre estágios e os estímulos (MATLIN, 2004).
Se supõe que o computador e o ser humano tenham desempenhos semelhantes para executar determinadas tarefas e assim os pesquisadores de IA podem criar hipóteses e utilizar o programa de computador para verificar se uma teoria de processamento cognitivo é adequada ou não para explicar os processos psicológicos humanos (MATLIN, 2004). Como toda analogia existem limitações entre o computador e a mente humana. Os modelos de IA funcionam em um determinado escopo e tendem a ter cada vez mais dificuldades quando chegam no limite deste escopo (MATLIN, 2004; CARDOSO JR; ROLIM; ZÜRN, 2004).
Outro problema que pode ocorrer é o sobreajuste (EYSENCK; KEANE, 2017). O sobreajuste ocorre quando um modelo explica bem um determinado conjunto de dados, mas não se consegue generalizar para outros novos dados (RIQUELME; RUIZ; GILBERT, 2006). Um exemplo seriam modelos computacionais que conseguem predizer a intensidade de certos fenômenos climáticos (como um tufão) mas na adição de novos dados (como o clima futuro) o modelo perde seu poder de generalização e ocorrem problemas de sobreajuste (LONG, CAI; XIAO-YAN, 2008).
Em uma perspectiva histórica, se desenvolveram duas linhas básicas no campo da IA que são as simbólicas e as conexionistas (AXT, 2000). A inteligência artificial simbólica, se desenvolveu através de programas que são autônomos em relação ao hardware já a inteligência conexionista se desenvolveu baseado na construção de sistemas inspirados na estrutura cerebral (SARAIVA; ARGIMON, 2007).
O processamento de informações na linha simbólica da IA é enxergado como uma série de operações que são seguidas passo a passo, ou seja, cada item é seguido de
cada vez. Este é o chamado processamento serial (MATLIN, 2004; FISHER; PLESSOW, 2015). Um exemplo de processamento serial, em especial na área de atenção visual, seria a localização da direção específica de uma rotação, como um ventilador girando em sentido horário (THORNTON & GILDEN, 2007).
No entanto, com o avanço das neurociências, descobertas importantes afetaram os modelos de IA, principalmente a partir de uma melhor compreensão sobre o funcionamento das amplas conexões entre neurônios estabelecendo complexas redes de processamento e comunicação (MATLIN, 2004; CAGNIN, 2008). Esse padrão de conexões em redes nos mostrou que uma determinada função psicológica não pode estar localizada em um ponto específico de determinada área, mas sua atividade deve estar distribuída em circuitos pelo cérebro (MATLIN, 2004; POERSCH, 2004).
Com base nessas novas premissas, os modelos de IA passaram a adotar o processamento de informações por módulos cognitivos de operações realizadas ao mesmo tempo. Este é o chamado processamento paralelo (MATLIN, 2004; AGLIARI, et al., 2015). Um exemplo de processamento paralelo foi encontrado em tarefas de busca, em atenção visual, no qual o objeto varia em uma característica como a cor ou o tamanho (THORNTON; GILDEN, 2007).
A IA teve um grande desenvolvimento no decorrer dos anos, causando impacto e benefícios nas vidas das pessoas, onde há a presença em diversos aspectos da vida cotidiana como na construção civil e também em assistentes virtuais. Atualmente estão difundidas em veículos automotivos, serviços de telemarketing, elevadores, smartphones e tem sido usada até mesmo para atividades de auditoria em relação as finanças da administração pública como é mostrado em Sousa (2016).
Na área de IA existem diversos modelos e técnicas computacionais, podemos citar um dos primeiros, os Sistemas Especialistas (SE's), que são algoritmos que armazenam uma base de dados de um determinado assunto específico e utilizando em conjunto, métodos de inferências para se resolver diversos problemas (CARDOSO JR; ROLIM; ZÜRN, 2004).
Há os Algoritmos Genéticos (AGs), baseados nos processos de seleção natural. Os modelos de Lógica Difusa (Fuzzy Logic) que consistem em gerar decisões aproximadas tendo uma capacidade de generalização a partir de problemas de incerteza.
E as Redes Neurais Artificiais (RNAs) que são inspiradas na estrutura cerebral e nos achados das neurociências (CARDOSO JR, ROLIM & ZÜRN, 2004).
Seu surgimento se deu através do modelo matemático do neurônio biológico proposto por Warren McCulloch e Walter Pitts em 1946 (FLECK et al., 2016). As RNAs são utilizadas em situações onde as variáveis não são rigorosamente conhecidas, sendo capaz de aprender por meio de exemplos e de generalizar essas informações aprendidas, formando um modelo mais flexível e complexo (FLECK et al., 2016).
Há diversos modelos de RNAs que podem ser usados para ajudar no entendimento dos processos cognitivos. Também existem modelos de RNAs que simulam e estudam a percepção, entre outras variadas funções cognitivas (VAN GERVEN, 2017).
No desenvolvimento da IA, vemos a subárea de Machine Learning(Aprendizagem de Máquina)que é o estudo de algoritmos e modelos computacionais que promovem o reconhecimento, classificação e predição baseados em dados existentes (SENDERS et al., 2018).
Há várias abordagens, mas se destacam principalmente a do aprendizado supervisionado, no qual em um processo de treinamento é feito ao modelo computacional, assim a cada estimulo apresentado ao modelo se mostra a resposta que ele fazer. Já em outra abordagem, no aprendizado não supervisionado se apresenta ao modelo apenas os dados do estímulo assim a resposta do modelo se dará encontrando grupo de dados similares (TARCA et al., 2007).
Processos Emocionais no campo da IA
As emoções podem ser definidas a partir de três componentes que são considerados importantes para a sua definição. Primeiro é a reação fisiológica (alteração da frequência, pressão arterial etc.) O segundo componente são mecanismos de enfrentamento (coping) que são as nossas habilidades cognitivas e comportamentais que guiam as respostas emocionais como ataque, aproximação ou afastamento. O terceiro componente é a experiência subjetiva da emoção, que é o que as pessoas descrevem quando estão irritadas, ansiosas ou felizes (DIAS; CRUZ; FONSECA, 2008).
Lembrando que as emoções não são necessariamente conscientes e a partir de um olhar evolucionista se vê as emoções como forças propulsoras, moldadas pela seleção natural, que nos motivam a agir, fazendo-nos o uso de nossas habilidades cognitivas (OLIVA et al., 2006). Um exemplo disto é em uma situação de medo, onde há mudanças na atenção e percepção e reações fisiológicas ocorrem no indivíduo. Isso permite uma mudança motivacional no sujeito, garantido uma maior probabilidade de sobrevivência (OLIVA et al., 2006).
As emoções dependem de processos bottom-up (processamento de informações automático e involuntário) que envolvem atenção e a percepção. Também os processos top-down (processamento de informações voltado para os processos mentais de alta ordem, consciente e envolvendo aspectos motivacionais.) que envolve a avaliação da situação com base em conhecimentos de situações parecidas (OCHSNER et al., 2009).
As áreas ativadas no processamento bottom-up são os lobos occipital, temporal e parietal associadas à percepção visual, além de alta ativação na amígdala, que é uma estrutura localizada dentro do lobo temporal. Áreas diferentes foram ativadas no processamento top-down que envolvem o córtex frontal dorsolateral e o córtex pré-frontal medial, áreas associadas à processos cognitivos de alta ordem (OCHSNER et al., 2009).
Os efeitos dos estados emocionais em processos cognitivos como a memória, por exemplo, os estudos sobre a memória dependente do estado emocional, um exemplo deste fenômeno é quando um fato passado é lembrado mais facilmente, no momento atual, pela semelhança do estado emocional ao fato ocorrido antes (ALBUQUERQUE; SANTOS, 2000).
Para que se ocorra o efeito da dependência do estado emocional é observado processos no que consiste em que as emoções devem ser intensas e que sejam também diferenciadas para induza o sujeito a partir da variação emocional, a formas de avaliação do grau de retenção estão menos sensíveis aos efeitos da memória dependente do estado emocional, a informação a ser recuperada deve ser na maioria das vez autorreferente para assim aumentar os efeitos de recuperação dessa informação, na impossibilidade dessa informação autorreferente, a memória criada deve ter uma relação de causa-efeito entre os estímulos criados e o estado emocional em questão (ALBUQUERQUE; SANTOS, 2000).
Em outros processos cognitivos como a atenção, os efeitos das emoções envolvem os processos da memória. A memória operacional mantém os processos cognitivos para que as informações sejam retidas pela memória de longo prazo, ao mesmo tempo mantém assistência para outras atividades cognitivas entre outras, a atenção. Durante este processo, a atenção e outros processos cognitivos podem sofrer influência de estímulos externos e de fatores internos como neurotransmissores, assim a atenção pode ser influenciada por estados emocionais (BORINE, 2007).
Os aspectos emocionais se constituem como algo importante relacionado aos processos cognitivos e também, uma dificuldade na construção de modelos computacionais que levem as emoções em questão. A dificuldade se dá por que a cognição humana muitas vezes é influenciada por emoções por vezes conflitantes. Assim se torna difícil a criação de modelos computacionais que unificam vários aspectos das emoções (EYSENCK; KEANE, 2017; RODRIGUEZ; RAMOS, 2015).
A integração entre a cognição e as emoções também constitui uma dificuldade, pois o modelo computacional deve sintetizar diversos processos cognitivos simultaneamente, para assim gerar emoções e estados emocionais mais consistentes, portanto a interação entre as funções cognitivas e afetivas que envolvem os processos emocionais sendo modelados é um desafio (RODRIGUEZ; RAMOS, 2015)
No geral, os modelos computacionais que envolve as emoções incluem mecanismos para avaliação do estímulo emocional, a eliciação das emoções e a geração de respostas emocionais, muitos modelos são construídos para sintetizar as operações e arquiteturas de alguns componentes que constituem o processo das emoções humanas (RODRIGUEZ; RAMOS, 2014).
Na pesquisa no campo de IA focando na percepção das emoções, máquina e métodos computacionais especializados em detecção de emoções mudaram sua ênfase de analisar um único estímulo (uma imagem estática ou videoclip) para um estudo mais realístico das emoções. Onde há a pesquisa sobre as emoções relacionadas a fala, expressão facial, gestos e postura corporal (ROBISON; EL KALIOUBY, 2009).
Na área de reconhecimento facial, muitos métodos não são aplicáveis em situações da vida cotidiana onde as mudanças de expressão facial são súteis e não prototípicas, assim o foco da área está mudando para o reconhecimento automático de movimento faciais que ocorrem espontaneamente (ROBISON; EL KALIOUBY, 2009).
Também existem pesquisas se tratando sobre a detecção de emoções na fala, sendo que o discurso emocional é mais provável de ocorrer em interações espontâneas homem-homem do que em contextos mais restritos (DEVILLERS; VIDRASCU; LAMEL, 2005).
Vemos então a temática da inteligência artificial, modelos, sua aplicação prática e limitações e sua questão com o tema das emoções como explicitado aqui. Então se propõe neste estudo realizar uma revisão da literatura acerca dos temas da inteligência artificial com envolvimento com o das emoções em publicações indexadas nas bases de dados Web of Science e na PubMed.
Metodologia
Foi realizada uma consulta nas bases indexadoras Web of Science e PubMed (States National Library of Medicine). Para isso foram usados os descritores "artificial intelligence" , "emotions" e "psychology".
Para a inclusão dos trabalhos no presente estudo, foram estabelecidos estes critérios, que são: artigos publicados nos últimos dez anos que antecederam à consulta; artigos em que o tema da inteligência artificial esteja envolvido e que envolvam os conceitos aqui apresentados; artigos disponíveis em formato completo nas bases citadas; artigos escritos em inglês ou que contenham um resumo em inglês. Estudos teóricos, meta-análise e revisões sistemáticas de literatura não foram incluídos na amostra de dados. Foram usadas as recomendações PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) para organização e apresentação dos resultados (MAHER et al., 2009).
Foram selecionados para análise dos dados na amostra final as seguintes informações: ano da publicação, autores e método. O processo de análise dos artigos para a amostra seguiu estes passos: 1) busca pelos descritores nas bases de dados supracitadas; 2) exclusão dos artigos publicados há mais de dez anos; 3) exclusão dos trabalhos duplicados; 4) leitura dos artigos e verificação se atende ao tema proposto; 5) busca nas bases de dados virtuais pelo artigo completo; 6) exclusão dos artigos teóricos, meta-análises e revisões de literatura; 7) análise da amostra final.
Resultados e discussão
Quadro de Resultados:
Indexação
Ano
Autores
Delineamento
Experimental
Resultados Finais
Pubmed 2018 CRANDALL et
al.
Um comportamento de cooperação foi testado com outros algoritmos e também
com humanos. Assim foi testado o algoritmo em jogos
cooperativos com outros algoritmos e pessoas.
Foi mostrado que o algoritmo pode cooperar
com outras pessoas, mesmo havendo dificuldades de representar computacionalmente certos comportamentos cooperativos. Pubmed 2017 MARTINELLI et al. Criação de um modelo computacional para reconhecimento de emoções na fala, aplicando um
modelo semi-supervisionado, baseado em consenso.
O sistema aparenta ser rápido, robusto e com boa
performance no reconhecimento em uma
base de dados de discursos sendo falados
de modo espontâneo.
Pubmed 2016
MARTINI, GONZALEZ;
WIESE
O sistema aparenta ser rápido, robusto e com boa performance no reconhecimento
em uma base de dados de discursos sendo falados de
modo espontâneo.
O resultado sugere uma relação entre aparência
física e o modelo atribuído nos agentes
não-humanos.
Pubmed 2016 DALY et al.
Desenvolvimento de uma interface entre
computador-cérebro que usa a música para modular estados emocionais.
A interface foi usada para detectar e modular estados emocionais em seus usuários. Pubmed 2015 YOUYOU, KOSINSKI; STILLWELL Se compara a acurácia do julgamento de personalidade usando amostras de 86.220 voluntários que completaram
um questionário de personalidade e um modelo
computacional de predição
As predições do modelo computacional se mostraram mais acuradas
que os participantes que responderam o questionário de personalidade.
baseados em traços digitais (Likes do Facebook).
Pubmed 2014 WALTER et al.
Se tenta identificar similaridades e diferenças em interações humano-humano(IHH) e interações humano-máquinas(IHM).Se focou em
quais emoções nos cenários experimentados de IHM refletem retroativamente
em comparação com IHH.
Positivos e Negativos foram descritos em IHH e
IHM. A correlação entre emoções ocorridas em IHH e IHM foi alta. Os resultados não apoiam o
argumento de que algumas emoções em
IHM não pode ser considerada relevantes.
Pubmed 2013 PAULETTO et
al.
Parâmetros emocionais foram especificados com marcadores e
o áudio, feito a partir de tecnologias que sintetizam texto-fala. Um software foi criado para reconheciemtno de emoções na fala. Foi criado um "chatbot" que pode falar e ouvir.
Foi usado o "chatbot" em público, onde espectadores abordavam o "chatbot" e se envolviam em uma conversa, questões surgiram durante o estudo, como qual melhor
voz a ser sintetizada para se atingir interações mais
genuínas. Pubmed 2011 AMINI; SABOURIN; DE KONINCK Construiu-se um modelo computacional para analisar os
relatos de sonhos.
Com uma amostra de 458 sonhos, o modelo demostrou acurácia nas
escalas emocionais adotadas no estudo.
Pubmed 2010 MESSINGER et
al.
Se tentou construir um modelo de praticabilidade para explorar as interações entre a criança e a
mãe. Foram determinadas situações pré-concebidas "olho
no olho" dos comportamentos da criança e da mãe. (Machine
Learning).
Houve mudanças durante as interações, mas o modelo conseguiu ter um
bom padrão de predição.
Pubmed 2010 KHASHMAN
Foi usado uma Rede Neural Artificial (RNA), para se investigar a integração das
emoções em sistemas
A RNA usada em comparação ao modelo computacional teve uma performance mais sólida.
cognitivos. Foi aplicado a RNA para reconhecimento de faces
em comparação com outro modelo computacional.
A taxa de sucesso no reconhecimento de faces
foi mais significativa na RNA do que no outro modelo computacional comparado. Pubmed 2010 SOBOL-SHIKLER; ROBINSON Se apresentou um algoritmo de classificação que infere estados emocionais em expressões não-verbais na fala. O algoritmo conduziu comparações em pares
entre nove grupos de estados afetivos. Se usou várias características verbais e vários algoritmos em diferentes pares
de estados afetivos.
Os resultados da comparação dos nove estados ranqueadas em
uma lista única. A acurácia da inferência dos
algoritmos combinados foi de 83%. Web of Science 2017 PREETI; BHAVESH
Foi usado diversos algoritmos para o reconhecimento de expressões emocionais em
imagens estáticas.
Se garantiu um resultado robusto, a partir de imagem em tempo real se
obteve uma melhora no reconhecimento facial. Web of Science 2016 MEJIA; QUINTERO; CASTRO
Se propõem medir os estados emocionais em um espaço virtual AV (Arousal-Valence
através dos modelos de Sistemas Dinâmicos e Lógica
Difusa (Fuzzy Logic).
Os resultados mostram que essa abordagem é
efetiva para medir os estados emocionais humanos. Web of Science 2015 AYESH; BLEWITT
Duas teorias psicológicas das emoções foram selecionadas e
traduzidas para modelos computacionais usando Lógica
Difusa (Fuzzy Logic).
Houve certo sucesso na performance dos modelos
empregados, mas dificuldades encontradas
na implementação da teoria psicológicas ria psicológicas selecionadas.
Web of
Science 2015
AYESH; BLEWITT
Duas teorias psicológicas das emoções foram selecionadas e
traduzidas para modelos computacionais usando Lógica
Difusa Tipo II.
Houve problemas na implementação das teorias escolhidas e nas
Web of
Science 2015 TALANOV et al.
Criação de uma modelo computacional chamado NEUCOGAR. Este modelo pretende mimetizar e adaptar o papel de neuromodeladores do cérebro humano em um ambiente computacional. O NEUCOGAR faz possível a implementação de elementos emocionais agindo como uma peça básica de regulação e não
como um modelo anexado com conteúdo
emocionais. Web of Science 2015 BARROS; WEBER ;WERMTER
Se propõe um modelo de Rede Neural Artificial (RNA) que permita reconhecer expressões emocionais e classificá-las em positivas e negativas. Se testou o modelo em dois experimentos:
Em um, foi usada uma base de dados de referência, e em outro, foi feita uma interação
humano-máquina usando uma cabeça robótica que dá feedback
emocional.
Os resultados do primeiro experimento mostraram que o modelo foi capaz de reconhecer ambas expressões emoções fingidas e espontâneas. No segundo experimento, a cabeça robótica permitiu reconhecer expressões emoções e
dá-las feedback, além disso o modelo permitiu reconhecer emoções em diferentes ambientes, trazendo expressões emocionais espontâneas. Web of Science 2015 ALI KHAN et al. Se propõem um modelo de classificação de expressões emocionais. Este modelo consiste em uma imagem que
será o estímulo, sendo assim essa imagem é passada por um
processo adequação de iluminação e resolução da imagem, características da face
da imagem são extraídas e por fim as emoções da face são classificadas. São usados em
O reconhecimento facial foi de 86,21%, apesar de
algumas expressões usadas como estímulo
compartilhavam similaridades o que pode
ter sido um fator de erro de classificação.
conjunto, diferentes programas computacionais para o modelo
de classificação proposto.
Web of
Science 2014 WANG
Foi traçado um modelo de reconhecimento de emoções na
música e uma rede neural artificial para lidar com esta
questão.
Se espera que a aplicação destes modelos pode trazer, mas avanços para
o reconhecimento das emoções na música.
Web of
Science 2014 WAN; TIAN
Se descreve a modelação de faces em um programa virtual.
Feito a partir de um modelo computacional desenvolvido.
Foi colocado a teste em imagens estáticas de pessoas
reais.
Os resultados experimentais demostram
que o modelo de geração de expressões emocionais é eficiente e se ajusta ao princípio básicos de geração de emoções humanas. Web of Science 2014 YAN; WANG; YAN
Se propõe construir uma cabeça de um robô. Usou-se o programa Facial Coding System(FACS) para otimizar o
processo de construção das expressões faciais. Através de experimentos e correções, se atingiu os objetivos na construção de robôs inteligentes. Web of
Science 2014 RODIC; ADDI
Se construiu um modelo de comportamento guiado por
emoções. Realizou-se simulações no qual um evento causal-emocional ("gatilho") é
assumido. Foram feitas simulações a partir um de evento baseado em situações
reais e se comparou com o questionários respondidos
on-line por pessoas.
Os resultados mostram que as simulações feitas a
partir do evento baseado em situações reais são similares as respostas dos
participantes feitas no questionários on-line. Web of Science 2013 CERVANTES et al. Se designa fazer um Agente Autônomo(AA) em um ambiente virtual. Se propõem um modelo computacional inspirado biologicamente que permita o
Os resultados das simulações demonstraram
que o modelo proposto permitiu aos agentes
virtuais mostrar comportamentos mais similares ao ser humano
AA tomar decisões baseados em julgamentos éticos e morais.
em cenários onde a tomada de decisão é
conduzida por um julgamento ético e moral.
Web of
Science 2013 SALES et al.
Foi feito um sistema computacional que modela um jogador não-jogável NPC(Non-Player Character), tentando aprimorar agentes emocionais.
Foram feitas simulações em jogos. Se produziu resultados positivos na geração de emoções e também no impacto emocional ao jogador. Web of
Science 2013 HSU et al.
Se construiu um robô que pode simular emoções processos de inferência das expressões foi por meio de Lógica Difusa. As
informações sobre emoções foram baseadas no modelo de
emoções de Ekman.
Foi mostrado que um robô pode expressar emoções humanas. Se espera que se possa ter uma melhor compreensão
sobre as emoções humanas.
Web of
Science 2012 HUSSAIN
Criação de um modelo computacional para robôs humanoides a partir de um caso
de estudo.
Se espera que a aplicação destes modelos possa trazer o desenvolvimento de novos agentes autônomos na simulação de problemas do mundo real. Web of Science 2012 SAMANI; SAADATIAN
Foi construído um robô, cujo modelo se utiliza de redes bayesianas e que foi colocado
em interação com pessoas.
Se produziu uma nova interação mais pessoal entre robôs e humanos e assim há potencial para a
criação de robôs que podem interagir com uma
maior sofisticação emocional. Web of Science 2012 JOHANSSON; DELL' ACQUA Se propõe construir um modelo que usa mapas emocionais em algoritmos de busca, assim
se têm o objetivo de criar comportamentos mais interessantes para video games.
Se produziu resultados importantes que têm como objetivo a integração de mapas emocionais e modelos computacionais.
Web of
Science 2012
KIRANDZISKA; ACKOVSKA
Se apresenta um robô em interações com os humanos, capaz de classificar emoções.
São usadas características da voz humana para classificação
em duas categorias: positiva e negativa.
O robô obteve alta acurácia na classificação
das emoções. Se notou uma similaridade da habilidade da percepção
de emoções positivas e negativas entre robôs e
humanos.
Web of
Science 2011
KOWALCZUK; CZUBENKO
Foi feito um robô, cujo objetivo é o simular sistemas motivacionais (fome,sono) e
suas emoções que são adjacentes a isto.
Foi mostrado que a emoções desempenham um papel auxiliar, porém
importante para a mudança dos sistemas
motivacionais.
Foram encontrados 113 artigos nas bases Web of Science e PubMed, foram excluídos 40 artigos primeiramente (38 artigos publicados há mais de 10 anos e 2 artigos duplicados nas bases de dados) posteriormente sobraram 73 artigos selecionados para a leitura no qual 42 artigos foram excluídos (29 artigos não atendem o tema proposto, 8 artigos teóricos, 6 revisões de literatura) sobrando 30 artigos na amostra final. Informações pertinentes a tratamento dos
dados nas diferentes etapas do estudo encontram-se descritas na figura 1.
Figura 1: Fluxograma dos resultados realizado na recomendação PRISMA.
Os anos de 2015 e 2014 tiveram mais artigos publicados com 6 e 5 respectivamente, posteriormente os anos de 2013 e 2012 veio com 4 artigos publicados. Em 2016 e 2010 tiveram 3 artigos publicados cada. Depois veio o ano de 2017 e 2011 com 2 artigos publicados. Em 2018 apenas 1 artigo foi publicado. Já em 2009 não foi achado nenhum artigo. Essas informações podem ser vistas na figura 2.
Figura 2: Quantidade de artigos publicados por ano.
A partir dos descritores escolhidos, vemos poucos resultados relacionados aos diversos modelos de Inteligência Artificial como as Redes Neurais Artificias e Machine Learning, isso pode ter acontecido pelo descritor "artificial intelligence" ser é muito amplo, o que deixa artigos, que não mencionam esses modelos citados, de fora. Com base nos resultados encontrados identificamos que os artigos poderiam ser agrupados em 3 categorias possíveis. Foram divididos comentados aqui os artigos que tiveram maior fator de impacto e também o que têm se mais feito na área:
1 – Estudos sobre Modelos de Reconhecimento das Emoções na Fala.
No estudo de Martinelli e outros (2016) foi desenvolvido um modelo computacional no qual a partir de amostras de uma base de dados que contêm discursos gravados de interações espontâneas entre participantes, essa fala é analisada e certos descritores da fala são extraídos e processadas, o modelo estima o “status emocional” do falante em termos de emoções classificadas em um diagrama de emoções que vão de emoções positivas á negativas. Foi testado o modelo computacional desenvolvido e comparado com modelos computacionais diferentes. O modelo desenvolvido teve um desempenho mais robusto na predição das emoções na fala que outros modelos diferentes testados. Se espera que o modelo computacional
desenvolvido possa aperfeiçoar a implementação de analisadores de voz portáteis (usados em reabilitação, pesquisa, indústria, etc.) e também na área da pesquisa (Pareamento em tempo real dos estímulos ao estado emocional dos participantes, coleta seletiva e diferencial de dados baseada em conteúdo emocional.
Em Sobol-Shikler e Robinson (2010) se desenvolveu um algoritmo que classifica as emoções a partir de expressões não verbais na fala. Baseado em que nas emoções na fala podem ocorrer conjuntamente a certas características vocais, como exemplo a entonação e a velocidade da fala, no que se pode diferenciar estados emocionais a partir destas características vocais. O estímulo para o sistema de inferência do algoritmo foi um grande conjunto de características vocais e métricas que foram extraídas de cada discurso. O algoritmo conduziu comparações pareadas independentes entre nove grupos de emoções. As emoções mais bem classificadas foram a resposta do algoritmo ao estímulo apresentado.
Na pesquisa de Pauletto e outros (2013) foi criado um “chatbot” a partir de um sintetizador de voz, a partir de marcadores no áudio, depois esses sinais marcados no áudio são comparados em um diagrama detalhado de emoções. O “chatbot” foi então usado em interações com participantes em um local público, no qual após esse momento, questões surgiram, como de qual voz a ser sintetizada para que se possa atingir interações espontâneas.
2– Estudos sobre Modelos de Reconhecimento das Emoções na Faces.
No artigo de Martini, Gonzalez e Wiese (2016) se fez a modulação de faces a partir de um programa de computador, o espectro da modulação de faces vai de humanoíde-humanos, assim se criou diversas imagens de faces que vão de aparência de humanoide á humano. Posteriormente a essa fase, foi mostrada aos participantes para qualificarem os estados emocionais internos das imagens modeladas a partir de um questionário. Foi indicado que o grau de aparência da face modelada mais próxima de um humano teve uma relação direta com a percepção de diferentes estados emocionais. Assim o estudo indica que a aparência física afeta a percepção dos estados mentais em agentes artificiais (imagens das faces modeladas).
Já em Preeti e Bhavesh (2017) foi usado algoritmos para o reconhecimento das emoções em imagens estáticas. Os humanos podem expressar as suas emoções a partir de sinais que são mostrados de forma sutil nos olhos, pálpebras e boca. Primeiramente é analisado a imagem em questão, assim o algoritmo detecta e marca as áreas das características visuais (olhos, pálpebras e boca) depois disso as distâncias entre essas características é calculada e o algoritmo seguinte detecta a face a partir de um diagrama de nove emoções.
No estudo de Ali Khan e outros (2015) se propõem um modelo de classificação de expressões emocionais. Este modelo consiste em uma imagem que será o estímulo, sendo assim essa imagem é passada por um processo adequação de iluminação e resolução da imagem, características da face da imagem são extraídas e por fim as emoções da face são classificadas. São usados em conjunto, diferentes programas computacionais para que o modelo de classificação proposto tivesse um desempenho considerado satisfatório.
Em Wan e Tian (2014) se fez a modelação de faces em programa virtual, a partir de um modelo computacional desenvolvido, depois foi colocado em teste com imagens estáticas de pessoas reais, o modelo computacional extrai as características faciais e baseado em um modelo das emoções, detecta a expressão emocional em questão. Se conclui que se conseguiu apresentar os elementos básicos da geração de estados emocionais através do modelo computacional apresentado.
3 - Estudos sobre Reconhecimento das Emoções através de modelos de Redes Neurais Artificiais.
Em Barros, Weber e Wermter (2015) se desenvolveu uma Rede Neurais Artificiais que detecta características gerais e especificas baseados na expressão facial e no movimento corporal. O modelo computacional primeiramente extrai informações como o movimento corporal e áreas do rosto (olhos, boca) e posteriormente essas informações reunidas para se estabelecer o estado emocional em questão. Foi testado o modelo em dois experimentos, o primeiro experimento foi feito a partir de um banco de imagens estáticas, em que se foi testado imagens que aparecem emoções que são fingidas e outra mostrando imagens que aparecem emoções de forma espontânea. No segundo experimento o modelo computacional foi empregado em uma cabeça robótica e posto em interação real com um participante, com 5 participantes, cada um apresentando 10 expressões emocionais. O robô classifica as emoções em três (Positiva, Negativa e Neutra). O robô reconhece o estado emocional em questão e dá o feedback apropriado mudando a boca e sobrancelha, indicando um sorriso se a emoção for positiva, um rosto com raiva se negativa e um rosto neutro quando nenhuma emoção for expressada. O modelo conseguiu reconhecer as emoções que são fingidas e as emoções que são espontâneas em 92,5% e 86,2% das vezes. No segundo experimento, na interação com o participante o robô teve acurácia de 74,2%.
No estudo produzido por Wang (2014) foi desenvolvido um modelo de Rede Neural Artificial que foi feito para reconhecer as emoções após o estímulo ser uma música. O modelo
foi desenvolvido para extrair características acústicas e os marcadores emocionais no áudio do estímulo, no qual essas informações são processadas ao mesmo tempo, assim no final deste processo a RNA consegue reconhecer as emoções na música.
No artigo de Khashman (2010) foi elaborado uma Rede Neural Artificial para o reconhecimento de faces em imagens estáticas. O modelo apresentado teve como parte do processamento de informações, a representação de dois neurônios, o neurônio dorsal e o neurônio ventral. Quando o estímulo é apresentado a RNA, o neurônio dorsal processa características mais detalhadas da imagem enquanto o neurônio ventral processa o padrão inteiro da imagem. Foi colocado a RNA em teste e comparada o desempenho com outro modelo de RNA. O modelo proposto pelo autor teve um desempenho maior no reconhecimento das faces que o outro modelo de RNA alternativo comparado.
4 - Estudos sobre Modelos de Reconhecimento das Emoções em Machine Learning Em Crandall (2018) foi desenvolvido um algoritmo de aprendizado que pretende estabelecer um comportamento de cooperação com outros algoritmos e também com humanos. Assim foi testado o algoritmo em jogos cooperativos com outros algoritmos e pessoas. Para o algoritmo cooperar houveram marcadores vocais em uma base de dados pré-determinada de falas e mecanismos de reforço de cooperação, como um exemplo, após uma jogada positiva reforçar outra jogada positiva. Houve dificuldades na interação entre algoritmos devido à dificuldade de representar de certos comportamentos cooperativos. Mesmo assim se conseguiu estabelecer uma relação de cooperação entre algoritmo-algoritmo e algoritmo-humano.
No estudo de Messinger e outros (2010) foi criado um modelo computacional que tenta explorar a previsibilidade do comportamento da mãe e da criança durante em interações olho no olho. Para responder essa questão, foram convidadas treze mães e suas crianças que interagiam com seus filhos nos braços. Essas interações, de aproximadamente cinco minutos foram gravadas, posteriormente o algoritmo foram extraiu três comportamentos, o riso da criança, o riso da mãe e a direção do olhar da criança para mãe ou não. Assim esse modelo foi caracterizado tendo um bom desempenho apesar das dificuldades encontradas e aponta novas direções no estudo de interações face-a-face.
Em Rodic e Addi (2014) foi desenvolvido um modelo computacional que pretende elaborar um comportamento guia por emoções. Fizeram testes no qual um evento causal-emocional (“gatilho”) é considerada. Se considerou diversos fatores na construção do modelo computacional como a personalidade e as emoções como raiva, amor e satisfação etc. Se
comparou os resultados do modelo apresentado com questionários respondidos online por pessoas. Os resultados mostram que as simulações feitas a partir do “gatilho” são similares as respostas dos participantes feitas nos questionários on-line.
5 – Outros Estudos sobre Reconhecimento das Emoções
No artigo de Talanov (2015) foi desenvolvido um modelo computacional que pretende mimetizar e adaptar o papel de neurotransmissores no cérebro humano como a dopamina, serotonina e noradrenalina. Para isso foi atribuído o papel de cada um destes neurotransmissores a um grupo determinado de emoções, posteriormente para validação deste modelo computacional criado, foram simulados sistemas afetivos no qual esses neurotransmissores desempenham uma função importante. Os resultados mostraram que modelo consegue apresentar elementos das emoções no processo cognitivo, apontando novos estudos na área.
Em Amini, Sabourin e De Koninck (2011) foi elaborado um modelo computacional que analisa os relatos de sonhos em uma escala que vai de positivo a negativo, assim foi coletado os relatos de sonhos de participantes, que foram julgados por outras pessoas em uma escala que vai de positivo e negativo, depois foi feito marcadores entre a palavra do texto e o seu significado e o modelo extraindo essas características no qual classificou essas emoções em positivas e negativas conseguindo uma eficiência entre o julgamento do modelo e o julgamento da pessoas anteriormente de 62,5% na escala do negativo e na escala do positivo foi 76,9% mostrando uma certa eficiência do modelo desenvolvido.
No artigo de Sales e outros (2013) vemos a integração da Inteligência Artificial e Video Games, onde se propõe um modelo computacional que pretende simular os estados emocionais em um agente virtual de um Video Game. Para isso foi baseado em um modelo de personalidades e posteriormente foi testado esse modelo computacional criado em diversos jogos. Se conseguiu simular os principais elementos emocionais no modelo projetado, trazendo para o futuro a possibilidade de criação de novas tecnologias que aumentem a realidade entre o mundo do jogador e o Video Game.
Conclusão
Podemos neste estudo ver um pouco da história da Inteligência Artificial, sua aplicação e articulação com o as Emoções. Vemos diversos modelos computacionais usados para representação de elementos emocionais como as Redes Neurais Artificiais, com inspiração na estrutura do cérebro humano. A aplicação da inteligência artificial também foi vista nos reconhecimentos de faces e da fala o que sugere a contínua produção de novas tecnologias que envolvem estas aplicações. Também vimos um estudo sobre a modelação computacional de neurotransmissores o que mostra a integração cada vez maior entre a Neurociência e a Inteligência Artificial. Considerando os grandes e recentes avanços na área de Machine Learning, identificamos uma certa disparidade entre tal avanço e o número de artigos encontrados. Interpretamos tal fenômeno como resultante de uma limitação metodológica, uma vez que não utilizamos o termo “Machine Learning“ como descritor e sim “Inteligência Artificial” sendo que a produção sequer se refere ao fato de que Machine Learning é um tipo de IA. Logo, para melhor conhecimento sobre as aplicações do Machine Learning e para estudo de processos emocionais, será necessária uma pesquisa específica que envolva os descritores mais específicos. Assim esta revisão pretendeu levantar os principais temas da área de Inteligência Artificial relacionado com as Emoções, seus principais modelos e aplicações oferecendo uma contribuição na literatura.
Referências Bibliográficas
AGLIARI, E. et al. Hierarchical neural networks perform both serial and parallel processing. Neural Networks. v. 66. p. 22-35, 2015.
AMINI, R., SABOURIN, C. & DE KONINCK, J. Word associations contribute to machine learning in automatic scoring of degree of emotional tones in dream reports. Consciousness and Cognition. v. 20, n. 4, p. 1570-1576, 2011.
ALBUQUERQUE, B. P; SANTOS, A. J. Memória para acontecimentos emocionais: Contribuições da Psicologia Cognitiva Experimental. Revista Portuguesa de
Psicossomática. v. 02, n. 2, p. 21-33, 2000.
ALI KHAN, S. et al. Facial expression recognition using computationally intelligent techniques. Journal of Intelligent & Fuzzy Systems. v. 28, n. 6, p. 2881–2887. 2015 AXT, M. Estudos Cognitivos: mapeando tendências. In: D. F. SILVA; R. VIEIRA. (Org.). Ciências Cognitivas em Semiótica e Comunicação. São Leopoldo: UNISINOS. 2000, p. 67-92.
AYESH, A; BLEWITT, W. Models for Computational Emotions from Psychological Theories Using Type I Fuzzy Logic. Cognitive Computation. v. 7, n. 3, p. 285–308. 2014 AYESH, A; BLEWITT, W. Models for Computational Emotions from Psychological
Theories Using Type-II Fuzzy Logic. Cognitive Computation. v. 7, n. 3, p. 309–332. 2014. BARROS, P; WEBER, C; Wermter, S. Emotional Expression Recognition with a Cross-Channel Convolutional Neural Network for Human-Robot Interaction. In: 15th
INTERNATIONAL CONFERENCE ON HUMANOIDS ROBOTS. 2015. Proceedings of the… Seoul, South Korea: IEEE-RAS, 2015. p. 582-587.
BORINE S. M. Consciência, emoção e cognição: o efeito do priming afetivo subliminarem em tarefas de atenção. Ciências & Cognição. v. 11. p. 67-79. 2007.
CAGNIN, S. Algumas contribuições das neurociências para o estudo da relação entre o afeto e a cognição. Estudos e Pesquisas em Psicologia. v. 8. p. 473-504. 2008.
CARDOSO JR, G; ROLIM, G. J; ZÜRN, H. H. Diagnóstico de faltas em sistemas de potência: definição do problema e abordagens via inteligência artificial. Revista SBA: Controle & Automação. v. 15, n. 02, p. 215-229. 2004.
CERVANTES, J. et al. A biologically inspired computational model of Moral Decision Making for autonomous agents. In: IEEE 12th INTERNATIONAL CONFERENCE ON COGNITIVE INFORMATICS AND COGNITIVE COMPUTING. 2013. Proceedings of the… New York, United States: IEEE. p. 111-117.
CRANDALL, W. J. Cooperating with machines. Nature Communications. v. 9. doi: 10.1038/s41467-017-02597-8. 2018.
DALY I. et al. Affective brain–computer music interfacing. Journal of Neural Engineering. v. 13, n. 4. 2016. p. 1-14.
DEVILLERS, L; VIDRASCU, L; LAMEL, L. Challenges in real-life emotion annotation and machine learning based detection. Neural Networks. v. 18. p. 407-422. 2005.
DIAS, C; CRUZ, F. J; FONSECA, M. A. Emoções: passado, presente e futuro. Psicologia. v. 22, n. 2, p. 11-31. 2008 .
EYSENCK, W. M; KEANE, T. M. Ciência Cognitiva Computacional. In EYSENCK, W. M; KEANE, T. M. Manual de Psicologia Cognitiva. Porto Alegre: Artmed, 2017, p. 23-29 FISHER, R; PLESSOW, F. Efficient multitasking: parallel versus serial processing of multiple tasks. Frontiers in Psychology. v. 6, p. 1-11. 2015.
HSU, Y. et al. The Simulation of a Robot with Emotions Implemented with Fuzzy Logic. In: EIGHT INTERNATIONAL CONFERENCE ON BROADBAND AND WIRELESS
COMPUTING, COMMUNICATION AND APPLICATIONS. 2013. Proceeding of the… Compiegne, France: IEEE. p. 382-386.
HUSSAIN, A. Cognitive computation: A case study in cognitive control of autonomous systems and some future directions. In: THE INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS. 2013. Proceeding of the… Dallas, United States: IJCNN. p. 1-6. JOHANSSON, A.; DELL’ACQUA, P. Pathfinding with Emotion Maps. In: PLEMENOS, D; MIAOULIS, G (Org.). Intelligent Computer Graphics. v. 374. p. 139-155. 2012.
KHASHMAN, A. Modeling cognitive and emotional processes: A novel neural network architecture. Neural Networks. v. 23, n. 10. p. 1155-1163. 2010.
KIRANDZISKA, V; ACKOVSKA, N. Human-robot interaction based on human emotions extracted from speech. In: 20th TELECOMMUNICATIONS FORUM. 2012. Proceeding of the… Belgrade, Serbia: TELFOR. p. 1381-1384.
KOWALCZUK, Z; CZUBENKO, M. Intelligent decision-making system for autonomous robots. International Journal of Applied Mathematics and Computer Science. v. 21. n. 4, p. 671-684. 2011.
LONG, J; CAI, Y; XIAO-YAN; H. A Nonlinear Artificial Intelligence Ensemble Prediction Model for Typhoon Intensity. Monthly Weather Review. v. 136. p. 4541-4554. 2008.
MARTINELLI, E. et al. Strength Is in Numbers: Can Concordant Artificial Listeners Improve Prediction of Emotion from Speech? PLoS ONE, v. 11, n. 8. 2016. p. 1-16. 2017.
MARTINI, M. C; GONZALEZ, C. A; WIESE, E. Seeing Minds in Others – Can Agents with Robotic Appearance Have Human-Like Preferences? PLoS ONE, v. 11, n. 1. p. 1-23. 2016. MESSINGER, D; RUVOLO, P; EKAS, N. V; FOGEL, A. Applying Machine Learning to Infant Interaction: The Development is in the Details. Neural Networks. v. 23, n. 8-9. p. 1004–1016. 2010.
MATLIN, W. M. Questões Teóricas Atuais em Psicologia Cognitiva. In W. M. MATLIN. Psicologia Cognitiva. Rio de Janeiro: LTC, 2004, p.12-15.
MEJIA, S; QUINTERO, L. O; CASTRO, J. Dynamic Analysis of Emotions through Artificial Intelligence. Avances en Psicología Latinoamericana. v. 34, n. 2. p. 205-232. 2016.
OCHSNER, K.N; RAY, R.R; HUGHES, B; MCRAE, K; COOPER, J.C; WEBER, J., GABRIELI, J.D; GROSS, J.J. Bottom- up and top-down processes in emotion generation: Common and distinct neural mechanisms. Psychological Science. v. 20, p. 1322–31. 2009. OLIVA, A. D; OTTA, E; RIBEIRO; L. F; BUSSAB, L.S. R. V; FIVIA, A; YAMAMOTO, E. M; MOURA, S. L. M. Razão, emoção e ação em cena: a mente humana sob um olhar
PAULETTO, S., BALENTINE, B., PIIDCOCK, C., JONES, K., BOTTACI, L.,
ARETOULAKI, M., WELLS, J., M. P., MUNDY; BALENTINE, J. Exploring expressivity and emotion with artificial voice and speech technologies. Logopedics Phoniatrics
Vocology. v. 38, n. 3. p. 115-125. 2013.
PREETI, J; BHAVESH, J. Facial Character in Real Time. In: INTERNATIONAL CONFERENCE OF ELECTRONICS, COMMUNICATION AND AEROSPACE
TECHNOLOGY. 2017, Coimbatore, India. Proceeding of the… Coimbatore: IEEE, 2017. p. 538-543.
POERSCH, J. Simulações conexionistas: a inteligência artificial moderna. Linguagem em (Dis)curso. v. 4, n. 02. p. 441-458. 2010.
RIQUELME, C. J; RUIZ, R; GILBERT, K. Minería de Datos: Conceptos y Tendencias. Inteligencia Artificial: Revista Iberoamericana de Inteligencia Artificial. v. 10, n. 29, pp. 11-18. 2006.
ROBISON, P; EL KALIOUBY, R. Computation of emotions in man and machines. Philosophical Transactions of The Royal Society B. v. 364, p. 3441-3447. 2009. RODIC, A; ADDI, K. Mathematical Modeling of Human Affective Behavior Aimed to Design Robot EI-Controller. In: RODIC, A; PISLA, D; BLEULER, H (Org.) New Trends in Medical and Service Robots: Challenges and Solutions. v. 20, p. 141-162. 2014.
RODRIGUEZ, F. L; RAMOS, F. Computational models of emotions for autonomous agents: major challenges. Cognitive Computation. v. 43, p. 437-465. 2015.
RODRÍGUEZ, F. L; RAMOS, F. Development of Computational Models of Emotions for Autonomous Agents: A Review. Cognitive Computation. v. 06, p. 351-375. 2014. SALES, R; CLUA E; DE OLIVEIRA, D., PAES A. An Artificial Emotional Agent-Based Architecture for Games Simulation. In: ANACLETO J.C; CLUA E.W.G., DA SILVA F.S.C., FELS S., YANG H.S. (Org). Entertainment Computing. p. 156-159. 2013.
SAMANI, H. A; SAADATIAN, E. A Multidisciplinary Artificial Intelligence Model of an Affective Robot. International Journal of Advanced Robotic Systems. v. 01. n.1. p. 1-11. 2012.
SARAIVA, E. A. C; ARGIMON, L. I. I. Ciência da computação e ciência cognitiva: um paralelo de semelhanças. Ciências & Cognição. v. 12. p. 150-155. 2007.
SENDERS, J. T; ZAKI, M. M; KARHADE, A. V; CHANG, B., GORMLEY, W. B; BROEKMAN, M. L; SMITH, R. T; ARNAOUT, O. An introduction and overview of machine learning in neurosurgical care. Acta Neurochirurgica. v. 160, n. 1, p. 29-38. 2017. SOBOL-SHIKLER, T; ROBINSON, P. Classification of Complex Information: Inference of Co-Ocurring Affective States from Their Expressions in Speech. IEEE Transactions on Pattern Analysis and Machine Intelligence. v. 32, n. 7, p. 1284-1297. 2010.
SOUSA, M. R. Inteligência computacional aplicada ao controle externo: classificação de padrões utilizando redes neurais artificiais. Revista do Tribunal de Contas da União. n. 135. p. 34-43. 2016.
TALANOV, M; VALLVERDU J.; DISTEFANO S; MAZZARA M; DELHIBABU, R. Neuromodulating Cognitive Architecture: Towards Biomimetic Emotional AI. In: IEEE 29th INTERNATIONAL CONFERENCE ON ADVANCED INFORMATION NETWORKING
AND APPLICATIONS, 2015. Gwangiu, South Korea. Proceeding of the… TCDP. 2015. p. 587-592.
TARCA, A. L; CAREY, V. J; CHEN, X. W., ROMERO, R; DRĂGHICI, S. Machine
learning and its applications to biology. PLoS Computational Biology. v. 3, n. 6, p. 953-963. 2007.
THORNTON, T. L; GILDEN, D. L. Parallel and serial processes in visual search. Psychological Review. v. 114. p. 71-103. 2007.
VAN GERVEN, M. Computational Foundations of Natural Intelligence. Frontiers in Computational Neuroscience. v. 11, pp. 01-24. 2017.
WALTER, S; WENDT, C; BÖHNKE, J; CRAWCOUR, S; TAN, W. J; CHAN, A; LIMBRECHT, K; GRUSS, S; TRAUE, C. H. Similarities and differences of emotions in human–machine and human–human interactions: what kind of emotions are relevant for future companion systems? Ergonomics. v. 57, n. 3, pp- 374-386. 2014.
WANG, Y. (2015). Music emotion cognition model and interactive technology. In IEEE WORKSHOP ON ELECTRONICS, COMPUTER AND APPLICATIONS, 2015, Ottawa, Canada. Proceedings of the… Ottawa, 2015, p. 269-272.
YAN, J. Z; WANG, Z. L; YAN, Y. (2014). Research on the Mechanical Head of Advanced Intelligent Robot. Applied Mechanics and Materials. In: INTERNATIONAL CONFERENCE ON ADVANCES IN MATERIALS SCIENCE AND INFORMATION TECHNOLOGIES IN INDUSTRY (AMSITI). Xian, China Proceedings of the… Xian, China: AMSITI. p. 4043-4046.
YOUYOU, W; KOSINSKI, M; STILLWELL, D. Computer-based personality judgments are more accurate than those made by humans. Proceedings of the National Academy of Sciences of the United States of America. v. 112, n. 4, pp. 1036-1040. 2015.
