【科技．未来】辨识人脸表情 等于读懂“情感”？
当人脸辨识在全球各地相继推出，令人担心环形监狱时代来临，更进一步的反乌托邦或许在等着我们。一些科技公司声称可以人工智能（AI）分析我们的表情，解读出情感状态，有助各行各业了解消费者喜好之外，更可被执法机关用来判断你是否对公众安全构成威胁。
承接上文︰人脸辨识升级 情感辨识应用遍地开花
问题是，这些技术到底有多大成效？辨识到表情又是否真的等于辨识到情感？美国心理协会（APS）委托五位科学家探讨这个问题。他们花了两年钻研了逾1,000份相关研究，于今年7月中发表分析报告，认为面部表情与情感辨识的关系并非Ekman所主张那么简单、直接和普同。“数据显示，人们在愤怒时会皱眉的情况，平均不足30%，所以，不是皱眉就代表了愤怒，它只是愤怒的众多表征之一。”文献研究者之一、美国东北大学心理学教授Lisa Feldman Barrett对科技媒体《The Verge》说，“是否真的想以这种基础来判断出结果？你想不想在法庭、工作面试、医疗诊断或机场等场合，使用准确率只有30%的演算法？”
Barrett还是研究生时，首次接触到Paul Ekman提出的那个古典情感理论。美国加州大学柏克莱分校（UC Berkeley）心理学家Paul Ekman，他在上世纪六十年代主张，愉快、伤心、厌恶、恐惧、愤怒和意外，这六种情感不论文化背景为何，都会以普同的方式展现，并可透过分析面部肌肉动作来侦测。在回顾文献时，她开始担心背后的研究方法论有缺陷，尤其觉得Ekman向测试者提供预先选择好的标签来与相片配对，这做法已无意中引导了某种答案。于是她和同事挑战这个假说，重做Ekman的测试但不提供标签，让测试者自由形容他们所看到相中人的情绪。结果，特定表情和情绪之间的关联大幅弱化了。
Barrett认为，想要跨越所有文化和脉络，把表情直接套为情感，这种想法根本不合理。一个人固然可以因为愤怒而皱眉，但另一人也可以笑里藏刀。“对上一次有人因为愤怒时皱眉而赢得奥斯卡金像奖是何时？根本没有人会认为这就是好演技。”
所以，当出售情感分析工具的科技公司如微软，说AI的进展让它的软件“辨识八种核心情感状态，基于反映这些情绪的普同面部表情”，正是Barrett所反对的。她在著作《How Emotions Are Made: the Secret Life of the Brain》中主张，大脑中并不存在受外在刺激而引起的普同情感，而每种情感经验都由更多基础部份构成：“它们是你身体的不同生理特质的结合，一个灵活的大脑可把它与身处的发展环境连接，而文化和成长经历就提供了那环境。”例如，Affectiva行政总裁Rana el Kaliouby发现，巴西人会用宽阔而持久的笑容来表达愉悦，而日本就只有礼貌而非喜悦的笑容。
事实上，美国交通安全局（TSA）在2007年引入了一个Ekman担任顾问的项目，训练官员透过面部表情和行为辨识潜在恐怖分子。美国政府责任署（GAO）在2013年发表对该计划的评估，发现TSA根本没有为这项目建立足够科学基础，而项目也没有引致任何人被捕。美国公民自由联盟（ACLU）2017年的研究更指该项目涉及种族貌相（racial profiling）。
俄罗斯公司Neurodata Lab曾做过一个简短实验，并显示了情境脉络对于情感辨识的影响。来自29个国家逾1,400名测试者需要看四组照片，每组两张。每组的第一张照片都只显示一名有某种面部表情的女性，第二张也有同样的女性，但会手执不同物件如睫毛刷、书、眼镜、牙刷或结他，为照片加入环境脉络。然后测试者需要看每张照片，感觉照片对于他们是否“富情感的”（emotional）。测试者对两者反应有明显差别，没有加入脉络的照片，大部份测试者都认为是“富情感的”（3.52张）；但加入物件后，很多测试者会改变看法，只剩约四分之一认为是“富情感的”（1.2张）。
英国格拉斯哥大学计算机科学教授Alessandro Vinciarelli解释：“整体而言，非语言的线索，即面部表情、声调、姿势等，比起文字都倾向以更为弹性的方式传达意思。为什么非语言沟通是一种强大的方式来传达微妙的差异，尤其在社交和情感互动上？这正是一大原因。但代价是，互动会有模糊或不确定之处，只可以靠考虑情境脉络来解决。”
走出情感刻板印象
美国北卡罗莱纳大学心理学与神经科学助理教授Kristen Lindquist补充：“绝大部份数据显示，人们会因为学习过程而在接收面部情感的能力上有所不同。脸上的资讯很暧昧，人们在利用环境脉络和过往所学来拆解这暧昧时，有不同程度的差异。这解释了为什么小孩会随年长而愈来愈熟练理解他人的面部表情，以及为什么有些人是社交能手而有些不是。”
纽约大学的AI Now研究所总监Meredith Whittaker警告，这些以Ekman那过时的科学理论为基础、无视情景脉络的情感辨识将会带来实际的社会伤害：“你已经见到招聘公司利用这些技术来测量求职者是否值得聘用，也有一些实验性质的技术引入到学校来观察学生有没有专注上课。当这种资讯可以用来阻止一个人得到工作，或形塑他们在学校会如何被对待和评估，而那分析又不是极之准确的话，将会造成十分重大的伤害。”
英国牛津大学互联网研究所的哲学家Brent Mittelstadt也同意。他说，现时在情感辨识应用上，遇到“有问题的案例多过有正面用途的”：“随着一个应用的相对风险上升，它的准确度和透明度也应该上升。在iBorderCtrl的例子中，问题在于被质疑说谎的人不会被告知他们的测试结果，或关于该系统功能和准确度的资讯。缺乏这些的话，将会非常难挑战自动系统的决定。”
Barrett认为，科技公司要迈向正确的方向，应收集采用更多数据，训练他们的系统考虑身体姿态、声音特征、环境脉络等，就如正常人类一般。Kaliouby也同意情感很复杂，因此，Affectiva正不断丰富他们的数据，除了使用影片而非静态图片来训练演算法之外，他们也尝试捕捉更多脉络数据，例如声音、步态以及人类察觉不到的细微面容变化。
数据分析公司尼尔森（Nielsen）2017年发表的一项测试结果发现，以人脸编码、生物特征、脑电图等神经科学技术辨识情感的准确率，若独立分开使用的话，分别只有9%、27%和62%；若三者都用的话，则可增加至77%；而配以问卷调查的话，可再增至84%。
Barrett反指问题不只关乎数据，而是数据如何被标签。现时Affectiva和其他情感侦测公司用来训练演算法的标签过程，只能够辨识出Barrett所谓的“情感刻板印象”。对此，Kaliouby声称他们从87个国家收集了共800万张面孔数据，并对面部动作引入“文化针对性基准”，试图减少情感辨识时的文化差异影响。“我们要确保训练演算法时的数据足够多元。我们需要白人、亚洲人、有色人种，甚至穿穆斯林头巾的人。”她也意识到情感辨识可能被误用：“与大众就这科技应如何使用而展开对话，这非常关键。”
但以行业领先者自诩的Kaliouby也无奈地说：“这些年来，我已尝试过解决该问题，但从整个行业而言，我们仍未做到。我会形容它就像幼儿，只会理解简单的状态，但不会有语言或老练的感知去辨识复杂的情感。”她又补充，很多时客户对于更完善的做法没有兴趣，反而要求基于从Ekman研究而来的六种情感分析。
或许，人类总有一天能制造出与人类接收情感无异的机器，尽管如此，Kaliouby坦言仍不足以完全解决情感辨识的问题，因为“人类也经常会错意”。
相关文章︰
上文节录自第191期《香港01》周报（2019年12月2日）《人脸辨识升级 从表情读懂情感？》。
更多周报文章︰【01周报专页】
《香港01》周报，各大书报摊、OK便利店及Vango便利店有售。你亦可按此订阅周报，阅读更多深度报道。