本研究提出R-CAGE模型，旨在解决情感计算中重复情感参与的认知和结构性后果问题。该模型强调以用户为中心的心理恢复，调节情感节奏和感官强度，帮助用户应对信息过载，促进长期解读的自主性。

本文提出了AffectEval框架，旨在解决情感计算领域情感识别应用开发中的劳动密集型问题。该框架的模块化和可定制特性可减少多达90%的编程工作量。

本研究提出了“网络感知”概念，以解决情感计算中准确识别用户情感的挑战。实验结果表明，用户情感相关的“开启”行为频率显著影响情感效价，推动情感意识应用的发展。

本研究提出了一种目的驱动的情感计算框架，旨在解决情绪识别与生成的短期模式识别问题，强调个体和群体的长期福祉，通过“数据宇宙”捕捉情感事件，促进持续幸福感。

本文探讨了自动情感预测中的数据收集实践的不确定性，指出现有模型未能充分考虑情感的复杂性。研究提出新模型，旨在系统性理解和解释与过程相关的质量和上下文，以改善数据收集和分析实践，推动情感计算领域对不确定性和上下文的深入理解。

本研究提出了一个法语多模态数据集，结合面部表情、语音和手势，为情感识别提供全面视角，推动情感计算的发展。

本研究构建了一个中文多标签情感计算数据集，解决了情感与人格特征分离标注的问题。通过收集微博用户数据，提供了细粒度微情感及情感强度标注，为机器识别复杂人类情感奠定基础，支持心理学、教育和市场营销等领域的研究。

本文介绍了一种结合LSTM的多模态神经架构，用于识别多媒体剪辑中的情感，表现优于单模态基线。研究了多模态情感计算，提出基于注意力机制的分层体系结构以分类识别情感，并探讨了情感计算在机器学习和混合现实中的重要性及应用。此外，推出了开源软件AffectToolbox，以促进情感分析研究。

本文评估了大规模异构多媒体数据的情感计算技术，探讨了心理学模型、深度学习方法及其数据集，强调个性化情感交互的重要性，分析了多模态情感计算的挑战与未来方向，提出了新的框架和方法，展示了生成型AI在情感表达中的潜力及其对心理健康的影响。

在Adolfo Neto教授的播客中，采访了巴里大学副教授Nicole Novielli，讨论了情感计算和软件工程中的人类因素，强调了情绪在软件工程中的重要性，并提供了团队建设建议。Nicole将在巴西软件实践与理论会议上发表主题演讲。

本文探讨了基于LSTM和大型语言模型的情感识别技术，提出了多模态人工智能系统，通过情感支持对话数据集和创新模型，提升了计算机对人类情感的理解与表达能力。研究表明，结合多模态信息和上下文的对话系统在情感识别方面表现优异，推动了情感计算的发展。

本文探讨了多模态情感计算，提出了一种基于注意力机制的分层架构，结合文本和音频数据进行情感识别。研究表明，该模型在准确性和鲁棒性上优于传统方法，并评估了情感计算技术面临的挑战与未来方向。通过整合多种输入，显著提升了情感识别能力，为人机交互等领域的应用提供了可能。

本文探讨了情感计算的多模态方法，包括基于注意力机制的情感识别模型和脑电情感识别网络。这些模型在情感和情绪识别方面表现优异，能够有效捕捉人类内部状态，为未来研究提供新的方向和技术基础。

该研究提出了一种基于Transformer的情感识别框架，结合脑电图（EEG）信号和面部表情分析，以提高情感计算的准确性。研究展示了在情感分类和行为分析中的优越性能，尤其在跨主题情绪识别任务中表现突出。

本研究提出了一种多模态深度学习模型，结合转换器编码器和预训练语言模型，能够准确预测大学生的情感状态。经过一年的纵向研究，该模型在预测积极和消极情感方面的准确率分别为82.50%和82.76%。模型的解释性增强了其有效性，对情感计算的应用具有重要启示。

本文介绍了多个动物面部数据集的开发，特别是猫脸和狗脸数据集，旨在推动动物情感计算和面部识别技术的进步。这些数据集为面部标志和情感分析提供了基础，促进了动物医疗保健和计算机视觉算法的发展。

本文研究了大型语言模型在各种语言相关任务上的表现，探索了 ChatGPT 在情感计算任务上的能力，能够执行有意义的情绪分析和对情况进行基本的评估引发情绪的操作。