在人工智能领域，准确捕捉人类复杂、瞬变的内在体验一直是核心挑战之一。情绪这一高度主观且难以量化的心理状态，其“真正发生在哪一刻”的问题，促使研究人员探索更精细化的数据标注和模型训练范式。
西北工业大学人工智能学院谢松云教授团队提出了一种基于即时回忆与情绪峰值定位的精细标注方法，并构建了峰值中心多模态情绪数据集FIRMED。该研究的理论基础来源于认知心理学中的“峰终定律”，这为后续的研究设计提供了关键的指导思路。
为了实现对情绪发生时刻的精确捕捉，团队提出了即时回放的细粒度情绪标注范式。在实际操作层面，研究人员并未简单地标记一个时间点，而是以参与者标记的情绪峰值中心为核心，向前和向后各提取2秒的时间跨度，从而形成了一个标准的4秒“情绪事件窗口”。
这一精细化的数据构建过程，极大地提升了标注的可靠性。在数据集的质量控制方面，团队进行了严格的复核工作：两名实验人员对随机抽取的150次实验记录进行了独立复核，结果显示，情绪类别标注的一致性达到了Cohen’s κ=0.96，并且时间标记的误差控制在了1秒以内，即97.7%的时间标记误差控制在1秒以内。
数据集构建完成后，研究进入了模型验证阶段。团队选取了8种具有代表性的算法进行实验测试，这些算法覆盖了从传统机器学习到循环神经网络、图神经网络等多个主流的深度学习和机器学习方法论。
初步的性能评估显示出显著的改进空间。在未采用峰值中心标注的情况下，模型的识别性能存在一定的局限性。然而，当引入峰值中心标注后，这8种模型识别性能均得到了提升，平均准确率从34.7%提高到了38.5%，实现了平均3.8个百分点的提升。
这一研究的意义在于，它提供了一种可量化、可复现的情绪事件边界定义方法。以往的研究可能侧重于情绪的分类或强度测量，而西北工业大学人工智能学院谢松云教授团队的工作则将焦点精确地锁定在了“发生时刻”本身，这为后续开发更具时序敏感性的情感AI系统奠定了基础。
从技术实现的角度看，这种基于时间窗口和峰值定位的标注方法，本质上是在提升模型对情绪信号的局部特征提取能力。它要求算法不仅要识别出“发生了什么情绪”，还要精确到“何时发生”。这代表了人机交互和情感计算领域的一个重要发展方向。
需要指出的是，目前公开资料仅描述了该数据集的构建流程和初步的模型性能提升情况，并未详述后续模型在更复杂、更大规模的情境下的泛化能力测试结果。因此，当前阶段的研究成果主要集中于方法论的建立和基线性能的验证。
信息来源
本文基于上述公开资料整理，未使用来源页面的图片、视频或嵌入媒体。