MER 2026：從辨識情緒到生成情緒理解
arXiv - Human-Computer InteractionZheng Lian, Xiaojiang Peng, Kele Xu, Ziyu Jia, Xinyi Che, Zebang Cheng, Fei Ma, Laizhong Cui, Yazhou Zhang, Xin Liu, Liang Yang, Jia Li, Fan Zhang, Erik Cambria, Guoying Zhao, Bjorn W. Schuller, Jianhua Tao
MER 2026 持續推進情緒理解研究，推出四項新任務，涵蓋雙人互動、細粒度情緒辨識、偏好預測與生理訊號情緒辨識。
AI 幫你先抓重點
AI 重點 1
情緒理解從單一標籤擴展到多模態、細粒度與偏好預測，顯示情緒分析正向向更人性化、可解釋的方向發展。
滑鼠懸停看 AI 判斷理由
此轉變使研究者能利用大型語言模型的語義豐富度，進行更精細且可解釋的情緒辨識，對於需要情緒感知的教育互動系統具有直接應用價值。
AI 重點 2
MER-PS 將生理訊號納入情緒辨識，提供多模態資料融合的實驗平台，促進跨領域研究。
滑鼠懸停看 AI 判斷理由
生理訊號的加入能捕捉非語言情緒表徵，對於設計更完整的情緒感知模型及其在學習環境中的實際部署具有關鍵意義。
核心研究發現
- 1
MER 2026 以四條軌道（MER-Cross、MER-FG、MER-Prefer、MER-PS）擴展前期挑戰範疇，從單人到雙人互動、細粒度情緒辨識、偏好預測與生理訊號分析。
- 2
MER-FG 透過多模態大型語言模型（MLLM）實現細粒度情緒辨識，強調詞彙豐富度與可解釋性。
- 3
MER-Prefer 旨在預測人類對不同情緒描述的偏好，提供情緒描述的個人化選擇。
對教育工作者的啟發
教育工作者可利用 MER-FG 的細粒度情緒辨識即時調整教學節奏與內容，提升學習者參與度；MER-Prefer 可協助設計個人化情緒回饋，增進學習動機；MER-PS 的生理訊號分析能在實驗室或實際課堂中監測學生情緒波動，為情緒干預提供數據支持；MER-Cross 的雙人互動資料則可用於研究協作學習中的情緒互動模式，進一步優化協作任務設計。整體而言，這些工具與資料集為教育科技開發者提供了可落地的情緒感知與分析框架。
原始文獻資訊
- 英文標題：
- MER 2026: From Discriminative Emotion Recognition to Generative Emotion Understanding
- 作者：
- Zheng Lian, Xiaojiang Peng, Kele Xu, Ziyu Jia, Xinyi Che, Zebang Cheng, Fei Ma, Laizhong Cui, Yazhou Zhang, Xin Liu, Liang Yang, Jia Li, Fan Zhang, Erik Cambria, Guoying Zhao, Bjorn W. Schuller, Jianhua Tao
- 來源：
- arXiv - Human-Computer Interaction
- AI 摘要模型：
- openai/gpt-oss-20b
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。