Affective Computing

A computação afetiva é um ramo da inteligência artificial que permite que sistemas de computador detectem, representem, respondam ou simulem o afeto humano. Afeto é um termo amplo que abrange emoções, humores, estresse, excitação e estados relacionados. Em vez de dar a uma máquina sentimentos genuínos, a computação afetiva ajuda a máquina a reconhecer sinais associados à experiência humana e a adaptar o comportamento da máquina adequadamente.

Também chamada de IA de emoção ou IA afetiva, a área combina aprendizado de máquina, psicologia, sensoriamento e interação humano-computador. O grupo de computação afetiva do MIT descreve o propósito mais amplo do grupo como o desenvolvimento de tecnologias que compreendem e respondem melhor à emoção, ao mesmo tempo em que apoiam o bem-estar humano.

Como Funciona a Computação Afetiva#

Um sistema afetivo normalmente segue um pipeline de percepção e resposta:

1. Capturar sinais: Câmeras, microfones, sensores vestíveis, logs de interação ou interfaces de texto coletam dados observáveis. Exemplos incluem movimento facial, intensidade vocal, postura, frequência cardíaca e escolha de palavras.
2. Extrair características: Um modelo de visão computacional pode localizar rostos ou pontos-chave corporais, enquanto modelos de fala e processamento de linguagem natural analisarevoz ou texto.
3. Estimar afeto: Um classificador ou modelo de regressão mapeia as características extraídas para rótulos como “frustrado” ou “calmo”, ou para valores contínuos como excitação de baixa a alta.
4. Usar contexto: O sistema combina sinais com informações situacionais. Uma voz elevada durante um evento esportivo pode significar empolgação, enquanto o mesmo sinal durante o suporte ao cliente pode indicar frustração.
5. Selecionar uma resposta: O aplicativo pode alterar a redação do aplicativo, fornecer assistência, reduzir interrupções ou solicitar revisão humana.

Muitos sistemas usam IA multimodal porque nenhum canal único comunica a emoção de forma confiável. Combinar vídeo, fala, texto e sinais fisiológicos pode fornecer mais contexto, mas a combinação também aumenta os requisitos de privacidade e governança de dados.

Conceitos relacionados e principais diferenças#

A computação afetiva se sobrepõe a vários campos da IA, mas tem um objetivo distinto:

• Análise de sentimento: Geralmente classifica opiniões expressas em texto como positivas, negativas ou neutras. A computação afetiva é mais ampla e pode estimar humor, estresse, engajamento ou excitação a partir de múltiplos sinais.
• Reconhecimento facial: Tenta estabelecer a identidade. A análise de afeto facial, em vez disso, examina características visíveis relacionadas a expressões. Nenhuma das tarefas prova o que uma pessoa está sentindo internamente.
• Reconhecimento de ação: Identifica atividades como caminhar, acenar ou cair. A computação afetiva pode usar esses comportamentos como evidência contextual, mas tenta modelar um estado afetivo ou escolher uma resposta ciente do afeto.
• Computação cognitiva: Abrange sistemas projetados para apoiar o raciocínio e a tomada de decisões semelhantes aos humanos. A computação afetiva foca especificamente na emoção e em estados humanos relacionados.

“Software afetivo” refere-se a aplicativos que contêm essas capacidades, enquanto “tecnologia de sentimentos” é uma descrição informal e menos precisa. O sistema processa sinais mensuráveis e padrões estatísticos; o sistema não observa diretamente pensamentos ou sentimentos.

Aplicações no mundo real#

Duas aplicações concretas ilustram como a computação afetiva pode influenciar o comportamento da IA:

• Jogos adaptativos: Um jogo pode combinar a postura do jogador, a atividade do controle, falhas repetidas e a velocidade de interação para estimar a frustração ou o engajamento. O jogo pode oferecer uma dica, ajustar a dificuldade ou atrasar uma interrupção. A saída útil não é a afirmação de que o jogador tem uma emoção definitiva, mas uma resposta adaptativa baseada em evidências incertas.

• Assistência veicular: Um sistema de monitoramento de motorista pode analisar a posição da cabeça, a postura corporal, o fechamento dos olhos e o comportamento de direção em busca de sinais associados à fadiga ou atenção reduzida. O sistema pode então emitir um alerta ou recomendar uma pausa. Indicadores de segurança observáveis devem ter prioridade sobre rótulos especulativos como “motorista bravo”.

Aplicações relacionadas à saúde exigem cuidado adicional. As orientações da Organização Mundial da Saúde sobre IA ética para a saúde enfatizam autonomia, segurança, transparência, prestação de contas e equidade quando a IA afeta a saúde ou o bem-estar.

Contexto Prático de Visão Computacional#

A estimativa de pose pode fornecer pontos-chave corporais como uma entrada para um pipeline afetivo. Este exemplo do Ultralytics YOLO26 identifica a postura humana:

from ultralytics import YOLO

# Load a pretrained pose estimation model
model = YOLO("yolo26n-pose.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Select and save the visualized result
result = results[0]
result.save(filename="pose_result.jpg")

A saída mostra os pontos-chave corporais detectados; a saída não infere a emoção. Um aplicativo afetivo completo exigiria rótulos específicos para o propósito, entradas contextuais, incerteza calibrada e uma camada de decisão validada separadamente. As equipes podem usar a Ultralytics Platform para anotação de conjuntos de dados em nuvem, treinamento, implantação e monitoramento ao desenvolver os componentes visuais de tal sistema.

Riscos e Design Responsável#

Rótulos relacionados a emoções são subjetivos e podem variar entre indivíduos, culturas, ambientes e anotadores. Sistemas mal projetados podem confundir deficiência, neurodivergência, iluminação, sotaque ou comportamento comum com um estado emocional. Os desenvolvedores devem auditar o viés do conjunto de dados, avaliar o desempenho em grupos relevantes, apoiar saídas incertas ou “não é possível determinar” e evitar usar previsões como fatos inquestionáveis.

Dados afetivos também podem incluir informações faciais, vocais, comportamentais ou fisiológicas sensíveis. O NIST AI Risk Management Framework e o NIST Privacy Framework fornecem fundamentos práticos para controles de risco e privacidade, enquanto a política de informações biométricas da FTC destaca preocupações envolvendo alegações de precisão sem suporte, coleta encoberta, viés e monitoramento inadequado.

Os requisitos dependem da jurisdição e do contexto. Por exemplo, as regras da Lei de IA da UE sobre reconhecimento de emoções restringem o uso de reconhecimento de emoções em locais de trabalho e instituições educacionais, com exceções médicas e de segurança restritas. Sistemas responsáveis devem obter consentimento significativo, minimizar os dados retidos, documentar limitações, preservar a supervisão humana e usar o monitoramento de modelos contínuo para identificar falhas após a implantação.