从技术角度来看，传统浅层特征方法（如支持向量机和随机森林）和深度神经网络模型（如LSTM和CNN）都已被采用（Khare等，2024；Pepa等，2023）。一个关键的重点是开发多模态系统，整合多种数据源，例如面部表情、语音语调、对话情绪和生理信号（Geetha等，2024）。多种信号可以聚合互补信息，利用各种测量技术的优势，提高系统的鲁棒性和准确性。
技术的有效性取决于用户；因此，除了开发方法外，促进专业人士和普通市民的采用也至关重要。除了技术进步，研究人员还探索了影响AI系统接受度和信任度的心理和社会因素，特别是在医疗和教育领域。研究表明，信任对于AI的采用至关重要，研究者们正在调查如何建立信任以及哪些系统属性能确保可信度（Li等，2024）。关键的信任因素包括可解释性、过程和数据使用的透明度以及AI开发机构的信誉。
本研究专题探讨了情感AI在医疗和教育中的新理论、方法和应用。已发表的作品涉及技术方面、模型以及AI的接受度和素养。Burgess等（2023）评估了用于父母-婴儿互动的自动面部编码软件，通过五项研究对父亲和母亲进行了评估。自动检测率较低（约25%），但在自然环境下的手动编码中，特别是对积极表情的成功检测，与手动评估高度相关。主要挑战包括光线不足、面部遮挡和快速移动，这突显了在现实世界条件下提高系统鲁棒性的必要性。尽管存在这些限制，该研究展示了自动系统在分析亲子互动中的真实情感表达方面的潜力。
Zhao等（2023）引入了一种创新的半监督学习方法，用于压力监测。他们使用来自14名参与者的生理数据，在五次实验中分别达到了77%的标签传播准确率和76%的深度自编码器准确率，尽管只使用了17%的标注数据。他们的方法在性能上与完全监督的方法相当，同时大幅减少了标注需求，为实际的医疗应用提供了连续压力监测的实用解决方案。
ÅŽvanut和MiheliÄ（2024）确定了老年人对家用社交机器人的四种不同态度：谨慎乐观者、怀疑传统主义者、积极乐观者和技术爱好者。通过对24名参与者的访谈，他们强调了技术熟悉度、隐私担忧和感知效用等因素对AI接受度的影响。他们的发现为设计满足不同用户需求和关切的情感智能机器人助手提供了宝贵的见解。
Shen和Cui（2024）调查了心理需求满足与AI素养之间的关系，涉及445名大学生。他们的研究发现，技术和教师支持对学生的自主性和能力产生了积极影响，进而提高了AI素养。值得注意的是，满足心理需求比直接支持更能有效提升AI素养。这些见解为设计增强学习和参与度的AI增强教育环境提供了宝贵的指导。
Gong等（2024）在五项研究中考察了患者对AI驱动的静脉输液服务的信任度。他们发现，患者普遍对AI PIVAS的信任度低于人工服务，主要是由于对AI系统的主观理解有限。然而，知情同意显著提高了患者的信任度，通过增强患者的理解。这项研究强调了透明沟通和心理因素在医疗领域采用AI的关键作用。
本研究专题的文章推进了分析真实世界数据集的方法，探讨了如何有效地将情感AI整合到医疗和教育中，解决了与信任、隐私和用户接受度相关的挑战。尽管情感AI显示出巨大潜力，但其在这些领域的应用引发了技术和伦理问题，包括数据隐私、监控和个人信息的潜在滥用。临床应用还受到小样本量、缺乏对照组、有限的真实世界测试和方法学差异的限制，这些因素阻碍了结果的可重复性和可靠性（Pepa等，2023）。这些研究通过开发针对有限和噪声标注数据的新模型训练方法，以及识别影响AI接受度和信任度的因素，来应对这些挑战。
未来的研究应优先提高在自然环境中情感识别的鲁棒性，开发减少对标注数据依赖的有效学习方法，并解决伦理考虑，以支持用户对AI的接受。跨文化验证和长期真实世界应用评估至关重要。最近的生成式AI（GenAI）基础模型，如GPT-4，因其多功能性在推进情感AI方面具有巨大潜力（Cheng等，2023）。GenAI在识别情感指标方面已经显示出前景（Elyoseph等，2024），有助于缓解阻碍专门模型开发的数据稀缺问题。此外，对群体和人群的情感分析越来越感兴趣，拓宽了这一领域的范围（Veltmeijer等，2023；Li等，2024）。
(全文结束)
