Emotionale Social-Media-Empfehlungen: KI lernt, Nutzerwohlbefinden zu schützen

In der heutigen digitalen Landschaft bestimmen Social‑Media‑Empfehlungssysteme maßgeblich, welche Inhalte Nutzer sehen und damit auch ihre emotionalen Zustände. Bisher wurden diese Systeme jedoch primär auf Engagement‑Metriken wie Klickrate, Aufmerksamkeitsdauer oder Scrollverhalten optimiert, ohne die Gefühle der Nutzer zu berücksichtigen. Wiederholte Exposition gegenüber stark emotional aufgeladenen Inhalten kann langfristig das Wohlbefinden beeinträchtigen.

Um diesem Problem entgegenzuwirken, stellt das neue Emotion‑aware Social Media Recommendation (ESMR) Framework einen innovativen Ansatz vor. Es kombiniert einen Transformer‑basierten Emotionen‑Prädiktor mit einer hybriden Empfehlungsstrategie: Während stabile emotionale Phasen ein LightGBM‑Modell für die Maximierung des Engagements nutzt, greift ein Reinforcement‑Learning‑Agent mit kausal informierten Belohnungen ein, sobald negative emotionale Zustände anhalten.

Durch eine verhaltensbasierte Evaluation über 30‑Tage‑Interaktionsspuren konnte ESMR nachweislich die emotionale Erholung der Nutzer verbessern, die Volatilität ihrer Stimmungen reduzieren und gleichzeitig die Bindung an die Plattform hochhalten. Der Ansatz zeigt, dass emotionale Sensibilität in Empfehlungssystemen möglich ist, ohne die Leistungsziele im Bereich Engagement zu gefährden.