使用传感器数据和机器学习在VR会议期间预测同情心和其他心理状态

科学领域:

• 心理学和认知科学 心理学和认知科学
• 人与计算机的交互
• 机器学习应用 机器学习应用

背景情况:

• 虚拟现实 (VR) 被认为具有潜力通过让用户沉浸在不同的视角中来培养同情心.
• 目前的同理心评估方法缺乏通用标准,需要创新的方法.
• 在VR体验期间的生理反应为客观的同理心测量提供了潜在的途径.

研究的目的:

• 为了研究自我报告的同理心水平和VR暴露期间的生理反应之间的关系.
• 开发和评估机器学习模型,以使用生理数据预测状态和特征同理心.
• 引入一套新的VR视频数据集,旨在引起对研究和临床使用的同情.

主要方法:

• 105名参与者体验了3D 360° VR视频,这些视频描绘了演员表达各种情绪.
• 共感水平通过自我报告问卷进行评估.
• 使用传感器记录生理信号,并使用机器学习模型 (随机森林) 进行预测.

主要成果:

• 随机森林模型准确地预测了特征同理心 (9.1%的MAPE) 和分类状态同理心 (67%的平衡准确度).
• 预测模型是为非同情激发 (78%准确率) 和区分同情与非同情激发 (79%准确率) 开发的.
• 统计分析探讨了叙事背景,性别和情感对同情感的影响.

结论:

• 利用生理信号的机器学习模型提供了一个客观而有效的方法来预测VR期间的同情度.
• 这项研究提供了有价值的数据集和预测工具,以推进同理心研究和临床应用.
• 基于VR的生理监测显示出作为传统同理心评估的补充方法的希望.