Open Access

Das Promotionsprojekt ist interdisziplinär an der Schnittstelle von Mensch-Maschine-Interaktion und Coaching-Wirksamkeitsforschung angesiedelt. Im Rahmen des Projekts wird der Einfluss beziehungsbildender Faktoren auf die Beziehungsgestaltung im Chatbot-Coaching untersucht. Dabei wird die Domäne des Lern- und Studierenden-Coachings ausgewählt. Der Fokus liegt auf der empirischen Untersuchung von Rapport, Arbeitsbeziehung und sozialer Präsenz zwischen Coach und Coachee, also der Frage, ob und wie sich eine Beziehung zwischen Coaching-Chatbot und Coachee entwickelt. Dazu werden potentielle Wirkfaktoren (Self-disclosure, Empathie und User-Persönlichkeit) ausgewählt und aktuelle technologische Entwicklungen (Einsatz von generativer KI und Large-Language-Modellen) als mögliche Wirkfaktoren berücksichtigt. In einem ersten Schritt wird literaturbasiert herausgearbeitet, welche Faktoren zur Gestaltung einer Beziehung aus der Coaching-Forschung und der Forschung zur Mensch-Maschine-Interaktion in einen Coaching-Chatbot übertragbar sind. Im zweiten Schritt werden diese Faktoren zu Handlungsanweisungen und Interventionsstrategien operationalisiert und in experimentellen Studien anhand von Hypothesen untersucht. Daraus lassen sich drittens Empfehlungen für Forschung und Praxis ableiten. Als übergreifender Forschungsansatz wird eine Verbindung von Design-based Research und experimenteller Forschung gewählt. Dies beinhaltet einen Mixed-Methods-Ansatz, der qualitative, quantitative und psychophysiologische Messmethoden berücksichtigt sowie Messmethoden und -instrumente kritisch beleuchtet. Die Ergebnisse zeigen, dass die Faktoren (1) Self-disclosure des Chatbots, (2) empathische Rückmeldungen des Chatbots und (3) Paraphrasieren mit dem Large-Language-Modell ChatGPT-4 einen signifikanten Einfluss auf die Beziehungsbildung in der Domäne des Studierenden-Coachings mit Chatbots haben. Dabei zeigt sich der beziehungsbildende Effekt auf der Ebene der sozialen Präsenz, nicht auf der Ebene der Arbeitsbeziehung. Moderator- und Störvariablen (User-Persönlichkeit und emotionales Befinden der User) haben keinen Einfluss auf die Beziehungsbildung im Chatbot-Coaching. Konkrete Empfehlungen zum Conversation-Design und Prompting von Chatbots können auf struktureller und sprachlicher Ebene aus den Studien abgeleitet werden: Die Variation von klick- und schreibbasierter Interaktion, Text und Bild sowie Information und Selbstreflexion auf struktureller Ebene ist geeignet, um das Chatbot-Coaching abwechslungsreicher zu gestalten. Auf sprachlicher Ebene sollten Self-disclosure- und Information-disclosure-Aussagen variiert werden, ebenso wie empathische Rückmeldungen eines Chatbots eingebunden werden sollten. Darüber hinaus lassen sich Empfehlungen für die verantwortungsvolle Gestaltung von KI-basierten Coaching-Chatbots ableiten. Diese beinhalten die Entwicklung von hybriden Chatbots unter Berücksichtigung verschiedener Design-Ansätze, die Auswahl geeigneter Large-Language-Modelle für den jeweiligen Use Case, sorgfältiges Prompting als Teil des Conversation-Designs, eine intensivere Implementierung von generativer KI in Coaching-Chatbots sowie den Einsatz von sensorbasiertem Coaching. Das Promotionsprojekt leistet damit einen substanziellen Beitrag zum (1) Conversation-Design und Prompting von Coaching-Chatbots, zum (2) verantwortungsvollen Einbezug generativer KI in das Chatbot-Coaching sowie zu (3) Messmethoden und -instrumenten zur Untersuchung der Beziehungsbildung im Chatbot-Coaching. Die Arbeit schließt mit einem Ausblick auf die Zukunft des KI-basierten Coachings und damit einhergehenden Thesen zur Gestaltung von KI-basierten Chatbots sowie zukünftigen Forschungsfeldern. Die Arbeit trägt damit zu Forschung und Entwicklung in den Bereichen gesprächsbasier-te KI, Rapport-Forschung in der Mensch-Maschine-Interaktion sowie angewandte Psychologie, Coaching-Wirksamkeitsforschung und Hochschuldidaktik bei.

AI video generation models such as Open AI’s Sora make it possible to create ultra-realistic animations from scratch and seamlessly merge disparate visual content into new synthetic media. For its developers, however, Sora seems more than just a tool; they rather see it as a “world simulator.” But if Sora, trained on online video content scraped from YouTube or generated by game engines such as Unreal, is supposed to simulate a world, what world is it? As the short essay argues, it is a world of constant modulation and endless flows of patterns—a flat world, the world of platform capitalism.

This study explores the potential of generative AI, specifically Long Short-Term Memory (LSTM) networks, to advance collaborative choreographic composition within the framework of the Body Logic (BL) Method—a choreographic approach grounded in cognitive science designed to challenge inherited habits and practices in contemporary dance. Through five cognitive tasks that emphasize different movement types and their qualities, we investigate how LSTM networks recognize established movement patterns and innovate by combining them in novel ways, mirroring the processes of human creativity. Furthermore, we examine how LSTM-generated sequences, derived from learned data, convey expressive qualities through a variety of movements. The AI-generated movements closely follow the original movement trajectory but exhibit minor deviations attributable to the LSTM model’s inherent prediction uncertainty. These variations illustrate the model’s capability to introduce fresh elements while maintaining learned patterns, akin to human creativity. This research contributes novel perspectives on how technology can enrich artistic expression and challenge habitual decision-making in dance.

Text-to-image generative models offer an innovative method for creating visual content, exploiting the limitless potential of text-based inputs. However, the reliance on text prompts can lead to a labor-intensive process of experimentation for users aiming to achieve high-quality results. This has led to the development of a specialized prompt language with specific, descriptive keywords that users can exploit so as to achieve the best possible visual outcomes. Insight into prompting strategies can be obtained by analyzing the media generated and shared on text-to-image online platforms. Utilizing natural language processing (NLP) and visualization techniques, a detailed analysis of the prompts that led to the creation of images with exceptional popularity (by like count) was performed. The present study is focused on identifying the predominant topics and language patterns that contribute to the creation of images that receive high community ratings. Our analysis reveals a strong focus on surface aesthetics in prompts, which often emphasize conventional beauty and popular visual themes and a gravitation towards erotic and pornographic content. Positive prompts typically involve descriptions of female bodily features, blending elements of fantasy and realism. Negative prompts consistently counteract what seems to be perceived as visual imperfections, often describing body horror, marked by distorted human features as well as technical imperfections related to digital imagery in particular.

The question “What’s hidden in the hidden layers?” has been asked in artificial intelligence research since at least 1989. Likewise, today's answers to the challenges of deep learning remain the same as they were 35 years ago – from backpropagation to feature visualization and synthetic training data. Even the applications remain the same: nonlinear classification and self-driving cars. Once again, this reveals the surprising continuity of methods, applications, and rhetoric in the field of machine learning, that claims perpetual novelty, even though its roots stretch all the way back to cybernetics and its origins in control engineering. But the secrets of the hidden layers, it has become clear, are not only what is revealed by looking at their weights or their activation in response to particular inputs. This collection of texts explores the key themes and discussions of the second edition of the Hidden Layers conference, held at Köln International School of Design from June 12 to 15, 2024. Offering various perspectives on ‘hidden layers’, the conference was organized in two thematic tracks: “AI, Code & Material” and “AI, Society & (Visual) Culture.”