이전 정서연구에서는 다양한 정서유발자극을 이용한 정서 차원 연구들을 통해 쾌불쾌 차원(valence)과 각성 차원 (arousal)이란 두 가지의 핵심정서(core affect) 차원을 밝혔다. 최근 등장한 ASMR은 심리적 안정감, 편안함 등의 정서를 유발하는데, 이런 새로운 자극 또한 핵심정서차원에 위치하는지, 사람들에게 일으키는 정서표상은 어떤 양상 을 보이는지 확인하고자 하였다. 본 연구는 3가지 정서유형(부정, 중립, 긍정)으로 구분한 ASMR 영상을 자극으로 사용하였다. 연구1에서는 청각 ASMR, 연구2에서는 청각 및 시청각 ASMR을 자극으로 사용하였고, 각 자극마다 10가지의 형용사에 대해 5점 리커트 척도로 정서경험을 보고받았다. 자료수집 이후 다차원척도법과 분류분석을 실시 하였다. 다차원척도법 결과, 청각 및 시청각 ASMR 모두 핵심정서차원인 쾌불쾌 차원에서 잘 구분되었다. 분류분석 결과, 동일한 감각양상 및 서로 다른 감각양상의 ASMR에 대한 참가자 개인의 정서표상 구분과 참가자들간 정서표 상 구분이 잘 이뤄졌다. 종합적으로 본 연구는 다른 정서유발자극들과 같이 ASMR 또한 핵심정서차원에 위치한다는 것을 시사한다는 점에서 기존의 Russell(1980)의 핵심정서차원 이론을 지지한다. 또한, 감각양상에 상관없이 ASMR 에 대한 참가자 개인의 정서표상이 예측가능하며, 참가자들의 정서표상이 일관적이라는 점을 시사한다.

This paper proposes an emotion classifier from EEG signals based on Bayesʼ theorem and a machine learning using a perceptron convergence algorithm. The emotions are represented on the valence and arousal dimensions. The fast Fourier transform spectrum analysis is used to extract features from the EEG signals. To verify the proposed method, we use an open database for emotion analysis using physiological signal (DEAP) and compare it with C-SVC which is one of the support vector machines. An emotion is defined as two-level class and three-level class in both valence and arousal dimensions. For the two-level class case, the accuracy of the valence and arousal estimation is 67% and 66%, respectively. For the three-level class case, the accuracy is 53% and 51%, respectively. Compared with the best case of the C-SVC, the proposed classifier gave 4% and 8% more accurate estimations of valence and arousal for the two-level class. In estimation of three-level class, the proposed method showed a similar performance to the best case of the C-SVC.

본 연구는 음성 인식기에서 일반적으로 사용되는 음향적 특징인 MFCC, LPC, 에너지, 피치 관련 파라미터들을 이용하여 자연스러운 음성의 정서를 범주 및 차원으로 얼마나 잘 인식할 수 있는지 살펴보았다. 자연스러운 정서 반응 데이터를 얻기 위해 선행 연구에서 이미 타당도와 효과성이 밝혀진 정서 유발 자극을 사용하였고, 110명의 대학생들에게 7가지 정서 유발 자극을 제시한 후 유발된 음성 반응을 녹음하여 분석에 사용하였다. 각 음성 데이터에서 추출한 파라미터들을 독립변인으로 하여 선형 판별 분석(LDA)으로 7가지 정서 범주를 분류하였고, 범주 분류의 한계를 극복하기 위해 단계별 다중회귀(stepwise multiple regression) 모형을 도출하여 4가지 정서 차원(valence, arousal, intensity, potency)을 가장 잘 예측하는 음성 특징 파라미터를 산출하였다. 7가지 정서 범주 판별율은 평균 62.7%이었고, 4 차원 예측 회귀모형들도 p<.001수준에서 통계적으로 유의하였다. 결론적으로, 본 연구 결과는 자연스러운 감정의 음성 반응을 분류하는데 유용한 파라미터들을 선정하여 정서의 범주와 차원적 접근으로 정서 분류 가능성을 보였으며 논의에 본 연구의 개선방향에 대해 기술하였다.

최근에 사용자에 의한 대량의 텍스트 데이터가 발생하면서 사용자의 정보, 의견 등을 분석하는 오피니언 마이닝이 중요하게 부각되고 있다. 오피니언 마이닝 중 특히 정서 분석은 제품, 사회적 이슈, 정치인에 대한 호감 등에 대한 개인적 의견이나 정서를 분석하여 긍정, 부정이나 행복, 슬픔 등의 정서를 분석하는 연구 분야이다. 정서 분석을 위해서 정서 차원 이론의 정서가와 각성 차원의 2차원 공간을 사용하고, 이 공간에서 정서가 분포하는 영역을 설정하여 매핑하는 방법을 사용한다. 그러나 기존에는 정서의 분포 영역을 임의로 설정하는 문제가 있었다. 본 논문에서는 이 문제를 해결하기 위해, 한국어 정서 단어 목록을 사용해 사용자 설문을 실시하여 2차원 상에 12개 정서의 분포를 구성하였다. 또한 2차원 상의 특정 정서 상태가 여러 개의 정서에 중첩되는 경우, 정서에 소속될 확률을 사용한 룰렛휠 방법을 사용하여 하나의 정서를 선택하는 방법을 제안하였다. 제안한 방법을 사용하여 텍스트에서 정서 단어를 추출하여 텍스트를 정서로 분류할 수 있다.

본 연구는 성취정서 통제-가치이론(Pekrun, 2000, 2006)을 적용하여 체육 성취상황(수업, 학습, 시험)에 따라 학생들의 다양한 정서경험을 유발시키는 선행요소를 탐색하였다. 남녀 중학생 270명(남학생 156명, 여학생 114명)이 개방형 질문지에 응답하였으며, 자료를 위해 귀납적 내용분석이 실시되었다. 그 결과 9개의 개별 정서들(정적 활성화 정서=즐거움, 희망, 자부심; 정적 비활성화 정서=안도감; 부적 활성화 정서=화, 불안, 수치심; 부적 비활성화 정서=절망감, 지루함)을 유발시키는 주요 선행요소들이 각 성취상황의 세 가지 시간적 영역별(체육수업 이전, 중간, 이후)로 나뉘어 확인되었다. 특히, 각 성취상황에서 경험하는 학생들의 정서반응은 시간적 영역에 따라 차이가 있지만, 그 선행요소들은 전반적으로 정서적, 인지적, 생리적, 동기적 측면들과 관련이 있었다. 본 결과는 체육수업 상황에서 학생들의 정서경험을 결정짓는 주요 선행요소들과 성취정서의 역할, 그 교육적 시사점과 관련하여 논의되었다.