Wut, Trauer, Freude: Wie KI unsere Emotionen im Gesicht erkennen soll

Die mathematische Vermessung menschlicher Gefühle

Die Vorstellung, dass Maschinen unsere Emotionen lesen können, klingt nach Science-Fiction, ist jedoch längst Gegenstand intensiver Forschung. Björn Schuller, Ingenieur an der TU München und am Imperial College London, nähert sich diesem komplexen Thema über mathematische Modelle. Anstatt auf ein vages Verständnis von Gefühlen zu setzen, nutzt die Forschung ein dreidimensionales Koordinatensystem. Dieses basiert auf den Parametern Arousal (Erregungszustand), Valence (die positive oder negative Ausprägung) und Dominance (das Gefühl von Unterlegenheit oder Stärke).

In diesem Raum lassen sich diskrete Kategorien verorten, etwa die sogenannten sechs Basisemotionen nach Paul Ekman: Ärger, Ekel, Trauer, Überraschung, Angst und Freude. Dennoch bleibt die wissenschaftliche Einordnung schwierig, da sich selbst Psychologen nicht auf eine einheitliche Definition von Emotionen einigen können. Die KI-Systeme arbeiten daher nicht mit einer absoluten Wahrheit, sondern mit Wahrscheinlichkeiten und menschlichen Einschätzungen.

Wie KI lernt, Gefühle zu interpretieren

Die moderne Emotionserkennung stützt sich auf Deep Learning und umfangreiche Datensätze. Um eine KI darauf zu trainieren, menschliche Regungen zu erkennen, werden beispielsweise Gesprächsaufzeichnungen von mehreren Personen bewertet. Die Maschine lernt dabei nicht, das Gefühl selbst zu fühlen, sondern die menschliche Wahrnehmung dieses Gefühls zu spiegeln. Das bedeutet: Die KI ist darauf angewiesen, wie Menschen Emotionen in Sprache, Mimik oder Augenbewegungen interpretieren.

Da die KI von menschlichen Einschätzungen lernt, stößt sie an natürliche Grenzen. Aktuell kann sie den Menschen kaum übertreffen, da auch die menschliche Trefferquote bei der korrekten Deutung von Emotionen lediglich bei 60 bis 70 Prozent liegt. Kritiker, darunter die Psychologin Lisa Feldman Barrett von der Northwestern University, weisen zudem darauf hin, dass vielen dieser Erkennungssysteme eine solide wissenschaftliche Basis fehle.

Ein wachsender Markt mit vielfältigen Einsatzgebieten

Trotz der wissenschaftlichen Debatten ist das wirtschaftliche Interesse an der Technologie enorm. Laut Daten von Fortune Business Insights belief sich der weltweite Umsatz mit Emotionserkennung im vergangenen Jahr auf rund 40 Milliarden US-Dollar. Prognosen gehen davon aus, dass sich dieser Wert bis 2034 mehr als verdreifachen könnte. Die Einsatzbereiche sind breit gefächert:

* **Psychotherapie:** Unterstützung als digitaler Coach.

* **Marktforschung:** Analyse der Kundenreaktionen auf Produkte oder Werbekampagnen.

* **Sicherheitsbehörden:** Einsatz als technologische Unterstützung bei der Lügenerkennung.

Der Wandel durch multimodale Sprachmodelle

Bisher spielten große Sprachmodelle (LLMs) eine eher untergeordnete Rolle bei der direkten Emotionserkennung. Dies beginnt sich jedoch zu ändern. Multimodale Modelle, die sowohl Sprache als auch Videoaufnahmen in ihre Analyse einbeziehen, zeigen in ersten Tests ein hohes Potenzial. Eine Studie der Universität Bern deutet darauf hin, dass diese Systeme in Tests zur emotionalen Intelligenz bereits besser abschneiden können als Menschen.

Dieser technologische Fortschritt trifft auf ein verändertes Nutzerverhalten. Laut einer Untersuchung der DAK Gesundheit und des Universitätsklinikums Hamburg-Eppendorf vertraut bereits jeder zehnte Jugendliche in emotionalen Fragen lieber einem Chatbot als dem eigenen sozialen Umfeld. Diese Entwicklung verdeutlicht, dass die Schnittstelle zwischen Mensch und Maschine eine immer größere Rolle in unserem Alltag einnimmt. Ob die KI dabei tatsächlich Emotionen versteht oder lediglich komplexe Muster in der Interaktion erkennt, bleibt die zentrale Frage für die weitere Entwicklung.