Peneliti mengusulkan SVF-CR, sebuah kerangka kerja untuk mengenali ambivalensi dan keraguan dengan menyelaraskan bukti visual dan facial. Metode ini mengekstrak token video utuh yang sejajar dan token wajah yang dipotong, lalu memurnikannya melalui perhatian diri intra-modal dan perhatian silang dua arah.
- Token yang disinkronisasi saling dimurnikan sebelum membangun bukti tingkat segmen melalui pemodelan konsistensi dan ketidaksesuaian.
- Fitur tekstual dan akustik mengalami perhatian diri kontekstual dan bergabung dengan bukti visual-facial pada tahap keputusan.
- Eksperimen pada split evaluasi publik BAH mencapai macro-F1 sebesar 0.7156, mengungguli baseline fusi token global.
Pendekatan ini meningkatkan akurasi pengenalan dengan memodelkan bagaimana bukti perilaku yang sejajar secara temporal berinteraksi antar modalitas.