Sprachbasierte Bewertungen können psychisches und subjektives Wohlbefinden vorhersagen

Warum Worte verraten können, wie es uns wirklich geht

Die meisten von uns haben schon einmal Checkbox-Fragebögen zu Glück oder psychischer Gesundheit ausgefüllt. Unsere Stimmung und unser Sinn für Zielsetzung werden jedoch meist in Geschichten ausgedrückt: in dem, was wir über unser Leben, unsere Ziele und unsere Beziehungen sagen. Dieser Artikel untersucht, ob moderne künstliche Intelligenz diesen Erzählungen — schriftlich oder gesprochen — zuhören und abschätzen kann, wie zufrieden und erfüllt wir uns fühlen, und damit möglicherweise eine neue Möglichkeit bietet, das Wohlbefinden im Alltag zu beobachten.

Zwei Arten des „Gedeihens“

Psychologen unterscheiden oft zwischen zwei großen Arten des Wohlbefindens. Die eine ist subjektives oder „hedonisches“ Wohlbefinden: sich gut fühlen, mehr positive als negative Emotionen haben und insgesamt mit dem Leben zufrieden sein. Die andere ist psychologisches oder „eudaimonisches“ Wohlbefinden: das Gefühl, dass das Leben sinnvoll ist, dass wir wachsen, selbstgesteuert sind und gemäß unseren Werten leben. Während KI-Werkzeuge bereits gezeigt haben, dass sie die Lebenszufriedenheit aus kurzen Textantworten schätzen können, war unklar, ob sie auch tiefere Eigenschaften wie Autonomie — das Gefühl, eigene Entscheidungen zu treffen — und andere Facetten psychischer Gesundheit erkennen können.

Zuhören, was Menschen reflektieren

In drei Studien wurden Erwachsene und Studierende gebeten, offene Fragen zu ihrem Leben zu beantworten. Einige Aufforderungen konzentrierten sich auf Lebenszufriedenheit (zum Beispiel: „Alles in allem — sind Sie mit Ihrem Leben zufrieden oder nicht?“), andere erkundeten Aspekte des psychologischen Wohlbefindens wie Autonomie („Inwiefern werden Ihre Entscheidungen von dem beeinflusst — oder nicht —, was andere tun?“), persönliches Wachstum, Beziehungen und Sinn. Die Teilnehmenden antworteten entweder in geschriebenen Absätzen oder sprachen mindestens eine Minute; ihr Audio wurde transkribiert. Zudem füllten alle standardisierte Rating-Skalen zu Lebenszufriedenheit und psychologischem Wohlbefinden aus, die als Vergleichsmaßstäbe dienten.

Wie KI Geschichten in Punktzahlen verwandelte

Die Forschenden fütterten den Text dieser Reflexionen in fortschrittliche Sprachmodelle auf Basis von Transformer-Technologie, die jede Antwort als hochdimensionales numerisches Muster darstellen. Mit statistischen Methoden trainierten sie Modelle, um die Fragebogenergebnisse aus diesen Mustern vorherzusagen, und überprüften, wie eng die Vorhersagen mit der Realität übereinstimmten. In den ersten beiden Studien gelang den Modellen eine ordentliche Leistung: sprachbasierte Vorhersagen für Autonomie und Lebenszufriedenheit waren mäßig mit den tatsächlichen Werten der Teilnehmenden korreliert, und sie zeigten auch eine gewisse Fähigkeit zur Generalisierung auf verwandte Merkmale wie Gefühl von Kompetenz, Verbundenheit mit anderen oder Zielgerichtetheit. Diese Korrelationen lagen jedoch deutlich unter denen früherer Arbeiten, die mit deutlich kürzeren, stichwortartigen Antworten statt mit Erzählungen arbeiteten.

Lebenszufriedenheit lässt sich leichter hören als Autonomie

Die dritte und größte Studie schärfte das Bild. Hier erlaubten schriftliche Antworten zur Lebenszufriedenheit dem Modell, die Fragebogenergebnisse recht gut vorherzusagen, während die Vorhersagen für Autonomie deutlich schwächer waren. Als das Team ihr System mit modernen KI-Modellen (GPT-3.5 und GPT-4) verglich, waren die neueren Systeme noch besser darin, Lebenszufriedenheit aus Sprache zu lesen, aber nur geringfügig besser beim Erfassen von Autonomie. Um die Gründe zu verstehen, untersuchten die Autoren, welche Wörter in Antworten mit hohen bzw. niedrigen Werten häufiger vorkamen. Hohe Lebenszufriedenheit ging einher mit positiven Emotionen und sozialen Wörtern — Begriffe wie „Liebe“, „dankbar“, „Ehepartner“ und „Freunde“. Niedrige Zufriedenheit hingegen verwendete eher unsichere, problemorientierte Formulierungen wie „denken“, „scheinen“ und „vielleicht“.

Warum innere Freiheit schwerer zu lesen ist

Die Sprache, die mit Autonomie verbunden war, sah anders aus. Menschen mit niedrigeren Autonomie-Werten nutzten viele kognitive und evaluative Wörter, was auf Sorgen, Nachdenken und das Bestreben hindeutet, äußeren Erwartungen zu entsprechen. Personen mit höherer Autonomie verwendeten ebenfalls reflektierte Sprache, kombinierten diese aber mit Handlungs- und Agenturbegriffen — Wörter, die mit Wählen, Tun und dem Vorankommen in Richtung Ziele zu tun haben. Anstatt einiger weniger gemeinsamer Schlüsselwörter schien Autonomie in sehr individuellen Wegen ausgedrückt zu werden, abhängig vom Lebenskontext jeder Person. Das machte es für KI-Modelle, selbst sehr leistungsfähige, schwieriger, eine einfache sprachliche Signatur dieser tieferen psychologischen Eigenschaft zu erkennen.

Was das für den Einsatz in der Praxis bedeutet

Insgesamt kommen die Autoren zu dem Schluss, dass sprachbasierte Werkzeuge bereits ziemlich gut abschätzen können, ob Menschen mit ihrem Leben zufrieden sind — besonders wenn moderne KI zum Einsatz kommt. Sie haben jedoch Schwierigkeiten mit subtileren, persönlicheren Dimensionen des Wohlbefindens wie Autonomie und anderen Aspekten von Sinn und Wachstum. Vorläufig könnten diese Werkzeuge als wenig belastende, kontextreiche Ergänzungen zu traditionellen Umfragen nützlich sein — um Forschenden zu helfen, breite Trends im Glück aus alltäglichen Texten oder Sprache zu verfolgen. Sie sind jedoch noch nicht bereit, sorgfältige, multimodale Bewertungen in der psychischen Gesundheits- oder klinischen Praxis zu ersetzen, insbesondere wenn Entscheidungen ein Verständnis der komplexeren, inneren Schichten der Lebenserfahrung erfordern.

Zitation: Mesquiti, S., Cosme, D., Nook, E.C. et al. Language-based assessments can predict psychological and subjective well-being. Commun Psychol 4, 33 (2026). https://doi.org/10.1038/s44271-026-00400-3

Schlüsselwörter: Wohlbefinden, Lebenszufriedenheit, Autonomie, Sprachanalyse, Künstliche Intelligenz