Ulima Emotional Faces Dataset: un enfoque computacional para la creación de un dataset de expresiones emocionales en rostros latinos utilizando análisis biométrico y machine learning

Las expresiones emocionales forman parte del proceso de comunicación universal. Así, los rostros son considerados como un elemento nuclear para la exitosa adaptación al ambiente físico e interpersonal (Ekman, 1998). Por ello, un potencial material fotográfico de expresiones faciales que incluyen las emociones básicas cuenta con un amplio rango de aplicabilidad en tópicos como teoría de la mente, simetría facial y conceptualización de belleza, distintividad masculina y femenina, reconocimiento facial humano-ordenador, robótica, atracción interpersonal, estereotipos y prejuicios, fobias, comunicación persuasiva, publicidad (Langner et al., 2010). Aunque existe evidencia que sostiene que la etnicidad muestra un rol relevante en el procesamiento de las emociones (Hart et al., 2000), los datasets de fotografías de rostros más citados incluyen solo un 10% de adultos latinoamericanos. Para cubrir esta carencia, el ULima emotional faces dataset abarcará 7 emociones básicas en población latinoamericana. Este será validado por personas no entrenadas en el reconocimiento emocional de rostros para incrementar su validez ecológica. La inclusión de técnicas de Machine Learning permitirá alcanzar niveles más precisos en la predicción y clasificación de las emociones básicas desde un enfoque categorial y dimensional.

La mayoría de datasets de expresiones faciales se enfocan predominantemente en rostros de origen caucásico (Matsumoto y Ekman, 1988; Lundqvist et al., 1998; Beaupré et al., 2005; Lang et al., 1999; van der Schalk et al., 2009; Hawk et al., 2009: Tottenham et al. 2009). Actualmente, los datasets de rostros más referenciados presentan una marcada deficiencia en la representación de rasgos latinoamericanos, siendo estos últimos representados en menos de 10% de las muestras. En este contexto, Tottenham et al. (2009) sostiene que los parámetros de los datasets existentes no siempre satisfacen los objetivos de un experimento. Entre estas limitaciones se incluyen la escasa cantidad de estímulos y la insuficiente diversidad racial o étnica, lo que dificulta establecer una línea base apropiada que permita comparaciones transculturales sobre el procesamiento emocional de expresiones faciales.
Dado que existe evidencia del impacto de la etnicidad a nivel neurobiológico y conductual en el procesamiento facial (Elfenbein and Ambady, 2002; Herrmann et al., 2007), la creación y validación de este material, puesto en acceso libre para investigadores, favorecerá la inclusión de las diferencias relacionadas a factores étnico-culturales en el estudio con población latina.
Por otro lado, la mayoría de estos estudios han utilizado enfoques estadísticos clásicos que no examinan simultáneamente la diversidad de las interrelaciones entre los múltiples parámetros de la expresión emocional (Everson, 1992). Esta carencia obstaculiza la capacidad de los algoritmos para realizar predicciones o clasificaciones precisas en el reconocimiento facial de emociones. Por lo tanto, la falta de datos representativos y diversos afecta negativamente la capacidad de entrenamiento de los modelos, limitando su capacidad para generalizar y adaptarse a una amplia gama de expresiones emocionales.
Por tanto, se necesita adoptar una metodología más robusta y precisa basada en algoritmos de aprendizaje automático para abordar estos procesos psicológicos. La inclusión de técnicas de machine learning nos permitirá contribuir significativamente en la producción de conocimiento científico que se integre con el cuerpo de información ya existente en la psicología.
Asimismo, un análisis comparativo entre ocho sistemas de reconocimiento de emociones (utilizando cinco datasets) concluyó que la mayoría de los sistemas de detección automática funcionaron peor en comparación con evaluadores humanos, utilizando datos emocionales de adultos. Se teme que los algoritmos de detección de emociones estén reflejando sesgos implícitos y no reconocidos (Bryant y Howard, 2019). Por ello, es necesario construir material que asegure la representatividad de los datos emocionales y desarrollar algoritmos eficaces, con alta tasa de precisión, para allanar el camino de la futura tecnología afectiva.
Dado que el reconocimiento automático de emociones es un área de investigación amplia que integra disciplinas: el proceso comunicacional de las emociones, su reconocimiento psicológico y la inteligencia artificial (IA), esta propuesta abordará el desarrollo y la validación de una dataset de expresiones emocionales faciales en latinoamericanos, cubriendo la ausencia de estos datos y respaldando la validez del material mediante una metodología de construcción y estandarización rigurosas, enmarcándose en una perspectiva computacional.