Affective Computing

Affektives Computing ist ein Zweig der künstlichen Intelligenz, der Computersysteme in die Lage versetzt, menschliche Affekte zu erkennen, darzustellen, darauf zu reagieren oder sie zu simulieren. Affekt ist ein umfassender Begriff für Emotionen, Stimmungen, Stress, Erregung und ähnliche Zustände. Anstatt einer Maschine echte Gefühle zu verleihen, hilft das affektive Computing ihr dabei, Signale zu erkennen, die mit menschlicher Erfahrung verbunden sind, und ihr Verhalten entsprechend anzupassen.

Das auch als Emotions-KI oder affektive KI bezeichnete Fachgebiet kombiniert maschinelles Lernen, Psychologie, Sensorik und Mensch-Computer-Interaktion. Die MIT Affective Computing Group beschreibt den umfassenderen Zweck als die Entwicklung von Technologien, die Emotionen besser verstehen und darauf reagieren und gleichzeitig das menschliche Wohlbefinden unterstützen.

Wie affektives Computing funktioniert#

Ein affektives System folgt typischerweise einer Wahrnehmungs- und Reaktionspipeline:

1. Signale erfassen: Kameras, Mikrofone, Wearable-Sensoren, Interaktionsprotokolle oder Textschnittstellen sammeln beobachtbare Daten. Beispiele hierfür sind Gesichts운동, Gesichtsbeherrschung, Gesichtsbeherrschung, Gesichtsbeherrschung, Gesichtsbewegungen, Vokalintensität, Körperhaltung, Herzfrequenz und Wortwahl.
2. Ein Modell für das Computer Vision kann Gesichter oder Körper-Keypoints lokalisieren, während Modelle für Sprache und Natural Language Processing Sprache oder Text analysieren.
3. Affekt einschätzen: Ein Klassifikator oder Regressionsmodell ordnet die extrahierten Merkmale Labels wie „frustriert“ oder „ruhig“ zu oder kontinuierlichen Werten wie niedriger bis hoher Erregung.
4. Kontext nutzen: Das System kombiniert Signale mit situationsbezogenen Informationen. Eine erhobene Stimme bei einer Sportveranstaltung kann Aufregung bedeuten, während dasselbe Signal beim Kundensupport auf Frustration hindeuten kann.
5. Eine Reaktion auswählen: Die Anwendung kann ihre Wortwahl ändern, Unterstützung anbieten, Unterbrechungen reduzieren oder eine menschliche Überprüfung anfordern.

Viele Systeme verwenden multimodale KI, da kein einzelner Kanal Emotionen zuverlässig übermittelt. Die Kombination von Video, Sprache, Text und physiologischen Signalen kann mehr Kontext bieten, erhöht aber auch die Anforderungen an Datenschutz und Daten-Governance.

Verwandte Konzepte und wichtige Unterschiede#

Affektives Computing überschneidet sich mit mehreren KI-Bereichen, hat jedoch ein eigenes Ziel:

• Sentiment-Analyse: Klassifiziert in Texten geäußerte Meinungen normalerweise als positiv, negativ oder neutral. Affektives Computing ist breiter gefasst und kann Stimmung, Stress, Engagement oder Erregung aus mehreren Signalen abschätzen.
• Gesichtserkennung: Versucht, die Identität festzustellen. Die Analyse des Gesichtsausdrucks untersucht stattdessen sichtbare merkmalsbezogene Aspekte des Ausdrucks. Keine der beiden Aufgaben beweist, was eine Person innerlich fühlt.
• Aktionserkennung: Identifiziert Aktivitäten wie Gehen, Winken oder Stürzen. Affektives Computing kann diese Verhaltensweisen als kontextbezogene Beweise verwenden, versucht jedoch, einen affektiven Zustand zu modellieren oder eine affektbewusste Reaktion auszuwählen.
• Kognitives Computing: Umfasst Systeme, die menschenähnliches Schließen und Entscheidungsfindung unterstützen sollen. Affektives Computing konzentriert sich speziell auf Emotionen und damit verbundene menschliche Zustände.

„Affektive Software“ bezieht sich auf Anwendungen, die diese Funktionen enthalten, während „Gefühlstechnologie“ eine umgangssprachliche, weniger präzise Beschreibung ist. Das System verarbeitet messbare Signale und statistische Muster; es beobachtet Gedanken oder Gefühle nicht direkt.

Anwendungen in der Praxis#

Zwei konkrete Anwendungen veranschaulichen, wie affektives Computing das KI-Verhalten beeinflussen kann:

• Adaptives Gaming: Ein Spiel kann die Körperhaltung des Spielers, die Controller-Aktivität, wiederholte Fehler und die Interaktionsgeschwindigkeit kombinieren, um Frustration oder Engagement einzuschätzen. Es bietet möglicherweise einen Hinweis an, passt die Schwierigkeit an oder verzögert eine Unterbrechung. Das nützliche Ergebnis ist keine Behauptung, dass der Spieler eine bestimmte Emotion empfindet, sondern eine adaptive Reaktion auf der Grundlage unsicherer Beweise.

• Fahrzeuginterne Assistenz: Ein Fahrerüberwachungssystem kann Kopfposition, Körperhaltung, Lidschluss und Fahrverhalten auf Anzeichen von Müdigkeit oder verminderter Aufmerksamkeit analysieren. Es kann dann eine Warnung ausgeben oder eine Pause empfehlen. Beobachtbare Sicherheitsindikatoren sollten Vorrang vor spekulativen Labels wie „wütender Fahrer“ haben.

Gesundheitsbezogene Anwendungen erfordern besondere Sorgfalt. Die Leitlinie der Weltgesundheitsorganisation zu ethischer KI im Gesundheitswesen betont Autonomie, Sicherheit, Transparenz, Rechenschaftspflicht und Gerechtigkeit, wenn KI die Gesundheit oder das Wohlbefinden beeinträchtigt.

Praxisbezogener Kontext für Computer Vision#

Pose Estimation kann Körper-Keypoints als Eingabe für eine affektive Pipeline bereitstellen. Dieses YOLO26-Beispiel von Ultralytics identifiziert die menschliche Körperhaltung:

from ultralytics import YOLO

# Load a pretrained pose estimation model
model = YOLO("yolo26n-pose.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Select and save the visualized result
result = results[0]
result.save(filename="pose_result.jpg")

Die Ausgabe zeigt erkannte Körper-Keypoints; sie leitet keine Emotionen ab. Eine vollständige affektive Anwendung würde zweckspezifische Labels, kontextbezogene Eingaben, kalibrierte Unsicherheit und eine separat validierte Entscheidungsebene erfordern. Teams können die Ultralytics Platform für die Annotierung von Cloud-Datensätzen, das Training, die Bereitstellung und die Überwachung verwenden, wenn sie die visuellen Komponenten eines solchen Systems entwickeln.

Risiken und verantwortungsvolles Design#

Emotionsbezogene Labels sind subjektiv und können je nach Person, Kultur, Umgebung und Annotator variieren. Schlecht gestaltete Systeme können Behinderung, Neurodiversität, Beleuchtung, Akzent oder gewöhnliches Verhalten mit einem emotionalen Zustand verwechseln. Entwickler sollten Datensatz-Bias auditieren, die Leistung über relevante Gruppen hinweg bewerten, unsichere oder „nicht bestimmbare“ Ausgaben unterstützen und vermeiden, Vorhersagen als unbestreitbare Fakten zu verwenden.

Affektive Daten können auch sensible Gesichts-, Stimm-, Verhaltens- oder physiologische Informationen umfassen. Das NIST AI Risk Management Framework und das NIST Privacy Framework bieten praktische Grundlagen für Risiko- und Datenschutzkontrollen, während die Richtlinie der FTC zu biometrischen Informationen Bedenken hinsichtlich unbestätigter Genauigkeitsansprüche, verdeckter Datenerfassung, Bias und unzureichender Überwachung hervorhebt.

Die Anforderungen hängen von der jeweiligen Jurisdiktion und dem Kontext ab. So beschränken beispielsweise die Regeln des EU-KI-Gesetzes zur Gesichtserkennung deren Einsatz an Arbeitsplätzen und in Bildungseinrichtungen, mit engen medizinischen und sicherheitsbezogenen Ausnahmen. Verantwortungssysteme sollten eine aussagekräftige Einwilligung einholen, gespeicherte Daten minimieren, Einschränkungen dokumentieren, die menschliche Aufsicht aufrechterhalten und eine laufende Modellüberwachung nutzen, um Ausfälle nach der Bereitstellung zu identifizieren.