KI-Emotionserkennung: Wie Maschinen lernen, unsere Gesichter zu lesen

In einem Interview beschreibt Björn Schuller, Ingenieur und Forscher an der TU München und dem Imperial College London, wie KI-Systeme Emotionen mithilfe mathematischer Modelle erkennen. Er erklärt, dass sein Team ein dreidimensionales Emotionsmodell verwendet: Erregung, Valenz und Dominanz, das hilft, diskrete Kategorien wie die sechs Basisemotionen – Wut, Ekel, Traurigkeit, Überraschung, Furcht und Freude – abzubilden. Schuller merkt an, dass Psychologen sich über Definitionen uneinig sind, und seine Systeme, die seit über 25 Jahren entwickelt werden, konzentrieren sich auf Sprachanalyse. Diese Systeme nutzen Deep Learning und Trainingsdaten, bei denen Menschen Emotionen bewerten, was bedeutet, dass Maschinen von menschlichen Urteilen lernen und Menschen noch nicht übertreffen können; sie erreichen typischerweise eine Genauigkeit von 60 bis 70 Prozent. Kritiker wie Lisa Feldman Barrett von der Northwestern University stellen die wissenschaftliche Grundlage solcher Erkennungssysteme infrage. Trotzdem wächst der Markt: Im letzten Jahr generierten Start-ups und Unternehmen wie Amazon, Microsoft und IBM weltweit über 40 Milliarden Dollar mit Emotionserkennung, mit Prognosen, die bis 2034 mehr als eine Verdreifachung erwarten. Anwendungen umfassen psychotherapeutisches Coaching, Marktforschung und Lügendetektion bei Sicherheitsbehörden. Schuller stellt fest, dass große Sprachmodelle und multimodale Modelle langsam in diesen Markt vordringen, aber eine Studie der Universität Bern zeigte, dass sie bei Tests zur emotionalen Intelligenz besser abschneiden als Menschen. Zudem ergab eine Umfrage von DAK Gesundheit und dem Universitätsklinikum Hamburg-Eppendorf, dass jeder zehnte Jugendliche lieber einem Chatbot als einem Freund sein Vertrauen schenkt.