Können künstliche Intelligenzen zukünftige Gefühlszustände vorhersagen? Diese Frage untersucht Joshua Curtiss, Assistenzprofessor für angewandte Psychologie an der Northeastern University. Während Vorhersagemodelle bereits in Meteorologie und Finanzmärkten etabliert sind, wendet sich Curtiss nun komplexeren menschlichen Emotionen zu. Sein Ziel ist es, Maschinellen Lernalgorithmen zu nutzen, um emotionale Verläufe zu prognostizieren, was neue Wege für personalisierte psychologische Interventionen eröffnen könnte. In einer Pilotstudie wurden 34 Personen mit einer diagnostizierten emotionalen Störung über zwei Wochen hinweg fünfmal täglich zu ihren aktuellen Gefühlen befragt. Die Skala umfasste vier Emotionen: Zufriedenheit, Fröhlichkeit, Traurigkeit und Ängstlichkeit. Die gesammelten Daten dienten als Trainingsgrundlage für mehrere verschiedene Machine-Learning-Modelle, von einfachen Durchschnittswerten bis hin zu komplexen neuronalen Netzwerken. Ein zentrales Ergebnis der Studie zeigte, dass individuelle Modelle die zukünftigen Gefühlszustände der Teilnehmer genauer vorhersagen konnten als ein gemeinsamer Durchschnitt aller Probanden. Besonders bei Zufriedenheit und Fröhlichkeit bewährte sich ein Modell, das auf vergangenen Leistungen basierte, während bei Traurigkeit und Angst ein Ensemble-Modell, das mehrere Algorithmen kombinierte, die geringsten Fehler aufwies. Der Kern der Forschung liegt in der Ablehnung von „Einheitslösungen" in der Behandlung psychischer Erkrankungen. Da menschliche Reaktionen auf Therapie oder Medikamente extrem unterschiedlich sein können, betont Curtiss die Notwendigkeit individueller Modelle. Die Vorhersagefähigkeit könnte es Therapeuten ermöglichen, präventiv und maßgeschneidert zu handeln, indem sie Nutzer frühzeitig über wahrscheinliche emotionale Veränderungen informieren. Dies könnte Betroffenen helfen, Gewohnheiten zu entwickeln oder zu vermeiden, die ihren künftigen Zustand positiv oder negativ beeinflussen würden. Dennoch bleibt die Technologie noch im Stadium des „Proof of Concept". Die Genauigkeit der Vorhersagen ist begrenzt, insbesondere da langfristige Prognosen durch unvorhersehbare externe Faktoren wie unerwartete Gesundheitsnachrichten oder berufliche Krisen erschwert werden. Curtiss vergleicht die Prognosefähigkeit daher mit Wettervorhersagen: Es handelt sich um fundierte Einschätzungen, nicht um absolute Gewissheiten. Selbst bei perfekten Daten könnten kleine, individuelle Unterschiede in der Stimmung im „Schmetterlingseffekt" zu chaotischem Verhalten führen. Ein realistisches Ziel sei daher, Gefühlszustände einen oder zwei Wochen im Voraus zu prognostizieren, anstatt eine perfekte jährliche Vorhersage anzustreben. Zu den nächsten Schritten des Forschungsteams gehört die Ausweitung der Studie auf größere und diversere Bevölkerungsgruppen sowie längere Zeiträume. Zudem soll untersucht werden, ob Daten von Smartwatches oder Smartphones, die Aktivitätslevel messen, die subjektiven Selbstauskünfte der Nutzer ergänzen und die Vorhersagegenauigkeit verbessern können. Experten wie Don Robinaugh von der gleichen Universität sehen großes Potenzial in diesem Ansatz. Er betont, dass Depressionen und Ängste zwar äußerlich ähnlich wirken mögen, aber tiefgreifend individuelle Ursachen haben. Nur durch Modelle, die diese Komplexität berücksichtigen, könne die Versorgung effektiv verbessert werden. Obwohl Herausforderungen bezüglich der Datennutzung und ethischen Verantwortung bestehen, gilt die Forschung als vielversprechender Schritt hin zu einer personalisierten psychologischen Gesundheitsversorgung.