客户体验：情绪的评估方法和最新应用技术

客户体验：情绪的评估方法和最新应用技术

客户情绪评估是企业理解客户需求、提升服务质量的重要工具。本文将介绍7种常用的情绪评估方法和量表，以及最新的情绪评估技术，帮助企业更好地把握客户情绪，优化产品和服务。

1. PAD模型

PAD模型是由Albert Mehrabian和James A. Russell（1974年及之后）开发的一个心理模型，用于描述和测量情绪状态。该模型使用三个数值维度，即愉悦感、唤醒感和支配感来表示所有情绪。该模型最初用于环境心理学理论，核心思想是物理环境通过其情绪影响来影响人们。

PAD模型已用于研究零售环境的消费者行为，确定在愉悦感和唤醒度对诸如在商店中额外停留时间和计划外支出等问题有很好的解释力，但在广告情绪方面仍存在不确定性。

2. SAM量表

SAM量表和PAD模型其实算是同一底层逻辑的思路，差别在于SAM量表通过一系列图片（人体小人图 - Manikin）进行情绪状态的可视化表达，它由学者Bradley与Lang在20世纪末合作开发。

SAM量表的有效性和适用性在不同的研究中得到了验证。例如，在老年痴呆患者中的应用表明，该量表能够成功地反映患者对情绪刺激的主观体验，尽管他们的愉悦度整体低于常模，而唤醒度和支配度则普遍高于常模。这表明SAM量表能够适应不同人群的需求，并提供关于情绪状态的有用信息。

据目前已知的信息，这种量表在跨文化研究中的适用性和准确性是一个重要的考量点，情绪的表达和理解在不同文化背景下可能存在差异。

3. PrEmo方法

PrEmo是一种非言语自我情绪评定工具，由Pieter Desmet（TU Delft）2002年最早构思和开发，通常用于评估现有产品或新产品设计概念的情感反应。它适用于文化水平不高、识字能力不足或文化背景有差异的用户。

PrEmo（普雷莫）的核心是一个卡通人物，他用自己的脸、身体和声音表达14种不同的情绪。PrEmo量表包含7种积极情绪（如自豪、钦佩、喜悦、希望、满足、欲望、着迷）和7种消极情绪（如羞耻、轻蔑、悲伤、恐惧、愤怒、厌恶、无聊），这些情绪被认为代表了人类情绪库的一个坚实横截面。

PrEmo量表的一个显著特点是允许用户通过选择卡通表情来表达他们的感受，它能够测量区分情绪和混合情绪，且可以跨文化使用。

有一个关于汽车设计的案例研究，使用了六种不同汽车模型的彩色照片作为刺激物，这些汽车模型能够引起强烈的情感反应，并且每个人对它们的情感反应可能会有很大差异。通过对应分析，研究者得到了一个“产品与情感”空间，展示了汽车模型与报告的情感反应之间的关系。例如，大众新甲壳虫（Volkswagen New Beetle）和阿尔法147（Alfa 147）通常引发积极情感，而菲亚特Multipla（Fiat Multipla）则引发最多的消极情感。

PrEmo在发展过程中，其实经历了2个大版本的迭代升级，使其在应用上具有更稳健的可靠性。PrEmo V1版本主要用于评估静态产品设计引发的情绪，而PrEmo V2则是一个在线应用的版本，通过动画和身体动作来表达情绪，提供更细致的情感体验。

（PrEmo2在线使用：https://www.premotool.com/#use-premo）

PrEmo V2的创建是基于Desmet提出的设定，由六名专业演员独立演绎每个情感，然后与漫画家讨论他们的诠释结果，确保演员们对情感的自由表达与文献描述相符。这个工具的优势在于它不依赖文字，因此非常适合进行跨文化的调研，使得不同文化背景的人都能够方便地使用它来表达他们的感受，确保了测量的简单性和可靠性。

4. PANAS量表

PANAS量表由Watson、Clark和Tellegen于1988年开发。基于情感二维结构理论，目前广泛用于测量个体的积极（PA）和消极（NA）情绪状态。虽然PANAS量表起源于心理学领域，但它适用于其他各个领域，包括营销和企业管理。

PANAS量表有非常多个版本，包括不同语言版本、缩短版和针对特定群体修改版等等。一些修改版侧重于情绪表达的文化差异，而另一些则侧重在提高量表的敏感度。其中一个例子是PANAS-X，它涉及额外的子量表和项目，目标是供非英语人群使用。

在强生公司的实际应用上，强生公司会使用PANAS量表来评估员工在不同部门和地点的幸福感和情绪状态。他们通过定期调查来实现这一点，调查中包含的问题要求员工根据自己的感受强度，用1到5的等级进行评分。

• 在评估积极情绪时，调查可能会问：“你总体上感到多快乐？”或者“你在工作中感受到多少热情？”。
• 而对于消极情绪，问题可能是：“你在办公室感到多紧张？”或者“你在工作中是否感到压力或不安？”。

这样的评估帮助员工衡量他们的积极和消极情绪水平。公司通过分析这些数据来发现趋势和模式，可以据此实施针对性的解决方案。

5. DASS-21量表

DASS-21，全称为Depression Anxiety Stress Scales-21，是一种广泛使用的自评量表，用于评估个体在抑郁、焦虑和压力三个维度的情绪状态。该量表由Lovibond和Lovibond于1995年开发，经过多次修订和验证，已成为心理健康研究和临床实践中评估负性情绪的重要工具。

量表由抑郁、焦虑和压力三个子量表组成，每个子量表包含7个问题，共计21个问题。每个问题采用4点计分法，从“从未”到“几乎总是”分别计分为0至3分，总分越高表示情绪困扰程度越严重。

• 抑郁：评估个体的抑郁情绪，包括情绪低落、兴趣减退、自我评价下降等症状。
• 焦虑：评估个体的焦虑水平，包括紧张不安、恐慌、恐惧等症状。
• 压力：评估个体的压力感受，包括易怒、烦躁、无法放松等症状。

DASS-21常用于心理学研究中，帮助研究者量化个体的情绪状态，特别是在评估情绪障碍的倾向时。在临床心理学和精神健康服务中，DASS-21被用于筛查和评估患者的情绪问题，为制定治疗计划提供依据。还有，在教育和工作环境中，DASS-21可用于监测学生和员工的情绪健康，及时发现并干预潜在的心理健康问题。

在国内大学生群体中的测试报告显示，DASS-21简体中文版具有良好的心理测量学特性，包括较高的项目分析结果和信度检验结果，证明了其在中国人群中的适用性和有效性。

6. Emocards方法

Emocards也是一种非言语自我报告方法，由学者Desmet基于Russell的情感环状布局开发。它通过一套直观的卡通面孔来代表不同的情绪状态，提供了一种快速、直观且易于理解的情绪反馈方式。

Emocards量表由16张卡通面孔组成，分别描述了八种情感，每一种情感都包含一张男性面孔和一张女性面孔。这些面孔分布在环形上，两两间隔45°，形成一个环状布局。Emocards量表包含“唤醒度”和“愉悦度”两个维度。唤醒度表示情绪的强度或激活水平，从平静到激动；愉悦度表示情绪的正负倾向，从不愉快到愉快。

你会发现和PrEmo有些类似，其实差别在于PrEmo仅关注情绪的正负倾向，而未涉及情绪的强度。

Emocards和PrEmo都是有效的非言语自我报告工具，但它们在情感维度、量表内容、适用范围和情感深度方面存在显著差异，选择使用时应根据具体研究目的和需求来决定。在心理学研究中，Emocards量表可用于量化个体对各种刺激的情感反应，如情绪图片、声音或视频。量表的图形化设计因其直观、高效和跨文化的适用性，使其易于理解和使用，尤其适用于儿童、老年人或语言障碍者。

常用于评估用户对产品、服务或广告的情感体验，特别是在产品设计和市场营销领域。它也适用于心理学研究中，量化个体对各种刺激的情感反应。

7. 3E方法

3E方法（Evocative, Expressive, and Affective Emotion Methods）主要用于收集用户在使用产品或服务时，所产生的情绪体验和相关情境信息。

它是一种自我报告法，允许用户通过图形和文字形式表达自己的情感和经历。常与SAM量表和Emocards方法等其他情绪评估工具结合使用，来进行初步验证和对比分析。特别注意，3E方法并不依赖于绘画技巧，用户不具备绘画能力，也可以通过简单的图形、符号或文字来表达自己的情感。主持人要给用户足够的信心，让他们明确知道重要的是传达真实感受，而非艺术水平。

在一项“Similar Products”的Web应用体验研究中，组合使用了3E和EmoCards。用户首先通过模拟任务与Web应用交互。接着，他们使用3E方法，通过绘制面部表情和填写内心想法来表达他们的情感和体验。然后，用户使用EmoCards方法，通过选择代表他们情感的卡片来描述他们的体验，并在随后的非结构化访谈中讨论他们选择特定卡片的原因。

这些量表各有优缺点，选择时应根据具体需求和目标进行适当调整。例如，若需快速评估短期情绪变化，可以选择简版即时情绪评估量表；若需深入了解客户的情绪稳定性，则可以使用包含多个情绪因素的复杂量表。

最新的情绪评估技术或模型

情感语音识别技术

情感语音识别技术是近年来人工智能领域的研究热点之一，通过分析人类语音中的情感信息实现更加智能化和个性化的人机交互。例如，智能助手如苹果的Siri、亚马逊的Alexa和谷歌助手，它们通过分析用户语音中的情感基调来提供更加个性化的响应和服务。

多模态大模型心理测评平台

类似Mind Care平台，它利用多维度、多模态心理情绪特征、多级数据建模及人工智能计算模型，结合多级大数据和AI分析，进行科学趋向性分析与评估。例如，Mindstrong公司开发的应用程序，通过分析用户在智能手机上的行为模式（如滑动模式、按键力度等），结合心理学模型，来评估用户的心理健康状态。

基于人工智能的情绪识别算法

与面部识别技术一起部署的情绪识别算法正在应用于营销、产品开发和监控等各种应用中，基于六种基本情绪（恐惧、愤怒、快乐、悲伤、厌恶和惊讶）评估个人对刺激的反应。例如，Affectiva公司提供的情感分析API，它通过分析用户的面部表情和语音来识别情绪，已被用于市场研究、驾驶安全监测和客户服务体验改善。

基于客观生理信号的多模态情绪识别方法

情绪识别技术正从传统的主观情绪评估方法转向基于客观生理信号的方法，这包括面部表情、语音语调、生理反应等。例如，Fitbit和其他可穿戴设备通过监测心率、皮肤电导等生理信号，来推断用户的情绪状态，进而提供健康和压力管理的建议。例如，汽车制造商如宝马和奥迪，正在研发的情绪感知系统，通过监测驾驶员的面部表情、语音和生理信号，来调整车内环境，提高驾驶体验和安全性。

可穿戴情感识别系统

利用图像处理和深度学习技术进行面部表情识别，以及基于声音信号处理和模式识别的语音情感识别技术，这些研究成果为为情感识别技术的发展提供了新的可能性。例如，Empatica公司的Embrace手表，专为癫痫患者设计，通过监测佩戴者的生理信号来预测癫痫发作，同时也可用于情绪状态的监测。

融合人工智能和机器学习技术的情绪分析工具

这是一个主要的趋势，通过融合人工智能和机器学习技术，提高情绪分析的预测准确性。AI支持的情感分析工具利用NLP技术进行自然语言处理来分析文本并发现更复杂的表达，并提高准确性和熟练程度。例如，IBM Watson Tone Analyzer，它通过分析文本中的词汇和语境，来识别作者的情绪和语气，被用于社交媒体监控、客户反馈分析和内容创作。

以上。