Human-Centered Artificial Intelligence > Forschung

Wir untersuchen, wie sich affektive Zustände und soziale Interaktionen im nonverbalen Verhalten widerspiegeln, darunter Gesichtsausdruck, Stimme, Blickverhalten, Bewegungen und physiologische Reaktionen. Mithilfe eigener standardisierter Interaktionsparadigmen und multimodaler Machine-Learning-Verfahren identifizieren und interpretieren wir Verhaltensmuster, die mit Affekt und Unterschieden in der sozialen Kommunikation zusammenhängen. Darüber hinaus erforschen wir, wie diese Methoden mithilfe erklärbarer und interpretierbarer KI zu klinisch relevanten Anwendungen beitragen können.

Wir entwickeln skalierbare Methoden, um akuten Stress auch außerhalb klassischer Laborumgebungen hervorzurufen, zu messen und automatisch zu erkennen. Unser Digital Stress Test (DST) ermöglicht eine standardisierte Stressinduktion mittels eines webbasierten Paradigmas, während multimodale Daten – darunter nonverbales Verhalten, physiologische Reaktionen und Selbstauskünfte – zur Entwicklung von Algorithmen zur automatischen Stresserkennung genutzt werden. Langfristig zielt unsere Forschung darauf ab, eine zuverlässige und individualisierte Erfassung von Stress im Alltag zu ermöglichen.

Wir untersuchen Muster realer digitaler sozialer Interaktionen anhand datenschutzwahrender Metadaten, die über unsere Datenspendeplattform Dona zur Verfügung gestellt werden. Mithilfe von Zeitreihenanalysen und Machine Learning untersuchen wir, wie sich Kommunikationsmuster über die Zeit entwickeln und wie sie mit psychologischen Merkmalen und einschneidenden Lebensereignissen zusammenhängen. Darüber hinaus entwickeln wir Methoden zur Analyse der komplexen zeitlichen Dynamik menschlichen Verhaltens, die auch über die digitale Kommunikation hinaus Anwendung finden können.

Wir untersuchen, wie KI-basierte Erklärungen individuell angepasst werden können, indem das Verständnis und die Reaktionen der Nutzer:innen während des Erklärungsprozesses berücksichtigt werden. Im Rahmen des TRR 318 „Constructing Explainability“ konzentriert sich unsere Forschung insbesondere darauf, wie Stress Signale des Verstehens beeinflusst und wie sich diese anhand multimodalen Verhaltens erkennen lassen. Auf Grundlage dieser Erkenntnisse entwickeln und evaluieren wir menschenzentrierte, KI-gestützte Erklärungsansätze mit besonderem Fokus auf klinische Kontexte.

Wir untersuchen, wie sich die Herzfrequenz mithilfe von Remote-Photoplethysmographie (rPPG) kontaktlos aus Gesichtsvideos bestimmen lässt. Unsere Forschung konzentriert sich darauf, diese Methoden unter anspruchsvollen realitätsnahen Bedingungen robuster zu machen, etwa bei wechselnden Lichtverhältnissen, Bewegung und erhöhter Herzfrequenz. Durch die Entwicklung und Evaluation neuer Ansätze unter systematisch variierten Bedingungen möchten wir die Zuverlässigkeit der kontaktlosen Herzfrequenzmessung verbessern.

Wir nutzen Natural Language Processing und Machine Learning zur Analyse klinischer Notizen und untersuchen, wie psychische Erkrankungen in elektronischen Patientenakten beschrieben werden. Unsere Forschung befasst sich sowohl mit sprachbasierten Repräsentationen und Subtypen psychischer Erkrankungen als auch mit systematischen Unterschieden in klinischen Beschreibungen zwischen demografischen Gruppen. Diese Ansätze können zu einem besseren Verständnis psychischer Erkrankungen beitragen und langfristig fundiertere diagnostische und therapeutische Entscheidungen unterstützen.