People

Current research projects

FCTC-Studie: From Communication to Connection

Die FCTC-Studie ("From Communication to Connection") untersucht im Rahmen eines interdisziplinären Mixed-Methods-Designs, wie sich die Wahrnehmung eines sozialen KI-Bots und die tägliche, sprachliche Interaktion mit ihm im Laufe von vier Wochen verändern. Die erhobenen Daten tragen dazu bei, die soziale Mensch-Maschine-Interaktion empirisch zu analysieren und zu beschreiben, um so ein Fundament für weiterführende Forschung zu legen, indem Bereiche, soziale Rollen und Personengruppen eruiert werden, die aktuell und künftig vom Einsatz sozialer, personaler KI profitieren könnten.

Die Längsschnittstudie kombiniert quantitative und qualitative Erhebungsmethoden: Über einen Zeitraum von vier Wochen führen Teilnehmende täglich mind. 30-minütige Gespräche mit einem KI-Chatbot (bereitgestellt durch Botts.AI), begleitet von einer Serie standardisierter Fragebögen (W0-W5), die auf validierten Skalen wie GAAIS, UCLA-3, RAS, IDAQ und MASE basieren. Ergänzt wird die quantitative Erhebung durch leitfadengestützte qualitative Interviews mit ausgewählten Teilnehmenden, die vertiefte Einblicke in die individuelle Erfahrung der Chatbot-Interaktion ermöglichen.

Completed research projects

FS 2025 - FS 2026

Künstliche Intelligenz und sprachliche Empathie: doing-empathy

Das Forschungsprojekt untersucht, inwiefern Large Language Models (LLMs) Empathie als sprachlich-pragmatische Praxis (doing-empathy) realisieren können. Empathie wird dabei nicht als innerer affektiver Zustand verstanden, sondern als interaktional hervorgebrachte und linguistisch messbare Praktik operationalisiert: als doing-empathy. Die aus einer randomisierten Double-Blind-Studie mit drei Bedingungen (VP + Laiin; VP + psychologisch geschulte Person; VP + KI) stammenden 150 Chattranskripte wurden von drei Rater:innenteams hinsichtlich des Vorkommens von vier sprachlichen Empathiestrategien - Emotionsvalidierung, Echoing, Engagementfragen und Ermutigung - codiert und anschließend verglichen.

Die Ergebnisse zeigen, dass die KI insgesamt signifikant mehr doing-empathy-Marker produziert als die menschlichen Vergleichsgruppen. Hinter diesem Gesamtbefund stehen jedoch unterschiedliche Empathieprofile: Die KI dominiert insbesondere bei musterhaften und gut standardisierbaren Strategien wie Echoing und Emotionsvalidierung, was sich unter anderem mit der token-basierten und lokal kontextsensitiven Verarbeitung von Sprache sowie mit Sycophancy in Verbindung bringen lässt. Bei der stärker situativen Ermutigung bleibt sie hingegen hinter den menschlichen Gesprächspartnerinnen zurück. Dies lässt den Schluss zu: Nicht jede Form von sprachlicher Empathie lässt sich gleichermassen algorithmisch verdichten.

Zugleich zeigt sich ein Trainingseffekt weniger in einer generell höheren Empathiefrequenz als in einem anders gearteten Empathieprofil: Psychologisch versierte Gesprächspartnerinnen und die KI setzen insbesondere Engagementfragen häufiger ein als Laiinnen. Die beiden menschlichen Gruppen unterscheiden sich im Gesamt-E-Score (Frequenzanalyse aller Marker) hingegen nicht signifikant voneinander. Die Studie zeigt damit, dass LLMs Empathie funktional und kommunikativ wirksam performen können, dabei jedoch ein spezifisch standardisiertes und hochfrequentes Empathieprofil hervorbringen.

HS 2022 - FS 2025

Kumulative Dissertation:

Mensch-Maschine-Interaktion an der Schnittstelle von Sprache, Technologie und Gesellschaft: Eine interdisziplinäre Analyse

Abstract

Meine Dissertation beschäftigt sich mit der komplexen Schnittstelle zwischen sprachlicher Gestaltung, technologischer Umsetzung und gesellschaftlicher Wirkung sprachbasierter Mensch-Maschine-Interaktion im Kontext Künstlicher Intelligenz. Sie befasst sich unter anderem mit synthetischen Stimmen und zeigt mittels soziophonetischer Perzeptionsexperimente auf, wie diese durch Anpassung der Grundfrequenz (F0) so modifiziert werden können, dass sie sympathischer klingen und dadurch die Interaktion zwischen Mensch und Maschine (z. B. Sprachassistenten oder Pflegerobotern) in sozialen Kontexten verbessern. Ergänzend wird dazu aus ikonizitätstheoretischer Perspektive untersucht, inwiefern die Stimme als semiotisch aufgeladene Schnittstelle zwischen Identität und Technologie fungiert. Dabei liegt der Fokus auf der systematischen Feminisierung technischer Entitäten, also der Tendenz, KI-Systeme wie Alexa oder Siri gezielt durch attributive Merkmale - etwa Name und Stimme - weiblich zu kodieren. Es wird gezeigt, wie diese Praxis auf ikonischen Repräsentationsmechanismen basiert und einerseits zwar anthropomorphe Nähe erzeugt, andererseits aber tradierte Geschlechterstereotype reproduziert und verstärkt.

Ein weiterer Untersuchungsgegenstand ist die maschinelle Konstruktion von Identität: Hier wird analysiert, ob und inwiefern Maschinen, insbesondere Sprachmodelle mit Künstlicher Intelligenz, in der Lage sind, durch die Imitation von menschlichem Sprachgebrauch eine menschliche Identität performativ im Dialog her- und darzustellen und wie authentisch und empathisch diese von Menschen wahrgenommen wird. In Bezug auf die Fähigkeiten von generativen Sprachmodellen werden in dieser Dissertation auch ihre Limitationen behandelt, indem gezeigt wird, wie sie auf sprachliche Mehrdeutigkeit, unklare Inputs oder manipulatives Prompting von User:innen reagieren und welche Risiken sich daraus ergeben können. In diesem Zusammenhang werden Fragen nach Verantwortung und Autorschaft diskutiert und die Notwendigkeit von AI Literacy im heutigen digitalen Zeitalter betont. Gesamthaft entwickelt die Arbeit ein interdisziplinäres Framework zur Analyse verschiedener Formen von Mensch-Maschine-Interaktionen und beleuchtet dabei sowohl linguistische Aspekte als auch deren gesellschaftliche, soziale und ethische Implikationen.

FS 2023 - HS 2024

Interdisziplinäres Forschungsprojekt in Zusammenarbeit mit dem Psychologischen Institut: MeMa-Studie - Traurigkeitsreduktion via Online-Chat:

Against the backdrop of widespread shortages in mental health services and increasingly overstretched care infrastructures, artificial intelligence (AI) is gaining attention as a potential tool to support psychotherapeutic work. Empathic communication is, however, a fundamental prerequisite for the application of AI in such areas. This study examines the extent to which contemporary large language models can simulate empathic interaction in therapeutic dialogues. Based on 150 chat transcripts from a psycholinguistic study, the analysis compares human-human and human-machine interactions across three double-blind experimental conditions: participants engaged in a conversation about psychological distress with either (i) a layperson, (ii) a trained psychology student, or (iii) a chatbot (ChatGPT-3.5) prompted to act as a psychotherapist. Empathy is operationalized through a framework of four linguistic markers-emotion validation, engagement question, echoing, and encouragement-which were first independently coded through a double-rater procedure and retained only if mutually identified, before being quantified through frequency analysis. Results show that ChatGPT produced the highest overall frequency of empathy markers and achieved levels of linguistic performance comparable to, and in some cases exceeding, those of human interlocutors. Furthermore, in a post-interaction questionnaire, 50% of participants in the chatbot condition failed to recognize their counterpart as artificial intelligence, indicating a substantial level of linguistic human-likeness. These findings offer empirical insights into the language-based performance of empathy by AI and contribute to current debates on the ethical and practical implications of deploying conversational agents in mental health care. The study also addresses how language shapes perceptions of humanness and explores the performative construction of identity in human-machine interaction. It further examines the societal opportunities and challenges associated with AI systems capable of convincingly performing human identity through language.

2022

Soziophonetisches Forschungsprojekt zu sympathischen synthetischen Stimmen für HMI-Anwendungskontexte:

Synthetic voices are increasingly integrated into everyday interactions, ranging from navigation systems in our cars and voice assistants in our homes to social robots in elderly care and nursing homes. Despite their prevalence, our understanding of their potential remains incomplete. This study aims to address fundamental questions regarding synthetic voices and their ability to evoke sympathy to enhance human-machine interaction. Specifically, exploring questions like: How can we engender likability for disembodied devices, such as voice assistants, that solely communicate through voice? What are the social challenges that might arise when developing sympathetic female voices for voice assistants? And in which domains can likable voices significantly improve human-machine interaction? This article sheds light on this proverbial black box by examining different fundamental frequencies (F0) in human and synthetic voices, with the aim of identifying a potential "golden frequency”, the ultimate likable frequency. For this goal two perceptions studies were conducted: The first experiment (N=107) is conducted as a pilot study to explore likability in human female voices, while the second experiment (N=435) extends the investigation to synthetic female voices, on which will be the main focus in this article. The results revealed that female human voices were perceived as most likable at a frequency around 260 Hz, which coincides with what former studies concluded as the most attractive frequency as well. However, this does not hold true for female synthetic voices, where a vertex becomes evident already around 240 Hz. These findings bear interesting implications for the future of human-machine interaction, offering noteworthy applications in various realms of human-computer interaction (HCI) and human-robot interaction (HRI). These applications extend to (personal) assistance systems, e-learning, and educational contexts, with particular significance in healthcare and nursing homes.

Research areas

* Human-machine interaction (HMI, HCI, HRI)

* KI in sozialen Settings

* Psycholinguistik

* Soziolinguistik

* Medienlinguistik