Forschende der Universitat Politècnica de València (UPV) kombinierten bei ihrer Untersuchung von TikTok-Videos Text- und Bildanalyse mit den Reaktionen der Betrachter: Blickbewegungen, EEG und Herzfrequenz. RUVID und Actualidad Valencia berichteten am 15. Oktober 2026 über den Ansatz, der auch Sexismus erfassen soll, der sich erst durch Humor, Ironie oder den Kontext erschließt (RUVID; Actualidad Valencia).
Welche Signale in die Videoanalyse einfließen
Die von den Berichten beschriebene Videoauswertung umfasste rund 2.500 spanisch- und englischsprachige TikTok-Videos aus EXIST-Datensätzen. Zehn Personen nahmen an der Videostudie teil. Während sie die Inhalte ansahen, erfassten die Forschenden ihre Blickbewegungen, EEG-Signale – also elektrische Aktivität des Gehirns – und Herzfrequenz (RUVID; Actualidad Valencia).
Die Berichte beschreiben längere Reaktionszeiten, mehr Blickfixationen sowie Veränderungen bei Augenbewegungen und Herzfrequenz, wenn Teilnehmende sexistische Inhalte sahen. Solche Messungen sollen dabei helfen, Inhalte einzuordnen, deren Bedeutung nicht allein aus einzelnen Wörtern oder Bildern hervorgeht.
Für den Vergleich mit einem System, das nur Text und Bilder berücksichtigte, nennen die Berichte eine Verbesserung um etwa 4 Prozent bei der Entscheidung, ob ein Video sexistisch ist, und um mehr als 6 Prozent bei bestimmten Klassifikationsaufgaben. Die Berichte ordnen diese Werte keiner näher bezeichneten Messgröße zu (RUVID; Actualidad Valencia).
Was die 26,3 Prozent der Meme-Studie messen
Die 26,3 Prozent stammen aus einer getrennten Untersuchung von Memes. Das am 27. Februar 2026 veröffentlichte Preprint wertete 3.984 Memes aus dem Trainingssplit von EXIST 2025 aus: 1.979 auf Spanisch und 2.005 auf Englisch. Die Auswertung nutzte eine fünffache Kreuzvalidierung; 16 Personen nahmen an zwei Experimenten teil, und jedes Meme wurde mindestens zwei Personen gezeigt (Preprint auf arXiv).
Für die Klasse „Misogyny and Non-Sexual Violence“ stieg der F1-Wert von 0,259 auf 0,327. F1 fasst Präzision und Trefferquote in einer Kennzahl zusammen. Der Zuwachs von 26,3 Prozent ist relativ zum Ausgangswert berechnet und gilt für diese Meme-Kategorie.
Das Preprint berichtet außerdem für die binäre Erkennung von Sexismus eine AUC von 0,794 und für die Erkennung der Absicht einen Anstieg der AUC von 0,628 auf 0,655. AUC beschreibt, wie gut ein Modell positive und negative Fälle auseinanderhält. Diese Messwerte gehören ebenfalls zur Meme-Auswertung.
Welche Grenzen das Meme-Preprint nennt
Bei den Herzfrequenzmerkmalen fand das Meme-Preprint keine signifikanten Effekte. Die Forschenden kontrollierten außerdem weder die visuelle noch die textuelle Komplexität der Memes; auch die subjektive Bewertung der zugrunde liegenden Labels wird als Einschränkung genannt (Preprint auf arXiv).
