Auf der Suche nach ‘Eulen und Eidechsen’ im Publikum eines Werbetreibenden

Da der Online-Werbesektor voraussichtlich 740,3 Milliarden US-Dollar im Jahr 2023 ausgegeben hat, ist es leicht zu verstehen, warum Werbeunternehmen erhebliche Ressourcen in diese spezielle Strang der Computer-Vision-Forschung investieren.

Obwohl die Branche insular und schützend ist, veröffentlicht sie gelegentlich Studien, die auf fortgeschrittenere proprietäre Arbeiten in Gesichts- und Blickrichtungserkennung hinweisen – einschließlich Alterserkennung, die für demografische Analyse-Statistiken von zentraler Bedeutung ist:

Das Schätzen des Alters in einem wilden Werbekontext ist für Werbetreibende von Interesse, die möglicherweise eine bestimmte Alterszielgruppe ansprechen. In diesem experimentellen Beispiel der automatischen Gesichtsalter-Schätzung wird das Alter des Künstlers Bob Dylan über die Jahre hinweg verfolgt. Quelle: https://arxiv.org/pdf/1906.03625

Diese Studien, die selten in öffentlichen Repositorien wie Arxiv erscheinen, verwenden rechtmäßig rekrutierte Teilnehmer als Grundlage für AI-getriebene Analysen, die darauf abzielen, zu bestimmen, in welchem Umfang und auf welche Weise der Zuschauer mit einer Anzeige interagiert.

Dlibs Histogramm der orientierten Gradienten (HoG) wird oft in Gesichtsschätzungssystemen verwendet. Quelle: https://www.computer.org/csdl/journal/ta/2017/02/07475863/13rRUNvyarN

Tierischer Instinkt

In diesem Zusammenhang ist die Werbeindustrie natürlich daran interessiert, falsche Positivergebnisse (Anlässe, bei denen ein Analyse-System die Aktionen eines Subjekts falsch interpretiert) zu bestimmen und klare Kriterien für den Fall festzulegen, in dem die Person, die ihre Werbespots ansieht, nicht vollständig mit dem Inhalt interagiert.

Was die werbeorientierte Bildschirmwerbung betrifft, konzentrieren sich die Studien in der Regel auf zwei Probleme in zwei Umgebungen. Die Umgebungen sind ‘Desktop’ oder ‘Mobil’, von denen jeder besondere Merkmale aufweist, die spezielle Nachverfolgungslösungen erfordern; und die Probleme – aus Sicht des Werbetreibenden – werden durch Eulenverhalten und Eidechsenverhalten repräsentiert – die Neigung der Zuschauer, nicht vollständig auf eine Anzeige zu achten, die vor ihnen erscheint.

Beispiele für ‘Eulen-‘ und ‘Eidechsenverhalten’ in einem Subjekt eines Werbeforschungsprojekts. Quelle: https://arxiv.org/pdf/1508.04028

Wenn Sie wegsehen von der beabsichtigten Anzeige mit Ihrem ganzen Kopf, handelt es sich um ‘Eulenverhalten’; wenn Ihre Kopfhaltung statisch ist, aber Ihre Augen abwandern vom Bildschirm, handelt es sich um ‘Eidechsenverhalten’. Im Hinblick auf die Analyse und das Testen neuer Anzeigen unter kontrollierten Bedingungen sind dies wesentliche Aktionen, die ein System erfassen muss.

Ein neues Papier von SmartEyes Affectiva-Übernahme behandelt diese Fragen und bietet eine Architektur, die mehrere bestehende Frameworks nutzt, um ein kombiniertes und verkettetes Merkmalssatz über alle erforderlichen Bedingungen und möglichen Reaktionen bereitzustellen – und um zu bestimmen, ob ein Zuschauer gelangweilt, engagiert oder in irgendeiner Weise von dem Inhalt entfernt ist, den der Werbetreibende ihm zeigen möchte.

Beispiele für wahre und falsche Positivergebnisse, die vom neuen Aufmerksamkeitssystem für verschiedene Ablenkungssignale erkannt werden, getrennt für Desktop- und Mobilgeräte. Quelle: https://arxiv.org/pdf/2504.06237

Die Autoren erklären*:

‘Begrenzte Forschung hat sich mit der Überwachung der Aufmerksamkeit während Online-Anzeigen befasst. Während diese Studien sich auf die Schätzung der Kopfhaltung oder Blickrichtung konzentrierten, um Instanzen abgelenkter Blicke zu identifizieren, vernachlässigen sie wichtige Parameter wie Gerätetyp (Desktop oder Mobil), Kameraposition relativ zum Bildschirm und Bildschirmgröße. Diese Faktoren beeinflussen die Aufmerksamkeitserkennung erheblich.

‘In diesem Papier schlagen wir eine Architektur für die Aufmerksamkeitserkennung vor, die die Erkennung verschiedener Ablenkungen umfasst, einschließlich des Eulen- und Eidechsenverhaltens des Blicks außerhalb des Bildschirms, des Sprechens, der Schläfrigkeit (durch Gähnen und verlängerte Augenschließung) und des Verlassens des Bildschirms.

‘Im Gegensatz zu früheren Ansätzen integriert unsere Methode gerätespezifische Merkmale wie Gerätetyp, Kameraposition, Bildschirmgröße (für Desktops) und Kameraposition (für Mobilgeräte) mit der rohen Blickschätzung, um die Genauigkeit der Aufmerksamkeitserkennung zu verbessern.’

Die neue Arbeit trägt den Titel Überwachung der Zuschauer-Aufmerksamkeit während Online-Anzeigen und stammt von vier Forschern bei Affectiva.

Methode und Daten

Hauptsächlich aufgrund der Geheimhaltung und der geschlossenen Natur solcher Systeme vergleicht die neue Studie den Ansatz der Autoren nicht direkt mit Konkurrenten, sondern präsentiert ihre Ergebnisse ausschließlich als Ablationsstudien; die Studie hält sich auch nicht an das übliche Format der Computer-Vision-Literatur. Daher werden wir uns die Forschung ansehen, wie sie präsentiert wird.

Die Autoren betonen, dass nur eine begrenzte Anzahl von Studien die Aufmerksamkeitserkennung speziell im Kontext von Online-Anzeigen behandelt hat. Im AFFDEX-SDK, das Echtzeit-Multi-Face-Erkennung bietet, wird die Aufmerksamkeit allein aus der Kopfhaltung abgeleitet, wobei Teilnehmer als unaufmerksam gelabelt werden, wenn ihr Kopfwinkel einen definierten Schwellenwert überschreitet.

Ein Beispiel aus dem AFFDEX-SDK, einem Affectiva-System, das sich auf die Kopfhaltung als Indikator für die Aufmerksamkeit verlässt. Quelle: https://www.youtube.com/watch?v=c2CWb5jHmbY

Im 2019-Kollaboration Automatische Messung der visuellen Aufmerksamkeit für Videoinhalte mithilfe von Deep Learning wurde eine Datenbank von etwa 28.000 Teilnehmern annotiert, um verschiedene unaufmerksame Verhaltensweisen zu identifizieren, einschließlich Wegschauen, Augenschließen oder unbeachtete Aktivitäten, und ein CNN-LSTM-Modell wurde trainiert, um die Aufmerksamkeit aus der Gesichtsausdrucksänderung über die Zeit zu erkennen.

Aus dem 2019-Papier, ein Beispiel, das die vorhergesagten Aufmerksamkeitszustände für einen Zuschauer zeigt, der Videoinhalte ansieht. Quelle: https://www.jeffcohn.net/wp-content/uploads/2019/07/Attention-13.pdf.pdf

Die Autoren bemerken jedoch, dass diese früheren Bemühungen keine gerätespezifischen Faktoren wie den Gerätetyp (Desktop oder Mobil) berücksichtigt haben; auch wurde die Bildschirmgröße oder die Kameraposition nicht berücksichtigt. Darüber hinaus konzentriert sich das AFFDEX-System ausschließlich auf die Erkennung von Blickablenkung und vernachlässigt andere Ablenkungsquellen, während die 2019er Arbeit versucht, ein breiteres Verhaltensspektrum zu erkennen – aber ihre Verwendung eines einzelnen flachen CNN sei, so das Papier, möglicherweise für diese Aufgabe unzureichend gewesen.

Die Autoren bemerken, dass einige der bekanntesten Forschungen in diesem Bereich nicht für Werbetests optimiert sind, die andere Bedürfnisse haben als Bereiche wie das Fahren oder die Bildung – wo die Kameraposition und -kalibrierung normalerweise im Voraus festgelegt sind, und stattdessen auf unkalibrierte Einrichtungen setzen und innerhalb des begrenzten Blickbereichs von Desktop- und Mobilgeräten operieren.

Daher haben sie eine Architektur zur Erkennung der Zuschauer-Aufmerksamkeit während Online-Anzeigen entwickelt, die zwei kommerzielle Toolkits nutzt: AFFDEX 2.0 und SmartEye-SDK.

Beispiele für Gesichtsanalyse aus AFFDEX 2.0. Quelle: https://arxiv.org/pdf/2202.12059

Diese vorherigen Arbeiten extrahieren niedrigstufige Merkmale wie Gesichtsausdrücke, Kopfhaltung und Blickrichtung. Diese Merkmale werden dann verarbeitet, um höherstufige Indikatoren zu erzeugen, einschließlich der Blickposition auf dem Bildschirm; Gähnen; und Sprechen.

Das System identifiziert vier Ablenkungstypen: Blick außerhalb des Bildschirms; Schläfrigkeit; Sprechen; und unbeachtete Bildschirme. Es passt auch die Blickanalyse an, je nachdem, ob der Zuschauer auf einem Desktop- oder Mobilgerät ist.

Datensätze: Blick

Die Autoren verwendeten vier Datensätze, um das Aufmerksamkeitserkennungssystem zu betreiben und zu bewerten: drei, die sich auf Blickverhalten, Sprechen und Gähnen konzentrierten; und einen vierten, der aus realen Werbetest-Sitzungen bestand, die eine Mischung aus Ablenkungstypen enthielten.

Aufgrund der spezifischen Anforderungen der Arbeit wurden benutzerdefinierte Datensätze für jede dieser Kategorien erstellt. Alle kuratierten Datensätze stammten aus einem proprietären Repository mit Millionen von aufgezeichneten Sitzungen von Teilnehmern, die Anzeigen in häuslichen oder Arbeitsumgebungen ansahen, mit einer webbasierten Einrichtung und mit informierter Zustimmung – und aufgrund der Einschränkungen dieser Zustimmungsvereinbarungen erklären die Autoren, dass die Datensätze für die neue Arbeit nicht öffentlich zugänglich gemacht werden können.

Um den Blick-Datensatz zu erstellen, wurden die Teilnehmer aufgefordert, einem sich bewegenden Punkt auf verschiedenen Punkten des Bildschirms zu folgen, einschließlich der Kanten, und dann vom Bildschirm wegzusehen, in vier Richtungen (nach oben, nach unten, nach links und nach rechts), wobei die Sequenz dreimal wiederholt wurde. Auf diese Weise wurde die Beziehung zwischen Erfassung und Abdeckung hergestellt:

Bildschirmfotos, die den Blickvideo-Stimulus auf (a) Desktop- und (b) Mobilgeräten zeigen. Die ersten und dritten Frames zeigen Anweisungen, einem sich bewegenden Punkt zu folgen, während die zweiten und vierten Frames die Teilnehmer auffordern, vom Bildschirm wegzusehen.

Die sich bewegenden Punkte wurden als aufmerksam markiert, und die außerhalb des Bildschirms liegenden Segmente als unaufmerksam, was einen markierten Datensatz von sowohl positiven als auch negativen Beispielen ergab.

Jedes Video dauerte etwa 160 Sekunden, mit separaten Versionen für Desktop- und Mobilplattformen, jeweils mit Auflösungen von 1920×1080 und 608×1080. Eine Gesamtzahl von 609 Videos wurde gesammelt, bestehend aus 322 Desktop- und 287 Mobil-Aufzeichnungen. Markierungen wurden automatisch auf der Grundlage des Videoinhalts angewendet, und der Datensatz geteilt in 158 Trainingsbeispiele und 451 Testbeispiele.

Datensätze: Sprechen

In diesem Zusammenhang ist eines der Kriterien, die ‘Unauffälligkeit’ definieren, wenn eine Person länger als eine Sekunde spricht (was ein momentanes Kommentar oder sogar ein Husten sein könnte).

Da die kontrollierte Umgebung weder Audio aufzeichnet noch analysiert, wird das Sprechen durch die Beobachtung der inneren Bewegung der geschätzten Gesichtsmerkmale abgeleitet. Daher erstellten die Autoren einen Datensatz, der ausschließlich auf visuellen Eingaben basiert, aus ihrem internen Repository und teilten ihn in zwei Teile auf: der erste Teil enthielt etwa 5.500 Videos, die jeweils von drei Annotatoren als sprechend oder nicht sprechend manuell markiert wurden (von denen 4.400 für das Training und die Validierung und 1.100 für das Testen verwendet wurden).

Der zweite Teil bestand aus 16.000 Sitzungen, die automatisch basierend auf der Sitzungstyp markiert wurden: 10.500 zeigten Teilnehmer, die still Anzeigen ansahen, und 5.500 zeigten Teilnehmer, die ihre Meinungen über Marken äußerten.

Datensätze: Gähnen

Obwohl einige ‘Gähnen’-Datensätze existieren, einschließlich YawDD und Driver Fatigue, behaupten die Autoren, dass keiner von ihnen für Werbetest-Szenarien geeignet ist, da sie entweder simulierte Gähnen oder Gesichtsverzerrungen enthalten, die mit Angst oder anderen, nicht gähnenden Aktionen verwechselt werden könnten.

Daher verwendeten die Autoren 735 Videos aus ihrer internen Sammlung, indem sie Sitzungen auswählten, die wahrscheinlich ein Kieferabsenken von mehr als einer Sekunde enthielten. Jedes Video wurde von drei Annotatoren manuell als aktives oder inaktives Gähnen markiert. Nur 2,6 Prozent der Frames enthielten aktives Gähnen, was die Klassenungleichheit unterstreicht, und der Datensatz wurde in 670 Trainingsvideos und 65 Testvideos aufgeteilt.

Datensätze: Ablenkung

Der Ablenkungs-Datensatz wurde ebenfalls aus dem internen Repository der Autoren erstellt, in dem Teilnehmer tatsächliche Anzeigen ohne zugewiesene Aufgaben ansahen. Insgesamt wurden 520 Sitzungen (193 auf Mobil- und 327 auf Desktop-Umgebungen) zufällig ausgewählt und von drei Annotatoren manuell als aufmerksam oder unaufmerksam markiert.

Unauffälliges Verhalten umfasste Blick außerhalb des Bildschirms, Sprechen, Schläfrigkeit und unbeachtete Bildschirme. Die Sitzungen umfassten diverse Regionen auf der ganzen Welt, wobei Desktop-Aufzeichnungen aufgrund der flexiblen Webcam-Position häufiger waren.

Aufmerksamkeitsmodelle

Das vorgeschlagene Aufmerksamkeitsmodell verarbeitet niedrigstufige visuelle Merkmale, nämlich Gesichtsausdrücke; Kopfhaltung; und Blickrichtung – extrahiert durch die oben genannten AFFDEX 2.0 und SmartEye-SDK.

Diese werden dann in höherstufige Indikatoren umgewandelt, wobei jeder Ablenkungstyp von einem separaten binären Klassifizierer behandelt wird, der auf seinem eigenen Datensatz für unabhängige Optimierung und Bewertung trainiert wird.

Schema für das vorgeschlagene Überwachungssystem.

Das Blick-Modell bestimmt, ob der Zuschauer auf oder vom Bildschirm schaut, indem es normalisierte Blickkoordinaten verwendet, mit separater Kalibrierung für Desktop- und Mobilgeräte. Dieser Prozess wird durch eine lineare Support-Vektor-Maschine (SVM) unterstützt, die auf räumlichen und zeitlichen Merkmalen trainiert wird und ein Speicherfenster enthält, um schnelle Blickbewegungen zu glätten.

Um Sprechen ohne Audio zu erkennen, verwendete das System Mundregionen und ein 3D-CNN, das auf konversationellen und nicht-konversationellen Videosegmenten trainiert wurde. Markierungen wurden basierend auf der Sitzungstyp zugeteilt, wobei zeitliche Glättung die falschen Positivergebnisse reduzierte, die durch kurze Mundbewegungen entstehen können.

Gähnen wurde erkannt, indem Vollgesichtsbilder verwendet wurden, um breitere Gesichtsbewegungen zu erfassen, wobei ein 3D-CNN auf manuell markierten Frames trainiert wurde (obwohl die Aufgabe durch das niedrige Auftreten von Gähnen in natürlicher Betrachtung und durch seine Ähnlichkeit mit anderen Ausdrücken erschwert wurde).

Bildschirmverlassen wurde erkannt, indem die Abwesenheit eines Gesichts oder einer extremen Kopfhaltung erkannt wurde, wobei Vorhersagen durch einen Entscheidungsbaum gemacht wurden.

Endgültiger Aufmerksamkeitszustand wurde mithilfe einer festen Regel bestimmt: Wenn ein Modul Unauffälligkeit erkannte, wurde der Zuschauer als unaufmerksam markiert – ein Ansatz, der die Empfindlichkeit priorisiert und separat für Desktop- und Mobilumgebungen justiert wird.

Tests

Wie bereits erwähnt, folgen die Tests einer ablativen Methode, bei der Komponenten entfernt und die Auswirkung auf das Ergebnis vermerkt werden.

Verschiedene Kategorien von wahrgenommener Unauffälligkeit, die in der Studie identifiziert wurden.

Das Blickmodell erkannte außerhalb des Bildschirms liegendes Verhalten durch drei Schlüsselschritte: Normalisierung der rohen Blickschätzungen, Feinabstimmung der Ausgabe und Schätzung der Bildschirmgröße für Desktop-Geräte.

Um die Bedeutung jeder Komponente zu verstehen, entfernten die Autoren sie einzeln und bewerteten die Leistung auf 226 Desktop- und 225 Mobil-Videos, die aus zwei Datensätzen stammten. Die Ergebnisse, gemessen durch G-Mittelwert und F1-Score, sind unten aufgeführt:

Ergebnisse, die die Leistung des vollständigen Blickmodells sowie Versionen mit einzelnen verarbeiteten Schritten zeigen, die entfernt wurden.

In jedem Fall verringerte sich die Leistung, wenn ein Schritt weggelassen wurde. Die Normalisierung erwies sich als besonders wertvoll auf Desktops, wo die Kameraposition variabler ist als auf Mobilgeräten.

Die Studie bewertete auch, wie visuelle Merkmale die Vorhersage der Mobil-Kameraposition beeinflussten: Gesichtsposition, Kopfhaltung und Blickrichtung erzielten 0,75, 0,74 und 0,60, während ihre Kombination 0,91 erreichte, was – so die Autoren – den Vorteil der Integration mehrerer Hinweise unterstreicht.

Das Sprechen-Modell, das auf vertikaler Lippenabstand trainiert wurde, erreichte eine ROC-AUC von 0,97 auf dem manuell markierten Testdatensatz und 0,96 auf dem größeren automatisch markierten Datensatz, was eine konsistente Leistung in beiden zeigt.

Das Gähnen-Modell erreichte eine ROC-AUC von 96,6 Prozent unter Verwendung des Mundaspektverhältnisses allein, was sich auf 97,5 Prozent verbesserte, wenn es mit Aktionseinheiten-Vorhersagen von AFFDEX 2.0 kombiniert wurde.

Das unachtsame Bildschirm-Modell klassifizierte Momente als unaufmerksam, wenn sowohl AFFDEX 2.0 als auch SmartEye es nicht schafften, ein Gesicht für mehr als eine Sekunde zu erkennen. Um die Gültigkeit dieses zu bewerten, annotierten die Autoren alle solchen Keine-Gesichts-Ereignisse in dem reale Ablenkungs-Datensatz manuell und identifizierten die zugrunde liegende Ursache für jede Aktivierung. Zweideutige Fälle (wie Kamera-Blockierung oder Video-Verzerrung) wurden von der Analyse ausgeschlossen.

Wie in der Ergebnistabelle unten gezeigt, waren nur 27 Prozent der ‘Kein-Gesicht’-Aktivierungen auf Benutzer zurückzuführen, die den Bildschirm physisch verließen.

Verschiedene Gründe, warum in bestimmten Fällen kein Gesicht gefunden wurde.

Das Papier erklärt:

‘Trotz der Tatsache, dass unachtsame Bildschirme nur 27% der Fälle ausmachten, die das Kein-Gesicht-Signal auslösten, wurde es für andere Gründe aktiviert, die auf Unauffälligkeit hindeuten, wie z.B. Teilnehmer, die mit einem extremen Winkel vom Bildschirm wegschauen, übermäßige Bewegungen ausführen oder ihr Gesicht erheblich mit einem Objekt/Händen verdecken.’

In dem letzten der quantitativen Tests bewerteten die Autoren, wie das schrittweise Hinzufügen verschiedener Ablenkungssignale – Blick außerhalb des Bildschirms (über Blick und Kopfhaltung), Schläfrigkeit, Sprechen und unachtsame Bildschirme – die Gesamtleistung ihres Aufmerksamkeitsmodells beeinflusste.

Die Tests wurden auf zwei Datensätzen durchgeführt: dem reale Ablenkung-Datensatz und einem Test-Teilmenge des Blick-Datensatzes. G-Mittelwert- und F1-Scores wurden verwendet, um die Leistung zu messen (obwohl Schläfrigkeit und Sprechen aus der Gaze-Datensatz-Analyse ausgeschlossen wurden, da sie in diesem Kontext begrenzt relevant waren).

Wie unten gezeigt, verbesserte sich die Aufmerksamkeitserkennung konsistent, wenn mehr Ablenkungstypen hinzugefügt wurden, wobei Blick außerhalb des Bildschirms den stärksten Basiswert lieferte.

Die Auswirkung des Hinzufügens verschiedener Ablenkungssignale zur Architektur.

Über diese Ergebnisse erklärt das Papier:

‘Erstens können wir daraus schließen, dass die Integration aller Ablenkungssignale zu einer verbesserten Aufmerksamkeitserkennung beiträgt.

‘Zweitens ist die Verbesserung der Aufmerksamkeitserkennung konsistent auf beiden Desktop- und Mobilgeräten. Drittens zeigen die Mobil-Sitzungen in dem realen Datensatz signifikante Kopfbewegungen, wenn sie wegschauen, was leicht zu erkennen ist und zu einer besseren Leistung auf Mobilgeräten im Vergleich zu Desktops führt. Viertens hat das Hinzufügen des Schläfrigkeitssignals im Vergleich zu anderen Signalen eine relativ geringe Verbesserung, da es normalerweise selten vorkommt.

‘Schließlich hat das unachtsame Bildschirm-Signal eine relativ größere Verbesserung auf Mobilgeräten im Vergleich zu Desktops, da Mobilgeräte leicht unachtsam gelassen werden können.’

Die Autoren verglichen ihr Modell auch mit AFFDEX 1.0, einem früheren System, das in Werbetests verwendet wurde – und sogar die Kopfbasierte Blickerkennung des aktuellen Modells übertraf AFFDEX 1.0 auf beiden Gerätetypen:

‘Diese Verbesserung ist das Ergebnis der Integration von Kopfbewegungen in beiden yaw- und pitch-Richtungen sowie der Normalisierung der Kopfhaltung, um kleine Änderungen zu berücksichtigen. Die deutlichen Kopfbewegungen in dem realen Mobil-Datensatz haben dazu geführt, dass unser Kopfmodell ähnlich wie AFFDEX 1.0 performt.’

Die Autoren schließen das Papier mit einer (vielleicht eher perfunctorischen) qualitativen Testrunde ab, die unten gezeigt wird.

Beispiele für die Ausgabe des Aufmerksamkeitsmodells auf Desktop- und Mobilgeräten, wobei jede Zeile Beispiele für wahre und falsche Positivergebnisse für verschiedene Ablenkungstypen zeigt.

Die Autoren erklären:

‘Die Ergebnisse zeigen, dass unser Modell verschiedene Ablenkungen in unkontrollierten Umgebungen effektiv erkennen kann. Es kann jedoch gelegentlich falsche Positivergebnisse in bestimmten Randfällen produzieren, wie z.B. starkes Kopfneigen bei gleichzeitiger Blickrichtung auf den Bildschirm, einige Mundverdeckungen, übermäßig verschwommene Augen oder stark verdunkelte Gesichtsbilder. ‘

Schlussfolgerung

Obwohl die Ergebnisse einen gemessenen, aber bedeutungsvollen Fortschritt gegenüber früheren Arbeiten darstellen, liegt der tiefere Wert der Studie in dem Blick, den sie in den anhaltenden Drang nach dem internen Zustand des Zuschauers wirft. Obwohl die Daten mit Zustimmung gesammelt wurden, weist die Methodik auf zukünftige Rahmenbedingungen hin, die über strukturierte, marktorientierte Umgebungen hinausgehen könnten.

Diese eher paranoide Schlussfolgerung wird nur durch die abgeschlossene, eingeschränkte und eifersüchtig geschützte Natur dieses speziellen Forschungszweigs gestärkt.

* Meine Umwandlung der inline-Zitate der Autoren in Hyperlinks.

Erstveröffentlichung am Mittwoch, 9. April 2025