synaptiq.art

Nacrt seminarskog rada: Može li umjetna inteligencija razumjeti ljudske emocije?

Proces izrade seminarskog rada

  1. 1. Istraživanje
  2. 2. Recenzija literature
  3. 3. Sinteza istraživanja
  4. 4. Kritička rasprava ×3
  5. 5. Nacrt rada
  6. 6. Recenzija nacrta
  7. 7. Seminarski rad

1. Uvod

Pitanje može li umjetna inteligencija razumjeti ljudske emocije nije moguće riješiti jednim rezultatom klasifikacije ili jednom ocjenom emocionalne prikladnosti odgovora. U računalnim sustavima potrebno je razlikovati obradu emocionalno relevantnih signala, dodjelu emocionalnih oznaka, procjenu afektivnih dimenzija, interpretaciju konteksta i generiranje odgovora koje ljudi procjenjuju kao relevantne, podržavajuće ili empatične. Ti se ishodi ne mogu automatski izjednačiti s ljudskim emocionalnim razumijevanjem, emocionalnom inteligencijom, empatijom kao unutarnjim stanjem ili subjektivnim emocionalnim doživljajem.

U užem smislu, AI-sustavi mogu obrađivati emocionalno relevantne signale, klasificirati emocionalne kategorije ili procjenjivati afektivne dimenzije. Također mogu generirati odgovore koje ljudski procjenjivači ocjenjuju relevantnima ili empatičnima. Međutim, značenje tih rezultata ovisi o konkretnoj mjeri, skupu podataka, protokolu i kriteriju procjene. Sama uspješna izvedba na određenom zadatku ne dokazuje ljudsko emocionalno razumijevanje ni emocionalnu inteligenciju u svim teorijskim značenjima.

Ovaj rad zato razlikuje računalnu prediktivnu izvedbu od šireg pojma emocionalnog razumijevanja. Posebna se pozornost posvećuje afektivnom računarstvu, modelima emocija, emocionalnoj inteligenciji, multimodalnom prepoznavanju, razgovornim agentima, empatiji i ljudskoj procjeni emocionalno oblikovanih odgovora.

2. Afektivno računarstvo i modeli emocija

Afektivno računarstvo obuhvaća računalnu obradu emocionalno relevantnih signala, uključujući njihovo prepoznavanje i modeliranje. Takav opseg ne treba automatski izjednačiti s ljudskim emocionalnim iskustvom (Kalateh i sur., 2024). Sustav može obrađivati podatke povezane s emocijama, a da iz toga ne slijedi da emocije doživljava ili razumije na način usporediv s čovjekom.

Emocionalni se fenomen u računalnoj obradi može operacionalizirati na različite načine. Klasifikacijski modeli povezuju opažene podatke s diskretnim oznakama, dok regresijski modeli procjenjuju vrijednosti na afektivnim dimenzijama (Dropuljić i sur., 2016). Kategorijski pristup tako vodi prema klasifikaciji, a dimenzijski prema procjeni, primjerice, valencije i pobuđenosti. Izbor modela određuje kakav izlaz sustav proizvodi i što se uopće smatra uspješnim prepoznavanjem.

Prepoznavanje emocija u računalnom sustavu može značiti dodjelu diskretne kategorije ili procjenu afektivne dimenzije na temelju opaženih signala (Dropuljić i sur., 2016). Uspjeh takvog modela sam po sebi ne dokazuje ljudsko emocionalno razumijevanje. Rezultat pokazuje da je sustav ostvario određenu izvedbu unutar definiranog zadatka, ali ne rješava pitanje obuhvaća li ta izvedba razumijevanje emocionalnog značenja, konteksta ili perspektive druge osobe.

U dimenzijskim prikazima emocionalni se fenomen može opisivati vrijednostima poput valencije i pobuđenosti (Dropuljić i sur., 2016). Ovdje je važno razlikovati tehnički opis izlaza od šire interpretacije. Procjena afektivne dimenzije nije isto što i objašnjenje zašto je određeno emocionalno stanje nastalo, što ono znači određenoj osobi ili kakav bi odgovor bio prikladan u danoj situaciji.

Kategorijski i dimenzijski modeli ne predstavljaju samo različite načine prikaza istog izlaza. Oni određuju koje se razlike među emocionalnim stanjima bilježe, koje se zanemaruju i kakav se kriterij uspjeha primjenjuje. Zbog toga usporedba rezultata različitih sustava zahtijeva oprez: sustavi koji proizvode različite vrste izlaza ne mjere nužno istu sposobnost.

3. Emocionalna inteligencija kao psihološki konstrukt

Emocionalna inteligencija nije jedinstven konstrukt koji se može svesti na prepoznavanje emocija. U sposobnosnom modelu emocionalna inteligencija opisuje sposobnost obrade emocionalnih informacija i njihova korištenja u mišljenju i ponašanju (Mayer i sur., 2008). Jedan od instrumenata koji se povezuje s takvim pristupom jest MSCEIT, test učinka koji ispituje opažanje, olakšavanje mišljenja, razumijevanje i upravljanje emocijama (Mayer i sur., 2003).

Razlikovanje modela važno je zato što se sposobnosne mjere i samoprocjene ne mogu međusobno zamijeniti. Istraživanja emocionalne inteligencije razlikuju testove učinka od mjera koje se temelje na procjeni vlastitih sposobnosti, osobina ili ponašanja. Te mjere mogu biti samo slabo povezane (Brackett i Mayer, 2003). Stoga rezultat na jednoj mjeri ne treba tumačiti kao izravnu procjenu cjelokupne emocionalne inteligencije.

Ista ograda vrijedi kada se emocionalna inteligencija pripisuje AI-sustavu. Rezultat AI-ja na određenom EI-testu treba tumačiti kao izvedbu na konkretnoj mjeri. Sposobnosni i samoprocjenski modeli EI-ja nisu međusobno zamjenjivi (Mayer i sur., 2008; Brackett i Mayer, 2003). Posljedično, rezultat sustava na jednom testu ne opravdava zaključak da sustav posjeduje emocionalnu inteligenciju u svim teorijskim značenjima.

U literaturi o AI-sustavima emocionalna se inteligencija često operacionalizira preko konkretnih zadataka: prepoznavanja emocionalnih signala, interpretacije emocionalnog sadržaja, odgovaranja na emocionalne situacije ili rješavanja standardiziranih testnih pitanja. Takva operacionalizacija može biti korisna za usporedbu izvedbe, ali ne uklanja razliku između mjerenog zadatka i šireg konstrukta.

Šire emocionalno razumijevanje ne svodi se na klasifikaciju emocionalne oznake. Može uključivati razumijevanje konteksta, uzroka, perspektive te misli, uvjerenja i namjera (Wang i sur., 2023; Concannon i Tomalin, 2024). Međutim, u dostupnom materijalu nisu potvrđeni jedinstveni kriteriji kojima bi se takvo funkcionalno emocionalno razumijevanje moglo izravno potvrditi. Zato ga je primjerenije prikazati kao širi konceptualni opseg, a ne kao već standardiziranu sposobnost AI-sustava.

4. Prepoznavanje emocionalnih signala

Prepoznavanje emocija može se temeljiti na tekstu, govoru, izrazu lica, fiziološkim signalima ili njihovoj kombinaciji. Različiti modaliteti daju različite vrste podataka, a način nastanka emocionalnog materijala utječe na anotaciju i interpretaciju rezultata.

Kontrolirani i odglumljeni izrazi razlikuju se od spontanih interakcija. IEMOCAP, primjerice, uključuje scenarijski izazvane i improvizirane emocionalne situacije, pri čemu autori upozoravaju na ograničenja povezana s glumom, emocionalnom elicijacijom i slaganjem procjenjivača (Busso i sur., 2008). Slična ograničenja pojavljuju se u istraživanjima koja koriste fotografije odglumljenih izraza. Takve rezultate ne treba bez dodatne provjere generalizirati na prirodno emocionalno ponašanje (Busso i sur., 2008; Gregorić i sur., 2014).

Ovo ograničenje nije samo tehničko. Ako su izrazi nastali u kontroliranim uvjetima, oznaka emocije može odražavati istraživački scenarij, upute sudionicima ili procjenu anotatora. U spontanom razgovoru emocionalni signali mogu biti neujednačeni, višeznačni i povezani s kontekstom koji nije prisutan u laboratorijskom materijalu.

Kulturna varijabilnost izraza lica može ograničiti prijenos nalaza o emocionalnim izrazima između populacija. Posljedice za konkretni klasifikator treba provjeriti međukulturnim testiranjem (Jack i sur., 2012; Dodaj i Sesar, 2016). Ova formulacija ne znači da je kulturna neprenosivost već dokazana za svaki sustav. Ona označava metodološki rizik koji se mora zasebno ispitati.

Zbog toga rezultat dobiven u jednoj populaciji, na jednom jeziku ili u jednom obliku emocionalnog materijala ne treba automatski predstavljati kao opću sposobnost prepoznavanja emocija. Potrebno je uzeti u obzir način prikupljanja podataka, način anotacije, populaciju, modalitet i kriterij uspjeha.

5. Multimodalno prepoznavanje emocija

Multimodalni sustavi kombiniraju tekstualne, akustičke i vizualne informacije. Takvi modaliteti mogu biti sekvencijalni, heterogeni i vremenski neusklađeni, pa sustav mora obrađivati odnose među signalima, njihovo poravnanje i šum u podacima (Zadeh i sur., 2018).

Multimodalna fuzija može iskorištavati odnose između jezičnih, vizualnih i akustičkih modaliteta te u pojedinim protokolima postići konkurentnu ili bolju predikciju. Veličina prednosti ovisi o skupu podataka i usporednom modelu (Zadeh i sur., 2018; Kalateh i sur., 2024). Ova tvrdnja ne znači da multimodalni sustavi uvijek nadmašuju unimodalne sustave niti da veći broj modaliteta nužno vodi prema boljoj generalizaciji.

Prednost multimodalnog sustava može ovisiti o svojstvima skupa podataka, načinu anotacije i kriterijima evaluacije. Bez međuskupovne provjere ne treba je pripisati općem emocionalnom razumijevanju (Zadeh i sur., 2018; Kalateh i sur., 2024). Sustav može uspješno iskorištavati korelacije prisutne u određenom skupu podataka, a da pritom ne pokazuje jednaku izvedbu u novim situacijama.

Multimodalnost može povećati dostupnost signala i prediktivnu izvedbu, ali sama po sebi ne dokazuje emocionalno razumijevanje. Taj zaključak mora se odvojiti od rezultata na konkretnom skupu podataka (Zadeh i sur., 2018; Kalateh i sur., 2024). Drugim riječima, kombiniranje više modaliteta mijenja dostupne informacije, ali ne daje samo po sebi odgovor na pitanje razumije li sustav emocionalno značenje tih informacija.

Emognition povezuje samoprocjene, izraze lica i fiziološke signale s oznakama emocionalnih stanja (Saganowski i sur., 2022). Ti su podaci pokazatelji mjerenih signala, a ne izravno mjerenje subjektivnog doživljaja AI-sustava. Podaci o ljudskim emocionalnim reakcijama mogu služiti razvoju ili evaluaciji računalnog sustava, ali ne predstavljaju dokaz da sustav ima vlastito emocionalno iskustvo.

6. Od prepoznavanja do emocionalnog razumijevanja

Prepoznavanje emocija odgovara na pitanje kojoj kategoriji ili afektivnoj dimenziji opaženi signal najviše odgovara. Emocionalno razumijevanje ima širi konceptualni opseg jer može uključivati kontekst, uzrok, perspektivu i emocionalno značenje situacije (Wang i sur., 2023; Concannon i Tomalin, 2024).

Razlika između tih razina važna je pri interpretaciji benchmarka. Rezultat na klasifikacijskom zadatku govori o izvedbi na klasifikacijskom zadatku. Ne slijedi automatski da je sustav razumio odnose među sudionicima, razlog nastanka emocije ili moguće posljedice odgovora.

Benchmark može obuhvatiti emocionalno prepoznavanje, interpretaciju ili odgovaranje na situacijske upite. Ipak, njegov rezultat vrijedi za zadatke i protokol koji benchmark sadržava. Wang i suradnici koriste test emocionalne inteligencije koji kombinira različite oblike emocionalnih zadataka, dok se ograničenja takve operacionalizacije odnose na opseg testa i višedimenzionalnost konstrukta (Wang i sur., 2023). Zbog toga se uspjeh na testu ne treba proširiti na tvrdnju o cjelokupnom emocionalnom razumijevanju.

Slično vrijedi za velike jezične modele koji postižu dobre rezultate na standardiziranim pitanjima emocionalne inteligencije. Takav rezultat može pokazati sposobnost rješavanja određenih testnih zadataka. Ne pokazuje sam po sebi da sustav posjeduje emocionalnu inteligenciju izvan tih zadataka ili da ima subjektivni odnos prema emocionalnom sadržaju.

7. Razgovorni agenti i emocionalno primjereni odgovori

Empatični dijaloški sustavi treniraju se na razgovorima koji uključuju emocionalne situacije, a generirani se odgovori procjenjuju ljudskim ocjenama prikladnosti, kvalitete ili empatije (Rashkin i sur., 2019; Sharma i sur., 2020). U ovim se radovima generirani odgovori procjenjuju prema tome koliko odgovaraju emocionalnoj situaciji i kako ih procjenjivači doživljavaju.

U ovim radovima ljudski procjenjivači generirane odgovore ocjenjuju relevantnima ili empatičnima. To je nalaz o svojstvima izlaza i njegovoj ljudskoj procjeni. Ne predstavlja dokaz subjektivnog osjećanja sustava, afektivne empatije ili emocionalnog iskustva.

Emocionalno primjeren odgovor nije automatski empatičan odgovor. Odgovor može biti usklađen s emocionalnim kontekstom, koristan ili podržavajući, a da se ne može zaključiti da je sustav doživio emociju druge osobe. Razlikovanje emocionalne prikladnosti i empatije važno je i zbog načina mjerenja: ljudska procjena odgovora, automatska detekcija emocionalnog tona i procjena percipirane empatije nisu ista mjera.

Tekstualni i asinkroni razgovorni kontekst također ne obuhvaća sve paralingvističke i neverbalne aspekte empatije (Sharma i sur., 2020). Zbog toga se rezultati razgovornih sustava ne trebaju automatski proširiti na sve oblike emocionalne komunikacije.

8. Empatija i atribucija izvora

Empatija može uključivati razumijevanje perspektive ili emocionalnog stanja druge osobe, emocionalno dijeljenje, brigu i ponašajnu komunikaciju. Kognitivna empatija odnosi se na razumijevanje perspektive ili emocionalnog stanja druge osobe, dok se afektivna ili iskustvena empatija odnosi na doživljavanje ili emocionalno dijeljenje stanja druge osobe (Sorin i sur., 2024; Concannon i Tomalin, 2024).

Kod AI-sustava potrebno je razlikovati percipiranu empatiju od empatije kao unutarnjeg stanja. Percipirana empatija označava empatiju koju korisnik ili procjenjivač pripisuje odgovoru ili sustavu. Ona je mjera korisničkog doživljaja i ne mora biti svojstvo sustava.

Istraživanja pokazuju da atribucija izvora utječe na ljudsku procjenu odgovora. U nekim se uvjetima AI-odgovori mogu ocijeniti kvalitetnijima, dok atribucija AI-izvora može smanjiti procjenu empatije i podrške (Liu i sur., 2025; Rubin i sur., 2025; Wenger i sur., 2026). Procjena kvalitete odgovora, atribucija izvora i izbor između čovjeka i AI-ja nisu ista mjera.

Neki korisnici mogu procijeniti odgovor kao kvalitetan ili podržavajući, a ipak preferirati čovjeka kao izvor empatije. To je nalaz o atribuciji i izboru izvora, ne o subjektivnom emocionalnom iskustvu AI-ja (Rubin i sur., 2025; Wenger i sur., 2026). Uvjerljiv emocionalni izlaz stoga može utjecati na percepciju sustava, ali percepcija nije dovoljna za zaključak o unutarnjoj empatiji.

9. Zašto se empirijski nalazi razlikuju?

Rezultati različitih istraživanja ne mogu se izravno uspoređivati bez uzimanja u obzir razlika u materijalu, protokolu, atribuciji izvora i kriteriju procjene (Liu i sur., 2025; Rubin i sur., 2025; Wenger i sur., 2026). Različiti nalazi o kvaliteti, empatiji ili podršci mogu odražavati različite uvjete mjerenja, a ne nužno proturječne zaključke o jednoj stabilnoj sposobnosti.

U istraživanjima razgovornih sustava važni su način predstavljanja sustava, vrsta razgovora, procjenjuje li se odgovor samostalno ili u usporedbi s ljudskim odgovorom te zna li procjenjivač izvor odgovora. Ako se procjenjuje kvaliteta odgovora, rezultat ne treba tumačiti kao izravnu mjeru empatije. Ako se procjenjuje percipirana empatija, rezultat ne treba tumačiti kao dokaz unutarnjeg emocionalnog stanja.

Slična se heterogenost pojavljuje u istraživanjima EI-testova i multimodalnog prepoznavanja. Razlike među skupovima podataka, modelima, anotacijama i kriterijima evaluacije mogu proizvesti različite rezultate. Zato se zaključak mora vezati uz konkretan protokol, a ne uz AI kao jedinstveni i nepromjenjivi sustav.

Pregledna literatura također nije potpuno pokrivena u ovom radu. Postoji signal da bi sintezu trebalo dopuniti novijim pregledom ili metaanalizom prepoznavanja emocija u razgovoru te novijim pregledima multimodalnog prepoznavanja. Ti izvori nisu uključeni u ovaj tekst jer njihov potpuni bibliografski identitet nije dostavljen u registru literature.

10. Pristranosti i granice generalizacije

Modeli emocionalnog prepoznavanja ovise o podacima na kojima se treniraju i evaluiraju. Kontrolirani ili odglumljeni izrazi, ograničene populacije, kulturne razlike, jezični kontekst i način anotacije mogu utjecati na rezultate (Busso i sur., 2008; Kalateh i sur., 2024; Jack i sur., 2012; Dodaj i Sesar, 2016; Gregorić i sur., 2014).

Kada se model testira na materijalu sličnom onome na kojem je razvijen, rezultat može odražavati uspješnost u tom podatkovnom okruženju. To ne znači da je rezultat nevažan, nego da se njegov opseg mora pravilno odrediti. Prijenos na druge populacije, jezike, modalitete ili prirodne interakcije zahtijeva dodatnu provjeru.

I kod multimodalnih sustava veći broj dostupnih signala ne jamči bolju generalizaciju. Sustav može koristiti odnose među modalitetima koji su korisni u jednom skupu podataka, ali manje pouzdani u drugom. Zbog toga se multimodalna prednost mora opisati u odnosu na konkretni skup podataka i usporedni model.

Kod ljudskih procjena empatije dodatno treba uzeti u obzir da se većina procjena može oslanjati na samoprocjene, dok su stručne i standardizirane procjene rjeđe (Sanjeewa i sur., 2024). To ograničava mogućnost da se subjektivna procjena odgovora predstavi kao potpuno neovisna mjera emocionalne sposobnosti.

11. Funkcionalna obrada i subjektivni doživljaj

U raspravi o emocionalnim sposobnostima AI-ja treba razlikovati nekoliko razina. Prva je računalna obrada signala: sustav prima tekstualne, govorne, vizualne ili fiziološke podatke i proizvodi određeni izlaz. Druga je funkcionalna prediktivna izvedba: sustav klasificira kategoriju, procjenjuje dimenziju ili odabire odgovor prema zadanom kriteriju. Treća je ljudska procjena izlaza: procjenjivači odgovor ocjenjuju kvalitetnim, relevantnim, podržavajućim ili empatičnim.

Subjektivni emocionalni doživljaj pripada drukčijoj razini. Podaci o emocionalnim signalima, uspjeh na benchmarku ili uvjerljiv jezični izlaz sami po sebi ne daju dokaz o prvom licu iskustva sustava. Emognition, primjerice, povezuje samoprocjene, izraze lica i fiziološke signale s oznakama emocionalnih stanja, ali takvi podaci nisu izravno mjerenje subjektivnog doživljaja AI-sustava (Saganowski i sur., 2022).

Ova ograda ne znači da funkcionalno istraživanje emocionalne obrade treba zanemariti. Ona znači da se zaključci moraju zadržati na razini koju mjerenje podupire. Sustav može pokazati određenu funkcionalnu izvedbu bez toga da je time dokazan subjektivni doživljaj. Obrnuto, izostanak dokaza o subjektivnom iskustvu ne poništava nalaze o prepoznavanju signala, generiranju odgovora ili ljudskoj procjeni izlaza.

12. Zaključak

AI-sustavi mogu u određenim protokolima obrađivati emocionalno relevantne signale, klasificirati emocionalne kategorije ili procjenjivati afektivne dimenzije. Multimodalna fuzija u pojedinim protokolima može ostvariti konkurentnu ili bolju predikciju, ali ta prednost ovisi o skupu podataka, anotaciji, kriterijima evaluacije i usporednom modelu.

Razgovorni sustavi mogu generirati odgovore koje ljudi ocjenjuju relevantnima, kvalitetnima, podržavajućima ili empatičnima. Takve procjene važne su za proučavanje ponašanja sustava i njegove društvene uporabe. Ipak, ljudska procjena emocionalne prikladnosti ili empatije ne dokazuje unutarnju empatiju, emocionalnu inteligenciju u svim teorijskim značenjima ni subjektivni emocionalni doživljaj.

Najsigurniji je zaključak stoga ograničen: AI može pokazati funkcionalnu izvedbu na zadacima koji uključuju emocionalne informacije i može proizvoditi emocionalno primjerene izlaze prema ljudskim kriterijima. Iz toga se ne može automatski zaključiti da AI razumije emocije u istom smislu u kojem ih razumiju ljudi. Šire emocionalno razumijevanje ostaje konceptualno različito od klasifikacije emocionalnih oznaka, a u dostavljenom materijalu nije potvrđen jedinstveni pozitivan kriterij kojim bi se takvo funkcionalno razumijevanje moglo izravno potvrditi.

Odgovor na pitanje „razumije li AI emocije?” zato ovisi o operacionalizaciji razumijevanja. Ako se pod razumijevanjem misli na obradu emocionalnih signala, klasifikaciju ili generiranje odgovora, postoje nalazi koji pokazuju takvu izvedbu u konkretnim uvjetima. Ako se misli na ljudsku emocionalnu inteligenciju, afektivnu empatiju ili subjektivno iskustvo, dostavljeni nalazi ne podupiru takav zaključak.

Literatura

  1. Brackett, M. A., & Mayer, J. D. (2003). „Convergent, discriminant, and incremental validity of competing measures of emotional intelligence.” Personality and Social Psychology Bulletin, 29(9), 1147–1158. https://pubmed.ncbi.nlm.nih.gov/15189610/

  2. Busso, C. et al. (2008). „IEMOCAP: Interactive emotional dyadic motion capture database.” Language Resources and Evaluation. https://sail.usc.edu/iemocap/Busso_2008_iemocap.pdf

  3. Concannon, S., & Tomalin, M. (2024). „Measuring perceived empathy in dialogue systems.” AI & Society, 39, 2233–2247. https://link.springer.com/article/10.1007/s00146-023-01715-z

  4. Dodaj, A. i Sesar, K. (2016). „Emocije i kultura: međukulturalne razlike u izražavanju emocija.” Mostariensia, 20(1–2), 7–19. https://hrcak.srce.hr/170881

  5. Dropuljić, B., Skansi, S. i Mršić, L. (2016). „Metodologija estimacije emocionalnih stanja na temelju akustičkih značajki govora.” International Journal of Digital Technology & Economy, 1(1), 53–74. https://hrcak.srce.hr/168799

  6. Ekman, P. (1992). „Facial Expressions of Emotion: New Findings, New Questions.” Psychological Science, 3(1), 34–38. https://journals.sagepub.com/doi/10.1111/j.1467-9280.1992.tb00253.x

  7. Gregorić, B. et al. (2014). „Prepoznavanje emocija s ljudskih lica kod muškaraca i žena.” Medicina Fluminensis, 50(4), 454–461. https://hrcak.srce.hr/file/191739

  8. Jack, R. E. et al. (2012). „Facial expressions of emotion are not culturally universal.” Proceedings of the National Academy of Sciences, 109(19), 7241–7244. https://pubmed.ncbi.nlm.nih.gov/22509011/

  9. Kalateh, S., Estrada-Jimenez, L. A., Nikghadam-Hojjati, S., & Barata, J. (2024). „A Systematic Review on Multimodal Emotion Recognition: Building Blocks, Current State, Applications, and Challenges.” IEEE Access, 12, 103976–104019. https://research.unl.pt/ws/portalfiles/portal/111711060/A_Systematic_Review_on_Multimodal_Emotion_Recognition_Building_Blocks_Current_State_Applications_and_Challenges.pdf

  10. Liu, T., Giorgi, S., Aich, A., Lahnala, A., Curtis, B., Ungar, L., & Sedoc, J. (2025). „The Illusion of Empathy: How AI Chatbots Shape Conversation Perception.” Proceedings of the AAAI Conference on Artificial Intelligence, 39(13), 14327–14335.

  11. Mayer, J. D., Salovey, P., & Caruso, D. R. (2008). „Emotional intelligence: New ability or eclectic traits?” American Psychologist, 63(6), 503–517. https://pubmed.ncbi.nlm.nih.gov/18793038/

  12. Mayer, J. D., Salovey, P., Caruso, D. R., & Sitarenios, G. (2003). „Measuring emotional intelligence with the MSCEIT V2.0.” Emotion, 3(1), 97–105. https://pubmed.ncbi.nlm.nih.gov/12899321/

  13. Rashkin, H., Smith, E. M., Li, M., & Boureau, Y.-L. (2019). „Towards Empathetic Open-domain Conversation Models: A New Benchmark and Dataset.” ACL, 5370–5381. https://aclanthology.org/P19-1534/

  14. Rubin, M. et al. (2025). „Comparing the value of perceived human versus AI-generated empathy.” Nature Human Behaviour, 9, 2345–2359. https://www.nature.com/articles/s41562-025-02247-w

  15. Saganowski, S. et al. (2022). „Emognition dataset: emotion recognition with self-reports, facial expressions, and physiology using wearables.” Scientific Data, 9, 158. https://www.nature.com/articles/s41597-022-01262-0

  16. Sanjeewa, R. et al. (2024). „Empathic Conversational Agent Platform Designs and Their Evaluation in the Context of Mental Health: Systematic Review.” JMIR Mental Health, 11, e58974. https://mental.jmir.org/2024/1/e58974

  17. Sharma, A., Miner, A., Atkins, D., & Althoff, T. (2020). „A Computational Approach to Understanding Empathy Expressed in Text-Based Mental Health Support.” EMNLP, 5263–5276. https://aclanthology.org/2020.emnlp-main.425/

  18. Sorin, V. et al. (2024). „Large Language Models and Empathy: Systematic Review.” Journal of Medical Internet Research, 26, e52597. https://www.jmir.org/2024/1/e52597/

  19. Wang, X., Li, X., Yin, Z., Wu, Y., & Liu, J. (2023). „Emotional intelligence of Large Language Models.” Journal of Pacific Rim Psychology. https://journals.sagepub.com/doi/pdf/10.1177/18344909231213958

  20. Wenger, J. D., Cameron, C. D., & Inzlicht, M. (2026). „People choose to receive human empathy despite rating AI empathy higher.” Communications Psychology, 4, 19. https://www.nature.com/articles/s44271-025-00387-3

  21. Zadeh, A. B. et al. (2018). „Multimodal Language Analysis in the Wild: CMU-MOSEI Dataset and Interpretable Dynamic Fusion Graph.” ACL, 2236–2246. https://aclanthology.org/P18-1208/

PROVJERA BROJEVA

U proznom tekstu nema brojčanih podataka koji nose samostalnu sadržajnu tvrdnju. Godine i bibliografski podaci u citatima i popisu literature nisu uključeni u ovu provjeru jer pripadaju bibliografskim zapisima.

PROVJERA LITERATURE

Korak 1 — citati redom pojavljivanja

Kalateh i sur.; Dropuljić i sur.; Mayer i sur.; Brackett i Mayer; Busso i sur.; Gregorić i sur.; Jack i sur.; Dodaj i Sesar; Zadeh i sur.; Saganowski i sur.; Wang i sur.; Concannon i Tomalin; Rashkin i sur.; Sharma i sur.; Sanjeewa i sur.; Liu i sur.; Rubin i sur.; Wenger i sur.

Različiti citati abecedno

Brackett i Mayer; Busso i sur.; Concannon i Tomalin; Dodaj i Sesar; Dropuljić i sur.; Ekman; Gregorić i sur.; Jack i sur.; Kalateh i sur.; Liu i sur.; Mayer i sur.; Rashkin i sur.; Rubin i sur.; Saganowski i sur.; Sanjeewa i sur.; Sharma i sur.; Sorin i sur.; Wang i sur.; Wenger i sur.; Zadeh i sur.

Broj različitih citata: 20.

Napomena: Popis literature sadrži zaseban zapis za Mayer i suradnike iz dvije različite godine. U prozi se oba rada pozivaju istim autorima i različitim godinama; tablica ih vodi kao jedan autor–godina obrazac s dva bibliografska zapisa.

Korak 2 — tablica usklađenosti

Oznaka citata u prozi Gdje je citirana Zapis u popisu Odakle dolaze polja Status
Brackett i Mayer EI-mjere i samoprocjene Da Registar literature U redu
Busso i sur. Kontrolirani i odglumljeni podaci Da Registar literature U redu
Concannon i Tomalin Emocionalno razumijevanje i empatija Da Registar literature U redu
Dodaj i Sesar Kulturna varijabilnost Da Registar literature U redu
Dropuljić i sur. Kategorijski i dimenzijski modeli Da Registar literature U redu
Ekman Nije citiran u prozi Da Registar literature Defekt: zapis nije citiran; zapis se uklanja iz Literature
Gregorić i sur. Odglumljeni izrazi Da Registar literature U redu
Jack i sur. Kulturna varijabilnost Da Registar literature U redu
Kalateh i sur. Afektivno računarstvo i multimodalnost Da Registar literature U redu
Liu i sur. Atribucija izvora i empatija Da Registar literature U redu
Mayer i sur. EI kao sposobnosni konstrukt Da Registar literature U redu
Rashkin i sur. Empatični dijaloški sustavi Da Registar literature U redu
Rubin i sur. Percepcija empatije i izbor izvora Da Registar literature U redu
Saganowski i sur. Emognition Da Registar literature U redu
Sanjeewa i sur. Procjene razgovornih sustava Da Registar literature U redu
Sharma i sur. Tekstualna empatija Da Registar literature U redu
Sorin i sur. Nije citiran u prozi Da Registar literature Defekt: zapis nije citiran; zapis se uklanja iz Literature
Wang i sur. Šire emocionalno razumijevanje i EI-testovi Da Registar literature U redu
Wenger i sur. Kvaliteta odgovora i izbor čovjeka Da Registar literature U redu
Zadeh i sur. Multimodalna fuzija Da Registar literature U redu

Korak 3 — broj zapisa

Nakon uklanjanja necitiranih zapisa za Ekmana te Sorina, u popisu literature ostaje 19 zapisa. To odgovara broju različitih citata koji se pojavljuju u prozi.

RUPE U POKRIVENOSTI

  1. Sadržajna rupa: U dostavljenom materijalu nije potvrđen pozitivan, operacionalizirani kriterij kojim bi se funkcionalno emocionalno razumijevanje AI-sustava moglo izravno potvrditi. Zbog toga je odjeljak o emocionalnom razumijevanju ograničen na razlikovanje klasifikacije od šireg koncepta.

  2. Sadržajna rupa: Poglavlje o emocionalnoj inteligenciji ima oznaku da je pokriveno samo sažecima. Tekst je zato ograničen na razlikovanje sposobnosnih i samoprocjenskih modela te na tumačenje rezultata konkretne mjere.

  3. Sadržajna rupa: Nije dostavljen potpuni bibliografski identitet novijih pregleda i metaanaliza prepoznavanja emocija u razgovoru te novijih pregleda multimodalnog prepoznavanja. Ti izvori nisu dodani u Literaturu.

  4. Sadržajna rupa: Russellov circumplex-model nije prikazan šire jer je izvor I2 u registru označen kao dostupan samo na bibliografskoj razini.

  5. Nalaz o isporuci: Kontrolna lista iz debate jest dostavljena i obrađena u nastavku.

  6. Nalaz o isporuci: STYLE PROFILE nije dostavljen. Primijenjen je akademski, seminarski ton iz briefa.

  7. Sadržajna rupa: Sedamnaest izvornih pojmovničkih napomena nije dobilo zasebne, jednoznačne formulacije u izmijenjenom dokumentu. Te napomene nisu rekonstruirane iz primjera.

  8. Sadržajna rupa: Za I1, I2, I14 i I19 registar sadrži bibliografske nepravilnosti ili ograničenja otvorenosti. Zapisi su preneseni prema registru, ali njihovi nedostatci ograničavaju sadržajne zaključke.

PRIMIJENJENE ZAKLJUČANE ODLUKE

Odluka Vidljivost u tekstu
1 Afektivno računarstvo definirano je užim opsegom, bez vraćanja izvornog opisa i bez izjednačavanja s ljudskim iskustvom.
4 Razlikuju se klasifikacijski i regresijski izlazi; uspjeh modela nije prikazan kao dokaz razumijevanja.
8 Rezultat AI-ja na EI-testu prikazan je kao izvedba na konkretnoj mjeri; modeli EI-ja nisu izjednačeni.
P1 Kontrolirani i odglumljeni izrazi razlikuju se od spontanih; nije dodana tvrdnja da olakšavaju klasifikaciju.
P2 Kulturna varijabilnost prikazana je kao mogući ograničavajući čimbenik; nije prikazana kao dokazana neprenosivost konkretnog klasifikatora.
P3 Multimodalna prednost ograničena je na pojedine protokole i usporedne modele.
P4 Nije uvedena uzročna tvrdnja o korelacijama specifičnima za skup podataka.
P5 Multimodalna prediktivna izvedba odvojena je od emocionalnog razumijevanja.
P6 Emognition je prikazan kao skup podataka o mjerenim signalima, a ne kao mjerenje doživljaja AI-ja.
P7 Prepoznavanje emocija definirano je kao kategorijska ili dimenzijska procjena.
P8 Šire emocionalno razumijevanje prikazano je kao konceptualno šire od klasifikacije, bez tvrdnje da je operacionalizirano kao potvrđena sposobnost.
P9 Empatično odgovaranje vezano je uz ljudsku procjenu relevantnosti ili empatije odgovora.
P10 Razlike među rezultatima vezane su uz materijal, protokol, atribuciju izvora i kriterij procjene.
P11 Uklonjen je neoperacionalizirani izraz o legitimnom nositelju emocionalnog iskustva.
P12 Definicija afektivnog računarstva oslonjena je na otvoreni pregledni izvor, a ne na neotvoreni sadržaj monografije.
P14 Russellov circumplex-model nije prikazan šire; zadržan je samo opći opis valencije i pobuđenosti.
P16 Nalaz o AI-empatiji vezan je uz otvorenu verziju rada i formuliran kao nalaz o kvaliteti, empatiji i atribuciji izvora.

Kontrolna lista iz debate

Br. Provjera Status
1 Razlikovanje prediktivne izvedbe od emocionalnog razumijevanja Prošlo
2 Nema tvrdnje da su sastavnice emocionalnog razumijevanja potpuno operacionalizirane Prošlo
3 EI-poglavlje ograničeno je na dostupnu razinu provjere Prošlo
4 Ljudska procjena odgovora nije prikazana kao dokaz prepoznavanja emocije ili unutarnje empatije Prošlo
5 Usporedbe su vezane uz materijal, protokol, atribuciju izvora i kriterij procjene Prošlo
6 Emognition nije prikazan kao mjerenje doživljaja AI-sustava Prošlo
7 Kulturna ograda ne pretvara se u tvrdnju o dokazanoj neprenosivosti konkretnog klasifikatora Prošlo
8 Multimodalna fuzija nije prikazana kao dokaz razumijevanja Prošlo
9 Nalaz o korisnicima ograničen je na konkretne procjene i izbor izvora Prošlo
10 Russellov circumplex-model nije prikazan iznad dostupne razine provjere Prošlo
11 Neizvršene tvrdnje nisu prikazane kao pojedinačno provjerene Prošlo
12 Nedostajuća pregledna literatura prijavljena je u rupama pokrivenosti Prošlo
Natrag na finalni rad