Zwei Wochen Woebot: Was eine frühe randomisierte Studie wirklich belegt

70 junge Erwachsene wurden zufällig zugeteilt

Die Teilnehmenden waren zwischen 18 und 28 Jahre alt und wurden online über eine Social-Media-Seite aus dem Universitätsumfeld gewonnen. 34 kamen in die Woebot-Gruppe, 36 in die Informationskontrolle.

Das Experiment war unblind: Die Personen wussten, ob sie mit einem Chatbot oder einem E-Book arbeiteten. Erwartungen an ein neues interaktives Produkt können daher einen Teil der Erfahrung beeinflusst haben.

Gemessen wurden Depression mit dem PHQ-9, Angst mit dem GAD-7 und positiver sowie negativer Affekt zu Beginn und etwa zwei bis drei Wochen später.

83 Prozent lieferten Daten zum zweiten Messzeitpunkt. Die Ausfallquote von 17 Prozent ist bei der Interpretation relevant, wurde aber durch eine Intention-to-treat-Analyse für den zentralen Depressionsvergleich berücksichtigt.

Der PHQ-9 veränderte sich zwischen den Gruppen

Zu Beginn bestanden keine signifikanten Gruppenunterschiede. Am zweiten Messzeitpunkt zeigte die Intention-to-treat-Analyse einen signifikanten Unterschied bei Depression: Die Woebot-Gruppe reduzierte ihre PHQ-9-Werte, die Informationsgruppe nicht entsprechend.

Das Ergebnis ist ein vorläufiges Wirksamkeitssignal für die untersuchte Kombination aus Gesprächsformat und CBT-basiertem Selbsthilfeprogramm. Es zeigt nicht, welcher einzelne Bestandteil die Veränderung ausgelöst hat.

Mögliche Faktoren sind regelmäßige Nutzung, unmittelbare Rückmeldung, die Aufteilung in kleine Einheiten und der Eindruck eines antwortenden Gegenübers. Ein Vergleich mit demselben Inhalt in einer nicht dialogischen App hätte den Formateffekt genauer isolieren können.

Zwei Wochen zeigen kurzfristige Veränderung. Ob der Unterschied anhielt, ob weitere Nutzung nötig war oder wie das Angebot in eine Versorgung eingebettet werden sollte, kann daraus nicht abgeleitet werden.

Bei Angst verbesserten sich beide Gruppen

In der Analyse der Personen mit vollständigen Daten gingen die GAD-7-Werte in beiden Gruppen signifikant zurück. Für Angst zeigte sich damit kein gleiches Muster wie bei Depression.

Auch ein Informations-E-Book kann Orientierung und Entlastung bieten. Zudem können Messwiederholung, Zeit oder andere Ereignisse während des kurzen Zeitraums Werte beeinflussen.

Das differenzierte Ergebnis verhindert die vereinfachte Aussage, der Chatbot habe alle untersuchten Symptome besser reduziert. Jede Skala und Analysepopulation muss getrennt berichtet werden.

Für Produktkommunikation bedeutet das, nicht aus einem positiven primären Befund ein umfassendes Versprechen über psychische Gesundheit abzuleiten.

Die Nutzung war für zwei Wochen vergleichsweise hoch

Teilnehmende der Woebot-Gruppe interagierten im Durchschnitt 12,14-mal mit dem System. Bei einer vorgesehenen Dauer von zwei Wochen zeigt das eine regelmäßige Nutzung.

Digitale Selbsthilfe scheitert häufig nicht nur an Inhalt, sondern an geringer Bindung. Ein Gesprächsformat kann kleine Einheiten zugänglicher machen und Rückkehr erleichtern.

Hohe Aktivität in einer kurzen Studie sagt jedoch wenig über Monate aus. Neuheit, Studienkontakt und eine klar begrenzte Aufgabe können Engagement zunächst erhöhen.

Langfristige Evaluation sollte untersuchen, welche Personen wiederkommen, wer früh abbricht und ob häufige Nutzung mit Nutzen oder möglicherweise auch mit Abhängigkeit von der Anwendung zusammenhängt.

Prozessfaktoren prägten die Akzeptanz

In den Kommentaren schienen Prozessfaktoren wichtiger für die Akzeptanz zu sein als Inhalte, die traditionelle Therapie widerspiegelten. Das ist eine zentrale Lehre für Gesprächsprodukte.

Ein fachlich fundierter Inhalt kann ungenutzt bleiben, wenn die Interaktion starr, wiederholend oder belehrend wirkt. Umgekehrt darf ein angenehmer Prozess fachliche Schwächen nicht verdecken.

Prozessqualität umfasst Timing, verständliche Sprache, Wahlfreiheit und Reaktion auf Rückmeldung. Gerade junge Erwachsene möchten möglicherweise Unterstützung, ohne dass jede Nachricht wie eine Therapiesitzung klingt.

Die Verbindung aus fachlicher Struktur und natürlichem Dialog ist deshalb eine eigene Entwicklungsaufgabe. Sie lässt sich nicht durch einen umfangreichen Systemprompt allein garantieren.

Auch der Übergang zwischen den Einheiten gehört zum Prozess. Ein System sollte nicht so tun, als beginne jede Sitzung bei null, aber frühere Inhalte nur mit Zustimmung und nachvollziehbarer Speicherlogik aufgreifen.

Ein Jugendpilot war machbar, aber zu klein für Wirksamkeit

Nicol und Kolleg:innen untersuchten einen CBT-Chatbot bei 13- bis 17-Jährigen mit moderaten Depressionssymptomen in der Primärversorgung. Von 18 randomisierten Jugendlichen gingen 17 in die Analyse ein.

Nach vier Wochen sank der mittlere PHQ-9-Wert in der App-Gruppe um 3,3 Punkte und in der Wartelistengruppe um zwei Punkte. Jugendliche und Eltern bewerteten Machbarkeit, Nutzbarkeit und Akzeptanz hoch.

Die Autor:innen betonen ausdrücklich, dass dieser kleine Pilot keine Wirksamkeit feststellen konnte. Er sollte klären, ob eine größere Untersuchung praktikabel ist.

Die überwiegend weibliche, weiße und privat versicherte Stichprobe begrenzt die Übertragbarkeit. Künftige Forschung muss ländliche, sozioökonomisch benachteiligte und unterrepräsentierte Gruppen einbeziehen.

Eine große brasilianische Studie fand kleine Effekte und hohen Abbruch

Matheson und Kolleg:innen randomisierten 1.715 brasilianische Jugendliche zwischen 13 und 18 Jahren zu einem Körperbild-Chatbot oder einer reinen Erhebungskontrolle. Die Untersuchung war vollständig remote und vorregistriert.

Der Chatbot bot kurze Mikrointerventionen über 72 Stunden. Bei mehreren primären und sekundären Maßen zeigten sich kleine signifikante Verbesserungen, darunter Zustands- und Trait-Körperbild sowie einzelne Affekt- und Selbstwirksamkeitsmaße.

Von 858 Personen im Interventionszweig gingen 531 verloren, eine Attrition von 61,9 Prozent. Unter den 327, die den Chatbot betraten, schlossen 258 mindestens eine Technik ab und nutzten durchschnittlich fünf.

Skalierbarkeit und kleine positive Effekte stehen damit neben einem großen Engagementproblem. Reichweite ist nur dann Wirkung, wenn Menschen das Angebot tatsächlich erreichen und ausreichend nutzen.

Der richtige Schluss ist spezifisch statt pauschal

Die Woebot-Studie belegt ein kurzfristiges positives Signal für ein bestimmtes CBT-basiertes Gesprächsprogramm bei einer kleinen Gruppe junger Erwachsener. Sie belegt nicht, dass freie generative Chats dieselbe Wirkung haben.

Die ergänzenden Jugendstudien zeigen, wie stark Population, Inhalt, Dauer und Umsetzung die Ergebnisse verändern. Machbarkeit, Akzeptanz, Symptomveränderung und tatsächliche Nutzung sind verschiedene Fragen.

Für heutige Systeme braucht es größere, diverse und längere Untersuchungen sowie eine genaue Dokumentation von Modell, Prompt, Inhalt und Sicherheitsarchitektur. Auch Gesprächsfehler sollten als eigene Ergebnisdimension erhoben werden.

Zwei Wochen Woebot waren ein wichtiger früher Schritt. Glaubwürdig bleibt er, wenn das Ergebnis weder kleingeredet noch zu einem allgemeinen Beweis für KI-Unterstützung überhöht wird.