人們會透過陌生人的臉孔特徵來形成社交印象，吸引力和可信度是關鍵。根據研究，臉孔的吸引力和可信度會隨著統計典型性增加而增加。這也解釋了對稱性在吸引力中的作用。大腦會專注於重要的臉部特徵，這解釋了社會心理學中的「平均性中的醜陋」效應。 PubMed DOI

研究發現使用大型語言模型（LLMs）控制機器人情感行為，預測並即時展示情緒，讓機器人展示一致面部表情，讓人覺得更像人類、情感適當，並留下正面印象。結果顯示LLMs能有效生成和控制機器人情感，可能增進治療、陪伴或客戶服務等情境下的人機互動。 PubMed DOI

這篇論文探討在自然環境中辨識面部表情的先進系統。它討論使用深度學習模型的用戶友好工具箱，以實現準確識別，儘管面臨著光線和頭部位置變化等挑戰。它還深入探討了多模態大型語言模型（MLLMs），這些模型可以通過考慮上下文因素來增強情緒分析，潛在地改變情緒研究和建模的方式。 PubMed DOI

大型語言模型可幫助機器人改進口語溝通，但在非語言溝通方面，尤其是面部表情，仍有落差。機器人在表達情感時難以使用面部動作，通常只能依賴聲音。挑戰在於製造複雜的面部表情，並在適當時機展現，才能顯得自然。解決之道是訓練機器人即時預測並模仿人類的面部表情，使互動更真實。研究指出，機器人能在人類微笑前毫秒預測並模仿，提升人機互動。 PubMed DOI

深度學習技術改善了腦電圖（EEG）信號的去噪，對醫學和腦部研究很重要。Retentive Network原本用於語言模型，現在用於EEG去噪，因為它特徵提取和建模能力強。結構與EEG信號特性吻合。將EEG信號轉為二維空間，增強去噪效果，也有助於理解大腦功能。提供標準化數據集，促進深度學習研究。 PubMed DOI

研究比較了真實影片、動態照片變形和 deepfakes 在情緒感知上的差異。參與者認為動態變形的表情最不明顯，而影片和 deepfakes 則相似。變形的快樂和悲傷被認為最不真實。相較之下，deepfakes 提供較標準化的刺激。使用 ChatGPT 分析，參與者認為動態變形最不自然。研究顯示，deepfakes 能有效模擬自然面部動作，有助於面部感知研究。 PubMed DOI

這項研究探討成年人在忽略一位講者的情況下，如何處理來自兩位不同講者的語音，並利用腦電圖（EEG）測量神經反應。研究重點在於語音的聲學特徵、單字頻率及單字的可預測性，後者是透過GPT-4估算的。結果顯示，英語母語者在分辨目標講者與干擾講者上表現較佳，而視覺任務能減少詞彙處理。當單字可預測性低時，聽眾更專注於聲學特徵，顯示語音感知涉及聽覺與詞彙處理的複雜互動，突顯在挑戰性聆聽環境中的適應性。 PubMed DOI

這項研究探討首次發作精神分裂症（FES）患者的語言異常與腦部語意網絡的關聯。研究者使用大型語言模型（BERT）分析FES患者的語音樣本，發現其語言表達的不可預測性較高。透過功能性磁共振成像（fMRI），研究顯示FES患者在下額回的自我抑制增加，而在後中顳回則減少，這影響了兩者之間的神經連結。研究建議，語言的無序可能源於語意網絡中興奮與抑制的失衡，並指出未來需進一步研究不同語言的情況。 PubMed DOI

這項初步研究探討個體在閱讀時如何處理語意，透過分析眼動和腦電圖（EEG）數據，並結合大型語言模型（LLMs）。研究聚焦於閱讀理解任務，參與者閱讀不同關鍵字相關性的單詞。研究結果顯示，與關鍵字相關的單詞獲得的眼動注視次數顯著高於低相關性單詞，達到60%以上的驗證準確率。這項研究對於理解人類認知及發展閱讀輔助技術具有重要意義。 PubMed DOI

這項研究探討了2023年3月版本的ChatGPT如何回應情感故事，並與人類的情感反應進行比較。三十四位參與者閱讀情感豐富的短篇故事並評估自己的情感反應，而ChatGPT則在十次會議中生成對同樣故事的回應。結果顯示，ChatGPT能識別和分類故事的情感內容，但預測人類情感反應的準確性不高，顯示出AI與人類在情感表達上的差異。了解這些差異對增進與AI的情感互動非常重要。 PubMed DOI