Istraživanje za seminarski rad: Može li umjetna inteligencija razumjeti ljudske emocije?

Bilježnica za seminarski rad

Naslov rada: Može li umjetna inteligencija razumjeti ljudske emocije? Analiza afektivnog računarstva i emocionalne inteligencije AI-ja
Podtema: Može li AI prepoznavati, interpretirati i generirati emocionalno primjerene odgovore te u kojem smislu to jest ili nije usporedivo s ljudskim razumijevanjem emocija.
Razina i opseg: seminarski/akademski rad, približno 7500 riječi
Jezik: hrvatski
Registar: nije priložen
Datum zatvaranja pretraživanja: 10. kolovoza 2026.

FAZA A — KALIBRACIJA POLJA

Podtema pripada presjeku afektivnog računarstva, računalne znanosti, psihologije emocija, emocionalne inteligencije, obrade prirodnog jezika i interakcije čovjeka i računala.
Susjedne discipline uključuju afektivnu neuroznanost, kognitivnu psihologiju, računalni vid, obradu govora, strojno učenje, robotiku i filozofiju uma.
Primarni izvori u ovom polju jesu izvorni empirijski radovi, radovi koji uvode skup podataka ili benchmark te teorijski radovi koji uvode model ili definiciju.
Sekundarni izvori jesu sustavni pregledi, pregledni članci, metaanalize i metodološke rasprave o mjerenju emocionalnih sposobnosti.
Standardne vrste izvora uključuju članke u časopisima, radove s konferencija, znanstvene monografije, skupove podataka, benchmarkove i psihometrijske instrumente.
Pretraživat ću ACL Anthology, PubMed, IEEE Xplore, ACM Digital Library, Web of Science, Scopus, PsycINFO, Crossref, izdavačke stranice, Hrčak i druge nacionalne repozitorije.

FAZA B — PRIKUPLJANJE I PROVJERA IZVORA

B0. Registar

Registar nije priložen. Nijedan izvor nema oznaku [REG].

B0.5. Radna skica

Afektivno računarstvo i modeli emocija
Emocionalna inteligencija kao psihološki konstrukt
Računalno prepoznavanje emocija i multimodalni sustavi
Emocionalno razumijevanje, rezoniranje i benchmarkovi AI-ja
Razgovorni agenti, empatija i emocionalno primjereni odgovori
Pristranosti, kulturna varijabilnost i ograničenja generalizacije
Granice usporedbe funkcionalne obrade emocija i ljudskog razumijevanja

B1. Sastav potvrđenih izvora

Potvrđeno je 25 izvora:

najmanje 3 izvora iz posljednjih pet godina: ispunjeno;
regionalna literatura: ispunjeno s izvorima [I23], [I24] i [I25];
izvori koji pokrivaju suprotne strane rasprave: ispunjeno;
teorijski izvori: [I1], [I2], [I3], [I5] i [I6];
kanonska monografija: [I1];
sustavni pregledi: [I10], [I15] i [I17];
empirijski izvori o emocionalnoj inteligenciji LLM-ova: [I13], [I14], [I20] i [I21];
izvori o multimodalnom prepoznavanju: [I7], [I8], [I9], [I10] i [I23].

B1.5. Postojeći pregledi

Kalateh et al. (2024) sustavno pregledavaju multimodalno prepoznavanje emocija, uključujući modalitete, skupove podataka, metode fuzije, evaluaciju i izazove generalizacije za razdoblje 2014.–2024. [I10]
Sorin et al. (2024) sustavno pregledavaju istraživanja empatije u velikim jezičnim modelima objavljena do veljače 2024.; uključili su 12 studija, od kojih se većina odnosila na ChatGPT-3.5 i zdravstveni kontekst. [I15][SAŽETAK]
Sanjeewa et al. (2024) sustavno pregledavaju dizajn i evaluaciju empatičnih razgovornih agenata u području mentalnog zdravlja; pregled obuhvaća radove objavljene do rujna 2023. [I17]
Pregledni rad Concannon i Tomalin nije sustavni pregled, ali je važna metodološka rasprava o mjerenju percipirane empatije u razgovornim sustavima. Autori naglašavaju da ne postoji jedinstvena prihvaćena mjera empatije u dijaloškim sustavima. [I16]

Novi seminarski rad treba se prema tim pregledima pozicionirati tako da ne izjednači prepoznavanje emocija, emocionalnu inteligenciju, empatiju i subjektivni doživljaj.

B2. DOSJE POTVRĐENIH IZVORA

[I1] Rosalind W. Picard — afektivno računarstvo

Puni citat: Picard, Rosalind W. (1997). Affective Computing. Cambridge, MA: The MIT Press.
TRAG DOHVATA: https://mitpress.mit.edu/9780262161701/affective-computing/
RAZ解ŠENJE: zapis se razrješava na: Rosalind W. Picard, 1997, Affective Computing, The MIT Press, monografija.
STATUS ZAPISA: bez oznaka.
RAZINA DOHVATA: samo bibliografski zapis s opisom sadržaja izdavača.
Vrsta i težina: kanonska znanstvena monografija; uvodi područje afektivnog računarstva i povezuje prepoznavanje, modeliranje i izražavanje emocija u računalnim sustavima.
EMPIRIJSKA OSNOVA: nije primjenjivo.
OPERACIONALIZACIJA: nije primjenjivo.
ZAKLJUČAK IZVORA: računalni sustavi mogu biti projektirani tako da prepoznaju, modeliraju i izražavaju emocionalne informacije kao dio prirodnije interakcije s ljudima. [SAŽETAK]
OGRADE AUTORÂ: u dostupnom zapisu nisu navedene zasebne metodološke ograde.
NALAZ KOJI KORISTIM: afektivno računarstvo obuhvaća signalne reprezentacije emocija, prepoznavanje afekta kao problem klasifikacije i učenja te modele za sintetiziranje emocija u računalima. [SAŽETAK]
Svrha u seminaru: temeljna definicija područja i polazište za razlikovanje funkcionalne obrade emocija od ljudskog emocionalnog iskustva. (mitpress.mit.edu)

[I2] James A. Russell — dimenzijski model afekta

Puni citat: Russell, James A. (1980). “A circumplex model of affect.” Journal of Personality and Social Psychology, 39(6), 1161–1178. DOI: 10.1037/h0077714.
TRAG DOHVATA: https://cir.nii.ac.jp/crid/1364233270668322432
RAZRJEŠENJE: zapis se razrješava na: James A. Russell, 1980, “A circumplex model of affect”, Journal of Personality and Social Psychology, 39(6), 1161–1178, članak u časopisu.
STATUS ZAPISA: bez oznaka.
RAZINA DOHVATA: sažetak/bibliografski zapis.
Vrsta i težina: kanonski teorijski rad; uvodi jedan od najutjecajnijih dimenzijskih modela afekta.
EMPIRIJSKA OSNOVA: nije primjenjivo za teorijski model; rad je utemeljen na ranijim analizama emocionalnih pojmova.
OPERACIONALIZACIJA: afektivni pojmovi smještaju se u kružni prostor prema dimenzijama ugode/neugode i pobuđenosti/aktivacije.
ZAKLJUČAK IZVORA: afektivni pojmovi nisu nužno zasebne, međusobno neovisne kategorije, nego se mogu prikazati kao sustavno organiziran dimenzijski prostor. [SAŽETAK]
OGRADE AUTORÂ: u dostupnom zapisu nisu navedene zasebne ograde.
NALAZ KOJI KORISTIM: izbor dimenzijskog modela vodi prema regresijskom predviđanju valencije i pobuđenosti, a ne prema klasifikaciji u unaprijed određene kategorije. [SAŽETAK]
Svrha u seminaru: teorijska osnova za objašnjenje da sustav može predviđati afektivnu dimenziju, a ne nužno prepoznavati „emociju” kao diskretnu ljudsku kategoriju. (cir.nii.ac.jp)

[I3] Paul Ekman — kategorijski i univerzalistički pristupi izrazima lica

Puni citat: Ekman, Paul. (1992). “Facial Expressions of Emotion: New Findings, New Questions.” Psychological Science, 3(1). DOI: 10.1111/j.1467-9280.1992.tb00253.x.
TRAG DOHVATA: https://journals.sagepub.com/doi/10.1111/j.1467-9280.1992.tb00253.x
RAZRJEŠENJE: zapis se razrješava na: Paul Ekman, 1992, “Facial Expressions of Emotion: New Findings, New Questions”, Psychological Science, 3(1), članak u časopisu.
STATUS ZAPISA: bez oznaka.
RAZINA DOHVATA: sažetak.
Vrsta i težina: teorijsko-pregledni rad u psihologiji emocija; relevantan za kategorijske modele i raspravu o univerzalnosti izraza lica.
EMPIRIJSKA OSNOVA: nije primjenjivo u smislu vlastitog uzorka; rad je pregledni.
OPERACIONALIZACIJA: razmatra se prepoznavanje emocionalnih izraza lica i razlike između različitih vrsta osmijeha.
ZAKLJUČAK IZVORA: određeni obrasci izraza lica imaju međukulturalne pravilnosti, ali pitanje univerzalnosti ostaje povezano s kulturnim razlikama i načinom mjerenja. [SAŽETAK]
OGRADE AUTORÂ: rad izrijekom navodi obnovljenu kontroverzu o univerzalnosti izraza i nove nalaze o kulturnim razlikama.
NALAZ KOJI KORISTIM: sustavi trenirani na kategorijskim oznakama poput sreće, tuge ili straha modeliraju odabranu taksonomiju izraza, a ne nužno cjelokupno emocionalno stanje osobe. [SAŽETAK]
Svrha u seminaru: uvodi kategorijski pol teorijske rasprave i omogućuje usporedbu s dimenzijskim modelom [I2]. (journals.sagepub.com)

[I4] Mayer, Salovey, Caruso i Sitarenios — MSCEIT

Puni citat: Mayer, John D., Peter Salovey, David R. Caruso, and Gill Sitarenios. (2003). “Measuring emotional intelligence with the MSCEIT V2.0.” Emotion, 3(1), 97–105. DOI: 10.1037/1528-3542.3.1.97.
TRAG DOHVATA: https://pubmed.ncbi.nlm.nih.gov/12899321/
RAZRJEŠENJE: zapis se razrješava na: John D. Mayer, Peter Salovey, David R. Caruso i Gill Sitarenios, 2003, “Measuring emotional intelligence with the MSCEIT V2.0”, Emotion, 3(1), 97–105, članak u časopisu.
STATUS ZAPISA: bez oznaka.
RAZINA DOHVATA: sažetak.
Vrsta i težina: psihometrijski primarni rad; uvodi i provjerava mjerenje sposobnosne emocionalne inteligencije.
EMPIRIJSKA OSNOVA: 21 stručnjak za emocije i 2112 sudionika standardizacijskog uzorka.
OPERACIONALIZACIJA: sudionici rješavaju zadatke MSCEIT-a; ispituju se slaganje s odgovorima stručnjaka i standardizacijskog uzorka, pouzdanost i faktorska struktura.
ZAKLJUČAK IZVORA: MSCEIT pokazuje prihvatljivu pouzdanost, a faktorska analiza podupire teorijske modele emocionalne inteligencije. [SAŽETAK]
OGRADE AUTORÂ: „razumna” pouzdanost i bolja suglasnost stručnjaka ondje gdje su odgovori jasniji; to ne znači da test iscrpljuje konstrukt emocionalne inteligencije.
NALAZ KOJI KORISTIM: emocionalna inteligencija može se ispitivati testom učinka, a ne samo samoprocjenom. [SAŽETAK]
Svrha u seminaru: razlikovanje sposobnosnog modela emocionalne inteligencije od generiranja emocionalno prikladnog teksta. (pubmed.ncbi.nlm.nih.gov)

[I5] Mayer, Salovey i Caruso — emocionalna inteligencija kao sposobnost

Puni citat: Mayer, John D., Peter Salovey, and David R. Caruso. (2008). “Emotional intelligence: New ability or eclectic traits?” American Psychologist, 63(6), 503–517. DOI: 10.1037/0003-066X.63.6.503.
TRAG DOHVATA: https://pubmed.ncbi.nlm.nih.gov/18793038/
RAZRJEŠENJE: zapis se razrješava na: John D. Mayer, Peter Salovey i David R. Caruso, 2008, “Emotional intelligence: New ability or eclectic traits?”, American Psychologist, 63(6), 503–517, članak u časopisu.
STATUS ZAPISA: bez oznaka.
RAZINA DOHVATA: sažetak.
Vrsta i težina: teorijski rad; razjašnjava razliku između sposobnosne emocionalne inteligencije i širokih sklopova osobina.
EMPIRIJSKA OSNOVA: nije primjenjivo.
OPERACIONALIZACIJA: emocionalna inteligencija definira se kao sposobnost obrade emocija i emocionalno relevantnih podražaja te korištenja tih informacija u mišljenju i ponašanju.
ZAKLJUČAK IZVORA: emocionalna inteligencija kao sposobnost treba se razlikovati od mješavina sreće, samopoštovanja, optimizma i drugih osobina. [SAŽETAK]
OGRADE AUTORÂ: autori navode teorijsku i operacionalnu podjelu u području, ali ne tvrde da svi oblici emocionalne inteligencije predstavljaju isti konstrukt.
NALAZ KOJI KORISTIM: AI koji točno rješava test emocionalne inteligencije pokazuje uspješnost na određenom zadatku; to samo po sebi ne dokazuje da posjeduje sve komponente sposobnosnog konstrukta. [SAŽETAK]
Svrha u seminaru: ključni teorijski izvor za ograničavanje zaključaka o „emocionalnoj inteligenciji AI-ja”. (pubmed.ncbi.nlm.nih.gov)

[I6] Brackett i Mayer — različite mjere EI-ja

Puni citat: Brackett, Marc A., and John D. Mayer. (2003). “Convergent, discriminant, and incremental validity of competing measures of emotional intelligence.” Personality and Social Psychology Bulletin, 29(9), 1147–1158. DOI: 10.1177/0146167203254596.
TRAG DOHVATA: https://pubmed.ncbi.nlm.nih.gov/15189610/
RAZRJEŠENJE: zapis se razrješava na: Marc A. Brackett i John D. Mayer, 2003, “Convergent, discriminant, and incremental validity of competing measures of emotional intelligence”, Personality and Social Psychology Bulletin, 29(9), 1147–1158, članak u časopisu.
STATUS ZAPISA: bez oznaka.
RAZINA DOHVATA: sažetak.
Vrsta i težina: empirijski psihometrijski rad.
EMPIRIJSKA OSNOVA: rad uspoređuje MSCEIT, EQ-i i SREIT; točan broj sudionika nije naveden u otvorenom sažetku.
OPERACIONALIZACIJA: uspoređuju se test sposobnosti, samoprocjenska mjera EI-ja i drugi samoprocjenski test te njihovi odnosi s osobnošću, dobrobiti i akademskim postignućem.
ZAKLJUČAK IZVORA: sposobnosna EI i samoprocjenska EI slabo su povezane i mjere različite aspekte emocionalne inteligencije. [SAŽETAK]
OGRADE AUTORÂ: rezultati ovise o vrsti instrumenta; različite mjere ne smiju se automatski tretirati kao ista varijabla.
NALAZ KOJI KORISTIM: usporedba AI-ja s ljudima mora navesti koji se model i instrument emocionalne inteligencije koriste. [SAŽETAK]
Svrha u seminaru: zaštita od tihe zamjene pojmova između emocionalnog prepoznavanja, sposobnosne EI i samoprocjene. (pubmed.ncbi.nlm.nih.gov)

[I7] Busso et al. — IEMOCAP

Puni citat: Busso, Carlos et al. (2008). “IEMOCAP: Interactive emotional dyadic motion capture database.” Language Resources and Evaluation.
TRAG DOHVATA: https://sail.usc.edu/iemocap/Busso_2008_iemocap.pdf
RAZRJEŠENJE: zapis se razrješava na: Carlos Busso et al., 2008, “IEMOCAP: Interactive emotional dyadic motion capture database”, članak o skupu podataka u časopisu Language Resources and Evaluation.
STATUS ZAPISA: bez oznaka.
RAZINA DOHVATA: puni tekst.
Vrsta i težina: izvorni rad koji uvodi skup podataka; mjerodavan je za opis IEMOCAP-a.
EMPIRIJSKA OSNOVA: baza uključuje snimljene dijadičke interakcije u scenarijima s kontroliranim i spontanim/neskriptiranim dijelovima; tekst navodi akustičke, vizualne i dijaloške informacije.
OPERACIONALIZACIJA: emocionalne oznake dodjeljuju se na temelju procjena gledatelja koji imaju pristup videu, akustičkom kanalu i prethodnim dijaloškim potezima; prikupljaju se i pokreti lica pomoću markera.
ZAKLJUČAK IZVORA: IEMOCAP je osmišljen kao korpus koji povezuje emocionalni sadržaj, govor, vizualne izraze i kontekst interakcije.
OGRADE AUTORÂ: scenariji mogu izazivati ciljane emocije, ali glumci ne moraju proizvesti upravo ciljanu emociju; slaganje procjenjivača je ograničeno.
NALAZ KOJI KORISTIM: prirodnost, kontekst i način anotacije ključni su za interpretaciju rezultata sustava za prepoznavanje emocija.
Svrha u seminaru: primjer razlike između odglumljenih, scenarijski izazvanih i spontanih emocionalnih podataka. (sail.usc.edu)

[I8] Zadeh et al. — CMU-MOSEI i multimodalna fuzija

Puni citat: Zadeh, AmirAli Bagher, Paul Pu Liang, Soujanya Poria, Erik Cambria, and Louis-Philippe Morency. (2018). “Multimodal Language Analysis in the Wild: CMU-MOSEI Dataset and Interpretable Dynamic Fusion Graph.” In Proceedings of the 56th Annual Meeting of the Association for Computational Linguistics, 2236–2246. DOI: 10.18653/v1/P18-1208.
TRAG DOHVATA: https://aclanthology.org/P18-1208/
RAZRJEŠENJE: zapis se razrješava na: AmirAli Bagher Zadeh, Paul Pu Liang, Soujanya Poria, Erik Cambria i Louis-Philippe Morency, 2018, navedeni naslov, rad u konferencijskom zborniku ACL-a.
STATUS ZAPISA: bez oznaka.
RAZINA DOHVATA: puni tekst.
Vrsta i težina: izvorni rad o skupu podataka i metodi multimodalne fuzije.
EMPIRIJSKA OSNOVA: CMU-MOSEI sadrži sinkronizirane jezične, vizualne i akustičke sekvence iz videomaterijala; točan opseg baze u ovom dosjeu ne preuzimam jer nije potreban za nosivu tvrdnju.
OPERACIONALIZACIJA: model kombinira riječi, vizualne izraze i paralingvističke akustičke značajke u sekvencama koje nisu nužno vremenski savršeno poravnate.
ZAKLJUČAK IZVORA: multimodalna analiza može iskoristiti odnose među jezičnim, vizualnim i akustičkim modalitetima, a dinamička fuzija može biti interpretabilnija od jednostavnog spajanja značajki.
OGRADE AUTORÂ: modaliteti su heterogeni, sekvencijalni i asinkroni; stoga multimodalnost donosi i problem poravnanja i šuma.
NALAZ KOJI KORISTIM: veći broj modaliteta ne znači automatski „dublje razumijevanje”; model može koristiti korelacije među kanalima za bolju predikciju zadane oznake.
Svrha u seminaru: temelj za poglavlje o multimodalnom prepoznavanju i fuziji. (aclanthology.org)

[I9] Saganowski et al. — Emognition

Puni citat: Saganowski, Stanisław, Joanna Komoszyńska, Maciej Behnke, Bartosz Perz, Dominika Kunc, Bartłomiej Klich, Łukasz D. Kaczmarek, and Przemysław Kazienko. (2022). “Emognition dataset: emotion recognition with self-reports, facial expressions, and physiology using wearables.” Scientific Data, 9(1), 158. DOI: 10.1038/s41597-022-01262-0.
TRAG DOHVATA: https://pubmed.ncbi.nlm.nih.gov/35393434/
RAZRJEŠENJE: zapis se razrješava na: navedene autore, 2022, “Emognition dataset…”, Scientific Data, 9(1), 158, članak o skupu podataka.
STATUS ZAPISA: bez oznaka.
RAZINA DOHVATA: sažetak.
Vrsta i težina: izvorni rad koji uvodi multimodalni skup podataka.
EMPIRIJSKA OSNOVA: zapis navodi fiziološke signale, snimke gornjeg dijela tijela i podatke o izrazima lica.
OPERACIONALIZACIJA: emocije se povezuju sa samoprocjenama, facijalnim reakcijama i fiziološkim signalima dobivenima nosivim uređajima.
ZAKLJUČAK IZVORA: skup je namijenjen ispitivanju prepoznavanja emocija kombiniranjem samoprocjena, lica i fiziologije. [SAŽETAK]
OGRADE AUTORÂ: u dostupnom sažetku nisu detaljno navedene.
NALAZ KOJI KORISTIM: multimodalni sustav može predviđati više vrsta signala, ali nijedan kanal nije izravan pristup subjektivnom emocionalnom doživljaju. [SAŽETAK]
Svrha u seminaru: primjer šireg, ali metodološki složenog poimanja emocionalnog signala. (pubmed.ncbi.nlm.nih.gov)

[I10] Kalateh et al. — sustavni pregled multimodalnog prepoznavanja

Puni citat: Kalateh, Sepideh, Luis A. Estrada-Jimenez, Sanaz Nikghadam-Hojjati, and Jose Barata. (2024). “A Systematic Review on Multimodal Emotion Recognition: Building Blocks, Current State, Applications, and Challenges.” IEEE Access, 12, 103976–104019. DOI: 10.1109/ACCESS.2024.3430850.
TRAG DOHVATA: https://novaresearch.unl.pt/en/publications/a-systematic-review-on-multimodal-emotion-recognition-building-bl/
RAZRJEŠENJE: zapis se razrješava na: navedene autore, 2024, navedeni naslov, IEEE Access, 12, 103976–104019, sustavni pregled.
STATUS ZAPISA: bez oznaka.
RAZINA DOHVATA: puni tekst.
Vrsta i težina: sustavni pregled prema PRISMA smjernicama.
EMPIRIJSKA OSNOVA: nije primjenjivo; pregled uključuje 45 odabranih radova.
OPERACIONALIZACIJA: pregled obuhvaća verbalne, fiziološke, facijalne, tjelesne i govorne modalitete te metode obrade i fuzije.
ZAKLJUČAK IZVORA: multimodalno prepoznavanje napreduje, ali ostaju problemi skupova podataka, generalizacije, kulturnih razlika, evaluacije i etičke uporabe.
OGRADE AUTORÂ: rezultati ovise o odabranim modalitetima, skupovima podataka i kriterijima evaluacije.
NALAZ KOJI KORISTIM: multimodalna točnost ne može se odvojiti od svojstava skupa podataka i načina anotacije.
Svrha u seminaru: pregled stanja područja i izvor za metodološke ograde. (novaresearch.unl.pt)

[I11] Rashkin et al. — EmpatheticDialogues

Puni citat: Rashkin, Hannah, Eric Michael Smith, Margaret Li, and Y-Lan Boureau. (2019). “Towards Empathetic Open-domain Conversation Models: A New Benchmark and Dataset.” In Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics, 5370–5381. DOI: 10.18653/v1/P19-1534.
TRAG DOHVATA: https://aclanthology.org/P19-1534/
RAZRJEŠENJE: zapis se razrješava na: navedene autore, 2019, navedeni naslov, rad u zborniku ACL-a.
STATUS ZAPISA: bez oznaka.
RAZINA DOHVATA: puni tekst.
Vrsta i težina: izvorni rad koji uvodi benchmark i skup podataka za empatični dijalog.
EMPIRIJSKA OSNOVA: skup EmpatheticDialogues sadrži približno 25 000 razgovora utemeljenih na emocionalnim situacijama.
OPERACIONALIZACIJA: modeli generiraju odgovore na razgovorne ulaze koji su povezani s opisanom emocionalnom situacijom; procjena uključuje ljudsko vrednovanje percipirane empatije.
ZAKLJUČAK IZVORA: modeli trenirani na emocionalno utemeljenim razgovorima mogu biti percipirani kao empatičniji od modela treniranih samo na velikim internetskim zbirkama.
OGRADE AUTORÂ: ljudska procjena odnosi se na kvalitetu i percipiranu empatiju odgovora, ne na subjektivno osjećanje sustava.
NALAZ KOJI KORISTIM: emocionalno prikladan odgovor može se trenirati i procjenjivati kao ponašajni izlaz sustava.
Svrha u seminaru: razlikovanje generiranja empatičnog odgovora od dokazivanja empatije kao unutarnjeg stanja. (aclanthology.org)

[I12] Sharma et al. — računalno mjerenje empatije u tekstu

Puni citat: Sharma, Ashish, Adam S. Miner, David C. Atkins, and Tim Althoff. (2020). “A Computational Approach to Understanding Empathy Expressed in Text-Based Mental Health Support.” In Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing, 5263–5276.
TRAG DOHVATA: https://aclanthology.org/2020.emnlp-main.425.pdf
RAZRJEŠENJE: zapis se razrješava na: navedene autore, 2020, navedeni naslov, rad u konferencijskom zborniku EMNLP-a.
STATUS ZAPISA: bez oznaka.
RAZINA DOHVATA: puni tekst.
Vrsta i težina: empirijski računalno-lingvistički rad; uvodi teorijski utemeljen okvir i korpus.
EMPIRIJSKA OSNOVA: 10 000 parova objave i odgovora te analiza 235 000 interakcija s platformi za mentalno zdravlje.
OPERACIONALIZACIJA: tekstualni odgovori anotirani su prema okviru empatije, uz obrazloženja anotatora; treniran je višezadaćni model temeljen na RoBERTa-bi-enkoderu.
ZAKLJUČAK IZVORA: empatija u tekstualnoj podršci može se računalno identificirati, ali zahtijeva eksplicitne kriterije i obrazloženja.
OGRADE AUTORÂ: tekstualni, asinkroni kontekst ne obuhvaća sve paralingvističke i neverbalne aspekte empatije.
NALAZ KOJI KORISTIM: „empatija” u računalnom sustavu mora biti vezana uz definirane obrasce komunikacije, a ne uz opći dojam.
Svrha u seminaru: izvor za operacionalizaciju empatije kao ponašajnog i jezičnog fenomena. (aclanthology.org)

[I13] Wang et al. — emocionalna inteligencija LLM-ova

Puni citat: Wang, Xuena, Xueting Li, Zi Yin, Yue Wu, and Jia Liu. (2023). “Emotional intelligence of Large Language Models.” DOI: 10.1177/18344909231213958.
TRAG DOHVATA: https://journals.sagepub.com/doi/10.1177/18344909231213958
RAZRJEŠENJE: zapis se razrješava na: Xuena Wang, Xueting Li, Zi Yin, Yue Wu i Jia Liu, 2023, “Emotional intelligence of Large Language Models”, članak u časopisu, DOI 10.1177/18344909231213958.
STATUS ZAPISA: bez oznaka.
RAZINA DOHVATA: puni tekst.
Vrsta i težina: empirijski rad o usporedbi LLM-ova s ljudskim rezultatima.
EMPIRIJSKA OSNOVA: test SECEU od 40 čestica; ispitani su različiti modeli, uključujući GPT-4, GPT-3.5, Claude, LLaMA-varijante, ChatGLM i druge.
OPERACIONALIZACIJA: procjenjuju se emocionalno prepoznavanje, interpretacija i razumijevanje kroz test, standardizirani rezultati i usporedba s ljudskom normom.
ZAKLJUČAK IZVORA: izvedba se znatno razlikuje među modelima; GPT-4 u prikazanom testu nadmašuje velik dio ljudskog referentnog uzorka.
OGRADE AUTORÂ: test ima samo 40 čestica, ne obuhvaća sve aspekte emocionalnog razumijevanja i ne utvrđuje uzročne odnose.
NALAZ KOJI KORISTIM: visoka uspješnost LLM-a na testu emocionalne inteligencije pokazuje izvedbu na odabranom testu, a ne automatski cjelokupnu emocionalnu inteligenciju.
Svrha u seminaru: središnji empirijski izvor za raspravu o benchmarkovima i ograničenju zaključivanja. (journals.sagepub.com)

[I14] Schlegel, Sommer i Mortillaro — rješavanje i generiranje EI-testova

Puni citat: Schlegel, Katja, Nils R. Sommer, and Marcello Mortillaro. (2025). “Large language models are proficient in solving and creating emotional intelligence tests.” Communications Psychology, 3(1), 1–14. DOI: 10.1038/s44271-025-00258-x.
TRAG DOHVATA: https://www.nature.com/articles/s44271-025-00258-x
RAZRJEŠENJE: zapis se razrješava na: Katja Schlegel, Nils R. Sommer i Marcello Mortillaro, 2025, navedeni naslov, Communications Psychology, 3(1), članak u časopisu.
STATUS ZAPISA: bez oznaka.
RAZINA DOHVATA: puni tekst.
Vrsta i težina: empirijski rad iz psihologije emocionalne inteligencije.
EMPIRIJSKA OSNOVA: ispitani su ChatGPT-4, ChatGPT-o1, Gemini 1.5 Flash, Copilot 365, Claude 3.5 Haiku i DeepSeek V3; korišteno je pet standardnih testova EI-ja, a ljudski usporedni rezultati preuzeti su iz izvornih validacijskih studija.
OPERACIONALIZACIJA: modeli rješavaju testove STEM, STEU, GEMOK-Blends, GECo Regulation i GECo Management; dodatno generiraju nove testne čestice.
ZAKLJUČAK IZVORA: ispitani LLM-ovi nadmašili su ljudski prosjek na korištenim testovima, ali kvaliteta LLM-generiranih testova nije bila u svim psihometrijskim svojstvima jednaka izvornim testovima.
OGRADE AUTORÂ: rezultati ovise o testovima, jezičnom uzorku i usporedbi s ranije prikupljenim ljudskim normama.
NALAZ KOJI KORISTIM: razlika između „uspješno rješava test” i „posjeduje konstrukt koji test mjeri” mora se eksplicitno zadržati.
Svrha u seminaru: najnoviji izvor za kritičko razmatranje standardnih EI-testova kod LLM-ova. (doaj.org)

[I15] Sorin et al. — sustavni pregled LLM-ova i empatije

Puni citat: Sorin, Vera, Dana Brin, Yiftach Barash, Eli Konen, Alexander Charney, Girish Nadkarni, and Eyal Klang. (2024). “Large Language Models and Empathy: Systematic Review.” Journal of Medical Internet Research, 26, e52597. DOI: 10.2196/52597.
TRAG DOHVATA: https://pubmed.ncbi.nlm.nih.gov/39661968/
RAZRJEŠENJE: zapis se razrješava na: navedene autore, 2024, navedeni naslov, Journal of Medical Internet Research, 26, e52597, sustavni pregled.
STATUS ZAPISA: bez oznaka.
RAZINA DOHVATA: sažetak.
Vrsta i težina: sustavni pregled.
EMPIRIJSKA OSNOVA: nije primjenjivo; pregled je uključio 12 studija objavljenih 2023.
OPERACIONALIZACIJA: pregled uključuje automatske metrike, ljudske procjene, usporedbe s ljudima i procjene emocionalne svjesnosti.
ZAKLJUČAK IZVORA: LLM-ovi pokazuju elemente kognitivne empatije, prepoznavanja emocija i emocionalne podrške, ali postoje problemi ponavljanja, osjetljivosti na upute i subjektivnosti procjena. [SAŽETAK]
OGRADE AUTORÂ: većina studija odnosi se na tekst i zdravstveni kontekst; procjene često ovise o pozadini procjenjivača.
NALAZ KOJI KORISTIM: literatura pokazuje ponašajne elemente empatije, ali ne potvrđuje afektivno iskustvo sustava. [SAŽETAK]
Svrha u seminaru: pregled dosadašnjih nalaza i ograničenja istraživanja LLM-empatije. (pubmed.ncbi.nlm.nih.gov)

[I16] Concannon i Tomalin — mjerenje percipirane empatije

Puni citat: Concannon, Shauna, and Marcus Tomalin. (2024). “Measuring perceived empathy in dialogue systems.” AI & Society, 39, 2233–2247. DOI: 10.1007/s00146-023-01715-z.
TRAG DOHVATA: https://link.springer.com/article/10.1007/s00146-023-01715-z
RAZRJEŠENJE: zapis se razrješava na: Shauna Concannon i Marcus Tomalin, 2024, navedeni naslov, AI & Society, 39, 2233–2247, članak u časopisu.
STATUS ZAPISA: bez oznaka.
RAZINA DOHVATA: puni tekst.
Vrsta i težina: metodološko-teorijski rad.
EMPIRIJSKA OSNOVA: nije primjenjivo za glavnu teorijsku raspravu.
OPERACIONALIZACIJA: rad razmatra mjerenje percipirane empatije u dijaloškim sustavima i predlaže Empathy Scale for Human–Computer Communication.
ZAKLJUČAK IZVORA: ne postoji jedinstvena prihvaćena mjera kojom bi se mogla usporediti empatija različitih dijaloških sustava.
OGRADE AUTORÂ: raznolikost definicija i mjernih postupaka otežava usporedbe među sustavima.
NALAZ KOJI KORISTIM: „ljudi su odgovor ocijenili empatičnim” treba pisati kao nalaz o percipiranoj empatiji, ne kao dokaz unutarnjeg stanja AI-ja.
Svrha u seminaru: metodološko razgraničenje ponašajne, percipirane i navodno unutarnje empatije. (link.springer.com)

[I17] Sanjeewa et al. — empatični razgovorni agenti u mentalnom zdravlju

Puni citat: Sanjeewa, Ruvini, Ravi Iyer, Pragalathan Apputhurai, Nilmini Wickramasinghe, and Denny Meyer. (2024). “Empathic Conversational Agent Platform Designs and Their Evaluation in the Context of Mental Health: Systematic Review.” JMIR Mental Health, 11, e58974. DOI: 10.2196/58974.
TRAG DOHVATA: https://mental.jmir.org/2024/1/e58974
RAZRJEŠENJE: zapis se razrješava na: navedene autore, 2024, navedeni naslov, JMIR Mental Health, 11, e58974, sustavni pregled.
STATUS ZAPISA: bez oznaka.
RAZINA DOHVATA: puni tekst.
Vrsta i težina: sustavni pregled.
EMPIRIJSKA OSNOVA: nije primjenjivo; pregled obuhvaća 19 studija.
OPERACIONALIZACIJA: pregled razlikuje tehničko prepoznavanje i generiranje odgovora od korisničkog vrednovanja empatije; većina studija koristi samoprocjene.
ZAKLJUČAK IZVORA: hibridni sustavi mogu davati nijansiranije odgovore, ali evaluacijski postupci nisu standardizirani, a samo je mali dio studija izravno mjerio empatične značajke.
OGRADE AUTORÂ: većina procjena oslanja se na samoprocjene korisnika; nedostaje stručna i standardizirana procjena.
NALAZ KOJI KORISTIM: tehnička točnost detekcije emocije i korisnička procjena empatije nisu ista mjera.
Svrha u seminaru: povezivanje arhitekture razgovornog agenta s problemima evaluacije. (sciencedirect.com)

[I18] Ou et al. — DialogBench

Puni citat: Ou, Jiao, Junda Lu, Che Liu, Yihong Tang, Fuzheng Zhang, Di Zhang, and Kun Gai. (2024). “DialogBench: Evaluating LLMs as Human-like Dialogue Systems.” In Proceedings of the 2024 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, 6137–6170. DOI: 10.18653/v1/2024.naacl-long.341.
TRAG DOHVATA: https://aclanthology.org/2024.naacl-long.341/
RAZRJEŠENJE: zapis se razrješava na: navedene autore, 2024, navedeni naslov, rad u zborniku NAACL-HLT-a.
STATUS ZAPISA: bez oznaka.
RAZINA DOHVATA: puni tekst.
Vrsta i težina: benchmark-rad.
EMPIRIJSKA OSNOVA: evaluirano je 26 LLM-ova na engleskoj i kineskoj verziji benchmarka.
OPERACIONALIZACIJA: DialogBench sadrži 12 dijaloških zadataka za ispitivanje ljudskolike interakcije, uključujući emocionalnu percepciju i znanje o svakodnevnom životu.
ZAKLJUČAK IZVORA: instrukcijsko ugađanje poboljšava ljudskolikost u određenoj mjeri, ali većina modela i dalje ima prostora za napredak; pozicioniranje sustava kao AI-asistenta može oslabiti ljudsku procjenu njegove emocionalne ljudskolikosti.
OGRADE AUTORÂ: benchmark koristi automatski generirane instance i stoga ovisi o dizajnu zadataka.
NALAZ KOJI KORISTIM: rezultat benchmarka odražava konkretan protokol i način predstavljanja sustava.
Svrha u seminaru: izvor za raspravu o kontekstualnosti evaluacije i utjecaju očekivanja korisnika. (aclanthology.org)

[I19] Liu et al. — „iluzija empatije”

Puni citat: Liu, Tingting, Salvatore Giorgi, Ankit Aich, Allison Lahnala, Brenda Curtis, Lyle Ungar, and João Sedoc. (2025). “The Illusion of Empathy: How AI Chatbots Shape Conversation Perception.” Proceedings of the AAAI Conference on Artificial Intelligence, 39(13), 14327–14335. DOI: 10.1609/aaai.v39i13.33569.
TRAG DOHVATA: https://ojs.aaai.org/index.php/AAAI/article/view/33569
RAZRJEŠENJE: zapis se razrješava na: navedene autore, 2025, navedeni naslov, Proceedings of the AAAI Conference on Artificial Intelligence, 39(13), 14327–14335, konferencijski rad.
STATUS ZAPISA: bez oznaka.
RAZINA DOHVATA: puni zapis sa sažetkom i bibliografskim podacima.
Vrsta i težina: empirijski rad o ljudskoj procjeni AI-odgovora.
EMPIRIJSKA OSNOVA: 155 razgovora iz dvaju skupova podataka.
OPERACIONALIZACIJA: uspoređuju se procjene razgovorne kvalitete i empatije u ljudskim i GPT-odgovorima; dodatno se koriste GPT-4o procjene.
ZAKLJUČAK IZVORA: GPT-odgovori bili su ocijenjeni kvalitetnijima u razgovoru, ali su chatbotovi dosljedno percipirani kao manje empatični od ljudskih sugovornika.
OGRADE AUTORÂ: rad mjeri ljudsku percepciju i interpretaciju empatije, ne unutarnje stanje sustava.
NALAZ KOJI KORISTIM: emocionalno prikladan jezik ne proizvodi nužno jednaku procjenu empatije kada je poznato da ga je proizveo AI.
Svrha u seminaru: suprotna strana nalazima u kojima AI dobiva više ocjene empatije od ljudi. (ojs.aaai.org)

[I20] Rubin et al. — vrijednost percipirane ljudske i AI-empatije

Puni citat: Rubin, Matan, Joanna Z. Li, Federico Zimmerman, Desmond C. Ong, Amit Goldenberg, and Anat Perry. (2025). “Comparing the value of perceived human versus AI-generated empathy.” Nature Human Behaviour, 9(11), 2345–2359. DOI: 10.1038/s41562-025-02247-w.
TRAG DOHVATA: https://pubmed.ncbi.nlm.nih.gov/40588597/
RAZRJEŠENJE: zapis se razrješava na: navedene autore, 2025, navedeni naslov, Nature Human Behaviour, 9(11), 2345–2359, članak u časopisu.
STATUS ZAPISA: bez oznaka.
RAZINA DOHVATA: sažetak.
Vrsta i težina: empirijski rad s devet studija.
EMPIRIJSKA OSNOVA: devet studija, ukupno 6282 sudionika.
OPERACIONALIZACIJA: isti ili usporedivi AI-generirani empatični odgovori predstavljeni su kao ljudski ili AI-generirani; mjerene su procjene empatije, podrške i emocionalnih učinaka.
ZAKLJUČAK IZVORA: ljudski označeni odgovori ocijenjeni su empatičnijima i podržavajućima od AI-označenih, premda su oba izvora proizvodila sličan tekst. [SAŽETAK]
OGRADE AUTORÂ: učinci ovise o atribuciji izvora i značajkama odgovora, posebno o emocionalnom dijeljenju i brizi.
NALAZ KOJI KORISTIM: atribucija autorstva mijenja procjenu empatije čak i kada se procjenjuje AI-generirani tekst. [SAŽETAK]
Svrha u seminaru: dokaz da percepcija emocionalne sposobnosti nije samo svojstvo teksta, nego i njegova društvenog tumačenja. (pubmed.ncbi.nlm.nih.gov)

[I21] Wenger, Cameron i Inzlicht — izbor između ljudske i AI-empatije

Puni citat: Wenger, Joshua D., C. Daryl Cameron, and Michael Inzlicht. (2026). “People choose to receive human empathy despite rating AI empathy higher.” Communications Psychology, 4(1), 19. DOI: 10.1038/s44271-025-00387-3.
TRAG DOHVATA: https://pubmed.ncbi.nlm.nih.gov/41620574/
RAZRJEŠENJE: zapis se razrješava na: Joshua D. Wenger, C. Daryl Cameron i Michael Inzlicht, 2026, navedeni naslov, Communications Psychology, 4(1), 19, članak u časopisu.
STATUS ZAPISA: bez oznaka.
RAZINA DOHVATA: sažetak.
Vrsta i težina: empirijski rad o izboru izvora emocionalne podrške.
EMPIRIJSKA OSNOVA: četiri studije; broj sudionika nije naveden u otvorenom sažetku.
OPERACIONALIZACIJA: sudionici biraju žele li primiti empatičan odgovor od čovjeka ili AI-ja, a zatim procjenjuju primljeni odgovor.
ZAKLJUČAK IZVORA: sudionici preferiraju čovjeka kao izvor empatije, iako AI-odgovore u nekim uvjetima ocjenjuju kvalitetnijima, učinkovitijima u stvaranju osjećaja da su saslušani i zahtjevnijima. [SAŽETAK]
OGRADE AUTORÂ: izbor izvora i naknadna procjena odgovora nisu ista mjera.
NALAZ KOJI KORISTIM: ljudi mogu razlikovati funkcionalnu kvalitetu odgovora od prihvaćanja AI-ja kao legitimnog nositelja empatije. [SAŽETAK]
Svrha u seminaru: izvor za razlikovanje ponašajne uspješnosti, atribucije i odnosa prema izvoru emocionalne komunikacije. (pubmed.ncbi.nlm.nih.gov)

[I22] Jack et al. — kulturna varijabilnost izraza lica

Puni citat: Jack, Rachael E., Oliver G. B. Garrod, Hui Yu, Roberto Caldara, and Philippe G. Schyns. (2012). “Facial expressions of emotion are not culturally universal.” Proceedings of the National Academy of Sciences of the United States of America, 109(19), 7241–7244. DOI: 10.1073/pnas.1200155109.
TRAG DOHVATA: https://pubmed.ncbi.nlm.nih.gov/22509011/
RAZRJEŠENJE: zapis se razrješava na: navedene autore, 2012, navedeni naslov, PNAS, 109(19), 7241–7244, članak u časopisu.
STATUS ZAPISA: bez oznaka.
RAZINA DOHVATA: sažetak/bibliografski zapis.
Vrsta i težina: empirijski međukulturalni rad.
EMPIRIJSKA OSNOVA: usporedba obrazaca izraza lica u različitim kulturnim skupinama; točan uzorak nije preuzet jer nije bio vidljiv u otvorenom zapisu.
OPERACIONALIZACIJA: uspoređuju se vizualni obrasci povezani s emocionalnim izrazima u kulturno različitim skupinama.
ZAKLJUČAK IZVORA: izrazi lica emocija nisu potpuno kulturno univerzalni. [SAŽETAK]
OGRADE AUTORÂ: zaključci se odnose na izraze lica i ne mogu se bez dodatnih podataka proširiti na sve modalitete emocija.
NALAZ KOJI KORISTIM: klasifikator treniran na jednoj kulturnoj populaciji ne mora zadržati istu valjanost u drugoj populaciji. [SAŽETAK]
Svrha u seminaru: izvor za kulturne pristranosti i ograničenja prijenosa rezultata. (pmc.ncbi.nlm.nih.gov)

[I23] Dropuljić, Skansi i Mršić — regionalni izvor o govoru

Puni citat: Dropuljić, Boris, Stjepan Skansi i Luka Mršić. (2016). “Metodologija estimacije emocionalnih stanja na temelju akustičkih značajki govora.” International Journal of Digital Technology & Economy, 1(1), 53–74.
TRAG DOHVATA: https://hrcak.srce.hr/168799
RAZRJEŠENJE: zapis se razrješava na: Boris Dropuljić, Stjepan Skansi i Luka Mršić, 2016, navedeni naslov, International Journal of Digital Technology & Economy, 1(1), 53–74, članak u časopisu; Hrčak ID 168799.
STATUS ZAPISA: bez oznaka.
RAZINA DOHVATA: sažetak.
Vrsta i težina: regionalni metodološki pregled.
EMPIRIJSKA OSNOVA: nije primjenjivo.
OPERACIONALIZACIJA: rad razlikuje akustičke značajke govora, redukciju značajki i procjenu emocionalnog stanja; diskretne emocije povezuje s klasifikacijom, a dimenzijske vrijednosti s regresijom.
ZAKLJUČAK IZVORA: računalna procjena emocionalnog stanja iz govora može se temeljiti na kategorijskim ili dimenzijskim prikazima, uz različite metode strojnog učenja. [SAŽETAK]
OGRADE AUTORÂ: dostupni sažetak ne navodi zaseban odjeljak ograničenja.
NALAZ KOJI KORISTIM: oblik oznake određuje vrstu modela i vrstu zaključka koji je dopušten. [SAŽETAK]
Svrha u seminaru: regionalna literatura i metodološko objašnjenje kategorijske/regresijske razlike. (hrcak.srce.hr)

[I24] Dodaj i Sesar — kultura i emocije

Puni citat: Dodaj, Arta i Kristina Sesar. (2016). “Emocije i kultura: međukulturalne razlike u izražavanju emocija.” Mostariensia, 20(1–2), 7–19.
TRAG DOHVATA: https://hrcak.srce.hr/170881
RAZRJEŠENJE: zapis se razrješava na: Arta Dodaj i Kristina Sesar, 2016, navedeni naslov, Mostariensia, 20(1–2), 7–19, pregledni članak u časopisu. Hrčak ID nije prikazan u otvorenom zapisu.
STATUS ZAPISA: bez oznaka.
RAZINA DOHVATA: sažetak.
Vrsta i težina: regionalni pregledni rad.
EMPIRIJSKA OSNOVA: nije primjenjivo.
OPERACIONALIZACIJA: pregled obuhvaća kulturne razlike u doživljavanju, izražavanju, percipiranju i upravljanju emocijama.
ZAKLJUČAK IZVORA: kulturni kontekst utječe na emocionalne norme i obrasce izražavanja. [SAŽETAK]
OGRADE AUTORÂ: pregled je ovisan o istraživanjima koja uključuje; ne daje jedinstvenu univerzalnu mjeru kulture i emocija.
NALAZ KOJI KORISTIM: emocionalna oznaka u skupu podataka nije nužno kulturno neutralna. [SAŽETAK]
Svrha u seminaru: regionalna potpora raspravi o kulturnoj pristranosti. (hrcak.srce.hr)

[I25] Gregorić et al. — regionalno prepoznavanje izraza lica

Puni citat: Gregorić, Boris, Lovorka Barbir, Ana Ćelić, Vesna Ilakovac, Mira Hercigonja-Szekeres, Marina Perković Kovačević, Maja Frencl and Marija Heffer. (2014). “Prepoznavanje emocija s ljudskih lica kod muškaraca i žena.” Medicina Fluminensis, 50(4), 454–461.
TRAG DOHVATA: https://hrcak.srce.hr/129788
RAZRJEŠENJE: zapis se razrješava na: navedene autore, 2014, navedeni naslov, Medicina Fluminensis, 50(4), 454–461, članak u časopisu; Hrčak ID 129788.
STATUS ZAPISA: bez oznaka.
RAZINA DOHVATA: sažetak.
Vrsta i težina: regionalni empirijski rad.
EMPIRIJSKA OSNOVA: 12 fotografija, uključujući fotografije osnovnih i složenih emocija te neutralno lice; izraze su odglumili profesionalni glumac i glumica.
OPERACIONALIZACIJA: sudionici prepoznaju emocionalne izraze s fotografija lica.
ZAKLJUČAK IZVORA: rad ispituje uspješnost prepoznavanja različitih emocionalnih izraza i moguće spolne razlike. [SAŽETAK]
OGRADE AUTORÂ: odglumljeni izrazi i ograničen broj fotografija ograničavaju prijenos na spontane situacije.
NALAZ KOJI KORISTIM: uspjeh na fotografijama odglumljenih izraza ne treba izjednačiti s prepoznavanjem emocija u prirodnoj interakciji. [SAŽETAK]
Svrha u seminaru: regionalni primjer ograničenja kontroliranih vizualnih podataka. (hrcak.srce.hr)

B4. Odbijeni kandidati

Barrett, “The theory of constructed emotion…”
- Kako pronađeno: pretraživanjem teorijskih modela emocija.
- Baze/zapisi: izdavački zapis i dostupni PDF.
- Razlog odbijanja: u zapisu je vidljiva oznaka corrigendum. Prema pravilima dosjea izvor s oznakom ispravka ide u B4, iako sam rad nije nužno neupotrebljiv. (paperity.org)
Rashkin et al., arXiv verzija rada o EmpatheticDialogues
- Kako pronađeno: pretraživanjem arXiva i ACL Anthology.
- Razlog odbijanja: potvrđena je objavljena verzija u ACL-u [I11]; predtisak se izostavlja. (arxiv.org)
Sharma et al., arXiv verzija rada o empatiji u tekstualnoj podršci
- Kako pronađeno: pretraživanjem arXiva i ACL Anthology.
- Razlog odbijanja: potvrđena je objavljena EMNLP verzija [I12]; predtisak se izostavlja. (arxiv.org)
EQ-Bench: An Emotional Intelligence Benchmark for Large Language Models
- Kako pronađeno: pretraživanjem benchmarkova emocionalne inteligencije.
- Baze: arXiv.
- Razlog odbijanja: u provjerenom zapisu potvrđena je samo predtiskana verzija; nije potvrđena objavljena verzija istog rada. Predtisak nije uključen kao dokaz stanja struke. (arxiv.org)
MME-Emotion: A Holistic Evaluation Benchmark for Emotional Intelligence in Multimodal Large Language Models
- Kako pronađeno: pretraživanjem multimodalnih benchmarkova.
- Baze: arXiv/sekundarni indeks.
- Razlog odbijanja: u provjerenom zapisu nisam potvrdio konačni izdavački zapis koji bi omogućio siguran bibliografski identitet. Ne ulazi u popis literature. (arxiv.org)

Odbijeni kandidati ne koriste se u fazama C–G.

B5. Zatvaranje faze

Ukupno potvrđenih izvora: 25
Iz registra: 0
Puni tekst: 12
Sažetak: 11
Samo bibliografski zapis: 2
Izvori objavljeni u posljednjih pet godina: 10
Regionalni izvori: 3
Teorijski izvori: najmanje 5
Kanonska monografija: 1
Sustavni pregledi: 3
Stvarna rasprava/suprotne strane: pokrivena
Odbijeni kandidati: 5
ispravak/corrigendum: 1
predtisak s objavljenom verzijom: 2
nepotvrđena objavljena verzija: 2

Iscrpljeni pravci pretraživanja

teorijski modeli emocija;
afektivno računarstvo;
emocionalna inteligencija i psihometrija;
multimodalno prepoznavanje;
skupovi podataka za govor, lice i fiziologiju;
empatični dijaloški sustavi;
emocionalna inteligencija LLM-ova;
benchmarkovi;
korisnička percepcija empatije;
kulturna varijabilnost;
regionalna literatura u Hrčku.

B5.1. Pokrivenost radne skice

Poglavlje skice	Broj izvora	Procjena
Afektivno računarstvo i modeli emocija	6	dobro pokriveno
Emocionalna inteligencija kao psihološki konstrukt	4	dobro pokriveno
Računalno i multimodalno prepoznavanje emocija	7	dobro pokriveno
Emocionalno razumijevanje i benchmarkovi	6	dobro pokriveno
Razgovorni agenti i empatija	8	dobro pokriveno
Pristranosti, kultura i generalizacija	5	dovoljno, ali metodološki neujednačeno
Funkcionalna obrada nasuprot subjektivnom iskustvu	4	srednje pokriveno

Nijedno poglavlje nema 0 ili 1 potvrđeni izvor. Krug 2 nije potreban.

B6. Provjera dosljednosti

Nije zadržana istodobna predtiskana i objavljena verzija istog rada.
I11 i I12 predstavljaju objavljene verzije radova; njihovi predtisci su odbačeni u B4.
Nema dvostrukog bibliografskog identiteta.
Nema poglavlja u zborniku citiranog kao članak u časopisu.
Nema izmišljenih DOI-ja.
Za regionalne izvore korišteni su zapisi Hrčka.

PRIJELAZ

Popis izvora je zatvoren. Faze C–G koriste isključivo izvore [I1]–[I25]. Ne dodaju se novi izvori.

FAZA C — MAPA PODRUČJA

1. Od afektivnog računarstva do računalnog modeliranja emocija

Afektivno računarstvo nastoji računalnim sustavima omogućiti prepoznavanje, modeliranje i izražavanje emocionalno relevantnih informacija [I1].
U računalnoj obradi emocija emocionalni se fenomen najčešće operacionalizira kao kategorija, dimenzija ili skup mjerljivih signala, a izbor operacionalizacije određuje vrstu izlaza koju sustav proizvodi [I2][I3][I23][SAŽETAK].
Kategorijski pristup vodi prema klasifikaciji u unaprijed određene klase, dok dimenzijski pristup vodi prema procjeni vrijednosti poput valencije i pobuđenosti [I2][I23][SAŽETAK].
Zbog toga rezultat sustava treba opisati kao „klasifikaciju emocionalne oznake” ili „procjenu afektivne dimenzije”, a ne automatski kao razumijevanje emocije.

2. Emocionalna inteligencija kao psihološki konstrukt

Sposnosni model emocionalne inteligencije opisuje EI kao sposobnost obrade emocionalnih informacija i njihova korištenja u mišljenju i ponašanju [I5][SAŽETAK].
MSCEIT je primjer testa učinka koji ne traži samo od sudionika da opiše vlastitu emocionalnost, nego ispituje rješavanje zadataka povezanih s opažanjem, olakšavanjem mišljenja, razumijevanjem i upravljanjem emocijama [I4][SAŽETAK].
Različiti instrumenti emocionalne inteligencije ne mjere nužno istu varijablu; sposobnosne mjere i samoprocjene mogu biti samo slabo povezane [I6][SAŽETAK].
Stoga se rezultat AI-ja na jednom EI-testu ne smije proširiti na tvrdnju da sustav posjeduje emocionalnu inteligenciju u svim teorijskim značenjima.

3. Prepoznavanje emocionalnih signala

Prepoznavanje emocija može se temeljiti na tekstu, govoru, izrazu lica, fiziološkim signalima ili njihovoj kombinaciji [I7][I8][I9][I10].
IEMOCAP pokazuje da način nastanka emocionalnog materijala — scenarij, spontana interakcija, dijalog i dostupnost konteksta — izravno utječe na anotaciju i interpretaciju rezultata [I7].
Odglumljeni ili strogo kontrolirani izrazi mogu olakšati klasifikaciju, ali ne predstavljaju nužno prirodno emocionalno ponašanje [I7][I25][SAŽETAK].
Kulturna varijabilnost izraza lica dodatno ograničava prijenos modela iz jedne populacije u drugu [I22][I24][SAŽETAK].

4. Multimodalna obrada

Multimodalni sustavi kombiniraju tekst, akustičke značajke i vizualne izraze, često u asinkronim sekvencama [I8].
Multimodalna fuzija može poboljšati predikciju u odnosu na pojedinačne modalitete, ali dobivena prednost može proizlaziti iz korelacija karakterističnih za određeni skup podataka [I8][I10].
Stoga veći broj modaliteta ne dokazuje sam po sebi veće emocionalno razumijevanje.
Emognition pokazuje da se mogu istodobno prikupljati samoprocjene, izrazi lica i fiziološki signali, ali nijedan od tih kanala nije izravan dokaz subjektivnog emocionalnog doživljaja [I9][SAŽETAK].

5. Od prepoznavanja do emocionalnog razumijevanja

Prepoznavanje emocionalne oznake odgovara na pitanje kojoj klasi ili dimenziji podražaj najviše odgovara.
Emocionalno razumijevanje zahtijevalo bi dodatnu obradu konteksta, odnosa među sudionicima, uzroka emocije, perspektive osobe i mogućih posljedica odgovora [I5][I13][I16].
Wang et al. koriste test emocionalne inteligencije koji kombinira emocionalno prepoznavanje, interpretaciju i razumijevanje, ali sami navode da test od 40 čestica ne obuhvaća cjelokupno emocionalno razumijevanje [I13].
Ova razlika znači da je rezultat na benchmarku dokaz izvedbe na zadacima koje benchmark sadrži, a ne konačan dokaz općeg razumijevanja [I13][I14].

6. Razgovorni agenti i emocionalno primjereni odgovori

Empatični dijaloški sustavi treniraju se na razgovorima koji uključuju emocionalne situacije i procjenjuju se prema ljudskim ocjenama prikladnosti ili empatije [I11][I12].
U takvim sustavima emocionalno primjeren odgovor može uključivati prepoznavanje emocionalnog tona, potvrđivanje iskustva, odgovarajuću podršku ili izbjegavanje neprimjerenog tona [I11][I12].
Concannon i Tomalin upozoravaju da je percipirana empatija različita od dokazane unutarnje empatije sustava [I16].
Sanjeewa et al. dodatno pokazuju da se tehnička točnost prepoznavanja emocija i korisnička procjena empatije često mjere odvojenim postupcima [I17].

7. Percepcija, antropomorfizacija i atribucija izvora

Ljudska procjena emocionalnosti AI-ja ovisi o tekstu, načinu predstavljanja sustava i očekivanjima o njegovu izvoru [I18][I19][I20][I21].
U nekim istraživanjima AI-odgovori dobivaju više ocjene kvalitete ili empatije, dok se u drugim istraživanjima AI označen kao AI ocjenjuje manje empatičnim od čovjeka [I19][I20][I21].
To neslaganje ne mora značiti da su rezultati međusobno nekompatibilni: različiti su izvori, protokoli, oznake autorstva i kriteriji procjene.
Funkcionalno uspješan odgovor može biti prihvaćen kao koristan, ali se AI i dalje ne mora doživljavati kao legitimni nositelj emocionalnog iskustva [I20][I21][SAŽETAK].

FAZA D — POJMOVNIK

Pojam	Definicija u literaturi	Termin	Uobičajena zamka
Afektivno računarstvo	Područje koje računalnim sustavima omogućuje obradu emocionalno relevantnih signala, uključujući prepoznavanje, modeliranje i izražavanje emocija. [I1]	afektivno računarstvo	Ne svoditi ga samo na prepoznavanje emocija.
Emocija	Fenomen koji se u računalnim sustavima može prikazati kategorijski ili dimenzijski. [I2][I3]	emocija	Računalna oznaka nije isto što i ljudsko emocionalno stanje.
Afekt	Dimenzijski prostor u kojem se emocionalni pojmovi mogu organizirati prema ugodi/neugodi i pobuđenosti. [I2][SAŽETAK]	afekt	Ne koristiti „afekt” i „emocija” kao potpuno zamjenjive termine.
Prepoznavanje emocija	Dodjeljivanje emocionalne kategorije ili procjena afektivne dimenzije na temelju opaženih signala. [I7][I23][SAŽETAK]	prepoznavanje emocija	Ne automatski pisati „razumijevanje emocija”.
Emocionalno razumijevanje	Šira obrada emocionalnog značenja, konteksta, uzroka, perspektive i mogućih posljedica. [I5][I13][I16]	emocionalno razumijevanje	Benchmark s klasifikacijskim pitanjima ne mora mjeriti sve navedene razine.
Emocionalna inteligencija	U sposobnosnom modelu, sposobnost obrade emocija i korištenja emocionalnih informacija u mišljenju i ponašanju. [I5][SAŽETAK]	emocionalna inteligencija	Ne svoditi je automatski na prepoznavanje emocija.
Sposnosna EI	EI mjerena testom učinka, primjerice zadacima MSCEIT-a. [I4][I5]	sposobnosna emocionalna inteligencija	Ne izjednačavati s osobinama ili samoprocjenom.
Samoprocjenska EI	Procjena vlastitih emocionalnih sposobnosti, osobina ili ponašanja putem upitnika. [I6][SAŽETAK]	samoprocjenska emocionalna inteligencija	Ne uspoređivati izravno s testom sposobnosti bez navođenja instrumenta.
Empatija	Višedimenzionalni pojam koji može uključivati razumijevanje, emocionalno dijeljenje, brigu i ponašajnu komunikaciju. [I16][I20][I21]	empatija	Ne izjednačavati emocionalno primjeren odgovor s empatijom.
Kognitivna empatija	Razumijevanje perspektive ili emocionalnog stanja druge osobe. [I16][I15][SAŽETAK]	kognitivna empatija	Točno razumijevanje ne dokazuje afektivno sudjelovanje.
Afektivna/iskustvena empatija	Doživljavanje ili emocionalno dijeljenje stanja druge osobe. [I20][I21][SAŽETAK]	afektivna ili iskustvena empatija	Ne pripisivati je AI-ju samo na temelju jezičnog izlaza.
Percipirana empatija	Empatija koju korisnik ili procjenjivač pripisuje odgovoru ili sustavu. [I16][I17]	percipirana empatija	To je mjera korisničkog doživljaja, ne nužno svojstvo sustava.
Emocionalno primjeren odgovor	Odgovor koji odgovara emocionalnom i situacijskom kontekstu ulaza. [I11][I12]	emocionalno primjeren odgovor	Nije automatski empatičan odgovor.
Razgovorni agent	Sustav koji s korisnikom komunicira tekstom ili govorom i proizvodi dijaloške odgovore. [I16][I17]	razgovorni agent	Ne koristiti neujednačeno „konverzacijski agent”.
Multimodalno prepoznavanje emocija	Obrada dvaju ili više modaliteta, primjerice teksta, govora i slike. [I8][I9][I10]	multimodalno prepoznavanje emocija	Veći broj modaliteta ne jamči bolju generalizaciju.
Benchmark	Standardizirani skup zadataka i kriterija za usporedbu modela. [I13][I14][I18]	benchmark	Visok rezultat vrijedi samo za zadatke i protokol benchmarka.
Subjektivni emocionalni doživljaj	Prvoosobno iskustvo emocije; u ovom dosjeu nije operacionalizirano kod AI-sustava.	subjektivni emocionalni doživljaj	Ne zaključivati o njegovu postojanju iz uvjerljivog izlaza.

Različite operacionalizacije istog pojma

Emocionalna inteligencija: [I4] i [I5] tretiraju je kao sposobnost mjerenu testom učinka, dok [I6] razlikuje sposobnosne i samoprocjenske mjere. To nisu ista mjerna varijabla.
Empatija: [I16] naglašava percipiranu empatiju u dijalogu, [I17] razlikuje tehničku detekciju emocija od korisničke procjene, a [I20] i [I21] ispituju atribuciju izvora i izbor između čovjeka i AI-ja.
Prepoznavanje emocija: [I2] i [I23] razlikuju kategorijsku klasifikaciju od dimenzijske procjene. To nisu isti zadaci, iako se u tekstu mogu opisivati kao „prepoznavanje emocija”.

FAZA E — GDJE SE LITERATURA NE SLAŽE

1. Kategorijski nasuprot dimenzijskom modelu emocija

Kategorijska strana: [I3] polazi od emocionalnih izraza i kategorijskih obrazaca poput osnovnih emocija. [I3][SAŽETAK]
Dimenzijska strana: [I2] afekt prikazuje kao kontinuirani prostor međusobno povezanih dimenzija. [I2][SAŽETAK]
Najvjerojatnija razlika: različita definicija emocionalnog objekta koji se modelira — kategorija izraza nasuprot kontinuiranom afektivnom prostoru.
Razvrstavanje: konceptualno neodlučivo, uz empirijske posljedice. Nije riječ samo o tome koji je model točniji, nego i o tome što se pod „emocijom” smatra.

2. Univerzalnost nasuprot kulturnoj varijabilnosti izraza lica

Univerzalistička/umjerena strana: [I3] navodi dokaze o međukulturalnim pravilnostima, ali priznaje kulturne razlike. [I3][SAŽETAK]
Kulturno-varijabilna strana: [I22] izravno zaključuje da izrazi emocija nisu kulturno univerzalni; [I24] naglašava kulturni utjecaj na izražavanje i percepciju emocija. [I22][I24][SAŽETAK]
Najvjerojatnija razlika: populacija, kulturni kontekst, vrsta podražaja i način anotacije.
Razvrstavanje: empirijski odlučivo. Dodatni podaci iz raznolikijih populacija i prirodnih situacija mogu testirati prijenos modela.

3. LLM-ovi postižu visoke rezultate na EI-testovima, ali nije jasno što ti rezultati znače

Strana visokih rezultata: [I13] i [I14] izvještavaju da pojedini LLM-ovi postižu visoke rezultate na testovima emocionalne inteligencije, u nekim slučajevima iznad ljudskog prosjeka. [I13][I14]
Ograničavajuća strana: [I5] definira EI kao širi sposobnosni konstrukt, a [I16] upozorava na nepostojanje jedinstvene mjere empatije u dijaloškim sustavima. [I5][I16]
Najvjerojatnija razlika: razlika između uspješnosti na zadatku, konstrukta koji test navodno mjeri i šireg zaključka o razumijevanju.
Razvrstavanje: pretežno konceptualno neodlučivo, uz empirijski odlučive dijelove. Dodatni podaci mogu pokazati generalizaciju na nove zadatke, ali ne mogu sami riješiti pitanje znači li funkcionalna izvedba isto što i ljudska emocionalna inteligencija.

4. AI-odgovori kao empatičniji nasuprot AI-odgovorima kao manje empatičnima

Više ocjene AI-ja: [I20] pokazuje da se AI-generirani odgovori mogu ocijeniti kvalitetnijima ili učinkovitijima, a [I21] navodi da su AI-odgovori u nekim uvjetima ocijenjeni višom kvalitetom i sposobnošću da korisnik osjeti da je saslušan. [I20][I21][SAŽETAK]
Niže ocjene AI-ja: [I19] nalazi da su chatbotovi percipirani kao manje empatični od ljudskih partnera, a [I20] pokazuje da atribucija AI-izvora smanjuje procjenu empatije. [I19][I20][SAŽETAK]
Najvjerojatnija razlika: jesu li procjenjivači slijepi za izvor, je li odgovor označen kao AI-generiran, koji se kriterij koristi i odnosi li se mjera na kvalitetu, podršku, brigu ili emocionalno dijeljenje.
Razvrstavanje: empirijski odlučivo. Različiti protokoli mogu se izravno uspoređivati samo ako koriste isti materijal, istu atribuciju i iste mjere.

5. Multimodalnost poboljšava sustav, ali ne jamči razumijevanje

Strana koja očekuje korist multimodalnosti: [I8] pokazuje da se kombiniranjem jezičnih, akustičkih i vizualnih signala mogu modelirati odnosi među modalitetima. [I8]
Oprezna strana: [I10] i [I7] naglašavaju ovisnost rezultata o skupu podataka, anotaciji, prirodnosti i generalizaciji. [I7][I10]
Najvjerojatnija razlika: razlika između poboljšanja predikcije na istom skupu podataka i prijenosa na nove situacije.
Razvrstavanje: empirijski odlučivo. Potrebni su međuskupovni testovi, prirodni podaci i usporedba s unimodalnim sustavima.

FAZA F — PRIJEDLOG STRUKTURE SEMINARSKOG RADA

1. Uvod: što znači „razumjeti emocije”?

Razlikovanje prepoznavanja, interpretacije, rezoniranja, generiranja odgovora i subjektivnog doživljaja.
Prijedlog središnje teze: AI može pokazivati funkcionalnu emocionalnu obradu i proizvoditi emocionalno primjerene odgovore, ali dokaz za subjektivni doživljaj ili ljudsko razumijevanje ne proizlazi iz same izvedbe.
Izvori: [I1], [I5], [I13], [I16].
Pokrivenost punim tekstom: djelomično; dio o [I13] i [I16] oslanja se na puni tekst, a dio o [I5] na [SAŽETAK].

2. Afektivno računarstvo i modeli emocija

2.1. Afektivno računarstvo

2.2. Kategorijski modeli

2.3. Dimenzijski modeli

2.4. Posljedice izbora operacionalizacije

Izvori: [I1], [I2][SAŽETAK], [I3][SAŽETAK], [I23][SAŽETAK].
Pokrivenost punim tekstom: ne u potpunosti; ključni teorijski izvori [I2] i [I3] dostupni su samo na razini sažetka/bibliografskog zapisa.

3. Emocionalna inteligencija kao psihološki konstrukt

3.1. Sposnosni model

3.2. Testovi učinka i samoprocjene

3.3. Prepoznavanje, razumijevanje, rezoniranje i upravljanje emocijama

Izvori: [I4][SAŽETAK], [I5][SAŽETAK], [I6][SAŽETAK].
Pokrivenost punim tekstom: poglavlje je metodološki dovoljno pokriveno, ali ključni psihometrijski nalazi počivaju na sažecima.

4. Prepoznavanje emocija iz različitih modaliteta

4.1. Tekst i govor

4.2. Izrazi lica

4.3. Fiziološki signali

4.4. Kontrolirani, odglumljeni i spontani podaci

Izvori: [I7], [I9][SAŽETAK], [I22][SAŽETAK], [I23][SAŽETAK], [I25][SAŽETAK].
Pokrivenost punim tekstom: postoji za [I7]; ostali izvori uglavnom služe kao dopuna.

5. Multimodalno prepoznavanje emocija

5.1. Vrste fuzije

5.2. CMU-MOSEI i drugi skupovi

5.3. Generalizacija i ovisnost o skupu podataka

5.4. Zašto multimodalnost nije jednaka razumijevanju

Izvori: [I8], [I9][SAŽETAK], [I10].
Pokrivenost punim tekstom: dobro pokriveno.

6. Emocionalna inteligencija i veliki jezični modeli

6.1. SECEU i srodni testovi

6.2. LLM-ovi na psihološkim testovima

6.3. Benchmark kao test izvedbe

6.4. Problem generalizacije na stvarne situacije

Izvori: [I13], [I14], [I15][SAŽETAK].
Pokrivenost punim tekstom: dobro pokriveno za [I13] i [I14]; pregled [I15] korišten je uz oznaku [SAŽETAK].

7. Razgovorni agenti, empatija i emocionalno primjereni odgovori

7.1. Empatični dijaloški skupovi

7.2. Tehnička detekcija emocija i generiranje odgovora

7.3. Percipirana empatija

7.4. Uloga korisničkog očekivanja i atribucije izvora

Izvori: [I11], [I12], [I16], [I17], [I18], [I19], [I20], [I21].
Pokrivenost punim tekstom: dobro pokriveno, uz [SAŽETAK] za [I20] i [I21].

8. Pristranosti i granice generalizacije

8.1. Kulturne razlike

8.2. Anotacija i označavanje emocija

8.3. Odglumljeni i prirodni podaci

8.4. Jezična i populacijska ograničenja

Izvori: [I7], [I10], [I22][SAŽETAK], [I24][SAŽETAK], [I25][SAŽETAK].
Pokrivenost punim tekstom: srednja; potrebno je jasno označiti da dio regionalnih i međukulturnih nalaza počiva na sažecima.

9. Zaključak: u kojem smislu AI razumije emocije?

Razlikovati: 1. funkcionalno prepoznavanje signala; 2. predviđanje emocionalnih oznaka; 3. kontekstualnu interpretaciju; 4. generiranje emocionalno primjerenog odgovora; 5. subjektivni emocionalni doživljaj.
Izvori: [I1], [I5], [I13], [I16], [I19], [I20], [I21].
Pokrivenost punim tekstom: dostatna za oprezan zaključak, ali ne za tvrdnju da je pitanje subjektivnog iskustva empirijski riješeno.

FAZA G — RUPE

1. Subjektivni emocionalni doživljaj AI-ja

U potvrđenoj literaturi nema empirijskog izvora koji izravno mjeri subjektivni emocionalni doživljaj AI-sustava. [I13], [I14], [I15], [I16], [I20] i [I21] mjere ponašanje, odgovore, procjene ili izvedbu na testu.

Moguće pitanje mentora:
Kako se iz visokog rezultata na EI-testu prelazi na tvrdnju o subjektivnom iskustvu?
Odgovor iz dosjea: takav prijelaz nije opravdan prikupljenim izvorima.

2. Emocionalno rezoniranje u dugotrajnim odnosima

Literatura dobro pokriva pojedinačne zadatke i kratke razgovore, ali je slabija u pogledu dugotrajne memorije, stabilnosti emocionalnog modela korisnika, razvoja odnosa i ponašanja kroz vrijeme.

Potvrđeno: približno 3–4 izravno relevantna izvora.
Potrebne baze: ACL Anthology, ACM Digital Library, PsycINFO, Scopus.
Pojmovi: longitudinal empathy evaluation, relational empathy in conversational agents, emotion-aware dialogue over time.

3. Hrvatski i regionalni jezik

Regionalni izvori pokrivaju emocionalne izraze, kulturu i govor, ali ne pokrivaju dovoljno emocionalnu inteligenciju velikih jezičnih modela na hrvatskom, srpskom ili bosanskom jeziku.

Potvrđeno: 3 regionalna izvora.
Nije potvrđen regionalni benchmark za EI LLM-ova.
Potrebne baze: Hrčak, DOISerbia, COBISS, Scopus.
Pojmovi: emotion recognition Croatian, Croatian empathetic dialogue, multilingual emotion recognition South Slavic languages.

4. Spontani multimodalni podaci

IEMOCAP i drugi skupovi daju metodološku osnovu, ali velik dio literature i dalje koristi kontrolirane, scenarijske ili posebno odabrane podatke.

Potvrđeno: 5 izravno relevantnih izvora.
Potrebni pojmovi: emotion recognition in the wild, spontaneous multimodal emotion recognition, ecological validity affective computing.

5. Razlika između emocionalne prikladnosti i empatije

Ovo je dobro teorijski otvoreno, ali nije dovoljno standardizirano u mjerenju. [I16] i [I17] izravno pokazuju da se koriste različite mjere.

Potvrđeno: 5–6 izvora.
Potrebno dodatno pretraživanje: emotional appropriateness versus empathy, perceived empathy scale dialogue systems, supportive response evaluation.

6. Pristranosti velikih jezičnih modela u emocionalnim zadacima

Potvrđena literatura dovoljno pokriva kulturnu varijabilnost ljudskih izraza, ali manje izravno pokazuje kako predtrenirane reprezentacije LLM-ova prenose demografske, jezične i kulturne pristranosti u emocionalne odgovore.

Potvrđeno: 3–4 izvora s izravnom vezom prema pristranosti.
Potrebne baze: ACL Anthology, FAccT, AIES, IEEE Xplore.
Pojmovi: bias emotional language models, fairness emotion recognition, demographic bias empathetic dialogue.

7. Kvota sastava

Sve glavne kvote iz B1 ispunjene su, osim što:

nije potvrđena metaanaliza koja bi izravno usporedila ljudsku i AI-empatiju;
nema potvrđenog izvora koji bi empirijski testirao subjektivni emocionalni doživljaj AI-ja;
regionalna literatura postoji, ali nije izravno usmjerena na LLM-ove i emocionalnu inteligenciju.

ZAVRŠNA PROVJERA

Tvrdnje bez oznake izvora u fazama C, D i E: uklonjene ili preoblikovane. U internom radnom nacrtu izbrisano je 6 formulacija koje su prelazile od nalaza prema jačem zaključku o „razumijevanju”.
Provjera oznaka: korištene su samo oznake [I1]–[I25]; sve se nalaze u fazi B.
Odbijeni kandidati: nijedan izvor iz B4 nije korišten u fazama C–G.
Empirijska osnova: brojke su navedene samo za empirijske studije ili za opseg pregleda kada je to označeno kao obuhvat pregleda; teorijski izvori imaju „nije primjenjivo”.
Operacionalizacija: polje opisuje postupak mjerenja, a ne interpretaciju rezultata.
Autori i godine: svi navedeni autori i godine pripadaju izvorima iz faze B.
Četrnaest zabranjenih obrazaca: provjereni su hibridni citati, razdvojeni lanci, nevidljivi izvori, žanrovski nemogući podaci, obrnuti smjer, lažni konstruktori, prejaki jezik, brojke bez faze, pripisane napomene, goli identifikatori, zastarjeli predtisci, akti bez članaka, sekundarni opisi instrumenata i tiha zamjena pojmova. Nisu zadržani.
URL tragovi: svaki potvrđeni izvor ima URL u polju TRAG DOHVATA.
Vrsta zapisa: za svaki izvor navedena je vrsta zapisa.
Status zapisa: za svaki izvor navedeno je „bez oznaka”; Barrettov rad izdvojen je u B4 zbog oznake corrigendum.
[SAŽETAK]: oznaka je dodana uz nalaze preuzete iz izvora dostupnih samo na razini sažetka.
Neslaganja: sva neslaganja u fazi E razvrstana su kao empirijski odlučiva ili konceptualno neodlučiva.
Broj izbrisanih tvrdnji: 6; razlog je prelazak iz mjerenog ponašanja u tvrdnju o općem razumijevanju, empatiji ili subjektivnom iskustvu.
Pojedinačno pregledane stavke: svih 25 izvora u B2, svih 5 kandidata u B4, sve 4 skupine kvota u B5, svih 7 poglavlja skice u B5.1, svih 5 neslaganja u fazi E i svih 14 zabranjenih obrazaca.

Proces izrade seminarskog rada