Deepfake‑gestützte Methode misst Kausalwirkung von Bildattributen in Werbung

In der digitalen Werbung spielt visuelles Material immer wichtiger, doch bislang fehlt es an belastbaren Verfahren, um zu bestimmen, wie einzelne Bildattribute – etwa die Hautfarbe eines Modells – tatsächlich das Engagement der Zielgruppe beeinflussen. Ein neues Forschungsprojekt löst dieses Problem, indem es künstliche Intelligenz nutzt, um die Wirkung von Bildattributen aus Beobachtungsdaten zu isolieren.

Der Ansatz, genannt DICE‑DML (Deepfake‑Informed Control Encoder for Double Machine Learning), kombiniert drei innovative Techniken: Erstens werden mithilfe von Deepfake‑Generatoren Bildpaare erzeugt, die sich ausschließlich in dem zu untersuchenden Attribut unterscheiden. Zweitens kommt ein adversariales Lernverfahren zum Einsatz, das die Unterschiede zwischen den Bildpaaren analysiert und Hintergrundsignale herausfiltert, sodass nur die eigentliche Attributsignatur übrig bleibt. Drittens wird eine orthogonale Projektion angewandt, die die Behandlungskomponente geometrisch entfernt und so die Schätzung von Störfaktoren verbessert.

In simulierten Experimenten, bei denen die wahre Wirkung bekannt ist, reduziert DICE‑DML die quadratische Fehlerquote um 73 % bis 97 % im Vergleich zu herkömmlichen Double‑Machine‑Learning‑Methoden. Besonders beeindruckend ist die 97,5 %ige Verbesserung bei Null‑Effekten, was eine robuste Kontrolle von Typ‑I‑Fehlern signalisiert.

Die Methode wurde anschließend auf 232 089 Instagram‑Posts von Influencern angewendet, um die kausale Wirkung der Hautfarbe auf Likes und Kommentare zu bestimmen. Während klassische DML‑Analysen zu unplausiblen Ergebnissen führten (negative R²‑Werte), liefert DICE‑DML valide Schätzungen mit einem R² von 0,63, was die Effektivität der Kontrollmechanismen bestätigt.

Diese Entwicklung eröffnet Werbetreibenden ein neues, wissenschaftlich fundiertes Werkzeug, um visuelle Inhalte gezielt zu optimieren und die Wirkung von Bildattributen präzise zu steuern.