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。研究提出了一种新模型，系统性地考虑数据质量与上下文，为改善数据收集和分析提供指导，推动情感计算领域对不确定性与上下文的理解。

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。

本研究解决了情感计算数据集中情感与人格特征分离标注的问题，构建了中文多标签情感计算数据集，为机器识别复杂人类情感奠定基础。

本文介绍了通过时间序列建模和数据集采集建立的动态情感刺激模型，并推出了斯坦福情感叙述数据集（SENDv1），该数据集包含多模态视频，标注情感随时间变化，为情感计算提供了挑战，并展示了良好表现。

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。