BERLIN / LONDON (IT BOLTWISE) – Eine neue Studie zeigt, dass Anhedonie bei jungen Menschen die Kopplung von Belohnung und physischem Aufwand beim Lernen verschiebt. In einem zweistufigen Computertest konnten Teilnehmende zwar grundsätzlich Belohnungswahrscheinlichkeiten lernen, passten aber ihre Geschwindigkeit bei erhöhtem Belohnungsanreiz zu wenig an. Besonders hohe Werte bei anticipatory und consummatory anhedonia gingen mit schlechterer Lerngenauigkeit und mehr zufälligen Entscheidungen in computationalen Modellen einher. Das erklärt, warum sich Motivation langfristig schlechter aufbauen lässt und warum therapeutische Ansätze künftig stärker am Aufwand-Lernen ansetzen könnten.
Depressionen gelten weltweit als eine der häufigsten Ursachen für Einschränkungen im Alltag. Ein zentrales Symptom ist Anhedonie, also eine abgeschwächte Fähigkeit, Freude zu empfinden oder zukünftige positive Ereignisse wirklich zu erwarten. Was dabei in der Praxis oft „nur“ als gefühlte Antriebslosigkeit beschrieben wird, lässt sich nun genauer auf Mechanismen herunterbrechen: Junge Menschen, die weniger Lust und weniger Erwartung empfinden, lernen schlechter, wie sich hohe Belohnungen mit dem körperlichen Aufwand vereinbaren. Die Studie erschien in der Psychological Medicine und verbindet klinische Psychologie mit modellbasierter Lernanalyse.
Methodisch lohnt sich der Blick auf die Unterscheidung zwischen anticipatory und consummatory Anhedonie. Anticipatory Anhedonie beschreibt eine gedämpfte Fähigkeit, sich auf gute Dinge in der Zukunft zu freuen; consummatory Anhedonie dagegen meint, dass positive Erlebnisse „im Moment“ weniger genießen lassen. Beide Formen beeinflussen, wie Menschen Entscheidungen strukturieren: Sie wägen erwartete Gewinne gegen notwendige Kosten ab, etwa Energie, Zeit oder mentale Anstrengung. In der Lerntheorie wird das in zwei Komponenten zerlegt: Reward learning verfolgt, welche Aktionen langfristig die besten Payoffs bringen. Effort learning versucht dagegen, die tatsächlichen Energie-„Preise“ dieser Aktionen abzuschätzen.
Genau an dieser Stelle setzen Sahni und Team an. Die Autorinnen und Autoren vermuteten, dass frühere Experimente zu anspruchsvoll oder zu kognitiv überlappend gestaltet waren: In älteren Paradigmen mussten Teilnehmende Belohnung und Aufwand zeitgleich lernen, also ständig zwischen dem Wert eines möglichen Gewinns und dem körperlichen Preis wechseln. Das ist kognitiv teuer und kann in der Lernphase sogar systematisch begünstigen, dass die Aufmerksamkeit stärker auf den Gewinn fällt als auf die Kosten. Um den Bias zu reduzieren, trennten die Forschenden das Training in zwei getrennte Phasen: In einer Phase stand ausschließlich das Erkennen der Reward-Wahrscheinlichkeiten im Vordergrund; in der anderen Phase wurden die Aufwandskosten variabel gemacht, während die Reward-Seite konstant blieb.
Der Test selbst umfasst 155 Teilnehmende im Alter von 16 bis 25 Jahren, die über ein Spektrum depressiver Symptome hinweg rekrutiert wurden. Vor dem eigentlichen Task füllten sie standardisierte Fragebögen aus, die sowohl Depressions- und Angstsymptomatik als auch spezifische Erfahrungen mit anticipatory und consummatory Anhedonie erfassten. Im Computerexperiment verwendeten die Forschenden Bildreize, um „hohe“ und „niedrige“ Belohnungen zu repräsentieren: Welpen standen dabei für hohe Belohnung (75% Auftretenswahrscheinlichkeit in der Reward-Phase, abhängig von der gewählten Option), erwachsene Hunde für die geringere. Entscheidend ist der Aufwand: Die Teilnehmenden mussten für das Anzeigen der Bilder 60-mal schnell alternierend Tasten drücken, um eine Fortschrittsanzeige zu füllen; später variierte sich genau dieser Aufwand je nach gewählter Option.
Damit ließ sich sowohl Lerngenauigkeit als auch physischer „Energieoutput“ messen. In der Reward-Phase lernten die Teilnehmenden unvorhersehbar, welche abstrakten Formen zuverlässig mehr Welpen lieferten. In der Effort-Phase blieb der Reward zwar im Kern konstant, aber die erforderliche Anzahl an Tastendrücken differierte: eine Option verlangte typischerweise 60 Eingaben, die andere nur 35. Wie zu erwarten, modulierten gesunde oder weniger anhedonische Teilnehmende ihre Press-Rate: Sie drückten im Schnitt schneller, wenn die Auswahl zu Welpen führte, also wenn der Reward-Wert höher war. Bei höherer anticipatory Anhedonie dagegen fand diese Anpassung deutlich weniger ausgeprägt statt; die Teilnehmenden investierten vergleichsweise ähnlich viel Mühe, unabhängig davon, ob sie auf hohe oder niedrige Belohnung zusteuerten.
Besonders interessant ist die Kombination aus Symptommessung und computationalen Modellen. Die Forschenden nutzten Modelle, um zu rekonstruieren, welche internen Lernschritte die beobachteten Entscheidungen treiben. Ein zentraler Parameter war eine „Temperature“-Kennzahl, die das Verhältnis zwischen Exploration und Exploitation abbildet: Hohe Werte deuten auf mehr zufällige, explorative Wahlmuster hin; niedrige Werte auf stärkere Nutzung des bereits gelernten Wissens. Mit zunehmender consummatory Anhedonie stieg diese Temperature sowohl in der Reward- als auch in der Effort-Phase. Das Muster ist klassisch für Unterausnutzung guter Optionen: Statt konsequent die günstigeren oder belohnungsreicheren Alternativen zu wählen, „verharren“ die Modelle in weniger optimalen Strategien. Über Zeit kann das bedeuten, dass Anhedonie nicht nur Freude reduziert, sondern auch die Lernlogik, die über Wiederholung Motivation stabilisieren würde.
Für den Market- und Praxisbezug lohnt ein Vergleich zu anderen Forschungsrichtungen, die Motivation als datengetriebenes Lernproblem behandeln. In der KI-nahen Psychologie werden ähnliche computationalen Ansätze etwa in Arbeiten zu Entscheidungsarchitekturen diskutiert, die u. a. bei Veröffentlichungen wie Nature Human Behaviour oder vergleichbaren Journals stark präsent sind. Der neue Beitrag unterscheidet sich allerdings dadurch, dass er Belohnungs- und Aufwandlernen experimentell entkoppelt und damit einen konkreten kognitiven Engpass adressiert: Wenn Exploration nicht sauber mit dem Nutzen-zu-Kosten-Verhältnis kalibriert wird, fällt das effektive „Learning Rate“-Signal im Alltag geringer aus. Für Unternehmen, die Reha-, HR- oder Wellbeing-Workflows mit datengestützten Empfehlungen planen, ist das eine Warnung: Motivationsmodelle, die nur „Belohnung“ betrachten, ohne Aufwand und Mühe explizit zu modellieren, werden bei manchen Nutzern systematisch danebenliegen.
Ein weiterer Blick gilt der Regulierung und dem Datenschutz, auch wenn die Studie selbst primär wissenschaftlich motiviert ist. Die Fragebögen und Verhaltensdaten sind potenziell besonders schützenswert, weil sie psychische Gesundheit indirekt abbilden können. Gerade bei späteren Ableitungen für Therapie oder digitale Begleitung sollten Prozesse zur Einwilligung, Datenminimierung und Zweckbindung eng an DSGVO-Grundsätzen ausgerichtet werden. Zudem müssen Modellparameter wie Exploration/Exploitation-Äquivalente so dokumentiert werden, dass nachvollziehbar bleibt, welche Variablen in Entscheidungen einfließen. Schließlich nennt das Team Limitationen: Die Stichprobe war überwiegend weiblich, weiß und stark universitär geprägt; nur ein kleiner Anteil hatte eine formale klinische Diagnose. Korrelationen waren zudem teils moderat und nach Mehrfachtests nicht immer signifikant.
Für die nächsten Schritte ergibt sich daraus eine klare Roadmap. Künftig braucht es diversere Kohorten mit klinisch diagnostizierter Depression, um subtile Zusammenhänge zwischen Anhedonie-Scores und Lernparametern stabil zu prüfen. Außerdem sollten Studien untersuchen, wie gängige psychiatrische Medikamente das Lernen von Belohnung und körperlichem Aufwand beeinflussen; das kann bedeuten, dass sich Temperature-/Exploration-Werte verändern oder dass sich Lernpräferenzen unter Therapie neu balancieren. Für therapeutische Strategien ist der Hebel plausibel: Wenn Kliniken helfen, die Exploration bewusster zu steuern und die körperlichen Kosten realistischer zu schätzen, könnten junge Menschen eher wieder in lohnende Aktivitätsmuster zurückfinden. „Wenn Belohnung nicht zuverlässig mit dem Aufwand zusammen gelernt wird, bricht Motivation an der Entscheidungsstelle ab“, fasst das Team den Kernmechanismus zusammen. Für die Industrie bedeutet das: Digitale Interventionen sollten „Kosten“ nicht als Nebenaspekt behandeln, sondern als gleichwertiges Optimierungsziel neben dem erwarteten Nutzen.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Anhedonie stört Lernmechanismen für Belohnung und körperlichen Aufwand" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Anhedonie stört Lernmechanismen für Belohnung und körperlichen Aufwand" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Anhedonie stört Lernmechanismen für Belohnung und körperlichen Aufwand« bei Google Deutschland suchen, bei Bing oder Google News!