Emotionen entschlüsseln

Emotionen sind episodische Reaktionen auf ein Objekt, beispielsweise ein Marken-Touchpoint wie eine Packung oder ein Werbespot. Sie haben also Anfang und Ende und einen Fokus, das unterscheidet sie von Stimmungen (kein Objektfokus) oder Charakterzügen (immer da). Es gibt basale Furcht, Freude, Ärger, Traurigkeit, Überraschung und Ekel (nach Ekman) und es gibt mehr oder minder komplexe Mischformen. Nostalgie wäre demnach eine Mischung aus Freude und Traurigkeit.  

Emotionen sind evolutionär älter und entstehen im limbischen System – sie sind den rationalen und sprachlichen Urteilen vorgelagert. Emotionen geben uns die Richtung vor und helfen uns Prioritäten zu setzen. Deshalb sind Emotionsmessungen in der Marktforschung – zumindest bei kurzfristig, spontan dargebotenen Objekten – so wichtig. Da Entscheidungen meist auch ein Wechselspiel zwischen Emotionen, Motiven und rationalen Erwägungen sind, reicht es aber bekanntermaßen nicht, sich nur auf Emotionsmessungen zu verlassen.

Auf den ersten Blick wenig. Emotionsmessungen gab es schon vor KI. Für die Marken- und Kommunikationsforschung ist KI trotzdem hochrelevant. Denn viele emotionale Reaktionen entstehen nicht bewusst und lassen sich nur schwer direkt abfragen. Menschen können oft gut sagen, ob ihnen eine Marke gefällt — aber deutlich schwerer, welche inneren Bilder, Emotionen oder Motive diese Marke auslöst.

Hierfür hat KI die Möglichkeiten enorm erweitert. Im Bereich der automatisierten Emotionserkennung arbeitet die KI mit Trainingsdaten, z. B.

• Gesichtsausdrücke (sog. Facial Coding): Durch Training ist die KI in der Lage bestimmte Bewegungen im Gesicht bestimmten Emotionen zuzuordnen.
• Audiospuren: Neuronale Netze analysieren die verschiedenen Eigenschaften einer Tonspur oder Spektrogramms, z. B. die Frequenz und Tonhöhe, die dann in den gelernten Mustern einer Emotion zugeordnet wird. z. B. lauter werdende Stimme = Wut
• Text: Die KI analysiert verschiedene Textbausteine, z. B. die allgemeine Wortwahl, d. h. emotionale Adjektive deuten auf eine Stimmungslage hin. Via Algorithmen und maschinelles Lernen identifiziert dann die verschiedenen Emotionen des Menschen.

mindline nutzt automatisierte ML-Verfahren und testet zurzeit in einem Piloten audiogestützte Emotionserkennung (Testergebnisse folgen in Q3 26).

In der Kommunikationsforschung setzen wir seit Jahren auf ML-gestützte Facial-Coding-Verfahren. Trotz mancher Lücken – Gesichtsausdrücke in Marktforschungsbefragungen verlaufen nicht so idealtypisch wie die von Schauspieler:innen produzierten Trainingsdaten – ermitteln wir durch die szenengenauen Analysen sehr hilfreiche Ergebnisse und emotionale Muster über Aufbau, Execution und Story eines Spots.

Im beigefügten Beispiel werden Ausmaß und Qualität von 4 basalen Emotionen gemessen und für ein Benchmarking gemittelt. Die Spotverläufe beider Spots zeigen zwar eine aufsteigende emotionale Valenz, die mit dem Outro (hier wird üblicherweise die Marke eingeblendet) verbundene Absenkung ist bei Spot 2 zu deutlich – dramaturgisch müsste man hier nacharbeiten, sonst fällt das Branding in ein emotionales Loch und der Spot verfehlt seine Wirkung (er aktiviert nicht). Allerdings ist bei Spot 2 ohnehin das Verhältnis zwischen positiven und negativen Emotionen sehr überarbeitungswürdig.

Ein anderes Beispiel für eine implizite Emotionsmessung ist unsere mindline SemioSphere. Der Clou: Sie arbeitet mit einem systematischen Modell menschlicher Emotionen und Motivationen und verbindet verbale Codierung mit visueller Codierung. Nach dem Motto: Bilder sagen (uns) mehr als Worte: Bilder dienen dabei als eine Art Übersetzungshilfe. Sie geben Befragten Material an die Hand, um innere Eindrücke, spontane Assoziationen und schwer greifbare Bedeutungen auszudrücken. 
Bilder werden so zur Sprache der Emotionen.

Auch hier hilft uns KI, unsere validierten Bilder in der Execution zu aktualisieren oder kontextuell zu adjustieren – ohne die visuelle Semantik dabei zu verändern. Besonders spannend ist dieser Ansatz, wenn unterschiedliche Produktkategorien, Nutzungssituationen oder Bedürfnislagen miteinander verglichen werden. Eine Marke kann je nach Kontext ganz verschiedene emotionale Signale senden: In einem Fall steht vielleicht Sicherheit, Kontrolle und Verlässlichkeit im Vordergrund; in einem anderen Schutz, soziale Entlastung oder Selbstfürsorge; in einem dritten eher Wirksamkeit, Anspruch und moderne Wertigkeit. Durch die SemioSphere lassen sich solche Unterschiede nicht nur beschreiben, sondern in einem gemeinsamen emotionalen Bedeutungsraum verorten.

KI hilft emotionale Muster präziser sichtbar zu machen, Bildmaterial konsistenter zu entwickeln und implizite Reaktionen strukturierter auszuwerten. Sie unterstützt uns dabei, menschliche Emotionen differenzierter zu verstehen und dabei dem einen, wenn nicht dem entscheidenden Aspekt menschlicher Entscheidungen auf die Spur zu kommen.