Mariska Kret ontwikkelt met Europese beurs virtual reality tool voor emotietraining
Als mensen subtiele, échte, niet geacteerde uitdrukkingen van emotie leren herkennen, zal dat helpen anderen beter te begrijpen en te vertrouwen. Daarom ontwikkelt Mariska Kret een interactieve virtual reality trainingstool (E-VIRT) voor een brede groep gebruikers, waaronder patiënten. Kret schetst in het kort haar idee voor de ERC Proof of Concept-beurs, die de ontwikkeling van de tool mogelijk maakt.
Het probleem
Het vermogen van mensen om emoties te uiten, te herkennen en te delen, stelt hen in staat om door hun sociale wereld te navigeren en vormt de kern van wat het betekent een sociaal dier te zijn en goed te functioneren. Uitingen van emotie hebben veel aandacht gekregen in de literatuur en in diverse trainingen en apps. De focus lag tot nu toe echter vooral op expliciete, geacteerde, prototypische gezichtsuitdrukkingen van het type dat we in het dagelijks leven zelden gezien2. In werkelijkheid maken subtiele veranderingen die zichtbaar zijn in het gezicht zoals verwijde pupillen, tranen en blozen, emotieherkenning uitdagend en vormen ze een probleem voor bepaalde patiëntengroepen, bijvoorbeeld patienten met een sociale angststoornis of autisme.
Krets onderzoek toont aan dat de meeste patiënten met deze aandoeningen niet ernstig beperkt zijn als het gaat om het herkennen van expliciete uitdrukkingen, maar dat problemen beginnen te ontstaan wanneer signalen subtiel of gemixt zijn. Bovendien hebben deze patiënten de neiging om oogcontact te vermijden en ervaren ze stress. Stel je voor dat een makelaar je met een grote glimlach vertelt dat het vochtprobleem is opgelost en dat de muur snel zal opdrogen. Zijn blozen en het vermijden van oogcontact deden je alarmbellen rinkelen. Veel patiënten zouden deze signalen van onbetrouwbaarheid echter niet oppikken en zouden, n.a.v. de glimlach, de verkeerde beslissing nemen. Moeilijkheden met emoties in de echte wereld zorgen ervoor dat ze de verkeerde mensen vertrouwen, en zaait twijfel over of het delen van emoties inderdaad wel kan leiden tot praktische of mentale hulp en ondersteuning. Deze personen riskeren sociaal isolement en hun lage zelfvertrouwen kan hen ervan weerhouden contact op te nemen met een therapeut.
De oplossing
Mensen leren om subtiele, échte, niet geacteerde uitdrukkingen van emotie te herkennen, zal hen helpen anderen beter te begrijpen en te vertrouwen. Het doel van dit project is het ontwikkelen van een interactieve virtual-reality trainingstool (E-VIRT) voor een brede groep gebruikers, waaronder patiënten. Ze kunnen profiteren van online hulp als een eerste stap naar het oefenen van sociale vaardigheden in een veilige thuisomgeving, zonder de aanwezigheid van anderen, en in hun eigen tempo. De virtuele omgeving is statistisch geprogrammeerd en de machine-learning- -algoritmen achter de uitdrukkingen van de virtuele personages en de emotieherkenningsvaardigheden beschermen de ecologische validiteit van het programma, waardoor impact op het echte leven van de gebruiker wordt vergroot.
In E-VIRT wordt de gebruiker ondergedompeld in een virtuele omgeving waarin hij geleidelijk wordt blootgesteld aan sociale situaties die verschillen in complexiteit (bijv. sollicitatiegesprek, speech tijdens etentje). De gebruiker communiceert met personages die emoties uitdrukken die in realtime zijn aangepast aan de uitdrukkingen van de gebruiker. De gebruiker wordt getraind in emotieverwerking in drie stappen: emotieregulatie, emotieherkenning en interoceptie.
De oorsprong
Dit project bouwt voort op de ERC Starting grant van Kret. Een belangrijke opbrengst van dat project is dat we een database hebben ontwikkeld die bestaat uit duizenden statische / dynamische, echte, niet-geacteerde gezichtsuitdrukkingen uit diverse situaties in verschillende culturen (van reality-tv, TikTok en van het filmen van deelnemers in het lab na emotie-inductie). Er is een enorm potentieel om dit materiaal te gebruiken in de trainingsapplicatie, zowel als input voor virtuele karakteruitingen, maar ook voor de automatische herkenning van de uitdrukkingen van gebruikers.