Forschende der Dartmouth University haben nachgewiesen, dass individuelle Blickbewegungsmuster als eindeutige biometrische Merkmale fungieren können. Die in den Proceedings of the National Academy of Sciences veröffentlichte Studie zeigt, wie künstliche Intelligenz menschliche Blickverhalten nutzt, um Personen anhand ihrer persönlichen konzeptuellen Präferenzen zu identifizieren. An der Untersuchung nahmen sechzig Probanden teil, die sich jeweils sechzehn Sekunden lang in virtuellen Realitäts-Szenarien wie einem Flughafen, einem Schwimmbad oder einer Werkstatt bewegten, während ihre Augenbewegungen aufgezeichnet wurden. Das Forschungsteam entwickelte eine maschinelle Lernarchitektur, die ein Sehmodell mit einem Large Language Model kombinierte. Während das Sehmodell fixierte Objekte rekonstruierte, analysierte das Sprachmodell die abstrakten thematischen Verbindungen zwischen diesen Elementen. Die Ergebnisse belegen, dass Personen zuverlässig identifiziert werden konnten, nicht aufgrund der physischen Erscheinung der Objekte, sondern aufgrund der persönlichen Bedeutung, die sie mit diesen verknüpften. So widmete eine Person beispielsweise konsequent funktionalen Arbeitsgegenständen ihre Aufmerksamkeit, während eine andere architektonische Details bevorzugte. Die Untersuchung bestätigte darüber hinaus, dass diese blickgetriebenen konzeptuellen Prioritäten zeitlich stabil sind. Teilnehmer, die nach einer Woche erneut getestet wurden, ließen sich durch auf den Ausgangsdaten trainierte Modelle eindeutig wiedererkennen. Dies untermauert die These, dass Aufmerksamkeitsmuster dauerhafte, perspektivische Präferenzen widerspiegeln. Kognitiv durchläuft der Prozess dabei eine vorhersagbare Sequenz: Zunächst erfolgt eine räumliche Orientierung innerhalb der ersten zwei Sekunden, gefolgt von der Erfassung prominenter visueller Elemente und schließlich ab der achten Sekunde eine konzeptuelle Einordnung. Die Präzision der KI-Identifikation stieg signifikant, wenn das Sprachmodell kontextreiche Beschreibungen statt isolierter Objektbezeichnungen verarbeitete. Diese Erkenntnisse besitzen erhebliche Relevanz für den digitalen Datenschutz und die klinische Diagnostik. Die Autoren weisen darauf hin, dass Virtual- und Augmented-Reality-Systeme unbemerkt tiefgreifende verhaltensbezogene Daten offenlegen könnten, die über herkömmliche Clickstream-Analysen weit hinausgehen. Im medizinischen Bereich eröffnet die Methodik vielversprechende Wege für eine frühere und präzisere Diagnose neurodevelopmentaler Erkrankungen wie Autismus-Spektrum-Störungen. Da auffällige Blickmuster häufig frühe Anzeichen sind, könnte die KI-gestützte Analyse zwischen rein visuellen Verarbeitungsdefiziten und Beeinträchtigungen der konzeptuellen Auseinandersetzung unterscheiden. Dies würde gezielte Interventionen bereits mit zwei Jahren ermöglichen, deutlich vor dem aktuellen durchschnittlichen Diagnosezeitpunkt von vier Jahren. Das Forschungsteam um die Associate Professor Caroline Robertson, die Hauptautorin Amanda Haskins und die ehemalige Mitarbeiterin Katherine Packard plant nun die Untersuchung multimodaler Aufmerksamkeitsverfolgung sowie kultureller Unterschiede. Die Integration von Large Language Models in die Blickverfolgungsforschung markiert eine neue Schnittstelle zwischen Kognitionswissenschaft und Künstlicher Intelligenz und demonstriert, dass menschliche Aufmerksamkeit kein rein visueller Prozess, sondern ein Abbild individueller kognitiver Strukturen ist.