微表情在AI面試的功能與不能
.
近幾年隨著AI結合電腦視覺技術的快速進步，許多心理學家與電腦科學家合作，捕捉人們的微表情，來分析特定行為傾向，例如說謊、犯罪、酒駕、吸毒、性格違常、人際溝通與職場行為等。
.
所謂微表情分二種，一種叫subtle expressions (又稱弱表情)，係指人類肉眼難以分辨的細微表情，例如眼角稍稍向上/向下，但一般人看不太出來；另一種叫micro-expressions, 意指人類肉眼不易察覺的瞬間表情變化，大約是1/15-1/25秒。基於微表情來自下意識的反應，不易被當事人進行刻意操控，常被用來偵測當事人內心的真正意向。
.
過去"表情等於情緒"學派一直主張微表情反應特定情緒(例如開心、難過、生氣、厭惡、害怕、驚訝、不屑等)，而情緒反應一個的人的心理狀態。他們做出一系列的表情包，再用這些表情包來推測當事人的心理狀態 (例如美劇Lie to me的情節)。相關研究，最常被拿來應用的是面部編碼系統(Facial Action Coding System, FACS)所歸納出來特定面部動作(Action Unit, AU)與相對應的情緒解讀。但是這樣的主張，一方面，開始被社會心理學家推翻或挑戰，因為在不同社會文化/或情境下，同一系列表情包可能反應不同的情緒。甚者，這些表情反應的可能不是情緒，而是人際(或人機)互動的社交信號。另一方面，許多研究還是運用肉眼來驗證判斷特定的靜態表情(持續高於1/2秒)是否反應特定心理狀態，而不是真的捕捉微表情，也不是捕捉表情的”移動變化”。很自然就不容易得到正確的答案，甚至產生誤導， 變成另類的「相術」！
.
其實真的研習過AI的學者專家都明白，AI看到的與人類肉眼看到的世界，是完全不同的，加上人類的心理狀態過於複雜，根本難以正確分析一個人的內心運作，例如答應一件事，是發自內心同意? 心不甘情不願? 或只是為了取悅對方，又或者只是從眾?
.
這些專家不會跟自己過不去，花時間來解答這種不容易得到標準公式的議題。取而代之的是，捕捉微表情的動態變化，分析或預測當事人的行為意向，例如答應或不答應，而不是去分析答應與否心理運作的黑箱。這樣反而能夠讓AI發揮它可以做到的快篩功能，且學術實證上都得到不錯的正確率。例如在錄影面試中與不同面試問題設定下，求職者在回答這些問題，經由微表情分析，推測他們在職場環境”可能”出現的行為傾向，而不是去評價他們回答的內容。這目前仍需要靠真人專家判斷或到下一關面試進行追問，才容易得到較完整的資訊。
.
畢竟，就像抗原快篩和PCR核酸檢測，是不同的運作原理。AI面試是運用微表情和其他非口語信息為線索，來推測當事人行為傾向的快篩工具，它快速便宜，可以進行大量海選式的普篩，但並非直接測量行為本身。 半結構式的行為事例面談、評鑑中心則是真的測量行為，有一定信/效度，但耗時又昂貴，較適合針對已鎖定目標對象的精選。
.
以上是用來補充這篇報導背後一些沒有提到的事。
.
https://www.businesstoday.com.tw/article/category/183015/post/202106300037/AI%E9%9D%A2%E8%A9%A6%E5%AE%98%E7%95%B6%E9%81%93%E3%80%80%E5%B9%AB%E5%8A%A9%E4%BC%81%E6%A5%AD%E6%89%BE%E5%87%BA%E3%80%8C%E5%B0%8D%E7%9A%84%E4%BA%BA%E3%80%8D
測量標準誤公式 在 [分享] 測驗統計上的XX標準誤- 精華區studyteacher 的推薦與評價
以下簡單分響四個與標準誤有關的名詞 如果有錯請大家指教囉
(一) 標準誤 Standard Error
由母體中每次抽出若干個體為一組樣本，再由各組樣本求出一個平均數，重
複此步驟，反覆進行無數次抽樣，由於進行一次抽樣就會得到一次抽樣誤差
，進行無數次就會得到無數次的抽樣誤差，這些抽樣誤差形成的標準差即為
抽樣分配標準差，又稱為【標準誤】
公式：σ_ = σ/√n
x
(二) 估計標準誤 Standard Error of Estimate
根據迴歸線上的已知分數來預測未知分數產生的估計誤差，進行無數次
預測就會得到無數次的預測誤差，這些預測誤差形成的標準差即為所謂
【估計標準誤】
公式：SE = Sy.x = Sy √1-r^2
(三) 測量標準誤 Standard Error of Measurement (SEmeas)
用以估計受試者之真實分數所在範圍的誤差單位與分數穩定性的信度。
在標準情境下，使用相同測驗或複本測驗測量一個受試者許多次，其所
得分數的平均數即為個人的真實分數。一般而言，會以受試者真實分數
為中心形成常態分配。而每次測驗實得分數與真實分數的差，稱為測量
誤差，許多次的測量誤差分配之標準插即為【測量標準誤】
公式：SEmeas = Sx √1-r
(四) 差異標準誤 Standard Error of Difference (SEdiff)
當同一人在同一份測驗前後兩次測驗比較，同一人在同一測驗之不同分
測驗比較或不同的人在同一測驗比較，用以判斷上述情況測驗分數的差
異，是否達統計顯著水準，就需使用【差異標準誤】
公式：SEdiff = S √2-rxx-ryy
--
My Pixnet~https://geniitwo18.pixnet.net/blog
My Wretch~https://www.wretch.cc/blog/geniitwo18
--
※ 發信站: 批踢踢實業坊(ptt.cc)
◆ From: 124.8.141.127
... <看更多>