ZusammenfassungDer Einsatz von Sprachassistenten (Alltagsbeispiele sind Alexa von Amazon, Siri von Apple oder der Chatbot von Hellofresh) hat auch im Gesundheitswesen Einzug gehalten. Ein aktuelles Beispiel ist der WhatsApp Chatbot der WHO, welcher Nutzer:innen über COVID-19 aufklärt. Sprachassistenten haben die Fähigkeit, Patienten und Patientinnen orts- und zeitunabhängig aufzuklären, wodurch Mitarbeiter:innen entlastet werden. Jedoch gibt es neben den technischen (u. a. Entwicklung und Optimierung der Algorithmen für die Spracherkennung) auch Herausforderungen in der Mensch-Chatbot-Interaktion. In dieser Studie wird untersucht, welche Rolle die menschenähnliche Gestaltung (u. a. menschlicher Name, Begrüßung, menschlicher Avatar) eines Reiseimpfberatungschatbots auf dessen Wahrnehmung durch Nutzer:innen hat. Spezifisch geht es darum zu verstehen, ob und wie sich Anthropomorphismus (die Wahrnehmung von Menschlichkeit und sozialer Präsenz in Objekten, Tieren und Maschinen) auf die wahrgenommene Vertrauenswürdigkeit und letztendliche Zufriedenheit mit dem Service auswirkt. In einem Online-Experiment mit 78 Teilnehmer:innen, wurden zwei Chatbot-Gestaltungen (mit menschenähnlichen Gestaltungselementen vs. ohne diese Elemente) verglichen. Die Ergebnisse zeigen, dass die wahrgenommene soziale Präsenz signifikant die wahrgenommene Vertrauenswürdigkeit und die Zufriedenheit mit dem Service des Chatbots erhöhen. Somit ist die Implikation, dass bei der Reiseimpfberatung und ähnlichen Beratungsprozessen eine menschliche Gestaltung der Sprachassistenten zu empfehlen ist.

Postural instability as a symptom of progressing Parkinson's disease (PD) greatly reduces quality of life. Hence, early detection of postural impairments is crucial to facilitate interventions. Our aim was to use a convolutional neural network (CNN) to differentiate people with early to mid-stage PD from healthy age-matched individuals based on spectrogram images obtained from their body movement. We hypothesized the time-frequency content of body sway to be predictive of PD, even when impairments are not yet manifested in day-to-day postural control. We tracked their center of pressure (COP) using a Wii Balance Board and their full-body motion using a Microsoft Kinect, out of which we calculated the trajectory of their center of mass (COM). We used 30 s-snippets of motion data from which we acquired wavelet-based time-frequency spectrograms that were fed into a custom-built CNN as labeled images. We used binary classification to have the network differentiate between individuals with PD and controls (n=15, respectively). Classification performance was best when the medio-lateral motion of the COM was considered. Here, our network reached an average predictive accuracy of 98.45 % with a receiver operating characteristic area under the curve of 1.0. Moreover, an explainable AI approach revealed high frequencies in the postural sway data to be most distinct between both groups. Our findings suggest a CNN classifier based on cost-effective and conveniently obtainable posturographic data to be a promising approach to detect postural impairments in early to mid-stage PD and to gain novel insight into the subtle characteristics of impairments at this stage of the disease.

No abstract