FACS: jak opisać mimikę, zanim przypiszesz komuś emocję

TL;DR

FACS opisuje widoczne ruchy twarzy za pomocą jednostek działania, oznaczanych jako AU. Możesz dzięki temu odróżnić uniesienie powieki od ruchu brwi albo ruch kącików ust od uniesienia policzków. Sam kod nie ustala emocji, jej przyczyny ani tego, czy wypowiedź jest kłamstwem.

Ilustracje pokazują konkretne różnice, a liczby z badań wyjaśniają, co właściwie porównywano. Są to materiały dydaktyczne stworzone przez AI, nie zdjęcia uczestników ani certyfikowane wzorce FACS. Rzetelne kodowanie nagrania wymaga całej sekwencji, kryteriów podręcznika i miejsca na obserwacje, których nie da się rozstrzygnąć.

Opis twarzy nie jest jeszcze opisem zamiaru

Na nagraniu ktoś marszczy brwi, gdy pada pytanie o pieniądze. Komentarz pod filmem nazywa to złością po przyłapaniu na oszustwie. W tym jednym zdaniu są jednak różne twierdzenia: o widocznym ruchu, o emocji i o powodzie tej emocji.

W wykrywaniu kłamstwa trzeba sprawdzić każdy taki krok. Nawet trafnie rozpoznany lęk nie wskazuje zdania, które jest fałszywe. Obawa może dotyczyć kamery, rozgłosu albo skutków rozmowy niezwiązanych z oszustwem. Możliwość innego wyjaśnienia nie dowodzi szczerości, ale nie pozwala uznać pierwszego wyjaśnienia za jedyne.

Precyzyjniejszy opis ruchu jest pożyteczny właśnie dlatego, że nie musi rozstrzygać wszystkiego. Pozwala zapytać, którą część wniosku widać na obrazie, a do której dopisano opowieść. Ostatni raz sprawdzaliśmy omawiane badania 20 października 2026 roku.

Co mierzymy: obraz, mięśnie czy ocenę obserwatora?

W opisie wykładu Krystyny Rymarczyk na Uniwersytecie SWPS z 2019 roku wymieniono między innymi EMG i obrazowanie mózgu jako metody badań nad emocjami. Ten opis nie podaje nowego wyniku skuteczności FACS ani wykrywania kłamstwa. Pomaga natomiast rozróżnić rodzaje obserwacji.

EMG rejestruje aktywność elektryczną mięśni. Kodowanie FACS dotyczy zmian widocznych na twarzy. Z kolei ocena obserwatora może polegać na przypisaniu słowa „radość” do obrazu. To nie są trzy nazwy tej samej miary.

Połączenie różnych pomiarów może wspierać badania, ale sama obecność sprzętu nie zamienia intencji w znaną odpowiedź. Przy każdej liczbie trzeba zapytać: co stanowiło wynik, z czym go porównano i czy w ogóle sprawdzano prawdziwość wypowiedzi?

Tysiące klatek tej samej osoby

W bazie DISFA opisanej przez Mavadatiego i współautorów w 2013 roku było 27 dorosłych. Na osobę przypadało 4 845 klatek, co po przemnożeniu daje 130 815. Podczas oglądania materiałów wideo rejestrowano twarze, a dwanaście wybranych działań kodowano w skali intensywności od 0 do 5.

Duża liczba obrazów nie oznacza równie dużej liczby niezależnych twarzy. Wyobraź sobie tysiąc sąsiednich klatek jednej osoby. Jeśli model uczy się na części z nich, a potem jest sprawdzany na sąsiednich, wynik nie pokazuje jeszcze działania na kimś nieznanym.

Pytanie o podział uczestników między uczenie i sprawdzanie może więc być ważniejsze niż sama wielkość zbioru. Materiał jest wartościowy do badania ruchu, ale jego liczebność trzeba opisywać w odpowiednich jednostkach.

Co znaczy zgodność dwóch ocen

W DISFA nagrania dziesięciu uczestników otrzymały także drugą ocenę. Zgodność intensywności wyrażona współczynnikiem ICC wynosiła dla różnych działań od 0,80 do 0,94. Nie oznacza to 80–94% poprawnie wykrytych kłamstw: porównywano opisy ruchu.

To dobry wynik dla pytania, które rzeczywiście zadano. Powtarzalna obserwacja pozwala badać, kiedy pojawiają się ruchy i jak różnią się warunki. Nie potwierdza jednak niezależnie przeżywanego uczucia. Dwie osoby mogą zauważyć to samo uniesienie policzków i tak samo błędnie przypisać mu powód.

W analizie sprawy kryminalnej kolejna kontrola powinna dotyczyć konkretnego faktu. Zgodność kodów twarzy nie ustala daty przelewu ani wiedzy osoby o tej dacie. Oba zagadnienia mogą być omawiane obok siebie, ale potrzebują innych dowodów.

Skala intensywności nie jest skalą szczerości

FACS pozwala oznaczać widoczną siłę działania poziomami A–E. Są uporządkowane, ale nie stanowią równych porcji emocji. Poziom E nie oznacza pięciokrotnie większej radości niż A. Słabe działanie trzeba też odróżnić od braku działania.

W materiale bazy GFT z 2017 roku ocenianym pod względem intensywności udziały A–E wynosiły 42%, 39%, 15%, 3% i 1%. Dwa niższe poziomy dawały łącznie 81%. Baza obejmowała 96 osób w 32 trzyosobowych grupach i 172 800 klatek; obecność kodowano dla dwudziestu działań, intensywność dla pięciu.

Badano wybraną grupę młodych dorosłych w warunkach z alkoholem, placebo i kontrolą. Nie jest to rozkład mimiki całej populacji. Pokazuje jednak, dlaczego nauka oparta wyłącznie na wyrazistych pozach nie obejmuje całego zadania obserwacyjnego.

Od jednostki działania do widocznej zmiany

Facial Action Coding System ukazał się jako podręcznik w 1978 roku, a w 2002 został zrewidowany. Numer AU nazywa zmianę, nie poziom podejrzliwości. Można opisać część konfiguracji, zanim przypisze się całej twarzy znaczenie.

Liczy się wygląd początkowy. Cecha obecna już na początku nie musi być nową reakcją na pytanie. Podobnie ruchy towarzyszące mówieniu wymagają uwzględnienia tego, że osoba właśnie wypowiada słowo.

Zysk z kodowania jest praktyczny: zamiast „dziwna mina” można wskazać miejsce i czas zmiany. Dzięki temu druga osoba ma szansę sprawdzić opis na tym samym nagraniu. To lepszy początek rozmowy o materiale niż pewne zdanie o ukrytym zamiarze.

Brwi i powieki warto oglądać osobno

AU1 unosi wewnętrzne części brwi, przy nosie. AU2 unosi części zewnętrzne. AU4 obniża i zbliża brwi, a AU5 unosi górną powiekę. Większe otwarcie oka i wyższe położenie brwi nie są tą samą zmianą.

Porównaj tę samą okolicę przed ruchem i w jego trakcie. Czasami kilka działań występuje razem; ilustracja nie potwierdza nieobecności każdego pozostałego. Nie jest wzorcem egzaminacyjnym, lecz pomocą w zauważeniu różnic.

W dolnej części twarzy AU25 oznacza rozchylenie warg, a AU26 opuszczenie żuchwy. Wargi mogą się rozchylić bez dużej zmiany położenia żuchwy. AU20 rozciąga usta na boki, AU15 obniża kąciki. Ogólne określenie „grymas” ukryłoby te różnice.

Uśmiech nie składa się tylko z ust

AU12 pociąga kąciki warg ku górze i na boki. AU6 unosi policzki, zmieniając także okolicę pod oczami i przy ich kącikach. Połączenie bywa opisywane jako uśmiech Duchenne’a. Nie daje gwarancji spontanicznej radości.

Krumhuber i Manstead w 2009 roku porównali uśmiechy wywołane zabawnym materiałem z uśmiechami wykonywanymi na polecenie. W pierwszym eksperymencie udziały uśmiechów Duchenne’a i pozostałych były podobne w tych warunkach. Taka konfiguracja może więc powstać celowo.

Nie znaczy to, że każdy uśmiech jest udawany. Znaczy, że sam wzorzec nie opisuje historii jego powstania. Nawet rzeczywista radość mogłaby dotyczyć znajomej osoby poza kadrem, a nie informacji, o którą właśnie pyta prowadzący rozmowę.

Sześć póz i wspólne elementy

Ilustracja pokazuje 1 radość, 2 smutek, 3 strach, 4 złość, 5 zaskoczenie i 6 wstręt jako wyraźne pozy. Porównaj strach z zaskoczeniem: rozchylone wargi mogą wystąpić w obu, ale różnią się ułożenie brwi i boczne napięcie ust.

W danych Du i współautorów powtarzały się między innymi 12 + 25 przy radości, 4 + 15 przy smutku, 1 + 4 + 20 + 25 przy strachu oraz 4 + 7 + 24 przy złości. AU7 napina powieki, AU24 zaciska wargi. Zaskoczenie obejmowało 1 + 2 + 25 + 26, wstręt 9 + 10 + 17: zmarszczenie nosa, uniesienie górnej wargi i brody.

Wspólny ruch nie wyznacza całej konfiguracji. Zbliżone brwi mogą pojawić się w różnych pozach. Obrazy pomagają zobaczyć tę różnicę, ale nie dają instrukcji diagnozowania przeżycia na podstawie pojedynczego fragmentu twarzy.

Co mówi badanie 230 osób

Du i współautorzy w 2014 roku poprosili 230 osób o przedstawienie wyrażeń według instrukcji. Rozróżniali 22 kategorie: sześć prostych, piętnaście złożonych i jedną neutralną. Zdjęcia powstawały w kontrolowanych warunkach i były wybierane pod kątem rozpoznawalności pozy.

Badanie wykazało regularności i różnice między kombinacjami. Jest to pozytywny argument za dokładnym badaniem mimiki. Radosne i gniewne zaskoczenie nie muszą wyglądać identycznie tylko dlatego, że oba noszą nazwę zaskoczenia.

Nazwa kategorii należała jednak do zadania. Nie była uczuciem sprawdzonym niezależną metodą i odgadniętym przez kamerę. Rozróżnianie takich zdjęć nie jest tym samym co ustalenie, dlaczego osoba zareagowała w spontanicznej rozmowie.

Dlaczego 51% nie opisuje prawdopodobieństwa kłamstwa

AU6 pojawiało się w 51% radosnych póz, AU1 w 60% smutnych, a AU5 w 66% zaskoczonych. Do zestawu powtarzających się działań autorzy zaliczali te obecne u ponad 70% osób w danej kategorii.

Mianownikiem są osoby wykonujące tę pozę w wybranym materiale. To nie prawdopodobieństwo, że dowolna osoba z uniesionymi policzkami odczuwa radość. Aby odwrócić pytanie, trzeba znać również inne sytuacje, w których ten ruch występuje.

Nie można też twierdzić, że brak wyraźnego AU6 demaskuje kłamstwo. Jeśli cecha nie występowała we wszystkich rozpoznawalnych pozach radości, jej nieobecność nie staje się dowodem oszustwa. Liczby pokazują warianty, a nie obowiązkowy wygląd każdego przeżycia.

Kultura i sytuacja zmieniają pytanie

Cowen i współautorzy zbadali sześć milionów filmów ze 144 krajów, analizując szesnaście typów ekspresji. Raportowane 70% zachowania związków między kontekstem a ekspresją w dwunastu regionach to wynik dotyczący podobnych zależności, nie 70% trafności odczytywania uczuć jednostki.

W pracy Jack i współautorów z 2012 roku piętnaście osób z Europy Zachodniej i piętnaście chińskich osób z Azji Wschodniej klasyfikowało po 4 800 animacji. Różnice dotyczyły reprezentacji tych obserwatorów w tym zadaniu. Nie są regułą dotyczącą każdej osoby z obu regionów.

Oba badania mogą wnosić coś do wiedzy o twarzach, bo pytają o różne rzeczy. Duża liczba filmów nie zastępuje informacji o konkretnym człowieku, a tysiące odpowiedzi jednego obserwatora nie powiększają liczby niezależnych uczestników.

Nagranie ma kolejność i miejsca niewidoczne

GFT pozostawiło 22% klatek bez kodowania z powodu zasłonięcia twarzy. Zakryte usta nie muszą być nieruchome. W opisie trzeba odróżnić brak danych od zaobserwowanego braku ruchu.

W przykładowym filmie z 30 klatkami na sekundę dziewięć przedziałów zajmuje 300 milisekund. Między znacznikami pierwszej i dziewiątej klatki mieści się osiem przedziałów, około 267 milisekund. To rachunek próbkowania, nie próg rozpoznania emocji. Początek ruchu może przypaść pomiędzy zapisanymi chwilami.

Przy automatycznej ocenie pytaj też o znaczenie wyniku. Liczba 0,8 nie musi być sprawdzoną szansą 80% na strach. Przegląd Barrett i współautorów z 2019 roku wskazuje, dlaczego powtarzalna obserwacja nie wystarcza do dowolnej interpretacji emocjonalnej: związek musi być odpowiednio swoisty dla wniosku i warunków.

Kwota zbiórki i grymas przy rachunku

Wyobraź sobie wymyśloną rozmowę o zbiórce na naprawę rowerów. Osoba prowadząca zbiórkę marszczy brwi, odczytując małą kwotę na rachunku. Fragment krąży z komentarzem, że pytanie o pieniądze wywołało złość po przyłapaniu na kłamstwie.

Szersze ujęcie pokazuje poszukiwanie okularów i przybliżanie kartki. To alternatywne wyjaśnienie ruchu, nie potwierdzenie poprawności rozliczenia. Kwota na fakturze, wpłata, rabat i saldo mogą wymagać osobnego ustalenia.

Jeśli dokumenty nie zgadzają się z podaną kwotą, rozbieżność zasługuje na wyjaśnienie niezależnie od miny. Jeśli się zgadzają, nieprzyjemne wrażenie nie tworzy brakującego dowodu. W obu przypadkach trzeba wrócić do tego, co naprawdę mówi zapis finansowy.

Jak zapisać obserwację bez dopisywania intencji

Podaj miejsce w nagraniu, zmieniającą się okolicę twarzy i to, co działo się obok. Zaznacz niepewność, zasłonięcie lub słabą jakość obrazu. Przy interpretacji uczucia wskaż dodatkowe podstawy, zamiast przedstawiać ją jako część numeru AU.

Wartość FACS polega na dokładniejszym opisie, który można porównać i sprawdzić. Im poważniejszy wniosek o osobie, tym ważniejsze, żeby dowody dotyczyły właśnie przypisywanej emocji, wiedzy lub czynności. Ruch twarzy może pomóc postawić pytanie; nie musi udawać odpowiedzi na każde z nich.