{"id":9445,"date":"2026-05-12T05:21:52","date_gmt":"2026-05-12T05:21:52","guid":{"rendered":"https:\/\/architeles.eu\/ethics\/?p=9445"},"modified":"2026-05-12T05:22:59","modified_gmt":"2026-05-12T05:22:59","slug":"9445","status":"publish","type":"post","link":"https:\/\/architeles.eu\/ethics\/index.php\/2026\/05\/12\/9445\/","title":{"rendered":"Czy AI naprawd\u0119 wie, co czujesz? Multimodalna analiza emocji mi\u0119dzy obietnic\u0105 empatii a cichym nadzorem"},"content":{"rendered":"<p class=\"lead\">Asystent g\u0142osowy m\u00f3wi do Ciebie ciep\u0142ym tonem, bo wykry\u0142 wahanie w Twoim g\u0142osie. Kamera w samochodzie ostrzega, \u017ce tracisz koncentracj\u0119. System analizuj\u0105cy g\u0142os w call center podpowiada operatorowi, \u017ce klient w\u0142a\u015bnie zacz\u0105\u0142 si\u0119 irytowa\u0107. Smartwatch sygnalizuje skok t\u0119tna i interpretuje go jako wzrost stresu. Wszystkie te systemy nazywaj\u0105 to samo, czyli rozpoznawanie emocji, ale w rzeczywisto\u015bci mierz\u0105 co\u015b znacznie w\u0119\u017cszego, czyli korelacje mi\u0119dzy fal\u0105 g\u0142osu, mikroruchem twarzy, zmian\u0105 rytmu serca i etykiet\u0105, kt\u00f3r\u0105 kto\u015b wcze\u015bniej nada\u0142 danym treningowym. Multimodalna analiza emocji, czyli \u0142\u0105czenie sygna\u0142\u00f3w z wielu kana\u0142\u00f3w obserwacji, \u0142\u0105czy te wszystkie sygna\u0142y w jedn\u0105 decyzj\u0119, bo informacja z wielu \u017ar\u00f3de\u0142 jest stabilniejsza ni\u017c z jednego. Im lepiej to dzia\u0142a, tym \u0142atwiej zapomnie\u0107, \u017ce pomiar fizjologii nie jest tym samym co odczytanie subiektywnego do\u015bwiadczenia. Pytanie nie sprowadza si\u0119 wi\u0119c tylko do dok\u0142adno\u015bci tych system\u00f3w, ale do tego, kto z tych danych korzysta, w jakich warunkach, i czy osoba poddana takiej analizie w og\u00f3le wie, \u017ce jej twarz, ton g\u0142osu, mimika, ruch wzroku, spos\u00f3b klikania i wzorce pisania m\u00f3wi\u0105 o niej wi\u0119cej, ni\u017c chcia\u0142aby powiedzie\u0107 s\u0142owami.<\/p>\n<p><!--more--><\/p>\n<aside style=\"background: #f4f4f4;border-left: 4px solid #444;padding: 18px 22px;margin: 28px 0\" data-darkreader-inline-bgimage=\"\" data-darkreader-inline-bgcolor=\"\" data-darkreader-inline-border-left=\"\"><strong>Kluczowe tezy tego artyku\u0142u<\/strong><\/p>\n<ul>\n<li>Multimodalna analiza emocji \u0142\u0105czy cztery typy sygna\u0142\u00f3w (fizjologiczne, g\u0142osowe, obrazowe, interakcyjne) w jedn\u0105 etykiet\u0119 emocji.<\/li>\n<li>Nauka kwestionuje fundament tych system\u00f3w, bo mimika i ton g\u0142osu nie s\u0105 jednoznacznym odbiciem stanu wewn\u0119trznego.<\/li>\n<li>Od 2 lutego 2025 Akt o sztucznej inteligencji zakazuje stosowania emotion AI w miejscu pracy i w edukacji, z wyj\u0105tkiem zastosowa\u0144 medycznych i bezpiecze\u0144stwa.<\/li>\n<li>O tym, czy emotion AI pomaga czy szkodzi, decyduje nie sama technologia, lecz warunki, w jakich jest u\u017cywana.<\/li>\n<\/ul>\n<\/aside>\n<h2>Maszyna, kt\u00f3ra chce wiedzie\u0107, co czujesz<\/h2>\n<figure><img decoding=\"async\" class=\"alignnone size-medium wp-image-9451\" src=\"https:\/\/architeles.eu\/ethics\/wp-content\/uploads\/2026\/05\/a-chosen-soul-GkwnyqRMD70-unsplash.jpg\" alt=\"Tr\u00f3jwymiarowa wizualizacja g\u0142owy cz\u0142owieka wykonana z g\u0119stej siatki punkt\u00f3w, na czarnym tle, ze \u015bwiec\u0105cymi oczami.\" width=\"100%\" srcset=\"https:\/\/architeles.eu\/ethics\/wp-content\/uploads\/2026\/05\/a-chosen-soul-GkwnyqRMD70-unsplash.jpg 1920w, https:\/\/architeles.eu\/ethics\/wp-content\/uploads\/2026\/05\/a-chosen-soul-GkwnyqRMD70-unsplash-300x169.jpg 300w, https:\/\/architeles.eu\/ethics\/wp-content\/uploads\/2026\/05\/a-chosen-soul-GkwnyqRMD70-unsplash-1024x576.jpg 1024w, https:\/\/architeles.eu\/ethics\/wp-content\/uploads\/2026\/05\/a-chosen-soul-GkwnyqRMD70-unsplash-768x432.jpg 768w, https:\/\/architeles.eu\/ethics\/wp-content\/uploads\/2026\/05\/a-chosen-soul-GkwnyqRMD70-unsplash-1536x864.jpg 1536w\" sizes=\"(max-width: 1920px) 100vw, 1920px\" \/><figcaption>Twarz jako g\u0119sta siatka punkt\u00f3w dobrze oddaje to, jak AI \u201ewidzi&#8221; cz\u0142owieka. Algorytm nie postrzega twarzy jako twarzy, tylko jako zbi\u00f3r wsp\u00f3\u0142rz\u0119dnych i relacji mi\u0119dzy nimi.<\/figcaption><\/figure>\n<p>&nbsp;<\/p>\n<p>Empatyczny asystent g\u0142osowy Hume EVI w wersji trzeciej, udost\u0119pniony w maju 2025 roku, potrafi zaskoczy\u0107 przy pierwszym kontakcie<sup><a href=\"#ref-15\">[15]<\/a><\/sup>. Odpowiada w czasie kr\u00f3tszym ni\u017c 1.2 sekundy, ma do dyspozycji ponad sto tysi\u0119cy g\u0142os\u00f3w, a co istotniejsze, dostosowuje ton swojej wypowiedzi do tego, co us\u0142ysza\u0142 w g\u0142osie rozm\u00f3wcy. Smutek wywo\u0142uje cieplejsz\u0105 barw\u0119, niepewno\u015b\u0107 \u0142agodniejsze tempo, irytacja kr\u00f3tsze pauzy. Po kilku minutach takiej rozmowy \u0142atwo doj\u015b\u0107 do wra\u017cenia, \u017ce kto\u015b naprawd\u0119 s\u0142yszy, jak si\u0119 czujemy. To wra\u017cenie jest jednak myl\u0105ce. M\u00f3wi wi\u0119cej o sile dobrze zaprojektowanego interfejsu g\u0142osowego ni\u017c o tym, co ten system faktycznie mierzy pod spodem.<\/p>\n<p>Pomys\u0142, by komputery rozpoznawa\u0142y i reagowa\u0142y na emocje, nie pojawi\u0142 si\u0119 wczoraj. W 1997 roku Rosalind Picard z MIT Media Lab opublikowa\u0142a ksi\u0105\u017ck\u0119 <em>Affective Computing<\/em> (po polsku t\u0142umaczon\u0105 najcz\u0119\u015bciej jako <em>Obliczenia afektywne<\/em>), w kt\u00f3rej postawi\u0142a tez\u0119, \u017ce maszyny powinny bra\u0107 pod uwag\u0119 stany emocjonalne ludzi, je\u015bli maj\u0105 w sensowny spos\u00f3b reagowa\u0107 na ich zachowanie<sup><a href=\"#ref-9\">[9]<\/a><\/sup>. Przez ponad dwadzie\u015bcia kolejnych lat dziedzina ta rozwija\u0142a si\u0119 g\u0142\u00f3wnie w laboratoriach akademickich, bo brakowa\u0142o odpowiednio tanich kamer, mikrofon\u00f3w i czujnik\u00f3w. Dopiero po\u0142\u0105czenie taniego sprz\u0119tu konsumenckiego, urz\u0105dze\u0144 ubieralnych (smartwatchy, opasek, s\u0142uchawek z czujnikami) oraz du\u017cych modeli generatywnych sprawi\u0142o, \u017ce multimodalna analiza emocji wesz\u0142a do produkt\u00f3w codziennego u\u017cytku.<\/p>\n<p>St\u0105d rozr\u00f3\u017cnienie, kt\u00f3re warto zapami\u0119ta\u0107 przed dalsz\u0105 cz\u0119\u015bci\u0105. To, co dzieje si\u0119 w komercyjnych systemach, nie jest odczytywaniem emocji w sensie psychologicznym. Jest dopasowywaniem wzorc\u00f3w sygna\u0142\u00f3w do etykiet, kt\u00f3re wcze\u015bniej nadali im ludzie podczas treningu modelu. Multimodalno\u015b\u0107 daje pewniejsze dopasowanie. Otwiera jednak tak\u017ce nowe problemy, kt\u00f3rym po\u015bwi\u0119cona jest reszta tego tekstu.<\/p>\n<h2>Cztery strumienie sygna\u0142\u00f3w<\/h2>\n<p>Przegl\u0105dy literatury z lat 2024 i 2025 pokazuj\u0105, \u017ce wsp\u00f3\u0142czesna multimodalna analiza emocji opiera si\u0119 zwykle na czterech grupach sygna\u0142\u00f3w<sup><a href=\"#ref-2\">[2]<\/a><a href=\"#ref-3\">[3]<\/a><\/sup>. Ka\u017cda m\u00f3wi o cz\u0142owieku co\u015b innego, ma inn\u0105 dyskretno\u015b\u0107 i inaczej daje si\u0119 oszuka\u0107.<\/p>\n<p>Pierwsza grupa to <strong>sygna\u0142y fizjologiczne<\/strong>: <abbr title=\"Elektroencefalografia, pomiar aktywno\u015bci elektrycznej m\u00f3zgu\">EEG<\/abbr>, <abbr title=\"Elektrokardiografia, pomiar aktywno\u015bci elektrycznej serca\">EKG<\/abbr>, zmienno\u015b\u0107 rytmu serca (<abbr title=\"Heart Rate Variability, zmiany odst\u0119p\u00f3w mi\u0119dzy uderzeniami serca\">HRV<\/abbr>), reakcja sk\u00f3rno-galwaniczna (<abbr title=\"Galvanic Skin Response, zmiana przewodno\u015bci sk\u00f3ry pod wp\u0142ywem napi\u0119cia emocjonalnego\">GSR<\/abbr>), fotopletyzmografia (<abbr title=\"Photoplethysmography, optyczny pomiar pulsu u\u017cywany m.in. w smartwatchach\">PPG<\/abbr>) oraz pupilometria, czyli pomiar zmian \u015brednicy \u017arenicy. Ich najwi\u0119ksz\u0105 zalet\u0105 jest to, \u017ce pozostaj\u0105 w du\u017cej mierze poza \u015bwiadom\u0105 kontrol\u0105, wi\u0119c trudno je celowo modyfikowa\u0107. Pojawiaj\u0105 si\u0119 te\u017c nieinwazyjne urz\u0105dzenia ubieralne, w tym s\u0142uchawki z elektrodami EEG w kanale ucha oraz opaski mierz\u0105ce t\u0119tno i przewodno\u015b\u0107 sk\u00f3ry. Wad\u0105 tych pomiar\u00f3w jest niska jako\u015b\u0107 sygna\u0142u w ruchu i wra\u017cliwo\u015b\u0107 na zak\u0142\u00f3cenia.<\/p>\n<p>Druga grupa to <strong>sygna\u0142y g\u0142osowe<\/strong>. AI nie analizuje znaczenia s\u0142\u00f3w, tylko cechy akustyczne: cz\u0119stotliwo\u015b\u0107 podstawow\u0105, jitter i shimmer (mikroniestabilno\u015bci fali w wysoko\u015bci i g\u0142o\u015bno\u015bci), wsp\u00f3\u0142czynniki <abbr title=\"Mel-Frequency Cepstral Coefficients, standardowy zbi\u00f3r cech u\u017cywany w przetwarzaniu mowy\">MFCC<\/abbr>, tempo mowy, d\u0142ugo\u015b\u0107 pauz, intensywno\u015b\u0107. Otwarty toolkit openSMILE sta\u0142 si\u0119 tu standardem bran\u017cowym<sup><a href=\"#ref-4\">[4]<\/a><\/sup>. To w\u0142a\u015bnie te cechy u\u017cywane s\u0105 dzi\u015b w klinicznych badaniach nad depresj\u0105. G\u0142os osoby z depresj\u0105 ma w praktyce wy\u017cszy jitter, ni\u017cszy shimmer, mniej zr\u00f3\u017cnicowan\u0105 intonacj\u0119 i wi\u0119cej pauz, co modele potrafi\u0105 wykrywa\u0107 z czu\u0142o\u015bci\u0105 przekraczaj\u0105c\u0105 77%<sup><a href=\"#ref-4\">[4]<\/a><\/sup>.<\/p>\n<p>Trzecia grupa to <strong>sygna\u0142y obrazowe<\/strong>: mimika, mikroekspresje, postawa cia\u0142a, kierunek wzroku, rozszerzenie \u017arenic. Przez lata podstaw\u0105 by\u0142 <abbr title=\"Facial Action Coding System, system Paula Ekmana rozk\u0142adaj\u0105cy mimik\u0119 na pojedyncze ruchy mi\u0119\u015bni twarzy\">FACS<\/abbr>, czyli Facial Action Coding System Paula Ekmana, kt\u00f3ry rozk\u0142ada mimik\u0119 na zestaw mierzalnych ruch\u00f3w mi\u0119\u015bniowych. Obecnie dominuj\u0105 architektury oparte na Vision Transformers, czyli sieciach transformerowych zaadaptowanych do przetwarzania obrazu<sup><a href=\"#ref-3\">[3]<\/a><\/sup>. Najbardziej kontrowersyjna z czterech modalno\u015bci, do czego wracamy w dalszej cz\u0119\u015bci tekstu.<\/p>\n<p>Czwarta grupa to <strong>sygna\u0142y interakcyjne<\/strong>: dynamika pisania na klawiaturze, ruchy myszy, wzorce przewijania, czas reakcji, kolejno\u015b\u0107 klikania, nacechowanie emocjonalne wpisywanego tekstu. Grupa najmniej oczywista i jednocze\u015bnie najbardziej dyskretna, bo zostawiamy te \u015blady przy ka\u017cdym kontakcie z aplikacj\u0105 lub urz\u0105dzeniem, nie my\u015bl\u0105c o tym.<\/p>\n<figure><img decoding=\"async\" class=\"alignnone wp-image-9447\" src=\"https:\/\/architeles.eu\/ethics\/wp-content\/uploads\/2026\/05\/fcomp-05-1264713-g0001.webp\" alt=\"Schemat blokowy systemu rozpoznawania emocji z sygna\u0142\u00f3w fizjologicznych PPG, GSR i SKT, przechodz\u0105cego przez ekstrakcj\u0119 cech i klasyfikator.\" width=\"100%\" srcset=\"https:\/\/architeles.eu\/ethics\/wp-content\/uploads\/2026\/05\/fcomp-05-1264713-g0001.webp 1772w, https:\/\/architeles.eu\/ethics\/wp-content\/uploads\/2026\/05\/fcomp-05-1264713-g0001-300x105.webp 300w, https:\/\/architeles.eu\/ethics\/wp-content\/uploads\/2026\/05\/fcomp-05-1264713-g0001-1024x358.webp 1024w, https:\/\/architeles.eu\/ethics\/wp-content\/uploads\/2026\/05\/fcomp-05-1264713-g0001-768x268.webp 768w, https:\/\/architeles.eu\/ethics\/wp-content\/uploads\/2026\/05\/fcomp-05-1264713-g0001-1536x537.webp 1536w\" sizes=\"(max-width: 1772px) 100vw, 1772px\" \/><figcaption>Przyk\u0142adowy schemat dzia\u0142ania systemu emotion AI opartego na sygna\u0142ach fizjologicznych. Dane wej\u015bciowe (PPG, GSR, SKT) przechodz\u0105 przez ekstrakcj\u0119 cech, a nast\u0119pnie przez klasyfikator (SVM, KNN, drzewo decyzyjne), kt\u00f3ry zwraca etykiet\u0119 emocji. \u0179r\u00f3d\u0142o: Mellouk i Handouzi, <em>Frontiers in Computer Science<\/em>, 2023, CC BY 4.0.<\/figcaption><\/figure>\n<p>&nbsp;<\/p>\n<table>\n<tbody>\n<tr>\n<td><strong>Modalno\u015b\u0107<\/strong><\/td>\n<td><strong>Co w\u0142a\u015bciwie mierzy<\/strong><\/td>\n<td><strong>Trudno\u015b\u0107 oszukania<\/strong><\/td>\n<td><strong>Dyskretno\u015b\u0107 dla u\u017cytkownika<\/strong><\/td>\n<\/tr>\n<tr>\n<td>Fizjologiczna<\/td>\n<td>EEG, GSR, HRV, \u017arenica<\/td>\n<td>wysoka<\/td>\n<td>wymaga czujnika kontaktowego<\/td>\n<\/tr>\n<tr>\n<td>G\u0142osowa<\/td>\n<td>jitter, shimmer, intonacja, pauzy<\/td>\n<td>\u015brednia<\/td>\n<td>wystarczy mikrofon<\/td>\n<\/tr>\n<tr>\n<td>Obrazowa<\/td>\n<td>mimika, mikroekspresje, postawa, wzrok<\/td>\n<td>niska, mimika jest cz\u0119\u015bciowo \u015bwiadoma<\/td>\n<td>wystarczy kamera<\/td>\n<\/tr>\n<tr>\n<td>Interakcyjna<\/td>\n<td>klawiatura, mysz, scroll, sentyment<\/td>\n<td>niska, wymaga zmiany nawyk\u00f3w<\/td>\n<td>wbudowana w aplikacj\u0119, niewidoczna<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<h2>Od surowych danych do etykiety emocji<\/h2>\n<p>Same sygna\u0142y nie tworz\u0105 jeszcze klasyfikacji emocji. Trzeba je po\u0142\u0105czy\u0107 i przepu\u015bci\u0107 przez model klasyfikuj\u0105cy. To \u0142\u0105czenie nazywa si\u0119 fuzj\u0105 i odbywa si\u0119 na trzy g\u0142\u00f3wne sposoby<sup><a href=\"#ref-2\">[2]<\/a><a href=\"#ref-3\">[3]<\/a><\/sup>.<\/p>\n<p><strong>Fuzja wczesna<\/strong> \u0142\u0105czy cechy ze wszystkich modalno\u015bci na samym pocz\u0105tku w jeden wektor. Model uczy si\u0119 od razu zale\u017cno\u015bci mi\u0119dzy tonem g\u0142osu a mimik\u0105, mi\u0119dzy t\u0119tnem a sposobem klikania. Pozwala to wychwyci\u0107 subtelne relacje mi\u0119dzy kana\u0142ami, ale jest wra\u017cliwe na brak jednego sygna\u0142u. Je\u015bli kamera nagle traci dost\u0119p do twarzy, ca\u0142y wektor traci sens.<\/p>\n<p><strong>Fuzja p\u00f3\u017ana<\/strong> dzia\u0142a odwrotnie. Ka\u017cda modalno\u015b\u0107 ma w\u0142asny klasyfikator, ka\u017cdy zwraca swoj\u0105 decyzj\u0119, a dopiero potem s\u0105 one \u0142\u0105czone matematycznie, najcz\u0119\u015bciej przez \u015bredni\u0105 wa\u017con\u0105 albo g\u0142osowanie wi\u0119kszo\u015bciowe. Zalet\u0105 jest odporno\u015b\u0107, bo brak jednej modalno\u015bci nie wywraca ca\u0142ego systemu. Wad\u0105 jest to, \u017ce kana\u0142y s\u0105 traktowane jako niezale\u017cne, wi\u0119c nie wychwytuje si\u0119 relacji mi\u0119dzy nimi.<\/p>\n<p><strong>Fuzja hybrydowa<\/strong> \u0142\u0105czy oba podej\u015bcia i to ona dominuje w literaturze od 2023 roku. W praktyce realizuje si\u0119 j\u0105 przez tzw. transformery cross-modalne, czyli architektury sieci neuronowych, kt\u00f3re ucz\u0105 si\u0119 jednocze\u015bnie reprezentacji ka\u017cdej modalno\u015bci i relacji mi\u0119dzy nimi. Przyk\u0142adami takich architektur s\u0105 MemoCMT czy MCIHN<sup><a href=\"#ref-5\">[5]<\/a><\/sup>. Wed\u0142ug przegl\u0105du opublikowanego w czasopi\u015bmie <em>Biomimetics<\/em> w 2025 roku ponad 40% prac od 2022 roku u\u017cywa konfiguracji \u0142\u0105cz\u0105cej co najmniej trzy modalno\u015bci i w\u0142a\u015bnie architektury transformerowej<sup><a href=\"#ref-3\">[3]<\/a><\/sup>.<\/p>\n<figure><img decoding=\"async\" class=\"alignnone size-medium wp-image-9448\" src=\"https:\/\/architeles.eu\/ethics\/wp-content\/uploads\/2026\/05\/fphy-13-1599428-g002.webp\" alt=\"Diagram architektury sieci neuronowej do fuzji sygna\u0142u wideo i audio, z warstwami LSTM, transformer i multi-head attention.\" width=\"100%\" srcset=\"https:\/\/architeles.eu\/ethics\/wp-content\/uploads\/2026\/05\/fphy-13-1599428-g002.webp 1772w, https:\/\/architeles.eu\/ethics\/wp-content\/uploads\/2026\/05\/fphy-13-1599428-g002-300x161.webp 300w, https:\/\/architeles.eu\/ethics\/wp-content\/uploads\/2026\/05\/fphy-13-1599428-g002-1024x549.webp 1024w, https:\/\/architeles.eu\/ethics\/wp-content\/uploads\/2026\/05\/fphy-13-1599428-g002-768x412.webp 768w, https:\/\/architeles.eu\/ethics\/wp-content\/uploads\/2026\/05\/fphy-13-1599428-g002-1536x823.webp 1536w\" sizes=\"(max-width: 1772px) 100vw, 1772px\" \/><figcaption>Konkretna architektura fuzji multimodalnej. Sygna\u0142 wideo przechodzi przez warstw\u0119 konwolucyjn\u0105 i LSTM, sygna\u0142 audio przez konwolucyjny ekstraktor cech i transformer, a oba strumienie s\u0105 \u0142\u0105czone w warstwie multi-head attention przed warstw\u0105 w pe\u0142ni po\u0142\u0105czon\u0105 (Fc). \u0179r\u00f3d\u0142o: <em>Frontiers in Physics<\/em>, 2025, CC BY 4.0.<\/figcaption><\/figure>\n<p>&nbsp;<\/p>\n<p>Tu wchodz\u0105 konkretne komercyjne systemy. Hume AI wykorzystuje przede wszystkim dane g\u0142osowe i tekstowe w czasie rzeczywistym, generuj\u0105c odpowiedzi modulowane prozodi\u0105 rozm\u00f3wcy, czyli melodi\u0105, rytmem i tempem jego wypowiedzi<sup><a href=\"#ref-15\">[15]<\/a><\/sup>. Affectiva, przej\u0119ta w 2021 roku przez szwedzk\u0105 firm\u0119 Smart Eye za 73.5 miliona dolar\u00f3w, \u0142\u0105czy analiz\u0119 twarzy z analiz\u0105 g\u0142osu i jest dzi\u015b wbudowana w systemy producent\u00f3w aut z grupy 28% Fortune Global 500, g\u0142\u00f3wnie do monitorowania zm\u0119czenia i rozproszenia kierowcy. Ka\u017cdy z tych system\u00f3w ma w\u0142asne wybory architektoniczne, ale wszystkie opieraj\u0105 si\u0119 na tym samym za\u0142o\u017ceniu, \u017ce wi\u0119cej sygna\u0142\u00f3w daje pewniejsz\u0105 etykiet\u0119 emocji. To za\u0142o\u017cenie jest poprawne matematycznie. Brakuje mu jednak czego\u015b istotnego, czyli poprawno\u015bci semantycznej, do czego przechodzimy w kolejnej sekcji.<\/p>\n<h2>Czy u\u015bmiech zawsze znaczy rado\u015b\u0107<\/h2>\n<p>W 2019 roku Lisa Feldman Barrett, neuropsycholog z Northeastern University, opublikowa\u0142a wraz z Ralphem Adolphsem, Stacy Marsell\u0105, Aleixem Martinezem i Sethem Pollakiem przegl\u0105d ponad tysi\u0105ca publikacji w czasopi\u015bmie <em>Psychological Science in the Public Interest<\/em><sup><a href=\"#ref-1\">[1]<\/a><\/sup>. Tytu\u0142 pracy, <em>Emotional Expressions Reconsidered: Challenges to Inferring Emotion From Human Facial Movements<\/em>, nie zostawia z\u0142udze\u0144. R\u00f3wnie jednoznaczny jest wniosek. Nie ma naukowych podstaw, by zak\u0142ada\u0107, \u017ce stan emocjonalny cz\u0142owieka da si\u0119 odczyta\u0107 z mimiki w spos\u00f3b uniwersalny i niezawodny<sup><a href=\"#ref-1\">[1]<\/a><\/sup>.<\/p>\n<blockquote style=\"border-left: 4px solid #c0392b;padding: 14px 22px;font-size: 1.15em;font-style: italic;margin: 24px 0\" data-darkreader-inline-border-left=\"\"><p>Mimika nie jest \u201eodciskiem palca&#8221; emocji. T\u0119 sam\u0105 emocj\u0119 mo\u017cna wyrazi\u0107 na wiele sposob\u00f3w, a ten sam wyraz twarzy mo\u017ce oznacza\u0107 r\u00f3\u017cne rzeczy w r\u00f3\u017cnych kulturach i sytuacjach.<\/p><\/blockquote>\n<p>Dane przemawiaj\u0105 na korzy\u015b\u0107 tej tezy mocniej, ni\u017c wielu by si\u0119 spodziewa\u0142o. Doro\u015bli w kulturach miejskich marszcz\u0105 brwi w gniewie tylko w oko\u0142o 30% przypadk\u00f3w<sup><a href=\"#ref-1\">[1]<\/a><\/sup>. W pozosta\u0142ych 70% gniew wyra\u017ca si\u0119 inaczej, na przyk\u0142ad wycofaniem, cisz\u0105 albo rozszerzeniem nozdrzy. U\u015bmiech, wbrew intuicji, w wielu kulturach sygnalizuje raczej uleg\u0142o\u015b\u0107 albo zak\u0142opotanie ni\u017c rado\u015b\u0107. Sceniczne miny, kt\u00f3re w komercyjnych systemach emotion AI traktowane s\u0105 jako prototypy emocji, s\u0105 w praktyce stylizacj\u0105, a nie odwzorowaniem zachowania ludzi w realnym \u017cyciu.<\/p>\n<p>Krytyka ta uderza w fundament tzw. teorii podstawowych emocji Paula Ekmana, wed\u0142ug kt\u00f3rej istnieje sze\u015b\u0107 (czasem siedem) uniwersalnych, biologicznie wbudowanych emocji wyra\u017canych mimicznie w spos\u00f3b sp\u00f3jny we wszystkich kulturach. Na tej teorii do dzi\u015b opiera si\u0119 wi\u0119kszo\u015b\u0107 komercyjnych system\u00f3w rozpoznawania emocji z twarzy. Problem jest podw\u00f3jny. Po pierwsze, modele s\u0105 trenowane na zbiorach pochodz\u0105cych z populacji zachodnich, edukowanych i zamo\u017cnych (tzw. efekt WEIRD, od <em>Western, Educated, Industrialized, Rich, Democratic<\/em>), a nast\u0119pnie sprzedawane jako narz\u0119dzia uniwersalne. Po drugie, nawet w obr\u0119bie tych populacji relacja mi\u0119dzy mimik\u0105 a stanem wewn\u0119trznym nie jest deterministyczna, jest co najwy\u017cej probabilistyczna<sup><a href=\"#ref-1\">[1]<\/a><\/sup>.<\/p>\n<figure><img decoding=\"async\" class=\"alignnone size-medium wp-image-9449\" src=\"https:\/\/architeles.eu\/ethics\/wp-content\/uploads\/2026\/05\/josiah-kemp-MmfH_lPj9Dw-unsplash.jpg\" alt=\"Portret kobiety z narysowanymi niebiesk\u0105 farb\u0105 liniami pokrywaj\u0105cymi po\u0142ow\u0119 twarzy, na jasnoszarym tle.\" width=\"100%\" \/><figcaption>Kreski narysowane na twarzy to symboliczne odwzorowanie tego, jak system emotion AI nak\u0142ada na nas siatk\u0119 interpretacji. Ka\u017cda linia odpowiada cesze, kt\u00f3r\u0105 algorytm pr\u00f3buje przypisa\u0107 do etykiety emocji.<\/figcaption><\/figure>\n<p>&nbsp;<\/p>\n<p>AI Now Institute ju\u017c w 2019 roku wezwa\u0142 do zakazu stosowania emotion recognition w decyzjach wp\u0142ywaj\u0105cych na \u017cycie ludzi, takich jak rekrutacja, s\u0105downictwo czy dost\u0119p do \u015bwiadcze\u0144<sup><a href=\"#ref-14\">[14]<\/a><\/sup>. Argument by\u0142 prosty. Je\u015bli sama nauka nie potwierdza za\u0142o\u017cenia, \u017ce mimika jednoznacznie informuje o emocjach, to systemy oparte na tym za\u0142o\u017ceniu nie s\u0105 diagnoz\u0105. Pozostaj\u0105 zgadywaniem ubranym w technologiczne narz\u0119dzia.<\/p>\n<h2>Czyja zgoda, czyje dane<\/h2>\n<p>Za\u0142\u00f3\u017cmy jednak na chwil\u0119, \u017ce systemy te mierz\u0105 cokolwiek istotnego, cho\u0107by tylko cz\u0119\u015bciowo. Pojawia si\u0119 wtedy drugie pytanie. Kto i na jakich warunkach mo\u017ce z tych pomiar\u00f3w korzysta\u0107. Odpowied\u017a ma trzy poziomy.<\/p>\n<p><strong>Ramy prawne.<\/strong> Najmocniejsza odpowied\u017a pochodzi z Unii Europejskiej. Artyku\u0142 5 ust. 1 lit. f Aktu o sztucznej inteligencji, obowi\u0105zuj\u0105cy od 2 lutego 2025 roku, zakazuje stosowania system\u00f3w AI do wnioskowania o emocjach os\u00f3b w miejscu pracy i w instytucjach edukacyjnych<sup><a href=\"#ref-10\">[10]<\/a><\/sup>. Wyj\u0105tki dotycz\u0105 jedynie cel\u00f3w medycznych i bezpiecze\u0144stwa, przy czym wytyczne Komisji u\u015bci\u015blaj\u0105, \u017ce oznaczaj\u0105 one zatwierdzone wyroby medyczne, a nie og\u00f3lne mierzenie samopoczucia<sup><a href=\"#ref-11\">[11]<\/a><\/sup>. Kary za naruszenie wynosz\u0105 do 35 milion\u00f3w euro albo 7% globalnego rocznego obrotu firmy<sup><a href=\"#ref-11\">[11]<\/a><\/sup>. Drug\u0105 warstw\u0119 dodaje RODO. Je\u015bli system wnioskuje o stanie psychicznym takim jak depresja czy l\u0119k, wyniki produkowane przez taki model staj\u0105 si\u0119 danymi zdrowotnymi w rozumieniu art. 9, niezale\u017cnie od tego, jak producent nazwie swoj\u0105 funkcjonalno\u015b\u0107<sup><a href=\"#ref-6\">[6]<\/a><a href=\"#ref-12\">[12]<\/a><\/sup>.<\/p>\n<p><strong>Bias systemowy.<\/strong> Drugi poziom problemu to systematyczne r\u00f3\u017cnice w dok\u0142adno\u015bci mi\u0119dzy grupami u\u017cytkownik\u00f3w. Badania z 2024 i 2025 pokazuj\u0105, \u017ce afektywne modele radz\u0105 sobie gorzej z osobami o ciemniejszej karnacji, z kobietami, ze starszymi u\u017cytkownikami i z osobami neuroatypowymi, czyli takimi, kt\u00f3rych funkcjonowanie poznawcze odbiega od typowego (np. w spektrum autyzmu albo z ADHD). Praca opublikowana w <em>AI &amp; Society<\/em> w 2025 nazywa to zjawisko \u201ehollow inclusivity&#8221;, czyli deklarowan\u0105 dost\u0119pno\u015bci\u0105, kt\u00f3ra w praktyce wyklucza tych, kt\u00f3rzy nie pasuj\u0105 do za\u0142o\u017conych prototyp\u00f3w ekspresji<sup><a href=\"#ref-7\">[7]<\/a><\/sup>. Dla osoby z afazj\u0105 (zaburzeniem mowy wywo\u0142anym uszkodzeniem m\u00f3zgu) albo w spektrum autyzmu emotion AI cz\u0119\u015bciej okazuje si\u0119 narz\u0119dziem b\u0142\u0119dnego etykietowania ni\u017c realnej inkluzji.<\/p>\n<p><strong>Asymetria \u015bwiadomo\u015bci i ryzyko manipulacji.<\/strong> Trzeci poziom jest najbardziej niepokoj\u0105cy. Sygna\u0142y fizjologiczne i interakcyjne zostawiamy mimowolnie. Pracownik call center cz\u0119sto nie wie, \u017ce ton jego g\u0142osu jest analizowany w czasie rzeczywistym. Ucze\u0144 podczas lekcji online nie wie, \u017ce jego twarz jest oceniana pod k\u0105tem zaanga\u017cowania. System rozpoznaj\u0105cy moment podatno\u015bci emocjonalnej (smutku, zm\u0119czenia, frustracji) staje si\u0119 przy tym idealnym narz\u0119dziem targetowania, czy to w reklamie, czy w perswazji politycznej. UNESCO w rekomendacji o etyce AI z 2021 wprost wskazuje to ryzyko jako zagro\u017cenie dla godno\u015bci i kulturowej suwerenno\u015bci u\u017cytkownik\u00f3w<sup><a href=\"#ref-13\">[13]<\/a><\/sup>.<\/p>\n<p>Konkretny przyk\u0142ad tego, co si\u0119 dzieje bez zabezpiecze\u0144, to firma HireVue. Ameryka\u0144ska firma rekrutacyjna przez lata ocenia\u0142a kandydat\u00f3w na podstawie mimiki, tonu i tempa mowy z nagra\u0144 wideo. W 2019 i 2020 Electronic Privacy Information Center z\u0142o\u017cy\u0142 skargi do Federalnej Komisji Handlu, a w 2021 HireVue og\u0142osi\u0142, \u017ce rezygnuje z analizy mimiki<sup><a href=\"#ref-8\">[8]<\/a><\/sup>. Analiza g\u0142osu pozosta\u0142a. Tysi\u0105ce kandydat\u00f3w dosta\u0142y odmowy, kt\u00f3rych nigdy nie zrozumieli, a wi\u0119kszo\u015b\u0107 z nich nie wiedzia\u0142a, \u017ce by\u0142a w ten spos\u00f3b analizowana.<\/p>\n<figure><img decoding=\"async\" class=\"alignnone size-medium wp-image-9450\" src=\"https:\/\/architeles.eu\/ethics\/wp-content\/uploads\/2026\/05\/szabo-viktor-8MU2zOaDU4M-unsplash.jpg\" alt=\"R\u0119ka trzymaj\u0105ca smartfon iPhone z otwart\u0105 aplikacj\u0105 do tworzenia animoji, ekran w trybie ciemnym.\" width=\"100%\" \/><figcaption>Animoji w iPhonie to przyk\u0142ad emotion AI dost\u0119pnego w kieszeni setek milion\u00f3w u\u017cytkownik\u00f3w. Kamera \u015bledzi mimik\u0119 w czasie rzeczywistym, by o\u017cywi\u0107 cyfrow\u0105 posta\u0107.<\/figcaption><\/figure>\n<p>&nbsp;<\/p>\n<h2>Co zyskujemy, co ryzykujemy<\/h2>\n<p>Najlepiej wida\u0107 to w zestawieniu zastosowa\u0144. Ta sama technologia w jednym kontek\u015bcie ratuje \u017cycie, w drugim staje si\u0119 narz\u0119dziem dyscyplinuj\u0105cym, w trzecim dyskryminuj\u0105cym.<\/p>\n<table>\n<tbody>\n<tr>\n<td><strong>Obszar zastosowania<\/strong><\/td>\n<td><strong>Mo\u017cliwa korzy\u015b\u0107<\/strong><\/td>\n<td><strong>G\u0142\u00f3wne ryzyko<\/strong><\/td>\n<\/tr>\n<tr>\n<td>Zdrowie psychiczne (depresja, mania)<\/td>\n<td>wcze\u015bniejsze wykrywanie, triage, monitoring mi\u0119dzy wizytami<\/td>\n<td>medykalizacja zachowa\u0144, fa\u0142szywie dodatnie etykiety<\/td>\n<\/tr>\n<tr>\n<td>Bezpiecze\u0144stwo w pojazdach<\/td>\n<td>wykrywanie zm\u0119czenia i rozproszenia kierowcy<\/td>\n<td>ci\u0105g\u0142y nadz\u00f3r, u\u017cycie danych poza pierwotnym celem<\/td>\n<\/tr>\n<tr>\n<td>Empatyczne interfejsy g\u0142osowe<\/td>\n<td>bardziej naturalna interakcja, dost\u0119pno\u015b\u0107 dla os\u00f3b z trudno\u015bciami w komunikacji<\/td>\n<td>iluzja relacji, zast\u0119powanie kontaktu z lud\u017ami<\/td>\n<\/tr>\n<tr>\n<td>Rekrutacja i miejsce pracy<\/td>\n<td>deklarowana szybko\u015b\u0107 i obiektywno\u015b\u0107<\/td>\n<td>brak walidacji naukowej, dyskryminacja, zakaz w UE<\/td>\n<\/tr>\n<tr>\n<td>Edukacja zdalna<\/td>\n<td>monitoring zaanga\u017cowania uczni\u00f3w<\/td>\n<td>presja behawioralna, zakaz w UE<\/td>\n<\/tr>\n<tr>\n<td>Marketing i UX<\/td>\n<td>personalizacja, lepsze produkty<\/td>\n<td>manipulacja emocjonalna, profilowanie bez \u015bwiadomo\u015bci<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>O tym, czy emotion AI okazuje si\u0119 warto\u015bciowe czy szkodliwe, nie decyduje sama technologia. Decyduj\u0105 odpowiedzi na cztery pytania. Czy u\u017cytkownik wie, \u017ce jest analizowany. Czy system robi tylko to, do czego ma naukowe i praktyczne potwierdzenie. Czy nie u\u017cywa kategorii nadwra\u017cliwych, takich jak rasa, p\u0142e\u0107 czy neurodywergencja, jako zmiennych predykcyjnych. Czy cz\u0142owiek mo\u017ce wycofa\u0107 zgod\u0119 i swoje dane w ka\u017cdym momencie.<\/p>\n<h2>Wnioski<\/h2>\n<p>Multimodalna analiza emocji nie jest wykrywaniem emocji w dos\u0142ownym sensie. Jest statystycznym dopasowaniem sygna\u0142\u00f3w do wcze\u015bniej zaetykietowanych kategorii, kt\u00f3rych trafno\u015b\u0107 opiera si\u0119 na za\u0142o\u017ceniach, kt\u00f3re nauka coraz mocniej kwestionuje. To rozr\u00f3\u017cnienie powinno by\u0107 punktem wyj\u015bcia ka\u017cdej rozmowy o tych systemach, bo zmienia samo pytanie, jakie warto zadawa\u0107. Zamiast pyta\u0107 \u201eczy AI rozumie emocje&#8221;, warto pyta\u0107 \u201eco dok\u0142adnie ten system mierzy, kto z tego korzysta i jakie mam realne prawa wobec tych danych&#8221;.<\/p>\n<p>Z tego rozr\u00f3\u017cnienia p\u0142yn\u0105 cztery praktyczne zasady.<\/p>\n<ol>\n<li>Jawno\u015b\u0107. U\u017cytkownik wie, \u017ce jest analizowany, i wie, na jakich zasadach.<\/li>\n<li>Ograniczony zakres dzia\u0142ania. System robi tylko to, do czego zosta\u0142 przygotowany i ma naukowe potwierdzenie, najcz\u0119\u015bciej w kontek\u015bcie medycznym albo bezpiecze\u0144stwa.<\/li>\n<li>Wy\u0142\u0105czenie kategorii nadwra\u017cliwych. P\u0142e\u0107, rasa i neurodywergencja jako zmienne predykcyjne to granica, kt\u00f3rej nie wolno przekracza\u0107.<\/li>\n<li>Odwracalno\u015b\u0107. Prawo do wycofania zgody i usuni\u0119cia danych w ka\u017cdym momencie, bez kosztu po stronie u\u017cytkownika.<\/li>\n<\/ol>\n<p>Je\u015bli te zasady s\u0105 przestrzegane, emotion AI mo\u017ce by\u0107 warto\u015bciowym narz\u0119dziem we wczesnym wykrywaniu depresji, w bezpiecze\u0144stwie w pojazdach, we wsparciu os\u00f3b z trudno\u015bciami w komunikacji oraz w badaniach naukowych nad ludzkim afektem. Je\u015bli nie s\u0105, ta sama technologia staje si\u0119 narz\u0119dziem cichego nadzoru, manipulacji emocjonalnej i dyskryminacji bez prawa odwo\u0142ania. Najuczciwsza odpowied\u017a na pytanie z tytu\u0142u brzmi wi\u0119c tak. AI nie wie, co czujesz. Pr\u00f3buje to oszacowa\u0107, czasem trafnie, czasem nie, na podstawie danych, kt\u00f3re o sobie zostawiasz. To, co dzieje si\u0119 z tym oszacowaniem dalej, jest decyzj\u0105 ludzi, nie maszyny. I to jest w\u0142a\u015bciwa stawka tej dyskusji.<\/p>\n<h2>Literatura<\/h2>\n<ol>\n<li id=\"ref-1\">Barrett, L. F., Adolphs, R., Marsella, S., Martinez, A. M., &amp; Pollak, S. D. (2019). <a href=\"https:\/\/pmc.ncbi.nlm.nih.gov\/articles\/PMC6640856\/\">Emotional Expressions Reconsidered: Challenges to Inferring Emotion From Human Facial Movements<\/a>. <em>Psychological Science in the Public Interest, 20<\/em>(1), 1\u201368.<\/li>\n<li id=\"ref-2\">Pan, B., Hirota, K., Jia, Z., &amp; Dai, Y. (2024). <a href=\"https:\/\/www.mdpi.com\/2076-3417\/14\/17\/8071\">Multimodal Emotion Recognition Using Visual, Vocal and Physiological Signals: A Review<\/a>. <em>Applied Sciences, 14<\/em>(17), 8071.<\/li>\n<li id=\"ref-3\">Khan, M. et al. (2025). <a href=\"https:\/\/www.mdpi.com\/2313-7673\/10\/7\/418\">A Comprehensive Review of Multimodal Emotion Recognition: Techniques, Challenges, and Future Directions<\/a>. <em>Biomimetics, 10<\/em>(7), 418.<\/li>\n<li id=\"ref-4\">Khare, S. K. et al. (2025). <a href=\"https:\/\/mental.jmir.org\/2025\/1\/e74260\">Speech Emotion Recognition in Mental Health: Systematic Review of Voice-Based Applications<\/a>. <em>JMIR Mental Health<\/em>.<\/li>\n<li id=\"ref-5\">Khan, M. et al. (2025). <a href=\"https:\/\/www.nature.com\/articles\/s41598-025-89202-x\">MemoCMT: multimodal emotion recognition using cross-modal transformer-based feature fusion<\/a>. <em>Scientific Reports<\/em>.<\/li>\n<li id=\"ref-6\">H\u00e4uselmann, A. (2023). <a href=\"https:\/\/arxiv.org\/abs\/2309.10776\">EU law and emotion data<\/a>. arXiv:2309.10776.<\/li>\n<li id=\"ref-7\">Roemmich, K. et al. (2025). <a href=\"https:\/\/link.springer.com\/article\/10.1007\/s00146-025-02309-7\">The hollow inclusivity of emotion-recognition software for neurodivergent workers<\/a>. <em>AI &amp; Society<\/em>.<\/li>\n<li id=\"ref-8\">Maurer, R. (2021). <a href=\"https:\/\/fortune.com\/2021\/01\/19\/hirevue-drops-facial-monitoring-amid-a-i-algorithm-audit\/\">HireVue stops using facial expressions to assess job candidates amid audit of its A.I. algorithms<\/a>. <em>Fortune<\/em>.<\/li>\n<li id=\"ref-9\">Picard, R. W. (1997). <a href=\"https:\/\/mitpress.mit.edu\/9780262661157\/affective-computing\/\"><em>Affective Computing<\/em><\/a>. MIT Press.<\/li>\n<li id=\"ref-10\">European Parliament &amp; Council. (2024). <a href=\"https:\/\/artificialintelligenceact.eu\/article\/5\/\"><em>Regulation (EU) 2024\/1689 on Artificial Intelligence, Article 5<\/em><\/a>.<\/li>\n<li id=\"ref-11\">Future of Privacy Forum. (2025). <a href=\"https:\/\/fpf.org\/blog\/red-lines-under-eu-ai-act-unpacking-the-prohibition-of-emotion-recognition-in-the-workplace-and-education-institutions\/\"><em>Red Lines under EU AI Act: Unpacking the prohibition of emotion recognition in the workplace and education institutions<\/em><\/a>.<\/li>\n<li id=\"ref-12\">European Data Protection Board. (2023). <a href=\"https:\/\/www.edpb.europa.eu\/system\/files\/2023-05\/edpb_guidelines_202304_frtlawenforcement_v2_en.pdf\"><em>Guidelines 05\/2022 on the use of facial recognition technology by law enforcement authorities<\/em><\/a>.<\/li>\n<li id=\"ref-13\">UNESCO. (2021). <a href=\"https:\/\/www.unesco.org\/en\/artificial-intelligence\/recommendation-ethics\"><em>Recommendation on the Ethics of Artificial Intelligence<\/em><\/a>.<\/li>\n<li id=\"ref-14\">AI Now Institute. (2019). <a href=\"https:\/\/ainowinstitute.org\/publication\/ai-now-2019-report-2\"><em>AI Now 2019 Report<\/em><\/a>.<\/li>\n<li id=\"ref-15\">Hume AI. <a href=\"https:\/\/www.hume.ai\/expression-measurement\"><em>Expression Measurement<\/em><\/a>.<\/li>\n<\/ol>\n","protected":false},"excerpt":{"rendered":"<p>Asystent g\u0142osowy m\u00f3wi do Ciebie ciep\u0142ym tonem, bo wykry\u0142 wahanie w Twoim g\u0142osie. Kamera w samochodzie ostrzega, \u017ce tracisz koncentracj\u0119. System analizuj\u0105cy g\u0142os w call center podpowiada operatorowi, \u017ce klient w\u0142a\u015bnie zacz\u0105\u0142 si\u0119 irytowa\u0107. Smartwatch sygnalizuje skok t\u0119tna i interpretuje go jako wzrost stresu. Wszystkie te systemy nazywaj\u0105 to samo, czyli rozpoznawanie emocji, ale w [&hellip;]<\/p>\n","protected":false},"author":353,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_jetpack_memberships_contains_paid_content":false,"footnotes":""},"categories":[1],"tags":[],"class_list":["post-9445","post","type-post","status-publish","format-standard","hentry","category-uncategorized"],"jetpack_featured_media_url":"","jetpack_sharing_enabled":true,"_links":{"self":[{"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/posts\/9445","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/users\/353"}],"replies":[{"embeddable":true,"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/comments?post=9445"}],"version-history":[{"count":6,"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/posts\/9445\/revisions"}],"predecessor-version":[{"id":9457,"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/posts\/9445\/revisions\/9457"}],"wp:attachment":[{"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/media?parent=9445"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/categories?post=9445"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/tags?post=9445"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}