Motivation
Aufgrund des technischen Fortschritts der letzten Jahrzehnte sind Systeme mit künstlicher Intelligenz heute in der Lage, Objekte, Aktivitäten und Personen mit hoher Genauigkeit aus Bild-, Ton- und Videodaten zu erkennen. Die KI-basierte Erkennung mentaler Zustände (bspw. Freude, Stress etc.) steckt dagegen noch in den Kinderschuhen. Um adäquat auf den emotionalen und kognitiven Zustand des Benutzers zu reagieren, müssen Systeme jedoch in der Lage sein, den Zustand des Nutzers zu erkennen.
Ziele und Vorgehen
Die Forschungsgruppe „Empathische KI“ beschäftigt sich mit Grundlagen der KI, insbesondere mit Maschinellem Lernen fokussiert auf Sprach- und Bildverarbeitung. Drei Aspekte stehen hierbei im Fokus: die Erkennung von positivem und negativem Affekt, die Messung von Stress und die Analyse sozialer Interaktionsmuster. Alle drei eint, dass es sich um sehr komplexe, multimodale und temporale Phänomene handelt. Um der Komplexität gerecht zu werden, ist geplant, sowohl innovative Trainingsdaten zu erheben als auch neuartige Analysemethoden im Bereich des Maschinellen Lernens zu entwickeln. Empathische KI soll zudem ethisch vertretbare KI sein. Die Arbeitsgruppe entwickelt daher die Methoden basierend auf den Prinzipien Datensicherheit, Datengerechtigkeit (Repräsentation aller Gruppen) und Datensouveränität (Selbstbestimmung und Partizipation an datengetriebenen Erkenntnissen). Zur Entwicklung von Algorithmen des Maschinellen Lernens zur automatischen Affekterkennung ist die Sammlung eines ausgewogenen Videodatensatzes in einer möglichst natürlichen Situation mit standardisierten Testverfahren geplant. Zur computerbasierten Stressmessung sollen das non-verbale Verhalten von Probanden zusammen mit physiologischen Markern erfasst werden. Es ist geplant, basierend auf diesen multimodalen Daten, Algorithmen zur automatischen Stresserkennung zu entwickeln und diese in natürlicher Umgebung zu validieren. Zur Bestimmung der sozialen Einbettung sollen automatische Analysen von sozialen Online-Interaktionsdaten entwickelt werden. In einer großen Online-Studie soll hierzu die Sensitivität dieses Ansatzes mit klassischen Fragebögen verglichen werden.
Innovationen und Perspektiven
Die automatisierte Erkennung von Affekt, Stress und sozialer Einbettung ermöglicht eine kontinuierliche und nicht-störende Messung im Alltag. Das ist besonders relevant in gesundheitlichen Kontexten für ein besseres Verständnis und um psychische Beschwerden früh zu erkennen, aber auch in wirtschaftlichen Kontexten wie der Werbung oder nutzerzentrierten Medien-Auswahl. Die Verwertungskonzepte im Bereich Gesundheit sowie Smart-Home sollen zur Laufzeit gemeinsam mit assoziierten Partnern aus der Wirtschaft entwickelt werden.