维度情绪模型

基本情绪论（basic emotion theory）主张存在一组数量有限、彼此离散且可区分的「基本情绪」，如快乐、悲伤、愤怒、恐惧、厌恶、惊讶等；每种基本情绪被视为具有独特的体验品质、典型的面部表情与生理反应模式，因而情绪空间被刻画为若干互不重叠的类别，而非连续维度上的坐标点。^{66정서의 심리적 모델: 개별 정서 모델, 평가 모델, 차원 모델을 중심으로 -대한인간공학회지 | Korea Sciencekoreascience.kr前往参考资料 ↓在新标签页中打开}

在基本情绪论中，基本情绪被赋予「离散类别」的本体地位：情绪被当作一个个可以命名的状态，跨文化可识别、具有进化上的适应功能；这一取向与把情绪视为在效价、唤醒度等连续轴上分布的做法构成方法论上的分野，后者正是维度情绪模型的出发点。^{66정서의 심리적 모델: 개별 정서 모델, 평가 모델, 차원 모델을 중심으로 -대한인간공학회지 | Korea Sciencekoreascience.kr前往参考资料 ↓在新标签页中打开}

基本情绪论在方法论上依赖「命名—分类」范式：通过让被试对情绪刺激进行标签选择、面部表情识别或跨文化匹配来判断情绪类别是否成立；这一范式与维度模型常用的多维评定（在效价、唤醒度等轴上打分）形成对照，也直接影响后续测量与标注方法的选择。^{66정서의 심리적 모델: 개별 정서 모델, 평가 모델, 차원 모델을 중심으로 -대한인간공학회지 | Korea Sciencekoreascience.kr前往参考资料 ↓在新标签页中打开}

基本情绪论对情感计算早期实践影响深远：由于离散标签便于标注与分类，许多情绪识别数据集与分类器以若干基本情绪类别作为输出空间；而维度模型则提供了连续、可排序的输出表示，两者在在情感计算中的应用中常被并置或组合使用。^{66정서의 심리적 모델: 개별 정서 모델, 평가 모델, 차원 모델을 중심으로 -대한인간공학회지 | Korea Sciencekoreascience.kr前往参考资料 ↓在新标签页中打开}

维度取向的心理学根源可追溯到冯特（Wilhelm Wundt）提出的情绪三维说：他把情绪体验分析为愉快—不愉快、紧张—松弛、兴奋—沉静三个维度，这是最早以连续维度而非离散类别刻画情绪的系统尝试之一。^{77Wilhelm Wundt and the three-dimensional theory of feelingpsycnet.apa.org前往参考资料 ↓在新标签页中打开}

20 世纪 50 年代，施洛伯格（Harold Schlosberg）在研究面部表情与情绪判断时提出，情绪体验可以沿愉快—不愉快与注意—拒绝两个连续轴排列，并随后加入激活水平（level of activation）构成三维描述，这被视为把维度观引入表情实证研究的关键一步。^{88Schlosberg's three-dimensional theory of emotionpsycnet.apa.org前往参考资料 ↓在新标签页中打开}

1954 年，奥斯古德（Charles E. Osgood）等人以语义差异法（semantic differential）对大量概念做因子分析，稳定提取出评价（evaluation）、 potency（力量）与 activity（活动）三个因子，即所谓 EPA 结构；这一发现为后来效价、唤醒度、支配度三分法提供了方法论与实证基础。^{99The Measurement of Meaningpress.uillinois.edu前往参考资料 ↓在新标签页中打开}

1980 年，拉塞尔（James A. Russell）提出情绪的环形模型（circumplex model），用效价与唤醒度两个正交维度把情绪词排布在一个圆周上，相邻情绪相似、相对情绪相反；该模型成为维度取向最具影响力的代表之一。^{1010A circumplex model of affectpsycnet.apa.org前往参考资料 ↓在新标签页中打开}

1989 年，拉塞尔与巴雷特（Lisa Feldman Barrett）进一步把环形模型用于解释情绪的面部表情与情绪词判断，主张情绪体验的差异主要沿效价与唤醒度两个维度展开，而非由若干基本情绪类别构成。^{1111The structure of current affect: Controversies and emerging consensusjournals.sagepub.com前往参考资料 ↓在新标签页中打开}

在情感计算领域，维度取向的兴起与 1995 年皮卡德（Rosalind W. Picard）提出「 affective computing 」密切相关：连续维度表示便于用回归与连续预测建模情绪，比离散类别更适合处理情绪的强度与混合状态。^{1313Affective Computingmitpress.mit.edu前往参考资料 ↓在新标签页中打开}

进入 2010 年代，维度标注被大规模语料采用：SemEval-2007 任务 14 与后续的 WASSA 系列共享任务均以效价—唤醒度（部分含支配度）连续值标注文本情绪，推动了维度取向在自然语言处理中的普及。^{1414SemEval-2007 Task 14: Affective Textaclanthology.org前往参考资料 ↓在新标签页中打开}

维度取向的兴起并未取代离散模型，而是与之形成互补：离散类别便于沟通与临床使用，连续维度便于测量强度、刻画混合情绪并支持跨模态回归建模，两者在当代研究中常被联合使用。^{1515A review of emotion recognition: From discrete to dimensional modelsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

效价（Valence）是维度情绪模型中最基础的一个轴，用来刻画情绪体验的「正负方向」：一端是愉悦、积极的状态，另一端是不悦、消极的状态。它与唤醒度（arousal）一起构成二维效价—唤醒空间，是情感计算中最常用的情绪表示方式之一。^{1616Adaptive Emotion Detection Using the Valence-Arousal-Dominance Model and EEG Brain Rhythmic Activity Changes in Relevant Brain Lobesieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|1717A Comprehensive Study of Human Factors, Sensory Principles, and Commercial Solutions for Future Human-Centered Working Operations in Industry 5.0ieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

在效价—唤醒—支配度（VAD）三维框架中，效价与唤醒度、支配度并列，三者共同张成一个连续的情绪空间；研究者常把效价与唤醒度组成的平面作为主平面，把支配度作为附加的第三维来区分「谁在掌控」这一层信息。^{1616Adaptive Emotion Detection Using the Valence-Arousal-Dominance Model and EEG Brain Rhythmic Activity Changes in Relevant Brain Lobesieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

效价维度在生理信号研究中被反复操作化：例如在基于脑电（EEG）的情绪识别工作中，研究者把脑电节律活动与效价、唤醒度、支配度等维度对应起来，用脑波特征变化来推断被试在效价轴上的位置。^{1616Adaptive Emotion Detection Using the Valence-Arousal-Dominance Model and EEG Brain Rhythmic Activity Changes in Relevant Brain Lobesieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|1717A Comprehensive Study of Human Factors, Sensory Principles, and Commercial Solutions for Future Human-Centered Working Operations in Industry 5.0ieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

有综述性工作指出，α 波等脑电节律与愉悦（效价）以及放松状态存在关联，这类「脑波—心理状态」的对应关系被用来支撑效价维度在生理层面的可测量性。^{1717A Comprehensive Study of Human Factors, Sensory Principles, and Commercial Solutions for Future Human-Centered Working Operations in Industry 5.0ieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

在维度情绪模型中，唤醒度（Arousal，又译激活度）指与情绪状态相联系的机体能量的激活程度，反映主体的神经生理激活水平与警觉性，其两极是「激活—未激活」（arousal–nonarousal），与效价（愉悦度）相互独立地构成二维平面。^{22图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

唤醒度与效价并列的二维框架可追溯到 Mehrabian 与 Russell 1974 年提出的 PAD 三维情感模型：P 为愉悦度（Pleasure–Displeasure）、A 为激活度（Arousal–Nonarousal）、D 为优势度（Dominance–Submissiveness），三者分别刻画情感的正负性、生理激活水平与对情境的控制感。^{22图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

在 PAD 三者的分工中，愉悦度体现情感的本质（积极或消极、喜欢或不喜欢），激活度对应机体能量的唤醒与警觉程度，优势度则区分情绪由个体主观发出还是受客观环境影响产生——唤醒度因此承担「强度/能量」而非「方向」的角色。^{22图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

唤醒度并非只停留在主观体验层面：PAD 三维与情绪的外部表现及生理唤醒有较好的映射关系，Mehrabian 等人曾用这三个维度解释其他 42 种情感量表中的绝大部分变异，这也是 PAD 被视为情感计算研究基础之一的原因。^{22图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

在情感计算实践中，效价—唤醒度—优势度（VAD）常被当作三维连续空间使用：研究者把每个维度离散成若干等级，并用映射函数把（效价, 唤醒度）平面上的点与特定等级的情绪状态对应起来，从而把连续维度转化为可计算、可分类的情绪表示。^{1616Adaptive Emotion Detection Using the Valence-Arousal-Dominance Model and EEG Brain Rhythmic Activity Changes in Relevant Brain Lobesieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

唤醒度在跨模态测量上存在固有难点：它主要对应自主神经与皮层激活水平，皮肤电、心率等外周指标与主观报告之间常出现分离，因此同一刺激在不同被试身上可能得到不同的唤醒度评分，这也是维度模型在标注环节被批评的原因之一。^{22图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

支配度（Dominance，常缩写为 D）是 PAD 三维情感模型中的第三个维度，与愉悦度（Pleasure）、激活度（Arousal）并列；它表示主体对情境和他人的控制状态，即个体在某一情感状态下感到自己处于支配地位还是被支配地位。^{22图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

在语义上，支配度刻画的是「控制力与影响力」：一端是自主、掌控、有影响力（dominance），另一端是顺从、被控制、受环境左右（submissiveness）。它区分的是情感状态由个体主观发出还是由客观环境引发，因此与单纯的正负性和唤醒水平在概念上相互独立。^{22图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

PAD 三维模型由 Mehrabian 与 Russell 于 1974 年提出，其前身可追溯到冯特（Wundt）关于情绪维度的观点；Mehrabian 等人报告称，用 P、A、D 三个维度可以解释其他 42 种情感量表中的绝大部分变异，且这三个维度与情感的外部表现、生理唤醒存在较好的映射关系。^{22图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

在情感计算与情感标注实践中，支配度常被用于区分「愤怒」（高效价负性、高唤醒、高支配）与「恐惧」（负性、高唤醒、低支配）这类在二维平面上几乎重合的情绪状态，因此 PAD 三维标注被用作情感计算研究的基础表示之一。^{22图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

与效价和唤醒度相比，支配度在自动情感识别中的使用频率明显偏低：多数语音、文本与生理信号情感语料只标注效价与唤醒度，支配度标注语料规模较小，导致基于支配度的模型验证相对有限。^{22图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

PAD 三维情感模型由 Mehrabian 与 Russell 于 1974 年提出，是一种维度化的情感测量模型，主张用三个正交维度刻画情感状态，而非把情感划分为若干离散类别。^{22图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|11[科普中国]-情感三维理论- · 科普中国网kepuchina.cn前往参考资料 ↓在新标签页中打开}

PAD 的三个维度分别是：P 愉悦度（Pleasure–Displeasure），表示情感状态的正负性，即积极或消极、喜欢或不喜欢的程度；A 激活度（Arousal–Nonarousal），表示神经生理激活水平与警觉性，与情感状态相联系的机体能量激活程度有关；D 优势度（Dominance–Submissiveness），表示主体对情境和他人的控制力与影响力，用以区分情感是由个体主观发出还是受客观环境影响产生。^{22图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|11[科普中国]-情感三维理论- · 科普中国网kepuchina.cn前往参考资料 ↓在新标签页中打开}

在 PAD 框架中，愉悦度被视为体现情感本质的维度，优势度则主要刻画个体对自身情感状态的主观控制程度，这一分工使三维模型不仅能描述情感体验的效价方向，还能区分同一效价下控制感不同的状态。^{22图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|11[科普中国]-情感三维理论- · 科普中国网kepuchina.cn前往参考资料 ↓在新标签页中打开}

Mehrabian 等人报告，用 P、A、D 三个维度可以解释其他 42 种情感量表中的绝大部分变异，且这三个维度并不限于描述情感的主观体验，与情感的外部表现和生理唤醒也有较好的映射关系。^{22图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|11[科普中国]-情感三维理论- · 科普中国网kepuchina.cn前往参考资料 ↓在新标签页中打开}

PAD 模型被描述为可以充分表达和量化人类情绪与情感，并被视为情感计算研究的基础之一，这一定位使其成为从离散情绪标签转向连续维度表示的重要理论依据。^{22图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|11[科普中国]-情感三维理论- · 科普中国网kepuchina.cn前往参考资料 ↓在新标签页中打开}

PAD 的思想可追溯到更早的维度传统：冯特提出情绪可由愉快—不愉快、激动—平静、紧张—松弛三个维度组成，每种具体情绪分布在三个维度两极之间的不同位置上，为后来的三维模式奠定了基础；Osgood 的情绪体验评价研究也提出评价、力度、活跃性三个评价维度。^{22图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|11[科普中国]-情感三维理论- · 科普中国网kepuchina.cn前往参考资料 ↓在新标签页中打开}

PAD 与 离散情绪模型 并非互斥：维度模型给出连续坐标，离散类别可视为该坐标空间中的特定区域或原型点，二者在测量层面常被结合使用，例如先用维度量表打分再映射到基本情绪标签。^{22图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|11[科普中国]-情感三维理论- · 科普中国网kepuchina.cn前往参考资料 ↓在新标签页中打开}

Russell 于 1980 年在《人格与社会心理学杂志》发表《A circumplex model of affect》，提出情绪体验可以用一个二维环形空间来表征：各种情绪概念按系统性的顺序落在一个圆周上，而不是彼此独立地沿若干维度变化。^{1818APA PsycNETpsycnet.apa.org前往参考资料 ↓在新标签页中打开}

在该环形模型中，圆周上的排列顺序（以角度表示）为：愉悦 pleasure（0°）、兴奋 excitement（45°）、唤醒 arousal（90°）、痛苦 distress（135°）、不悦 displeasure（180°）、抑郁 depression（225°）、困倦 sleepiness（270°）、放松 relaxation（315°）。^{1818APA PsycNETpsycnet.apa.org前往参考资料 ↓在新标签页中打开}

Russell 的模型是作为「心理学家如何表征情感体验结构」的一种空间表示而提出的，其数据基础是自我报告（self-report）所评估的情感体验，而非生理或行为测量。^{1818APA PsycNETpsycnet.apa.org前往参考资料 ↓在新标签页中打开}

该模型的方法论出发点是：因素分析证据通常让心理学家把情感描述为若干彼此独立变化的维度（如不悦、痛苦、抑郁、兴奋等），但 Russell 指出另有证据表明这些维度并非独立，而是以高度系统化的方式相互关联，因而可以用圆周上的空间模型来统一表示。^{1818APA PsycNETpsycnet.apa.org前往参考资料 ↓在新标签页中打开}

环形模型的两个主轴通常被解读为效价（pleasure–displeasure，即愉悦—不悦）与唤醒（arousal，即激活程度），二者近似正交，圆周上的其余情绪标签可视为这两个轴的混合；这一「效价 × 唤醒」的二维读法后来成为 维度情绪模型 中最常被引用的坐标框架。^{1818APA PsycNETpsycnet.apa.org前往参考资料 ↓在新标签页中打开}

Mehrabian 与 Russell 在 1974 年提出的 PAD（Pleasure–Arousal–Dominance，愉悦—唤醒—支配）模型，是在效价与唤醒度两维之外最早系统引入第三维「支配度」的维度情绪模型之一；该模型把情绪状态刻画为三维空间中的一点，并用于环境心理学与消费情境下的情绪测量。^{1919An Approach to Environmental Psychologymitpress.mit.edu前往参考资料 ↓在新标签页中打开}

Russell 与 Mehrabian 于 1977 年发表《Evidence for a three-factor theory of emotions》，为情绪的三因素（愉悦度、唤醒度、支配度）结构提供了实证支持，是 PAD 模型常被引用的经验依据。^{2020Evidence for a three-factor theory of emotionsdoi.org前往参考资料 ↓在新标签页中打开}

Bradley 与 Lang 提出的 SAM（Self-Assessment Manikin，自我评估人形）用图形化小人量表分别测量效价、唤醒度与支配度三个维度，是维度情绪模型在自评测量中最常用的工具之一，并被广泛用于 IAPS 等情绪图片库的常模标注。^{2121Measuring emotion: The Self-Assessment Manikin and the Semantic Differentialdoi.org前往参考资料 ↓在新标签页中打开}

Fontaine 等（2005）基于跨语言词汇研究提出，情绪词的心理空间除效价与唤醒度外，还稳定出现「支配度」与「不可预测性/意外性」两个维度，支持把维度模型从二维扩展到四维。^{2424The world of emotions is not two-dimensionaldoi.org前往参考资料 ↓在新标签页中打开}

日内瓦情绪量表（Geneva Emotion Wheel, GEW）以效价与唤醒度为两轴组织情绪词，并附加「控制/支配」与「确定性」等评价维度，可视为维度模型在测量工具层面的扩展实践。^{2222The Geneva Emotion Wheel: A tool for the assessment of emotional experiencedoi.org前往参考资料 ↓在新标签页中打开}

在连续维度标注语料中，部分数据集（如基于 SAM 标注的媒体情绪语料）同时提供效价、唤醒度与支配度三个连续评分，使研究者可以在三维空间中比较不同模型；但不同语料库的维度定义与量表刻度并不完全可比，跨库合并需谨慎。^{2121Measuring emotion: The Self-Assessment Manikin and the Semantic Differentialdoi.org前往参考资料 ↓在新标签页中打开|2222The Geneva Emotion Wheel: A tool for the assessment of emotional experiencedoi.org前往参考资料 ↓在新标签页中打开}

离散情绪模型与维度情绪模型长期被视为两种互不兼容的表征范式：前者用「喜悦」「悲伤」「愤怒」等类别标签描述情绪，后者把情感刻画为连续多维空间中的一个点；这种不兼容性阻碍了不同标注体系数据集的合并使用，成为训练稳健机器学习模型的一个瓶颈。^{2525A Proxy-Based Method for Mapping Discrete Emotions onto VAD modelar5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开|2626A Proxy-Based Method for Mapping Discrete Emotions onto VAD Modelieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

在维度模型中，效价—唤醒度—支配度（VAD）模型是最常被用作离散情绪映射目标的框架之一，它分别刻画情绪状态的愉悦程度、强度与控制感；离散标签的优势在于生态效度高、便于人类报告，而 VAD 的优势在于提供细粒度、可量化的表征，便于计算处理。^{2626A Proxy-Based Method for Mapping Discrete Emotions onto VAD Modelieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

离散情绪到维度空间的映射并非只有一条技术路线：既有直接映射（为每个离散类别指定固定的 VAD 坐标或区域），也有纯计算式的回归/分类模型，还有借助人类被试生成几何代理（proxy）的间接映射方法；不同路线在是否保留类别内部变异、是否依赖被试先验上存在取舍。^{2525A Proxy-Based Method for Mapping Discrete Emotions onto VAD modelar5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开|2626A Proxy-Based Method for Mapping Discrete Emotions onto VAD Modelieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

数据驱动方法已被用于把离散标签语料转换为维度值：例如在情感语音领域，Trnka 等人使用 X-vector 表征训练机器学习模型，直接从带有类别标签的语音样本的声学特征预测维度数值，说明「以离散标注数据训练、输出维度坐标」的映射在实践中可行。^{2525A Proxy-Based Method for Mapping Discrete Emotions onto VAD modelar5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

映射方法的评价目前缺乏统一基准：不同工作使用不同的离散情绪集合、不同的 VAD 量表与不同的被试群体，导致映射结果之间难以直接比较，这也是该方向被视为「持续性挑战」的原因之一。^{2525A Proxy-Based Method for Mapping Discrete Emotions onto VAD modelar5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

在音乐情绪研究中，维度模型与离散模型之争的核心并不在于哪一方「正确」，而在于哪种表征方式更适合具体的研究问题：维度模型（尤其是效价—唤醒度二维空间）擅长刻画情绪的连续强度与细微渐变，离散模型（基本情绪类别）擅长给出可直接解释、可跨被试汇总的类别标签。^{2727A comparison of dimensional and discrete models for the representation of perceived and induced affect in response to short musical soundspubmed.ncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

当研究关注的是「感知情绪」（perceived affect，听者判断刺激表达了什么）而非「诱发情绪」（induced affect，听者自身被唤起了什么）时，两类模型的拟合表现会出现系统性差异，因此模型选择需要与所测量的情绪构念对齐，而不能默认二者可互换。^{2727A comparison of dimensional and discrete models for the representation of perceived and induced affect in response to short musical soundspubmed.ncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

在刺激持续时间很短（如数秒级的短音乐片段）且被试报告维度有限的情境下，维度评分与离散类别标签各自捕捉到情绪反应的不同侧面，单一模型难以同时覆盖连续变化与类别边界，这构成两类模型互补而非替代的实证依据。^{2727A comparison of dimensional and discrete models for the representation of perceived and induced affect in response to short musical soundspubmed.ncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

两类模型的选择还受标注成本与任务粒度约束：离散标注通常要求标注者在有限类别中做单选，任务简单但丢失强度信息；维度标注要求标注者在连续量表上定位，信息更丰富但对标注者训练与量表设计更敏感。^{2727A comparison of dimensional and discrete models for the representation of perceived and induced affect in response to short musical soundspubmed.ncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

自我评估模型（Self-Assessment Manikin，SAM）由 Lang 于 1980 年提出，是一种非言语的图形化自评工具：每个维度用一排 5 个人形图（manikin）表示，被试在 9 点量表上勾选位置，分别评定效价（愉悦—不愉悦）、唤醒度（平静—激动）与支配度（受控—掌控）。^{2828Self-Assessment Manikin (SAM) — 词条与原始文献索引en.wikipedia.org前往参考资料 ↓在新标签页中打开|2121Measuring emotion: The Self-Assessment Manikin and the Semantic Differentialdoi.org前往参考资料 ↓在新标签页中打开}

SAM 的图形化设计使其不依赖文字理解，因而可用于儿童、跨语言被试以及阅读能力受限的人群；Bradley 与 Lang 在 1994 年的技术报告中给出了完整的指导语、计分方式与常模数据，该报告至今仍是 SAM 使用的事实标准。^{2121Measuring emotion: The Self-Assessment Manikin and the Semantic Differentialdoi.org前往参考资料 ↓在新标签页中打开}

在 SAM 中，效价维度通常从左端的「不愉悦」到右端的「愉悦」，唤醒度从「平静/低唤醒」到「激动/高唤醒」，支配度从「被控制」到「处于控制地位」；三个维度各自独立计分，不合并为单一总分。^{2828Self-Assessment Manikin (SAM) — 词条与原始文献索引en.wikipedia.org前往参考资料 ↓在新标签页中打开|2121Measuring emotion: The Self-Assessment Manikin and the Semantic Differentialdoi.org前往参考资料 ↓在新标签页中打开}

除 SAM 外，常用的维度情绪自评工具还包括：用于效价与唤醒二维评定的 9 点「 Affect Grid 」（Russell, Weiss & Mendelsohn, 1989），以及后来被广泛用于情感计算数据集的 7 点或 9 点效价—唤醒—支配度 Likert 量表；不同研究采用的量表点数、锚点措辞与呈现媒介（纸笔、网页、移动端）并不统一。^{2929The Affect Grid: A single-item scale of pleasure and arousaldoi.org前往参考资料 ↓在新标签页中打开|3030A survey of affective computing: Emotion models, databases, and recent advancesdoi.org前往参考资料 ↓在新标签页中打开}

在情感计算与情感标注实践中，维度标注通常要求多名标注者对同一刺激（图像、文本、视频、音频）在效价、唤醒度（有时加支配度）上打分，再以均值作为金标准、以标注者间一致性（如 Cronbach's α、ICC 或平均成对相关）作为质量指标；这与离散情绪标注中常用的多数投票/Fleiss κ 流程不同。^{3030A survey of affective computing: Emotion models, databases, and recent advancesdoi.org前往参考资料 ↓在新标签页中打开}

自评量表存在固有的方法学局限：评分受被试当前心境、文化背景、刺激呈现顺序与量表锚点解释的影响；效价评定的一致性通常高于唤醒度与支配度，后两者的标注者间一致性往往偏低。^{2929The Affect Grid: A single-item scale of pleasure and arousaldoi.org前往参考资料 ↓在新标签页中打开}

在众包与大规模标注中，维度自评常与生理信号（皮电、心率、面部肌电）或行为信号联合采集，以缓解纯主观报告的偏差；但主观自评仍被视为效价标签的主要来源，因为生理信号与效价之间的映射并不唯一。^{3030A survey of affective computing: Emotion models, databases, and recent advancesdoi.org前往参考资料 ↓在新标签页中打开}

连续时间标注（continuous-time annotation）指标注者沿时间轴对刺激（视频、音频、对话等）逐时刻给出效价、唤醒度等维度评分，产出与原始信号时间对齐的连续轨迹，而非对整段刺激给一个单一标签。它是维度情绪模型在数据层面区别于离散标签标注的核心方法之一。^{3131The HUMAINE Database: Addressing the Collection and Annotation of Naturalistic and Induced Emotional Datalink.springer.com前往参考资料 ↓在新标签页中打开|3232A Review of Emotion Recognition Using Physiological Signalsmdpi.com前往参考资料 ↓在新标签页中打开}

在连续时间标注中，效价与唤醒度通常被表示为两条独立的时间序列，标注者通过移动滑块或操纵杆实时报告当前感受；由于人的报告存在反应延迟，多数工具会要求标注者在观看后回放并修正轨迹，或引入延迟补偿。^{3131The HUMAINE Database: Addressing the Collection and Annotation of Naturalistic and Induced Emotional Datalink.springer.com前往参考资料 ↓在新标签页中打开}

RECOLA 语料库是连续时间标注的代表性资源：它对法语母语者的远程协作对话录制了音频、视频与生理信号，并由多名标注者以连续方式对效价与唤醒度进行逐帧评分，常用于多模态情感分析的基准评测。^{3333Introducing the RECOLA Multimodal Corpus of Remote Collaborative and Affective Interactionsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

连续时间标注的一个关键方法学问题是标注者间一致性：由于逐时刻评分噪声大，研究通常采用组内相关系数（ICC）、一致性相关系数（CCC）或按时间窗平滑后再计算相关性来评估信度，而非直接对原始轨迹求简单相关。^{3333Introducing the RECOLA Multimodal Corpus of Remote Collaborative and Affective Interactionsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|3434Continuous Emotion Recognition: A Surveyieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

连续时间标注的标注成本高、耗时长，且标注者的主观报告本身受注意力波动与反应延迟影响，因此大规模连续标注语料的规模通常远小于离散标签数据集，这限制了基于连续标注训练深度模型的规模。^{3232A Review of Emotion Recognition Using Physiological Signalsmdpi.com前往参考资料 ↓在新标签页中打开|3333Introducing the RECOLA Multimodal Corpus of Remote Collaborative and Affective Interactionsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

维度情绪标注通常要求多名标注者对同一刺激独立打分，再以一致性指标（如组内相关系数 ICC、Krippendorff's α、Pearson/Spearman 相关）衡量标注质量；在情感计算数据集构建中，双人独立标注加分歧仲裁是常见流程。以维度方面级情感分析数据集 DimABSA 为例，其标注指南要求每句由两名标注者独立标注，两人一致时元组才被接受，不一致时进入仲裁环节。^{3636DimABSA: Building Multilingual and Multidomain Datasets for Dimensional Aspect-Based Sentiment Analysisar5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

维度情绪标注的一致性还受标注粒度影响：在连续量表上直接给出效价/唤醒度数值，比在离散等级（如 1–9 的 SAM 量表）上打分更难达成高一致性；因此不少数据集采用离散等级或分档标注以提升标注者间信度。^{3636DimABSA: Building Multilingual and Multidomain Datasets for Dimensional Aspect-Based Sentiment Analysisar5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

在方面级维度情感标注中，标注者一致性不仅涉及情感分数，还涉及情感目标（aspect）的边界定位；DimABSA 的标注指南要求精确的跨度匹配（exact span matching），因此一致性评估需同时覆盖元组抽取的正确性与维度分数的接近程度。^{3636DimABSA: Building Multilingual and Multidomain Datasets for Dimensional Aspect-Based Sentiment Analysisar5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

语音情感回归（speech emotion regression）是维度情绪模型在情感计算中最直接的应用形态：系统不输出离散类别标签，而是对每一段语音估计效价、唤醒度（有时还包括支配度）的连续取值，因而本质上是一个多维回归问题而非分类问题。^{3737The dimensional approach to emotion: valence, arousal and dominanceen.wikipedia.org前往参考资料 ↓在新标签页中打开|3838Speech emotion recognition: a surveyarxiv.org前往参考资料 ↓在新标签页中打开}

在语音情感回归的早期工作中， Grimm 等人提出的效价–唤醒度二维语音情感回归是一个常被引用的起点：他们用韵律与频谱特征对自然语音做连续维度标注与回归预测，并报告唤醒度的可预测性明显高于效价。^{3939Emotion recognition from natural speech: a dimensional approachsciencedirect.com前往参考资料 ↓在新标签页中打开}

唤醒度比效价更容易从声学信号中回归，是语音情感回归领域反复出现的经验结论：能量、基频、语速等韵律线索与唤醒度强相关，而效价的声学线索更依赖语义与上下文，单靠声学特征难以稳定预测。^{3939Emotion recognition from natural speech: a dimensional approachsciencedirect.com前往参考资料 ↓在新标签页中打开|4040A review of emotion recognition using physiological and acoustic signalsasp-eurasipjournals.springeropen.com前往参考资料 ↓在新标签页中打开}

AVEC（Audio/Visual Emotion Challenge）系列评测把连续维度情感预测推成了语音情感回归的标准基准：其 2011–2014 届以效价–唤醒度连续标注为核心任务，参赛系统普遍以均方根误差（RMSE）和一致性相关系数（CCC）作为评价指标。^{4141AVEC 2014: 3D Dimensional Affect and Depression Recognition Challengedl.acm.org前往参考资料 ↓在新标签页中打开}

一致性相关系数（CCC）之所以在维度情感回归中被广泛采用，是因为它同时惩罚预测与标注之间的相关性偏差和尺度/均值偏差，而单纯的皮尔逊相关系数对后两者不敏感；AVEC 等评测因此把 CCC 与 RMSE 并列报告。^{4141AVEC 2014: 3D Dimensional Affect and Depression Recognition Challengedl.acm.org前往参考资料 ↓在新标签页中打开|4242Concordance correlation coefficient for evaluating affect predictionieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

RECOLA 语料库是语音情感回归最常用的公开数据之一：它包含法语母语者的自然交互录音，并由多名标注者对效价与唤醒度做连续时间标注，标注以一定采样率随时间变化，供回归模型做帧级或段级预测。^{4343Introducing the RECOLA multimodal corpus of remote collaborative and affective interactionshal.science前往参考资料 ↓在新标签页中打开}

深度学习方法进入语音情感回归后，主流做法从手工韵律特征转向端到端声学表征：卷积网络、循环网络以及基于自监督语音表征（如 wav2vec 2.0 类模型）的微调，被用于直接从波形或频谱回归效价与唤醒度。^{4444End-to-end speech emotion recognition with deep neural networksarxiv.org前往参考资料 ↓在新标签页中打开|4545wav2vec 2.0: A Framework for Self-Supervised Learning of Speech Representationsarxiv.org前往参考资料 ↓在新标签页中打开}

连续维度标注本身带有较强的主观性与标注者间差异，这给语音情感回归设定了性能上限：同一段语音的效价标注在不同标注者之间的一致性通常低于唤醒度，模型误差中有一部分实际来自标注噪声而非模型缺陷。^{4343Introducing the RECOLA multimodal corpus of remote collaborative and affective interactionshal.science前往参考资料 ↓在新标签页中打开|4747Cross-corpus and cross-language speech emotion recognition: a reviewieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

在应用侧，语音情感回归被用于呼叫中心质检、人机对话系统的情绪自适应以及心理健康与压力监测等场景，其价值在于给出随时间的情绪轨迹而非单点类别，便于做趋势分析与预警。^{3838Speech emotion recognition: a surveyarxiv.org前往参考资料 ↓在新标签页中打开|4848Speech emotion recognition in real-world applications: challenges and opportunitiesarxiv.org前往参考资料 ↓在新标签页中打开}

把语音情感回归用于真实场景时，说话人、语言、录音信道与麦克风差异会造成显著的域偏移，模型在跨域条件下性能下降明显，因此域适应与说话人归一化是该方向持续的研究重点。^{4747Cross-corpus and cross-language speech emotion recognition: a reviewieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|4848Speech emotion recognition in real-world applications: challenges and opportunitiesarxiv.org前往参考资料 ↓在新标签页中打开}

维度情感模型用效价、唤醒度、支配度等连续取值的维度把情感刻画为多维信号，相比离散情感模型，其表示范围更广、能描述情感的演变过程，因而在情感识别研究中受到越来越多关注；多模态维度情感预测正是在这一表示框架下展开的任务。^{4949多模态维度情感预测综述-自动化学报2018年12期-知网阅读read.cnki.net前往参考资料 ↓在新标签页中打开|33多模态维度情感预测综述_国家学术搜索search.napstic.cn前往参考资料 ↓在新标签页中打开}

多模态维度情感预测是一项复杂的系统工程，其预测性能受所使用的模态、每个模态的特征提取方式、信息融合技术以及标注人员的标注误差等多方面因素影响；李霞、卢官明、闫静杰、张正言在《自动化学报》2018 年第 44 卷第 12 期（2142–2159 页）的综述中，系统梳理了维度情感的概念、标注、性能评价指标与多模态预测研究现状，并对比分析了各因素对性能的影响。^{4949多模态维度情感预测综述-自动化学报2018年12期-知网阅读read.cnki.net前往参考资料 ↓在新标签页中打开|33多模态维度情感预测综述_国家学术搜索search.napstic.cn前往参考资料 ↓在新标签页中打开}

在音视频维度情感识别中，主流方法多依赖循环网络或常规注意力机制进行音视频融合，但这类做法未能充分利用音视频模态之间的互补性；Praveen 等人提出联合交叉注意力模型，把联合表示引入交叉注意力模块，在具有挑战性的基准上相比原始交叉注意力模型显著改善了跨模态关系建模，并降低了模态间的异质性。^{5050A Joint Cross-Attention Model for Audio-Visual Fusion in Dimensional Emotion Recognitionar5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

DEAP（Database for Emotion Analysis using Physiological Signals）是维度情绪模型在情感计算中最常被引用的公开数据集之一：它记录了 32 名被试在观看 40 段一分钟音乐视频片段时的脑电（EEG）与外周生理信号，并要求被试在效价（valence）、唤醒度（arousal）、支配度（dominance）与喜好度（liking）等维度上做 1–9 的自评，因此天然适配维度化标注。^{5151A deep learning approach for subject-dependent & subject-independent emotion recognition using brain signals with dimensional emotion modeldl.bhu.ac.in前往参考资料 ↓在新标签页中打开}

维度情绪模型在情感计算中的评测通常区分「被试依赖」（subject-dependent，同一被试的数据同时用于训练与测试）与「被试独立」（subject-independent，训练与测试使用不同被试）两种协议；前者指标普遍更高，后者更接近真实部署条件，因此跨被试泛化被视为该方向的核心难点。^{5151A deep learning approach for subject-dependent & subject-independent emotion recognition using brain signals with dimensional emotion modeldl.bhu.ac.in前往参考资料 ↓在新标签页中打开}

以脑电信号为输入的维度情绪识别研究，常把深度学习特征提取与浅层机器学习分类器（如 SVM、KNN 等）组合成两段式流程，并在 DEAP 一类带效价/唤醒度自评的数据集上报告结果。^{5151A deep learning approach for subject-dependent & subject-independent emotion recognition using brain signals with dimensional emotion modeldl.bhu.ac.in前往参考资料 ↓在新标签页中打开}

维度情绪模型用若干取值连续的维度（如唤醒维、效价维、支配维等）把情感刻画为一个多维信号，而不是把情感归入互斥的离散类别；这一表述是该研究传统的通行定义。^{33多模态维度情感预测综述_国家学术搜索search.napstic.cn前往参考资料 ↓在新标签页中打开}

与传统的离散情感模型相比，维度情绪模型的主要优点被概括为「表示情感的范围广」与「能描述情感的演变过程」两点，这也是近年来情感识别研究者越来越多关注维度模型的重要原因。^{33多模态维度情感预测综述_国家学术搜索search.napstic.cn前往参考资料 ↓在新标签页中打开}

「表示范围广」的机制在于：连续维度构成一个坐标空间，空间中任意一点都对应一种情感状态，因此不必预先枚举类别，也不会出现离散标签体系覆盖不到或边界重叠的情形；离散模型则受限于预先定义的类别清单。^{33多模态维度情感预测综述_国家学术搜索search.napstic.cn前往参考资料 ↓在新标签页中打开}

「能描述情感的演变过程」指维度取值可随时间连续变化，因而可以刻画情绪的渐变、过渡与强度起伏；离散模型在相邻时间点上给出的是类别标签的跳变，难以表达类别之间的中间状态。^{33多模态维度情感预测综述_国家学术搜索search.napstic.cn前往参考资料 ↓在新标签页中打开}

连续性带来的直接好处是标注粒度可调：标注者可以在维度量表上给出连续打分，而不是被迫在有限类别中做选择，从而减少因类别边界模糊造成的标注歧义。^{33多模态维度情感预测综述_国家学术搜索search.napstic.cn前往参考资料 ↓在新标签页中打开}

连续性优势并非没有代价：维度情感预测的性能受所用模态、每个模态的特征提取、信息融合技术以及标注人员的标注误差等多方面因素影响，说明连续表示在把优势转化为可复现的预测精度时仍受工程与标注环节制约。^{33多模态维度情感预测综述_国家学术搜索search.napstic.cn前往参考资料 ↓在新标签页中打开}

维度模型的连续性优势在跨文化、跨语言场景下尤为明显：离散类别清单往往绑定某一语言或文化中的情绪词，而连续维度不依赖特定词表，便于在不同数据集之间对齐与迁移。^{33多模态维度情感预测综述_国家学术搜索search.napstic.cn前往参考资料 ↓在新标签页中打开}

Russell 提出的环形模型（circumplex model）把情绪状态排布在由效价与唤醒度构成的二维圆周上，相邻位置对应相似体验；该结构在自我报告数据中被反复复现，是维度语义可解释性主张最主要的经验依据。^{5353A circumplex model of affectdoi.org前往参考资料 ↓在新标签页中打开}

Mehrabian 与 Russell 提出的 PAD 三维模型在效价、唤醒度之外加入支配度（dominance），主张三维才能充分区分如「愤怒」与「恐惧」这类在效价—唤醒度平面上位置接近、但支配感相反的状态；这本身即是对二维语义充分性的质疑。^{1919An Approach to Environmental Psychologymitpress.mit.edu前往参考资料 ↓在新标签页中打开}

Mehrabian 与 Russell 提出的 PAD（pleasure–arousal–dominance）三维模型把支配度作为独立维度，并给出可计算的情绪状态空间；该模型后来被广泛用于情感计算中的连续情绪表示与虚拟角色情绪建模。^{1919An Approach to Environmental Psychologymitpress.mit.edu前往参考资料 ↓在新标签页中打开}

Russell 与 Mehrabian 早期工作即指出，情绪语义空间中的维度数目并非先验给定，而应通过多维标度与因子分析等经验方法确定；不同研究因刺激材料、被试群体与分析方法不同，抽出的维度数目从二维到四维不等，这构成了「维度数目之争」的方法论根源。^{5353A circumplex model of affectdoi.org前往参考资料 ↓在新标签页中打开|2424The world of emotions is not two-dimensionaldoi.org前往参考资料 ↓在新标签页中打开}

ANEW（Affective Norms for English Words）等情感常模只标注效价与唤醒度，未系统标注支配度；这类大规模常模的维度选择反过来影响了后续情感计算数据集的标注惯例，使二维方案在工程实践中占据主导。^{5656Affective Norms for English Words (ANEW): Instruction Manual and Affective Ratingscsea.phhp.ufl.edu前往参考资料 ↓在新标签页中打开}

维度数目的选择直接影响下游任务：在情感分类中，二维标注往往足以支撑效价极性判断，但在需要区分「愤怒 vs. 恐惧」等细粒度状态时，缺少支配度维度会导致类别不可分，这一实践差异是争论持续的重要动因。^{1919An Approach to Environmental Psychologymitpress.mit.edu前往参考资料 ↓在新标签页中打开|2323Core affect and the psychological construction of emotiondoi.org前往参考资料 ↓在新标签页中打开}

基本情绪论（basic emotion theory）主张存在若干种先天的、离散的基本情绪（如愤怒、恐惧、悲伤、快乐、厌恶、惊讶），每种情绪对应独特的生理与表达模式；维度情绪模型则主张情绪体验可由少数连续维度（主要是效价与唤醒度）描述，离散情绪类别只是维度空间中的区域。两者的争论核心在于：情绪是「自然种类」还是「连续空间中的点」。^{5757Basic Emotionspaulekman.com前往参考资料 ↓在新标签页中打开|2323Core affect and the psychological construction of emotiondoi.org前往参考资料 ↓在新标签页中打开}