情感计算新范式：语义空间论

00•情感计算HCIEmotionResearch

在人机交互研究中，当我们讨论“情绪”，往往会陷入“六大基本情绪”和二维“Valence-Arousal”坐标的拉扯。可是在 AI 与多模态数据时代，这样的框架还够用吗？这篇文章试图用“语义空间论”搭一座桥：从争论已久的旧范式，走向可被数据反复检验、能直接驱动产品落地的新范式。先从“为什么关注”开始，随后快速浏览研究脉络，再进入核心思想与三大维度，最后回到可计算化与应用场景。读完你会对下一代情感计算方法有更多了解。

为什么关注语义空间论

情绪研究中主流理论和模型主要产生于上世纪 70-80 年代，缺乏严谨的定量验证，两大情绪理论已争论数十年，在 AI 时代需要新的研究方法和理论框架。

为了把问题从“旧争论”带入“新证据”，我们先明确当下的三个重要动因：

  • 情绪的内在复杂性：是否可以用 2/3 维来准确刻画？
  • 情感计算领域发展的新范式：数据驱动、多模态、动态计算、与 AI 模型结合
    • 需要使用大规模、数据驱动的方法
    • 如果能结合实时生理传感与生成式模型，语义空间论有望成为“情绪-智能交互”系统的核心理论
  • 理论经过规模化验证：理论 → 大规模数据验证 → 工业界应用
    • VAD 存在预设维度、数据验证不足等问题
    • 语义空间论的数十篇论文提供了数据规模、跨模态、跨文化、神经和生物进化等方面的有力证据

所谓新的范式，这仅是命名游戏，而是可验证、可复现、可落地的范式迁移。接下来，让我们回溯这一迁移中的关键节点与人物。

研究脉络和研究者

情感计算领域的奠基之作

理论/框架代表作与年份核心命题可计算化要点关键标准化
PAD（三维 V-A-D）Mehrabian & Russell, 1974在 V-A 上加入支配/控制维三维 VAD 作为统一标签空间SAM 量表/环境心理学与 HCI 评估
FACS 面部动作编码 + 基本情绪Ekman & Friesen, 1978; Ekman et al., 2002; Ekman, 1992用 AU 编码肌肉动作/离散基本情绪AU 中间语义层 → 分类与检测任务FACS 手册/训练体系/表情库与评测
环形模型（Circumplex）Russell, 1980效价 × 唤醒二维连续空间连续情感回归/标注的坐标系与 SAM/GEW/连续标注协议共振
OCC 模型（评价本体）Ortony, Clore & Collins, 1988基于事件/行为/对象的评价结构生成/判断情绪的可执行规则本体虚拟人/游戏/教育代理情感逻辑
Affective ComputingPicard, 1997计算机应识别/表达/调节情绪将情绪识别与调节定义为工程任务与接口范式催生多模态识别/调控任务、挑战与系统设计
Core Affect（核心情感）Russell, 2003核心情感是体验的连续基底V-A 作潜在态，时变与生理/自报对齐移动经验取样/连续标注方法论
Appraisal→EMA（计算化评价理论）Lazarus, 1991; Smith & Ellsworth, 1985; Gratch & Marsella, 2004情绪源自目标相关的情境评价EMA 将评价变量形式化为可模拟系统情感推理/交互仿真框架
组件过程模型（CPM）Scherer, 2005情绪=评价驱动的多组件动态过程评价变量 → 生理/表达/动机的流程映射GEW/多组件测量框架与协议
情绪构建论（CAT/TCE）Barrett, 2006; 2017核心情感 × 概念知识构建情绪跨语义/跨文化标签不变性与对齐对标签体系与泛化设定的校正
语义情绪空间（高维连续）Cowen & Keltner, 2017–2021≥25/27 类在高维语义上渐变自然刺激+大样本标注 → 连续嵌入跨文化/模态扩展，影响任务设定

感兴趣的朋友可以看看主流情绪理论论战背景：情绪大辩论——基本情绪论 vs 情绪建构论 

理论类型核心主张
基础情绪理论5-8 种离散情绪，边界清晰
建构主义理论情绪基于 2-3 维核心情感（效价 / 唤醒度），具体的情绪概念由语言建构，因人和情境而异

为了看清“从奠基到收敛”的路径，下面这条时间线聚焦于语义空间论如何一步步补全证据版图。

阶段核心思想关键论文
第一阶段：奠基与探索挑战传统离散情感类别，通过大规模数据分析，揭示情感体验的高维连续性。构建了包含 27 个维度的“情感地图”，并证明不同情感间存在平滑的梯度过渡。- (2017) Self-report captures 27 distinct categories of emotion bridged by continuous gradients
- (2019) Mapping the Passions: Toward a High-Dimensional Taxonomy of Emotional Experience and Expression
第二阶段：理论的正式提出正式提出“语义空间理论”，将其作为一个统一的计算框架。主张情感由高维语义特征定义，并将主观感受、面部表情、声音语调等不同模态的情感信息映射到该统一空间中。- (2020) Semantic Space Theory: A Computational Approach to Emotion
第三阶段：理论的深化与应用将语义空间理论用于解释和整合传统情感理论。证明了“基本情绪”在语义空间中是范围更广、密度更高的区域，从而统一了离散类别与连续维度的观点。- (2022) Semantic Space Theory: Data-Driven insights Into Basic Emotions

语义空间论的提出者是 Alan S. Cowen ，了解他的背景，能帮助我们更好地评估对语义空间论的发展和潜力。

维度详细信息
教育背景• 本科：耶鲁大学认知科学 & 应用数学双学位
• 博士(2013-2016)：加州大学伯克利分校心理学，师从 Dacher Keltner ，主攻计算情绪科学
学术贡献- 创立“语义空间论”(2017)并在多模态、多文化数据上验证。
- 首批使用 >1 万条跨国视频/音乐/表情数据库探测情绪几何结构。
产业化路径1. Google(2018-2020)：创建 Affective Computing 团队，研发面部-声学情绪识别引擎。
2. Facebook (顾问)：为情感理解模型提供算法咨询。
3. Hume AI（创始人兼 CEO/Chief Scientist）：推出 Expression API、Octave、多语种 Empathic Voice Interface (EVI 2)，让 LLM 具备情绪表达与“聆听”

语义空间论核心思想

接下来让我们把“脉络”转为“方法”，梳理出语义空间论（Semantic Space Theory, SST）的核心内容：

核心要点说明
出发点情绪研究两大流派都围绕“六大情绪”一对一映射展开，忽视了大量真实情绪信息，难以解释人类体验的丰富渐变(“六大”与 V-A 仅捕获 ≈30 % 信息)
基本假设情绪体验、表情、声纹、姿态等共同存在于一个高维连续语义空间；情绪之间并非孤岛，而是被渐变梯度连接。
数据驱动方法大规模跨文化数据收集 → 受试者对多模态刺激进行自由标签或情绪强度评分 → 以非线性降维（t-SNE、UMAP、Diffusion Maps）寻找情绪几何结构 → 计算机自动聚类与可视化。
关键发现- 观看 2185 段影片，自报告稳定聚成 27 种情绪簇，且簇之间由连贯梯度连接，而非离散断裂 (PubMed )。
- 在音乐领域，可复现 13 种跨文化一致的情绪维度 (PubMed )。
- 面部表情也呈现 28-30 类以上的情绪簇，且兼具混合形态。
对比传统模型- 基本情绪论：主张只有少数离散情绪（6 ～ 8 类基本情绪）、边界清晰；SST 发现类别远多于 6 ～ 8，且边界模糊。
- 建构论：认为核心影响因子是 valence-arousal，具体情绪由文化与语言建构；SST 证明需要十几维以上才能保持心理语义差异。
应用- 细粒度情绪识别 API（如 Hume AI）
- 情感音乐推荐、广告创意测试、跨文化情绪本体构建。
常见质疑自报告偏倚；受试者多来自在线众包（文化代表性不足）；高维空间如何映射到脑机制仍在探索。

语义空间论将情绪视作一张连续、彩色的高维地图

利用自然语料/视频/音乐等大规模刺激 + 自由标签 + 多维可靠性分析，在不预设类别的条件下揭示维度结构。

为避免概念停留在概念，我们把镜头拉近到具体的三大关键，将语义空间论落到任务定义与评测指标上。

语义空间论的三大关键

关键点核心问题关键点
Dimensionality 维度情绪有多少可区分维/类别？需 25 种以上离散情绪才能很好解释人类情绪变异
Distribution 分布类别边界是离散还是连续？多数情绪间无绝对边界，存在连续梯度（如敬畏与兴趣的过渡态）及混合态（如厌恶 + 恐惧、爱 + 渴望）
Conceptualization 概念最佳注解单位是什么？情绪类别是核心解释变量，效价 / 唤醒度仅能解释 30% 变异

SST 的方法和证据

方法革新：构建高维情绪研究的新范式

研究焦点传统模型方法高维情绪研究方法
情绪范围仅关注 “基础六种”开放探索多情绪及混合态（如敬畏、胜利感）
数据来源依赖科学家假设基于实证数据（民族志、自由反应、自然场景观察）
测量维度仅测量面部肌肉运动多模态测量（面部 + 身体 + 声音 + 凝视 + 触摸）
统计方法计算情绪识别准确率多维可靠性分析、t-SNE 可视化、机器学习建模

证据力度：大规模、跨模态、跨文化、神经&生物

1.人类的情感体验和表达是高维、连续的

证据简述备注Reference
情感体验的高维证据：通过对 2185 个短视频的反应进行分析，研究识别出 27 种不同的情感体验维度证据的代表性极强，使用了海量、多样的情感诱发材料，远超传统研究。方法（SH-CCA）和数据（提供交互式地图）公开透明，可验证性高。该证据直接、有力地支持了“高维性”主张。Keltner, D., Brooks, J. A., & Cowen, A. (2023). Semantic Space Theory: Data-Driven Insights Into Basic Emotions. Current Directions in Psychological Science, 32(3), 242–249. https://doi.org/10.1177/09637214221150511 
情感边界的模糊性证据：情感语义空间图显示，不同情感类别（颜色区域）之间存在大量混合与渐变，而非清晰的边界。例如，认知评估（如“努力”）可以连接“厌恶”和“愤怒”等不同情感。t-SNE 可视化方法本身会扭曲距离，但局部结构的连续性清晰可见，可验证性较好。它直观地反驳了基本情感理论的“离散性”假设，极具说服力。同上
情感的混合与渐变性：研究发现，传统上被视为离散的情感类别（如恐惧和惊讶）之间存在平滑的过渡梯度，形成了复合的、可被识别的混合情感表达。证据具说服力，论文提供了交互式地图的链接，允许读者亲自验证和探索数据，可验证性非常高。Cowen, A. S., & Keltner, D. (2021). Semantic Space Theory: A Computational Approach to Emotion. Trends in Cognitive Sciences, 25(2), 124–136. https://doi.org/10.1016/j.tics.2020.11.004 
传统模型的局限性：六基本情感模型和二维环形模型最多只能解释情感体验与表达中30%的系统性变异 。通过量化现有模型的解释力差距，直接凸显了探索新模型的必要性。数据来源于对该领域研究的元分析总结。Cowen, A., Sauter, D., Tracy, J. L., & Keltner, D. (2019). Mapping the Passions: Toward a High-Dimensional Taxonomy of Emotional Experience and Expression. Psychological Science in the Public Interest, 20(1), 69–90. https://doi.org/10.1177/1529100619850176 
可识别情绪种类远超 6 种：人类通过面部、身体、姿态和声音的组合，可以表达超过 20 种不同的情感状态。• 视觉：2185 个视频刺激需 27 种情绪类别解释变异
• 声音：2032 个声音片段可传递 24 种情绪，跨 14 种文化验证
• 面部/身体：1500 个自然场景表情可识别 28 种情绪		同上
语义空间映射法：介绍了一种新的研究方法，即利用大规模统计建模和机器学习，将人们对情感的描述映射到一个高维“语义空间”，从而系统地识别和组织情感类别。这既是证据也是方法论的展示。通过引入一种能够处理高维复杂性的新方法，作者证明了探索情感丰富性在技术上是可行的。方法论清晰，引用了具体应用研究。同上
情绪体验与关系评估的关联证据：引用多项研究证明，特定的主观情绪体验与相应的关系需求评估高度相关。例如，同情与他人的安全需求相关，自豪感与地位提升相关，愤怒与不公平感相关。证据来源于大量实证研究的综述，覆盖了多种情绪和关系，代表性强。虽然是二手引用，但引用的文献均为该领域的代表性成果，因此说服力高，直接支撑了“情绪体验追踪关系需求”的原则。Keltner, D., Sauter, D., Tracy, J. L., Wetchler, E., & Cowen, A. S. (2022). How emotions, relationships, and culture constitute each other: Advances in social functionalist theory. Cognition and Emotion, 36(3), 388–401. https://doi.org/10.1080/02699931.2022.2047009 
情绪认知引导社会行动的证据：特定的情绪会系统性地改变个体的认知（如注意、记忆、判断），从而引导出符合当前关系需求的社会行为。例如，同情心会让人更关注弱者并倾向于提供帮助。基于大量实证研究综述的证据。它清晰地展示了从“内在感受”到“外在行动”的转化路径，有力地支撑了“情绪认知指导关系行动”的原则。同上

2.是否跨模态研究（早期的情绪理论仅关注面部表情）

证据简述备注Reference
声音表达的丰富性：引用多项研究证明，人类声音（如笑、哭、叹息、呻吟等）可以传达超过 24 种不同的情感，并提供了可交互的在线声音情感地图作为实例。证据非常具体，不仅引用了多项研究，还提供了可供读者亲身体验的交互式地图，代表性和可验证性极高，有力地证明了情感表达远超六种。Cowen, A., Sauter, D., Tracy, J. L., & Keltner, D. (2019). Mapping the Passions: Toward a High-Dimensional Taxonomy of Emotional Experience and Expression. Psychological Science in the Public Interest, 20(1), 69–90. https://doi.org/10.1177/1529100619850176 
多模态表达的多样性：引用综述性研究指出，人类通过面部、身体、姿态和声音的组合，可以表达超过 20 种不同的情感状态。证据来自权威的综述文章，整合了多个研究的发现，具有较好的代表性。同上
情感识别的基线有效性：实验结果表明，在 34 种情绪中，有 29 种的全身动态表达能够被被试以远超随机猜测的准确率识别出来。证明了实验范式（全身动态表达）的有效性，说明后续的组间比较（性别、族裔、阶层）是建立在一个可靠的测量基础之上的。样本量大，情绪种类多，代表性强。Monroy, M., Cowen, A. S., & Keltner, D. (2022). Intersectionality in emotion signaling and recognition: The influence of gender, ethnicity, and social class. Emotion, 22(8), 1980–1988. https://doi.org/10.1037/emo0001082 
情感表达的多模态性：论文引用多项研究证明，情感通过面部、声音（语调和非词汇声音）、身体动作、凝视、手势和触觉等多种渠道表达。综合了跨越多种模态的研究，证据基础广泛。引用的研究均可查证，有力支持了“表达是多模态的”这一核心论点。Keltner, D., Sauter, D., Tracy, J., & Cowen, A. (2019). Emotional Expression: Advances in Basic Emotion Theory. Journal of Nonverbal Behavior, 43(2), 133–160. https://doi.org/10.1007/s10919-019-00293-3 

3.是否跨文化验证

证据简述备注Reference
可识别情感数量的扩展：引用跨文化研究表明，通过声音爆发等非语言线索，超过 20 种情感可以被不同文化背景的参与者可靠地识别。引用了大规模跨文化研究（10 个国家），代表性强。研究方法清晰（如将故事与声音匹配），可验证性高，是支撑核心主张的强力证据。Keltner, D., Sauter, D., Tracy, J., & Cowen, A. (2019). Emotional Expression: Advances in Basic Emotion Theory. Journal of Nonverbal Behavior, 43(2), 133–160. https://doi.org/10.1007/s10919-019-00293-3 
社会阶层的显著影响：统计分析明确显示，来自较低社会阶层（通过麦克阿瑟量表测量）的个体，其情绪表达被识别的准确率更高（是更好的表达者）；同时，他们在识别他人情绪时也表现出更高的准确率（是更好的识别者）。数据分析清晰，结果显著。它将社会阶层这一社会经济变量与基本的情感能力联系起来，为交叉性理论提供了强有力的实证支持。样本主要来自美国，在文化上代表性有一定局限。Monroy, M., Cowen, A. S., & Keltner, D. (2022). Intersectionality in emotion signaling and recognition: The influence of gender, ethnicity, and social class. Emotion, 22(8), 1980–1988. https://doi.org/10.1037/emo0001082 
性别差异的缺失：无论是在情绪表达的清晰度（女性 vs. 男性被识别的准确率）还是在情绪识别的能力（女性 vs. 男性识别者的准确率）上，均未发现显著的性别差异。它是在一个比以往研究更复杂、更生态化的范式下得出的，直接挑战了“女性在情绪识别上更有优势”的传统观点。样本覆盖了 155 名表达者和 555 名识别者，代表性好。同上
族裔“群内优势”的缺失：研究未发现识别者在判断自己族裔（亚裔、拉丁裔、欧裔美国人）的表达时比判断其他族裔的表达更准确。即预期的“群内优势”效应没有出现。该结果对“文化塑造了情绪表达的方言”这一观点提出了挑战，至少在这种全身表达的情境下不适用。同上
具体情感概念的首要性证据（跨文化层面）：跨文化研究（如比较美国和印度对语音语调的识别）显示，具体情感的识别具有更高的一致性（相关性更高），而效价和唤醒度的跨文化一致性则相对较低。证据覆盖了语音、音乐等多个领域和中美、美印等多个文化对，代表性好。文中数据和统计方法清晰呈现，可验证性高。该证据有力地表明，具体情感是跨文化交流中更稳定、更核心的信号。Keltner, D., Brooks, J. A., & Cowen, A. (2023). Semantic Space Theory: Data-Driven Insights Into Basic Emotions. Current Directions in Psychological Science, 32(3), 242–249. https://doi.org/10.1177/09637214221150511 
具体情感的跨文化首要性：跨文化研究（美国、中国、印度）显示，具体情感（如愤怒）的归因比效价和唤醒度的归因在不同文化中更一致。该证据直接挑战了建构主义的核心观点，即效价和唤醒度是首要的。研究涉及多个文化，增加了代表性。Cowen, A. S., & Keltner, D. (2021). Semantic Space Theory: A Computational Approach to Emotion. Trends in Cognitive Sciences, 25(2), 124–136. https://doi.org/10.1016/j.tics.2020.11.004 
古代艺术中的情感表达：对古美洲雕塑的研究发现，其面部表情与西方人对特定情境下（如战斗、痛苦）的情感预期一致，暗示了情感表达的普遍性。这是一个有趣的辅助证据，但样本量（63 个雕塑）相对较小，主要用于支持情感表达的普遍性，对核心主张的支撑力中等。同上

4.是否有神经/进化层面的证据

证据简述备注Reference
神经解码分析：成功地从多个脑区的 fMRI 活动模式中，准确预测出与视频相关的数十种具体情绪的评分。该证据直接表明，不同情绪类别在大脑中有可区分的、独特的神经信号模式，这是“高维度”和“类别化”主张的核心支持。Cowen, A. S., Keltner, D., Amiriparian, S., Christ, L., König, A., Cowen, A., Meßner, E.-M., Cambria, E., & Schuller, B. W. (2020). The Neural Representation of Visually Evoked Emotion Is High-Dimensional, Categorical, and Distributed across Transmodal Brain Regions. Emotion, 23(5), 101060. https://doi.org/10.1016/j.isci.2020.101060 
编码模型对比分析：构建了基于“情绪类别”和“情绪维度”的两种模型来预测每个体素的活动。结果显示，在绝大多数脑区，“情绪类别”模型比“情绪维度”模型能更好地解释大脑活动。这是最有力的证据，直接将两种对立的理论（类别论 vs. 维度论）置于实证检验之下，并得出了明确支持类别论的结论。同上
无监督聚类分析：对与情绪相关的大脑活动模式进行降维和聚类，发现这些活动模式自然地形成了与特定情绪类别相对应的簇状结构，并且簇之间存在连续的梯度。该证据不依赖于预设的标签，从数据驱动的角度揭示了大脑表征的内在结构，进一步证实了“类别化”和“梯度过渡”的观点。同上
具体情感概念的首要性证据（神经科学层面）：引用神经科学研究（fMRI 等）指出，大脑对情感的表征在时间上是先识别出具体情感，稍后才形成效价/唤醒度的抽象概念；并且，具体情感类别能更好地解释大脑各区域的活动模式。证据来自第三方研究，增强了论证的客观性，但其本身的样本代表性需审视原文献。引用的文献清晰可查，可验证性好。来自神经科学的证据为作者的心理学主张提供了生理层面的支持，构成了强有力的跨学科印证。Keltner, D., Brooks, J. A., & Cowen, A. (2023). Semantic Space Theory: Data-Driven Insights Into Basic Emotions. Current Directions in Psychological Science, 32(3), 242–249. https://doi.org/10.1177/09637214221150511 
  • 分布表征：情绪类别信息分布于默认模式网络（DMN）及下丘脑-边缘系统，而非单一脑区。
  • 时间进程：大脑对声音情绪的表征中，具体情绪先出现（早期神经响应），效价 / 唤醒度后出现（晚期 “抽象化” 响应），反驳建构主义 “先有核心情感，后建构具体情绪” 的主张。
  • 脑区覆盖：在所有皮层/皮下区域，具体情绪对脑激活模式的解释力均强于效价 / 唤醒度，说明即使是皮层下的基础情绪加工，也以具体情绪为核心。

与哺乳动物情绪行为的相似性：人类的 12 种情绪在哺乳动物的行为和神经生理学中有相似之处

情绪哺乳动物中相似的行为和神经生理表现
娱乐、玩耍非人类哺乳动物的玩耍表情、笑声和玩耍行为，大脑刺激引发的欢乐笑声
愤怒、攻击哺乳动物中类似咆哮的同源行为，下丘脑的攻击机制
焦虑、紧张非人类动物的替代行为（如自我梳理），黑猩猩的安慰缓解，猕猴中抗焦虑药物的缓解作用
厌恶、反感灵长类对酸 / 苦味的面部反应，小鼠的面部表情和神经相关物，岛叶在厌恶识别 / 体验中的作用等
狂喜、愉悦新生儿 / 灵长类的享乐反应，小鼠的面部表情和神经相关物
恐惧、警报非人类动物的警报叫声，杏仁核对尖叫样声音的反应等
爱、 bonding动物的亲子触摸，催产素在大鼠 / 田鼠 / 绢毛猴等的 bonding 中的作用等
疼痛（身体 / 共情）非人类动物的疼痛鬼脸，前扣带皮层（ACC）在疼痛识别 / 体验中的作用等
骄傲、地位猿的直立姿势和双足大摇大摆
悲伤、失落黑猩猩的哭泣表情和呜咽，中脑对婴儿哭声的反应
羞耻、顺从哺乳动物甚至非哺乳动物的姿势收缩和缩小的顺从展示
同情、安慰动物的安慰行为，对痛苦叫声的照顾反应等

语义空间论给我们带来了什么

  • 一个判断框架：当模型只在 V-A 上做回归时，问一句“是否丢失了大部分语义差异？”
  • 一个工程抓手：把“情绪类别与梯度”作为标签与指标，支持多模态一致性评估。
  • 一个落地方向：将 SST 视作“情绪-智能交互”的通用语义底座，从实验到产品闭环。

参考文献

Baird, A., Tzirakis, P., Brooks, J., Kim, L., Opara, M., Gregory, C., Metrick, J., Boseck, G., Keltner, D., & Cowen, A. (2022). State & Trait Measurement from Nonverbal Vocalizations: A Multi-Task Joint Learning Approach. Interspeech 2022, 2028–2032. https://doi.org/10.21437/Interspeech.2022-10927 

Brooks, J. A., Kim, L., Opara, M., Keltner, D., Fang, X., Monroy, M., Corona, R., Tzirakis, P., Baird, A., Metrick, J., Taddesse, N., Zegeye, K., & Cowen, A. S. (2024). Deep learning reveals what facial expressions mean to people in different cultures. iScience, 27(3), 109175. https://doi.org/10.1016/j.isci.2024.109175 

Brooks, J. A., Tiruvadi, V., Baird, A., Tzirakis, P., Li, H., Gagne, C., Oh, M., & Cowen, A. (2023). Emotion Expression Estimates to Measure and Improve Multimodal Social-Affective Interactions. International Cconference on Multimodal Interaction, 353–358. https://doi.org/10.1145/3610661.3616129 

Cordaro, D. T., Sun, R., Kamble, S., Hodder, N., Monroy, M., Cowen, A., Bai, Y., & Keltner, D. (2020). The recognition of 18 facial-bodily expressions across nine cultures. Emotion, 20(7), 1292–1300. https://doi.org/10.1037/emo0000576 

Cowen, A. S., Elfenbein, H. A., Laukka, P., & Keltner, D. (2019). Mapping 24 emotions conveyed by brief human vocalization. American Psychologist, 74(6), 698–712. https://doi.org/10.1037/amp0000399 

Cowen, A. S., Fang, X., Sauter, D., & Keltner, D. (2020). What music makes us feel: At least 13 dimensions organize subjective experiences associated with music across different cultures. Proceedings of the National Academy of Sciences, 117(4), 1924–1934. https://doi.org/10.1073/pnas.1910704117 

Cowen, A. S., & Keltner, D. (2017). Self-report captures 27 distinct categories of emotion bridged by continuous gradients. Proceedings of the National Academy of Sciences, 114(38). https://doi.org/10.1073/pnas.1702247114 

Cowen, A. S., & Keltner, D. (2020a). Universal facial expressions uncovered in art of the ancient Americas: A computational approach. Science Advances, 6(34), eabb1005. https://doi.org/10.1126/sciadv.abb1005 

Cowen, A. S., & Keltner, D. (2020b). What the face displays: Mapping 28 emotions conveyed by naturalistic expression. American Psychologist, 75(3), 349–364. https://doi.org/10.1037/amp0000488 

Cowen, A. S., & Keltner, D. (2021). Semantic Space Theory: A Computational Approach to Emotion. Trends in Cognitive Sciences, 25(2), 124–136. https://doi.org/10.1016/j.tics.2020.11.004 

Cowen, A. S., Keltner, D., Amiriparian, S., Christ, L., König, A., Cowen, A., Meßner, E.-M., Cambria, E., & Schuller, B. W. (2020). The Neural Representation of Visually Evoked Emotion Is High-Dimensional, Categorical, and Distributed across Transmodal Brain Regions. Emotion, 23(5), 101060. https://doi.org/10.1016/j.isci.2020.101060 

Cowen, A. S., Keltner, D., Schroff, F., Jou, B., Adam, H., & Prasad, G. (2021). Sixteen facial expressions occur in similar contexts worldwide. Nature, 589(7841), 251–257. https://doi.org/10.1038/s41586-020-3037-7 

Cowen, A. S., Laukka, P., Elfenbein, H. A., Liu, R., & Keltner, D. (2019). The primacy of categories in the recognition of 12 emotions in speech prosody across two cultures. Nature Human Behaviour, 3(4), 369–382. https://doi.org/10.1038/s41562-019-0533-6 

Cowen, A., Sauter, D., Tracy, J. L., & Keltner, D. (2019). Mapping the Passions: Toward a High-Dimensional Taxonomy of Emotional Experience and Expression. Psychological Science in the Public Interest, 20(1), 69–90. https://doi.org/10.1177/1529100619850176 

Demszky, D., Movshovitz-Attias, D., Ko, J., Cowen, A., Nemade, G., & Ravi, S. (2020). GoEmotions: A Dataset of Fine-Grained Emotions (No. arXiv:2005.00547). arXiv. https://doi.org/10.48550/arXiv.2005.00547 

Keltner, D., Brooks, J. A., & Cowen, A. (2023). Semantic Space Theory: Data-Driven Insights Into Basic Emotions. Current Directions in Psychological Science, 32(3), 242–249. https://doi.org/10.1177/09637214221150511 

Keltner, D., & Cowen, A. (2021). A taxonomy of positive emotions. Current Opinion in Behavioral Sciences, 39, 216–221. https://doi.org/10.1016/j.cobeha.2021.04.013 

Keltner, D., Sauter, D., Tracy, J., & Cowen, A. (2019). Emotional Expression: Advances in Basic Emotion Theory. Journal of Nonverbal Behavior, 43(2), 133–160. https://doi.org/10.1007/s10919-019-00293-3 

Keltner, D., Sauter, D., Tracy, J. L., Wetchler, E., & Cowen, A. S. (2022). How emotions, relationships, and culture constitute each other: Advances in social functionalist theory. Cognition and Emotion, 36(3), 388–401. https://doi.org/10.1080/02699931.2022.2047009 

Monroy, M., Cowen, A. S., & Keltner, D. (2022). Intersectionality in emotion signaling and recognition: The influence of gender, ethnicity, and social class. Emotion, 22(8), 1980–1988. https://doi.org/10.1037/emo0001082 

© 00RSS