English

Deutsch

Generative KI im Medienkontext

Forschungsschwerpunkte:

  • Verkörperte dialogfähige Agenten und fotorealistische Avatare
  • Synthetische Medien in Ausbildung und Gesundheitskommunikation
  • Kalibriertes Vertrauen, Akzeptanz und Erklärbarkeit
  • Nutzerzentrierte Evaluation generativer Systeme
  • Ethische Fragen bei der Entwicklung von KI für Bildung und Pflege

Generative Systeme — verkörperte Agenten, fotorealistische Avatare, synthetische Stimme und Video — kommen schneller in Ausbildung und Gesundheitskommunikation an als die Methoden, sie zu beurteilen. Wir untersuchen, wie Menschen auf sie reagieren: ob ein Avatar Engagement erzeugt oder Unbehagen, wann eine Erklärung hilft und wann sie nur beruhigt, und was Vertrauen kalibriert statt blind macht. Die Arbeit folgt derselben Messtradition wie der Rest des Labs und verbindet kontrollierte Studien, physiologische Maße und den Einsatz im Feld — denn Akzeptanz, die im Labor gemessen wurde, übersteht den Kontakt mit einer Klinik oder einem Klassenraum nicht unverändert.

Verwandte Projekte:

Publikationen

Agenten, mit denen man reden mag

Ein dialogfähiger Agent wird in den ersten dreißig Sekunden beurteilt. Wir untersuchen, wie Persönlichkeit und Kommunikationsverhalten eines Agenten das Erleben verändern und wie weit Personalisierung gehen kann, bevor sie unangenehm wird — darunter dialogfähige MetaHuman-Avatare in menschlicher Größe in einer immersiven Umgebung. Gemessen werden Nutzererleben und Vertrauen, nicht ob das Modell einen plausiblen Satz erzeugt hat.

Das schwierige Gespräch üben

Generative Figuren erlauben es, Situationen zu üben, die schwer herzustellen und noch schwerer zu wiederholen sind. Wir haben immersive Bewerbungsgesprächs-Vorbereitung mit fotorealistischen, KI-gesteuerten Avataren gebaut und evaluiert und arbeiten an Cross-Reality-Unterstützung mit dialogfähigen Agenten für autistische Menschen. In beiden Fällen zählt nicht Realismus an sich, sondern ob das Üben außerhalb des Headsets hilft.

Synthetische Daten, wo echte nicht reisen dürfen

Patientendaten dürfen für die meisten Forschungszwecke nicht weitergegeben werden, und eine Methode, die sie braucht, endet an der Klinikpforte. Wir erzeugen synthetische medizinische Zeitreihen mit generativen adversarialen Netzen, damit Modelle entwickelt und verglichen werden können, ohne Patientendaten zu bewegen. Die Arbeit erhielt den Diversity and Societal Impact Award der QoMEX.

Was wir nicht behaupten

Dies ist die jüngste der fünf Linien und die, in der Behauptungen am wenigsten kosten. Alles oben Genannte ist ein evaluiertes System mit Teilnehmenden, keine Demonstration; wo wir etwas nicht gemessen haben, steht das auf den Seiten der einzelnen Publikationen. Generative Modelle behandeln wir als Bauteil, dessen Wirkung auf Menschen belegt werden muss — wie ein Display, ein Codec oder ein Controller.

Ausgewählte Arbeiten