Актуальность исследования обусловлена растущей потребностью в высокоточной и интерпретируемой системе распознавания эмоций на основе видеоданных, что имеет решающее значение для развития человеко-ориентированных технологий в образовании, медицине и системах взаимодействия человек–компьютер. В связи с этим статья направлена на выявление различий и перспектив применения локального решения DeepFace и облачной модели GPT-4o (OpenAI) для анализа коротких видеосюжетов с эмоциональными выражениями. Методологически исследование базируется на эмпирическом сравнительном анализе: использован метод скользящего среднего для сглаживания временных рядов эмоциональных оценок и оценки устойчивости и когнитивной интерпретируемости. Результаты показали, что DeepFace обеспечивает стабильную локальную обработку и высокую устойчивость к артефактам, в то время как GPT-4o демонстрирует способность к сложной семантической интерпретации и высокой чувствительности к контексту. Обоснована эффективность гибридного подхода, сочетающего вычислительную автономность и гибкость интерпретации. Таким образом, синергия локальных и облачных решений открывает перспективы для создания более точных, адаптивных и масштабируемых систем аффективного анализа. Материалы статьи имеют практическую ценность для специалистов в области аффективных вычислений, интерфейсного дизайна и когнитивных технологий.
The relevance of the study is due to the growing need for a highly accurate and interpretable emotion recognition system based on video data, which is crucial for the development of human-centered technologies in education, medicine, and human–computer interaction systems. In this regard, the article aims to identify the differences and application prospects of the local DeepFace solution and the cloud-based GPT-4o (OpenAI) model for analyzing short video clips with emotional expressions. Methodologically, the study is based on empirical comparative analysis: a moving average method was used to smooth the time series of emotional assessments and to evaluate stability and cognitive interpretability. The results showed that DeepFace provides stable local processing and high resistance to artifacts, while GPT-4o demonstrates the ability for complex semantic interpretation and high sensitivity to context. The effectiveness of a hybrid approach combining computational autonomy and interpretative flexibility is substantiated. Thus, the synergy of local and cloud solutions opens up prospects for creating more accurate, adaptive, and scalable affective analysis systems. The materials of the article are of practical value to specialists in the fields of affective computing, interface design, and cognitive technologies.
The authors declare that there are no conflicts of interest present.