Knowledge Mapping and Frontier Analysis of Artificial Intelligence Applications in Mental Health Interventions: A CiteSpace‑Based Bibliometric Analysis

Seit Jahrzehnten steht die Welt vor einer stillen Krise in der psychischen Gesundheitsversorgung. Es gibt weit mehr Menschen, die mit Angstzuständen, Depressionen und anderen Leiden kämpfen, als ausgebildete Therapeuten, die ihnen helfen könnten. Der Mangel ist global, und die Wartelisten sind lang. In den letzten Jahren ist eine neue Art von Technologie entstanden, um diese Lücke zu schließen: große Sprachmodelle (Large Language Models). Dies sind Computersysteme, die auf riesigen Mengen an Text trainiert wurden und in der Lage sind, menschliche Sprache mit überraschender Flüssigkeit zu verstehen und zu generieren. Sie können Gespräche führen, emotionale Unterstützung bieten und sogar die Techniken eines Therapeuten simulieren. Das Versprechen ist, dass diese Werkzeuge als Brücke dienen könnten, um Millionen von Menschen, die derzeit gar keine Versorgung haben, sofortigen und zugänglichen Zugang zu ermöglichen. Doch während sich diese digitalen Helfer vervielfachen, bleibt eine entscheidende Frage: Funktionieren sie tatsächlich, und wie wissen wir, welche davon sicher sind?

Um dies zu beantworten, beschlossen ein Team von Forschern aus China und den USA, einen Schritt zurückzutreten und sich die gesamte wissenschaftliche Literatur zu diesem Thema anzusehen. Anstatt einen einzelnen Chatbot zu testen oder ein neues Experiment durchzuführen, sammelten und analysierten sie 1.685 veröffentlichte Studien aus der Web of Science-Datenbank, einer massiven Sammlung akademischer Forschung. Sie verwendeten ein spezialisiertes Softwaretool namens CiteSpace, um abzubilden, wie dieses Feld gewachsen ist, wer die Arbeit leistet und welche Fragen gestellt werden. Das Ergebnis ist ein klares Bild eines Feldes, das explosionsartig wächst, sich aber noch nach seinem Platz in der realen Welt sehnt.

Die Geschichte dieses Forschungsfeldes ist eine von plötzlicher Beschleunigung. Für fast vierzig Jahre, von 1982 bis in die frühen 2020er Jahre, war die Anzahl der jährlich veröffentlichten Studien gering, oft zwischen ein und einem Dutzend. Forscher untersuchten die Idee, aber der Fortschritt war langsam und verstreut. Dann, im Jahr 2023, änderte sich alles. In diesem Jahr sprang die Zahl der Publikationen von 22 auf 65. Das Wachstum stoppte dort nicht; es stieg auf 183 Arbeiten im Jahr 2024, auf fast 600 im Jahr 2025 und erreichte bis Mitte 2026 einen Wert von 644. Dieser dramatische Anstieg fällt perfekt mit der Veröffentlichung fortschrittlicher generativer KI-Werkzeuge zusammen, wie etwa jener Chatbots, die nun Geschichten schreiben und komplexe Fragen beantworten können. Die Daten legen nahe, dass die Ankunft dieser leistungsstarken neuen Technologien eine Euphorie des akademischen Interesses entfacht hat, wodurch das Gesamtvolumen der Forschung in den letzten vier Jahren 93 Prozent der gesamten bisher in diesem Bereich geleisteten Arbeit ausmacht.

Als die Forscher untersuchten, wer diesen Aufschwung antreibt, fanden sie ein deutliches Muster globaler Bemühungen. China produzierte die meisten Arbeiten mit 534 Artikeln, dicht gefolgt von den USA mit 438. Andere Nationen wie England, Japan und Südkorea trugen ebenfalls signifikant bei. Die Karte der Zusammenarbeit erzählt jedoch eine andere Geschichte als die Karte der Produktion. Während China die höchste Anzahl an Papieren aufweist, sind seine Forscher nicht so tief in das globale Netzwerk eingebunden wie ihre amerikanischen Gegenüber. Die Vereinigten Staaten sitzen im Zentrum des Kollaborationsgeflechts und fungieren als Knotenpunkt, der Forscher aus vielen verschiedenen Ländern miteinander verbindet. Im Gegensatz dazu bleibt die chinesische Forschung, obwohl sie produktiv ist, in diesem Netzwerk eher isoliert. Dies deutet darauf an, dass zwar viele Länder Arbeit leisten, die USA jedoch derzeit der primäre Motor für die Verbindung von Ideen und die Förderung internationaler Kooperation in diesem spezifischen Feld sind.

Die führenden Institutionen sind überwiegend große Universitäten in den USA und Europa. Die Harvard University, das University of California-System und die University of London gehören zu den bedeutendsten Produzenten von Forschung. Diese Gruppen bauen nicht nur bessere Chatbots; sie testen sie streng wissenschaftlich. Sie untersuchen, ob diese KI-Werkzeuge in der Lage sind, Erkrankungen wie Depressionen oder Zwangsstörungen präzise zu diagnostizieren. Sie führen klinische Studien durch, um zu sehen, ob das Gespräch mit einem Computerprogramm die Symptome eines Patienten tatsächlich im Vergleich zur herkömmlichen Behandlung verbessern kann. Sie beschäftigen sich auch intensiv mit der Sicherheit und untersuchen, wie diese Systeme versagen könnten, wenn ein Nutzer Suizidgedanken äußert, oder wie sie mit sensiblen kulturellen Unterschieden umgehen.

Trotz des rasanten Wachstums der Zahlen fanden die Forscher heraus, dass sich das Feld noch in einem frühen Stadium der Reife befindet. Die häufigsten Themen in der Literatur konzentrieren sich auf die Technologie selbst: wie man die Modelle besser darin macht, menschliche Emotionen zu verstehen, wie man sie auf spezifische Therapien wie die kognitive Verhaltenstherapie trainiert und wie man sicherstellt, dass sie keine Fakten erfinden oder gefährlichen Rat geben. Es gibt einen starken Fokus auf das „Computational Modeling“, was bedeutet, Mathematik zu nutzen, um zu verstehen, wie das menschliche Gehirn Entscheidungen trifft und wie diese digitalen Werkzeuge diese Prozesse nachahmen können. Forscher arbeiten auch hart daran, bessere Wege zu finden, um zu messen, ob diese Werkzeuge tatsächlich funktionieren, indem sie über einfache Tests hinausgehen, um zu sehen, ob sie in echten Kliniken und Gemeindezentren eingesetzt werden können.

Es klafft jedoch eine erhebliche Lücke zwischen dem Labor und dem Krankenhaus. Die Analyse zeigt, dass es zwar eine Fülle von technischer Validierung und kleinteiliger Testverfahren gibt, es aber an groß angelegten Real-World-Studien mangelt, die beweisen, dass diese Werkzeuge für die allgemeine Bevölkerung sicher und wirksam sind. Die meisten aktuellen Arbeiten befassen sich noch damit, zu beweisen, dass die Technologie funktioniert, statt zu beweisen, dass sie für jeden im Alltag tatsächlich wirksam ist. Die Forscher merken an, dass Fragen der Privatsphäre, das Risiko einer Abhängigkeit der Patienten von einer Maschine und die Notwendigkeit menschlicher Aufsicht noch geklärt werden müssen. Es gibt noch keine einzelne, standardisierte Methode, um diese Werkzeuge zu bewerten, und der Weg zu ihrer Zulassung für den breiten klinischen Einsatz ist noch nicht klar definiert.

Die Autoren kommen zu dem Schluss, dass das Feld derzeit von der Begeisterung für neue Technologien getrieben wird, sich aber darauf konzentrieren muss, ein solides Fundament für die Zukunft zu bauen. Sie schlagen vor, dass der nächste Schritt nicht nur darin besteht, mehr Modelle zu entwickeln, sondern Forscher aus verschiedenen Ländern und Disziplinen zusammenzubringen, um große, langfristige Studien durchzuführen. Sie fordern die Entwicklung klarer Regeln dafür, wie Menschen und Künstliche Intelligenz in der Therapie zusammenarbeiten sollten, um sicherzustellen, dass die Technologie den Patienten unterstützt, ohne die essenzielle menschliche Verbindung zu ersetzen. Die Daten zeigen ein Feld, das schneller wächst als seine Infrastruktur – ein Ort, an dem das Potenzial immens ist, aber der Weg von einer vielversprechenden Idee zu einem zuverlässigen, lebensrettenden Werkzeug noch immer in vollem Gange ist.