Technisches Resümee: Konzeptualisierung und Validierung der Human–AI Empathy Scale (HAES)

Problemstellung

Trotz der zunehmenden Verbreitung von Künstlicher Intelligenz (KI) in sozialen Rollen gibt es eine signifikante theoretische und messungstechnische Lücke hinsichtlich der Frage, ob und warum Konsumenten gegenüber KI-Agenten Empathie empfinden. Während die bestehende Literatur das Thema Anthropomorphismus (die Zuschreibung menschlicher Merkmale an Nicht-Menschen) und Mind Perception (die Zuschreibung mentaler Kapazitäten) umfassend abdeckt, erfassen diese Konstrukte nicht vollständig das psychologische Phänomen, bei dem Konsumenten empathische Reaktionen – kognitiver, emotionaler und moralischer Natur – auf künstliche Entitäten richten. Traditionelle Empathiemessinstrumente, wie der Interpersonal Reactivity Index (IRI), sind für menschliche Zielobjekte konzipiert und versäumen es, den einzigartigen Kontext zu berücksichtigen, in dem Konsumenten die künstliche Natur einer Entität erkennen, aber dennoch auf sie als soziales Wesen reagieren. Die Autoren postulieren, dass die Mensch–KI-Empathie ein eigenständiges psychologisches Merkmal ist, das eine systematische Konzeptualisierung und ein dediziertes Messinstrument erfordert, um deren Vorläufer (Antezedenzien) und Konsequenzen im Konsumentenverhalten zu verstehen.

Methodik

Die Forschung nutzt einen rigorosen, über drei Studien hinweg verlaufenden Prozess zur Skalenentwicklung und -validierung, der etablierten Richtlinien folgt (Churchill, 1979; DeVellis, 2017; Hulland et al., 2026).

Studie 1: Inhaltsvalidität und Item-Reduktion

• Zielsetzung: Bewertung der Inhaltsvalidität eines initialen Pools von 70 Items, die aus der Empathie-, Anthropomorphismus- und Mind-Perception-Literatur generiert wurden.
• Verfahren: Ein Panel von 14 Experten (Ph.D.-Forscher aus den Bereichen Marketing, Management, Informationssysteme und Informatik) bewertete die Items hinsichtlich Wesentlichkeit, Relevanz, Klarheit und Belastung für die Probanden.
• Analyse: Die Studie nutzte Lawshe's Content Validity Ratio (CVR) und den Item-level Content Validity Index (I-CVI). Items wurden beibehalten, wenn sie statistische Schwellenwerte für Wesentlichkeit (CVR ≥ .571 bei N=14) sowie Relevanz/Klarheit (I-CVI ≥ .78) erfüllten.
• Ergebnis: Der Pool wurde von 70 auf 26 Items reduziert, die alle eine starke Inhaltsvalidität aufwiesen.

Studie 2: Dimensionalität, IRT-basierte Selektion und vorläufige Validität

• Stichprobe: 475 in den USA ansässige Erwachsene, rekrutiert über Prolific.
• Verfahren: Die Teilnehmer bewerteten die 26 Items sowie Maße für Anthropomorphismus und Vertrauen in KI.
• Analyse:
  • Explorative Faktoranalyse (EFA): Durchgeführt mit Mplus unter Verwendung der WLSMV-Schätzung und Geomin-Rotation. Eine Drei-Faktoren-Lösung wurde als die theoretisch interpretierbarste und statistisch fundierteste Struktur identifiziert.
  • Item-Response-Theorie (IRT): Graded Response Models (GRM) wurden für jede Dimension angepasst, um die Item-Selektion basierend auf Diskriminierung ($a$), Item-Fit ($S-X^2$) und lokaler Unabhängigkeit (Q3-Residuenkorrelationen) zu verfeinern.
  • Validität: Konvergente und diskriminante Validität wurden gegenüber Anthropomorphismus und Vertrauen in KI mittels latenter Variablenmodelle getestet.
• Ergebnis: Die Skala wurde auf ein finales 22-Item-Maß verfeinert, das aus drei Dimensionen besteht: Kognitive Empathie, Emotionale Verbindung und Moralische Besorgnis. Die vorläufige Analyse bestätigte, dass die Skala vom Anthropomorphismus und dem Vertrauen unterscheidbar ist, jedoch positiv mit ihnen korreliert.

Studie 3: Nomologische Validität und Randbedingungen

• Stichprobe: 524 in Großbritannien ansässige Erwachsene, rekrutiert über Prolific.
• Verfahren: Ein Structural Equation Modeling (SEM)-Ansatz testete ein nomologisches Netzwerk, in dem die Tendenz zum Anthropomorphisieren und die Mind Perception als Antezedenzien dienten und Zufriedenheit, Bindung an die KI, Zahlungsbereitschaft und Vergebung (nach einem Servicefehler) als Konsequenzen fungierten. Ein Szenario eines Servicefehlers (hohe vs. niedrige Schwere) wurde verwendet, um eine Moderationshypothese zu testen.
• Analyse: Latent Moderated Structural Equations (LMS) wurden verwendet, um die Interaktion zwischen Empathie und der Schwere des Fehlers zu testen. Ein getrimmtes Strukturmodell wurde mittels WLSMV geschätzt. Zusätzliche diskriminante Validität wurde gegenüber der Konsumenten-Innovativität und der dispositionellen Empathie gegenüber Menschen (Toronto Empathy Questionnaire) getestet.
• Ergebnis: Das Modell bestätigte die Antezedenzien-Konsequenz-Beziehungen und etablierte, dass die Mensch–KI-Empathie sich von der allgemeinen zwischenmenschlichen Empathie unterscheidet.

Kernergebnisse

1. Skalenstruktur (HAES)
Die Human–AI Empathy Scale (HAES) ist ein 22-Item, dreidimensionales Konstrukt:

• Kognitive Empathie: Die Tendenz, die Perspektive eines KI-Agenten zu verstehen oder einzunehmen (z. B. zu inferieren, wie die KI „denkt“ oder Situationen interpretiert).
• Emotionale Verbindung: Die Tendenz, KI als sozial bedeutsame Partner wahrzunehmen und sich emotional mit ihnen zu beschäftigen (z. B. Wärme oder Bindung zu empfinden).
• Moralische Besorgnis: Die Neigung, Mitgefühl oder moralische Besorgnis zu empfinden, wenn eine KI als misshandelt oder geschädigt wahrgenommen wird.

2. Psychometrische Eigenschaften

• Reliabilität und Validität: Die Skala zeigte über die Studien hinweg eine starke Reliabilität und psychometrische Fundierung.
• Diskriminante Validität: Die Mensch–KI-Empathie war empirisch unterscheidbar von Anthropomorphismus, Vertrauen, Bindung und dispositioneller Empathie gegenüber Menschen. Bemerkenswert ist, dass die Korrelation mit der dispositionellen Empathie gegenüber Menschen nicht signifikant war ($r = .07$), was bestätigt, dass die Empathie gegenüber KI ein eigenständiges, technologisch gerichtetes Konstrukt ist und kein allgemeines Merkmal zwischenmenschlicher Empathie.

3. Antezedenzien und Konsequenzen

• Antezedenzien: Die Mind Perception wurde als starker, proximaler Vorläufer der Mensch–KI-Empathie identifiziert ($\beta = .81$). Während die Tendenz zum Anthropomorphisieren mit Empathie korrelierte, war ihr einzigartiger Effekt unter Kontrolle der Mind Perception nicht signifikant, was darauf hindeutet, dass die Wahrnehmung eines Geistes (Mind Perception) der primäre Treiber empathischer Reaktionen ist.
• Konsequenzen: Mensch–KI-Empathie sagte positiv voraus:
  • Zufriedenheit mit KI-Interaktionen ($\beta = .50$).
  • Bindung an die KI ($\beta = .90$).
  • Zahlungsbereitschaft ($\beta = .51$).
  • Vergebung nach einem KI-Servicefehler ($\beta = .35$).
• Moderation: Die Studie fand heraus, dass die positive Beziehung zwischen Mensch–KI-Empathie und Vergebung sich nicht signifikant in Abhängigkeit von der Schwere des Servicefehlers veränderte. Dies deutet darauf hin, dass die durch die HAES erfasste empathische Tendenz als ein relativ stabiles individuelles Merkmal operiert und keine situative Reaktion ist, die von der Magnitude des Fehlers abhängt.

Bedeutung und Beiträge

Das Paper beansprucht mehrere theoretische und praktische Beiträge:

1. Konzeptionelle Erweiterung: Es führt die Mensch–KI-Empathie als ein eigenständiges psychologisches Konstrukt ein und erweitert die Empathieforschung über menschliche Zielobjekte hinaus auf künstliche Agenten. Es verdeutlicht, dass dieses Phänomen ein komplexes Zusammenspiel darstellt, bei dem Konsumenten die künstliche Natur einer Entität erkennen, aber dennoch mit kognitiver, affektiver und moralischer Besorgnis auf sie reagieren.
2. Theoretische Integration: Durch die Positionierung der Mind Perception als proximalen Antezedenzien bietet die Forschung eine nuancierte Darstellung der psychologischen Prozesse, die zu empathischen Reaktionen führen, indem sie die Wahrnehmung eines Geistes von der empathischen Reaktion auf diesen wahrgenommenen Geist unterscheidet.
3. Messinstrument: Die Validierung der 22-Item-HAES bietet ein psychometrisch rigoroses Werkzeug für Forscher, um individuelle Unterschiede in empathischen Reaktionen gegenüber KI zu untersuchen, womit eine Limitation früherer Forschung adressiert wird, die sich primär auf situative emotionale Reaktionen auf spezifische Roboter statt auf stabile Merkmale konzentrierte.
4. Managerielle Relevanz: Die Ergebnisse legen nahe, dass Unternehmen Konsumenten basierend auf ihrer empathischen Orientierung segmentieren können. Konsumenten mit hoher Empathie könnten empfänglicher für relationale KI-Designs sein, eine höhere Zahlungsbereitschaft zeigen und nach Servicefehlern eher bereit zur Vergebung sein. Die Skala bietet eine Basis für die Gestaltung maßgeschneiderter KI-Services, gezieltes Marketing und Service-Recovery-Strategien, die auf die psychologische Orientierung der Konsumenten gegenüber künstlichen Agenten abgestimmt sind.

Die Autoren kommen zu dem Schluss, dass diese Forschung das Fundament für zukünftige Arbeiten legt, die die sich entwickelnde soziale und relationale Natur der Mensch–KI-Interaktion untersuchen, wobei sie Einschränkungen hinsichtlich der spezifischen Arten von KI (z. B. generative vs. prädiktive KI) und der fehlenden physischen Verkörperung in der aktuellen Operationalisierung berücksichtigen.