Gesichtserkennung vs. Analyse von Gesichtsausdrücken – Ein Plädoyer für eine verantwortungsvolle Datenerhebung

Das Gesicht steht im Mittelpunkt. Regierungen und Unternehmen auf der ganzen Welt erkennen zunehmend, dass unsere Gesichter weitaus mehr erzählen, als wir in Worte fassen können. Die Reaktionen von Menschen auf Reize können so subtil sein, dass sie ohne digitale Hilfe nicht wahrnehmbar sind, und das hat neue Wege für die akademische wie auch die kommerzielle Forschung eröffnet. Doch während die meisten Menschen den Nutzen der Gesichtsforschung erkennen, ist vielen noch nicht bewusst, dass es zwei sehr unterschiedliche Bereiche der Gesichtsforschung gibt: Gesichtserkennung und Gesichtsausdrucksanalyse. Sie unterscheiden sich stark in ihrer Art, konzentrieren sich jedoch auf dasselbe physiologische Merkmal: das Gesicht.

Es ist wichtig zu beachten, dass wir bei iMotions zwar führende Experten für Software zur Analyse von Gesichtsausdrücken sind, jedoch in keiner Weise Gesichtserkennung für akademische oder kommerzielle Zwecke anbieten oder unterstützen.

Wie bei allen anderen Forschungsmethoden gibt es auch bei der Durchführung und Auswertung von Gesichtsstudien einige Punkte zu beachten. Dieser Blogbeitrag beleuchtet einige der Unterschiede zwischen Gesichtserkennung und Gesichtsausdrucksanalyse, einige ethische Fallstricke sowie bewährte Verfahren bei der Datenerhebung.

Was ist Gesichtserkennung?

Die meisten Menschen sind mit dem Konzept der Gesichtserkennung vertraut. Es ist neben dem Fingerabdruck eine der am häufigsten genutzten biometrischen Authentifizierungs- und Identifizierungsmethoden und in eine Vielzahl von Sicherheitsverfahren unseres Alltags integriert.

Ein Beispiel: Um Ihr High-End-Smartphone zu entsperren, müssen Sie in die Kamera blicken, oder Sie müssen an vielen Flughäfen die Sicherheitskontrolle passieren. Einige Überwachungskameras, die in öffentlichen Bereichen rund um die Uhr in Betrieb sind, erfassen sogar Ihre individuellen Gesichtszüge, um Ihre Identität festzustellen. Die Gesichtserkennung wird in der Gesellschaft immer allgegenwärtiger.

Ohne auf die technischen Details der Gesichtserkennung einzugehen: Die Software nutzt einen Algorithmus, um die Gesichtszüge einer Person anhand eines Bildes zu überprüfen, das in einer riesigen Bilddatenbank gespeichert ist. Im Wesentlichen untersucht die Technologie bestimmte Merkmale im Gesicht einer Person und gleicht diese mit bereits gespeicherten Bildern ab, um die betreffende Person zu identifizieren.

Obwohl sie in der Regel als Sicherheitsmaßnahme eingesetzt wird, sehen wir zunehmend, dass die Gesichtserkennung Unternehmen und Regierungen die Möglichkeit bietet, diese Technologie für eine Vielzahl anderer Zwecke zu nutzen.

Das chinesische Unternehmen Alibaba hat in seinen Filialen in China bereits die Bezahlung per Gesichtserkennung eingeführt. Man muss dem Kassierer nur sein schönstes Lächeln schenken und kann dann fröhlich weiterziehen. Bis vor kurzem wurde die Gesichtserkennung noch hauptsächlich als Identifizierungsinstrument genutzt – wie man es wahrscheinlich vom Entsperren des Smartphones mit dem Gesicht kennt –, doch das ändert sich derzeit rasant, wie das obige Beispiel deutlich zeigt.

Ethische Dilemmata beim Einsatz von Gesichtserkennung

Der Einsatz von Gesichtserkennung im Rahmen der Massenüberwachung wirft einige kritische ethische Fragen auf. Im Vordergrund steht dabei die Verletzung der Privatsphäre, da dies eine ungerechtfertigte Nachverfolgung und potenzielle Profilerstellung ermöglichen könnte. Der potenzielle Missbrauch durch Behörden birgt das Risiko von Machtmissbrauch und der gezielten Überwachung bestimmter Gruppen, insbesondere wenn es an starken regulatorischen Rahmenbedingungen mangelt. Darüber hinaus besteht die Sorge, dass durch Datensicherheit und Datenschutzverletzungen sensible personenbezogene Daten offengelegt werden könnten. Wenn der Einsatz von Gesichtserkennung zur Massenüberwachung unkontrolliert erfolgt, kann dies den öffentlichen Raum grundlegend verändern, die freie Meinungsäußerung unterdrücken und das Gleichgewicht zwischen öffentlicher Sicherheit und individuellen Rechten gefährden.

Die Gesichtserkennungstechnologie kann nicht nur im Bereich der Überwachung missbraucht werden. Sie kann Pseudowissenschaften einen falschen Anschein von Legitimität verleihen – und tut dies oft auch. Indem sie scheinbar „datengestützte“ Erkenntnisse liefert, könnte sie fälschlicherweise dazu missbraucht werden, unbegründete Theorien zu untermauern, etwa die Vorhersage von Verhalten oder Persönlichkeit anhand von Gesichtszügen, und damit historische Irrtümer wie die Phrenologie wieder aufleben lassen – allerdings unter dem Deckmantel moderner Technologie.

Ein gutes Beispiel für den Einsatz von Gesichtserkennung in der Pseudowissenschaft ist der Fall von SciMatch.com. Diese Dating-App behauptet, KI und Deep-Learning-Algorithmen zu nutzen, um Nutzer auf der Grundlage von Gesichtsanalysen und daraus abgeleiteten Persönlichkeitsmerkmalen zusammenzubringen. Ihre Methode greift jedoch diskreditierte Theorien wie Physiognomie und Phrenologie auf und entbehrt einer wissenschaftlichen Validierung. Kritiker stellen die behauptete Genauigkeit von 87 % bei der Persönlichkeitszuordnung in Frage, bezeichnen sie als pseudowissenschaftlich und äußern Bedenken hinsichtlich ihrer Auswirkungen auf echte zwischenmenschliche Beziehungen.

Diese Beispiele zeigen einige Anwendungsmöglichkeiten der Gesichtserkennung auf, verdeutlichen aber auch die Grenzen der Forschung im Bereich des menschlichen Verhaltens. Es handelt sich um eine Software, die riesige Mengen an Bilddaten mit einem einzelnen Bild abgleichen kann, um eine Übereinstimmung zu ermitteln. Sie gelangt zu einem binären Ergebnis. Es ist nicht undenkbar, dass die Gesichtserkennung in Forschungsprojekten Verwendung findet, doch wird ihre Anwendbarkeit bestenfalls begrenzt sein. Das Gegenteil trifft auf die Analyse von Gesichtsausdrücken zu.

Was ist die Analyse von Gesichtsausdrücken?

Ähnlich wie bei der Gesichtserkennung befasst sich die Gesichtsausdrucksanalyse (FEA) mit Ihren Gesichtszügen, jedoch nicht damit, dass diese speziell Ihnen zuzuordnen sind. Die FEA geht auf das Facial Action Coding System (FACS) zurück, das in den 1970er Jahren vom Psychologen Paul Ekman entwickelt wurde. Moderne Varianten der FEA nutzen heute Algorithmen des maschinellen Lernens, um Gesichtsausdrücke mit beispielloser Genauigkeit und Nuance zu analysieren. FACS funktioniert, indem es menschliche Gesichtsausdrücke in sogenannte Action Units zerlegt, die einem bestimmten Muskel oder einer bestimmten Muskelgruppe im Gesicht einer Person entsprechen.

Mithilfe von Action Units können Forscher die verschiedenen Ausdrucksmuster, die sie bei ihren Befragten beobachten, auf einfache Weise klassifizieren, was die anschließende Analyse erheblich erleichtert. Die FEA kann also nicht an sich feststellen, was eine Person in einem bestimmten Moment empfindet, sondern ermöglicht es Forschern lediglich, die Verwendung verschiedener Action Units zu kategorisieren, die dann zur Bestimmung des emotionalen Zustands eines Teilnehmers herangezogen werden können.

Laden Sie unseren Taschenleitfaden zur Mimikanalyse herunter

Bei iMotions beraten wir unsere Nutzer dazu, wie sie die Gesichtsausdrucksanalyse in ihrer Forschung am besten nutzen können. Wir legen großen Wert darauf, ihnen zu vermitteln, wie wichtig es ist, Folgefragen zu stellen, nachdem die Software die Daten verarbeitet hat. Wir tun dies, weil keine Software einen Menschen perfekt ersetzen kann. Dank unseres Partners Affectiva haben wir die automatisierte Gesichtsausdruckskodierung nach dem Facial Action Coding System in unsere Software integriert, um sie zu dem branchenführenden Forschungswerkzeug zu machen, das sie heute ist. Letztendlich ist sie jedoch ein Werkzeug für Forscher, um ihre Arbeit zu unterstützen, nicht um sie für sie zu definieren.

Emotionen können kontextabhängig sein

Hast du schon einmal einen Freund oder ein Familienmitglied gesehen, das vor sich hin gelächelt hat, und musstest dann fragen, warum es lächelt? Du konntest zwar sehen, dass es lächelte, hattest aber keine Ahnung, was dahintersteckte. War es wehmütig, glücklich, nostalgisch oder erinnerte es sich an einen urkomischen Witz? Das lässt sich oft unmöglich sagen, weshalb du nachfragen musstest. Das Gleiche gilt für Daten, die man erhält, wenn man bei Befragten Biosensor-Messungen durchführt. Das liegt an den Feinheiten, mit denen wir Emotionen zum Ausdruck bringen.

Zwar können Computer, die mit einer hochwertigen Webcam ausgestattet sind, sogar subtilere Ausdrucksformen erkennen, als dies einem Menschen möglich wäre, doch spielt der Kontext eine große Rolle dabei, wie wir Emotionen darstellen. Menschen zeigen ständig Emotionen, doch wenn sich diese im Gesicht manifestieren, steht uns nur eine begrenzte Anzahl von Muskeln zur Verfügung, um sie auszudrücken – die bereits erwähnten „Facial Action Units“.

Das bedeutet, dass manche Ausdrucksformen sich überschneidende Merkmale aufweisen; sowohl sich überschneidende Ausdruckskomponenten als auch individuelle Eigenheiten können bei der Datenerhebung zu falschen positiven Ergebnissen führen. Es ist Aufgabe der Forscher, diese falschen positiven Ergebnisse auszusortieren.

Andernfalls werden die Forschungsergebnisse verfälscht. Wenn Sie ein lebhafter Redner sind, könnte ein Computer zu dem Schluss kommen, dass Sie Angst haben, obwohl Sie vielleicht gerade leidenschaftlich für einen Standpunkt argumentieren. Weit aufgerissene Augen und ein offener Mund sind zwar Anzeichen für Angst und Schock, aber vielleicht waren Sie auch nur überrascht.

Es gibt mehrere Faktoren, die zu falsch positiven Ergebnissen in Ihren Daten führen können. Wenn in einer Studie auch die galvanische Hautreaktion (GSR) – also die Messung von Mikroschweiß – zum Einsatz kommt, kann bereits die Tatsache, dass die Sonne scheint und den Raum erwärmt, dazu führen, dass Sie als emotional erregt registriert werden, was sich wahrscheinlich auch im Gesichtsausdruck widerspiegelt. Diese subtilen Feinheiten können zu falsch positiven Ergebnissen bei bestimmten Emotionen führen, die in Wirklichkeit gar nicht vorhanden sind.

Ähnlich wie bei der Gesichtserkennung kann die Analyse von Gesichtsausdrücken mithilfe von maschinellem Lernen automatisiert werden – und dies geschieht bereits in Form der sogenannten „Emotion-KI“. Der Begriff „Emotion-KI“ wurde erstmals vor etwa zwanzig Jahren in einem Artikel mit dem Titel „Affective Computing“ der MIT-Wissenschaftlerin Rosalind Picard geprägt. In diesem Artikel wurde dargelegt, dass die Informatik sich dem Punkt nähere, an dem Computer Emotionen erkennen und in gewissem Maße sogar „Emotionen empfinden“ könnten.

Einer der zentralen Punkte des Artikels ist, dass menschliche Emotionen uns bei allem beeinflussen, was wir in unserem Alltag tun – von der Entscheidung, was wir essen, bis hin zu wichtigen persönlichen und beruflichen Entscheidungen. Um eine KI zu entwickeln, die uns bestmöglich unterstützen kann, ist ihre Fähigkeit, Emotionen zu erkennen, von entscheidender Bedeutung. Um ein Gefühl für digitales emotionales Verständnis bestmöglich zu erzeugen, arbeitet die Emotions-KI mit der Erfassung und Analyse von Daten aus einer Reihe verschiedener Messpunkte, wobei die Analyse des Gesichtsausdrucks am wichtigsten ist. Zusammen mit Eye-Tracking, physiologischen Signalen und der Stimmenanalyse ermöglichen diese Messpunkte es einem Computer theoretisch, menschliche Emotionen zu approximieren und zu analysieren.

Einführung in die Multisensor-Forschung

Die Automatisierung der Erfassung menschlicher Emotionen ist natürlich an sich nichts Schlechtes. Bei der Emotions-KI gibt es jedoch einige Punkte, bei denen Vorsicht geboten ist. Vor allem dann, wenn die KI vollständig automatisiert oder autonom ist.

Menschen verhalten sich in bestimmten Situationen nicht alle gleich, sowohl weil wir alle unterschiedlich sind, als auch weil wir verschiedene Situationen mit unterschiedlichen Ausprägungen von Stress, Erregung, Schock, Freude oder Langeweile in unseren Gesichtern widerspiegeln.

Auch aus kultureller Sicht interpretieren und reagieren wir unterschiedlich auf Situationen. Es wäre eine sehr gewagte Behauptung zu sagen, dass sich alle Menschen auf der Welt gleich verhalten, und es könnte bedenklich sein, dass eine autonome KI dies nicht erkennen könnte. Auch hier kommt es wieder auf die Vorgehensweisen bei der Datenerhebung an. Wenn die Ergebnisse jedoch nicht von einem Forscher oder Datenerheber weiterverfolgt und überprüft werden, haben sie weder wissenschaftlichen noch praktischen Wert.

Der ethische Umgang mit Gesichtsdaten

Es mag fast überflüssig erscheinen, darauf hinzuweisen, dass Forschung ethisch und verantwortungsbewusst durchgeführt werden sollte, doch gibt es einige Gründe, deren Bedeutung an dieser Stelle noch einmal zu betonen. Erstens gehört dies einfach zu guter Forschungs- und Datenerhebungspraxis. Zweitens bewegen wir uns in einer Medienlandschaft, in der der Missbrauch sowohl der Gesichtserkennung als auch der Gesichtsausdrucksanalyse als Mittel der Überwachung, Unterdrückung sowie der fragwürdigen Erhebung und des Missbrauchs personenbezogener Daten zunehmend in den Fokus rückt.

Die biometrische Forschung, insbesondere die Forschung mit Schwerpunkt auf dem Gesicht, ist ein umstrittenes Thema, und Forscher, die sich mit FEA-Forschung befassen, müssen auf einer soliden ethischen Grundlage stehen. Bei iMotions haben wir stets darauf geachtet, dass die Datenerhebung ethisch einwandfrei erfolgt, was Folgendes bedeutet: Holen
Sie immer, immer die Einwilligung der Personen ein, die Sie untersuchen.

Abgesehen davon, dass dies eine Verletzung des Rechts des Einzelnen auf Information darstellt, ist die Durchführung von Forschungsarbeiten mit ahnungslosen Teilnehmern/Probanden kaum mehr als eine fundierte Vermutung seitens des Forschers. Von zentraler Bedeutung für jede Forschung am Menschen ist, wie oben erwähnt, die Einholung der Einwilligung nach Aufklärung aller an einer Studie beteiligten Personen. In den Leitlinien der Europäischen Kommission „Ethik für Forscher“ heißt es, dass die Einwilligung nach Aufklärung „…bedeutet, dass die Teilnehmer vor der Einwilligung zur Teilnahme klar über die Forschungsziele, mögliche unerwünschte Ereignisse sowie die Möglichkeit, die Teilnahme jederzeit und ohne Konsequenzen abzulehnen oder aus der Forschung auszusteigen, informiert werden sollten.“

Quelle: Leitfaden „Ethik für Forscher“ der Europäischen Kommission 

Dies ist für Forscher im Bereich der Biometrie besonders wichtig, da viele Gesichtsstudien über Webcams durchgeführt werden können – ein Forschungsansatz, der immer mehr an Bedeutung gewinnt. Sorgfalt sollte natürlich während des gesamten Forschungsprozesses oberste Priorität haben, und das bedeutet auch, dass die Person, die die Forschung durchführt bzw. die Daten erhebt, die Ergebnisse der Befragten stets nachprüfen muss, um sicherzustellen, dass keine falsch-positiven Ergebnisse akzeptiert werden.

Durch die Verwendung von Einwilligungserklärungen, Geheimhaltungsvereinbarungen und anderen rechtlichen Dokumenten, die Sie und Ihre Teilnehmer vor Datenmissbrauch schützen, fördern Sie Vertrauen und Transparenz in Ihrer Forschung. Diese Beziehung sollte nicht außer Acht gelassen werden, da sich die Menschen zunehmend bewusst werden, wie ihre Daten erfasst werden und wie ihre Datenrechte in naher Zukunft beeinträchtigt werden könnten

Die Analyse von Gesichtsausdrücken ist ein unglaublich leistungsstarkes Werkzeug für die biometrische Forschung, und es werden zahlreiche beeindruckende Studien unter Verwendung dieser Methode durchgeführt. Der Einsatz eines Algorithmus für die rechenintensive Verarbeitung verkürzt den Zeitaufwand für die Vorbereitung und Durchführung der Forschung und ermöglicht so die Einbeziehung großer Teilnehmergruppen. Als Forscher muss man sich vor allem bewusst sein, dass man die letzte Station in einem langen Informationsfluss ist und dass es letztlich in der eigenen Verantwortung liegt, die Daten für den Zweck der Forschung ethisch einwandfrei zu erheben und auszuwerten, um so deren wissenschaftliche Validität sicherzustellen.