Aktuelle Forschung untersucht, wie ChatGPT, ein fortschrittliches Sprachmodell von OpenAI, Farbmetaphern interpretiert, ein häufiges Merkmal der deutschen Sprache. Eine im Juli 2025 in *Cognitive Science* veröffentlichte Studie unter der Leitung von Professorin Lisa Aziz-Zadeh verglich die Antworten von ChatGPT mit denen von farbsehenden Erwachsenen, farbenblinden Erwachsenen und Malern. Die Teilnehmer ordneten abstrakten Wörtern Farben zu und interpretierten bekannte und neue Farbmetaphern.
Die Ergebnisse zeigten, dass ChatGPT konsistente Farbassoziationen generierte, oft unter Bezugnahme auf emotionale und kulturelle Assoziationen. Bei der Interpretation von „einer sehr pinken Party“ bemerkte ChatGPT beispielsweise, dass „Pink oft mit Glück, Liebe und Freundlichkeit assoziiert wird, was darauf hindeutet, dass die Party voller positiver Emotionen und guter Stimmung war“. Das Modell hatte jedoch Schwierigkeiten mit neuen Metaphern und invertierten Farbassoziationen. Dies verdeutlicht die Komplexität der menschlichen Farbwahrnehmung, die über reine linguistische Daten hinausgeht.
Eine weitere Studie untersuchte die Fähigkeit von ChatGPT, menschenähnliche Farbkonzept-Assoziationen zu replizieren. Die Forscher bewerteten die Fähigkeit des Modells, menschliche Farbkonzept-Assoziationen ohne zusätzliches Training abzuschätzen. Sie fanden heraus, dass die Bewertungen von ChatGPT mit den menschlichen Bewertungen korrelierten, was darauf hindeutet, dass Sprachmodelle Farbkonzept-Assoziationen aus Sprachdaten lernen können. Dies ist ein wichtiger Schritt in der Entwicklung von KI-Systemen, die menschliche Kognition besser verstehen.
Diese Studien verdeutlichen den Fortschritt und die Grenzen der KI beim Verständnis von Farbmetaphern. Während ChatGPT Farbassoziationen auf der Grundlage linguistischer Daten generiert, fehlen ihm die sensorischen Erfahrungen, die das menschliche Verständnis prägen. Dies führt zu Herausforderungen bei der Interpretation neuer oder invertierter Metaphern. Zukünftige Forschung könnte sich auf die Integration von sensorischen Eingaben in KI-Modelle konzentrieren, um diese Lücke zu schließen. Dies könnte beispielsweise durch die Analyse von Bildern und Videos geschehen, um die Farbwahrnehmung der KI zu verbessern.