基于隐马尔可夫模型的交互式装置艺术中情感状态动态转换研究

《Scientific Reports》：Hidden markov modeling of emotional state transitions in interactive installation art

本研究针对交互式装置艺术中集体情感动态难以在公共文化场景下量化的问题，创新性地将隐马尔可夫模型（HMMs）应用于苏格兰国家美术馆“HappyHere”参与式灯光装置的自报告幸福感数据。通过跨截面数据分析，研究揭示了三种潜在情感状态（低/负面、中度积极、高度积极）的分布规律、稳定性及转换模式，发现积极情感具有最高自我转换概率（0.875）和稳态占比（86.3%），中性状态则最不稳定。该研究为公共艺术场景下的情感计算提供了轻量化建模范式，证明了参与式艺术在促进集体情感健康方面的潜力。

　　

在当代艺术与科技融合的浪潮中，交互式装置艺术通过多感官沉浸环境成为激发公众情感参与的重要媒介。然而，传统情感研究多依赖实验室环境或长期追踪数据，难以在公共文化场所中实现高效、轻量化的动态情感监测。这一局限阻碍了人们对集体情感波动规律的理解，也限制了艺术装置在促进心理健康方面的应用潜力。

为突破这一瓶颈，一项发表于《Scientific Reports》的研究创新性地将隐马尔可夫模型（Hidden Markov Models, HMMs）应用于公共艺术场景的跨截面数据，以苏格兰国家美术馆的“HappyHere”参与式灯光装置为实验平台，探索了群体层面情感状态的潜在结构与动态特性。该装置通过触控界面收集参与者基于短版华威-爱丁堡心理健康量表（Short Warwick-Edinburgh Mental Well-Being Scale, SWEMWBS）的自报告情感数据，并生成动态光影反馈，形成情感表达的闭环交互。

研究团队通过贝叶斯信息准则（Bayesian Information Criterion, BIC）确定潜在状态数量，采用鲍姆-韦尔奇算法（Baum-Welch algorithm）训练HMM参数，重点分析了状态转移概率、驻留时间（dwell time）及稳态分布（stationary distribution）。统计方法辅以自助法（bootstrap resampling）估计置信区间，确保结果的稳健性。

情感状态的分化

HMM分析识别出三种潜在情感状态：状态1（低/负面）在所有SWEMWBS指标上均值为1.48–1.63，状态0（中度积极）均值为3.0–3.6，状态2（高度积极）则呈现天花板效应（所有指标均值=5.0）。主成分分析（PCA）投影进一步验证了状态的聚类可分性，支持了情感状态在潜空间中的结构性分化（H1）。

转移动力学与稳定性

转移矩阵显示，积极状态（状态0和状态2）具有最高的自我转移概率（分别为0.875和0.805），预期驻留时间达3.4步，显著高于中性状态（1.8步）和负面状态（1.3步）。相反，中性状态自我转移概率仅为0.093，且转移熵（transition entropy）最高，表明其作为过渡性配置的强波动性（H2、H3）。

稳态分布与时间变异

稳态分布中，积极状态占比达86.3%，中性与负面状态分别为7.5%和6.2%。虽早晚时段状态分布存在统计显著差异（χ2(2, N=6,560)=8.20, p=0.016），但效应量极弱（Cramer's V=0.04），证实积极情感在长期均衡中的主导地位（H4）。

结论与意义

本研究通过HMM框架揭示了参与式艺术中情感状态的动态规律：积极情感作为稳定吸引子（attractor）占主导，中性状态易受环境扰动而向积极方向转换。这一发现与“拓展-建构”理论（broaden-and-build theory）相呼应，说明交互艺术环境可通过实时反馈强化积极情感资源积累。

方法论上，研究证明了跨截面数据在群体情感建模中的可行性，为公共场景下的轻量化情感计算提供了新思路。实践层面，设计者可利用中性状态的过渡特性，通过多感官提示引导用户情感走向积极稳态，为情感化交互系统（affect-aware systems）的设计提供理论依据。未来研究需结合纵向数据与多模态生理指标，进一步验证情感吸引子的普适性及艺术干预的因果机制。