26kgg508 10.3205/26kgg508 urn:nbn:de:0183-26kgg5082 Meeting Abstract Broll Broll Jan J

Leibniz-Institut für Resilienzforschung (LIR), AG Lieb, Deutschland

author Schaubruch Schaubruch Lea M. LM

Leibniz-Institut für Resilienzforschung (LIR), AG Lieb, Deutschland

author Assenmacher Assenmacher Dennis D

GESIS – Leibniz-Institut für Sozialwissenschaften, Computational Social Science, Deutschland

author Wagner Wagner Claudia C

GESIS – Leibniz-Institut für Sozialwissenschaften, Computational Social Science, Deutschland Rheinisch-Westfälische Technische Hochschule Aachen, Aachen, Deutschland

author Stier Stier Sebastian S

GESIS – Leibniz-Institut für Sozialwissenschaften, Computational Social Science, Deutschland Universität Mannheim, Fakultät für Sozial­wissenschaft, Mannheim, Deutschland

author Chan Chan Hao H

GESIS – Leibniz-Institut für Sozialwissenschaften, Computational Social Science, Deutschland

author Schäfer Schäfer Sarah K. SK

Leibniz-Institut für Resilienzforschung (LIR), AG Lieb, Deutschland Rheinland-Pfälzisch Technische Universität Kaiserslautern-Landau, Klinische Psychologie und Psychotherapie des Kindes- und Jugendalters, Landau, Deutschland

author Lieb Lieb Klaus K

Leibniz-Institut für Resilienzforschung (LIR), AG Lieb, Deutschland Universitätsmedizin der Johannes Gutenberg-Universität Mainz, Klinik für Psychiatrie und Psychotherapie, Mainz, Deutschland

author German Medical Science GMS Publishing House

Düsseldorf

610 20251030 germ This is an Open Access article distributed under the terms of the Creative Commons Attribution 4.0 License. Dieser Artikel ist ein Open-Access-Artikel und steht unter den Lizenzbedingungen der Creative Commons Attribution 4.0 License (Namensnennung). M0662 508 Deutsche Gesellschaft für Allgemeinmedizin und Familienmedizin Deutsche Gesellschaft für Sozialmedizin und Prävention Netzwerk Evidenzbasierte Medizin e.V. Deutsche Gesellschaft für Medizinische Soziologie 60. Kongress für Allgemeinmedizin und Familienmedizin Gesundheit gestalten Evidenzbasierte Gesundheitsversorgung/Digitalisierung Göttingen 20260930 20261002 OSFM-03-09 TextHintergrund: 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 0 0 0 0