Der Geschlechter-Blick der KI

Künstliche neuronale Netze spielen eine entscheidende Rolle bei der Nutzung und Auswertung umfangreicher Datenmengen. Ein besonderes Anwendungsfeld für die Psychologie und die medizinische Forschung ist die Erkennung und Klassifikation menschlicher Gesichtsausdrücke. Die dafür genutzten Systeme sind sehr leistungsstark und werden zur Verarbeitung großer Datensätze als automatisierte Prozesse (end-to-end) entwickelt und entsprechend trainiert. Allerdings zeigen diese Black-Box-Modelle bei ihrer Anwendung, vor allem bei sogenannten Subpopulation-Shifts (Mischungs-Schock), oft ein unregelmäßiges Verhalten auf, wodurch die Leistungsfähigkeit und Aussagekraft der Vorhersagen beeinträchtigt werden.

Informatiker der Computer Vision Group JenaExterner Link unter der Leitung von Professor Joachim Denzler haben dieses Problem aufgegriffen und in einer aktuellen Untersuchung analysiert, welche Faktoren einen Einfluss auf das unregelmäßige Verhalten von KI-Modellen zur Erkennung von Gesichtsausdrücken haben könnten. Dafür wurden zwei gängige Anwendungen (HSEmotion-7 und ResidualMaskNet) ausgewählt, die in der Lage sind, insgesamt sechs Basis-Emotionen sowie eine neutrale Ausdrucksform zu erkennen. Gemeinsam mit der Klinik für Hals-, Nasen- und Ohrenheilkunde unter der Leitung von Professor Orlando Guntinas-Lichius am Universitätsklinikum Jena wurden zunächst 36 gesunde Probanden in einem standardisierten Verfahren aufgefordert, vor einer Kamera die verschiedenen Emotionen in einer zufälligen Reihenfolge zum Ausdruck zu bringen. Um Verzerrungen durch menschliche Zuschreibungen zu vermeiden, stand ausschließlich die Fähigkeit der Teilnehmenden zum mimischen Ausdruck im Fokus, die mit Frontalaufnahmen aufgezeichnet wurde. Um den Anwendungskontext in der neurologischen Diagnostik zu berücksichtigen, erfolgten die Aufnahmen viermal mit und zweimal ohne die angelegten Elektroden der hochauflösenden Oberflächen-Elektromyographie. Eine zweite Gruppe von Probanden bestand aus 36 Patienten mit einer einseitigen Fazialisparese (Gesichtslähmung), von deren Erscheinungsbild anzunehmen ist, dass hier ein nachweisbarer Einfluss auf die Qualität der Vorhersagen von KI-Modellen besteht. Diese Aufnahmen mit den verschiedenen Gesichtsausdrücken wurden mittels 3D-Scans durchgeführt.