Beiträge

Veröffentlicht am

Die Kehrseite sozialer Mimikry: Warum ausdrucksstarke Roboter bei Fehlern mehr Vertrauen verspielen

Die Integration humanoider Roboter in den Alltag, die Arbeitswelt und das Gesundheitswesen wirft die grundlegende Frage auf, wie Menschen Vertrauen zu maschinellen Interaktionspartnern aufbauen und aufrechterhalten. Eine interdisziplinäre Untersuchung zeigt, dass die Gestaltung der Robotersignale eine entscheidende Rolle für das Ausmaß und die Stabilität dieses Vertrauens spielt.

Wenn ein humanoid gestalteter Roboter im Gespräch ausdrucksstark agiert – beispielsweise Blickkontakt hält, nickt, gestikuliert oder zustimmende Laute von sich gibt –, lassen sich menschliche Interaktionspartner deutlich stärker auf das Gegenüber ein als bei einer starren, bewegungslosen Variante. Diese gesteigerte soziale Bindung geht jedoch mit einer erhöhten Erwartungshaltung an das Verhalten der Maschine einher.

Treten im Verlauf der Interaktion Fehler auf, etwa durch unpassende Argumente, logische Brüche oder störende Unterbrechungen, reagieren Menschen bei ausdrucksstarken Robotern mit einem gravierenden Vertrauensverlust. Auf neuronaler und hormoneller Ebene lässt sich dabei eine verstärkte Aktivierung des präfrontalen Kortex sowie ein Anstieg des Oxytocin-Spiegels im Speichel nachweisen. Entgegen der geläufigen Annahme, Oxytocin fördere ausschließlich Bindung und Nähe, wirkt das Hormon in diesem Kontext als Indikator für eine geschärfte Wachsamkeit (Vigilanz) gegenüber der Verletzung sozialer Normen. Die Fehler eines charmanten, lebendig wirkenden Roboters werden nicht als bloße technische Fehlfunktion wahrgenommen, sondern wie ein Fehlverhalten eines menschlichen Gegenübers gewertet. Dadurch verliert das System rasch mehr als die Hälfte seines Einflusses auf die Entscheidungsfindung des Menschen.

Bei einem bewegungslosen Roboter führt derselbe technische Fehler hingegen zu wesentlich geringeren Konsequenzen im Interaktionsverhalten. Zwar berichten Betroffene auch hier von einem gewissen Vertrauensverlust, behandeln das Ereignis jedoch primär als isolierte technische Störung.

Für die Konstruktion und das Design künftiger Assistenzsysteme ergibt sich daraus ein wesentlicher Zielkonflikt: Während soziale Gestik und Mimik den Beziehungsaufbau beschleunigen, erhöhen sie zeitgleich die Störanfälligkeit der Interaktion im Falle von Systemfehlern. Entwickler müssen daher abwägen, in welchem Maße soziale Signale eingesetzt werden, um die Erwartungen der Nutzer im Einklang mit der tatsächlichen Verlässlichkeit der Roboter zu halten.

Literatur

Topoglu, Y., Krueger, F., Joshi, S., Rothstein, N., Franke, A. A., Li, X., Gratch, J., de Visser, E. J., & Ayaz, H. (2026). Multilevel dynamics of the brain, hormones, mind, and behavior in social human-robot interaction. Science Robotics, 11(116), doi:10.1126/scirobotics.aec1762

Veröffentlicht am

Artificial Intelligence vs. Künstliche Intelligenz: Ein begriffliches Missverständnis

Die Begründung für dieses Missverständnis lässt sich wissenschaftlich und sprachlich präzise aufschlüsseln. Das Kernproblem liegt in einer semantischen Asymmetrie zwischen der deutschen und der englischen Sprache sowie in der Übertragung eines alltagspsychologischen bzw. anthropomorphen Intelligenzbegriffs auf ein technologisches System.

Etymologische Vertauschung: Intelligence vs. Intelligenz

Der Schlüssel zur Aufklärung dieses Missverständnisses liegt in der Übersetzung des Begriffs Artificial Intelligence (AI).

  • Englisch (Intelligence): Das englische Wort intelligence leitet sich vom lateinischen intellegere („erkennen“, „einsehen“, „Informationen sammeln“) ab. Es hat im Sprachgebrauch eine stark pragmatische, informationelle Bedeutung. Wie das Beispiel CIA (Central Intelligence Agency) verdeutlicht, steht intelligence im Englischen oft schlicht für Aufklärung, Informationsgewinnung, strukturierte Datensammlung und angewandtes Wissen zur Problemlösung.
  • Deutsch (Intelligenz): Im Deutschen ist der Begriff philosophisch und bedeutungsmäßig aufgeladen. Er wird meist eng mit menschlichem Bewusstsein, Kognition, Verstehen, Reflexionsfähigkeit und Autonomie verknüpft.

Wer den englischen Fachbegriff Artificial Intelligence direkt als Künstliche Intelligenz übersetzt, überträgt unbewusst das deutsche Verständnis von kognitiver Geisteshaltung auf ein System, das im ursprünglichen englischen Sinne eigentlich als „Informationsverarbeitung / Wissensanwendung“ verstanden werden müsste.

Menschenverständnis von amerikanischer und europäischer Psychologie

Der für uns seltsam anmutende amerikanische Zugang zum Menschen zeigt sich u. a. im Behaviorismus, denn im Behaviorismus steckte immer schon der Gedanke, dass Menschen wie Maschinen funktionieren und dem entsprechend behandelt werden können. Der Hauptunterschied liegt im Fokus: Der US-amerikanische Behaviorismus lehnt das Innere des Menschen ab und misst nur Reize und äußeres Verhalten. Die europäische Tradition (geprägt durch Philosophie, Gestaltpsychologie oder Psychoanalyse) bezieht Bewusstsein, Denken und das individuelle Erleben mit ein.

Kernunterschiede im Überblick
Gegenstand:
Behaviorismus (USA): Nur objektiv messbares, sichtbares Verhalten von Mensch und Tier. Das Gehirn ist eine „Blackbox“, die nicht interessiert.
Europäische Psychologie: Das bewusste Erleben, innere Denzprozesse, Gefühle und die persönliche Lebensgeschichte.
Methode:
Behaviorismus (USA): Strenge Naturwissenschaft, oft Tierexperimente (z. B. Konditionierung).
Europäische Psychologie: Experimentelle Laborforschung am Menschen, aber auch geisteswissenschaftliche Ansätze und Introspektion (Selbstbeobachtung).
Menschenbild:
Behaviorismus (USA): Der Mensch wird stark von seiner Umwelt gesteuert und reagiert passiv auf Reize.
Europäische Psychologie: Der Mensch wird aktiver und differenzierter gesehen, mit eigenen inneren Strukturen und Anlagen.

Schon auf Grund dieser Unterschiede im Verständnis dessen, was eigentlich  in Menschen vorgeht, ist die Gleichsetzung der Begriffe Intelligence und Intelligenz grundlegend unzulässig.

Psychologische Perspektive: Funktionale Adaptivität vs. Menschliche Kognition

Aus psychologischer Sicht bezeichnet Intelligenz in ihrer grundlegendsten, neutralen Form die Fähigkeit, Wissen zu erwerben, zu repräsentieren und zielgerichtet zur Lösung von Problemen in neuen Situationen einzusetzen.

Funktional-neutraler Begriff: Unter dieser Definition erbringt ein KI-Modell zweifellos eine Form von „Intelligence“: Es greift auf enorme Daten- und Wissensmengen zu, verknüpft Muster und liefert zielgerichtete Lösungen.
Der Fehler der Laien (Anthropomorphismus): Wenn Laien über Intelligenz diskutieren, meinen sie meist nicht bloße Mustererkennung oder funktionale Problemlösung, sondern verwechseln Intelligenz mit:
Bewusstsein & Intentionalität (Das System „weiß“ oder „will“ etwas)
Verstehen im phänomenologischen Sinn (Semantik statt reiner Syntax)
Allgemein-menschlicher Kognition (Empathie, Selbstreflexion, Intuition)

Warum die Diskussion mit Laien oft scheitert

Dass Diskussionen über KI im Alltag schnell aneinander vorbeilaufen, hat zwei primäre Gründe:

Begriffsverwirrung (Kategoriefehler): Wenn man als Wissenschaftler oder Psychologe von AI spricht, meint der Begriff ein werkzeugbasiertes System zur Wissensverarbeitung und Problemlösung (Intelligence im CIA-Sinn). Das Gegenüber hört jedoch „Künstliches menschliches Gehirn“ (Intelligenz im Alltagssinn).

Kognitive Verzerrung durch Sprache: Da wir Sprache nutzen, um mit dem System zu interagieren, unterliegen Menschen dem automatischen Reflex, dem Gegenüber ein menschliches Innenleben zuzuschreiben (ELIZA-Effekt). Der Begriff „Künstliche Intelligenz“ verstärkt diesen Fehlschluss massiv.

Fazit: Der Streit um „Künstliche Intelligenz“ ist meist ein rein sprachliches Missverständnis. Der englische Begriff Artificial Intelligence meint – analog zu Central Intelligence Agency – den strukturierten Zugriff auf Wissen und Daten zur Problemlösung. Laien projizieren jedoch fälschlicherweise das deutsche Verständnis von menschlicher Intelligenz (Bewusstsein, Geist, Kognition) auf die Maschinen. Ein neutraler, psychologisch-funktionaler Blick trennt strikt zwischen musterbasierter Wissensanwendung (Intelligence) und menschlichem Bewusstsein/Verstehen.

Veröffentlicht am

Gründe für die Ablehnung von künstlicher Intelligenz

Die Ablehnung von Künstlicher Intelligenz (KI) ist ein intensives Forschungsfeld der Sozial- und Kognitionspsychologie sowie der Mensch-Computer-Interaktion (HCI). Die Forschung identifiziert mehrere zentrale psychologische Mechanismen, warum Menschen KI-Systeme ablehnen, meiden oder ihnen misstrauen.

Psychologische Hauptursachen für die Ablehnung von KI

Algorithmen-Aversion (Algorithm Aversion), also das Phänomen, dass Menschen menschlichen Entscheidern Fehler eher verzeihen als algorithmischen Systemen. Ein einziger Fehler einer KI führt oft zu einem überproportional starken Vertrauensverlust – selbst wenn die KI statistisch nachweislich treffsicherer ist als der Mensch.
Verlust von Intransparenz: Da viele KI-Modelle als „Black Box“ agieren, empfinden Nutzer einen Mangel an Erklärbarkeit (Perceived Explainability). Fehlt das Verständnis dafür, wie eine Entscheidung zustande kommt, sinkt das Vertrauen schlagartig.

Bedrohung der menschlichen Identität und Einzigartigkeit
Psychologische Bedrohungstheorien zeigen, dass die KI-Entwicklung an Grundfeiler des menschlichen Selbstbilds rührt (Threat to Human Uniqueness):
Autonomieverlust: In Bereichen, die bisher als rein menschlich galten (z. B. Kunst, Diagnostik, Recht oder Psychotherapie), empfinden Menschen das Auftauchen von KI als Entwertung menschlicher Fähigkeiten und Kontrolle.
Vernichtungs- und Identitätsangst (Annihilative Anxiety): Tief sitzende Sorgen, dass die Grenzen zwischen Mensch und Maschine verschwimmen und der Mensch als autonomer Akteur entbehrlich wird.

KI-Angst (AI Anxiety) und ethische Risikowahrnehmung
Forschungsarbeiten unterscheiden verschiedene Dimensionen von KI-bezogener Angst:
Antizipatorische Angst: Die Sorge vor zukünftigen gesellschaftlichen und beruflichen Umbrüchen (z. B. Arbeitsplatzverlust oder Kontrollverlust).
Ethische Risikowahrnehmung: Bedenken hinsichtlich Datenschutz, Halluzinationen, Manipulation und Urheberrechtsverletzungen. Die Wahrnehmung ethischer Risiken gilt als einer der stärksten Prädiktoren für eine aktive KI-Aversion.

Das Bedürfnis nach Personalisierung und Empathie
In Kontexten, die eine hohe subjektive Komponente erfordern (z. B. medizinische Entscheidungen, psychologische Beratung oder Kunst), bevorzugen Menschen konsistent menschliche Interaktion. Menschen schreiben KI-Systemen zwar analytische Kompetenz zu, sprechen ihnen jedoch echte Empathie, moralische Verantwortung und intuitive Urteilskraft ab.

Literatur

Castelo, N., Bos, M. W., & Lehmann, D. R. (2019). Task-dependent algorithm aversion. Journal of Marketing Research, 56(5), 809–825.
Dietvorst, B. J., Simmons, J. P., & Massey, C. (2015). Algorithm aversion: People erroneously avoid algorithms after seeing them err. Journal of Experimental Psychology: General, 144(1), 114–126.
Frenkenberg, A., & Hochman, G. (2025). It’s scary to use it, it’s scary to refuse it: The psychological dimensions of AI adoption—Anxiety, motives, and dependency. Systems, 13(2), doi:10.3390/systems13020082
Jussupow, E., Benbasat, I., & Heinzl, A. (2020). Why are we averse towards algorithms? A meta-analysis of algorithm aversion. Proceedings of the 28th European Conference on Information Systems (ECIS).
Lu, Z., & Kim, J. J. H. (2026). A double-edged algorithm attitude: How appreciation and aversion shape students‘ AI learning anxiety in higher education. Behavioral Sciences, 16(6), doi:10.3390/bs16060932
Longoni, C., Bonezzi, A., & Morewedge, C. K. (2019). Resistance to medical artificial intelligence. Journal of Consumer Research, 46(4), 629–650.

Veröffentlicht am

Ein psychologisch supervidierter KI-Begleiter für digitales Wohlbefinden

HelloBetter, ein international führender Anbieter digitaler, wissenschaftlich geprüfter psychologischer Unterstützung, stellt mit Ello einen neuen KI-basierten Begleiter für das mentale Wohlbefinden vor. Der Launch erfolgt am 25. November beim Adopt AI International Summit in Paris. Ello wurde von Expert:innen aus Psychologie, Wissenschaft und Machine Learning entwickelt und soll Menschen bei alltäglichen Belastungen wie Stress, Schlafproblemen, Grübeln oder Beziehungsstress helfen.
Im Gegensatz zu herkömmlichen Chatbots nutzt Ello Methoden der psychologischen Gesprächsführung und evidenzbasierte Übungen. Statt schnelle Tipps auszugeben, unterstützt die KI Nutzer:innen dabei, eigenen Gedanken und Mustern auf den Grund zu gehen, Zusammenhänge zu erkennen und alltagstaugliche Strategien zu entwickeln. Ello ist jedoch nicht als therapeutisches Werkzeug gedacht und stellt keine Diagnosen.

Die Entwicklung eines spezialisierten Tools wie Ello wird notwendig, da generative KI zunehmend für persönliche Gespräche verwendet wird, jedoch oft ohne Qualitätskontrolle oder angemessene Sicherheitsstandards. Eine HelloBetter-Umfrage zeigt, dass bereits 12 % der Gen Z mit Chatbots über Sorgen sprechen, während 54 % grundsätzlich offen dafür wären. Allgemeine KI-Modelle können jedoch riskante Inhalte bestätigen, problematische Muster übersehen oder inadäquate Ratschläge geben. Ello begegnet diesen Risiken mit psychologisch fundierter Interaktion.

Besonders hervorzuheben ist die kontinuierliche Supervision durch Psycholog:innen. Ello ist die erste KI dieser Art mit Human-in-the-Loop-Struktur: Nutzer:innen können direkt professionelle Unterstützung anfordern, und eingebaute Sicherheitsmechanismen erkennen akute Krisensituationen, um sofort Hilfe einzuleiten. Die Weiterentwicklung des Systems erfolgt ebenfalls unter therapeutischer Aufsicht.

Datenschutz und Sicherheit entsprechen den Anforderungen der DSGVO sowie den strengen Vorgaben des BfArM und des BSI für digitale Gesundheitsanwendungen. Obwohl Ello selbst kein Medizinprodukt ist, erfüllt die Plattform hohe Standards für Vertraulichkeit und IT-Sicherheit.

HelloBetter selbst wurde 2015 aus einem universitären Forschungsprojekt gegründet und zählt heute zu den weltweit führenden Anbietern evidenzbasierter digitaler Medizinprodukte. Zehn Online-Therapieprogramme gehören zum Portfolio, sechs davon sind verschreibungsfähig, kostenfrei und nachweislich wirksam. Mit über 140.000 Nutzer:innen, 20.000 verschreibenden Fachpersonen und 30 randomisierten kontrollierten Studien verfügt HelloBetter über die umfangreichste wissenschaftliche Evidenz aller Anbieter weltweit. Das Unternehmen sitzt in Berlin und Hamburg und beschäftigt mehr als 150 Mitarbeitende.

Literatur

HelloBetter.(2024). HelloBetter launcht psychologisch supervidierten KI-Chatbot: Die erste KI mit menschlicher Supervision – Ello für psychisches Wohlbefinden [Pressemitteilung]. https://hellobetter.de/

Veröffentlicht am

Empathischen Roboter?

Empathische Roboter sind Geräte, die in der Lage sind, menschliche Emotionen zu erkennen und angemessen darauf zu reagieren. Die Idee ist, dass diese Roboter eine bessere Interaktion mit Menschen ermöglichen, indem sie ihre Bedürfnisse und Emotionen verstehen und darauf reagieren können.

Allerdings muss man dazu sagen, dass die Technologie für empathische Roboter noch im Entwicklungsstadium ist und es momentan eher Prototypen und Forschungsprojekte als einsatzreife Produkte gibt. Es gibt jedoch bereits einige Anwendungen, bei denen empathische Roboter in Bereichen wie Pflege und Therapie eingesetzt werden, um die Interaktion mit Menschen zu verbessern.

Der Roboterhersteller Fanuc etwa unterstützt die Entwicklung eines einfühlsamen Roboters für den Einsatz in der Industrie. Das mit EU-Mitteln geförderte Forschungsprojekt „Fluently“ will eine Roboterplattform schaffen, die eine soziale Zusammenarbeit zwischen Mensch und Maschine ermöglicht.

Das auf drei Jahre angelegte Projekt unter der Leitung von Roboverse Reply verfolgt zwei Ziele: die Entwicklung eines auf Künstlicher Intelligenz basierenden, tragbaren Geräts für Industriearbeiter und Roboter sowie die Entwicklung eines speziellen Schulungszentrums mit der Bezeichnung „The Fluently RoboGym“, in dem Fabrikarbeiter und Roboter eine reibungslose Interaktion im Industrieprozess trainieren können.

Eine gute Zusammenarbeit zwischen Mensch und Maschine ist besonders wichtig in modernen intelligenten Fabriken, in denen sich Produktionsvolumen und Produkte ständig ändern und in denen mobile Transportsysteme und Roboter neben statischen Arbeitsplätzen stehen.

Die „Fluently“-Forscher konzentrieren ihre Entwicklungsarbeit auf drei für die europäische Wirtschaft wichtige Wertschöpfungsketten: die Demontage und das Recycling von Batterien für E-Bikes und Elektrofahrzeuge, Prüf- und Montageprozesse in der Luft- und Raumfahrtindustrie sowie die Aufarbeitung hochkomplexer Industrieteile mittels Laserbearbeitung.

Roboter könnten in Zukunft die Arbeitnehmer zumindest teilweise von der mit diesen Prozessen verbundenen Belastung befreien sowie einige der zeitaufwendigeren Aufgaben übernehmen. Dies würde helfen, einerseits die Kompetenzen und Erfahrungen der Arbeitnehmer zu erhalten und andererseits die Möglichkeiten ihrer Weiterqualifizierung erhöhen.

Wie einfache Maschinen zu emotionalen Familienmitgliedern werden

Die Vorstellung, dass Maschinen emotionale Bindungen zu Menschen entwickeln, gehört heute längst nicht mehr in die Zukunft. Dies belegt eine aktuelle Studie von Zhao & McEwen (2025), in der untersucht wurde, wie sich Familien zu ihrem 2021 eingeführten Vorleseroboter Luka verhielten. Ursprünglich als Leseförderung für Vorschulkinder konzipiert, blieb Luka vier Jahre später weiterhin in 18 von 19 Haushalten präsent – obwohl seine ursprünglich vorgesehene Funktion längst überflüssig war. Für die Kinder avancierte der 24 cm kleine, augenschönen Roboter zu einer emotional bedeutsamen Figur – sie betrachteten ihn als „kleinen Bruder“ oder gar als „einziges Haustier“. Diese Zuwendung belegt eindrucksvoll, dass selbst simple Maschinen Teil familiärer Bindungen werden können. Die emotionale Wertschätzung war offenbar keine Frage technisch eingebundener Funktionen, sondern resultierte aus nostalgischer Verbundenheit: Eltern sowie Kinder hielten Luka nicht mehr aus praktischer Notwendigkeit, sondern aus sentimentaler Erinnerung an gemeinsame Momente fest. In einigen Fällen wurde Luka sogar an jüngere Familienmitglieder als Art „Ruhestandsobjekt“ weitergereicht, was seinen symbolischen Wert weiter erhöhte. Beobachtet wurde auch, dass Luka dekorativ in Wohnräumen platziert und persönlich gestaltet wurde – mit Namensschild oder Spitze darunter, wie man es von Erinnerungsstücken kennt. Die Studie zeigt, dass schon wenige soziale Signale ausreichen können, um eine emotionale Bindung zwischen Mensch und Maschine herzustellen, und wirft damit ein neues Licht auf die soziale Rolle von Robotern im häuslichen Umfeld. Während die Technologie voranschreitet, könnten Roboter zukünftig nicht nur als funktionale Werkzeuge, sondern als emotionale Begleiter und Symbole menschlicher Erinnerung anerkannt werden – mit weitreichenden Implikationen für Design, Einsatz und den gesellschaftlichen Umgang mit KI-basierten Helfern.

Sprachmuster bei der Mensch-Roboter-Interaktion

Die Kommunikation zwischen Menschen und Robotern unterscheidet sich deutlich von der Kommunikation untereinander, wie eine Studie von Coelho et al. (2025) zeigt. Wenn Menschen mit Maschinen interagieren, nutzen sie eine einfachere, direktere Sprache, die weniger Erklärungen und höfliche Formulierungen enthält. Das liegt daran, dass Menschen dazu tendieren, Robotern klare Befehle zu geben, während sie bei menschlichen Partnern eher Fragen oder indirekte Bitten verwenden. Die Studie untersuchte die Zusammenarbeit von 13 erwachsenen, deutschsprachigen Personen beim Aufbau eines Regals. Eine Gruppe arbeitete mit einem Industrieroboter, während die andere in Teams von zwei Personen zusammenarbeitete. Die Forschenden analysierten die Sprachmuster in beiden Szenarien und fanden heraus, dass fast die Hälfte (49 %) der Äußerungen an Roboter direkte Anweisungen waren, verglichen mit nur einem Drittel (33 %) in den menschlichen Teams. Die Anweisungen an Roboter waren oft kürzer, direkter und wiederholten sich häufiger, wie zum Beispiel „Arm weiter nach links.“ Im Gegensatz dazu formulierten die Teilnehmenden Anweisungen an andere Menschen als Fragen, etwa „Kannst du es mal kurz festhalten?“ . Zudem stellte man fest, dass die Kommunikation mit Robotern auch weniger erklärend war und keine Bemühungen unternommen wurden, ein gemeinsames Verständnis aufzubauen (z. B. „Das hier ist der Schraubenzieher.“). Viele Teilnehmende empfanden die Kommunikation mit den Robotern als zu einfach oder zu langsam, obwohl auch emotionale Äußerungen wie Lob vorkamen. Diese Erkenntnisse deuten darauf hin, dass das Design von Robotern die natürlichen Kommunikationsmuster von Menschen stärker berücksichtigen sollte, um eine fließendere Interaktion zu ermöglichen. Möglicherweise gelten diese Ergebnisse des Experiments nicht für alle Mensch-Roboter-Interaktionen, da die Studie mit einem Roboterarm und teilweise ferngesteuerter oder vorprogrammierter Reaktion durchgeführt wurde.

Literatur

Coelho, S. G., Kaden, S., Beccard, M., Röhrbein, F. & Sanchez-Stockhammer, C. (2025). Another bit. Upwards. Okay, stop. Do we talk differently to humans and robots when assembling a shelf together? Proceedings of the Mensch und Computer 2025, 465–470.
Stangl, W. (2025, 20. September). Sprachmuster bei der Mensch-Roboter-Interaktion – 👁️👁️ was stangl bemerkt ….

Sprachmuster bei der Mensch-Roboter-Interaktion


Zhao, Z., & McEwen, R. (2025). The Robot That Stayed: Understanding How Children and Families Engage with a Retired Social Robot. Frontiers in Robotics and AI, doi:10.3389/frobt.2025.1628089
https://www.bigdata-insider.de/fluently-forscht-am-empathischen-roboter-a-f6225a06edc3fc848bd496dc2ba50772/ (23-02-14)

Veröffentlicht am

Kann Künstliche Intelligenz menschliches Verhalten vorhersagen?

Mit dem Sprachmodell „Centaur“ unternahmen Binz et al. (2025) einen vielversprechenden Versuch, um dieser Frage auf den Grund zu gehen. Die Entwicklung des Modells erfolgte auf Grundlage eines offenen KI-Sprachmodells von Meta AI, wobei das Training mit Daten aus insgesamt 160 psychologischen Experimenten erfolgte, an denen über 60.000 Versuchspersonen teilgenommen hatten. In verschiedenen Szenarien wurden Entscheidungen getroffen, beispielsweise bei der Kategorisierung von Objekten oder in Glücksspielsituationen. Insgesamt manifestieren sich in dem Trainingsmaterial mehr als zehn Millionen einzelne Entscheidungen. Ziel der vorliegenden Studie war es, zu überprüfen, ob das Modell dazu in der Lage ist, menschliches Entscheidungsverhalten vorherzusagen. In der Testphase, bei der zehn Prozent der Daten vom Modell nicht vorab gesehen wurden, zeigte Centaur eine beachtliche Prognosefähigkeit: In bis zu 64 Prozent der Fälle konnte das Modell die Entscheidung korrekt vorhersagen – selbst dann, wenn die Struktur der Aufgabenstellung leicht verändert wurde. Dies lässt auf eine bemerkenswerte Generalisierungsfähigkeit schließen, ein Aspekt, der in bisherigen kognitiven Modellen nur unzureichend berücksichtigt wurde. Das innovative Charakteristikum dieses Vorgehens besteht darin, dass die KI nicht ausschließlich auf numerischen oder bildgebenden Daten basiert, sondern auch auf sprachlich formulierten Beschreibungen von Experimenten und Entscheidungsprozessen.
Dies ermöglicht eine breitere Anwendbarkeit solcher Modelle, auch über die Verhaltenswissenschaften hinaus – etwa im Konsumverhalten, in Bildungskontexten oder sogar im militärischen Bereich. Große Technologieunternehmen setzen bereits seit geraumer Zeit ähnliche Modelle ein, um Präferenzen von Nutzerinnen und Nutzern etwa auf Plattformen wie TikTok oder im Online-Shopping vorherzusagen. Die Fähigkeit solcher Systeme, die Aufmerksamkeit und das Verhalten von Menschen zu steuern, ist demnach bereits Realität. Ein Beispiel hierfür sind algorithmisch kuratierte Inhalte, die dazu dienen, Nutzer:innen möglichst lange an eine Plattform zu binden. Es ist jedoch zu beachten, dass die Ergebnisse dieser Experimente nur einen sehr begrenzten Ausschnitt der menschlichen Kognition abbilden. Alltägliche und sozial komplexe Verhaltensweisen sind bislang noch weitgehend einer präzisen KI-Vorhersage entzogen. Zudem ist zu hinterfragen, ob eine Vorhersagegenauigkeit von rund 64 Prozent tatsächlich als „gut“ zu bewerten ist, insbesondere im Vergleich zur Erwartung, menschliches Verhalten vollständig und zuverlässig modellieren zu können.
So stellen sich im Zuge diese Entwicklungen auch ethische und gesellschaftspolitische Fragen, denn durch die tägliche Nutzung digitaler Technologien werden immer mehr Verhaltensdaten generiert, die wiederum zur Verbesserung solcher Modelle beitragen. Die Gefahr einer zunehmenden Vorhersagbarkeit und damit einer „digitalen Abhängigkeit“ ist daher real bis hin zu einer potenziellen „digitalen Versklavung“. Das macht es notwendig, nicht nur wissenschaftlich, sondern auch juristisch und politisch regulierend einzugreifen.
Literatur
Binz, M., Akata, E., Bethge, M., Brändle, F., Callaway, F., Coda-Forno, J., Dayan, P., Demircan, C., Eckstein, M. K., Éltető, N., Griffiths, T. L., Haridi, S., Jagadish, A. K., Ji-An, L., Kipnis, A., Kumar, S., Ludwig, T., Mathony, M., Mattar, M., Modirshanechi, A., Nath, S. S., Peterson, J. C., Rmus, M., Russek, E. M., Saanum, T., Schubert, J. A., Schulze Buschoff, L. M., Singhi, N., Sui, X., Thalmann, M., Theis, F. J., Truong, V., Udandarao, V., Voudouris, K., Wilson, R., Witte, K., Wu, S., Wulff, D. U., Xiong, H., & Schulz, E. (2025). A foundation model to predict and capture human cognition. Nature, doi:10.1038/s41586-025-09215-4
Stangl, W. (2025, 3. Juli). Wie das KI-Modell Centaur menschliches Verhalten entschlüsseln kann. Psychologie-News.
https://psychologie-news.stangl.eu/5936/wie-das-ki-modell-centaur-menschliches-verhalten-entschluesseln-kann.
Veröffentlicht am

Kann Kausalität mithilfe künstliche Intelligenz erkannt werden?

Künstliche Intelligenz (KI) und maschinelles Lernen (ML) werden zunehmend eingesetzt, um komplexe Muster in großen Datenmengen zu erkennen. Dr. Philipp Bach und das Team von Prof. Dr. Martin Spindler an der University of Hamburg Business School erforschen darüber hinaus, wie diese Technologien genutzt werden können, um kausale Zusammenhänge zu erkennen und valide Schlussfolgerungen über Ursache-Wirkung-Beziehungen zu ziehen. Ziel ist es, über bloße Vorhersagen hinauszugehen und KI-Modelle zur fundierten Entscheidungsunterstützung einzusetzen – sei es im medizinischen Bereich, bei politischen Maßnahmen oder im wirtschaftlichen Kontext. Die Herausforderung liegt dabei darin, trotz begrenzter Daten und statistischer Unsicherheit belastbare Kausalabschätzungen zu treffen. Dafür kommen spezialisierte Verfahren wie das „Double Machine Learning“ zum Einsatz, die maschinelles Lernen mit strengen statistischen Anforderungen kombinieren. In einem konkreten Projekt untersucht das Team etwa, wie sich Text- und Bilddarstellungen auf Online-Kaufentscheidungen auswirken – beispielsweise bei Spielzeugautos auf Verkaufsplattformen. Mithilfe neuronaler Netze und großer Sprachmodelle werden Zusammenhänge zwischen Produktdarstellung und Kaufverhalten analysiert, um Einblicke in die Zahlungsbereitschaft und Optimierungsmöglichkeiten für die Preisgestaltung zu gewinnen.

Literatur

Universität Hamburg (2025, 26. Juni). KI trifft Kausalität: Wie maschinelles Lernen beim Erkennen von Ursache-Wirkung hilft. https://www.uni-hamburg.de/newsroom/forschung/2025/0626-fv-43-bwl-ki-kausalitaet.html

Veröffentlicht am

Die Überzeugungskraft von KI-Sprachmodellen im Vergleich zu menschlichen Interaktionen.

In einer Untersuchung von Salvi et al. (2025) wird deutlich, dass Chatbots nicht nur Informationen bereitstellen, sondern auch in der Lage sind, zu argumentieren und dabei potenziell manipulativer als Menschen zu agieren. Diese aktuelle Studie zeigt, dass ChatGPT in etwa 64 Prozent der Fälle überzeugender war als eine reale Person, wenn der Bot mit persönlichen Informationen des Gesprächspartners gefüttert wurde.

Diese Ergebnisse verdeutlichen die Effektivität von sogenannten Large Language Models (LLMs) bei der Formulierung maßgeschneiderter Argumente, was, wie im Text erwähnt, Risiken bergen kann, beispielsweise bei der Verbreitung von Propaganda. Die Studie umfasste 900 Testpersonen, die über soziale Themen diskutierten, darunter die Frage nach Schuluniformen. Nach einer anfänglichen Online-Umfrage zur Meinungsbildung kommunizierten die Teilnehmer entweder mit einem echten Menschen oder einem Chatbot, ohne die Identität ihres Gesprächspartners zu kennen. Nach zehnminütigen Debatten wurde die Veränderung der Meinungen der Probanden erfasst. Es zeigte sich, dass ChatGPT mindestens so erfolgreich war wie ein Mensch darin, die Testpersonen umzustimmen.

Die „Macht der individualisierten Überzeugungsarbeit“ wird besonders hervorgehoben, da die Überzeugungskraft von ChatGPT signifikant anstieg, als das Forschungsteam den Bot mit zusätzlichen persönlichen Informationen wie Alter, Geschlecht, Beruf oder politischer Überzeugung der Testpersonen fütterte. In diesen Fällen übertraf der Bot seinen menschlichen Gegenspieler in 64 Prozent der Fälle, selbst wenn dieser dieselben Informationen besaß. Die Wissenschaftler betonen in ihrer Studie die „Macht der LLM-basierten Überzeugungsarbeit“ und fordern weitere Forschung, um die damit verbundenen Risiken zu minimieren.

Frühere Analysen haben bereits die manipulative Kapazität von Chatbots aufgezeigt, darunter ihre Fähigkeit, Psychotests zu „knacken“, moralische Entscheidungen zu beeinflussen oder sogar Verschwörungstheoretiker von ihren Überzeugungen abzubringen. Diese Studien deuten darauf hin, dass die Fähigkeit von LLMs, überzeugende und personalisierte Argumente zu liefern, weitreichende Implikationen für die Online-Kommunikation und darüber hinaus haben könnte, was die Notwendigkeit einer verantwortungsvollen Entwicklung und Regulierung dieser Technologien unterstreicht.

Literatur

Salvi, F., Horta Ribeiro, M., Gallotti, R., & West, R. (2025). On the conversational persuasiveness of GPT-4. Nature Human Behaviour.
Stangl, W. (2025, 24. Mai). Die Überzeugungskraft künstlicher Intelligenz. Stangl notiert ….
https://notiert.stangl-taller.at/kuenstliche-intelligenz/die-ueberzeugungskraft-kuenstlicher-intelligenz/.

Veröffentlicht am

Yogi, der niedliche Roboter

Cartwheel Robotics entwickelt soziale, humanoide Roboter mit niedlichem Aussehen und starker Persönlichkeit, die Menschen Gesellschaft leisten und einfache Aufgaben übernehmen sollen.

Der erste Prototyp „Yogi“ erinnert mit seinen kindlichen Proportionen an eine sympathische Figur, während der einfachere Roboter „Speedy“ schneller marktreif sein soll.

Gründer Scott LaValley bringt Erfahrung von Boston Dynamics und Disney mit und setzt auf Künstliche Intelligenz für emotionale Interaktion. Die Roboter sollen bezahlbar bleiben und könnten als Service angeboten werden. Anfangs sind sie vor allem für soziale Interaktion gedacht, langfristig könnten sie mehr Aufgaben übernehmen.

Veröffentlicht am

Gute-Nacht-Geschichte einer KI

Als Papabär ins Zimmer kam, saß Bärchenklein aufrecht in seinem Bett, spielte mit dem Globus und dachte gar nicht erst daran, zu schlafen. Schließlich gab es so viel zu entdecken.

„Papabär“, sagte Bärchenklein, „welches ist dein Lieblingsland?“ Papabär hielt kurz inne. „Mein Lieblingsland?“, fragte er. „In meinem Lieblingsland fließen bunte Flüsse, die Elefanten fliegen durch die Luft und die Fische tauchen durch die Wolken.“ Bärchenkleins Augen wurden groß. „Die Bäume sind aus Zuckerwatte, das Gras schmeckt nach Lakritze und die Blumen funkeln gold und silber.“ Ob es auch Honig gäbe, wollte Bärchenklein wissen. „Der Honig dort schmeckt süßer als jeder andere Honig“, sagte Papabär. Er nahm den Globus von Bärchenkleins Bett und stellte ihn zur Seite. „Und wenn man genug vom Honig hat, dann laden einen die Bienen in ihre Häuschen ein, man trinkt gemeinsam eine Tasse Tee, erzählt sich Geschichten und lacht über Witze, bis einem der Bauch wehtut.“

Bärchenklein wollte unbedingt noch mehr wissen über dieses Land. „Es ist nie kalt dort. Und nie zu warm. Die Regentropfen haben lustige Gesichter. Die Sonnenstrahlen singen Lieder. Und der Wind fordert dich zum Tanzen auf.“ „Wow“, sagte Bärchenklein. „Und weißt du, was das Beste ist? Alle deine Freunde sind auch da, sogar solche, die du noch nicht kennst.“

„Welches Land ist das denn?“, fragte Bärchenklein, der von der Geschichte ganz müde geworden war. „Ganz einfach“, sagte Papabär, als er das Licht ausmachte. „Das Land der Träume.“

Gute Nacht.