क्या AI अब इंसानी भावनाएँ समझ सकता है? विज्ञान असल में क्या दिखाता है

किसी कॉल सेंटर में कोई AI रियल टाइम में ग्राहकों की आवाज़ से उनकी झुंझलाहट का स्तर आँक रहा होता है। किसी अस्पताल में कोई सॉफ़्टवेयर मरीज़ के बोलने के ढंग में डिप्रेशन के संकेत खोज रहा होता है। और सिलिकॉन वैली में कोई टीम इस पर बहस कर रही होती है कि क्या इसे सचमुच जानना कहा जा सकता है कि कोई व्यक्ति क्या महसूस कर रहा है। क्या AI इंसानी भावनाओं की व्याख्या कर सकता है, यह सवाल अब सिर्फ़ अकादमिक नहीं रहा। यह न्यूरोसाइंस, मशीन लर्निंग और एक हैरानी भरी गरमागरम वैज्ञानिक बहस के संगम पर खड़ा है, और इसके नतीजे उन प्रोडक्ट्स और उन लोगों पर गहरे असर डालते हैं जिन्हें वे प्रभावित करते हैं।

"डिटेक्ट" करने का असली मतलब क्या है

एक अहम फ़र्क है जिसे इस विषय की ज़्यादातर रिपोर्टें सतही तौर पर निपटा देती हैं: किसी भाव को डिटेक्ट करना और उसके पूरे अर्थ को प्रोसेस करना दो बिल्कुल अलग चीज़ें हैं। कोई AI सिस्टम पहली चीज़ में बहुत अच्छा हो सकता है और दूसरी में पूरी तरह असमर्थ।

जब रिसर्चर इमोशन AI की बात करते हैं, तो उनका मतलब उन सिस्टमों से होता है जो देखे जा सकने वाले संकेत लेते हैं, जैसे आपकी भौंहों का कोण, आपकी आवाज़ की पिच, या किसी टेक्स्ट मैसेज में शब्दों का चुनाव, और फिर किसी भावनात्मक श्रेणी के लिए एक प्रोबेबिलिटी स्कोर देते हैं। ख़ुश। गुस्सा। घृणा। डर। यह पैटर्न पहचान है। यह शक्तिशाली है और कुछ खास सीमाओं के भीतर काम करती है। लेकिन यह वैसा नहीं है जैसा तब होता है जब कोई व्यक्ति अपने दोस्त का चेहरा पढ़ता है और वही महसूस करता है जो दोस्त महसूस कर रहा है।

तीन चैनल, जिनके साथ AI काम करता है

आधुनिक इमोशन रिकग्निशन सिस्टम तीन मुख्य सिग्नल चैनलों पर काम करते हैं:

हर चैनल की अपनी ताकत और अपनी विफलता के तरीके होते हैं। ज़्यादातर कमर्शियल सिस्टम बेहतर भरोसेमंदी के लिए कम से कम दो चैनल मिलाते हैं।

पैटर्न मिलाना महसूस करना नहीं है

कोई इंसान जब सहानुभूति महसूस करता है, तो दिमाग़ के उन हिस्सों में हलचल होती है जो साझा अनुभव से जुड़े हैं। चेहरे के भाव को वर्गीकृत करने वाला न्यूरल नेटवर्क ऐसा कुछ नहीं करता। वह चेहरे के लैंडमार्क्स के बीच स्थानीय संबंध पहचानता है और उन्हें ट्रेनिंग डेटा के हज़ारों लेबल किए गए उदाहरणों से मिलाता है।

यह टेक्नोलॉजी की आलोचना नहीं है। यह बस वही है जो यह है। समस्या तब पैदा होती है जब मार्केटिंग की भाषा इसे "इमोशनल इंटेलिजेंस" या "एम्पैथी AI" कहने लगती है, मानो यह तंत्र इंसानी तंत्र के बराबर हो। ऐसा नहीं है। नज़दीक तक भी नहीं।

फेशियल एक्सप्रेशन AI के पीछे का विज्ञान

कंप्यूटर से चेहरे के भाव पहचानने का प्रमुख ढांचा फेशियल एक्शन कोडिंग सिस्टम (FACS) है, जिसे मनोवैज्ञानिक पॉल एकमैन ने 1970 के दशक में विकसित किया था। एकमैन ने फेशियल एक्शन यूनिट्स का एक सेट पहचाना, जो अलग-अलग मांसपेशियों की हरकतें हैं और जिनके बारे में उनका दावा था कि वे सांस्कृतिक सीमाओं के पार एक जैसी होती हैं। भौं के अंदरी हिस्से का ऊपर उठना। होंठ के कोने का खिंचना। नाक का सिकुड़ना।

शुरुआती इमोशन AI असल में एक स्वचालित FACS पार्सर था। किसी मॉडल को एक्शन यूनिट के पैटर्न पहचानने के लिए ट्रेन करें, उन पैटर्न्स को भावनात्मक श्रेणियों से जोड़ें, और आपके पास एक काम करने वाला सिस्टम तैयार है।

एक्शन यूनिट्स क्या छूट जाते हैं

समस्या यह है कि FACS, और उस पर बने AI सिस्टम, यह तो पकड़ते हैं कि चेहरा क्या करता है, लेकिन यह नहीं पकड़ पाते कि क्यों करता है। किसी अंतिम संस्कार में दुख दबाने वाला व्यक्ति और शतरंज की चाल पर गहराई से सोचने वाला व्यक्ति, आँखों और मुँह के आसपास लगभग एक जैसे सूक्ष्म तनाव पैटर्न दिखा सकते हैं। AI को एक जैसे सिग्नल दिखते हैं। कमरे में बैठा इंसान वही गलती नहीं करता।

इसके साथ डिस्प्ले रूल्स की बुनियादी समस्या भी है: ऐसे सांस्कृतिक रूप से सीखे गए व्यवहार जो तय करते हैं कि लोग भावनाएँ कब और कैसे दिखाएँ। एक जापानी पेशेवर जो बिज़नेस मीटिंग में है, वह दिखने वाली भावनाओं को इस तरह दबा सकता है कि वह ऐसे AI को तटस्थ या अपठनीय लगे, जिसे मुख्य रूप से पश्चिमी चेहरे के भाव वाले डेटासेट पर ट्रेन किया गया हो।

सांस्कृतिक पूर्वाग्रह की समस्या

ज़्यादातर बड़े पैमाने के इमोशन रिकग्निशन ट्रेनिंग डेटासेट सीमित सांस्कृतिक पृष्ठभूमि की तस्वीरों से बने हैं। जब ज़्यादातर उत्तरी अमेरिकी और यूरोपीय डेटा पर ट्रेन किया गया मॉडल पूर्वी एशियाई या उप-सहारा अफ़्रीकी संदर्भों में लगाया जाता है, तो सटीकता काफ़ी गिर जाती है। 2019 के एक MIT Media Lab अध्ययन में पाया गया कि प्रमुख कमर्शियल फेशियल रिकग्निशन सिस्टम गहरे रंग की त्वचा वाले लोगों के लिए कहीं ज़्यादा एरर रेट दिखाते हैं। इमोशन रिकग्निशन सिस्टम भी यही पूर्वाग्रह आगे ले जाते हैं।

नोट: "यूनिवर्सल" चेहरे के भाव शुरुआती रिसर्च के सुझाव से कम यूनिवर्सल हैं। क्रॉस-कल्चरल अध्ययनों में पाया गया है कि अलग-अलग समाजों में भावनाएँ कैसे व्यक्त की जाती हैं और कैसे समझी जाती हैं, इसमें काफ़ी फ़र्क है।

टेक्स्ट में सेंटिमेंट: उम्मीद से बेहतर, ज़रूरत से कमतर

टेक्स्ट-आधारित भावना विश्लेषण, जिसे इंडस्ट्री में आम तौर पर सेंटिमेंट वर्क कहा जाता है, तीनों चैनलों में शायद सबसे परिपक्व है। GPT-5 और Claude 4 Sonnet जैसे आधुनिक लार्ज लैंग्वेज मॉडल लिखित भाषा की बारीकियाँ इस स्तर पर पढ़ सकते हैं, जो पाँच साल पहले अविश्वसनीय लगता।

एक आधुनिक LLM जब "मुझे दो घंटे ठंडे खाने का इंतज़ार करना बेहद पसंद आया" पढ़ता है, तो वह सिर्फ़ सकारात्मक शब्द नहीं गिनता। वह व्यंग्य पकड़ लेता है। वह "पसंद" और "ठंडे खाने" के बीच का विरोधाभास दर्ज करता है। वह इसे निराश, व्यंग्यपूर्ण और लगभग निश्चित रूप से नकारात्मक समीक्षा के रूप में पहचानता है।

NLP किन बातों में सही नतीजे देता है

• लहजे की पहचान अलग-अलग शैलियों में: औपचारिक, अनौपचारिक, कॉर्पोरेट, भावनात्मक
• विषय-भावना का जोड़ा: यह पहचानना कि कुछ शब्द-समूह अपने क्षेत्र के हिसाब से खास भावनात्मक वज़न रखते हैं
• समय के साथ ट्रैकिंग: कई बातचीत के दौरान बातचीत का भावनात्मक लहजा कैसे बदलता है
• तीव्रता का वर्गीकरण: हल्की चिढ़ और असली गुस्से में फ़र्क करना

Gemini 3 Pro जैसे मॉडल भाषा प्रोसेसिंग को इमेज रीडिंग के साथ जोड़कर एक और परत जोड़ते हैं, जिससे किसी कंटेंट के दृश्य और लिखित दोनों तत्वों का भावनात्मक संदर्भ एक साथ आँकना संभव होता है।

जहाँ टेक्स्ट पार्सिंग अब भी लड़खड़ाती है

बिना स्पष्ट संकेत वाला व्यंग्य। ऐसा अंदरूनी मज़ाक जिसका कोई साझा संदर्भ न हो। "ठीक" शब्द, जो कोई ऐसा व्यक्ति लिखता है जो साफ़ तौर पर ठीक नहीं है। ये अब भी, बहुत ज़्यादा संदर्भ के बिना, भरोसेमंद ढंग से पार्स करना हैरानी की हद तक मुश्किल है।

जहाँ इमोशन AI सचमुच काम आता है

अपनी सीमाओं के बावजूद, इमोशन AI कई उद्योगों में ऐसे तरीकों से लगाया जा रहा है जो असली और मापने लायक़ फ़ायदा देते हैं, ठीक इसलिए क्योंकि ये इस्तेमाल उस बात के अनुरूप डिज़ाइन किए गए हैं जो टेक्नोलॉजी वास्तव में कर सकती है।

कॉल सेंटर की क्वालिटी का काम

यह शायद सबसे व्यापक कमर्शियल इस्तेमाल है। AI फ़ोन बातचीत की रियल टाइम निगरानी करता है, ग्राहक की आवाज़ में बढ़ते तनाव को चिह्नित करता है, नोट करता है कब एजेंट का लहजा रूखा या रक्षात्मक हो जाता है, और बाद में कॉल्स को भावनात्मक गुणवत्ता के आधार पर स्कोर करता है।

यहाँ मानक परफ़ेक्शन का नहीं है। मानक यह है कि वह हज़ारों कॉल्स की मैनुअल समीक्षा से बेहतर हो। उस सीमा पर, मौजूदा इमोशन AI इतना अच्छा प्रदर्शन करता है कि उसकी तैनाती जायज़ ठहरती है।

मेंटल हेल्थ मॉनिटरिंग

कई क्लिनिकल रिसर्च टीमें अपॉइंटमेंट के बीच डिप्रेशन और एंग्ज़ायटी वाले मरीज़ों को ट्रैक करने के लिए वॉइस बायोमार्कर इस्तेमाल करती हैं। बोलने के पैटर्न, गति, रुकने की आवृत्ति और कुछ प्रोसोडिक विशेषताएँ मूड की स्थिति से मापने लायक़ रूप से जुड़ी होती हैं। AI सिस्टम ऐसे चिंताजनक बदलावों को चिह्नित कर सकते हैं जो साप्ताहिक चेक-इन में सामने न आएँ।

ज़रूरी: ये सिस्टम क्लिनिशियन की मदद के लिए बने हैं, उनकी जगह लेने के लिए नहीं। AI एक पैटर्न पर ध्यान देता है। उस पर क्या करना है, यह इंसान तय करता है।

एडैप्टिव इंटरफ़ेस

कुछ एक्सेसिबिलिटी सॉफ़्टवेयर रियल-टाइम भावनात्मक स्थिति की पहचान से इंटरफ़ेस का व्यवहार बदलते हैं: जब यूज़र तनाव में लगता है तो धीमा हो जाना, और जब झुंझलाहट के संकेत बढ़ें तो विकल्प सरल कर देना। यह नियंत्रित, सिंगल-यूज़र संदर्भों में ठीक-ठाक काम करता है, जहाँ सिस्टम को किसी व्यक्ति के बेसलाइन के हिसाब से कैलिब्रेट किया जा सकता है।

जहाँ यह अब भी टूट जाता है

जहाँ इमोशन AI विफल होता है, वे अपवाद वाले मामले नहीं हैं। वे इंसानी भावनात्मक जीवन के केंद्र में हैं।

मास्किंग की समस्या

लोग अपनी भावनाएँ सिर्फ़ दिखाते नहीं। वे उन्हें संभालते हैं। वे निजी तौर पर बुरी तरह डरे होते हुए भी संयम का दिखावा करते हैं। जिन लोगों को वे नापसंद करते हैं, उन पर मुस्कुराते हैं। बहुत गहरी अनिश्चितता के पलों में भी आत्मविश्वास दिखाते हैं।

देखे जा सकने वाले संकेत पढ़ने वाला AI प्रदर्शन को पकड़ता है, अंदर की स्थिति को नहीं। यह सिर्फ़ तकनीकी कमी नहीं है। यह एक बुनियादी सीमा है: किसी व्यक्ति के अंदरूनी अनुभव को उसके बाहरी संकेतों से पूरी तरह नहीं पढ़ा जा सकता, क्योंकि वे संकेत आंशिक रूप से, और कई बार ज़्यादातर, एक सामाजिक निर्माण होते हैं।

जो रिसर्चर सालों से एफ़ेक्टिव कंप्यूटिंग पर काम कर रहा है, वह यह जानता है। ज़्यादातर इमोशन AI प्रोडक्ट्स की मार्केटिंग सामग्री इसका ज़िक्र करने से सावधानी से बचती है।

एग्रीगेशन का जाल

जब इमोशन AI सिस्टमों का वर्णन किया जाता है, तो वे आम तौर पर समग्र सटीकता के आँकड़े देते हैं। "हमारा मॉडल EMODB डेटासेट पर 87% सटीकता हासिल करता है।" व्यवहार में इसका मतलब है: हर 100 में से 13 लोगों को गलत वर्गीकृत किया जाता है। लाखों इंटरैक्शन पर बड़े पैमाने पर तैनात होने पर, यह एरर रेट वास्तविक लोगों की एक बहुत बड़ी संख्या पैदा करता है, जिनकी भावनाएँ गलत पढ़ी गईं और उन पर ऐसे प्रतिक्रिया दी गई मानो वह गलत पठन सही हो।

डेटा में स्ट्रक्चरल पूर्वाग्रह

इमोशन रिकग्निशन सिस्टम को ट्रेन करने के लिए इस्तेमाल होने वाले डेटासेट तटस्थ नहीं हैं। वे इस बात को दर्शाते हैं कि उन्हें किसने बनाया, किसने फ़ंड किया और डेटा इकट्ठा करने में कौन शामिल हुआ। इससे ऐसे सिस्टम बनते हैं जो इन लोगों के लिए मापने योग्य रूप से कम सटीक हैं:

• महिलाएँ (कुछ अध्ययन दिखाते हैं कि तटस्थ महिला चेहरों को "गुस्से" के रूप में पढ़ने की ओर ज़्यादा झुकाव होता है)
• गैर-पश्चिमी सांस्कृतिक अभिव्यक्ति शैलियाँ
• बड़ी उम्र के लोग, जिनकी चेहरे की मांसपेशियाँ उम्र के साथ बदल गई हैं
• कुछ न्यूरोलॉजिकल स्थितियों वाले लोग, जो सामान्य अभिव्यक्ति पैटर्न को प्रभावित करती हैं

रिसर्चर असल में किस बात पर बहस करते हैं

MIT की रोज़ालिंड पिकार्ड से जुड़ा एफ़ेक्टिव कंप्यूटिंग का अकादमिक क्षेत्र एक संयत, लंबी अवधि वाला नज़रिया रखता है। पिकार्ड का मूल तर्क है कि इंसानों के साथ बातचीत करने वाली मशीनों को भावनात्मक संकेत पहचानने और उन पर उचित प्रतिक्रिया देने की ज़रूरत है। इसलिए नहीं कि मशीन कुछ महसूस करती है, बल्कि इसलिए कि भावनात्मक संकेतों को अनदेखा करने से इंसान-मशीन बातचीत नाज़ुक और निराशाजनक हो जाती है।

इसका प्रतिवाद लिसा फ़ेल्डमैन बैरेट जैसे रिसर्चर ज़ोरदार तरीके से रखते हैं: भावना की श्रेणियाँ खुद उतनी स्थिर या सार्वभौमिक नहीं हैं जितना एकमैन का ढांचा मानता था। भावनाएँ जैविक अवस्थाओं की रीडिंग नहीं होतीं। वे दिमाग़ द्वारा आंतरिक शरीर संकेतों और सांस्कृतिक सीखने के मेल से बनाई जाती हैं। अगर यह सच है, तो देखे जा सकने वाले संकेतों से भावनाएँ "पढ़ने" का पूरा प्रयास एक डगमगाती सैद्धांतिक नींव पर खड़ा है।

DeepSeek R1 जैसे मॉडल अब इन बहसों पर लंबे समय तक तर्क कर सकते हैं, अकादमिक पक्षों को संश्लेषित कर सकते हैं और प्रतिवाद सामने ला सकते हैं, जिससे वे इस विवादित रिसर्च क्षेत्र को समझने की कोशिश करने वाले किसी भी व्यक्ति के लिए सचमुच उपयोगी बन जाते हैं।

3 चीज़ें जो AI अभी नहीं कर सकता

1. छिपी या दबाई गई भावनाओं को पहचानना असली दुनिया की परिस्थितियों में, लैब के बाहर, नकली बनाए गए भावों के बिना, सार्थक सटीकता के साथ
2. सचमुच मिश्रित भावनात्मक स्थितियों की व्याख्या करना, जिनमें कई एहसास एक साथ घुले हों, बिना भारी संदर्भात्मक सहारे के
3. व्यक्तिगत बेसलाइन को ध्यान में रखना: किसी एक व्यक्ति के चेहरे पर जो खुशी दिखती है, वह किसी दूसरे के चेहरे पर शिष्ट रुचि जैसी लग सकती है

सहमति का सवाल

तकनीकी सीमाओं से आगे एक और कठिन सवाल है: अगर इमोशन AI बिल्कुल सही तरीके से काम करने लगे, तब भी क्या हमें उसे सहमति के बिना इस्तेमाल करना चाहिए? किसी की जानकारी के बिना उसकी भावनात्मक स्थिति पढ़ना निजता के उन अधिकारों से जुड़ा है जिन तक कई कानूनी व्यवस्थाएँ अभी नहीं पहुँच पाई हैं। अमेरिका के कई शहर और EU हायरिंग, कानून प्रवर्तन और सार्वजनिक निगरानी में इमोशन रिकग्निशन के इस्तेमाल पर सक्रिय रूप से पाबंदियाँ लगा रहे हैं। तकनीक गवर्नेंस से तेज़ आगे बढ़ रही है। यह अंतर मायने रखता है।

एक थेरेपिस्ट के पास वह है जो AI के पास नहीं है

मरीज़ की भावनात्मक स्थिति पढ़ने वाला एक कुशल थेरेपिस्ट बेशक प्रशिक्षण पर भरोसा करता है, लेकिन साथ ही उस खास व्यक्ति को वर्षों से जानने पर, कही जा रही बात की भावनात्मक गूँज पर, शब्दों के बीच की ख़ामोशी पर, और मुद्रा व ऊर्जा पर भी, जिसमें थेरेपिस्ट की अपनी भावनात्मक प्रणाली एक तरह के सेंसिंग उपकरण के रूप में काम करती है।

यह कोई रहस्यमय चीज़ नहीं है। यह किसी दूसरे इंसान के साथ समय के साथ बनी समृद्ध, शरीर-आधारित और रिश्तों वाली निकटता का नतीजा है। यही वह चीज़ है जो आज के किसी भी AI सिस्टम के पास नहीं है, और जिसके बारे में सबसे आशावादी रिसर्चर भी यह नहीं कहते कि वह निकट भविष्य में आ जाएगी।

इंसानी सामाजिक और भावनात्मक जीवन की जटिलता, जो किसी भी भीड़भाड़ वाली शहरी सड़क पर दिखती है, जहाँ एक साथ दर्जनों ओवरलैपिंग भावनात्मक लेन-देन चल रहे होते हैं, मौजूदा सिस्टमों की समग्र रूप से प्रोसेसिंग क्षमता से दस गुना ज़्यादा जटिल है।

"क्या AI अब इंसानी भावनाएँ समझ सकता है" का ईमानदार जवाब यह है: यह कुछ संकेतों को, कुछ नियंत्रित परिस्थितियों में, सार्थक लेकिन अपूर्ण सटीकता के साथ पहचान सकता है। यह खास अनुप्रयोगों के लिए सचमुच उपयोगी है। लेकिन यह उस समृद्ध, संदर्भगत, शरीर-आधारित प्रोसेसिंग से बहुत दूर है, जो इंसान रोज़ एक-दूसरे के साथ सहजता से करते हैं।

यह खाई उतनी तेज़ी से नहीं भर रही जितनी तेज़ी से हेडलाइन्स सुझाती हैं।

इमोशनल AI को अब दृश्य रूप में इस्तेमाल करें

जब AI अभी इंसानी भावनाएँ पढ़ने पर काम कर रहा है, तब वह उन्हें टेक्स्ट और इमेज में दर्शाने में उल्लेखनीय रूप से अच्छा हो गया है। यहीं यह टेक्नोलॉजी क्रिएटर्स के लिए सचमुच मूल्यवान बनती है।

आप PicassoIA पर लार्ज लैंग्वेज मॉडल का इस्तेमाल किसी लेख, ब्रांड संदेश या रिसर्च ब्रीफ़ के भावनात्मक लहजे का आकलन करने के लिए कर सकते हैं, और फिर उस आकलन से ऐसे इमेज जनरेशन प्रॉम्प्ट बना सकते हैं जो इच्छित एहसास को दृश्य रूप में पकड़ें। GPT-5, Claude 4 Sonnet, Gemini 3 Pro और DeepSeek R1 जैसे मॉडल PicassoIA पर सीधे उपलब्ध हैं, जो किसी भी कंटेंट के भावनात्मक रजिस्टर की जाँच में आपकी मदद करने के लिए तैयार हैं।

इमोशनल कंटेंट के काम के लिए LLM कैसे इस्तेमाल करें

1. PicassoIA पर कोई भी LLM खोलें, जैसे GPT-5 या Claude 4 Sonnet
2. अपना टेक्स्ट पेस्ट करें (कैंपेन ब्रीफ़, कहानी का अंश, प्रोडक्ट विवरण, या निजी डायरी की कोई प्रविष्टि भी)
3. उससे भावनात्मक लहजा पहचानने को कहें: मुख्य एहसास, दूसरे तनाव या द्वंद्व, और कोई व्यंग्यात्मक या परस्पर विरोधी तत्व, अगर हों
4. आउटपुट का इस्तेमाल करके एक विस्तृत, भावनात्मक समझ पर आधारित इमेज जनरेशन प्रॉम्प्ट लिखें
5. वह प्रॉम्प्ट PicassoIA के टेक्स्ट-टू-इमेज मॉडल पर ले जाएँ और ऐसी फ़ोटोरियलिस्टिक इमेज बनाएँ जो उस भावनात्मक वज़न को लिए हो जिसे आपने पहचाना है

इसे आज़माएँ: कोई ऐसा पल बताएँ जिसमें जटिल भावनात्मक वज़न था, जैसे नुकसान के साथ मिली राहत, या शक से घिरा उत्साह। उसे PicassoIA पर GPT-5 में चिपकाएँ और उस भावनात्मक विवरण से एक इमेज जनरेशन प्रॉम्प्ट बनाने को कहें। फिर इमेज जनरेट करें। नतीजे अक्सर शानदार होते हैं।

क्या AI सचमुच जानता है कि आप क्या महसूस करते हैं, यह अब भी एक खुला सवाल है जिस पर रिसर्चर सक्रिय रूप से बहस कर रहे हैं। यह तो पहले से तय है कि वह आपको इसे दिखाने में मदद कर सकता है, शब्दों में, इमेज में और लहजे में। PicassoIA पर जाएँ, कोई मॉडल चुनें, और उस भावनात्मक स्थिति से शुरू करें जिसे आप पकड़ना चाहते हैं।