Zusammenfassung
Menschliche Emotionen spielen in allen Bereichen des Lebens eine zentrale Rolle. Auch deshalb haben Emotionen und deren Messung schon lange das Interesse verschiedener Forscher geweckt. In unserem Beitrag bauen wir auf bestehenden Emotionstheorien auf und erläutern das Konzept der emotionalen künstlichen Intelligenz, auch bekannt als Emotion AI. Der Fokus dieses Beitrags liegt insbesondere auf dem Vergleich traditioneller und moderner, KI-basierter Methoden zur Emotionserkennung. Anhand eines Experiments im Onlineshopping werden dafür eine klassische Selbstauskunftsmethode mit der automatisierten und KI-basierten Emotionserkennungssoftware TAWNY verglichen, die gleichermaßen zur Messung des Nutzererlebnisses eingesetzt werden. Außerdem zeigen wir auf, wie sich, insbesondere in der Markt- und Konsumentenforschung, zahlreiche Einsatzmöglichkeiten für die Emotion AI Technologie ergeben.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Similar content being viewed by others
Notes
- 1.
Skala von -4 bis 4; 0 als Mitte und neutraler Punkt der Skala.
Literatur
Barrett, L. F., & Russell, J. A. (1999). The structure of current affect: Controversies and emerging consensus. Current Directions in Psychological Science, 8(1), 10–14. https://doi.org/10.1111/1467-8721.00003.
Bartl, M. (2018). Von der künstlichen zur emotionalen Intelligenz und was das für die Marktforschung bedeutet. https://www.marktforschung.de/wissen/tectools/marktforschung/von-der-kuenstlichen-zur-emotionalen-intelligenz-und-was-das-fuer-die-marktforschung-bedeutet/. Zugegriffen am 18.02.2021.
Bartl, M., & Füller, J. (2020). The rise of emotion AI: Decoding flow experiences in sports. In 21st century sports (S. 219–229). Cham: Springer.
Canetti, L., Bachar, E., & Berry, E. M. (2002). Food and emotion. Behavioural Processes, 60(2), 157–164.
Ekman, P., & Cordaro, D. (2011). What is meant by calling emotions basic. Emotion Review, 3(4), 364–370.
Ekman, P., & Friesen, W. (1978). Facial action coding system: A technique for the measurement of facial movement. Palo Alto: Consulting Psychologists Press.
Fenn, J., & LeHong, H. (2015). Hype cycle for emerging technologies. Stamford: Gartner.
Gibson, E. L. (2006). Emotional influences on food choice: Sensory, physiological and psychological pathways. Physiology & Behavior, 89(1), 53–61. https://doi.org/10.1016/j.physbeh.2006.01.024.
Hahn, A., & Bartl, M. (2019). Wie affective computing kostengünstig, schnell, zuverlässig, valide und skalierbar Nutzer-Emotionen messen kann um empathische Marktforschung anzureichern. Paper präsentiert zum 54. Kongress der Deutschen Marktforschung am 20.–21.05.2019 in Hamburg.
Hahn, A., & Maier, M. (2018). Affective Computing: Potenziale für empathisches digitales Marketing. Marketing Review St. Gallen, 4, 52–65.
Hahn, A., Bartl, M., & Klug, K. (2020). Digital Empathy: Wie Künstliche Intelligenz und Affective Computing die Marktforschung verändern. In M. Pusler (Hrsg.), Dem Konsumenten auf der Spur: Erfolgreiches Marketing durch zeitgemäße Marktforschung. Freiburg: Haufe.
Jackson, S. A., & Csikszentmihalyi, M. (1999). Flow in sports. Champaign: Human Kinetics.
Jacob-Dazarola, R., Ortiz Nicolás, J., & Cardenas, L. (2016). Behavioral measures of emotion. In H. L. Meiselman (Hrsg.), Emotion measurement (S. 101–124). Amsterdam: Woodhead Publishing.
Kassam, K. S., Markey, A. R., Cherkassky, V. L., Loewenstein, G., & Just, M. A. (2013). Identifying emotions on the basis of neural activation. PloS one, 8(6), e66032.
Keltner, D., Sauter, D., Tracy, J., & Cowen, A. (2019). Emotional expression: advances in basic emotion theory. Journal of Nonverbal Behavior, 43(2), 133–160. https://doi.org/10.1007/s10919-019-00293-3.
Köster, E. P., & Mojet, J. (2015). From mood to food and from food to mood: A psychological perspective on the measurement of food-related emotions in consumer research. Food Research International, 76, 180–191. https://doi.org/10.1016/j.foodres.2015.04.006.
Lerner, J. S., Li, Y., Valdesolo, P., & Kassam, K. S. (2015). Emotion and decision making. The Annual Review of Psychology, 66, 1–33. https://doi.org/10.1146/annurev-psych-010213-115043.
McDuff, D. (2017). New methods for measuring advertising efficacy. In Digital advertising: Theory and research (3. Aufl.). New York: Routledge.
Mehrabian, A., & Russell, J. A. (1974). An approach to environmental psychology. Cambridge, MA: MIT Press.
Phelps, E. A., Lempert, K. M., & Sokol-Hessner, P. (2014). Emotion and decision making: Multiple modulatory neural circuits. Annual Review of Neuroscience, 37, 263–287.
Picard, R. W. (1997). Affective computing. Cambridge, MA: MIT press.
Russell, J. A. (1980). A circumplex model of affect. Journal of Personality and Social Psychology, 39(6), 1161–1178.
Russell, J. A., Weiss, A., & Mendelsohn, G. A. (1989). Affect grid: A single-item scale of pleasure and arousal. Journal of Personality and Social Psychology, 57(3), 493–502.
Zajonc, R. B. (1980). Feeling and thinking: Preferences need no inferences. American pyschologist, 35(2), 151.
Author information
Authors and Affiliations
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2021 Der/die Autor(en), exklusiv lizenziert durch Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Marichalar Quezada, R., Bartl, M., Garrecht, G. (2021). Emotion AI: Neue Formen der Emotionsmessung durch Künstliche Intelligenz. In: Lichtenthaler, U. (eds) Künstliche Intelligenz erfolgreich umsetzen. Springer Gabler, Wiesbaden. https://doi.org/10.1007/978-3-658-34670-6_12
Download citation
DOI: https://doi.org/10.1007/978-3-658-34670-6_12
Published:
Publisher Name: Springer Gabler, Wiesbaden
Print ISBN: 978-3-658-34669-0
Online ISBN: 978-3-658-34670-6
eBook Packages: Business and Economics (German Language)