Heute, am 25.09.2026, geht es an der Uni Köln um eine Frage, die ziemlich nah am Alltag liegt: Kann Technik erkennen, ob jemand traurig, ängstlich oder erschöpft ist – und was passiert, wenn sie das tatsächlich versucht? Im interdisziplinären Verbundprojekt „Shift Affect – Shifted Boundaries“ wird untersucht, wie Technologien menschliche Gefühle erfassen, interpretieren und beeinflussen.

Beteiligt ist Prof. Claudia Bozzaro, Leiterin des Instituts für Ethik, Geschichte und Theorie der Medizin an der Universität Münster. Das Projekt startete im April 2026 und wird bis Februar 2029 vom Bundesministerium für Forschung, Technologie und Raumfahrt finanziert. Rund eine Million Euro stehen zur Verfügung, knapp 200.000 Euro davon erhält die Universität Münster. Die Verbund-Leitung liegt bei Prof. Orsolya Friedrich von der Universität Köln.

Wenn Traurigkeit zum Messwert wird

Im Mittelpunkt steht eine heikle Verschiebung: Was geschieht mit der Bedeutung affektiver Zustände, wenn Geräte sie in Zahlen, Muster oder Schwellenwerte übersetzen? Wird Traurigkeit als messbares Muster dargestellt oder Angst ab einem bestimmten Wert als auffällig eingestuft, kann sich dadurch auch die Grenze zwischen „normalen“ Erfahrungen und behandlungsbedürftigen Zuständen verändern.

Untersucht werden unter anderem Affective Computing zur Erkennung von Gefühlen aus Sprache, Mimik oder Körpersignalen, Virtual-Reality-Verfahren, Neuromodulation und Smartphone-Anwendungen, mit denen Menschen ihre Stimmung im Alltag protokollieren. Die Folgen könnten die klinische Praxis betreffen, das Verhältnis zwischen Behandelnden und Betroffenen – und gesellschaftliche Vorstellungen davon, was als normal, gesund oder krank gilt.

Affective Computing bezeichnet Informatiksysteme, die menschliche Emotionen erkennen, interpretieren, verarbeiten und simulieren. Die KI selbst hat dabei keine Gefühle; sie soll über eine künstliche emotionale Intelligenz verfügen. Gesichtsanalyse von Mikroexpressionen, Stimmprosodie – also Tonfall, Rhythmus und Sprechkadenz – sowie periphere Biomarker wie Herzfrequenz, Körpertemperatur und Hautleitfähigkeit liefern mögliche Daten.

Hier könnte Ihr Advertorial stehen
Ein Advertorial bietet Unternehmen die Möglichkeit, ihre Botschaft direkt im redaktionellen Umfeld zu platzieren

Bei der Gesichtsemotionserkennung, kurz FER, werden Convolutional Neural Networks mit Millionen kategorisierter Gesichter trainiert. Sie suchen nach Pixelmustern, die mit den „Action Units“ aus Ekmans Gesichtskodierungssystem zusammenhängen, und übersetzen diese Muster in Wahrscheinlichkeiten für Freude, Wut, Angst oder Überraschung. Temporale Daten können anschließend zeigen, wie sich emotionale Zustände über die Zeit verändern.

Tragbare Geräte wie Smartwatches, Ringe und EEG-Stirnbänder könnten physiologische Veränderungen erfassen, bevor Menschen ihre eigenen Emotionen bewusst wahrnehmen. Ein KI-System wäre dann eine Art „emotionaler Copilot“: Es schlägt personalisierte Maßnahmen zur Stressreduzierung, bei Angstkrisen oder zur Konzentrationsförderung vor.

Vom Herzschlag zur Atemübung

Eine zentrale Messgröße ist die Herzfrequenzvariabilität, kurz HRV. Eine hohe HRV wird meist mit einem belastbaren und ausgeglichenen autonomen Nervensystem verbunden, eine niedrige kann auf akuten Stress oder emotionale Erschöpfung hindeuten. Die KI könnte außerdem das Verhältnis zwischen Sympathikus – dem „Kampf oder Flucht“-System – und Parasympathikus, zuständig für „Ruhe und Verdauung“, überwachen. Bei einem anhaltenden Ungleichgewicht wäre Biofeedback zur Emotionsregulation möglich.

Die Interventionen könnten in Echtzeit erfolgen: eine geführte Atmung, deren Tempo an die tatsächlichen Herzschläge angepasst wird, eine veränderte Beleuchtung oder Musik im Smart-Home-System oder ein LLM-gestützter Chatbot, der erkannte irrationale Gedanken mit gezielten Nachrichten hinterfragt. Ein bisschen futuristisch klingt das schon. Gleichzeitig steckt vieles davon in Geräten, die längst auf Schreibtischen und Handgelenken liegen.

Die Messgrößen haben allerdings unterschiedliche Grenzen. Speichelcortisol kann auf chronischen Stress hinweisen, ist aber schwer zu erfassen, weil dafür eine physische Probe nötig ist. HRV lässt sich über Smartwatch oder Ring vergleichsweise leicht messen und kann Hinweise auf akuten Stress und Resilienz geben. GSR beziehungsweise Hautleitfähigkeit zeigt Aktivierung und Erregung, erfordert aber spezielle Sensoren. EEG-Alpha- und Beta-Wellen können mit Entspannung und Konzentration zusammenhängen; ein EEG-Stirnband ist dafür vergleichsweise aufwendig.

Physiologische Zustände wie körperlicher Stress, Müdigkeit und Erregung lassen sich relativ zuverlässig messen. Ob jemand aber traurig oder enttäuscht ist, folgt daraus nicht automatisch. Dafür braucht es weiterhin die Bestätigung durch die Nutzerin oder den Nutzer – oder komplexere multimodale Modelle.

Digitale Systeme haben gegenüber herkömmlicher Therapie einen praktischen Vorteil: Sie sind ständig verfügbar. Reinforcement-Learning-Algorithmen können lernen, welche Methoden bei einzelnen Personen am wirksamsten sind. Das Spektrum reicht von Dankbarkeitserinnerungen bis zu Vorschlägen für intensive körperliche Aktivität. Die Personalisierung soll Therapieabbrüche verringern und Menschen mit Angststörungen oder mittelschwerer Depression kontinuierlich unterstützen.

Hilfe, Kontrolle und die Privatsphäre

Gerade weil emotionale Daten so nah an der Person liegen, gelten sie als besonders sensibler Bereich der Privatsphäre. Wer Zugriff darauf hat, könnte kommerzielle oder politische Manipulation erleichtern. Als Schutzmaßnahmen werden Differential Privacy und die Verarbeitung direkt auf dem Gerät, also Edge AI, genannt. Emotionale Zustände sollen ohne ausdrückliche, streng medizinische Zustimmung nicht außerhalb des persönlichen Besitzes verarbeitet werden.

Auch emotionale Abhängigkeit ist ein Risiko. Nutzer könnten ihre eigenen Fähigkeiten zur Selbstregulation weniger trainieren und sich irgendwann vollständig auf Geräteempfehlungen verlassen. Gute Systeme sollen deshalb als Coaches arbeiten und Techniken vermitteln, die Menschen später selbst anwenden können. KI soll menschliche Emotionsarbeit nicht ersetzen, sondern durch digitale Rückmeldungen und Unterstützung ergänzen.

Psychologinnen und Psychologen ersetzt sie laut dem Artikel „KI-gestützte Emotionsregulation: Affective Computing und psychische Gesundheit“ nicht. Der Artikel wurde am 17. Februar 2026 aktualisiert. Für tägliches Management und Prävention kann KI hilfreich sein; bei schweren psychiatrischen Störungen und tiefen Traumata fehlen ihr jedoch das umfassende Verständnis menschlicher Erfahrungen, komplexe ethische Urteilskraft und echte Empathie.

Künftige Systeme könnten Emotionen nicht nur regulieren, sondern auch validieren. Digitale Schnittstellen würden Sprache und Tonfall an Trauer, Freude oder Einsamkeit anpassen. Dann verschwimmt die Grenze zwischen technologischem Werkzeug und emotionaler Unterstützung noch ein Stück weiter. Und vielleicht fühlt sich genau das im Alltag zunächst angenehm an – bis man merkt, wie viel das Gerät inzwischen über einen zu wissen glaubt.

Erklärbar muss es sein

Eine weitere Perspektive liefert ein Beitrag vom 18. Dezember 2024 zu den Herausforderungen des Affective Computing bei der Beurteilung psychischer Gesundheit. Im TRR 318, Projekt A06 „Inklusive Ko-Konstruktion sozialer Signale des Verstehens“, forschen Dr. David Johnson, Jonas Paletschek und Prof. Dr. Hanna Drimalla gemeinsam mit Olya Hakobyan dazu.

Das Team veröffentlichte im Fachmagazin „IEEE Transactions on Affective Computing“ einen Artikel zur Bedeutung erklärbarer künstlicher Intelligenz, kurz XAI, für Affective Computing. Im Zentrum steht die Frage, ob sich nachvollziehen lässt, warum ein Modell eine bestimmte emotionale oder psychische Einschätzung abgibt. Das ist bei Anwendungen in Bildung und Gesundheit keine Nebensache. Fachkräfte müssen prüfen können, ob Diagnoseempfehlungen für unterschiedliche Bevölkerungsgruppen zutreffend sind.

Durch den EU AI Act gelten für emotionserkennende KI-Systeme strenge Anforderungen an Transparenz und Interpretierbarkeit. Bislang gibt es laut den Forschenden allerdings nur eine begrenzte Vielfalt an erzeugten Erklärungstypen. Außerdem fehlt eine ausreichende Bewertung der verfügbaren Methoden. Welche Erklärungsarten für Affective Computing am besten geeignet sind, bleibt daher offen.

Die Publikation „Explainable AI for Audio and Visual Affective Computing: A Scoping Review“ untersucht XAI im audiovisuellen Affective Computing. Der Bereich nutzt unter anderem Gesichtsausdrücke und Stimmmuster, um emotionale Zustände zu erkennen. Die Autor*innen stellen fest, dass die Interpretierbarkeit solcher Modelle bislang unzureichend erforscht ist, und formulieren Empfehlungen für mehr Transparenz und Erklärbarkeit künftiger Anwendungen. Dr. David Johnson ist Erstautor der A06-Publikation.

Als nächste Schritte nennen die Forschenden die Anwendung und Bewertung verschiedener Erklärungstypen über rein merkmalsbasierte Methoden hinaus, Untersuchungen in realistischen Anwendungssituationen wie der KI-gestützten Bewertung psychischer Gesundheit, eine stärkere Konzentration auf Erklärungen für