韩国与美国联合研究团队提出了一种利用人工智能自动测量劳动者情绪性工作负荷状态并进行实时监测的新方法。
KAIST表示，电算学部 Lee Uijin 教授研究团队与中央大学 Park Eunji 教授团队、美国阿克伦大学 James Diefendorff 教授团队共同组建跨学科研究团队，开发出一种能够实时估计劳动者情绪性工作负荷、从而预防精神与身体疾病的人工智能模型，并于11日对外公布。
（从左起）Professor Lee Uijin、博士研究生 Lee Duri、Professor Park Eunji、硕士研究生 Han Yunj o。KAIST提供
View original image从事咨询、银行业务等必须进行情绪劳动的岗位劳动者，经常面临需要表达与自己真实感受（厌恶）不同的情绪（愉快）的情况。长时间暴露在这种情绪性工作负荷之下的劳动者，不仅会出现精神、心理问题，还可能罹患心血管、消化系统疾病等身体疾病。因此，有必要对情绪劳动者的心理健康进行关注和疗愈。
研究团队通过本次研究，成功以87%的准确率区分出劳动者处于情绪性工作负荷状态与非负荷状态的情形。
这一成果的意义在于，不再依赖既有的问卷或访谈等主观自我报告方式，而是可以通过人工智能实时评估劳动者的情绪性工作负荷。同时，也有利于预防并有效管理劳动者的心理健康问题。
研究团队认为，该系统不仅可应用于呼叫中心，还可推广至所有需要应对客户的各类职业，有望为情绪劳动者的长期心理健康保护作出贡献。
以往研究大多集中在办公室内通过电脑处理文书工作的职场人士，主要关注其认知性工作负荷（处理信息和作出决策所需的精神努力）。除这些人群外，几乎没有针对直接面对客户的情绪劳动者工作负荷的估计研究。
情绪劳动者的情绪性工作负荷与雇主所要求的情绪表达规则密切相关。尤其在需要进行情绪劳动的情境中，劳动者必须压抑真实情绪、保持礼貌应对，因此其情绪或心理状态往往难以在表面上显露。
为测量这些劳动者的情绪性工作负荷而开发的既有“情绪检测”人工智能模型，由于一直以来是基于表情或声音中显性呈现的数据进行学习，对于那些压抑自身情绪、被要求礼貌应对的情绪劳动者，其内在的情绪性工作负荷几乎无法被有效测量。
为解决上述问题，研究团队首先以一线在职情绪劳动者为对象，构建了客户咨询数据集。通过构建能够充分反映现实情况的高质量咨询场景数据集，以便准确测量情绪劳动者的内在情绪性工作负荷。
为此，研究团队设计了呼叫中心客户应对情景，从31名咨询员处采集了语音、行为、生理信号等多模态传感器数据，并从客户与咨询员的语音数据中共提取了176项语音特征。
研究团队通过语音信号处理提取了时间、频率、音高等多种语音特征，以及能够根据情绪表达规则推断咨询员被压抑的情绪状态的生理信号特征，从而构建出可以测量情绪劳动者内在情绪性工作负荷的数据。但出于保护客户个人信息的考虑，并未使用对话内容本身。
随后，研究团队从皮肤电导（EDA，反映皮肤电学特性）中提取了13项特征，从脑电图（EEG，用于测量大脑电活动）中提取了20项特征，从心电图（ECG）中提取了7项特征，共计228项特征，并将其输入9种人工智能模型进行训练，开展性能比较评估。
结果显示，训练完成的人工智能模型能够区分咨询员处于情绪性工作负荷状态与非负荷状态（准确率87%）。
Lee Uijin 教授表示：“通过这项能够实时测量情绪性工作负荷的技术，有望改善情绪劳动的工作环境，保护劳动者的心理健康。我们计划将该技术与可管理情绪劳动者心理健康的手机应用程序相结合，开展实证研究。”
此外，本研究在科学技术信息通信部信息通信企划评价院信息通信技术融合产业创新技术开发项目的支持下完成。
版权所有 © 阿视亚经济 (www.asiae.co.kr)。 未经许可不得转载。
