Text

Hintergrund: Die psychologische Stressforschung unterscheidet zwischen Mikro-Stressoren, also alltäglichen, häufig wiederkehrenden Belastungen, und Makro-Stressoren, einschneidenden Lebensereignissen. Diese Stressortypen unterscheiden sich hinsichtlich Intensität, Dauer und Auftretenshäufigkeit, können jedoch beide das psychische Wohlbefinden beeinflussen. Ihre Erfassung ist methodisch herausfordernd, da Selbstberichte anfällig für Erinnerungsverzerrungen und soziale Erwünschtheit sind. Webtracking-Daten stellen eine innovative Ergänzung dar.

Zielsetzung/Fragestellung: Ziel der Studie ist zu untersuchen, ob sich Mikro- und Makro-Stressoren in digitalen Verhaltensdaten (Webtracking-Daten) abbilden lassen. Darüber hinaus wird untersucht, ob Large Language Models (LLMs) eingesetzt werden können, um konkrete Mikro- und Makro-Stressoren auf Basis von Suchanfragen und Browserverläufen zu identifizieren und zu klassifizieren.

Material & Methoden: Auf Basis etablierter Instrumente (u. a. Mainz Inventory of Microstressors; Life Events Checklist for DSM-5) wurden 37 Mikro- und Makro-Stressorkategorien systematisiert. Für jede Kategorie wurden suchverhaltensnahe Keywords generiert und mittels SBERT semantisch erweitert. Diese wurden auf Webtracking-Daten des GESIS Panel Digital Behavioral Data angewendet, um potenziell stressassoziierte Suchanfragen zu extrahieren. Diese dienten als Trainingsdaten für open-source LLMs (Llama 3.3, Qwen 3, Mistral Large Instruct 3), die anschließend weitere Suchanfragen im Gesamtdatensatz klassifizierten.

Ergebnisse: Die Pipeline identifizierte zahlreiche plausible stressassoziierte Suchanfragen, die durch Fachpersonen validiert wurden. Es zeigten sich thematische und zeitliche Muster im Suchverhalten in Abhängigkeit vom Stressortyp. Die Modellleistung (u. a. Präzision, Recall) war insgesamt hoch. Makro-Stressoren wurden zuverlässiger identifiziert als Mikro-Stressoren.

Diskussion: Die Ergebnisse deuten darauf hin, dass Webtracking-Daten ein valider Indikator für Stresserfahrungen sein können. Die Kombination aus theoretisch fundierter Stressorklassifikation und LLM-basierter Textklassifikation stellt einen vielversprechenden Ansatz für skalierbare, alltagsnahe Stressmessung dar.

Take Home Message für die Praxis: Digitale Verhaltensdaten in Kombination mit Large Language Models ermöglichen eine kontinuierliche Erfassung von Stressoren und eröffnen neue Möglichkeiten für Prävention und Public Mental Health.

Interessenkonflikte: Keine