L UDWIG -M AXIMILIANS -U NIVERSIT ÄT M ÜNCHEN

Messung emotionaler Reaktionen auf

Clickbait-Beiträge in sozialen Netzwerken mittels
Auswertung von Gesichtsausdrücken

Wissenschaftliche Ausarbeitung im Rahmen des Kurses ”Wissenschaftliches Arbeiten und Lehren” im

Wintersemester 2018/19
Team8: Farhad Arain∗ , Jennifer Herner† , Lars Reisig‡ , Sophia Sakel§

∗ Institut für Informatik

LMU München, Bayern, Deutschland
Email: farhad.arian@campus.lmu.de
† Institut für Informatik

LMU München, Bayern, Deutschland

Email: J.Herner@campus.lmu.de
‡ Institut für Informatik

LMU München, Bayern, Deutschland

Email: lars.reisig@campus.lmu.de
§ Institut für Informatik

LMU München, Bayern, Deutschland

Email: sophia.sakel@campus.lmu.de
 I. P ROBLEMSTELLUNG
Seit mehreren Jahren haben sich in den Bereichen
des Journalismus aber auch des Marketings sogenannte
”Clickbaits” durchgesetzt. Zum Leid der Nutzer vieler
sozialer Netzwerke werden diese Links in den Feed also den
kontinuierlichen Content-Strom des Nutzers eingefügt, sodass
dieser unmissweigerlich mit den dort propagierten Statements
konfrontiert wird.
Die Wissenschaft beschäftigt sich bereits seit längerem
damit, solche Artikel zu erkennen. Häufig wird hierbei jedoch
lediglich der Inhalt des Artikels betrachtet und der Nutzer
bzw. die Reaktion des Nutzers nicht beleuchtet. Heutige
Erkenntnisse auf dem Gebiet des ”Affective Computing”
haben diverse Methodiken hervorgebracht, welche eine
aussagekräftige Emotionserkennung von Menschen auf
Grundlage unterschiedlicher Daten ermöglichen. Um den
Nutzern sozialer Netzwerke in Zeiten derartiger Datenfluten
eine personalisierte Inhaltsauswahl bereitstellen zu können, ist
es unvermeidbar, eine automatisierte Detektion von Clickbait-
Artikeln vorzunehmen. Die Wissenschaft prognostiziert einen
immensen Anstieg derartiger Artikel und ein explizites
Melden oder Reagieren auf jeden einzelnen dieser Artikel
wäre sehr mühsam.
Daher soll in dieser Arbeit untersucht werden, ob es möglich
ist, über unmittelbare emotionale Reaktionen die Bereitschaft
für Clickbaits einzelner Nutzer zu untersuchen.
II. R ELATED W ORK
A. Clickbaiting
Hierbei handelt es sich um die bewusst übertriebene
Ankündigung einer Thematik, wodurch der Nutzer angeregt
werden soll, dem zugrundeliegenden Link auf die meistens
eigene Website der Beitragsurheber zu folgen [1], [2].
Häufig bestehenden diese lediglich aus Überschriften, wie
beispielsweise in Fig.1 dargestellt , welche jedoch provokant
und boulevadistisch formuliert wurden, um die grösstmögliche
Aufmerksamkeit auf sich zu ziehen.
Fig. 1. Fig.1 - Beispiel für eine Clickbait-Überschrift im Gegensatz zu einer
herkömmlichen Nachricht
1) Clickbaiting in Sozialen Netzwerken: Häufig werden
Clickbaits in sozialen Netzwerken eingesetzt, um von der
Aufmerksamkeit, die der Nutzer auf den Informationsstrom
gerichtet hat, zu profitieren [3], [4] Beispiele hierfür sind
Facebook [5]–[7] , Instagram [8], Twitter [1], [9], [10] und
YouTube [11] .
2) Erkennung von Clickbaiting: Viele wissenschaftliche
Arbeiten beschäftigen sich mit dem Erkennen von Clickbait-
Beiträgen [3], [5], [6], [12]–[15] . Oftmals wird hierbei die
besondere Notwendigkeit hervorgehoben, welche diese The-
matik mit sich bringt [3]. Viele dieser Arbeiten basieren auf
Natural Language Processing, also dem eigentlich Auslesen
und Interpretieren des Inhaltes [9], [10], [12], [16], [17].
Andere Arbeiten versuchen einen nutzerzentrierten Ansatz
und werten beispielsweise mittels Eyetrackern die Pupil-
lenveränderungen aus, die beim Betrachten von Clickbait-
Beiträgen auftreten [9], [18].
B. Affective Computing
Affective Computing beinhaltet die Forschung und
Weiterentwicklung von Systemen und Geräten, welche
menschliche Emotionen erkennen, interpretieren, verarbeiten
und simulieren können [19], [20]. Das Themengebiet
vereint die Bereiche der Psychologie, der kognitiven
Wissenschaft sowie die der Physiologie und Informatik
[20]. Computer modellieren menschliche Bewegungen und
können mittels autonomer Agenten eine Bandbreite an
emotionalen Zuständen erkennen und diese auswerten [21]. In
der aktuellen Forschung wird zwischen folgenden Zuständen
klassifiziert: Neutralität, Freude, Langeweile, Traurigkeit,
Ärger, Angst, Empörung, Ekel und Erstaunen [22], [23].
Emotionen können von Menschen unterschiedlich ausgedückt
werden. Der tatsächliche kognitive Zustand einer Person
lässt sich laut Picard heutzutage noch nicht abbilden [24].
Allerdings können Emotionen über physische Reaktionen, wie
die Abfolge von Gesichtsausdrücken, Körperbewegungen,
Gesten, Sprachverhalten und physischen Signalen (z.B.
Herzschlag und Schweiß) gemessen werden [20], [24].
Nachfolgend werden Methoden für die Erkennung von
menschlichen Emotionen aufgelistet:
1) Sprachverarbeitung: Der Sprachkanal kann sowohl
bewusst, als auch unbewusst Emotionen übermitteln. Zum
Beispiel wird die Stimme in bestimmten Situationen
bewusst angehoben, um Wut auszudrücken. Die gleiche
Emotion kann hingegen auch unbewusst über eine prägnante
Ausdrucksweise ausgetragen werden [22]. Computer können
bewusste Emotionen wesentlich leichter erkennen als
unbewusste [22].
2) Körperbewegungen und Gesten: In der Erkennung
und Verarbeitung von Gesten werden in aktuellen Studien
hauptsächlich Hände untersucht. Verschiedene Bewegungen
beinhalten unterschiedliche Bedeutungen und können die
Stimmung unterstreichen oder dienen als Zeichensprache. In
realen Applikationen ist es sehr schwierig Körpergesten und
-bewegungen einzufangen und zu deuten. Die Genauigkeit
der Ergebnisse sowie die Effizienz der Parameter für die
Erkennung von subtilen Körperbewegungen ist noch immer
ein zu lösendes Problem [20] .
 3) Gesichtsausdrücke: Die Analyse von Gesicht-
sausdrücken ist nach Brodny et al. der beste Kompromiss, um
sowohl Emotionen zu diagnostizieren, als auch zu akquirieren
[23]. Die Struktur des Gesichts kann durch 37 Linien
parametrisiert werden, um vom Menschen grob erkannt
zu werden [25]. In Ekmans System wurden menschliche
Gesichtsausdrücke in sogenannte ”Action Units” (AU)
eingeteilt. Durch die Abfolge dieser Action Units können
die 6 Grundemotionen: Freude, Wut, Erstaunen, Ekel, Angst
und Traurigkeit von Computern erkannt werden [26]. Die
Grundemotionen sind zudem universal verwendbar und
unabhängig ihres Geschlechts, Rasse, Bildung und Herkunft
[26]. Auf dem Markt befindet sich derzeit eine Große
Auswahl an Gesichtserkennungs-basierten Emotionstrackern.
Sie werden sowohl für Marketingzwecke, als auch in Usability
Tests eingesetzt [23]. Laut Brodny sind die derzeit besten
Systeme folgende: Affdex, Xpress Engine, Emotient, EmoVu,
FaceReader, InSight und nViso [23]. Seine vergleichende
Studie resultiert in dem Ergebnis, dass die Applikation
FaceReader für Videoaufnahmen bessere Ergebnisse erzielt
als die Xpress Engine. Bei der Auswertung von Fotos lag
hingegen die Xpress Engine vorne [23].
III. J USTIFICATION
Wie schon in der Problemstellung erwähnt, ist die Erken-
nung von Clickbait in Wissenschaftskreisen ein hochaktuelles
Thema, denn viele Social-Media-Nutzer fühlen sich durch die
provokanten Inhalte in ihren Newsfeed genervt oder gest ort
[27] . Oftmals ist dazu jedoch ein komplexes neuronales Netz
notwendig, das bekannte oder auch oft publizierte Phrasen und
Floskeln aus neuen Beiträgen erkennen kann. Viele Nutzer
erkennen aus der Mischung aus Bild und Überschrift jedoch
meist viel schneller, ob es sich um einen Clickbait-Beitrag
handelt oder nicht. Gleichzeitig nimmt das Volumen an derar-
tigen Beiträgen rapide zu, sodass die Nutzer immer häufiger
angeben müssten, dass und auch weshalb Ihnen dieser Artikel
nicht gefällt.
Um diesem Trend entgegen zu wirken, wäre eine automa-
tische Analyse der Nutzeremotionen denkbar, welche vom
sozialen Netzwerk oder anderen Seiten wiederum automa-
tisch mit dem entsprechenden Beitrag in Verbindung gebracht
werden könnte. Bisher wurden nur wenige derartigen Unter-
suchungen betrieben, welche jedoch als Motivation für die Ar-
beit dienen sollen. So zeigt [28] eine deutliche Unterscheidung
bei der Wahrnehmung von Clickbait-Beiträgen im Gegensatz
zu herkömmlichen Überschriften oder Ankündigungen. Daran
anknüpfend sollen in diesem Beitrag weitere Messungen des
affektiven Nutzerverhaltens durchgeführt werden. Die Beson-
derheit liegt hierbei auf der Nutzung herkömmlicher Kameras
aus Laptops oder Smartphones, welche eine flächendeckende
Anwendung dieser Methodik ermöglichen würden. Ebenfalls
soll ermittelt werden, ob Clickbait-Beiträge sowohl bei einem
einzelnen Menschen, aber auch über eine konkrete Person-
engruppe hinweg erkennbare Reaktionsmuster aufweist. Ohne
diese wäre eine Ermittlung von Clickbait-Beiträgen nicht
sicher möglich und andere Beiträge würden fehlinterpretiert
werden. Um dem entgegenzuwirken soll in dieser Arbeit die
aktuelle Bestrebung zur Erkennung von Clickbait-Beiträgen
aufgegriffen werden und um einen bisher nicht elaborierten
Ansatz erweitert werden.
IV. E VALUATION
Um unsere Fragestellung zu evaluieren soll ein kontrol-
liertes Nutzerexperiment durchgefhrt werden. Dieses wird an
die Arbeit von [28] angelehnt, da auch hier die affektive
Reaktion auf Clickbaits untersucht wurde. Das Experiment
beginnt damit, den Teilnehmern verschiedene Beiträge in
einem Content Feed zu zeigen, die sie sich genau ansehen
sollen. Währenddessen werden die Emotionen des Testers
mit Hilfe von Emotionserkennung durch Gesichtsausdrücke
ermittelt. Es wird mehrere Runden geben, in denen der Content
zwischen zwei Varianten variiert. Die eine Variante zeigt
reguläre News und Content während in die andere Variante
mehrere Clickbaits eingebaut werden. Anschliesend können
die jeweiligen Ergebnisse der beiden Varianten verglichen
werden, um festzustellen, ob es Unterschiede in der Reaktion
der Nutzer gibt und man die Clickbaits anhand der erkannten
Emotionen herausfinden kann. Zudem werden die Teilnehmer
gebeten, einen Fragebogen auszufüllen. Dieser Fragebogen
soll klären, ob die Clickbaits des Nutzers aktiv wahrgenommen
wurden und wie die Nutzer selbst die erfahrenen Emotionen
und Reaktionen auf die Beiträge empfunden hat.
V. R ESEARCH P LAN
Im weiteren Vorgehen werden folgende Schritte zusam-
mengefasst:
• Das Experiment vorbereiten: Detaillierter Aufbau, Teil-
nehmer finden und Termine für die Durchführung festle-
gen
• Das Experiment durchführen: Set up vorbereiten und
Testläufe absolvieren
• Resultate des Experiments herausarbeiten
• Abschnitte wie Abstract, Introduction, Conclusion und
Future Work ergänzen
Für den weiteren Ablauf werden zudem eigene Deadlines
gesetzt um den Fortschritt und die rechtzeitige Abgabe sicher
zu stellen (Fig.2). Die meisten Punkte des Research Plans
werden in der Gruppe zusammen bearbeitet und gestaltet.
Fig. 2. Fig.2 - Planung der Seminararbeit
 R EFERENCES AMCIS 2018 Proceedings, Aug. 2018. [Online]. Available: https:
//aisel.aisnet.org/amcis2018/eBusiness/Presentations/6
[1] A. Chakraborty, R. Sarkar, A. Mrigen, and N. Ganguly, “Tabloids in the [19] R. W. Picard et al., “Affective computing,” 1995.
Era of Social Media? Understanding the Production and Consumption [20] J. Tao and T. Tan, “Affective computing: A review,” in International
of Clickbaits in Twitter,” arXiv:1709.02957 [cs], Sep. 2017, arXiv: Conference on Affective computing and intelligent interaction. Springer,
1709.02957. [Online]. Available: http://arxiv.org/abs/1709.02957 2005, pp. 981–995.
[2] Y. Chen, N. J. Conroy, and V. L. Rubin, “Misleading Online Content: [21] K. R. Scherer, T. Bänziger, and E. Roesch, A Blueprint for Affective
Recognizing Clickbait As ”False News”,” in Proceedings of the 2015 Computing: A sourcebook and manual. Oxford University Press, 2010.
ACM on Workshop on Multimodal Deception Detection, ser. WMDD [22] W. Li, Y. Zhang, and Y. Fu, “Speech emotion recognition in e-learning
’15. New York, NY, USA: ACM, 2015, pp. 15–19. [Online]. Available: system based on affective computing,” in Natural Computation, 2007.
http://doi.acm.org/10.1145/2823465.2823467 ICNC 2007. Third International Conference on, vol. 5. IEEE, 2007,
[3] M. Potthast, S. Köpsel, B. Stein, and M. Hagen, “Clickbait Detection,” pp. 809–813.
in Advances in Information Retrieval, ser. Lecture Notes in Computer [23] G. Brodny, A. Kołakowska, A. Landowska, M. Szwoch, W. Szwoch,
Science, N. Ferro, F. Crestani, M.-F. Moens, J. Mothe, F. Silvestri, G. M. and M. R. Wróbel, “Comparison of selected off-the-shelf solutions for
Di Nunzio, C. Hauff, and G. Silvello, Eds. Springer International emotion recognition based on facial expressions,” in Proceedings of the
Publishing, 2016, pp. 810–817. 2016 9th International Conference on Human System Interactions (HSI),
Portsmouth, UK, 2016, pp. 6–8.
[4] J.-H. Schmidt, “Medienöffentlichkeit und Journalismus,” in Social Me-
[24] R. W. Picard, “Affective computing: challenges,” International Journal
dia, ser. Medienwissen kompakt, J.-H. Schmidt, Ed. Wiesbaden:
of Human-Computer Studies, vol. 59, no. 1, pp. 55–64, Jul.
Springer Fachmedien Wiesbaden, 2018, pp. 45–60.
2003. [Online]. Available: http://www.sciencedirect.com/science/article/
[5] N. Hurst, “To clickbait or not to clickbait? An examination of
pii/S1071581903000521
clickbait headline effects on source credibility,” Thesis, University
[25] N. L. Etcoff and J. J. Magee, “Categorical perception of facial expres-
of Missouri–Columbia, 2016. [Online]. Available: https://mospace.
sions,” Cognition, vol. 44, no. 3, pp. 227–240, 1992.
umsystem.edu/xmlui/handle/10355/56080
[26] P. Ekman and W. V. Friesen, Facial action coding system: Investigator’s
[6] A. Chakraborty, B. Paranjape, S. Kakarla, and N. Ganguly, “Stop guide. Consulting Psychologists Press, 1978.
Clickbait: Detecting and Preventing Clickbaits in Online News Media,” [27] J. M. Scacco and A. Muddiman, “INVESTIGATING THE INFLUENCE
in Proceedings of the 2016 IEEE/ACM International Conference on OF CLICKBAIT NEWS HEADLINES,” p. 12.
Advances in Social Networks Analysis and Mining, ser. ASONAM ’16. [28] “Measuring Emotional Arousal in Clickbait: Eye-Tracking Approach,”
Piscataway, NJ, USA: IEEE Press, 2016, pp. 9–16. [Online]. Available: p. 9.
http://dl.acm.org/citation.cfm?id=3192424.3192427
[7] N. Wongsap, T. Prapphan, L. Lou, S. Kongyoung, S. Jumun, and
N. Kaothanthong, “Thai Clickbait Headline News Classification and its
Characteristic,” in 2018 International Conference on Embedded Systems
and Intelligent Technology International Conference on Information and
Communication Technology for Embedded Systems (ICESIT-ICICTES),
May 2018, pp. 1–6.
[8] J. BRADWELL, “Clickbait, culturejacking and curated content:
Your keys to killing it on social media,” Journal of Education
Advancement & Marketing, vol. 1, no. 3, pp. 214–226, 2016.
[Online]. Available: https://www.ingentaconnect.com/content/hsp/jeam/
2016/00000001/00000003/art00003
[9] Y. Zhou, “Clickbait Detection in Tweets Using Self-attentive Network,”
arXiv:1710.05364 [cs], Oct. 2017, arXiv: 1710.05364. [Online].
Available: http://arxiv.org/abs/1710.05364
[10] M. Potthast, T. Gollub, K. Komlossy, S. Schuster, M. Wiegmann, E. P.
Garces Fernandez, M. Hagen, and B. Stein, “Crowdsourcing a Large
Corpus of Clickbait on Twitter,” in Proceedings of the 27th International
Conference on Computational Linguistics. Santa Fe, New Mexico,
USA: Association for Computational Linguistics, Aug. 2018, pp. 1498–
1507. [Online]. Available: http://www.aclweb.org/anthology/C18-1127
[11] J. Qu and A. M. HiT, “Towards Crowdsourcing Clickbait Labels for
YouTube Videos,” p. 4.
[12] X. Cao, T. Le, Jason, and Zhang, “Machine Learning Based Detection
of Clickbait Posts in Social Media,” arXiv:1710.01977 [cs], Oct. 2017,
arXiv: 1710.01977. [Online]. Available: http://arxiv.org/abs/1710.01977
[13] A. Kadian, V. Singh, and A. Bhattacherjee, “Detecting Clickbait Using
User Emotions and Behaviors on Social Media,” p. 9.
[14] A. Agrawal, “Clickbait detection using deep learning,” in 2016 2nd
International Conference on Next Generation Computing Technologies
(NGCT), Oct. 2016, pp. 268–272.
[15] H.-T. Zheng, X. Yao, Y. Jiang, S.-T. Xia, and X. Xiao, “Boost Clickbait
Detection Based on User Behavior Analysis,” in Web and Big Data, ser.
Lecture Notes in Computer Science, L. Chen, C. S. Jensen, C. Shahabi,
X. Yang, and X. Lian, Eds. Springer International Publishing, 2017,
pp. 73–80.
[16] S. Manjesh, T. Kanakagiri, P. Vaishak, V. Chettiar, and G. Shobha,
“Clickbait Pattern Detection and Classification of News Headlines Using
Natural Language Processing,” in 2017 2nd International Conference
on Computational Systems and Information Technology for Sustainable
Solution (CSITSS), Dec. 2017, pp. 1–5.
[17] P. Adelson, S. Arora, and J. Hara, “Clickbait; Didnt Read: Clickbait
Detection using Parallel Neural Networks,” p. 5.
[18] S. F. Pengnate, A. Young, and J. Chen, “NEW DETAILS EMERGE!
Revealing the Effects of Clickbait Headlines on User Responses,”