Andersons Blickwinkel

Gewalt mithilfe von KI im Voraus vorhersagen

Martin Anderson
Unite.AI zu deinen bevorzugten Quellen auf Google hinzufügen
A still from Minority Report (2002), a film centered on predicting violent crimes before they occur, alongside an inset from Can We Anticipate Violence? Multimodal Learning from Pre-Incident Behavioral Cues, which investigates the same problem using AI analysis of facial appearance, audio and body motion. Minority Report image © 2002 Twentieth Century Fox and DreamWorks Pictures; reproduced for editorial commentary.
Wichtige PunkteGewalt vorherzusagen, bevor sie geschieht, birgt die Gefahr, die dystopischen Ängste…
Mehr anzeigen
  • Gewalt vorherzusagen, bevor sie geschieht, birgt die Gefahr, die dystopischen Ängste von Minority Report widerzuspiegeln.
  • Die Kombination von Gesichtsaussehen mit Audio- und Bewegungssignalen übertrifft jedes einzelne Signal für sich genommen.
  • Https://www.youtube.com/watch?v tDSXPQcpybU Ein (nicht realer) Test für ein Gewalterkennungssystem von IVS.

Das typische Vorgehen bei der Frage „Kann KI dies automatisieren?“ besteht darin, viele Beispiele für etwas einzuspeisen, dessen Merkmale man isolieren möchte, und zu prüfen, ob ein damit trainiertes Modell dieses Merkmal auch in ähnlichen Daten erkennt, die beim Training nicht verwendet wurden:

Schema eines KI-Projekts nach dem Prinzip „letzter Versuch auf gut Glück“: Beschriftete Beispiele werden in Trainings- und Testdaten aufgeteilt. Das Modell lernt anhand der ersten und wird anschließend mit unbekannten Beispielen aus den zweiten geprüft. Hat es das gesuchte Merkmal tatsächlich gelernt, statt die Trainingsdaten auswendig zu lernen, sollte es dasselbe Muster im Testsatz erkennen. Quelle - https://upload.wikimedia.org/wikipedia/commons/0/09/Supervised_machine_learning_in_a_nutshell.svg

Schema eines KI-Projekts nach dem Prinzip „letzter Versuch auf gut Glück“: Beschriftete Beispiele werden in Trainings- und Testdaten aufgeteilt. Das Modell lernt anhand der ersten und wird anschließend mit unbekannten Beispielen aus den zweiten geprüft. Hat es das gesuchte Merkmal tatsächlich gelernt, statt die Trainingsdaten auswendig zu lernen, sollte es dasselbe Muster im Testsatz erkennen. Quelle

Das ist gewissermaßen ein letzter Versuch auf gut Glück: Solche Experimente beruhen auf der Annahme, dass das Merkmal irgendwann in den Daten hervortritt, wenn die KI den Datensatz nur lange genug untersucht, und dass überhaupt eine „zugrunde liegende Tendenz“ existiert, die sich herausarbeiten lässt. Wäre das Merkmal leicht erkennbar, bräuchten wir entweder überhaupt kein KI-Modell oder würden es nur für routinemäßige Automatisierung verwenden.

Das ist im Allgemeinen nicht der Fall. Die meisten derartigen Forschungsinitiativen sind ergebnisoffene Suchaktionen nach verborgenen Mustern, die sich nur durch übermenschlich häufige, aufmerksame Betrachtung erkennen lassen.

Häufig bleibt das Muster schwer fassbar und existiert möglicherweise gar nicht, weil manche Ereignisse und Eigenschaften tatsächlich rein zufällig auftreten. Oder die Daten sind in irgendeiner Weise unzureichend, schlecht aufbereitet oder das Training ist mangelhaft.

Der Blick nach vorn

In manchen Fällen ist das Ziel so erstrebenswert – Krebs heilen, Kernfusion, die Gesetze der Thermodynamik überwinden usw. – und so „politisch attraktiv“, dass die Forschung immer wieder darauf zurückkommt, um zu prüfen, ob bessere Daten oder Methoden doch noch ein charakteristisches Muster zutage fördern.

Ein solches Gebiet ist das automatisierte Videoverständnis im Zusammenhang mit öffentlichen Räumen und polizeilichen Einsatzfeldern. Beispielsweise nutzte eine neue Studie dieses Jahr reale Videoaufnahmen von Suizidversuchen, um typische Verweilmuster vor einem Suizidversuch zu erkennen und ein Vorhersagesystem zu entwickeln, das charakteristische Bewegungen auf einem öffentlichen Bahnsteig vor einem Sprung erkennen könnte:

Vorhersagen für zwei Einzelbilder aus der Studie von 2026 „Bewertung des Suizidrisikos anhand KI-gestützter Videoüberwachung: Ein interpretierbares Rahmenkonzept zur Prävention in U-Bahn-Stationen“. Ein Bild zeigt einen tatsächlichen Suizidversuch an einem Gleis, das andere einen Fall ohne Vorfall. Wärmekarten neben den Bildern markieren Bereiche höheren und niedrigeren Risikos auf dem Bahnsteig, anhand der „Verweiltendenz“ einer Person nahe der Tunnelöffnung und anhand von Mustern früherer Suizidversuche. Quelle - https://arxiv.org/pdf/2605.22904

Vorhersagen für zwei Einzelbilder aus der Studie von 2026 „Bewertung des Suizidrisikos anhand KI-gestützter Videoüberwachung: Ein interpretierbares Rahmenkonzept zur Prävention in U-Bahn-Stationen“. Ein Bild zeigt einen tatsächlichen Suizidversuch an einem Gleis, das andere einen Fall ohne Vorfall. Wärmekarten neben den Bildern markieren Bereiche höheren und niedrigeren Risikos auf dem Bahnsteig, anhand der „Verweiltendenz“ einer Person nahe der Tunnelöffnung und anhand von Mustern früherer Suizidversuche. Quelle

In diesem Fall schienen die für Menschen mit Gedanken an einen Sprung vor einen Zug typischen „Verweilmuster“ – im obigen Bild ganz links und rechts – eine charakteristische Signatur zu besitzen. Diese könnte in automatisierten Überwachungssystemen als musterbasierter Warnmechanismus dienen.

Ein weiterer verbreiteter Forschungszweig ist die Gewalterkennung. Unbeaufsichtigte Überwachungssysteme könnten gewaltsame Handlungen erkennen, um Menschen schnell darauf aufmerksam zu machen und sogar ergänzende Vorgänge auszulösen: etwa die Aufnahmen zur langfristigen Aufbewahrung zu markieren und sicherzustellen, dass tatsächlich aufgezeichnet wird, neben weiteren Maßnahmen.

Ein inszenierter Test für ein Gewalterkennungssystem von IVS. Quelle

Laut einer neuen Untersuchung der University of Alabama konzentrierte sich die bisherige Forschung darauf, Gewalt zu erkennen, während sie bereits stattfindet. Für die neue Arbeit trainierten die Forschenden ein Modell ausschließlich mit Videoaufnahmen vor einem Gewaltvorfall – oder, für statistische Ausgewogenheit, ohne anschließenden Vorfall. Sie wollten prüfen, ob wiederkehrende, erlernbare „vor Gewaltausbruch auftretende“ Merkmale existieren: hier eine Kombination aus Körperbewegung, Gesichtsausdruck und Ton, die gemeinsam ein Vorhersagesignal für Gewalthandlungen liefern könnte, statt erst nach ihrem Auftreten darauf zu reagieren.

Beispiele „riskanter“ Sequenzen vor einem Vorfall aus der Studie, jeweils in vier aufeinanderfolgenden Einzelbildern. Das System verfolgt Körpergelenke und Bewegungen über die Zeit und sucht Veränderungen von Haltung, Geschwindigkeit und Interaktionsmustern, die eskalierende Situationen unterscheiden könnten, bevor die Gewalt selbst sichtbar wird. Quelle - https://arxiv.org/pdf/2609.40014

Beispiele „riskanter“ Sequenzen vor einem Vorfall aus der Studie „Können wir Gewalt vorhersehen? Multimodales Lernen aus Verhaltenshinweisen vor einem Vorfall“, jeweils in vier aufeinanderfolgenden Einzelbildern. Das System verfolgt Körpergelenke und Bewegungen über die Zeit und sucht Veränderungen von Haltung, Geschwindigkeit und Interaktionsmustern, die eskalierende Situationen unterscheiden könnten, bevor die Gewalt selbst sichtbar wird. Quelle

Natürlich dürfte eine Weiterentwicklung oder Umsetzung solcher Arbeiten Bedenken hervorrufen. Wie ich bereits früher angemerkt habe, spiegeln fiktionale Werke wie die Fernsehserie Person of Interest und der Science-Fiction-Actionfilm Minority Report von 2002, neben vielen ähnlichen Werken, verbreitete Ängste vor Vorhersagetechnologien in den Händen von Polizei oder Aufsichtsbehörden wider.

Derzeit ist diese Frage bei der Vorhersage von Gewalthandlungen anhand von Körper-, Gesichts- und Tonsignalen – statt anhand von Faktoren wie dem Kontext, der Tageszeit, dem Ort oder historischen Kriminalitätszahlen – eher theoretischer Natur. Denn laut den Autoren der neuen Arbeit handelt es sich um einen sehr jungen Forschungsansatz.

In Tests verglichen die Forschenden Gesichtsmerkmale, Ton und Körperbewegungen einzeln und kombiniert, mit drei verschiedenen visuellen Basismodellen. Die stärksten Ergebnisse entstanden bei der Kombination aller drei Signale. Das deutet darauf hin, dass der Vorhersageeffekt nicht von einer einzigen Art von Hinweis getragen wurde:

„Die beste Konfiguration, Deit-Tiny mit Ton, Gesichtsmerkmalen und Bewegung, erreicht auf dem zurückgehaltenen Testsatz 91,21 % Genauigkeit, 88,96 % ausgewogene Genauigkeit, einen F1-Wert von 93,65 % und eine ROC-AUC von 96,38 %.

„Diese Ergebnisse deuten darauf hin, dass einander ergänzende visuelle, akustische und kinematische Hinweise nützliche Anhaltspunkte zur Erkennung eines erhöhten Risikos vor einem Vorfall liefern.“

Vorgehensweise

Der für die Studie zusammengestellte Datensatz stammt aus der Sammlung XD-Violence. Drei Modalitäten werden gemeinsam verarbeitet: Gesichtsmerkmale, Ton und aus geschätzten Körperposen abgeleitete Bewegung:

Die Verarbeitungskette der Studie. Jeder Clip erhält zunächst eine Risikostufe, die dann auf „kein Risiko“ oder „riskant“ reduziert wird. Anschließend werden die Clips in Trainings-, Validierungs- und Testsätze aufgeteilt. Bis zu vier Sekunden Videomaterial werden in drei Zweigen analysiert: Gesichtsmerkmale über mehrere Bilder, in ein Spektrogramm umgewandelter Ton und aus verfolgten Schlüsselpunkten abgeleitete Körperbewegung, etwa Geschwindigkeit und Beschleunigung. Die Gesichts-, Ton- und Bewegungsmerkmale werden zu einer Repräsentation zusammengeführt und einem abschließenden Klassifikator übergeben, der die Wahrscheinlichkeit dafür bestimmt, dass der Clip risikofrei oder riskant ist.

Die Verarbeitungskette der Studie. Jeder Clip erhält zunächst eine Risikostufe, die dann auf „kein Risiko“ oder „riskant“ reduziert wird. Anschließend werden die Clips in Trainings-, Validierungs- und Testsätze aufgeteilt. Bis zu vier Sekunden Videomaterial werden in drei Zweigen analysiert: Gesichtsmerkmale über mehrere Bilder, in ein Spektrogramm umgewandelter Ton und aus verfolgten Schlüsselpunkten abgeleitete Körperbewegung, etwa Geschwindigkeit und Beschleunigung. Die Gesichts-, Ton- und Bewegungsmerkmale werden zu einer Repräsentation zusammengeführt und einem abschließenden Klassifikator übergeben, der die Wahrscheinlichkeit dafür bestimmt, dass der Clip risikofrei oder riskant ist.

Der so aufbereitete Datensatz umfasste 443 Clips vor einem Vorfall. Auf diese Zahl kommen wir am Ende des Artikels zurück.

Laut der Arbeit wurden Videos aus XD-Violence ausgewählt, die sich für die angestrebte, auf Menschen ausgerichtete Analyse eigneten. Viele ähnliche frühere Ansätze hatten hingegen die gesamte Szene als Vorhersagekontext betrachtet.

Die verwendeten Clips waren höchstens vier Sekunden lang und wurden mit 8 Bildern pro Sekunde abgetastet. Ein einschichtiger Transformer mit acht Aufmerksamkeitsköpfen führte die daraus entstehenden 32 Einzelbilder zusammen, während gelernte Positionseinbettungen ihre Reihenfolge bewahrten. Das Basismodell blieb während des multimodalen Trainings eingefroren, um Überanpassung zu vermeiden.

Beispiele für Aktivierungskarten, einschließlich Gesichtsbildern, sind weiter oben für „riskante“ Aktivierungen und nachfolgend für Beispiele ohne Risiko dargestellt:

Beispiele ohne Risiko aus dem Gesichtsanalysezweig der Studie, ergänzend zu den zuvor gezeigten riskanten Bewegungsbeispielen. Links steht der ursprüngliche Gesichtsausschnitt, gefolgt von Aktivierungskarten aus zunehmend tieferen Schichten des visuellen Modells DeiT-Tiny. Wärmere Bereiche kennzeichnen stärkere Merkmalsreaktionen und zeigen, wie sich die Aufmerksamkeit des Modells verlagert und abstrakter wird, während das Bild das Netzwerk durchläuft.

Beispiele ohne Risiko aus dem Gesichtsanalysezweig der Studie, ergänzend zu den zuvor gezeigten riskanten Bewegungsbeispielen. Links steht der ursprüngliche Gesichtsausschnitt, gefolgt von Aktivierungskarten aus zunehmend tieferen Schichten des visuellen Modells DeiT-Tiny. Wärmere Bereiche kennzeichnen stärkere Merkmalsreaktionen und zeigen, wie sich die Aufmerksamkeit des Modells verlagert und abstrakter wird, während das Bild das Netzwerk durchläuft.

Die Tonanteile des Ausgangsclips wurden auf 16 kHz neu abgetastet, normalisiert und an das entsprechende visuelle Zeitfenster angepasst. Anschließend wurden sie mit einer 512-Punkte-Kurzzeit-Fourier-Transformation und einem Hann-Fenster mit 400 Abtastwerten in standardisierte Spektrogramme logarithmischer Beträge umgewandelt:

Vergleich durchschnittlicher Tonmuster normaler und riskanter Clips vor einem Vorfall. Oben stehen normale, unten riskante Clips: von der ursprünglichen Wellenform und dem Spektrogramm bis zu Merkmalen, die auf drei aufeinanderfolgenden Netzwerktiefen gelernt wurden. Riskante Clips zeigen stärkere zeitliche Veränderungen, darunter mehr akustische Aktivität gegen Ende des Viersekundenfensters. Das Netzwerk wandelt diese Unterschiede schrittweise in höherstufige Merkmale um.

Vergleich durchschnittlicher Tonmuster normaler und riskanter Clips vor einem Vorfall. Oben stehen normale, unten riskante Clips: von der ursprünglichen Wellenform und dem Spektrogramm bis zu Merkmalen, die auf drei aufeinanderfolgenden Netzwerktiefen gelernt wurden. Riskante Clips zeigen stärkere zeitliche Veränderungen, darunter mehr akustische Aktivität gegen Ende des Viersekundenfensters. Das Netzwerk wandelt diese Unterschiede schrittweise in höherstufige Merkmale um.

Für die Bewegungskomponente wurden Körperbewegungen auf numerische Beschreibungsgrößen reduziert, abgeleitet aus COCO-17-Schlüsselpunkten, die ein YOLO-Posenschätzer erkannte.

Zwölf Größen wurden berechnet, darunter durchschnittliche und maximale Geschwindigkeit, Beschleunigung und Ruck, Geschwindigkeitsschwankungen, Geschwindigkeiten von Handgelenken und Knöcheln sowie die gesamte Bewegungsenergie. Die Werte wurden nach Körpergröße normalisiert, damit größere Menschen nicht automatisch als bewegungsaktiver erscheinen. Zudem wurden Messungen mehrerer Personen im selben Clip kombiniert.

Nach der Standardisierung anhand der Trainingsdaten wurden die Bewegungsmerkmale zu einer 64-dimensionalen Repräsentation erweitert und durch einen zeitlichen Transformer verarbeitet. So ließen sich Bewegungsänderungen im Clip als Sequenz statt als isolierte Einzelbilder betrachten.

Die drei Datenströme wurden anschließend zu einer gemeinsamen Repräsentation verschmolzen. Gesichtsmerkmale erhielten den größten Anteil, gefolgt von Ton und Bewegung. Nach Normalisierung und Dropout wandelte ein abschließender Klassifikator diese Repräsentation in Wahrscheinlichkeiten für „normal“ und „riskant“ um, mit einem Schwellenwert von 0,5.

Für den Gesichtsmerkmalszweig kamen drei auf ImageNet vortrainierte Basismodelle zum Einsatz: Swin-Tiny, ViT-Tiny und DeiT-Tiny.

Tests

Für die Tests erhielten die Clips anhand sichtbaren Verhaltens, Bewegung und Ton manuell eine von vier Kennzeichnungen: Kein Risiko, Niedriges Risiko, Mittleres Risiko oder Hohes Risiko. Für die abschließende binäre Aufgabe wurden die drei Risikokategorien als „riskant“ zusammengefasst, während Kein Risiko zu „normal“ wurde. Um Datenüberschneidungen zwischen Training und Auswertung zu verringern, blieben Clips aus demselben Ausgangsvideo innerhalb derselben Datensatzpartition.

Aus jedem riskanten Clip wurde der Gewaltvorfall selbst entfernt, sodass das Modell nur das vorhergehende Verhalten beurteilen konnte:

Ergebnisse auf dem Testsatz: Die Leistung verändert sich je nachdem, ob Gesichtsmerkmale, Ton und Bewegung einzeln oder kombiniert mit den drei visuellen Basismodellen verwendet werden. Die Ablationsversuche isolieren den Beitrag jedes Eingangsstroms. Höhere Werte bedeuten bessere Leistung; fett gedruckte Werte kennzeichnen das beste Ergebnis je Metrik.

Ergebnisse auf dem Testsatz: Die Leistung verändert sich je nachdem, ob Gesichtsmerkmale, Ton und Bewegung einzeln oder kombiniert mit den drei visuellen Basismodellen verwendet werden. Die Ablationsversuche isolieren den Beitrag jedes Eingangsstroms. Höhere Werte bedeuten bessere Leistung; fett gedruckte Werte kennzeichnen das beste Ergebnis je Metrik.

Wie bereits erwähnt, erzielte DeiT-Tiny mit allen drei Modalitäten das stärkste Gesamtergebnis. Die Ablationsversuche verdeutlichen die Beiträge der einzelnen Ströme: Gesichtsmerkmale waren bereits für sich ein starker Prädiktor, Bewegung erzielte mittlere Ergebnisse und Ton war isoliert deutlich schwächer.

Die besten Ergebnisse entstanden bei der Kombination von Gesichts-, Ton- und Bewegungsinformationen. Das zeigt, dass die schwächeren Ströme das visuelle Signal dennoch um nützliche Informationen ergänzten.

Obwohl das Modell nur zwischen „normal“ und „riskant“ unterscheiden sollte, wurden seine Ausgaben auch mit den ursprünglichen vier Kennzeichnungen verglichen: Kein Risiko, Niedriges Risiko, Mittleres Risiko und Hohes Risiko. Wie unten dargestellt, steigt das vorhergesagte Risiko in Trainings-, Validierungs- und Testsätzen weitgehend im Einklang mit diesen Kategorien:

Vorhergesagte Risikowerte für die vier ursprünglichen Risikokategorien. Obwohl das Modell nur normale von riskanten Clips unterscheiden sollte, steigen die Werte in Trainings-, Validierungs- und Testsätzen im Allgemeinen von „Kein Risiko“ bis „Hohes Risiko“. Die gestrichelte Linie markiert die Entscheidungsschwelle von 0,50.

Vorhergesagte Risikowerte für die vier ursprünglichen Risikokategorien. Obwohl das Modell nur normale von riskanten Clips unterscheiden sollte, steigen die Werte in Trainings-, Validierungs- und Testsätzen im Allgemeinen von „Kein Risiko“ bis „Hohes Risiko“. Die gestrichelte Linie markiert die Entscheidungsschwelle von 0,50.

Die Autoren kommentieren:

„Dieses Ergebnis ist wichtig, weil das Modell nie ausdrücklich darauf trainiert wird, niedriges, mittleres und hohes Risiko zu unterscheiden. Trotzdem folgen seine Vorhersagen der Abstufung der ursprünglichen Risikostufen.

„Das deutet darauf hin, dass das Modell bedeutsame Veränderungen des Verhaltens vor einem Vorfall erfasst, statt lediglich eine einfache Grenze zwischen normal und riskant zu lernen. Das Ergebnis liefert außerdem Hinweise darauf, dass nützliche Verhaltenssignale schon vor Beginn des annotierten Vorfalls auftreten können.“

Und sie schließen:

„Diese Befunde legen nahe, dass im Zeitraum vor einem Vorfall nützliche unterscheidende Informationen vorhanden sein können. Das unterstreicht das Potenzial, die Gewaltanalyse über die Erkennung bereits stattfindender Ereignisse hinaus auf eine frühere Risikoerkennung auszudehnen.“

Fazit

Haben die Forschenden tatsächlich eine Merkmalskombination „vor Gewaltausbruch“ gefunden? Bei nur 443 Clips in den Experimenten ist Überanpassung ein beträchtliches Risiko, für das multimodale Modelle und vortrainierte visuelle Basismodelle besonders anfällig sind. Die Studie begrenzt dieses Risiko teilweise durch Einfrieren des visuellen Basismodells, Trennung der Ausgangsvideos zwischen Trainings-, Validierungs- und Testsätzen sowie Tests mehrerer Modalitätskombinationen.

Starke Ergebnisse auf einem kleinen Datensatz beweisen nicht, dass das zugrunde liegende Muster offensichtlich ist oder überhaupt existiert. Sie können auch datensatzspezifische Hinweise, Verzerrungen bei der Annotation, durch die Aufteilung nicht erfasste Überschneidungen der Quelldaten oder einen ungewöhnlich einfachen Testsatz widerspiegeln.

Dennoch ist das Ergebnis gerade deshalb interessant, weil der Datensatz so klein ist und weil offenbar ausreichend gegen Überanpassung vorgesorgt wurde. Allerdings müssten die Befunde auf einem größeren Datensatz reproduziert werden, bevor sich das gelernte Muster als „robust“ bezeichnen ließe.

 

Erstveröffentlichung am Donnerstag, 1. Oktober 2026

Autor im Bereich maschinelles Lernen, Fachspezialist für menschliche Bildsynthese. Ehemaliger Leiter der Forschungsinhalte bei Metaphysic.ai, bis zu seiner Auflösung in DNEG's Brahma.ai.
Website: martinanderson.ai
Kontakt: martin@martinanderson.ai