Depression aus Text: Warum von 3.067 Studien elf blieben

Beginnen wir beim Trichter. Die Autor:innen dieser Metaanalyse starteten mit 3.067 Arbeiten zum Erkennen von Depression aus Text, bereinigten Dubletten auf 1.947, lasen 451 im Volltext und behielten elf. Diese elf Studien — zusammen fünfzehn Modelle — sind die gesamte Evidenzbasis, die eine schlichte Bedingung erfüllte: Das Depressions-Label, gegen das ein Modell trainiert wurde, musste entweder eine ärztliche Diagnose oder der PHQ-9 (Patient Health Questionnaire-9) sein, eine validierte Schweregradskala. Andere gängige Instrumente wie BDI-II und CES-D schlossen sie bewusst aus, um die Labels über die Studien hinweg vergleichbar zu halten. Dieses Verhältnis, 3.067 zu elf, ist die nützlichste Zahl der Arbeit, und es lohnt sich, davor innezuhalten, bevor man auf irgendeine Effektstärke blickt.

Warum diese Bedingung wiegt, ist das Label-Problem. Ein Modell, das Depression vorhersagen lernt, ist immer nur so gut wie das, was man ihm als Depression gezeigt hat. Ein großer Teil der veröffentlichten Literatur trainiert auf schwachen Labels — Stichwortabgleich, Forenzugehörigkeit, selbst erklärter Status — und ein darauf angepasstes Modell lernt die Textur des Schreibens im Netz, nicht das klinische Syndrom. Der Beitrag der Autor:innen besteht darin, alles auszusondern, was nicht an einer ärztlichen Diagnose oder dem PHQ-9 verankert war, und zu fragen, was der sorgfältige Rest tatsächlich zeigt. Nach ihrer eigenen Zählung fielen durch dieses strenge Kriterium 57,5 Prozent der ansonsten infrage kommenden Studien heraus.

Was die Forschenden getan haben

Es handelt sich um eine systematische Übersichtsarbeit mit Metaanalyse, vorab in PROSPERO registriert (CRD420251056902) und berichtet nach dem PRISMA-Standard (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) 2020. Das Team durchsuchte vier Datenbanken — PubMed, Scopus, IEEE Xplore und Web of Science — nach Arbeiten ab Januar 2014, in denen ein Modell des maschinellen Lernens auf von Teilnehmenden erzeugtem Text trainiert wurde: Essays, Tagebücher, Beiträge in sozialen Medien, Nachrichten, Chatprotokolle und klinische Transkripte. Die Effektstärken wurden als Korrelationen in einem Modell mit zufälligen Effekten gepoolt, mit der Hartung-Knapp-Sidik-Jonkman-Korrektur, ergänzt um Subgruppen- und Meta-Regressionsanalysen. Es ist eine Synthese bestehender Entwicklungsstudien, keine neuen prospektiven Daten — und erbt damit jede Schwäche, die in ihren elf Bausteinen steckt.

Was die Evidenz belegt

Das gepoolte Signal ist wirklich stark. Über die fünfzehn Modelle hinweg lag die kombinierte Effektstärke bei r = 0,605 (95-Prozent-Konfidenzintervall 0,498–0,693) — nach jeder gängigen Lesart ein großer Zusammenhang. Depression aus klinisch etikettiertem Text zu erkennen ist im Mittel keine Randaufgabe. Die Subgruppenanalysen weisen dann in Richtungen, die eine Methodikerin erwartet: Embedding-basierte Textrepräsentationen schlugen klassische, von Hand gebaute Merkmale (r = 0,741 gegenüber 0,514), tiefe Architekturen übertrafen flache Modelle (0,731 gegenüber 0,486), und mit ärztlicher Diagnose trainierte Modelle lagen vor jenen, die auf dem PHQ-9 als Selbstauskunft beruhten (0,688 gegenüber 0,500). Nichts davon überrascht, und genau das ist die Stärke — die Daten verhalten sich, wie es die Theorie verlangt.

Das im Stillen wichtigste Ergebnis betrifft die Berichterstattung. Studien mit höherem TRIPOD-Wert (Transparent Reporting of a multivariable prediction model for Individual Prognosis Or Diagnosis) schnitten auch besser ab, und der Zusammenhang hielt in der Meta-Regression stand (β = 0,085, p < 0,001). Sorgfältig gelesen besagt das nicht, dass Transparenz Genauigkeit verursacht. Es besagt, dass jene Studien, die ihre Methoden ordentlich dokumentierten, auch jene waren, die funktionierten — Grund genug, vollständige TRIPOD-Berichterstattung als Voraussetzung dafür zu behandeln, ein Modell ernst zu nehmen, und nicht als optionales Gütesiegel.

Was die Evidenz nicht belegt

Nun zur Heterogenität, langsam. Das I² betrug 85,9 Prozent — der größte Teil der Streuung zwischen den Modellen ist echt, kein Rauschen. Die Folge steht im Prognoseintervall, das die Autor:innen ehrlich angeben: 0,140 bis 0,851. Das gepoolte r von 0,605 ist der Durchschnitt eines Feldes, doch das Intervall ist das, was Sie von der nächsten Studie erwarten sollten, die Sie lesen. Ein neues Modell könnte nahe am Münzwurf landen oder nahe an der Decke, und diese Synthese kann Ihnen vorab nicht sagen, welches von beidem. Ein starker Durchschnitt über eine sehr breite Streuung ist kein Freibrief, irgendeinem einzelnen Werkzeug zu vertrauen.

Zwei weitere Grenzen benennen die Autor:innen selbst. Sie stuften die Gesamtsicherheit der Evidenz nach GRADE als moderat ein, heruntergezogen genau durch diese Heterogenität. Und sie schlossen die neuesten Verfahren bewusst aus — große Sprachmodelle, promptbasierte Ansätze und dialogische Systeme lagen außerhalb des Zeitfensters. Es ist also eine saubere Lesart einer reifenden Literatur, kein Urteil über die Systeme, die sich derzeit am schnellsten bewegen. Hinzu kommt das Offensichtliche: Jeder Effekt hier ist Diskrimination in einer Entwicklungsstichprobe; keine der elf Studien sagt Ihnen den positiven Vorhersagewert bei der Prävalenz einer ungescreenten Bevölkerung, wo die meisten der als auffällig Markierten tatsächlich nicht depressiv wären.

Warum das hier zählt

Über digitales Screening auf Depression wird in europäischen Systemen diskutiert, und die Versuchung besteht darin, das schiere Volumen der Literatur als Reife zu lesen. Diese Arbeit ist die Korrektur: Von über dreitausend Publikationen erfüllten elf einen Grundstandard für das Label, und selbst diese streuen von nahezu zufällig bis nahezu perfekt. Praktisch bleibt eine kurze Liste von Fragen an jede:n, der ein solches Werkzeug anbietet. Welche Labels lagen dem Training zugrunde — eine ärztliche Diagnose, der PHQ-9 oder ein Behelf? Wie groß und wie repräsentativ war die Entwicklungsstichprobe? Wurde es extern validiert, in einer Bevölkerung und Sprache, die der Ihren ähnelt, und bei der Prävalenz, der Sie tatsächlich begegnen? Die ehrliche Antwort auf die zweite und dritte Frage lautet meist nein, und das ist die Kluft zwischen einem starken metaanalytischen Durchschnitt und einem System, das Sie in die Nähe von Patient:innen lassen würden.

Quelle: Zhang S, Zhang C, Zhang J. Text-Based Depression Estimation Using Machine Learning With Standard Labels: Systematic Review and Meta-Analysis. Journal of Medical Internet Research 2026;28:e82686. Eine vorab registrierte systematische Übersichtsarbeit mit Metaanalyse aus elf Entwicklungsstudien; die Autor:innen bewerten die Sicherheit der Evidenz nach GRADE wegen erheblicher Heterogenität als moderat und schließen große Sprachmodelle bewusst aus. Gefunden über PubMed. Die Autor:innen geben keine Interessenkonflikte an; gefördert durch ein Programm zur kollaborativen Bildung des chinesischen Bildungsministeriums, ein Provinz-Schlüssellabor in Guangdong und Startfinanzierung der Southern University of Science and Technology.