00:00:02: Wie ich lernen kann aus den Daten und Verhalten oder auch andere Signale wie z.B.

00:00:08: Hirnaktivierung beeinflussen kann, Ratingdaten wo Menschen auf dem Smartphone zum Beispiel verschiedene Fragen beantworten.

00:00:14: Es gab Schülerinnen die gerade die Aufgaben dann gemacht haben wenn es denen schlecht ging und das Gefühl hat ihnen auch geholfen.

00:00:20: Kann ich durch KI das ein bisschen besser personalisieren.

00:00:24: Also kann ich die Zuweisung dieser Gesundheitsangebote an dem Moment und an den Kontext, in denen der Mensch ist und dann seine eigene persönliche Dynamik anpassen?

00:00:34: Hallo und herzlich willkommen zu einer neuen Folge von Dr.

00:00:37: Med-KI.

00:00:38: AI and Brainhals!

00:00:40: Wir wollen heute über Zeitrain sprechen, also dynamische Signale die sich über die Zeit verändern wie diese mittels KI Algorithmen analysiert werden können und wie man sie im Bereich der Psychiatrie anwenden kann.

00:00:54: Und ich freue mich sehr über meinen heutigen Gast der hier ist Professorin Georgia Koppel.

00:00:59: Magst du dich vielleicht kurz vorstellen?

00:01:01: Ja,

00:01:01: danke Kerstin für die Einladung erstmal.

00:01:03: Also ich bin Georgia, ich bin Professorin für wissenschaftliches Rechnen an der Heidelberger Universität war lange in der Psychiatrie also im psychiatrischen Forschungsbereich und habe mich jetzt ein bisschen erweitert auf Psychologie mit ferdigsten Sinne und an der Schnittstelle mit KI.

00:01:23: Spannend!

00:01:23: Mein Name ist Kerstine Ritter.

00:01:24: Ich bin hier vom RTAA-Institut für AI & Brain Health.

00:01:30: Was sind so die drängesten Forschungsfragen in deinem Feld?

00:01:35: Was interessiert dich?

00:01:37: Ja, was mich persönlich interessiert ist wie ich Verhalten oder auch andere Signale wie zum Beispiel Hirnaktivierung beeinflussen kann indem ich Zusammenhänge im Verhalten und in der neuronalen Aktivierung lernen kann aus den Daten.

00:01:52: Und wie diese Zusammenhinge dann wiederum nutzen kann um die zu beeinflussend.

00:02:00: Du analysierst jetzt Zeit rein.

00:02:02: Was sind Beispiele für Zeit?

00:02:04: Was schaust du wieder an?

00:02:05: Wir haben vor allem zwei ... Denke ich mal große Bereiche oder größere Bereichen.

00:02:09: Das eine sind Rating-Daten, das heißt wir nennen die Ecological Momentary Assessments oder EMA Daten in kurz.

00:02:15: Das sind Raiting-Darten wo Menschen auf dem Smartphone zum Beispiel verschiedene Fragen beantworten auf sogenannten Likertskala von eins bis sieben.

00:02:23: wie gut geht es mir?

00:02:25: Oder wie viel Sorgen habe ich?

00:02:27: solche Daten und die anderen großen Daten die wir analysieren sind vor allem Hirnsignale meistens aus dem mittels funktionelleren Magnet Resonanzdemografie also FMAT, aber auch andere.

00:02:37: Also zum Beispiel auch elektrophysiologische Daten von Tieren oder EEG-Daten so was, das wir halt aufnehmen können und manchmal auch gekoppelt mit Verhalten während Experimenten.

00:02:50: Und diese Zeit rein?

00:02:53: Wie sind die aufgebaut?

00:02:55: Zum Beispiel für die EMA-Date werden diese Daten über Tage wochen wie oft werden die Leute befragt?

00:03:02: Sehr unterschiedlich.

00:03:04: Also für die Art von Methoden, die wir gerne anwenden und auch mit entwickeln brauchen wir schon ein bisschen mehr Daten.

00:03:11: also wir brauchen eigentlich schon über im besten Fall über Wochen wenn es um EMA-Daten geht manchmal auch über Monate.

00:03:17: aber vor allem ist das gar nicht so wichtig dass es ganz viele Monate oder Wochen sind sondern dass sie viel am Tag sind, also das wir so eine Art Intent-Sampling haben.

00:03:27: Wo wir wirklich auch Zusammenhänge ganz gut erkennen können in den Hirnsignalen beispielsweise haben mehr pro Sekunde und manchmal mehr sogar Aufnahmen je nachdem welche Sampling Methode verwendet wird Und da haben wir dann eben mehr Informationen über die zeitliche Entwicklung.

00:03:43: So ist es bei den immer Daten auch.

00:03:44: Also im besten Fall viele Ratings am Tag vielleicht sechs acht und das dann über mehrere Wochen.

00:03:53: Ratings, die machen dann Probanden oder Versuchspersonen, Patienten und Kontrollen ganz unterschiedliche Gruppen.

00:04:00: Genau, also wir hatten... Also es ist immer so eine Frage ob man klinische Studie macht oder erst mal eine Forschungsstudie und wir sind immer noch in der Forschungsstudie in diesem Bereich.

00:04:07: Und da haben jetzt zum Beispiel eine Studie durchgeführt mit zusammen auch mit unserem Public Mental Health Department wo wir auf Jugendliche zugegangen sind, zwischen sechzehn oder mal auch älter die sich aber trotzdem schon ja die Neigungen zu negativen Gefühlen und sowas hatten.

00:04:24: Die auch einen Bedarf hatten sich besser fühlen zu wollen Und genau das sind dann also keine Patienten, aber trotzdem Menschen wo wir denken die können von einem Angebot profitieren.

00:04:35: Bei den Hirnsignalstudien ist es sehr unterschiedlich ob das jetzt Patienten sind oder gesunde

00:04:39: Probanden Und die Jugendlichen fanden das gut, am Handy so oft solche Fragen zu beantworten.

00:04:47: Es ist eine spannende Frage.

00:04:48: also wir haben in dieser Studie es war ein größeres Projekt und es wurde auch begleitet durch sogenannte partizipativer Begleitforschung wo viele Befragungen gemacht wurden mit kleinen Gruppen und wirklich noch mal qualitativ untersucht wurde.

00:04:58: wie haben die Schüler das empfunden?

00:05:01: Die Rückmeldung waren überwiegend positiv Eigentlich überraschend positiv aus meiner Sicht.

00:05:07: Klar gibt es natürlich auch Rückmeldungen, dass das manchmal auch gestört hat gerade wenn man im Unterricht ist und dann vielleicht mal der in anderer Schüler neben einem war und man das Gefühl hatte man muss jetzt eigentlich ja man kann grad nicht.

00:05:17: aber überwiegend hatten wir auch sehr positive Rückmeltung dass die dass die Schülerinnen auch selber gelernt haben indem sie diese Frage ausgewertet haben oder eingegeben haben selbst über sich sehr viel gelernt haben.

00:05:30: also zum einen hatten Sie auch kein Problem damit die Daten zu teilen was mich überrascht hat.

00:05:35: Die Jugendlichen sind sehr offen ihre Daten zu teilen, weil sie ihr Staat als traurigerweise das Gefühl haben dass sie eh schon großen Datenverlust haben und viel schon solche Apps machen.

00:05:45: aber sie sind bereit für medizinische Zwecke sowas zu teilen und fanden es dann wie gesagt spannend über sich selber Dinge zu lernen und selber zu reflektieren.

00:05:54: warum geht's mir eigentlich so?

00:05:55: Warum habe ich das gerade angeklickt oder warum hab ich das grad ausgefüllt?

00:05:59: Das heißt, Sie haben dann auch direkt eine Rückmeldung gekriegt oder Sie hatten auch Zugang zu Ihrem Zeitrein und zu sehen wann es Ihnen besser geht und wenn es Ihnen schlechter geht?

00:06:07: Ja also es wurde ein Dashboard entwickelt.

00:06:10: Auch wo man später auch reingucken konnte und sich seine Zeit rein über die Zeit, also seine angegebenen Zeit rein und Werte angucken konnte.

00:06:18: Genau das heißt man konnte das reflektieren.

00:06:20: Und ich weiß aber gar nicht so sehr ob das jetzt wirklich auf das Dashboard... abzielte.

00:06:24: diese Rückmeldung oder wirklich einfach die Tatsache, dass ich sowas gefragt werde.

00:06:29: Sowas eingebe und dann auch selber anfangen mich zu fragen ja wie geht's mir eigentlich?

00:06:34: Ja interessant!

00:06:35: Und wie alt waren die Jugendlichen?

00:06:37: Ja so unterschiedliche genauen Einschlusskriterien habe ich gerade gar nicht im Kopf aber so im Bereich von sechzehn, achtzehn Jahren in diesem überwiegenden Bereich

00:06:46: Ach, okay.

00:06:47: Und mussten Sie immer zu einem bestimmten Punkt diese Fragen beantworten?

00:06:50: Also habt ihr das gebraucht für die Zeit rein, dass es eine genauer zeitliche Auflösung hat oder war das auch ein bisschen flexibel?

00:06:55: Das hatte sich auch aus von drei Studien und jetzt des Designs hat sich danach über die Zeiten ein bisschen geändert weil wir auch versucht haben quasi in Abhängigkeit der Rückmeldungen, die wir bekommen haben für die Studie Auch ist die experimentelle Design ein bisschen anzupassen.

00:07:06: Es war explizit so iterativ gedacht Dass die Begleitforschung uns hilft dabei dann auch die Einstellung ein bisschen besser zu machen Und es waren nicht immer feste Zeiten.

00:07:16: Es konnte halt dann auch ein bisschen randomisiert am Tag kommen und man konnt's auch wegdrücken, also man muss das natürlich dann auch nicht ausfüllen.

00:07:22: Und es gibt natürlich auch viele wo die Daten jetzt nicht so üppig sind, die den nicht jedes Mal ausgefüllt haben oder wo es Tage gab, wo sie halt gar nicht ausgeführt haben und an den nächsten drei Tagen wieder voll.

00:07:31: Das war sehr unterschiedlich.

00:07:33: Ja und ich meine fehlende Daten sind natürlich auch mal ein Problem in der Datenanalysie.

00:07:38: Wie geht ihr damit um?

00:07:39: Habt ihr denn teilweise Leute komplett rausgenommen Versuch zu ersetzen.

00:07:43: Also wir entwickeln Modelle, die im Grunde auch damit umgehen können wenn Daten fehlen.

00:07:49: also man sagt Missings oder Nans und manchmal war es interessant ist jetzt nochmal zur Rückmeldung dass diese Missing wie wir sie nennen tatsächlich auch informativ sein können.

00:07:57: also deswegen ist das eigentlich gar nicht so unspannend die zu haben und zwar hatten ja auch die Rückmeltungen sehr unterschiedlich in dem Bereich.

00:08:04: Es gab Schülerinnen Die gerade die Aufgaben dann gemacht haben, wenn es den schlecht ging und das Gefühl, dass hat ihnen auch geholfen.

00:08:12: Und dann gab's aber welche, die gesagt haben nie als es mir schlecht ging.

00:08:14: Als ich gemerkt habe, ich war sehr angespannt konnte ich das gar nicht machen ja?

00:08:18: Dann hat man diese Informationen aber auch in den Daten weil sie zu dem Zeitpunkt eben nichts gemacht haben und das ist aber sehr individuell unterschiedlich.

00:08:26: Aber ansonsten ist natürlich so, dass KI-Modelle Daten wollen und man natürlich gucken muss was man entweder sehr effiziente Modelle hat oder versucht in irgendeiner Weise über die Daten zu integrieren sodass man die optimal nutzen kann.

00:08:38: Es ist natürlich schon schöner, wenn wir auf passive Daten umschwingen können, so dass wir nicht immer interferieren müssen mit dem eigentlichen Prozess.

00:08:47: Und wenn ihr jetzt diese Zeit rein habt von den Leuten?

00:08:50: Was sind jetzt die Modelle, die euch anschaut und wie geht ihr daran?

00:08:54: Also wir kommen so aus der Ecke dynamische Systeme und das kann ich mal kurz erklären.

00:08:58: Also prinzipiell ist es jetzt erstmal so, dass sich eine Zeitreihe dadurch charakterisiert, dass ich zeitliche Abhängigkeiten habe und man kann sich das so vorstellen.

00:09:05: wenn ich eine zeitliche abhängigkeit hab dann habe ich informationen aus vorherigen Datenpunkten über zukünftige Datenpumpte weil da eben eine Abhängigkeit drin ist.

00:09:14: und wenn ich diese Abhängkeit lernen kann Das heißt, wenn ich aus den Daten diesen Zusammenhang identifizieren kann.

00:09:20: Dann könnte ich den ja theoretisch nutzen auch vorher sagen zu treffen.

00:09:23: also dann könnte ich eben diese Funktion nehmen und wieder anwenden versuchen zukünftige Datenpunkte zu prädizieren.

00:09:31: Und unser Prädiktionsansatz besteht vor allem darin diesen generativen Prozess zu lernen.

00:09:36: Also die Funktion meine letzte Datenerhebung auf die nächste Map sozusagen also die funktionelle Beziehung dazwischen Und das ist so der Ansatz, den wir verfolgen jetzt grob gesagt bei diesen Modellen.

00:09:49: Okay und das funktioniert dann für einzelne Schüler und Schülerinnen dass man dieses generative Modell lernt und dann auch weitere also die Zukunft quasi vorhersagt wie sie sich in der Zukunft fühlen werden?

00:10:02: Also wir haben eine relativ umfangreiche Evaluation jetzt gemacht wo wir mehrere Datensätze genommen haben und irgendwie das verschiedene Modelle getestet haben in ihrer Vorhersagefähigkeit Und es ist natürlich nicht ganz einfache Daten, muss man sagen.

00:10:15: Viele Informationen fehlen uns auch aber wir können statistisch zeigen dass wir besser vorhersagen können als viele einfachere Modelle beispielsweise.

00:10:22: und ja Mittelwertstatistiken oder sowas die man dann auch testen kann.

00:10:26: das heißt da ist prädiktiver Charakter drin.

00:10:30: jetzt hängt das natürlich sehr von der Person ab Es hängt wirklich auch.

00:10:34: also man muss sich überlegen Ist die Information denn in den Daten?

00:10:36: hat ein Mensch so so geantwortet, dass da auch wirklich etwas zu prädizieren ist.

00:10:42: Und das ist sicherlich nicht für alle der Fall und dann hängt es ein bisschen davon ab wie viel ausgefüllt wurden.

00:10:47: wenn jemand eben nur einmal am Tag was ausgefillt hat dann wird's auch wirklich schwierig und man kann zum Beispiel auch sehen, dass es bestimmte Fragen gibt die man einfacher prädizzieren kann als andere.

00:10:57: Das heißt es hängt sehr von dem von der Art von Frage ab wie die Variate über die Zeit von davon wie der Mensch das auch anwendet und letztendlich natürlich auch ob die Modelle das identifizieren können.

00:11:07: Welche Fragen kann man denn gut prädizieren?

00:11:15: Ich weiß, dass es mehr die psychologischen Skalen waren, die man ganz gut präzisieren kann.

00:11:18: ... schläfrig sein oder eher physische Orienteskalen, waren schwieriger zu prädizieren.

00:11:26: Was eigentlich so gesehen für uns auch ganz gut ist, weil wir eher auf die psychologischen Skalen abheben... aber die genaue Reihenfolge müsste ich jetzt noch mal gucken.

00:11:34: Es war aber relativ konsistent zwischen den verschiedenen Samples und auch zwischen den Methoden.

00:11:40: also es war spannend dass das nicht nur mit unserer bevorzugten Methode in dieser Reihenfolge war, sondern auch mit anderen Methoden, die wir gesehen haben.

00:11:47: Es scheint irgendwas in den Daten, Informationen zu sein.

00:11:50: Wie hoch waren denn generell so die Variationen?

00:11:53: In den Antworten?

00:11:54: Also ich kann mir vorstellen das meint man immer es geht ihnen ganz gut und dann geht's ihnen ganz schlecht, dass sie da viel Schwankung sind und bei anderen, dass es relativ gleich ist was ja für dieses System auch einfacher als zu lernen wenn es immer gleich ist.

00:12:04: So

00:12:04: wie du sagst sehr unterschiedlich.

00:12:06: also es gibt bestimmte Items auf jeden Fall hier auch mehr variieren als andere.

00:12:10: Es hängt wirklich sehr vom Individuum ab.

00:12:13: Wir sehen natürlich, dass da eine gewisse Trägheit drin ist oder deswegen kann man sogar sehr gut.

00:12:19: Wenn man einfach nur den letzten Zeitschritt nimmt als Predictor für den nächsten Zeitschnitt dann ist ja schon recht gut.

00:12:25: also da bin ich bei einer Abweichung von einem maximalen Punkt oder so im Schnitt wenn ich einen Rating von eins bis sieben habe.

00:12:31: das heißt da ist eine gewissen Trägkeit drin und spannend sind denn eigentlich gerade ob man es scharf die Veränderungen zu prädizieren die man dann halt irgendwie auch therapeutisch nutzen möchte.

00:12:41: Ja genau, was will man denn eigentlich machen?

00:12:42: Also wenn sie sich jetzt schlecht fühlen... Was kann man dann tun und was gibt es da für Möglichkeiten?

00:12:46: Genau in dieser... Natürlich hat man immer auch Psychotherapie-Methoden wie man verwenden kann.

00:12:50: In der Studie hatten wir kleine psychologische Trainings, die wir auf dem Smartphone angeboten haben.

00:12:56: Das waren verschiedene also beispielsweise eine kleine Meditationsübung oder Man soll sich an einen ruhigen, wohlfühlenden Ort, den man sich vorher überlegt hat sich vorstellen, da zu sein.

00:13:10: Und also mehrere von solchen psychologisch wirksamen Tars die wie gesagt von unserer Public Mental Health und mitarbeiteten Abteilungen auch konzipiert wurden als psychologische Gesundheitsangebote.

00:13:24: Und jetzt ist es so, das waren verschiedene davon und wir sehen aber auch in den Daten dass unterschiedliche Leute da unterschiedlich darauf anspringen.

00:13:31: Ist ehrlich ähnlich wie in der Psychotherapie wo wir das immer wiedersehen was verschiedene Angebote einfach für verschiedenen Menschen effektiv sind.

00:13:38: Es ist eigentlich ein durchweg interessanter Befund den wir mal wieder sehen und so ist es eben auch bei diesen Trainings.

00:13:44: und die Idee von dieser Studie war jetzt zu gucken kann ich durch KI das ein bisschen besser personalisieren.

00:13:51: Also kann ich die Zuweisung dieser Gesundheitsangebote an den Moment und an den Kontext, in denen der Mensch ist und dann seine eigene persönliche Dynamik anpassen?

00:13:58: Und das haben wir damit probiert.

00:14:00: Genau!

00:14:01: Das heißt also ihr habt quasi zu jedem Zeitpunkt oder ab und zu gesagt okay jetzt macht diese und jene Übung und dann habt ihr geguckt... Danach, ob es ihnen auch besser geht und dann auch über einen längeren Zeitraum oder nur kurzzeitig danach.

00:14:14: Oder habt ihr das auch über eine längere Zeit verfolgt?

00:14:17: Ja,

00:14:17: es gibt zwei wesentlich verschiedene Messmethoden.

00:14:20: also so wie du sagst man weist dann Intervention zu manchmal über die KI und manchmal einfach nur probabilistisch.

00:14:30: Und das versucht man dann zu kontrastieren, genau, zufällige Zuweisung.

00:14:33: Einfach damit man die Bedingungen vergleichen kann am Ende.

00:14:35: und man muss sich vorstellen dass es eh schon ein schwieriger Vergleich weil alle Interventionsangebote im Grunde ja schon designed wurden um zu helfen.

00:14:44: Was war denn jetzt?

00:14:44: eine zweite Frage?

00:14:46: Genau, wie misst man das dann.

00:14:48: Also zum einen können wir gucken vorher vor der Studie und nachher nach der Studiwiesig die allgemeinen gesundheitsbezogenen Ratings also wie sich Symptome oder Gefühle verändern.

00:15:01: Und daher gibt es verschiedene Skalen, die man sich da anguckt.

00:15:03: und da sehen wir im Prinzip in allen drei Studien dass es signifikante Verbesserungen in der Psychologie gibt was man sozusagen als lang oder ich weiß nicht, ob man Langzeiteffekt nutzen kann.

00:15:14: Man kann natürlich sicherlich auch viele Monate später noch mal fragen aber in dieser Zeit, in diesem Zeitraum von sechs Wochen wo sie die Studie durchgeführt und hatte zu einer insgesamt globalen Verbesserung geführt dann kann man natürlich auch gucken wie ist es instantan?

00:15:26: Und zwar kann ich gucken wie geht's mir im nächsten Zeitpunkt?

00:15:29: also hat sich ja sofort eine Willkung von dieser Intervention.

00:15:32: Ich kann aber auch versuchen, anhand der Modelle zu prädizieren.

00:15:35: Zum Beispiel auf einen Tag hinweg zu gucken wie entwickelt sich das denn?

00:15:39: Ist es durchaus denkbar dass es dieses Übungen gibt die erst mal unangenehm wirken auf die Psyche weil ich mich vielleicht mit irgendwas auseinandersetzen muss oder irgendwelche Gefühle zulassen muss und die aber langfristig dann doch wieder ein positiven Effekt haben.

00:15:50: Das heißt gibt da verschiedene Zeitskalen die interessant sind sich anzugucken und die wir uns angucken.

00:15:57: Nachdem jetzt diese Studie durchgeführt worden ist, ist die Idee das Breiter anzuwenden und auch mehr Schülerinnen zugutekommen zu lassen oder?

00:16:06: Ja im Grunde schon.

00:16:07: Es ist immer eine Frage der Finanzierung muss man dann auch sagen also des Grundgeriss steht.

00:16:12: wir haben ja auch schon Folgeantrag gestellt wo wir hoffen dass er auch noch positiv evaluiert wird Und dann könnte man sowas dann weiter skalieren.

00:16:20: Also mittlerweile sind schon wieder neue Apps entstanden, sodass man wieder versuchen muss die KI ein bisschen anders einzubauen wie eine technische Entwicklung notwendig.

00:16:29: aber auch sind wir auch weiter.

00:16:30: Wir haben jetzt diese Datensäße das heißt wir können auch da noch mal optimieren welche KI wir einbauen wollen wie die Parameter genau aussehen sollen ob wir vielleicht noch ein bisschen cleverer über die Daten integrieren können.

00:16:39: also wir können jetzt auch viel optimieren was die Methode angeht und dann ist schon angedacht es weiter zu machen.

00:16:44: Aber das hängt davon ab ob wir das auch finanziert bekommen.

00:16:48: Aber das würde ja dann schon Psychotherapie eigentlich ersetzen wollen und man hätte quasi nur die App auf einem Handy.

00:16:56: Da bin ich natürlich sehr vorsichtig, also ich würde sowas nie als kompletten Ersatz nehmen.

00:17:00: Sondern eher aus... Es hat mir auch dann als Rückmeldung teilweise von so einer Teilnehmern das halt durchaus geholfen.

00:17:05: aber ich denke auch nicht dass es eine ganze Psychotherapie ersetzt.

00:17:08: Ich denke da eher an Konzepte in der Zukunft zum Beispiel wenn man nicht sofort in die klinische Versorgung kommt, dass man auch Wartezeiten überbrücken kann und einfach schon mal selber was für mich tun kann.

00:17:18: vielleicht ist man auch noch nicht sofort gleich krank aber braucht einfach nur Unterstützung im Alltag, vielleicht eine Reflexion im Alltag.

00:17:25: dafür ist es sicherlich nicht verkehrt.

00:17:27: Und das dritte, was man andenken kann nur aus ja auch teilweise schon überlegt haben und auch in einer Studie – in anderem Sinne ohne KI aber auch mit Rückmeldung von Statistiken probiert haben ist dass man es mit Psychotherapie koppeln kann.

00:17:39: also im Prinzip könnte man ein Smartphone im Alltag oder eine App im Smartphone auf Ja, aufs Smartphone-Laden.

00:17:47: Die Patienten füllen regelmäßig Fragen aus und der Therapeut kriegt dann wie eine Art Zusammenfassung über simple Statistiken.

00:17:56: Wie hat sich das verändert?

00:17:57: Wann war das besonders schlecht?

00:17:58: die Stimmung?

00:17:58: Was ist da passiert?

00:17:59: Kriegt noch objektive Rückmeldungen.

00:18:01: So ein bisschen, wie man früher Tagebücher geführt hat oder wo die Psychotherapeutin einem Aufgaben mitgegeben hat, den man jetzt aber ein bisschen systematisierter machen kann.

00:18:09: vielleicht ein bisschen einfacher auch weil es einfacher ist wenn mal so ein bisschen gefragt wird als wenn ich da selber einen Buch rausholen muss oder ein Dokument.

00:18:17: Und dann hat man ein bisschen objektiver Statistiken, die vielleicht auch in der Psychotherapie helfen.

00:18:24: Ja spannend!

00:18:25: Wie spezifisch ist die App für Jugendliche?

00:18:29: Würde die für Erwachsene eigentlich genauso funktionieren?

00:18:31: Das ist jetzt eine Frage, die man wahrscheinlich nicht Rapäuten stellen müsste weil wie gesagt die Interventionen-Design.

00:18:35: Ich würde denken dass das schon allgemeine Übungen sind, die sich übersetzen lassen und sich übertragen lassen.

00:18:43: Aber ich weiß, ich kenne jetzt keine Zahlen über die Wirkmechanismen in den unterschiedlichen Stichproben.

00:18:50: Also wahrscheinlich hängt schon davon ab dass sich ein bisschen mit Smartphones umgehen kann und dass ich offen bin für solche Übungen.

00:18:54: Ich habe das Gefühl, dass jüngere Menschen da manchmal ein bisschen offener sind sieht man auch in den Fragen.

00:18:59: wie gesagt hier sind sehr bereit an solchen Dingen teilzunehmen.

00:19:03: viele von denen haben bereits Gesundheits-Apps getestet ob es jetzt irgendwelche Sportapps sind oder Ernährungs-App.

00:19:08: also diese Idee Optimierung ist glaube ich schon sehr stark verankert in Jugendlichen.

00:19:12: Das kann man sicherlich auch kritisieren.

00:19:15: Aber genau, man muss wahrscheinlich offen sein das dann noch wirklich zu machen und vielleicht auch teilweise am Anfang noch angeleitet werden ist auch richtig zu machen.

00:19:22: Ja, was für zusätzliche Daten findest du spannend?

00:19:25: Also du hast schon mal passive Daten, die mit dem Smartphone erhoben werden... Was zum Beispiel...?

00:19:31: Man kann ja mittlerweile sehr viel erheben mit diesen Smartphones und da zum Beispiel ob es jetzt GPS-Daten sind und ich später gucken kann Wo hat sich jemand befunden?

00:19:42: Und ich kann das matchen mit einer Karte und kann gucken, war ich jetzt irgendwie unter Menschen.

00:19:46: War ich im grünen Bereich?

00:19:49: Habe ich mich viel bewegt?

00:19:50: Das macht sehr viel für unsere Psyche auf uns bewegt haben.

00:19:54: Auch wenn es nur ist dass ich lange zu Hause war und ich davon ausgehen kann, dass ich gut geschlafen habe oder... Also sehr unterschiedlich.

00:20:02: Es gibt sicherlich Leute, die sich dann anfangen wenn sie nicht gut geht zurück zu ziehen und vielleicht mehr Zeit zu Hause zu verbrichen und umgekehrt.

00:20:08: oder wenn ich mir an jemanden denke der vielleicht eine Alkohol sucht hat oder so und ich merke okay da ist jetzt am neun Uhr abends in meiner Bar vorbei gelaufen sollte ich vielleicht eine Message geben sagen oh jetzt musst du aufpassen oder wenn Ich das sogar prädizieren kann anhand der Anspannung vielleicht weil ich noch zusätzlich Herzrate mit messe.

00:20:25: also solche Sensoren wäre natürlich super interessant Aber macht das natürlich auch sehr viel schwieriger an so einem Studiendesign.

00:20:34: Aber auch weitere Daten, die ich passiv aufnehmen kann wie auf dem Handy zum Beispiel wenn ich in irgendwelchen Social-Media-Netzwerken drin bin.

00:20:40: Wie oft chatte ich mit meinen Freunden über Facebook oder heutzutage TikTok?

00:20:46: Ich weiß nicht was man heutzuttag alles nutzt!

00:20:50: Natürlich kann man sich vorstellen dass da ganz viele Informationen drin

00:20:52: steckt.

00:20:54: Und sind das auch Daten, die Jugendliche vor allem teilen würden?

00:20:57: Wahrscheinlich schon.

00:20:58: Wir haben halt nicht ganz spezifisch nach verschiedenen Apps gefragt aber wir hatten bevor wir mit der Studie angefangen haben allgemein gefragt wie offen sie sind ihre Daten zu teilen auch für verschiedene Daten.

00:21:08: auch glaube ich TPS war dabei und es hatte mich tatsächlich überrascht sehr große Anteile keine Probleme hat damit zuteilen.

00:21:15: Das liegt teilweise daran wie gesagt weil Sie eh schon das Gefühl haben dass sie ständig irgendwelche Daten frei geben müssen für die Anwendung anderer kommerzieller Apps.

00:21:24: Und zum anderen aber auch, dass sie sagen na gut das ist dann jetzt hier Gesundheitszwecke und ich gebe eh schon mal eine Datenpreis.

00:21:29: warum da nicht gerade auch hierfür für die Forschung und für die Verbesserungen von öffentlicher Gesundheitsversorgung.

00:21:35: Das waren so die zwei Faktoren, die ich noch in Erinnerung habe.

00:21:38: Ja nach einer Frage zur Modellierung.

00:21:41: wenn man jetzt diese passiven Daten hat und hier man zu Hause ist kann das ja unterschiedliche Gründe haben.

00:21:44: können sein dass ihm wirklich schlecht geht kann aber auch sein dass er es beigebrochen hat.

00:21:48: wie kann man mit solchen Variablen umgehen?

00:21:51: Kann man die KI-Algorithmen darüber informieren?

00:21:55: Wie würde ihr das machen?

00:21:57: Ja, das ist eine spannende Frage.

00:21:58: Also wie du auch sagst was auf jeden Fall so ist dass wir sehr unterschiedliche Dynamiken haben das sehen wir auch.

00:22:03: die ja eine Predictor also eine Variable die bei einer Person prädektiv ist es bei der anderen nicht mehr prädiktiv und damit geht man zum einen natürlich um dass man dass sie Methoden auf die Personen individualisiert sind.

00:22:16: Natürlich ist es auch denkbar Dinge, wo wir dann Abweichungen sehen, weil etwas von der Norm irgendwie über ein gesehenes Modell macht.

00:22:21: Andere vorhersagen als vor zwei Wochen oder so, dass man das als Anlass nehmen kann nochmal nachzufragen und zu gucken ist da gerade irgendwie was passiert?

00:22:31: Das ist aber wieder nicht ganz so.

00:22:32: Daten getrieben also es macht natürlich immer schwieriger wenn man dann noch was Zusätzliches einbauen muss.

00:22:37: Also was schon spannend wäre für die Zukunft ist, wenn man die Modelle adaptiv mit Daten füttern kann.

00:22:42: Es könnten vielleicht neue Variablen dazukommen andere werden vielleicht wieder rausgenommen.

00:22:48: Aber wie gesagt, das haben wir jetzt in der Form noch nicht gemacht.

00:22:51: Also wenn jetzt nicht mehr das Bein bricht beispielsweise da hätten wir jetzt so gesehen keine Lösung für.

00:22:55: es kann halt nur sein dass es in der Statistik die dann produziert wird in Waffe zur Veränderung führt.

00:22:59: Genau und die müssen sich dann nochmal genauer angucken.

00:23:02: ja vielleicht nochmal zum anderen Thema zu den funktionellen MRT-Daten.

00:23:08: was schaut ihr euch da an?

00:23:10: Was ist da die Anwendung?

00:23:11: Ja, auch das im Grunde haben wir den ähnlichen Ansatz.

00:23:14: Also die Idee ist immer dass wir Zusammenhänge aus Daten identifizieren, also lernen wie man im KI-Bereich sagen würde und eine Art Abbild von diesem System machen.

00:23:25: was wir versuchen zu lernen.

00:23:26: Wenn wir zum Beispiel das Gehirn haben kann doch Gehirnenverhalten sein.

00:23:29: Versuchen wir als ein Modell zu lernen als Abbild genutzt werden kann von dem Gehirn, sodass wir das dann simulatieren können.

00:23:38: Also ein generatives Modell was wir simulieren können worauf wir dann Berechnung durchführen können, dies wird perturbieren können dass wir mechanistisch analysieren können einfach.

00:23:46: Das heißt wir versuchen wirklich aus den Zeitreinen des Gehirns einen Modell vom Gehirnen zu lernen und dann so gucken kann ich mit diesem Modell bestimmte Zustände erzeugen.

00:23:59: Also könnte ich zum Beispiel den Zustand vom Gehirn verändern, indem ich irgendwo einen bestimmten Punkt ansetzen würde, seien es über experimentelle Reize wenn ich darüber Informationen habe aber sei es auch einfach Insimulation.

00:24:14: wo müsste ich stimulieren?

00:24:15: Wo muss sich die Gehirneaktivität auslenken um das Gehirnen in einer anderen Zustand zu überführen?

00:24:20: Konkret hatten wir da gerade also fangen wir gerade mit an und wir haben Datensatz von Ja, remittierten depressiven Patienten und Gesunden die eine Art Stimmungsinduktionsparat immer durchlaufen haben wo sie einmal in einer hohe Bedingung waren.

00:24:37: Wo Sie eigentlich quasi nichts machen mussten.

00:24:40: Und eine andere Bedingungen wo sie ganz negative traurige Worte gesehen haben gelesen haben so dass sie sich auch negativ gefühlt haben.

00:24:47: das kann man auch nachweisen und messen.

00:24:49: Die Idee ist dann zum Beispiel zu gucken wie passiert diese Übergang?

00:24:53: Wie komme ich von dem einen Zustand den anderen und auch wieder zurück.

00:24:57: Und sowas kann man in Simulationen rechnen, also wenn ich ein Modell vom Gehirn habe was während diesen Zuständen gemessen wurde, kann ich nachher gucken wie oder wo müsste ich, wie stimulieren um dieses System in einen anderen Zustand zu überführen.

00:25:12: Das sind Sachen die wir gerade machen und was man natürlich langfristig vielleicht dafür nutzen kann um auch Stimulationsparadigmen therapeutisch zu nutzen.

00:25:22: Wie muss ich zum Beispiel über nicht-invasive Verfahren, das gibt ja im Neuroimaging Bereich.

00:25:28: Nicht-inversive Stimulationsverfahren, worüber ich hier in Stimulation betreiben kann.

00:25:33: Kann ich das vielleicht noch optimieren?

00:25:35: Kann ich vorher sagen durch das Modell wie eine Stimulation das Gehirn beeinflusst und kann ich diese Vorhersagen nutzen um die Schleife quasi rückwärts aufzusehen und zu gucken wie muss sich jetzt stimulieren um etwas Bestimmtes zu erreichen?

00:25:48: Und was für Erkrankungen denkst du da?

00:25:50: Also das gerade von Depressionen gesprochen als eine Anwendung.

00:25:53: Aber

00:25:54: ja, es muss vielleicht auch gar nicht Krankheiten sein.

00:25:55: Es kann auch sein dass ich meine Performance oder dass ich irgendwie auch mechanistische Fragen über das Gehirn habe und Ich mache grad eine kommunative Aufgabe und ich möchte ich möchte stören.

00:26:04: Ich möchte gucken wo kann ich am besten diese Aufgabe stören oder wo kenne ich möchte.

00:26:07: Am besten dieser Aufgabe irgendwie vielleicht sogar noch die Performance verbessern.

00:26:11: und ich denke einfach dadurch dass wir Vorhersagen machen können Die wird dann Testen haben wir eine Art Kausalenzusammenhang, den wir dann überprüfen können und so dass wir auch wieder da Höhlenmechanismen identifizieren können wie sowas eigentlich funktioniert.

00:26:28: Also wenn wir es wirklich schaffen die Vorhersage zu machen wenn ich da stimuliere in der Frequenz im Vergleich zu irgendwas anderem und das wird dann zu dem und dem Verhalten führen und das passiert dann auch ja?

00:26:41: Dann glaube ich habe ich ein bisschen was gelernt.

00:26:45: Ja, das klingt natürlich super.

00:26:46: Vielleicht nochmal zurück zu dem Modell.

00:26:49: was wir lernen von dem Gehirn?

00:26:51: Das Gehirnen besteht natürlich aus ganz vielen Nervenzellen und man auf einer bestimmten Auflösung kann man die eben messen mit FMRT in solchen Wokseln.

00:27:02: Modelliert ihr das für jeden Woksell einzeln oder schaut ihr euch das unterschiedliche Regionen ein?

00:27:07: gibt es bestimmte Regionen die euch mehr interessieren als andere?

00:27:10: Ja, allgemein kann man das aufs ganze Gehirn anwenden.

00:27:13: Es ist eine Frage ob es sinnvoll ist.

00:27:14: also man hört sich immer so ein Trade-off zwischen wie viel Rauschen hast du in deinen Daten?

00:27:18: oder kannst du vielleicht vorher hier in Region identifizieren wo du weißt die sind irgendwie relevant?

00:27:23: Also das ist die erste Überlegung.

00:27:24: sowas können wir natürlich auch mit Klinikern zusammen machen dass die Region identivisieren die im Prinzip erstmal braucht die Methode das nicht unbedingt.

00:27:33: und was wird dann aber schonemachen zu versuchen die Dimensionen bisschen zu reduzieren zum Beispiel über Dimensionsreduktionsverfahren, sodass wir aber schon auch von der Weg-Voxel-Ebene auf diese Dimensionsreduktionsebene kommen.

00:27:46: Aber auch wieder zurück.

00:27:47: Das heißt theoretisch hat man schon vorher sagen auf dem Voxel Level.

00:27:50: Vielleicht erklärt er nochmal wie die Modelle genau aussehen?

00:27:53: Also ihr müsst ja auch das Modell erst mal trainieren und dann müsst ihr das testen.

00:27:58: Wie geht ihr davor?

00:27:59: Genau also das sind sogenannte Zustandsraummodelle.

00:28:02: D.h.,

00:28:03: wir trennen zwei Ebenen eine Art Latenten im Latenta-Ebene, das heißt unbeobachtete Dimensionen die eigentlich das dynamische System aufspannen.

00:28:13: Das machen wir normalerweise über bestimmte Arten von recurrenten neuronalen Netzen.

00:28:18: Die haben auch eine gewisse Architektur auf die ich jetzt schwer in Worte eingehen kann.

00:28:22: aber im Grunde ist die Idee dass sind solche mächtigen Modelle fast jede Dynamik lernen können.

00:28:30: Also die sind erstmal so allgemein aufgesetzt, dass sie andere dynamische Systeme approximieren können sagen wir dazu und das relativ universell.

00:28:38: Und dann haben wir eine Beobachtungsebene, die diesen Latentenraum auf die Daten, ja man sagt dazu decoded oder zurückmapped, sag ich mal.

00:28:47: Das bedeutet also, wir haben halt nur noch einmal eine Funktion diese latenten Zustände, die das dynamische system ausspannen wieder auf die Beobuchtungs-Ebene ... transformiert.

00:28:59: So das zur Architektur.

00:29:00: und dann gibt es aber was wichtig ist bei den Methoden, dass eigentlich die Art diese Modelle zu trainieren... Da gibt es verschiedene Techniken, die entwickelt wurden um sie besonders gutzumachen.

00:29:11: und damit meine ich, dass man manchmal Probleme mit Gradienten bekommen beim Gradientensabstiegsverfahren, was man bei dem Trainieren dieser Modelle ja nutzt im Wesentlichen?

00:29:22: Da gibt es eben verschiedene Methoden, wie man sowas überbrücken kann.

00:29:25: Und man kann auch bestimmte Regularisierungen einbauen und bestimmte Dynamiken zu bevorzugen oder auch einzubauen, sage ich mal damit man zum Beispiel verschiedene zeitlichen Skalen als Informationen abbilden kann solche Methoden spielen.

00:29:44: Was heißt ihr?

00:29:44: Passt die Architekturen dann auch individuell an das Problem wie ihr da am besten vorgeht?

00:29:52: oder habt ihr so eine Standardarchitektur, die immer erst mal nutzt und dann guckt, wie gut es funktioniert.

00:29:56: Und dann gegebenenfalls noch Anpassung macht?

00:29:58: Beides

00:29:59: ein bisschen.

00:29:59: also.

00:29:59: wir haben schon mehrere Standardarchitekturen je nachdem was für ne Art Datenmodalität ich habe.

00:30:04: Also davon hängst du jetzt endlich auch zum großen Teil ab.

00:30:07: Also kann ich davon ausgehen dass ich Gaussverteide-Daten hab oder eher Lickertskalen nicht vorher gesagt haben.

00:30:12: So Ratings sind ganz andere Arten von Datentypen.

00:30:14: Da brauche ich auch einen anderen Decoder wie ich gesagt.

00:30:18: Aber was wir schon versuchen, ist zum Beispiel im Latentenraum die Komplexität so gut zu reduzieren wie man kann.

00:30:26: Das heißt wenn ich wenig nicht-Linearitäten brauche dann versuche ich dir auch runterzuskalieren weil das macht es mir immer einfacher eine Interpretation also wenn ich mit einem Linearsystem gut prädizieren kann, dann ist das super!

00:30:37: Weil da kann ich sehr schön analysieren, da haben wir schöne Methoden für aber wenn ich einen nicht linearen Bereich habe dann wird es immer schwieriger.

00:30:44: das heißt wir versuchen da schon Komplexkeit zu reduziern.

00:30:47: Ja, also das heißt ihr würdet auch immer von einfachen Modellen zu komplexeren Modellen gehen.

00:30:51: Und wie sieht es aus mit Transformer-Modellen die jetzt auch viel eingesetzt werden?

00:30:54: Haben wir auch schon.

00:30:55: Also haben wir jetzt zum Beispiel auch bei den EMA Daten mal ausprobiert weil sie eben auch sehr mächtig sind und auch für Zeitreihen schon verwendet wurden.

00:31:04: Man muss aber sagen dass die wesentlich langsamer trainieren mehr Parameter brauchen nicht so gut abschnallen.

00:31:08: jetzt für diesen speziellen Bereich.

00:31:11: Sicherlich kann man da jetzt noch sagen, es gibt noch tausend andere Sachen die man ausprobieren könnte oder nicht.

00:31:15: Ich denke man braucht so ein Trade-off von Dingen die gut funktionieren wo das man sieht dass das auch besser ist als andere Dinge.

00:31:22: aber ich bin absoluter Freund davon zu sagen ich versuche erstmal so simpel wie möglich weil es viel zu sehr passiert dass die Leute mit den komplexesten Modellen kommen und versuchen irgendwie anzupassen und am Ende hilft eine relativ naive Baseline die Prädiktion zu machen.

00:31:36: also das schon wichtig.

00:31:38: Ja, habt ihr das denn bei euren Daten auch häufiger erlebt?

00:31:41: Das ist eigentlich... Wenn man den Mittelwert vorher sagt oder eine andere sehr einfache Baseline.

00:31:46: In den E-Moderaten ist es halt schon so dass der letzte Zeitschritt schon ganz guter Predictor ist immer noch nicht den Beste.

00:31:52: aber wenn wir das jetzt einfach ausschlafen würde aus deiner Studie dann würde man da glaube ich schon einiges unterschlagen und ich glaube das passiert leider auch sehr.

00:32:01: Aber in vielen Daten.

00:32:02: wir testen natürlich immer also auch gerade im Neurimagingbereich vergleichen wir dann häufig gegenüber einer linearen Methode Und bisher war es zumindest so, dass die eben nicht so gut performieren.

00:32:13: Ja interessant und könnt ihr auch für andere Variablen wie zum Beispiel Alter, Geschlecht bestimmte Erkrankungen

00:32:19: usw.,

00:32:20: könnt ihr die Modelle mit aufnehmen oder darauf konditionieren?

00:32:23: Da

00:32:23: gibt's schon auch wieder hierarchische Verfahren wo du halt versuchst dann stationäre Informationen noch mal auf das System zu merken.

00:32:31: da gibt es auch Entwicklungen jetzt nicht aus meinem eigenen Lab aber aus dem Nachbar Lab sozusagen wo solche Zusatzinformationen integriert werden können.

00:32:40: Das gibt es also auch mit ein bisschen unterschiedlichen

00:32:43: Verfahren.".

00:32:44: Und ist es generell besser, das Modell auf vielen Zeitreinen zu trainieren?

00:32:49: Also auch über Gruppen hinweg oder ist es besser wenn man es individuell für jede einzelne Person

00:32:55: anpasst?".

00:32:57: Hängt wahrscheinlich wieder ein bisschen mit den Daten zusammen, aber wir haben sehr gute Erfahrungen mit solchen hierarchischen Modellen gemacht.

00:33:02: Also auch relativ neu und was die halt machen ist letztendlich zu gucken.

00:33:08: gibt es Gemeinsamkeiten zwischen Personen, die ich erst mal abbilden kann und kann ich dann letztendlig auf das Individuum nochmal so gesagt Feintune.

00:33:17: also kann ich da quasi auf dem Individuen nochmal weniger Parameter nochmal nachjustieren.

00:33:23: Das hat den Vorteil zum einen, weil ich aus vielen Daten lernen kann und sich die Daten besser nutzen für den Lernprozess.

00:33:31: Und das andere ist dass ich eben einen niedrig dem dimensionalen Vektorkriege oder Features bekomme, die ich dann einfacher auf der Individuumsebene analysieren kann.

00:33:41: Ich kann dann z.B.

00:33:42: gucken, kann ich mit diesen wenigen Parametern klastern?

00:33:46: Oder kann ich da irgendwie Gruppenvergleiche mitrechnen glaube ich, zugängiger.

00:33:52: Und allgemein?

00:33:54: Was würdest du sagen?

00:33:55: wie viele Leute braucht man überhaupt und wie viele Daten?

00:33:58: kannst du

00:33:59: das

00:34:00: so angeben?

00:34:00: Diese Frage kriegt man leider auf mich aber es ist ja auch berechtigte Frage ist aber sehr datenerpengig also schwer zu sagen kommt sehr oft die Daten auf an die Informationen in den Daten drin.

00:34:14: Ja was würdest Du denn sagen?

00:34:15: was sind so die Hauptherausforderungen deiner Forschung?

00:34:18: Also Daten sind auf jeden Fall eine Herausforderung, also zum einen eine gute Daten zu kommen.

00:34:24: Zum anderen halt mit dem wenigen Daten zurechtzukommen Ich glaube das wird es ganz gut meistern Mit denen wir sehr eh so in einem Forschungsbereich haben.

00:34:33: nicht die großen Datenmengen wie bei der Bild-Klassifikation im Internet oder so da mit den Language-Daten für Leit-Language-Modelle Sondern wir müssen eben mit wenig Daten zerechtkommen und das ist ein Challenge, eine Herausforderungen, die wir haben.

00:34:45: Jetzt spezifische Herausforderungen für z.B.

00:34:47: die Senior Modulation.

00:34:48: Sachen, die ich erzählt habe sind natürlich schon... wie sieht es denn jetzt wirklich mit?

00:34:54: Also wenn ich jetzt zum Beispiel nur eingrenzen kann auf bestimmte Interventionen, die Ich geben kann in der Simulation.

00:35:01: dann muss ich auch mein Lernverfahren darauf anpassen und ausrichten.

00:35:05: das sind so ein bisschen technische Details, die man dann nochmal nachjustieren muss und mal gucken muss, wie ich in welcher Situation damit umgehen kann.

00:35:13: Das würde ich sagen, sind aktuell so ein bisschen die Herausforderungen.

00:35:15: Die uns interessieren und auch generell aus möglichst vielen Daten auch die Kontrollstrategien zu lernen und mit multimodalen Daten wieder umzugehen.

00:35:25: Und das sind immer so die Sachen, die uns beschäftigen.

00:35:28: Ja, das zeigt wie... viele Anwendungsmöglichkeiten, das eigentlich von dynamischen Systemen und Referenten hat.

00:35:35: Es gibt ja auch so viele Bereiche wo Zeit rein erhoben werden.

00:35:38: also da kann man ja ganz viel machen.

00:35:40: Hast du eine Vision oder Hoffnung für die nächsten Jahre?

00:35:45: Also wie gesagt für mich persönlich fände ich es ganz spannend wenn man aus Verhaltensdaten, die wir wirklich einfach erheben können vielleicht vorher sagen kann Schaff ich es, Kooperation zwischen Menschen zu fördern?

00:36:02: Wie muss sich die Einsätze... wie muss ich vielleicht eine KI gestalten um auch eine Kooperation in bestimmten Games, die wir irgendwie abbilden können.

00:36:10: Wie muss ich die gestalten und was muss sie machen?

00:36:13: oder auch generell, wie kann ich das Verhalten ein bisschen dadurch beeinflussen?

00:36:17: Das klingt jetzt mal ein bisschen manipulativ aber ich meine ist wirklich in einem positiven therapeutischen Kontext.

00:36:22: Wie kann ich Verhalten gezielt ... in eine bestimmte Richtung steuern, indem ich meinen Experiment oder meine Intervention anpasse.

00:36:29: Und das ist schon... Also es ist eine Frage die ich glaube auf sehr vielen Ebenen beantworten kann oder testen kann und da würde ich mir also wenn ich mir was aussuchen könnte hätte ich so ein ganz allgemeines Framework, was sich dann anwenden könnte in verschiedenen Situationen.

00:36:43: Das fände ich toll!

00:36:44: Ja, das klingt aufregend und toll.

00:36:46: Vielen Dank für das spannende Gespräch.

00:36:49: Dieser Podcast wird produziert vom HerTI der gemeinnützigen Härtistiftung dem Tübinger Eisenter, den KI-Kampus und dem kommt aus der medizinischen Fakultät der Uni Tüvingen.