Diagnose per Machine-Learning

Depressionen? Was euer Instagram über euch verrät

Geschätzte Lesezeit: ca. 2 Minuten

Foto von Michael Springer

von Michael Springer -

Auf den ersten Blick zeigt ein Instagram-Account nur einen Haufen zusammengewürfelter Bilder. Dass doch etwas mehr dahintersteckt, zeigt eine neue Studie: Die computergestützte Analyse der Fotos erlaubt offenbar Schlüsse über die geistige Gesundheit des Posters.

In einer Studie haben US-amerikanische Forscher die Instagram-Accounts von 166 Menschen untersucht – 71 von ihnen leiden oder litten an Depressionen. Die Wissenschaftler wollten herausfinden, ob ein Computer die depressiven Teilnehmer mithilfe von Machine-Learning anhand ihrer Instagram-Posts identifizieren kann. Das Ergebnis: Der Computer lag in 70 % der Fälle richtig und diagnostizierte damit verlässlicher als die meisten Allgemeinmediziner (die im Schnitt eine Quote von 50 % erreichen).

Instagram: Wer depressiv ist, postet dunklere, blauere Bilder

Das Machine-Learning-Modell wurde für die Studie mit insgesamt 43.950 von den Probanden bei Instagram hochgeladenen Bildern gefüttert. Weil in früheren Studien ein Zusammenhang zwischen emotionaler Stimmung und visuellen Vorlieben festgestellt wurde, legten die Forscher den Fokus auf die optische Beschaffenheit der Fotos: Computer analysierten die Bilder hinsichtlich der Sättigung, der Helligkeit oder der Farbtemperatur. Jedweder Text blieb außen vor – die Bildbeschreibung, die Hashtags oder der Inhalt der Kommentare wurden also nicht untersucht.

Depressive setzen auf Schwarz-Weiß-Filter

Depressive nutzen häufig den Schwarz-Weiß-Filter 'Inkwell', während "Gesunde" auf das warme 'Valencia' setzen.

Quelle:  Danforth et al. 2017 

Depressive setzen auf Schwarz-Weiß-Filter

Depressive nutzen häufig den Schwarz-Weiß-Filter 'Inkwell', während "Gesunde" auf das warme 'Valencia' setzen.  

Quelle:  Danforth et al. 2017 

So erkannte das Modell klare Trends: Depressive Nutzer neigten zu blaueren, dunkleren und weniger gesättigten Bildern, während die Kontrollgruppe eher knallige, hellere Fotos bevorzugte. Sogar Filter-Präferenzen ließen sich feststellen. Die psychisch Angeschlagenen wählten oft den schwarz-weißen 'Inkwell'-Effekt, die "Gesunden" setzten stattdessen sehr häufig auf den warmen, sonnigen 'Valencia'-Filter. Der Computer fand diese Muster auch in Posts, die zeitlich vor einer ärztlichen Depressions-Diagnose entstanden. Zugespitzt formuliert war die Diagnose sozusagen schon im Instagram-Account versteckt.

Warnzeichen Schwarz-Weiß-Filter?

Seid ihr nun depressiv, weil ihr gerne Schwarz-Weiß-Filter benutzt? Natürlich nicht. Die Studie stellt lediglich eine statistische Korrelation zwischen den genannten Bildeigenschaften und einer depressiven Erkrankung fest – nicht jeder, der gerne blaue Bilder postet, hat mentale Probleme.

Filter im Vergleich: Depressive vs. Gesunde

So beliebt waren die einzelnen Filter jeweils bei den beiden Untersuchungsgruppen.  

Quelle:  Danforth et al. 2017 

Filter im Vergleich: Depressive vs. Gesunde

So beliebt waren die einzelnen Filter jeweils bei den beiden Untersuchungsgruppen.  

Quelle:  Danforth et al. 2017 

Außerdem weisen die Wissenschaftler darauf hin, dass die Ergebnisse gewissen Einschränkungen unterliegen. Für diese kleine Versuchsgruppe habe das Daten-Modell bestimmte Korrelationen aufzeigen können. Es sei jedoch denkbar, dass der Ansatz in einem größeren Rahmen weniger eindeutige Resultate liefern würde.

Trotzdem belegt die Studie, wie unsere Online-Profile und unser Online-Verhalten intime Dinge über uns verraten und wir uns dessen vermutlich nicht bewusst sind. In diesem Fall analysierte das Machine-Learning allein Bildeigenschaften von Instagram-Posts. Es braucht nur wenig Fantasie, um sich vorzustellen, welche Informationen sich daraus gewinnen ließen, wenn man mit derselben Technik Text-, Bild- und Videobeiträge von verschiedenen sozialen Plattformen analysieren und die Funde kombinieren würde. Denkt immer daran, dass ein digitaler Fußabdruck nur schwierig zu verwischen ist.

Sag uns deine Meinung!