Titre original :

Using data science to unravel the emotional body experience

Titre traduit :

Utilisation de la data science pour modéliser l'expérience émotionnelle corporelle

Mots-clés en français :
  • Affect
  • Cinématique
  • Évolution
  • Classification
  • Physiologie
  • Odeurs

  • Cinématique
  • Données -- Récupération (informatique)
Mots-clés en anglais :
  • Affect
  • Kinematics
  • Evolution
  • Classification
  • Physiology
  • Odors

  • Langue : Anglais
  • Discipline : Psychologie
  • Identifiant : 2022ULILH046
  • Type de thèse : Doctorat
  • Date de soutenance : 09/12/2022

Résumé en langue originale

La donnée est l'or d'aujourd'hui. La science des données est un domaine de recherche qui répond au besoin de (a) collecter des informations structurées, qualitatives et quantitatives, (b) analyser et extraire des indices clés qui peuvent évoluer au cours du temps et (c) interpréter les résultats vis-à-vis d'un cadre théorique spécifique dans le but de donner du sens aux donnée collectées. Mon travail de thèse s'est attaché à la question de comment récolter des données utiles et sensées pour caractériser un comportement humain émotionnel, en appliquant la logique des sciences des données à la psychologie. Les émotions sont au cœur des sociétés humaines; elles sont le ciment qui relie les Humains et elles exercent une influence certaine sur les aspects adaptatifs du comportement. Les émotions ont la capacité de moduler notre rythme cardiaque ou encore nos actions volontaires en nous faisant marcher plus vite ou plus lentement. Plus important encore, nos émotions modifient la façon dont nous bougeons, offrant ainsi des indices non-verbaux de nos état affectifs interne. Après une introduction sur la science des données (Chapitre 1), je présente un aperçu des cadres théoriques applicables aux concepts d'émotion et d'affect (Chapitre 2). Le Chapitre 3 est une partie méthodologique, offrant des conseils pour une bonne méthodologie en sciences affectives. Plus spécifiquement, je présente un tutoriel étape par étape sur comment collecter de bonnes données lorsque l'on souhaite étudier l'expérience émotionnelle corporelle chez de jeunes adultes sains, assis ou en mouvement (questionnaires, mesures physiologiques, enregistrements cinématique). La dernière partie du manuscrit de thèse présente trois cas d'études. Ces trois études démontrent que l'expérience émotionnelle corporelle peut être étudiée à partir de différentes perspectives méthodologiques, au sein d'un même cadre théorique. Le premier cas d'étude (Chapitre 4) est centré sur les effets des odeurs sur les réactions physiologiques et affectives. Les techniques d'analyse utilisées dans ce cas d'étude sont l'analyse de la fréquence et de la variabilité cardiaque ainsi que des questionnaires (GEOS, affect grid). Le second cas d'étude (Chapitre 5) est centré sur une description la plus complète possible des effets des émotions sur des mouvements corps entier d'acteurs. Ce cas d'étude utilise des analyses cinématiques (e.g., vitesse, jerk) et temporelles (ondelettes, auto-corrélations) pour rendre compte de l'avantage évolutionniste offert par l'influence des émotions sur la cinématique corporelle. Le troisième et dernier cas d'étude (Chapitre 6) est centré autour de la prédiction de l'état émotionnel d'un acteur, de par la modélisation de sa cinématique corporelle. La technique d'analyse principalement utilisée dans ce cas d'étude est un réseau de neurones profond convolutionnel. Pour conclure, le Chapitre 7 présente une discussion générale sur les résultats et les perspectives offertes par une approche science des données dans le but de s'attaquer à de nouveaux challenges théoriques et appliqués dans le domaine des émotions.

Résumé traduit

We live in a world where data is considered one of the most valuable of all resources. Data science is a domain of research that is focused on (a) how to collect useful and meaningful data, (b) how to extract key features and variables contained within the recorded data and (c) how to interpret results within a given theoretical framework to give meaning to the findings. My PhD work applied the logic of data science to the case study of emotional body movements in the cognitive field of affective sciences. Emotions are at the cornerstone of human societies; they bind Humans together and they exert a decisive influence on all aspects of adaptive behavior. Emotions have the ability to modulate heart rate or even voluntary motor actions by making us move faster or slower. Most importantly, emotions change the way we move offering non-verbal cues on our inner affective states. After an introductory part on data science (Chapter 1), I present an overview of the theoretical frameworks applicable to the concepts of emotion and affect (Chapter 2). Chapter 3 is a methodological section offering a guideline to the good methods in affective sciences. More specifically, I present a step-by-step tutorial on how to collect good data in the study of emotional body experiences in young healthy adults, sitting or moving (questionnaires, physiological measures, kinematic data). The final part of the PhD manuscript presents three show cases. These three show cases will demonstrate that emotional body experience can be studied from different methodological perspectives but within a common theoretical framework. The first show case (Chapter 4) is centered around the effects of odor molecules on physiological and affective reactions. The analysis techniques used in this show case are heart-rate, heart-rate variability analyses as well as questionnaires (GEOS, affect grid). The second show case (Chapter 5) is centered around a complete description of the effects of emotions on whole-body movements in actors. This show case uses kinematics (e.g., speed, jerk) and time-series analysis (cross-wavelet coherence, auto-correlations) to account for the underlying evolutionary meaning of emotional influence on kinematics. The third and final show case (Chapter 6) is centered around the prediction of the emotional state of an actor, solely based on its kinematics. The main analysis technique of this show case is a deep convolutional neural network. Finally, to conclude this PhD manuscript, the chapter 7 will provide a general discussion on the results and on the perspective offered by taking a data science perspective to help tackle new theoretical challenges, in the field of emotions.

  • Directeur(s) de thèse : Delevoye-Turrell, Yvonne
  • Président de jury : Dhaenens, Clarisse
  • Membre(s) de jury : Droit-Volet, Sylvie
  • Rapporteur(s) : Marin, Ludovic - Ochs, Magalie
  • Laboratoire : SCALab Sciences Cognitives & Sciences Affectives
  • École doctorale : École doctorale Sciences de l'homme et de la société (Villeneuve d'Ascq, Nord)

AUTEUR

  • Brossard, Victor
Droits d'auteur : Ce document est protégé en vertu du Code de la Propriété Intellectuelle.
Accès libre