Therapon AI

Reconstructing Standardized Measurement from Narrative Speech

Evidenzgebundene Schätzung von Fragebogenwerten aus narrativen Interviews

Michael Kizil · Klinischer Psychologe und Psychotherapeut
Arbeitsstand von September 2026

Sekundäranalyse der eigenen Erhebung: 38 narrative Interviews, sieben psychometrische Fragebögen, Schätzung durch ein Sprachmodell mit Belegpflicht. Vorläufige Befunde, nicht begutachtet.

I · Stand und Lücke

In aktuellen Studien schätzen Sprachmodelle Fragebogenscores valide aus narrativer Sprache; wie sie zu ihren Werten kommen, bleibt häufig unklar (Explainable AI)

Stand der Forschung

Chen et al. 2026 · N = 348 · o3-mini

Ein Modell schätzt aus klinischen Interviews die Symptomschwere (BPRS), die sonst ein Behandler einstuft. Begründet jeden Wert frei, nicht gegen das Transkript geprüft.

r = .58

Sokol & Goodman 2026 · N = 164 · Claude 3.5 Sonnet

Ein Modell rekonstruiert aus gesprochenen Antworten einen Selbstbericht zur Verbundenheit mit dem zukünftigen Selbst (FSC). Begründet ebenfalls in freiem Text, ungeprüft.

r = .57

Oltmanns et al. 2026 · N = 1.409 · RoBERTa, feinjustiert

Ein Modell schätzt aus Lebenserzählungen die fünf Persönlichkeitsdimensionen (NEO-PI-R), ohne dass danach gefragt wurde. Keine Begründung je Person, nur Gruppen-Wortmuster.

r = .41

Die Lücke

„We did not perform formal explainability, calibration, or subgroup-fairness analyses, so we cannot determine which transcript features drove model judgments."

Teferra et al. 2026 · N = 100 · u. a. GPT-5, Claude Sonnet 4, DeepSeek 3.1

Ein Modell schätzt aus klinischen Interviews item-weise PTSD-Symptome (PCL-C).

2

II · Verfahren

Genau hier setzt der vorgestellte Ansatz an: Das Modell simuliert die Selbstauskunft der Person und legt zu jedem Wert die Belegstelle offen

01

Das Gespräch

Das Transkript eines frei geführten Gesprächs zum Selbstwert, nur die Aussagen der Proband:in; die Fragebogen-Items kommen darin nicht zur Sprache.

→

02

Perspektivübernahme

Das Modell schätzt die sieben Fragebögen so, wie die Proband:in sie selbst ausgefüllt hätte, nicht als Urteil über sie.

→

03

Beleg vor Wert

Zu jedem Item zuerst ein wörtliches Zitat, dann der Wert; jedes Zitat wird gegen das Transkript geprüft. Ohne Textstelle: unbelegt vermerkt, aus dem Gesamtbild geschätzt.

für das
Modell
gesperrt

04

Validierung

Je Fragebogen wird der Summenscore des Modells mit dem echten Summenscore derselben Proband:in verglichen.

Verblindet: Opus 5 schätzt allein aus dem Gesprächstext; die echten Werte bleiben ihm verborgen.

Prompting

„Du schätzt für EINE Person diesen Fragebogen, so wie die Person ihn selbst ausgefüllt hätte. […] SCHRITT 1: Sammle ZUERST die Belegstellen, BEVOR du irgendeinen Wert vergibst. […] Gibt der Text zu einem Item nichts her, trag das Item in ‚items_ohne_beleg' ein und erfinde KEIN Zitat. […] SCHRITT 2: Vergib ERST DANACH die Werte […]. Für Items ohne Beleg schätze aus dem Gesamtbild."

3

II · Verfahren

Ein Fall aus der eigenen Erhebung: Modell und Fragebogen liegen zwei Punkte auseinander; die Textstellen zeigen, wo die Differenz entsteht

GAD-7 · Löwe et al. 2008 · Fall 01

Wie oft fühlten Sie sich im Verlauf der letzten 2 Wochen durch die folgenden Beschwerden beeinträchtigt?

0 Überhaupt nicht · 1 An einzelnen Tagen · 2 An mehr als der Hälfte der Tage · 3 Beinahe jeden Tag

Modellschätzung Tatsächlicher Fragebogenwert beide gleich

0

1

2

3

a · Nervosität, Ängstlichkeit oder Anspannung

b · Nicht in der Lage sein, Sorgen zu stoppen oder zu kontrollieren

c · Übermäßige Sorgen bezüglich verschiedener Angelegenheiten

d · Schwierigkeiten zu entspannen

e · Rastlosigkeit, so dass Stillsitzen schwer fällt

f · Schnelle Verärgerung oder Gereiztheit

g · Gefühl der Angst, so als würde etwas Schlimmes passieren

GAD-7-Summenscore · Skala 0–21 · Cut-off 10

Modellschätzung

13

Tatsächlicher Summenscore

15

Textstellen, aus denen das Modell schätzt · drei Items, eines ohne Beleg

„Ich habe ADHS-Anxiety. Ich will 1000 Sachen machen, dann bin ich manchmal gelähmt und brauche Zeit, Gedanken zu ordnen, und das dauert lange."

a · Nervosität, Ängstlichkeit oder Anspannung → geschätzter Wert 2

„Ich habe den Laden extra so aufgebaut, dass ich andere Sachen machen kann. Ich kann nicht dasitzen — das wäre verschwendete Zeit, wenn ich andere Sachen machen will."

e · Rastlosigkeit → geschätzter Wert 3

„Ich kann das schwer zurückhalten. Wenn mich jemand nervt, sage ich das. Ich bewerte andere genauso hart wie mich selbst."

f · Schnelle Verärgerung oder Gereiztheit → geschätzter Wert 2

„[keine Textstelle im Gespräch]". Vermerk des Modells: „keine Befürchtung drohenden Unheils erkennbar", daher aus dem Gesamtbild geschätzt.

g · Gefühl der Angst → ohne Beleg · geschätzter Wert 0, tatsächlich 1

Anmerkung. Fall 01, mit Einverständnis. Alle 7.805 Zitate des Laufs wurden maschinell gegen die Transkripte geprüft; keines war erfunden.

4

II · Datenbasis

Die Datenbasis: 38 Personen, je sieben Fragebögen und ein Interview; die Erzählungen gehen inhaltlich weit auseinander

Erzählgenerierende Eingangsfrage

„Erzähl von einer Situation, in der dein Selbstwert eine Rolle gespielt hat."

Für alle 38 identisch; danach nicht-direktiv geführt, ohne Leitfaden.

Inhaltliche Heterogenität der Erzählungen

27.3

von 38

Vendi-Score (Friedman & Dieng 2023), zentriert

Die 38 Interviews verhalten sich inhaltlich wie 27 völlig verschiedene; 1 hieße alle gleich, 38 alle verschieden.

.11

Jaccard-Median, ohne Stoppwörter

Zwei beliebige Interviews teilen rund ein Zehntel ihres Wortschatzes.

37

SD

Permutationstest, 20 Runden

Zufällig neu gemischte Sätze wären einander ähnlicher als die echten Interviews (cos .955 vs. .912).

Standardisierte Messinstrumente

Selbstwert

RSES · SESS · OPD-SF SR · OPD-KF K4a/K4p

Klinisch

PHQ-9 · GAD-7

Themen der 38 Gespräche

01Identität über Leistung

02Herrischer Großvater

03Übergewicht & Hänseleien

04Abwertung durch Lehrer

05Abitur & Alkohol

06Scheidung

07Toxisches Dating

08Freundschafts-Cliquen

09Arbeitslosigkeit

10Verrat der besten Freundin

11Autorität als Lehrerin

12Rap-Battles

13Haussanierung

14Bewertung im Beruf

15Trennung & Wegzug

16Bühnenauftritt

17Bewerbungsabsage

18Schwieriges Elternhaus

19Fremdsprachen-Unsicherheit

20Klinikpraktikum

21Studienabbruch

22Trennung & Alleinsein

23Trennung nach 18 Jahren

24Wiederkehrende Zweifel

25Depression

26Konflikt mit dem Vater

27Trennung der Eltern

28Rassistische Hänselei

29Fehler in der Abinote

30Unerfülltes Potenzial

31Verlust des Familienbetriebs

32Lehrprobe & Karriere

33Körperbild (X-Beine)

34Jobsuche & Absagen

35Anderssein in der Schule

36Unsicherer Berufseinstieg

37Stabiler Selbstwert

38Rückzug in der Pubertät

Anmerkung. Nur Teilnehmertext, 3.450 Sätze, Einbettungen all-MiniLM-L12-v2; zentriert = bereinigt um das allen Texten Gemeinsame (Sprache, Gattung, Eingangsfrage).

5

III · Befunde

Aus Gesprächen über den Selbstwert korrelieren Modellschätzung und Selbstauskunft bei allen sieben Konstrukten, selbst bei Depression und Angst

Stichprobe

N = 38, nicht-klinische Gelegenheitsstichprobe · 24 Männer, 14 Frauen · Ø 37.8 Jahre (20 bis 73) · 28 mit Hochschulstudium

Konstrukt

Skala

M (SD)

r

p

95-%-KI

ICC(A,1)

0r mit 95-%-KI1

Selbstwert

RSES Globaler Selbstwert

10–40

34.1 (4.5)

.57

< .001

[.19, .76]

.56

SESS Selbstwertstabilität

3–18

13.5 (2.5)

.65

< .001

[.39, .82]

.60

OPD-SF-SR Selbstwertregulation

0–16

3.9 (2.5)

.45

.004

[.13, .73]

.45

OPD-KF K4a Konflikt, aktiv

0–20

10.1 (3.5)

.63

< .001

[.40, .79]

.40

OPD-KF K4p Konflikt, passiv

0–16

1.6 (2.2)

.61

< .001

[.07, .84]

.59

Symptomatik

PHQ-9 Depressivität

0–27

5.8 (4.2)

.60

< .001

[.08, .81]

.47

GAD-7 Angst

0–21

5.3 (3.7)

.64

< .001

[.27, .82]

.60

Mittel

.59

.52

Anmerkung. Schätzung mit Opus 5, Mittel aus drei Durchgängen. M (SD) der Fragebogen-Summenscores. r = Pearson-Korrelation, ICC(A,1) = absolute Übereinstimmung, 95-%-KI = Perzentil-Bootstrap (B = 10.000). Gestrichelt: kritisches r bei α = .05/7 (Bonferroni).

6

IV · Ausblick

Wenn Sprache rechenbar wird: Was bleibt vom Unterschied zwischen Erzählen und Messen, und was geht verloren, wenn man ihn aufgibt?

Vielen Dank für Ihre Aufmerksamkeit.

Michael Kizil · Klinischer Psychologe und Psychotherapeut
michael.kizil@gmail.com · +49 162 281 11 17 · Berlin

Arbeitsstand September 2026

7

Anhang

Literatur

Altmann, T., & Roth, M. (2018). The Self-Esteem Stability Scale (SESS) for cross-sectional direct assessment of self-esteem stability. Frontiers in Psychology, 9, 91.

Benecke, C., Henkel, M., Doering, S., Jakobsen, T., Stasch, M., Dahlbender, R., Alhabbo, S., & Zimmermann, J. (2018). Der OPD-Konfliktfragebogen. Zeitschrift für Psychosomatische Medizin und Psychotherapie, 64(4), 380–393.

Chen, A. X., Horga, G., & Escola, S. (2026). Using large language models to measure symptom severity scores in patients at-risk for schizophrenia. Schizophrenia Bulletin, 52(5), sbag084.

Ehrenthal, J. C., Dinger, U., Horsch, L., Komo-Lang, M., Klinkerfuß, M., Grande, T., & Schauenburg, H. (2012). Der OPD-Strukturfragebogen (OPD-SF): Erste Ergebnisse zu Reliabilität und Validität. PPmP – Psychotherapie · Psychosomatik · Medizinische Psychologie, 62(1), 25–32.

Friedman, D., & Dieng, A. B. (2023). The Vendi Score: A diversity evaluation metric for machine learning. Transactions on Machine Learning Research.

Gräfe, K., Zipfel, S., Herzog, W., & Löwe, B. (2004). Screening psychischer Störungen mit dem „Gesundheitsfragebogen für Patienten (PHQ-D)": Ergebnisse der deutschen Validierungsstudie. Diagnostica, 50(4), 171–181.

Kroenke, K., Spitzer, R. L., & Williams, J. B. W. (2001). The PHQ-9: Validity of a brief depression severity measure. Journal of General Internal Medicine, 16(9), 606–613.

Löwe, B., Decker, O., Müller, S., Brähler, E., Schellberg, D., Herzog, W., & Herzberg, P. Y. (2008). Validation and standardization of the Generalized Anxiety Disorder Screener (GAD-7) in the general population. Medical Care, 46(3), 266–274.

Oltmanns, J. R., Khandelwal, R., Ma, J., Brickman, J., Do, T., Hussain, R., & Gupta, M. (2026). Language-based AI modeling of personality traits and pathology from life narrative interviews. Journal of Psychopathology and Clinical Science, 135, 122–135.

Rosenberg, M. (1965). Society and the adolescent self-image. Princeton University Press.

Sokol, Y., & Goodman, M. (2026). From Likert scales to large language models: Validating a computational approach to psychological assessment of future self-continuity. Journal of Personality Assessment, 108(3), 437–447.

Spitzer, R. L., Kroenke, K., Williams, J. B. W., & Löwe, B. (2006). A brief measure for assessing generalized anxiety disorder: The GAD-7. Archives of Internal Medicine, 166(10), 1092–1097.

Teferra, B. G., Sidharta, C. K., Hsiang, W.-N., Rueda, A., Guan, B., Zhang, Y., … Bhat, V. (2026). Zero-shot large language models for preliminary prediction of PTSD symptoms from clinical interview transcripts. The Canadian Journal of Psychiatry.

von Collani, G., & Herzberg, P. Y. (2003). Eine revidierte Fassung der deutschsprachigen Skala zum Selbstwertgefühl von Rosenberg. Zeitschrift für Differentielle und Diagnostische Psychologie, 24(1), 3–7.

8