Phân tích cảm xúc khuôn mặt AI & Nhóm tập trung: So sánh đánh giá

Trong bối cảnh nghiên cứu thị trường và đánh giá giao tiếp ngày càng phát triển, các phương pháp nắm bắt và phân tích cảm xúc của người tiêu dùng đóng vai trò then chốt. Bài viết này đi sâu vào một lĩnh vực tiên tiến: phân tích cảm xúc khuôn mặt AI (FEA), đồng thời so sánh nó với phương pháp nhóm tập trung truyền thống. Chúng ta sẽ khám phá cách FEA, với khả năng giải mã biểu cảm trên khuôn mặt một cách khách quan và có thể mở rộng, bổ sung và đôi khi vượt trội hơn những hiểu biết sâu sắc thu được từ các cuộc thảo luận nhóm tập trung. Mục tiêu là cung cấp một cái nhìn toàn diện về hai phương pháp này, nêu bật điểm mạnh, hạn chế và các ứng dụng chiến lược của chúng trong bối cảnh đánh giá cảm xúc so sánh.

Những thách thức trong phân tích tình cảm chất lượng

Phân tích tình cảm đóng một vai trò quan trọng trong việc hiểu phản ứng của công chúng đối với các thông điệp và tài liệu khác nhau. Tuy nhiên, nghiên cứu chất lượng trong lĩnh vực này thường phải đối mặt với một số thách thức chính:

• Khả năng mở rộng: Việc mở rộng quy mô nghiên cứu tình cảm chất lượng có thể rất tốn thời gian và tốn kém. Việc thu thập và phân tích chi tiết phản hồi từ các mẫu lớn đòi hỏi nguồn lực đáng kể và các nhà nghiên cứu thường phải đối mặt với các hạn chế về thời gian và ngân sách.

• Nắm bắt cảm xúc sắc thái: Nắm bắt các cảm xúc sắc thái trong môi trường nhóm là một thách thức khác. Trong các cuộc thảo luận nhóm, một số người tham gia có thể không biểu cảm hoặc có thể gặp khó khăn trong việc diễn đạt đầy đủ cảm xúc của họ, dẫn đến dữ liệu không đầy đủ hoặc thiên vị.

  

• Chất lượng dữ liệu: Tính chủ quan và mơ hồ có thể ảnh hưởng đến chất lượng dữ liệu tình cảm. Các yếu tố cá nhân, bối cảnh văn hóa và sự năng động của nhóm có thể ảnh hưởng đến cách các cá nhân thể hiện và chia sẻ cảm xúc của họ, gây khó khăn cho việc trích xuất thông tin tình cảm chính xác và đáng tin cậy.

Câu hỏi nghiên cứu: FEA có thể giải quyết những thách thức này như thế nào?

Do đó, câu hỏi đặt ra là: liệu phân tích cảm xúc khuôn mặt AI có thể giải quyết những thách thức hiện tại trong việc thu thập tình cảm trong nghiên cứu chất lượng hay không? Bằng cách tận dụng các công nghệ AI, FEA hứa hẹn sẽ hợp lý hóa quy trình phân tích tình cảm, nâng cao tính khách quan và mở ra những cơ hội mới để hiểu sâu sắc cảm xúc của người tiêu dùng. Chúng ta sẽ đi sâu vào các cơ chế, ứng dụng và hạn chế của FEA để xác định tiềm năng của nó trong việc biến đổi nghiên cứu chất lượng.

Tầm quan trọng của sự cân bằng giữa tính chủ quan và khách quan

Trong lĩnh vực thử nghiệm tình cảm chất lượng, việc tìm kiếm sự cân bằng hoàn hảo giữa tính chủ quan và khách quan là rất quan trọng. Tính chủ quan cho phép các nhà nghiên cứu khai thác vào chiều sâu cảm xúc, nhận thức và trải nghiệm cá nhân của người tham gia. Nó cho phép khám phá các phản hồi sắc thái, tín hiệu phi ngôn ngữ và yếu tố bối cảnh góp phần vào tình cảm tổng thể. Tuy nhiên, tính chủ quan cũng có thể giới thiệu sự thiên vị và hạn chế khả năng khái quát hóa kết quả.

Ngược lại, tính khách quan nhằm mục đích cung cấp dữ liệu số, định lượng có thể được phân tích thống kê và so sánh trên các mẫu lớn hơn. Các phương pháp khách quan, chẳng hạn như thang đo Likert và phân tích văn bản, cho phép các nhà nghiên cứu đo lường tình cảm một cách nhất quán và giảm thiểu sự thiên vị của người nghiên cứu. Tuy nhiên, các phương pháp này có thể bỏ lỡ chiều sâu và sắc thái được nắm bắt thông qua nghiên cứu chất lượng chuyên sâu. Vấn đề là làm thế nào chúng ta định lượng cảm xúc đối với các kích thích nghe nhìn mà không khơi gợi phản ứng cảm xúc mạnh mẽ? Sự cân bằng là chìa khóa.

Phương pháp luận

Để đánh giá hiệu quả của FEA so với nhóm tập trung, một nghiên cứu so sánh đã được tiến hành bằng cách sử dụng một bộ tài liệu được thiết kế đặc biệt. Phương pháp luận bao gồm các bước sau:

• Lựa chọn video: Sáu video khác nhau đã được chọn để thử nghiệm, dựa trên mục đích đã định của chúng. Các video được chọn đại diện cho nhiều loại nội dung khác nhau, bao gồm:
  • Thông tin
  • Dành cho sự thay đổi hành vi
  • Kháng cáo cảm xúc
• Thủ tục: Người tham gia được yêu cầu xem sáu video đã chọn trên máy tính xách tay trong khi được theo dõi bằng phần mềm FEA. Sau khi xem xong các video, các nhóm tập trung đã được tiến hành để thu thập tình cảm và phản hồi về cùng một tài liệu.
• Phân tích dữ liệu: Dữ liệu thu thập được từ cả Hai phương pháp, FEA và các nhóm tập trung, sau đó đã được so sánh để đánh giá chiều sâu, độ chính xác và hiệu quả của chúng trong việc nắm bắt phản ứng cảm xúc.

Về nghiên cứu

• Một liên kết được thiết lập để người trả lời xem video trên nền tảng FEA.
• Người trả lời được đưa đến một địa điểm tập trung để thử nghiệm trên máy tính xách tay tại chỗ.
• Quy trình hiệu chuẩn được thực hiện để đảm bảo theo dõi mắt và khuôn mặt đúng cách.
• Video được phát và khuôn mặt của người trả lời được ghi lại trên webcam của họ.
• Video đã ghi được xử lý trên phụ trợ để cung cấp định lượng về nhiều loại cảm xúc và chuyển động trên khuôn mặt.
• Các FGD sẽ được tiến hành để hiểu rõ hơn.

Dữ liệu FGD sẽ được sử dụng để xác thực dữ liệu FEA và xác định các trường hợp sử dụng và hiệu quả của nó.

Kết quả so sánh FEA với FGD

Phân tích so sánh được tiến hành đã tiết lộ một số phát hiện chính:

1. Nhận diện cảm xúc sắc thái: FEA chứng tỏ khả năng nhạy bén hơn trong việc nắm bắt các cảm xúc sắc thái và tự nhiên có thể ít hữu hình hơn trong các nhóm tập trung. Những cảm xúc này bao gồm ngạc nhiên, bối rối và các hành động như cau mày hoặc nhướng mày.

2. Đo lường sự chú ý/tham gia: Sự chú ý và tham gia nổi lên như một thước đo hữu ích được cung cấp bởi FEA. Tuy nhiên, điều quan trọng cần lưu ý là độ chính xác của những phát hiện này có thể khác nhau tùy thuộc vào bối cảnh của nghiên cứu. Trong các thí điểm trực tiếp, trong đó người tham gia được yêu cầu phải chú ý và tập trung, sự chú ý/tham gia có thể ít đáng chú ý hơn so với các nghiên cứu được thực hiện từ xa, trong đó người tham gia có thể phải đối mặt với nhiều phiền nhiễu hơn.

3. Bối cảnh kích hoạt cảm xúc: FEA có khả năng xác định các điểm cụ thể trong video kích hoạt những thay đổi trong cảm xúc. Bằng cách xác định các điểm chính này, các nhà nghiên cứu có thể hiểu sâu hơn về các yếu tố gây được tiếng vang với người xem và tác động đến phản ứng cảm xúc của họ.

4. Dữ liệu so sánh: FEA cung cấp dữ liệu so sánh có giá trị cho phép các nhà nghiên cứu so sánh mức độ cảm xúc giữa các video khác nhau hoặc các đoạn trong cùng một video. Ví dụ: bằng cách so sánh mức độ vui vẻ cao, các nhà nghiên cứu có thể xác định nội dung video nào hiệu quả nhất trong việc khơi gợi cảm xúc tích cực.

5. Hạn chế Mặc dù FEA thường tương quan với các điểm dự kiến trong video, nhưng kết quả có thể không rõ ràng trong việc giải thích chính xác lý do tại sao người trả lời phản ứng theo những cách nhất định. Chẳng hạn, cau mày có thể không cung cấp đủ thông tin để xác định các yếu tố cụ thể thúc đẩy cảm xúc của người tham gia.

   

6. Xác thực cảm xúc: FEA đã chứng tỏ khả năng xác thực các cảm xúc mạnh mẽ và chiếm ưu thế được báo cáo trong các nhóm tập trung. Sự hội tụ này giữa FEA và dữ liệu nhóm tập trung làm tăng thêm độ tin cậy của những phát hiện của nghiên cứu.

7. Cường độ cảm xúc FEA có thể xác định cảm xúc mãnh liệt; tuy nhiên, các tài liệu cung cấp thông tin và video có ít cảm xúc hơn có thể gợi ra những biểu cảm vi mô tinh tế hơn khó chứng minh hơn.

Nghiên cứu về video truyền thông dịch vụ công

Một trong những video được sử dụng trong nghiên cứu là một thông điệp dịch vụ công (PSA) do một chính trị gia Singapore truyền tải về sức khỏe và bệnh tiểu đường.

Phân tích FEA về video này cho thấy:

• Sự tương tác với nội dung tăng lên đáng kể sau khi giới thiệu tất cả các bước cần thiết để ngăn ngừa bệnh tiểu đường.
• Đột biến ngạc nhiên và bối rối khi người xem tìm hiểu về tỷ lệ mắc bệnh tiểu đường cao, cho thấy sự sốc trước tình hình.
• Đột biến vui sướng khi quảng cáo trình bày hướng dẫn từng bước để phòng ngừa, làm nổi bật sáng kiến chủ động được thực hiện để nâng cao nhận thức.
• Đột biến ngạc nhiên và bối rối xảy ra khi chương trình Science for Life của Bộ Y tế được giới thiệu, cùng với thông tin về lượng calo trong chế độ ăn uống thông thường và sự cần thiết phải cắt giảm đồ uống có ga do hàm lượng đường cao. Điều này cho thấy rằng người xem có thể chưa biết về thông tin này hoặc không quen thuộc với nó, đặc biệt là trong bối cảnh phòng ngừa bệnh tiểu đường.

Tuy nhiên, khi so sánh các điểm được đánh dấu FEA (màu xanh lá cây/vàng) với phản hồi của FGD, kết quả như sau:

Phân tích cảm xúc khuôn mặt AI là gì?

Phân tích cảm xúc khuôn mặt AI (FEA) là một phương pháp sử dụng webcam của máy tính xách tay để ghi lại biểu cảm khuôn mặt trong khi người trả lời xem các video thử nghiệm. Các bản ghi sau đó được xử lý để diễn giải và định lượng các phản ứng cảm xúc thông qua việc quan sát biểu cảm khuôn mặt.

FEA kết hợp các chuyển động trên khuôn mặt để nhận biết cảm xúc. Ví dụ: nâng má cộng với kéo môi bằng niềm vui. Các hóa trị này được theo dõi trên thang điểm từ 0 - 100.

Các loại cảm xúc được theo dõi

Các cảm xúc thường được theo dõi bằng FEA bao gồm:

• Giận dữ
• Khinh bỉ
• Ghê tởm
• Sợ hãi
• Tình cảm
• Vui sướng
• Buồn bã
• Ngạc nhiên
• Bối rối