Digitale Innovationen in Psychotherapieforschung und -praxis: Multimodale Datenquellen und KI-basierte Anwendungen
PPmP - Psychotherapie · Psychosomatik · Medizinische Psychologie · 01.07.2026 · 76 (07) · 285-287
DOI: 10.1055/a-2878-8681 ↗Kurz gefasst
Fachartikel in der Zeitschrift PPmP - Psychotherapie · Psychosomatik · Medizinische Psychologie, erschienen am 01.07.2026. Verfasst von Fabienne Mink und 1 weiteren Autor:innen. Beteiligte Einrichtung: Klinische Psychologie und Psychotherapie, Fachbereich I - Psychologie, Universität Trier.
Abstract (Originalsprache)
In der Psychotherapieforschung werden zunehmend innovative Messmethoden wie intensive Längsschnitterhebungen, passive Sensordaten oder KI-basierte Audio-, Video- oder Textanalysen eingesetzt, um Fragebogenerhebungen zu ergänzen, die Symptome und Veränderungsprozesse meist sitzungsnah zu einzelnen Messzeitpunkten erfassen. Therapeutisch bedeutsame Prozesse lassen sich mit solchen punktuellen Fragebogenerhebungen jedoch nur eingeschränkt abbilden, da diese anfällig für retrospektive Verzerrungen sind und eine begrenzte ökologische Validität aufweisen. Diese Einschränkungen betreffen dabei vor allem auch die Vorhersage therapeutischer Verläufe. Werden relevante Veränderungsprozesse nur ausschnitthaft erfasst, bleiben auch Vorhersagen darüber begrenzt, welche Patient:innen zu welchem Zeitpunkt von welchen Interventionen profitieren. Eine präzise Vorhersage ist jedoch zentral, um ungünstige Therapieverläufe frühzeitig zu erkennen und das therapeutische Vorgehen rechtzeitig anzupassen, insbesondere bei Patient:innen, bei denen Psychotherapie bislang nicht ausreichend wirksam ist [ 1 ]. Vor diesem Hintergrund beschäftigt sich die Psychotherapieforschung zunehmend mit der Frage, wie Präzision und Kontextsensitivität psychotherapeutischer Datenerhebungen erhöht werden können, um Therapieverläufe besser vorherzusagen, zu verstehen und bei Bedarf therapeutisches Vorgehen gezielter anzupassen [ 2 ]. Im folgenden Beitrag werden aktuelle Entwicklungen innovativer Messmethoden dargestellt, die auf unterschiedlichen Datenmodalitäten beruhen und hinsichtlich ihres Potenzials für die Psychotherapieforschung und die psychotherapeutische Praxis diskutiert werden. Dabei werden auch Chancen und Herausforderungen multimodaler Ansätze berücksichtigt [ 3 ]. Ein Ansatz, der bereits seit mehreren Jahrzehnten etabliert ist, sind intensive Längsschnitterhebungen, die häufig als Ecological Momentary Assessment (EMA) bezeichnet werden [ 4 ]. In den Anfängen beschränkten sich EMA-Erhebungen überwiegend auf mehrmals tägliche Selbstberichte in Tagebüchern. Mittlerweile erfolgen sie in der Regel digital über Smartphone-Apps. EMA umfasst aber auch passive Erhebungsmethoden, wie beispielsweise Smartwatch-gestützte Erhebungen physiologischer oder behavioraler Informationen (z. B. Herzrate, Schlaf, Aktivität, GPS-Daten oder App-Nutzungsdauern). Hinzu kommen neuere Entwicklungen, wie Audioaufnahmen, die ebenfalls über Smartphones im Alltag aufgezeichnet werden können. Gemeinsam ist diesen Ansätzen, dass sie darauf abzielen, individuelles Erleben und Verhalten wiederholt, alltagsnah und nahezu in Echtzeit zu erfassen [ 5 ]. Dabei zeigen Forschungsarbeiten, dass insbesondere EMA-basierte Selbstberichte über Fragebogenmaße hinaus zur Vorhersage psychotherapeutischer Verläufe und Ergebnisse beitragen können [ 6 ], [ 7 ]. Diese Befunde sprechen dafür, dass das Erfassen von individuellem Erleben und Verhalten im Alltag eine wichtige Ergänzung zu retrospektiven und querschnittlichen Fragebogenerhebungen sein kann. Gleichzeitig sind EMA-Erhebungen mit spezifischen Anforderungen verbunden, da die wiederholten Befragungen für Patient:innen belastend sein können. Daher werden passive Datenerhebungen häufig als Möglichkeit diskutiert, den Erhebungsaufwand zu reduzieren. Smartwatches können Informationen zu Herzrate, Schlaf, Aktivität oder Bewegungsverhalten erfassen, ohne dass Patient:innen aktiv Fragen beantworten müssen. Allerdings ist die Befundlage zur prädiktiven Nützlichkeit dieser Daten bislang gemischt. Während einzelne Studien auf eine zusätzliche Vorhersagekraft passiver Daten hinweisen, zeigen andere Arbeiten nur begrenzte oder inkonsistente Zusammenhänge mit Symptomverläufen [ 8 ]. Dies verweist auf eine zentrale, bislang ungeklärte Frage im Kontext multimodaler Datenquellen, nämlich welche Datenquellen für welche Patient:innen und Fragestellungen den höchsten Informationsgehalt aufweisen. Vor dem Hintergrund der rasanten Entwicklung von KI-basierten Analysetools geraten zunehmend auch andere Datenquellen in den Fokus der Psychotherapieforschung. Seit der breiten Verfügbarkeit von ChatGPT im Jahr 2022 hat insbesondere der Einsatz großer Sprachmodelle (d. h. Large Language Models, LLMs) an Bedeutung gewonnen. Psychotherapeutische Sitzungen enthalten eine Vielzahl klinisch relevanter Informationen, die bislang meist nur durch ressourcenintensive manuelle Kodierungen zugänglich waren. Erste Studien zeigen, dass LLM-basierte Analysen von Sitzungstranskripten beispielsweise Emotionen in psychotherapeutischen Sitzungen erkennen können [ 9 ]. Darüber hinaus deuten aktuelle Befunde darauf hin, dass Informationen, die üblicherweise mithilfe fragebogenbasierter Ratings erfasst werden, auch durch LLM-basierte Analysen von Sitzungstranskripten [ 10 ] und Sitzungsnotizen [ 11 ] nachgebildet werden können. Da diese Verfahren auf passiv erhobenen Sitzungsdaten beruhen, könnten auch sie perspektivisch dazu beitragen, das potenzielle Belastungserleben von Patient:innen durch wiederholte Fragebogenerhebungen zu reduzieren. Dies könnte zugleich die Teilnahmebereitschaft erhöhen und damit die Stichprobengröße und -repräsentativität entsprechender Forschungsarbeiten verbessern. Ein Potenzial für die zukünftige Psychotherapieforschung liegt in der Integration multimodaler Datenquellen, das heißt in der Kombination von Selbstberichten, passiven Sensordaten sowie sprach-, audio- und videobasierten Informationen. Dies könnte dazu beitragen, therapeutische Prozesse aus mehreren Perspektiven zu erfassen und auf unterschiedlichen Ebenen des Erlebens und Verhaltens abzubilden. Zugleich bleibt empirisch zu prüfen, ob die Integration mehrerer Modalitäten tatsächlich einen zusätzlichen Erkenntnisgewinn gegenüber einzelnen Datenquellen bietet. Die Relevanz multimodaler und KI-basierter Datenquellen beschränkt sich dabei allerdings nicht auf den Forschungskontext. Durch frei verfügbare KI-Systeme entstehen auch in der psychotherapeutischen Versorgung neue Informations- und Entscheidungskontexte, etwa wenn Patient:innen KI-Systeme zur Einordnung ihrer Beschwerden oder zur Suche nach therapeutischer Unterstützung nutzen. In einer Studie gaben 48,7% der befragten US-Amerikaner:innen an, einen KI-Chatbot bereits im Zusammenhang mit ihrer psychischen Gesundheit eingesetzt zu haben [ 12 ]. Die Autor:innen schlossen daraus, dass KI-Chatbots in den USA möglicherweise bereits von mehreren Millionen Menschen für psychische Gesundheitsanliegen genutzt werden und damit zu einem der größten Anbieter niedrigschwelliger psychischer Unterstützung geworden sein könnten. Neben allgemein verfügbaren Sprachmodellen existieren zudem speziell für psychische Gesundheit entwickelte Chatbots und KI-basierte Avatare, die als virtuelle Agenten mithilfe maschinellen Lernens Informationen verarbeiten und mit Personen im Kontext psychischer Gesundheit interagieren können [ 13 ], [ 14 ]. Als mögliche Chancen solcher KI-basierten Interventionen werden insbesondere die hohe Verfügbarkeit, niedrige Kosten und ein niedrigschwelliger Zugang genannt [ 15 ]. Daraus ergibt sich das Potenzial, bestehende Versorgungsangebote zu ergänzen, insbesondere für Personen, die keinen oder nur erschwerten Zugang zu psychotherapeutischer Behandlung erhalten. Neben diesen Chancen gibt es jedoch auch Grenzen und Risiken. So sollten Forschende insbesondere vor dem Hintergrund der schnellen Weiterentwicklungen von KI-Systemen weiterhin ausreichend Zeit für die sorgfältige Validierung KI-gestützter Instrumente und Analysen aufwenden. Dies ist insbesondere relevant, da häufig kein objektiver Referenzstandard vorliegt, anhand dessen sich die Reliabilität und Validität neu entwickelter Maße prüfen lassen. Hinzu kommen datenschutzrechtliche Risiken im Kontext KI-basierter Tools sowie neue Herausforderungen für die klinische Praxis, etwa wenn Patient:innen zwischen den Sitzungen Rückmeldungen von KI-Systemen erhalten, die potenziell inadäquate Empfehlungen enthalten oder im Widerspruch zur laufenden Behandlung stehen. Publication History Article published online: 17 July 2026 © 2026. Thieme. All rights reserved. Georg Thieme Verlag KG Oswald-Hesse-Straße 50, 70469 Stuttgart, Germany
Autor:innen und Institutionen
- Klinische Psychologie und Psychotherapie, Fachbereich I - Psychologie, Universität Trier.
Zitieren
APA
Mink, F., & Lutz, W. (2026). Digitale Innovationen in Psychotherapieforschung und -praxis: Multimodale Datenquellen und KI-basierte Anwendungen. PPmP - Psychotherapie · Psychosomatik · Medizinische Psychologie, 76(07), 285-287. https://doi.org/10.1055/a-2878-8681
Vancouver
Mink F, Lutz W. Digitale Innovationen in Psychotherapieforschung und -praxis: Multimodale Datenquellen und KI-basierte Anwendungen. PPmP - Psychotherapie · Psychosomatik · Medizinische Psychologie. 2026;76(07):285-287. doi:10.1055/a-2878-8681
BibTeX
@article{Mink2026,
author = {Mink, Fabienne and Lutz, Wolfgang},
title = {Digitale Innovationen in Psychotherapieforschung und -praxis: Multimodale Datenquellen und KI-basierte Anwendungen},
journal = {PPmP - Psychotherapie · Psychosomatik · Medizinische Psychologie},
year = {2026},
volume = {76},
number = {07},
pages = {285--287},
doi = {10.1055/a-2878-8681}
}
EUVIMED