AI 能预测夫妻吵架,还会劝你冷静一下

By 超神经

场景描述:夫妻、伴侣之间,吵架几乎是不可避免的。争吵时的情绪失控,常常会对双方都造成伤害,甚至导致昔日的爱人最终分道扬镳。而现在,AI 已经学会了察言观色,帮助夫妻避免吵架,它能够在夫妻爆发争吵之前就预测到并及时制止,检测准确率达到 79.6%。

关键词:夫妻吵架 AI 检测  声学特征

据说,再相爱的夫妻,一生中都有一百次想要离婚的念头和五十次想要掐死对方的冲动。

与恋爱相比,婚姻也许会少几分浪漫和甜蜜,而多了一些琐碎与拌嘴。 有时候,朝夕相处的两个人,也许仅仅因为一个挤牙膏的方式不同,都会发生一场 「家庭大战」

数据显示,自从 1990 年以来,我国离婚率涨幅大增,2000 年之后,涨幅稳定在 5%~10%。 这其中,有多少人在一次次的吵架中身心俱惫, 感 情逐渐 破裂,最终选择离婚 。

 

夫妻吵架太伤神,有何良方可避免?

在 2004 年播出的电视剧《中国式离婚》里,反映了中国现代社会,中年知识分子的婚姻状况。剧中, 林小枫与宋建平夫妇常常战火四起,从而矛盾不断加深,关系不断恶化,最终走向离婚的结局

640?wx_fmt=jpeg
《中国式离婚》是国内第一部以离婚为题材的电视剧

夫妻之间小吵小闹没有大碍,但如果经常吵架,大动肝火,甚至动手,终会影响彼此感情。因此,到底 如何避免吵架,这是很多夫妻、伴侣都想要找到完美答案的问题。

所以,我们在微博、微信上看到不少 情感专家情感博主都应运而生,知乎上也不乏这样的问题。

640?wx_fmt=jpeg
知乎上此类问题颇受关注

美国知名咨询师莱特夫妇研究婚姻 30 年,推出了 《如何正确吵架》一书,总结出了 15 种常见的吵架类型,并教导伴侣们如何越争吵越亲密。

但这个问题,真的有答案吗?恐怕 即使是所谓的情感专家,往往也难以给出完美解答。

也许世界上,大多数夫妻的恩爱形式大多相似,但是吵架模式却各有不同。有的喜欢冷战,有的大打出手,有的大哭大闹……

对不同的夫妻来说,引起争吵的矛盾也不同,所以「如何避免吵架」这个问题,也成了一个千古难题。

640?wx_fmt=jpeg
由这本书看来,夫妻吵架也是一门大学问

不过,如果利用 AI 算法来处理夫妻吵架这个问题,效果会如何?

一个由四名工程师和心理学家组成的小组,就联手打造了 AI 系统,该系统 能够预测夫妻之间即将爆发的「战争」,预测准确率高达 79.6%,不仅如此,它还会及时劝架,可能比人类和事佬的劝架效果还好。

有了 AI 来劝架,夫妻再也不吵架

这几位研究人员所开发的 AI 系统,能够使用 语音模式以及可穿戴设备、智能手机中的 生理声学语言数据,来检测夫妻之间的冲突。

研究人员认为,用这类数据训练的算法, 最终可以预测冲突并在情况恶化之前提供干预措施

德州农工大学(Texas A&M University)计算机科学与工程学助理教授 Theodora Chaspari 介绍说, 比如,因为争吵而精神高度紧张的一方,可能会收到一条短信,告诉他/她打架迫在眉睫,因此他/她应该暂停对话并花 10 分钟进行冥想。  

640?wx_fmt=gif

之前,该团队在 2017 年就提出的一项研究中介绍道,六名研究人员追踪了洛杉矶地区的 19 对夫妇,这些夫妇在一天内经历了冲突。

夫妻俩佩戴了追踪诸如 心率排汗体温嗓音 语言强度等变量的检测器。 从上午 10 点开始每 12 分钟录制三 分钟的录音,直到 夫妻俩上床睡觉。

他们的智能手机每小时提示他们报告一次自己的感受,并记录音频,然后 分析音频的音调和频率等声学特征,以及如动词和代词的数量等语言特征

640?wx_fmt=png
系统对数据分类示意图:
冲突和非冲突之间( S1 ~ SN )的多模式分类

Chaspari 博士说:「使用第二人称代词的夫妇越多,比如『你没有洗碗』,所表达愤怒的可能性就越大,相对的,说『我看到水槽里的碗时很沮丧』就会好很多。」

利用收集的数据,研究人员能够 训练算法以 79.6% 的准确性检测冲突。该算法能够识别正在进行中的「战斗」,以及预测可能在几分钟之内引起争论的具体模式。

Chaspari 博士说:「实时检测和监控这些数据,可以中断、改变甚至阻止冲突发生。」

计算机劝架,秘籍有二

夫妻之间吵架,往往亲戚朋友也难以劝和,计算机用什么样的方法,在帮助夫妻避免冲突方面能够取得如此成绩?对于毫无情感的计算机来说,它具有以下两个秘籍。

秘籍一:可避免防御性

冰岛的临床心理学家 Fjola Helgadottir  博士是 AI Therapy (人工智能治疗组织)的主管,该组织致力于开发自动 AI 程序来帮助患有社交焦虑症的人。

Helgadottir 博士说,让计算机参与夫妻之间的治疗过程可能会有所帮助。她说, 一个公正的来自机器的提示,可能比让伴侣告诉你冷静下来会更容易被接受,也更能让人平静下来,而后者反而可能引起防御性的反应。

因此,这也是计算机的优势所在,它不会让任何一方觉得,劝架者是有所偏袒的。

640?wx_fmt=jpeg
计算机公正公平,也许是个劝架的小能手

Helgadottir 博士还表 示,尽管自我报告中的数据仍存在局限性,但这些努力的结果还是充满前途的 。

秘籍二:及时掌握言语和语调速度

2018 年 10 月,在多模式互动国际会议(International Conference on Multimodal Interaction)上发表的一项新研究, 追踪了 87 对夫妇,在他们的婚姻满意度和依恋类型的基础上,了解他们如何经历冲突。

总体而言,研究人员发现, 在焦虑型和回避型的夫妻中,言语和语调的速度是检测冲突的最重要因素

因此,该小组能够利用这两个重要因素,检测到这些夫妻中的冲突,并通过后来与他们的交谈证实了这一点, 准确率达 86.9%

640?wx_fmt=gif

不过,对于安全依恋型的夫妻(那些焦虑程度较低且婚姻满意度较高的夫妻),声音、生理和语言变量都同样重要。这些区别可能有助于 为特定类型的夫妻量身定制干预措施

AI 改善夫妻关系,拥有巨大潜力

使用人工智能来检测夫妻之间的冲突,是使用 AI 来检测情感领域中的一部分。 华盛顿大学心理学名誉教授  John Gottman,和其 研究所的联合创始人 Gottman 博士以及 他的妻子 Julie Gottman 博士说, 他们利用科学研究来帮助夫妻改善关系,并表示他们 看到了 AI 等新兴技术对夫妻的帮助方面的潜力

「技术可以帮助衡量这对夫妻交谈时体内的状况,」朱莉·戈特曼(Julie Gottman)说。她举例说,一对习惯表达轻蔑和批评的夫妇,可能需要参加一个心理治疗课程,学习和练习新的沟通方式。

而经过训练的 AI 工具,就可以 识别这些特定的模式,并跟踪心率和其他生理指标,及时作出报告。

展望未来,Chaspari 博士的研究小组计划 使用更少的自我报告数据,而更多地依赖智能手机和健身监视器中的传感器

她表示,「尽管是初步的,但我们工作的目标是创建提供反馈和提示的干预措施,以更广泛地改善夫妻之间的关系和生活质量。 最终,我们的方法也可以扩展到其他领域,例如亲子关系。

640?wx_fmt=gif

用 AI 劝架,他好,我也好

最后,祝所有的夫妻、情侣之间,都只有甜甜蜜蜜的小吵小闹。

—— 完 ——
640?wx_fmt=jpeg

扫描二维码,加入 AI 讨论群

获得更多优质数据集

了解人工智能落地应用

关注顶会&论文

回复「读者」了解详情

更多精彩内容(点击图片阅读)
640?wx_fmt=gif

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值