情感表达的共同情感基础与面孔信任感外文翻译资料

情感表达的共同情感基础与面孔信任感

Nikolaas N. Oosterhof and Alexander Todorov

摘要 使用动态刺激范式，其中表面表达幸福或愤怒，作者测试了可信度感知与这些表达相关的假设。 虽然同样的情绪强度被添加到值得信赖和不值得信赖的面孔中，但表达幸福的值得信赖的面孔被 认为比不值得信赖的面孔更快乐，而表达愤怒的不值得信赖的面孔被认为是比值得信赖的面孔更 加愤怒。作者还在表达变化的同时操纵面部可信度的变化。尽管在表达的情绪的方向上的面部可 信度的转换(例如，从高到低的可信度和愤怒)增加了情感的感知强度，但是在相反方向上的转 换降低了该强度。例如，从高可信度到低可信度的变化增加了感知愤怒的强度，但降低了感知幸 福的强度。这些发现支持这样的假设:沿着可信度维度的变化对应于类似表达的微妙变化，表明 是否应该避免或接近表达情绪的人。

关键词:面孔知觉，情绪，过度泛化，可信度，动态刺激

准确的面部感知对于成功的社交互动至关重要。人们使用 面部动态变化来理解他人的心理状态和不变的面部特征以识 别其他人(Haxby，Hoffmanamp;Gobbini，2000)。人们还会 形成快速的特质印象，例如可靠性和面部表情的侵略性(Bar， Neta，amp;Linz，2006; Todorov，Pakrashi，amp;Oosterhof， inpress;Willisamp;Todorov，2006)。虽然这些印象不一定 准确，但它们会影响重要的社会结果。例如，美国黑人特征 的存在预示着刑事判决的决定(Blair，Judd，amp;Chapleau， 2004)，并且胜任的外表预示着选举的成功(Ballewamp; Todorov，2007; Todorov，Mandi-sodza，Goren，amp;Hall， 2005)。 虽然人们从情绪中立的面孔做出多重特质推论，但这些推 论彼此高度相关。例如，用于自发表征面部的特征维度判断 的主成分分析(PCA)表明，前两个主成分(PC)占判断方差 的80%以上(Oosterhofamp;Todorov，2008) 。第一台PC占方 差的60%以上，反映了价值的评价

面孔和第二台PC反映了他们的优势评价。1 换句话说，社会 维度上的面孔评价可以在一个简单的二维空间中描述。有趣 的是，在所有特质判断中，两种不同面孔(自然和计算机生 成)的PCA中，可信度判断与第一台PC的关系最高(rgt; .91)， 与第二台PC(lrl)几乎不相关lt;.06)。这些研究结果表明， 这些判断是对面部一般效价评估的极好近似(Todorov， 2008)。 面部价值评估的来源是什么?根据情绪过度概括假设 ( Knutson ， 1996; Mon-tepare amp; Dobish ， 2003; Todorov ， 2008; Zebrowitzamp;Montepare，2008)，中性面部与情绪表 达的相似性被认为表明与这些相关的特征属性或行为倾向。 情绪。例如，即使人们为中性表达姿势，他们的表达也可能 向他人传达特定的情绪状态(Malatesta，Fiore，amp;Messina， 1987)，这些状态可以归因于人格倾向。事实上，情绪中立 面孔的可信度判断与愤怒判断高度负相关，与面部幸福感判 断高度正相关(Todorovamp;Duchaine，2008; Winston， Strange，ODoherty，amp;Dolan，2002)，暗示这些判断是基 于微妙的面部线索，类似于表达是否应该避免这个人的表达 (愤怒，例如，Adams，Ambady，Macrae，amp;Kleck，2006; Marsh，Ambady，amp;Kleck，2005)或者可以接近(幸福) 。

最近，我们使用一个在多维空间中将人脸表示为点的统计模型，对可信度判断进行了建模，并获得了与这些判断基于线索信号处理/回避行为的假设相一致的证据(Oosterhofamp;Tdorov，2008)。具体来说，参与者被要求对情绪中立的、计算机生成的面孔做出可信的判断.在均值判断的基础上，我们在多维人脸空间(表示人脸形状的向量的线性组合)上建立了一个改变人脸可信度的维数最优模型。2随后的行为研究证实，可信度维生成的人脸判断与模型预测的可信度相对应。更重要的是，虽然该维度模型的输入是基于对情绪中立面孔的可信度判断，但在可信度维度的消极方向上夸大面孔增加了愤怒的归因，而在积极的方向上夸大面孔则增加了幸福的属性。例如，在一项研究中，参与者将面孔归类为中性或表达一种基本情绪，即显性分类，也是唯一种明显高于偶然性的分类，他们对消极方向上极端夸张的面孔(8 SD)和积极方向上极度夸张的面孔(8 SD)感到愤怒。面部最明显的变化是在眼睛和口腔区域。眉毛朝尺寸的负端移动，眉毛变得更or;形，嘴巴变得更形。相反，眉毛朝正面端移动，眉毛变得更and;形，嘴巴更形.眉毛和嘴巴形状的同时变化模仿了表达愤怒和快乐的动作单位(Ekmanamp;Friesen，1978)。

在这里，我们寻求更多的证据来支持这样一种假设，即可信度的每一个案例与愤怒和幸福的表达都是相关的。具体来说，我们测试了表示可信度的结构特征的变化是否会影响这些表达式的感知。我们使用了动态刺激范式(见图1)，在这种模式中，面部表情表达了快乐或愤怒，因为这种模式允许我们通过逐步将可信赖的面孔转变为不可信的面孔，从而在单一的试验中控制脸部的可信度，反之亦然。就信任度维度上的变化与面部结构的变化类似于愤怒和快乐的表情(例如，低到高的可信度将与愤怒至快乐相关)而言，可信度的变化应该调整-延迟对这些情绪的感知。为了检验这一假设，我们首先根据大量计算机生成的、情绪中立的面孔的可信度判断，选择了值得信赖和不值得信赖的面孔。然后，我们创建了一些动画，其中中性的面孔变成了笑脸或愤怒的面孔(图1a)。在基线条件下，同一张脸表达了一种情绪。与共同信号假说(Adamsamp;Kleck，2005)一致，该假设面部暗示与表情(例如，直接凝视和愤怒)相一致表达幸福的值得信赖的面孔应该被认为比不信任的人更幸福-你的脸表达着同样的情感。

更重要的是，正如我们上面所指出的，在计算机动画过程中，我们还操纵了面部可信度的变化(图1b)。在不协调的动画中，面部的信任度与情绪表达的变化同时发生变化。如果信任度维度上的变化与表达方式的变化有关，那么信任度在表达情绪方向上的变化会增加感知情绪的强度，而相反方向的转变则会降低这种强度。例如，当一张不值得信赖的脸变成一张值得信赖的脸时，与一张值得信赖的脸变成另一张值得信赖的脸相比，同样快乐的表情应该被认为更快乐。相反，当一张值得信赖的脸变成一张不值得信任的脸时，与不值得信任的脸变成另一张不值得信任的脸相比，同样的快乐表情应该被视为不那么幸福。为了排除这种影响可能仅仅是由于面部身份的改变所引起的附加运动，我们创建了一致的动画，其中面部的身份改变了，但可信度保持不变。

方法

被试 普林斯顿大学60名本科生的部分课程学分进行了研究。21人参加了一项关于可信赖和不可信面孔选择的研究，39人参加了动态刺激研究。

面部刺激

我们使用了由FaceGen Mod-eler程序版本3.1创建的计算机生成的人脸(单数反转，2006年；http：/www.facegen.com)。该程序使用基于三维激光扫描人脸的数据驱动统计模型(Blanzamp;Vetter，1999)，并允许生成新面孔。利用Oosterhof和Tdorov(2008)描述的程序，我们随机生成了96张情绪中立的白种人面孔，这些面孔没有被信任所操纵。这些面孔的等级从1(不可信)到8(可信赖)，(n =21，Cronbachlsquo;s alpha.78)。在96张面孔中，我们选择了5张低可信度和5张高度值得信赖的面孔来制作电脑动画。不信任的人和值得信赖的面孔的手段分别为3.33(SD =0.34)和5.12(SD= 0.36)。我们只使用男性面孔，因为秃顶男性的脸看起来比大胆的女性面孔更自然(见图1)。

动画由面部的51帧组成，使用Facegen中的自动程序创建。 Facegen支持在任何面部添加几种情绪表达，表达强度可以设 置在0%到100%之间。我们使用Facegen的Anger和SmileOpen (快乐)表达控件添加了表达式。每个动画都以第1帧的中性 面开始，在第51帧时，情感被线性地添加到25%或50%。因此， 有四种情绪条件:“弱快乐”(笑= 0 ... 25%) ，“中等 快乐”(笑= 0 ... 50%)，“弱愤怒”(愤怒= 0 ... 25%)，“中等愤怒”(愤怒= 0 ... 50%)。因为我们使用 了50%(而不是100%)的最大情绪强度 假设可信度的调节效应对于更微妙的情绪表达更强。

我们创建了三种类型的动画：相同的面孔，一致的信任-可信赖变形，和不一致的可信赖性变形(参见图1b中的例子)。在相同的面部动画中，一个表情被添加到一个人的脸上。我们创造了40个相同的面部动画(10张脸，2种情绪，2级情感力量)。变形动画是基于两个不同的面孔(一个开始脸和一个结束脸)，要么匹配，要么错配的信任。在动画过程中，目标人脸从开始到结束逐渐变形(100%开始脸到100%结束脸，每帧转换变化2%)，同时添加情感表情。开始面和结束面都可以是高可信度的，也可以是低可信度的，从而为变形动画提供了四个可信赖的条件。一致的变形动画对于开始和结束的面孔具有相同的可信度水平(从低到低和从高到高)，并用作控制面部身份变化对情绪感知的影响。不协调的变形动画对于开始和结束面有不同的可信度级别(从高到低，从低到高)。每一张脸随机与另外四张脸(两张高可信度和两张低可信度)配对，约束条件是每张脸作为起始面和结束面(即，在8种不同的动画中使用：4张作为起始面，4张用作结束面)。该程序生成了20对一致的人脸对(低10对，高可信度10对，每组10对，添加弱情绪5对，强情绪5对)和不协调对20对。每对都呈现出高兴和愤怒的表情，导致40个一致的和40个不一致的动画。

程序

实验范例在Java1.5中实现，并在标准PC机上运行。参与者被告知，他们会看到面部表情的动画，在这些动画中，每一张脸都会从中性转为高兴或愤怒，而且在某些试验中，面部本身可能会发生变化。他们被指示在动画的过程中判断最终的脸是多么的快乐或愤怒。首先，参与者做了一个练习试验来适应这个过程，然后对120个动画中的每一个进行评分。试验顺序为每个参与者随机。所有的刺激都出现在一个被灰色背景包围的黑色方形矩形(400像素)上。在每一次试验中，都会出现一个白色的固定十字架，持续1s，然后是面部表情动画2.04 s(每秒25帧)。3然后隐藏刺激(灰度屏幕)，参与者用连续滑块标出“非常高兴”(左)、“中性”(中间)，对情绪表情进行评分。和“非常生气”(右)。在分析中，量表被转换成100个单位，从50(非常愤怒)到0(中性)到50(非常高兴)不等。参加者没有受到任何时间限制。通过按下“Next”按钮，参与者继续进行下一次试验(见图1a)。总体设计是主题设计中的2(情绪：愤怒与快乐)2(情感力量：弱与中)2(端面可信度：可信赖与不可信)3(形态：相同的脸与一致的与不协调的)。

初步分析

毫不奇怪，2(情绪:愤怒与快乐)X 2(情绪强弱:弱与中 等)X 2(可信度:值得信赖与不值得信赖)X 3(变形:相同 面对全等与不一致)重复测量方差分析揭示了情绪的主要影响， F(1,38)= 335.82，p lt;.001，T2 = .90。尽管这种效应是通 过几种相互作用来限定的，但对于情感因素的每一个简单效果 (例如，在全等变形条件下具有弱幸福情绪的不值得信赖的面 孔与在一致变形条件下具有弱愤怒情绪的不可信赖面孔)，面 部增加了快乐情绪被认为比具有增加的愤怒情绪的面部显着更 快乐，t分(38)= 2.62，p lt;.012，t最大(38)= 22.55。这些 发现表明参与者可靠地识别出情绪
幸福和愤怒

在主要分析中，我们分别为具有增加的快乐情绪的面部分 析数据，并且由于对这些条件的特定预测以及限定主要效果 的重要相互作用而增加了愤怒的情绪。此外，为简单起见， 我们在情绪操纵的力量上崩溃。正如预期的那样，情绪强度 较高的人脸被认为表达了更强烈的特定情绪，F(1,38)= 331.33，p lt;.001，T2 = .90，情感强度的相互作用情绪的类 型。对情绪类型的四种组合进行单独分析X情绪强度表明反应 的模式是相同的，并且在所有情况下主要理论兴趣 - 可信度 X变形 - 的预测相互作用是显着的，T2 =。 52。

结果

如图2所示，可信面部(M = 15.4，SD = 6.0)的表达被 认为比不可信赖的面部表达更快乐(M = 3.3，SD = 4.5)，F(1,38)= 158.18，p lt;
.001，T2 = .81。当身份的转变涉及可信度的变化时，这 种差异得到了增强，如可信度和变形的显着相互作用所反 映的，F(1,38)= 114.80，p lt;.001，T2 = .75。当一个 不值得信任的面孔变成一个值得信赖的面孔时，同样幸福 的表情被认为比一个值得信赖的面孔变成另一个值得信赖 的面孔更快乐，t(38)= 6.55，p lt;.001，或者身份没有 变化面部，t(38)= 8.26，p lt;.001。同样地，当一个值 得信赖的面孔变成一个不值得信任的面孔时，同样幸福的 表情被认为不如不可信赖的面孔变成另一个不值得信任的 面孔时更快乐，t(38)= 10.89，p lt;.001，或者当没有 变化时在面部的身份，t(38)= 12.13，p lt;.001。

如图2所示，不可信赖的面部表达(M = -17.7，SD = 6.2)被认为是比可信赖面部(M = -0.4，SD = 4.9)， F(

剩余内容已隐藏，支付完成后下载完整资料

英语原文共 6 页，剩余内容已隐藏，支付完成后下载完整资料

资料编号：[277484]，资料为PDF文档或Word文档，PDF文档可免费转换为Word