微表情是一种短暂的、微弱的、无意识的面部微表情,持续时间往往在0.5s内,能够揭示人类试图隐藏的真实情绪。微表情识别的研究旨在让机器有足够的智能,能够从人脸视频序列中识别人类的真实情绪。然而由于微表情持续时间短、面部肌肉运动强度低,对其进行准确的表征与识别是一项极具挑战性的任务。为了促进心理学领域和计算机视觉领域针对微表情的进一步研究,由中国图象图形学学会(CSIG)主办、CSIG机器视觉专业委员会承办,中国科学院心理研究所的王甦菁博士组织了一系列云上微表情的学术活动。
第十期云上微表情于2020年12月12日早上10点进行,由中国科学院心理研究所王甦菁老师团队的李婧婷博士主持。此次讲座的主题是生态化微表情识别能力测验研究,邀请到了两位心理学方面的专家来做该方面的介绍,分别是江南大学的张剑心副教授和江苏警官学院的殷明副教授。本次报告得到了微表情研究领域的广泛关注,期间有五十多位听众参加了此次讲座。
此次讲座主要分为两个部分,首先由张剑心副教授介绍生态化微表情识别能力和训练的脑机制,然后由殷明副教授介绍警校学院及基层民警生态化微表情识别能力研究。
张剑心副教授首先介绍了经典的微表情识别能力测验JACBART,并指出了该工具存在的问题,认为该工具只存在中性表情背景,生态化程度较低。因此,在张明、傅小兰等(2014)以悲伤、平静和愉快三种基本表情作为背景探索微表情背景效应的研究启示下,张副教授等人以七种基本情绪表情作为背景和微表情,建立了良好信效度生态化微表情识别测验EMERT。
具体设计为将一个小于200ms的表情镶嵌在正常表情中,以此来模仿真实微表情出现的情况,并进行了两次测量,时间间隔一周,实验结果也表明了该工具信效度良好、生态效度良好。
张副教授提出:EMERT存在的问题是无法准确评估和比较不同被试的微表情识别能力。这是因为该测验为减少背景转化的影响,采用了block设计,每个block只有一种背景表情,为了排除实验中的顺序效应,不同被试的背景顺序不同。因此,为了改良EMERT,张副教授等人建立了伪随机微表情识别测验PREMERT。同时也进一步研究了与其相关的静息态脑区,fMRI结果与EMERT测验研究相似。
进而,在EMERT和PREMERT的基础上建立多强度伪随机微表情识别测验,并进一步进行了改进。
最后,张副教授介绍了经典的微表情识别能力训练METT,并指出了其存在问题为只对中性背景下微表情识别进行训练,并且微表情和背景都是静态的。在生态化微表情自然曝露训练的脑机制研究下,需要进一步建立生态化微表情识别能力训练EMETT。
殷明副教授的报告内容分为四个部分,包括研究背景和目的、训练设计和程序、数据采集和分析、以及最后的研究结果。
殷明副教授首先介绍了研究背景,由于欺骗与微表情存在紧密关系,可以通过识别微表情来识别谎言,且微表情识别能力可以训练。而在基层公安民警日常工作中,需要甄别各类谎言,发现人群中存在危险的个体。因此,需要提高侦查专业警校学员和基层民警识别生态微表情的能力。
研究结果发现:前后测主效应显著、后测正确率显著大于前测、侦查学专业学生与侦查民警的训练效果没有显著差异,结果表明该训练产生了显著的训练效果,EMETT能有效地提高生态化微表情识别能力(EMERT)。
最后,为了更简洁有效地考察微表情训练效果和过程,将六种微表情识别正确率合并为一个微表情识别正确率,然后用后测减去前测,训练2减去训练1,训练3减去训练2,训练3减去训练1得到训练增量。以0.5随机水平为标准,对前后测和三次训练的正确率做单样本t检验(概括的微表情识别只有正确和错误两种情况,故随机水平为0.5) ;以0随机水平为标准,对训练增量做单样本t检验(增量大于0表明有增加,不大于0表明没有变化,小于0表明有减少) ,结果也表明,EMETT能有效提高学员和警官的生态化微表情识别能力,且学员和警官的提高过程基本相同,表明EMETT具有良好的信效度。
在讨论环节,听众们踊跃发言,提出了很多非常有讨论意义的问题。其中,来自中国科学院心理研究所的傅小兰研究员向殷老师和张老师进一步了解了生态化微表情识别能力训练的实验设计流程、以及训练素材等相关细节,两位讲者也回答了听众关于复杂表情下微表情识别训练的相关问题。
在活动的最后,讲座的主持人李婧婷博士对活动进行了总结并对第十一期CSIG云上微表情活动进行了大致预告。敬请继续关注!
此次讲座的回放已经发布在B站:https://www.bilibili.com/video/BV11K41137vs,欢迎观看!