k˙ı¸s˙ıl˙ık ˙ızlen˙ımler˙ın˙ın sürekl˙ı kest˙ır˙ım˙ı contınuous predıctıon
Transkript
k˙ı¸s˙ıl˙ık ˙ızlen˙ımler˙ın˙ın sürekl˙ı kest˙ır˙ım˙ı contınuous predıctıon
KİŞİLİK İZLENİMLERİNİN SÜREKLİ KESTİRİMİ CONTINUOUS PREDICTION OF TRAIT IMPRESSIONS Oya Çeliktutan ve Hatice Gunes School of Electronic Engineering and Computer Science Queen Mary University of London, United Kingdom {o.celiktutandikici,h.gunes}@qmul.ac.uk Özetçe —Bu bildiride, kişilik izlenimlerinin kestirimi problemi yeni bir bakış açısıyla ele alınmıştır. İlkin, referans değeri oluşturulurken, harici gözlemciler sürekli olarak, 0-100 arası puan vererek değerlendirme yapmışlar, böylece uzam ve zamanda sürekli değerleme grafikleri elde edilmiştir. İkinci olarak, Beş Faktör Kişilik Kuramına ilaveten değerleyicilerin güvenirliliğini ölçmek amacıyla dört özellik daha göz önünde bulundurulmuştur. Öncül deneysel sonuçlar insan-sanal karakter etkileşimi kapsamında önerilen yaklaşımların başarımını göstermektedir. Anahtar Kelimeler—Kişilik, Beş Faktör Kişilik Kuramı, veri değerleme, sürekli kestirim Abstract—In this paper, we address perceived personality trait prediction problem from a novel perspective. First, in the course of generating ground-truth, we ask external observers to continuously provide ratings along multiple dimensions ranging from 0 to 100 along time, and we generate continuous annotations in space and time. Secondly, in addition to the widely used Big Five personality dimensions, we introduce four more dimensions which has the potential to gauge the reliability of the perceived social and trait judgements. Preliminary results demonstrate the viability of the proposed approach in the context of interactions between a human subject and virtual characters. Keywords—Personality, Big Five Factor Model of Personality, data annotation, continuous prediction I. G İR İ Ş Kişilik özelliklerinin analizi üzerine psikoloji alanında yıllardır çalışılmaktadır. Yapılan araştırmalar insanın kişilik özelliklerinin arkadaşlık ilişkileri, akademik kariyerde başarı, ilaç kullanımına eğilim gibi günlük hayattaki davranışları, yetenekleri ve tercihlerine büyük etkisi olduğunu göstermiştir. Bu öneminden ötürü, son yıllarda video görüntülerinden kişilik özelliklerini kestirme bilgisayarla görü ve psikolojinin kesiştiği, kritik uygulama alanları bakımından önemli bir araştırma konusu olmuştur. Örneğin, insan-makine etkileşimi bağlamında, insanların ihtiyaçlarına daha iyi karşılık veren akıllı sistemler geliştirmek için kişilik özelliklerini kestirmek şarttır. Bu tür akıllı sistemler sanal gerçeklik, robotik, çevresel zeka alanında ve eğlence-oyun sektöründe gittikçe yaygınlaşmaktadır. En sık kullanılan Beş Faktör Kişilik Kuramı insan kişiliğinin beş ana özellikte kendini gösterdiğini savunmaktadır. Bu beş özellik şöyle sıralanabilir: (i) Sorumluluk (öz disiplin, düzenli, dikkatli, itaatkar); (ii) Uyumluluk (güvenilir, yumuşak başlı, fedakar, alçak gönüllü); (iii) Duygusal Dengesizlik (kendisine güvenmeyen, olumsuz duygulanımlara yatkın, endişeli, gergin, sinirli); (iv) Yeniliklere açıklık (hayal kuran, maceracı, c 978-1-4799-4874-1/14/$31.00 2014 IEEE yaratıcı, meraklı); (v) Dışadönüklülük (arkadaş canlısı, sosyal, pozitif, enerjik, neşeli). Bu beş özelliği kestirmek amacıyla, Batrinca ve ark. [1] deneklerin kendilerini tanıttıkları kısa sunumları ele almışlardır. Her denek aynı zamanda bir anket doldurarak kişiliğini özdeğerlendirmiş, her özelliğin derecesi örneğin 17 arası bir puan ile ölçülmüştür. Deneklerin hal ve tavırları perde, akustik yeğinlik, devinim genliği, bakış yönü, mimikler, vücut duruşu, el-baş hareketleri gibi hem işitsel hem de görselveriye dayalı öznitelikler ile betimlenmiştir. Elde edilen çokkipli öznitelikler ile anket sonuçları arasındaki ilişki destek vektör makinaları kullanılarak modellenmiştir. Bunu takiben, önerilen yöntem [2]’de farklı bir senaryoya uygulanmıştır. Her denek uyumludan uyumsuza değişen karakterlere sahip sanal etmenlerle işbirliği yaparak bilgisayar ekranında bir görevi yerine getirmeyi amaçlamaktadır. Bazı çalışmalar ise özdeğerlendirme yerine harici gözlemciler tarafından yapılan kişilik değerlendirmelerini kullanmışlardır. Bir başka deyişle harici gözlemcilerin denek ile ilgili izlenimleri baz alınmış ve kitle kaynaklı çalışma yoluyla (örneğin, Amazon Mechanical Turk) referans değeri oluşturulmuştur. Bu çalışmalar arasında, Biel ve ark. [3] Youtube sosyal paylaşım sitesine yüklenen videolar üzerine yoğunlaşmış, çerçeve başına duygulanımı (mutluluk, üzüntü, kızgınlık vb.) saptamış ve buradan çıkardıkları özniteliklere destek vektör bağlanım (support vector regression) analizi uygulamışlardır. Aran ve Gaticia-Perez [4] ise grup toplantısı senaryolarını göz önüne almış ve devinim enerji imgeleri (motion energy images), baş-vücut hareketleri, konuşma etkinliği, deneğin konuşurken ne kadar ilgi topladığı, diğerlerine ne kadar ilgi gösterdiği, kameraya uzaklığı gibi zengin bir öznitelik kümesini hesaba katmışlardır. Aynı doğrultuda, Subramanian ve ark. [5] denek ile diğerleri arasındaki mesafe, belirli bir zaman aralığında deneğin hızı, baş pozuna dayalı bir takım öznitelikleri kokteyl partisi kapsamında ele almışlardır. Bu çalışmanın amacı benzer şekilde video görüntüsünden bir insanla ilgili izlenimlerin kestirilmesidir; gradyan ve optik akış histogramları doğrusal bağlanım analizi ile birlikte insansanal etmen etkileşimi kapsamında kullanılmıştır. Bu çalışma ancak izlenimlerin tanımlanması, elde edilmesi ve kestirilmesi problemine farklı bir açıdan bakmaktadır. Yapılan çalışmanın katkısı iki madde altında özetlenebilir: Önceki çalışmalarda [3], [4], değerleyiciler (harici gözlemciler) bütün klibi izledikten sonra her özellik için genel bir puan vermişlerdir. Aksine, bu çalışmanın odak noktası değerleyicilerin izlenimlerinin zamanda değişimini gözlemlemek, hangi kişilik özelliğinin dinamik ya da statik olarak algılandığını irdelemek ve bu izlenimleri uzam ve zamanda Tablo I: Her bir klip toplamda 9 özellik bakımından iki farklı düzenekte değerlendirilmiştir. Kod adı SO UY DE AÇ DI IL YÇ SÇ BE Şekil 1: SEMAINE veritabanından örnek çerçeveler [8]. sürekli olarak kestirmektir. Bilgisayarla görü camiasında, duygulanımın sürekli kestirimi [6] oldukça araştırılan bir problem olmasına rağmen, bildiğimiz kadarı ile kişilik izlenimlerinin sürekli kestirimi şu ana kadar ele alınmamıştır. Bu amaçla, değerleyiciler klibi izlerken aynı zamanda bir arayüz aracılığıyla sürekli olarak, örneğin, bir dakika boyunca sürekli, 0-100 arası puan vermişlerdir. Çalışmanın diğer bir katkısı ise izlenimleri betimlemek amacıyla ilave dört özelliğin daha dikkate alınmış olmasıdır. Bu sosyal özellikler şöyle sıralanabilir: (i) İlgili olma (deneğin sanal-etmen ile konuşurken ne kadar hevesli olduğu); (ii) Yüzün çekiciliği (yüzün çekici olarak algılanıp algılanmaması); (iii) Sesin çekiciliği (sesin çekici olarak algılanıp algılanmaması); (iv) Beğenilebilirlik (deneğin genel olarak sevilip sevilmediği). Biz insanlar doğamız gereği bir kişiyi güzel ya da çekici bulmamız, sevmemiz o kişi hakkındaki genel görüşümüzü veya diğer özellikleri hakkındaki yargılarımızı yönlendirir (bkz. Halo etkisi [7]). Bu nedenle, bu özellikler ile Beş Faktör Kişilik Kuramı arasındaki ilişkiyi incelemek bireysel yargıların ne kadar güvenilir olduğu konusunda ipucu verecektir. İzlenimlerin yukarıda tanımlanan dokuz özellik bakımından (Beş Faktör Kişilik Kuramı ve 4 sosyal özellik) kestirilmesi amacıyla uzamda ve zamanda sürekli olarak elde edilen değerlendirmeler iki farklı yaklaşımda kullanılmıştır: (i) Uzamda sürekli kestirim (USK) ve (ii) Uzam-zamanda sürekli kestirim (UZSK). Önerilen yaklaşımların başarımı insan-sanal etmen etkileşimi kapsamında test edilmiştir. II. VER İ VE DE ĞERLEME Veri. SEMAINE veritabanı [8] bir insan ile farklı sanal karakterler arasındaki etkileşimi içeren doğal video kayıtlarından oluşmaktadır. Bu çalışmada SEMAINE veritabanından her biri 3 farklı yarı-otomatik karakter (Poppy, Obadiah, Spike) ile sohbet eden 10 denek, toplamda 30 video kaydı kullanılmıştır. Değerleyicilerin iş yükünü hafifletmek amacıyla sanal karakterlerden biri (Prudence) göz ardı edilmiştir ve her bir video kaydı kırpılarak 60 sn.’lik klipler oluşturulmuştur. Örnek çerçeveler Şekil 1’de gösterilmiştir. Değerleme. Klipler yaşları 23 ile 53 arasında değişen, çoğunlukla doktora öğrencilerinden oluşan 21 ücretli katılımcı tarafından değerlendirilmiştir. Katılımcılar her bir klibi 4 ya da 5 özellik bakımından değerlemiştir ve her bir seans ortalama olarak 4.5 saat sürmüştür. Değerleme işlemi iki haftada iki ayrı düzenekte tamamlanmıştır: (i) görsel ve (ii) işitsel-görsel. Görsel değerleyiciler klibi izlerken herhangi bir ses duymamışlar, sadece görsel ipuçlarına (deneğin mimikleri, el-baş hareketleri, duruşu vb.) dayanarak karara varmışlardır. Toplamda 16 değerleyici (9 kadın, 7 erkek) 8 özellikten (Beş Faktör Kişilik Kuramı ve ilgili olma, yüz çekiciliği, beğenilebilirlik) 4 ya da 5’i bakımından puan vermiş, böylece her bir klip için toplamda 32-40 Özellik Sorumluluk Uyumluluk Duygusal dengesizlik Yeniliklere açıklık Dışadönüklülük İlgili olma Yüzün çekiciliği Sesin çekiçiliği Beğenilebilirlik 100 100 90 90 80 80 70 70 60 60 50 50 40 40 30 30 20 20 10 Görsel √ √ √ √ √ √ √ İşitsel-görsel √ √ √ √ √ √ 10 0 0 100 200 300 400 500 600 700 800 900 100 200 300 400 500 600 700 800 900 1000 1100 1200 Şekil 2: İlgili olma için farklı katılımcılar tarafından sağlanan örnek değerleme verisi. Sağdaki şekil görsel-değerlemeye, soldaki ise işitsel-görsel-değerlemeye karşılık gelmektedir. Kırmızı tireli çizgi ortalama değerleme grafiğini temsil etmektedir. değerleme elde edilmiştir. İşitsel-görsel değerleyiciler ise aynı zamanda deneğin sanal karakter ile sohbetini de dinlemişlerdir. Görsel değerleyicilere hangi özelliği ses olmadan ölçmenin zor olduğunu sorduk, aldığımız geri bildirime göre sorumluluk, uyumluluk, açıklık ve ilgili olma özelliklerini işitsel-görsel değerleme için seçtik, ayrıca yüz çekiciliğinin karşılığı olarak ses çekiciliğini de hesaba kattık. İlk katılımcılardan farklı 5 değerleyici (2 kadın, 3 erkek) seçilen 5 özellik bakımından izlenimlerini sağlamışlardır, böylece her bir klip için toplamda 25 değerleme elde edilmiştir. Değerlenen özellikler Tablo I’de özetlenmiştir. Değerleme sırasında katılımcılar bir arayüz [9] kullanarak hem klibi izlemişler, hem de aynı zamanda bir çubuğu sağa sola kaydırarak bir dakika boyunca sürekli 0-100 arası puan vermişlerdir. Arayüz çubuğun durduğu yeri (puanı) belli zaman aralıklarında, örneğin her 50 msn.’de, kaydetmiştir. İlgili olma için örnek görsel ve işitsel-görsel değerleme grafikleri Şekil 2’de sunulmuştur. Görüldüğü gibi değerleyiciler çeşitli ölçeklerde puan vermiş olmakla birlikte puan verme tarzları benzerdir. Mesela bu durum işitsel-görsel değerlemede daha belirgindir, biri hariç bütün değerleyiciler gittikçe artan puan vermişlerdir. Aynı şekilde benzer davranışlar görsel değerlemede de görülebilir. Değerlemelerin analizi. Akıllı arayüzler geliştirirken en büyük zorluklardan biri farklı değerleyiciler tarafından verilen puanlardan güvenilir referans değeri elde etmekdir. Özellikle, sürekli kestirim söz konusu olduğunda değerleyicilerin stili, zaman gecikmesi gibi faktörlerle problem daha karmaşık bir hal almaktadır. Ayrıca her bir değerleyicinin öznel puan ölçeklendirmesi birbirinden çok farklı olabilir. Bu nedenle literatürdeki genel yaklaşım [6] değerleme grafiklerini mutlak değerler yerine bağıl değerler (grafikte artış, düşüş ya da düzlük) cinsinden karşılaştırmaktır. Biz de aynı amaçla herhangi bir analizden önce her bir değerleme grafiğini ortalaması 0 ve standart sapması 1 olacak şekilde normalize ettik. Tablo II: Seçilen değerleyiciler arasındaki uyuşma Pearson’un ilinti katsayısı ve Cronbach’ın alfa katsayısı ile ölçülmüştür. Parantez içindeki değerler bütün değerleyiciler arasındaki uyuşma derecesini vermektedir. Pearson SO UY DE AÇ DI IL YÇ SÇ BE 0.42 0.47 0.46 0.44 0.47 0.51 0.44 Görsel Cronbach (0.16) (0.40) (0.34) (0.27) (0.38) (0.40) (0.27) 0.47 (0.36) 0.80 0.84 0.88 0.82 0.85 0.87 0.80 (0.61) (0.80) (0.82) (0.69) (0.80) (0.81) (0.70) 0.84 (0.78) İşitsel-görsel Pearson Cronbach 0.58 (0.35) 0.53 (0.29) 0.59 (0.21) 0.58 (0.41) 0.64 (0.36) - 0.82 (0.47) 0.75 (0.47) 0.81 (0.09) 0.82 (0.58) 0.86 (0.55) - Literatürde değerleyici güvenebilirliğini ya da değerleyiciler arasındaki uyuşmayı ölçmek için ilintiye dayalı yöntemler oldukça yaygındır. Zamanla değişen veriler göz önünde bulundurulduğunda bu tür yöntemlerin doğrudan uygulanması iyi sonuç vermemektedir. Diğer taraftan, dinamik zaman bükmesi (dynamic time warping) bu tür zamanla değişen verilerin hizalanması için oldukça etkin bir yöntemdir. Kısaca, dinamik zaman bükmesi iki dizi arasındaki, örneğin, s ile t, en iyi hizalamayı birikimli uzaklık toplamını minimize ederek bulur. Deneylerimizde zamanda eşleştirme kısıtı 2 sn. olarak belirlenmiştir, bir başka deyişle, s[i] ile t[j]’yi eşleştirirken, |i − j| 2 sn.’den büyük olamaz. Her değerleme çifti dinamik zaman bükmesi ile hizalandıktan sonra, değerleyiciler arasındaki uyuşmayı Pearson’un ilinti katsayısı ve Cronbach’ın alfa katsayısı ile ölçtük. İlinti değerleri aynı zamanda aykırı değerleyicileri elemek için de kullanılmıştır. Bir klip için N tane değerleyici olduğunu varsayalım. Her bir değerleyicinin geri kalan N − 1 değerleyici ile ilintisini hesapladık. Eğer değerleyicinin geri kalanlar ile ortalama ilintisi belli bir eşik değerinden yüksek ise, söz konusu değerleyici referans değeri oluştururken hesaba katılmıştır, aksi takdirde göz ardı edilmiştir. Tablo II’de verildiği gibi aykırı değerleyicilerin elenmesinden sonra değerleyicilerin güvenebilirliği her iki durumda da artmıştır. III. İZLEN İMLER İN SÜREKL İ KEST İR İM İ Önerilen yöntem iki farklı yaklaşım ile test edilmiştir: (i) Uzamda Sürekli Kestirim (USK) ve (ii) Uzam-Zamanda Sürekli Kestirim (UZSK). Amacımız USK’da bütün klip için genel bir puan elde etmek iken, UZSK yaklaşımıyla zamanda sürekli değişen puanlamaları kestirmektir. A. Uzamda Sürekli Kestirim (USK) Bütün klip için toplam bir puan 60 sn. üzerinden değerleme grafiğinin ortalaması alınarak belirlenmiştir. Bölüm II’de önerilen yöntem kullanılarak seçilen değerleyicilerin toplam puanlarının ortalaması alınmış ve referans değeri oluşturulmuştur. Böylece her klip için 0-100 arası toplam bir puan elde edilmiştir. Öznitelik çıkarmak amacıyla ilk önce uzam-zaman ilgi noktalarını 3B Harris köşe dedektörü ile tespit ettik ve bu noktaların yerel komşuluklarını gradyan ve optik akış histogramları [10] ile betimledik. İlgi noktalarının yerel komşuluğu M ×M ×N (örneğin, 3×3×2) uzam-zamansal bloklara bölünmüş ve her blok için sırasıyla 4-seleli ve 5-seleli gradyan ve optik akış histogramları hesaplanmıştır. Bu histogramlar ucuca eklenerek ilgi noktası başına 162-uzunluğunda bir öznitelik vektörü elde edilmiştir. Bir klipteki deneğin hal ve tavırları yerel betimleyicilerin (öznitelik vektörlerinin) birleşimi şeklinde ifade edilmiş ve bu bağlamda yaygın olarak kullanılan Görsel Kelime Torbası (Bag of Visual Words) modellerine [11] başvurulmuştur. Görsel Kelime Torbası (GKT) modelleri temel olarak K-ortalamalar topaklandırması ile bir kod tablosu oluşturur, ve her klibi yerel betimleyicilere rastlama olasılığı cinsinden sayısal bir gösterime dönüştürür. Deneylerimizde topak sayısı K = 32 olarak belirlenmiş, ve klip zaman boyunca 4 sn.’lik dilimlere bölünmüş ve her bir zaman dilimi için ayrı GKT histogramı hesaplanmıştır. Tüm klibi betimlemek için zamana-bağlı histogramlar üzerinden ortalama alınmıştır. İzlenimleri kestirmek amacıyla histogramlar ile değerlemeler arasındaki ilişki doğrusal bağlanım analizi, özellikle Lasso ve Ridge bağlanım analizi kullanılarak, modellenmiştir. Bağlanım katsayıları her defasında bir denek eğitim kümesinden harici tutularak (leave-one-subject-out) öğrenilmiş ve hedef denek üzerinde test edilmiştir. B. Uzam-Zamanda Sürekli Kestirim (UZSK) UZSK durumunda her bir klip için referans değerini iki farklı strateji ile oluşturduk: (i) Seçilen değerleme grafiklerinin uzam boyunca ortalamasını aldık; (ii) Aslında var olmayan bir değerleme grafiği yaratmak yerine diğerleri ile ilintisi en fazla olan değerleme grafiğini referans değeri olarak kabul ettik. UZSK yaklaşımında her bir çerçeveyi zamanda bağımsız olarak ele aldık ve çerçeve başına çıkarılan öznitelik vektöründen çerçeveye ilişkin zaman anında örneklenen puan değerini kestirmeye çalıştık. USK’dan farklı olarak, ilk önce [12]’deki yüz nirengileme algoritmasını kullanarak her bir çerçeve başına 49 yüz nirengi noktası saptadık. Daha sonra bu nirengi noktalarının yerel komşuluklarında gradyan ve optik akış histogramlarını hesapladık, böylece 49 × 162 = 7938 boyutunda bir öznitelik vektörü elde ettik. Son olarak Temel Bileşenler Analizi kullanarak öznitelik uzayının boyutunu 100’e indirgedik. Çerçeve öznitelikleri ve zamana-bağlı puanlamalar arasındaki ilişki USK’da olduğu gibi Lasso ve Ridge bağlanım analizi yöntemleri ile modellenmiştir. IV. DENEYSEL SONUÇLAR VE TARTI ŞMA USK ve UZSK yaklaşımları Tablo I’de verilen 9 kişiliksosyal özelliğine ilişkin izlenimleri kestirmek amacıyla kullanılmış, hem görsel değerleme, hem de işitsel-görsel değerleme verileri ile eğitilerek başarımları karşılaştırılmıştır. Tablo III kestirim sonuçlarını özetlemektedir. Referans değeri ile kestirilen değerler arasında en küçük kareler hatası (MSE: Meansquare Error) ve Pearson’s ilinti katsayısı (COR) hesaplanarak önerilen yaklaşımların başarımları ölçülmüştür. Değerleme grafikleri normalize edildiğinden (ortalaması 0 ve standart sapması 1) olabilecek en büyük MSE değeri 4’dür. Tablo III-a USK durumunda en iyi sonuçların yüz çekiciliği ve beğenilebilirlik için elde edildiğini göstermektedir (COR>0.7). Bu sonuç beklentilerimiz ile de aynı doğrultudadır, çünkü değerleyiciler bu boyutları değerlendirmede en kolay bulmuşlardır. Önerilen yaklaşım ile aynı zamanda uyumluluk, dışadönüklülük ve duygusal dengesizlik için de iyi başarım elde edilmiş (COR>0.55), bu özellikleri ilgili olma ve açıklık takip etmiştir. Bunun nedeni şöyle açıklanabilir: Bu boyutlar, özellikle ilgili olma, diğer boyutlara nispeten daha dinamik olarak algılanmaktadır, bu nedenle zamanda değişen değerleme grafiğinin ortalaması alınarak elde edilen toplam bir puan iyi sonuç vermemektedir. İşitsel-görsel değerlemelerle eğitmek en çok sorumluluk özelliğinin kestirim başarımını artırmıştır. Diğer taraftan, diğer bütün özellikler için başarım oldukça düşüktür. İşitsel-görsel değerleyiciler görsel ipuçlarından daha çok sözel içeriğe göre deneği yargılamış olabilirler. Bu nedenle önerilen yaklaşımın sadece görsel öznitelikler ile işitsel-görsel değerlemeler arasında bir ilişki kuramadığı sonucuna vardık. Aynı zamanda sözel içerikten de öznitelikler çıkarılarak bu problem giderilebilir. Aynı şekilde önerilen yaklaşım görsel öznitelikler ile ses çekiciliği arasında da bir ilişki bulamamıştır. Literatürde kişilik özelliklerinin kestirilmesi üzerine birçok yöntem olmakla birlikte kullanılan veritabanlarının içeriği, değerleme yöntemi ve başarım hesaplama ölçütleri birbirinden çok farklıdır. Biz yine de en yakın yöntemler [2]–[4] ile önerilen yaklaşımı karşılaştırdık. Dışadönüklülük sıklıkla en kolay kestirilebilen özellik olarak rapor edilmiştir. Örneğin, Aran ve Gaticia-Perez [4] görsel değerleme verilerini grup toplantısı senaryosunda kullanmıştır. En iyi sonucu devinim enerji imgeleri ile dışadönüklülük için elde etmişler (R2 = 0.31), buna karşın diğer özellikler için R2 değeri 0.1’den düşük bulunmuştur. Benzer sonuçlar duygulanım ve işitsel-görsel öznitelikler ile [3]’de de rapor edilmiştir. Batrinca ve ark. [2] ise kestirim problemini bir sınıflandırma problemi olarak formüle etmiş ve işitsel-görsel öznitelikler ile dışadönüklülük ve duygusal dengesizlik için yüksek başarım elde etmişlerdir. Aynı doğrultuda, biz de dışadönüklülük ve duygusal dengesizlik için yüksek başarım elde ettik, sırasıyla R2 = 0.311 ve R2 = 0.43. Aynı zamanda önerilen yaklaşım uyumluluk (R2 = 0.31) ve açıklık (R2 = 0.26) özelliklerini de başarılı bir şekilde kestirmektedir. Tablo III-b UZSK yaklaşımı için daha iyi sonuçlar verdiği gerekçesiyle sadece birinci strateji ile elde edilen kestirim sonuçlarını sunmaktadır, yani referans değeri seçilen değerlemelerin uzamda ortalaması alınarak oluşturulmuştur. İlk bakışta COR değerlerinin USK’ya kıyasla daha düşük olduğu şaşırtıcı gelebilir, ancak bu tür sonuçlar sürekli kestirim alanında yaygındır. Örneğin, duygulanım alanında benzer bir yaklaşım [13] en iyi COR = 0.22 elde etmiştir. Önerilen yöntem bütün özellikler için kabul edilebilir başarım verirken (COR>0.1), USK yaklaşımında olduğu gibi ses çekiciliği için herhangi bir ilişki bulamamıştır. Genel olarak, yine en iyi sonuçlar algoritma görsel değerlemeler ile eğitildiğinde elde edilmiştir. V. VARGILAR Bu bildiride diğer insanlarla ilgili izlenimlerin kestirimi problemine yeni bir bakış açısından baktık, yani algılanan kişilik-sosyal özelliklerin uzam ve zamanda sürekli kestirimini ele aldık. USK yaklaşımı görsel değerlemeler referans olarak alındığında dışadönüklülük, duysusal dengesizlik, uyumluluk ve açıklık için yüksek başarım vermektedir. Öncül deneysel sonuçlar aynı zamanda UZSK yaklaşımını kavram olarak kanıtlamıştır. UZSK yöntemi iki yönden geliştirilecektir: (i) Çok kipli zengin bir öznitelik kümesi hesaba katılacaktır; (ii) Her çerçeçeveyi birbirinden bağımsız olarak ele almak yerine çevçevelerin zamandaki ilişkisi ardışıl yöntemler ile modellenecektir. 1 R2 Pearson ilinti katsayısının karesi alınarak hesaplanmıştır. Tablo III: MSE ve COR cinsinden kestirim sonuçları. MSE değerleri parantez içinde verilmiştir. En iyi COR sonuçları her satır (özellik) için koyu yazı karakteri ile belirtilmiştir. İhmal edilebilir COR değerleri * ile gösterilmiştir, yani p > 0.05. SO UY DE AÇ DI IL YÇ SÇ BE (a) USK Lasso Ridge İşit.İşit.Gör. Gör. Gör. Gör. 0.43 0.45 * * (0.03) (0.02) 0.56 * * * (0.03) 0.66 0.52 (0.07) (0.05) 0.51 0.36 * * (0.03) (0.05) 0.56 * (0.04) 0.42 * * (0.04) 0.77 0.85 (0.07) (0.04) * 0.53 0.75 (0.18) (0.03) (b) UZSK Lasso Ridge İşit.İşit.Gör. Gör. Gör. Gör. 0.11 0.10 * * (0.42) (0.37) 0.16 0.24 * * (0.55) (0.44) 0.13 0.18 (0.49) (0.38) 0.10 0.14 * (0.56) (0.41) 0.17 0.19 (0.47) (0.39) 0.15 0.12 0.19 0.12 (0.47) (0.80) (0.41) (0.65) 0.11 0.13 (0.55) (0.40) * * 0.17 0.21 (0.54) (0.41) ACKNOWLEDGMENT This work is supported by the EPSRC MAPTRAITS Project (Grant Ref: EP/K017500/1). K AYNAKÇA [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] L. M. Batrinca, N. Mana, B. Lepri, F. Pianesi, and N. Sebe, “Please, tell me about yourself: Automatic personality assessment using short self-presentations,” in Proc. of ICMI, 2011. L. Batrinca, B. Lepri, N. Mana, and F. Pianesi, “Multimodal recognition of personality traits in human-computer collaborative tasks,” in Proc. of ACM ICMI, 2012. J. I. Biel, V. Tsiminaki, J. Dines, and D. Gatica-Perez, “Hi youtube!: Personality impressions and verbal content in social video,” in Proc. of ACM ICMI, 2013. O. Aran and D. Gatica-Perez, “One of a kind: Inferring personality impressions in meetings,” in Proc. of ACM ICMI, 2013. R. Subramanian, Y. Yan, J. Staiano, O. Lanz, and N. Sebe, “On the relationship between head pose, social attention and personality prediction for unstructured and dynamic group interactions,” in Proc. of ACM ICMI, 2013. A. Metallinou and S. S. Narayanan, “Annotation and processing of continuous emotional attributes: Challenges and opportunities,” in Proc. of Int. Workshop on Emotion Representation, Analysis and Synthesis in Continuous Time and Space, 2013. Wikipedia, “Halo effect,” http://en.wikipedia.org/wiki/Halo_effect, accessed at January 2014. G. McKeown, M. Valstar, R. Cowie, M. Pantic, and M. Schroder, “The semaine database: Annotated multimodal records of emotionally colored conversations between a person and a limited agent,” IEEE TAC, vol. 3, no. 1, pp. 5–17, 2012. B. P. Motichande, “A graphical user interface for continuous annotation of non-verbal signals,” Final Project, BSc FT Computer Science, Queen Mary University of London, UK, 2013. I. Laptev, M. Marszalek, C. Schmid, and B. Rozenfeld, “Learning realistic human actions from movies,” in Proc. of IEEE CVPR, 2008. J. Sivic and A. Zisserman, “Video google: a text retrieval approach to object matching in videos,” in Proc. of IEEE ICCV, 2003, pp. 1470– 1477 vol.2. X. Xiong and F. De la Torre, “Supervised descent method and its application to face alignment,” in Proc. of IEEE CVPR, 2013. E. Sariyanidi, H. Gunes, M. Gökmen, and A. Cavallaro, “Local Zernike moment representations for facial affect recognition,” in Proc. of BMVC, 2013.