[Lächeln und der erste Eindruck bei Ad-hoc-Anvertrauensentscheidungen: Eine Avatar-basierte Simulationsstudie]

 Moritz Bauermann ¹
Ann-Kathrin Schindler ¹
Marco Kuchenbaur ¹
Jasmin Rühl ²
Patrick Reinert ²
Miriam Kunz ³
Sarah Friedrich-Welz ³
Elisabeth André ⁴
Thomas Rotthoff <sup>1

1</sup> Universität Augsburg, Medizinische Fakultät, Department of Medical Education Augsburg (DEMEDA), Medizindidaktik und Ausbildungsforschung, Augsburg, Deutschland
² Universität Augsburg, Mathematisch-Naturwissenschaftlich-Technische Fakultät, Mathematical Statistics and Medicine, Augsburg, Deutschland
³ Universität Augsburg, Medizinische Fakultät, Institut für Theoretische Medizin, Medizinische Psychologie und Soziologie, Augsburg, Deutschland
⁴ Universität Augsburg, Fakultät für Angewandte Informatik, Menschzentrierte Künstliche Intelligenz, Augsburg, Deutschland

Zusammenfassung

Zielsetzung: Untersucht wurde der Einfluss neutraler und lächelnder Gesichtsausdrücke als Indikatoren des nonverbalen ersten Eindrucks. Es wurde analysiert, wie diese Indikatoren das Ad-hoc-Anvertrauen sowie die Wahrnehmung von Vertrauenswürdigkeit in medizinischen Entscheidungssituationen beeinflussen.

Methodik: Im Rahmen des Konzepts der Entrustable Professional Activities (EPA) wurde eine Online-Studie mit Avataren durchgeführt und drei Hypothesen überprüft. Als Pilotstudie und aufgrund der Stichprobenzugänglichkeit nahmen 268 Medizinstudierende (67,2% weiblich) teil. Sie lasen 36 narrative klinische Anvertrauenssituationen, die ihnen in randomisierter Reihenfolge präsentiert wurden. Anschließend sollten die Teilnehmenden entscheiden, ob sie die jeweilige klinische Aufgabe Mitstudierenden anvertrauen würden, die in kurzen Videos durch Avatare dargestellt wurden. Für jedes Szenario wurden zwei Avatare gezeigt, die zufällig in Gesichtsausdruck (Duchenne-Lächeln (DL), neutral), Geschlecht und Morphologie variierten. Neben der Anvertrauensentscheidung bewerteten die Teilnehmenden, wie vertrauenswürdig die Avatare auf sie wirkten.

Ergebnisse: Anvertrauen und Vertrauenswürdigkeit korrelierten positiv (H1). Die Analyse mittels Mixed-Effect-Modellen zeigte jedoch keine signifikanten Unterschiede zwischen Avataren mit DL und solchen mit neutralem Gesichtsausdruck für positiv getroffene Anvertrauensentscheidungen (H2) oder die wahrgenommene Vertrauenswürdigkeit (H3).

Schlussfolgerung: Der Zusammenhang zwischen Vertrauenswürdigkeit mit Anvertrauen bestätigt vorhandene Erkenntnisse, die Vertrauenswürdigkeit als wichtige personenbezogene Voraussetzung für Anvertrauensentscheidungen beschreiben. Die internalisierten Muster eines DL beeinflussten die Anvertrauensentscheidungen der Medizinstudierenden innerhalb der Ersteindruckssituationen jedoch nicht. Ersteres unterstützt die Annahme, dass in medizinischen Ad-hoc-Anvertrauenssituationen, Faktoren wie der Kontext oder andere Aspekte des ersten Eindrucks eines Trustees die Entscheidung des Trustors beeinflussen könnten.

---

---

1. Einleitung

In der Medizin ist Vertrauen von entscheidender Bedeutung, da die tägliche Gesundheitsversorgung auf zwischenmenschlichen Kontakten basiert, die ein wechselseitiges Vertrauen erfordern [1]. Vertrauen bedeutet in der Regel, dass eine Person (Trustor) einer anderen (Trustee) ihr Vertrauen schenkt. Der Prozess des Vertrauens besteht in Vertrauenswürdigkeit, der Bereitschaft des Trustors, sich gegenüber dem Trustee verletzlich zu zeigen; und Anvertrauen, dem konkreten Akt des Vertrauens, der normalerweise erfolgt, nachdem ersteres etabliert wurde [2]. Beispiele für Anvertrauen im medizinischen Kontext finden sich im intra- und interprofessionellen Anvertrauen innerhalb des Kollegiums, in der Beziehung zwischen Patient*innen und Ärzt*innen sowie zwischen Vorgesetzten und Auszubildenden [3], [4], [5], [6], [7]. Anvertrauen trägt dazu bei, ein Umfeld zu schaffen, das die berufliche Weiterentwicklung unterstützt und eine effektive Patientenversorgung ermöglicht. Dies kann wiederum zur Verbesserung der Wirksamkeit von Therapien als auch dem Wohlbefinden der Patient*innen maßgeblich beitragen [3], [4], [5], [6], [7]. Vertrauen als Prinzip ist damit tief in der medizinischen Ausbildung verwurzelt, insbesondere im Rahmen der Entrustable Professional Activities (EPA). Diese beschreiben die Übertragung klinischer Verantwortung von Ausbildenden auf Lernende und verdeutlichen damit die zentrale Rolle von Vertrauen für die Entwicklung medizinischer Handlungskompetenzen [8]. Die Anvertrauensentscheidungen werden dabei häufig situativ und ad hoc getroffen, oftmals ohne umfassende Informationen über den Trustee, wie ten Cate hervorhebt [9]. Für die vorliegende Studie wurde angenommen, dass in solchen Ad-hoc-Anvertrauenssituationen der erste Eindruck von einem Trustee einen maßgeblichen Einfluss haben kann.

Außerhalb der medizinischen Ausbildung ist allgemein anerkannt, dass Menschen anhand des ersten Gesichtsausdrucks einer fremden Person schnell entscheiden, ob sie dieser vertrauen [10], [11]. Nach der Theorie des Trait Inference Mapping werden beim ersten Anblick einer Person sowohl der Face Space (Speicher für Gesichtsmerkmale) als auch der Trait Space (Speicher für Verhaltensmuster) aktiviert [12]. Beide Koordinaten werden miteinander abgeglichen, wobei sich durch wiederholte Erfahrungen Muster stabilisieren [12]. Ein Duchenne-Lächeln (DL) als Gesichtsausdruck kann diesen Attributionsprozess beeinflussen [11]. Benannt nach Duchenne de Boulogne, der es erstmals beschrieb, sind an diesem Lächeln der Musculus zygomaticus major und der Musculus orbicularis oculi beteiligt [13]. Ein DL wird mit Freude der sendenden Person assoziiert und im Vergleich zu einem neutralen Gesichtsausdruck positiver wahrgenommen [14]. Obwohl die Diskussion über die vielfältigen Effekte des DL weiterhin geführt wird [15], [16], gilt es unabhängig von der zugrunde liegenden Emotion als Hinweis von Authentizität [17], [18].

Auf Basis dieser Erkenntnisse überprüften wir drei Hypothesen: Erstens erwarteten wir eine positive Korrelation zwischen wahrgenommener Vertrauenswürdigkeit und Anvertrauen (H1). Zweitens nahmen wir an, dass Trustees die ein DL als nonverbalen Ersteindruck zeigen, mehr positive Anvertrauensentscheidungen (H2) erhalten und darüber hinaus als vertrauenswürdiger wahrgenommen werden (H3) als Trustees mit neutralem Gesichtsausdruck. Die Überprüfung der Hypothesen erfolgte ressourcenschonend und zeiteffektiv durch den Einsatz von Avataren in einer Online-Umgebung, sowie die Rekrutierung von Medizinstudierenden als Stichprobe.

2. Methoden

2.1. Design

Die Studie wurde im Mai und Juni 2025 mit dem Online-Umfrage-Tool soSci Survey [19] durchgeführt und zuvor von der Ethikkommission der LMU München als ethisch unbedenklich eingestuft (Projekt: 22-0367_1). Die Studie nutzte das in Abbildung 1 [Abb. 1] dargestellte Within-Design.

2.1.1. Einführung

Zunächst erhielten die Teilnehmenden umfassende Informationen über die Studie und den Datenschutz. Im Anschluss gaben sie ihre informierte Einwilligung und akzeptierten die Datenschutzerklärung. Zuletzt lasen sie die standardisierte Instruktion zur Studie.

2.1.2. Medizinisches Ad-Hoc-Anvertrauensszenario

Den Teilnehmenden wurden 36 aufeinanderfolgende medizinische Ad-hoc-Anvertrauensszenarien als Texte in randomisierter Reihenfolge präsentiert. Nach dem 12. sowie dem 24. Szenario wurde jeweils eine kurze Pause eingelegt, um die Konzentration aufrecht zu erhalten [20]. Alle klinischen Szenarien wurden von einem erfahrenen Arzt verfasst. Zunächst wurden sechs Szenarien entwickelt, die auf typischen medizinischen Situationen basierten und gemeinhin als für Medizinstudierende im klinischen Umfeld geeignet eingestuft wurden. Das Anvertrauensszenario „Blutentnahme“ thematisierte beispielsweise die täglich Blutabnahme auf einer internistischen Station. In diesem Szenario bot der Stationsarzt den Medizinstudierenden (Teilnehmenden) an, alternativ an einer Gastroskopie teilzunehmen. Die Teilnehmenden mussten daraufhin entscheiden, ob sie die Blutentnahme an einen Mitstudierenden (Trustee) delegieren. Die sechs Ausgangsszenarien wurden geringfügig modifiziert, sodass insgesamt 18 Szenarien entstanden, die dann jeweils zweimal in randomisierter Reihenfolge präsentiert wurden. Alle Szenarien zielten darauf ab, eine Anvertrauensentscheidung bei den Teilnehmenden zu induzieren.

Die Trustees wurden durch Avatare repräsentiert. Nach jedem Szenario sahen die Teilnehmenden zwei jeweils fünf Sekunden lange Videos der Avatare. Um potenzielle Ablenkungen zu minimieren und die Aufmerksamkeit gezielt auf die Gesichtsausdrücke der Avatare zu lenken, wurden nur die Köpfe dargestellt [21]. Die Avatare wurden hinsichtlich des Geschlechts, morphologischer Merkmale und Frisuren randomisiert. Zur Überprüfung von H2 und H3 wurden die Gesichtsausdrücke der Avatare standardisiert, sodass sie entweder einen DL oder einen neutralen Gesichtsausdruck zeigten. Die Animation der Gesichtsausdrücke erfolgte mit der Software FACSGen 2022 [22]. FACSGen basiert auf dem Facial Action Coding System, das Bewegungen der Gesichtsmuskulatur als Action Units (AUs) beschreibt [23]. Die Modifikation über AUs bietet insbesondere den Vorteil der Klarheit und Reproduzierbarkeit [24]. Die beiden Gesichtsausdrücke wurden anhand der in Tabelle 1 [Tab. 1] beschriebenen AUs erstellt.

Zur Sicherstellung der geschätzten statistischen Power (siehe Abschnitt 2.2), wurden insgesamt 36 Avatare, jeweils 18 weibliche und 18 männliche generiert. Jeder Avatar wurde sowohl mit einem DL als auch mit einem neutralen Gesichtsausdruck präsentiert. Folglich trafen die Teilnehmenden 72 Anvertrauensentscheidungen (H2) und bewerteten jeweils die Vertrauenswürdigkeit (H3): Nach jeder Präsentation eines Avatar-Trustees wurden die Teilnehmenden zunächst gefragt, ob sie diesem die im Szenario beschriebene medizinische Tätigkeit anvertrauen würden (dichotome Antwortmöglichkeit: ja/nein). Anschließend bewerteten sie die Vertrauenswürdigkeit des Avatar-Trustees auf einer 4-Punkte-Likert-Skala von 0 (überhaupt nicht) bis 3 (sehr).

2.1.3. Demographische Merkmale

Abschließend gaben die Teilnehmenden ihre demografischen Daten (Geschlecht, Alter und Semester) für die Beschreibung der Stichprobe an.

2.2. Stichprobe

Wir akquirierten 268 Medizinstudierende (67,2% weiblich; Alter: n_20–25Jahre=249; n_>26Jahre=19; Semester: n_2.Semester=149, n_4.Semester=116, n_>4=3) aus dem zweiten und vierten Semester, da die klinischen Szenarien so konzipiert wurden, dass sie für Studierende unterschiedlicher Semester geeignet waren. Zu Beginn des Erhebungszeitraums erhielten potenzielle Teilnehmende eine Einladung per E-Mail, in der die Studienziele, Datenschutzmaßnahmen und Details zur Vergütung dargelegt wurden. Zusätzlich war ein QR-Code inkludiert, der direkt zur Online-Umfrage führte. Die Studierenden konnten jederzeit und von jedem Ort aus mit einem beliebigen digitalen Endgerät an der Studie teilnehmen. Die Stichprobe stellt somit eine Selbstselektion dar, eine weitere Randomisierung erfolgte nicht.

Um potenzielle Random Intercepts der Teilnehmenden und Avatare in den nachfolgenden Mixed-Model-Analysen zu berücksichtigen, führten wir eine simulationsbasierte Power-Analyse mit den R-Paketen lme4 und simr durch [25], [26]. Das Modell berücksichtigte für jeden Teilnehmenden 72 Avatare als wiederholte Messungen. Diese Anzahl wurde aus praktischen Gründen gewählt, da sie eine gleichmäßige Aufteilung auf die 36 Anvertrauensszenarien, die zugehörigen Gesichtsausdrücke sowie die Geschlechter der Avatare ermöglichte. Zuvor hatten wir Daten von 26 Teilnehmenden erhoben. Für diese Stichprobe wurde die statistische Power auf etwa 23% geschätzt. Um die erforderliche Stichprobengröße zu bestimmen, mit der sich der beobachtete Effekt bei einem Signifikanzniveau von .05 zuverlässig nachweisen lässt, führten wir 1000 Simulationsanalysen durch. Die Simulationen ergaben, dass unter den gleichen Annahmen eine Stichprobengröße von etwa 200 Teilnehmenden notwendig wäre, um eine Teststärke von 80% zu erreichen. Im Modell wurden dabei die Random Intercepts der Teilnehmenden sowie der Avatare berücksichtigt. Da diese Power-Analyse auf den Anvertrauensentscheidungen basierte, ist die geschätzte Stichprobengröße im Hinblick auf die Vertrauenswürdigkeitsbewertungen als explorativ einzuordnen.

2.3. Analysen

Für H1 (Korrelationen zwischen Vertrauenswürdigkeit und Anvertrauen) wurde eine partielle Spearman-Korrelation mithilfe des R-Pakets ppcor [27] durchgeführt, wobei die Effekte der Teilnehmenden und Avatare kontrolliert wurden. Die Klassifizierung der Effektstärken basierte auf Cohen: klein=.10, mittel=.30 und groß=.50 [28].

H2 (dichotome Anvertrauensentscheidung) wurde mittels eines logistischen Mixed-Effect-Models mit logit-Link getestet. Das initiale H2-0 Modell beinhaltete einen Gesamtintercept (β₀) sowie zufällige Intercepts für die Teilnehmenden (u_0i) und die Avatare (v_0j). Dabei berücksichtigen u_0i und v_0j jeweils das Geschlecht der Teilnehmenden bzw. der Avatare, um deren inhärente Variabilität abzubilden, ohne zusätzliche Prädiktoren einzubeziehen:

Im nächsten Modell (H2-1) wurde der Gesichtsausdruck als Prädiktor mit fixem Effekt (β₁ · Gesichtsausdruck_ij) hinzugefügt, um zu prüfen, ob das Vorhandensein eines DL die Wahrscheinlichkeit einer positiven Anvertrauensentscheidung über die zufällige Grundvariabilität von Teilnehmenden und Avataren hinaus beeinflusst:

Für H3 (dimensionale wahrgenommene Vertrauenswürdigkeit) wurde ein kumulatives Mixed-Effect-Model mit der Einschätzung der Vertrauenswürdigkeit als abhängige Variable verwendet. Die Umsetzung erfolgte mithilfe des ordinal [29] R-Pakets. Das H3 Modell umfasste einen Gesamtintercept (β₀) sowie erneut zufällige Intercepts für die Teilnehmenden (u_0i) und Avatare (v_0j). k indizierte die Schwellenwerte zwischen den ordinalen Abstufungen der Vertrauenswürdigkeit. Wie zuvor wurde der Gesichtsausdruck (β₀ · Gesichtsausdruck_ij) als fixer Effekt in das Modell aufgenommen, um zu testen, ob das Vorhandensein eines DL die Bewertungen der Vertrauenswürdigkeit beeinflusst:

3. Ergebnisse

Die Anzahl der positiven Anvertrauensentscheidungen der Medizinstudierenden gegenüber den Avatar-Trustees variierten zwischen 0 und 72 (max. möglich: 72), mit einem Median von 40 (IQR=20.0). Die wahrgenommene Vertrauenswürdigkeit variierte zwischen 0 und 3, mit einem Median von 1.66 (IQR=.56).

3.1. Zusammenhang zwischen Vertrauenswürdigkeit und Anvertrauen

Für H1 zeigte sich ein positiver Zusammenhang zwischen Vertrauenswürdigkeit und Anvertrauen (ρ=.55, p<.001). Wie in Abbildung 2 [Abb. 2] dargestellt, wurden die meisten Avatar-Trustees als ziemlich vertrauenswürdig wahrgenommen, was mit mehr positiven Anvertrauensentscheidungen (in Gelb dargestellt) einherging. Ein ähnliches Muster zeigte sich für die Kategorie „sehr vertrauenswürdig“. Am unteren Ende der Vertrauenswürdigkeitsskala war es hingegen umgekehrt: Niedrigere Bewertungen der Vertrauenswürdigkeit gingen mit einem geringeren Anvertrauen einher.

3.2. Anvertrauen

Für H2 ergab das H2-0 Modell (ohne Prädiktoren) einen Intercept von 1.29 und eine Intercept-Varianz von .002, was auf eine generell höhere Wahrscheinlichkeit einer positiven Anvertrauensentscheidung hinwies. Die Ergebnisse des H2-1 Modells sind in Tabelle 2 [Tab. 2] dargestellt und in Abbildung 3 [Abb. 3] veranschaulicht. Bei der Überprüfung des Gesichtsausdrucks als Prädiktor konnte H2 nicht bestätigt werden: Ein DL erhöhte die Wahrscheinlichkeit einer positiven Anvertrauensentscheidung nicht (OR=1.01 (95% CI [0.95–1.07], p=.796). Zuletzt variierten die Anvertrauensentscheidungen der Teilnehmenden zufällig (τ_{00Teilnehmenden}=1.68), während die Avatare keine zufälligen Effekte verursachten (τ_00Avatare=0.00).

3.3. Vertrauenswürdigkeit

Bei der Überprüfung des Gesichtsausdrucks als Prädiktor wurde H3 nicht bestätigt: Ein DL erhöht die wahrgenommene Vertrauenswürdigkeit nicht (OR=0.97 (95% CI [0.92–1.02], p=.274). Die Teilnehmenden zeigten erneut eine zufällige Varianz in ihrer Bewertung der Vertrauenswürdigkeit (τ_{00Teilnehmenden}=0.90), wohingegen die Avatare keine zufälligen Effekte verursachten (τ_00Avatare=0.00). Das bedingte Pseudo-R2 (0.215) deutet darauf hin, dass nur ein kleiner Teil der Gesamtvarianz der Bewertungen der Vertrauenswürdigkeit, durch die in diesem Modell berücksichtigten, festen und zufälligen Effekte erklärt wird. Die Ergebnisse für H3 sind in Tabelle 3 [Tab. 3] dargestellt und in Abbildung 4 [Abb. 4] veranschaulicht.

4. Diskussion

In der vorliegenden Studie wurde untersucht, wie unterschiedliche Gesichtsausdrücke (DL, neutral) eines simulierten Trustees – als ein Indikator des nonverbalen ersten Eindrucks – die Anvertrauensentscheidungen sowie die Wahrnehmung von Vertrauenswürdigkeit des Trustors im Kontext einer medizinischen Ad-hoc-Anvertrauensentscheidungen beeinflussen. Zunächst zeigte sich, dass eine höhere Vertrauenswürdigkeit positiv mit dem Ad-hoc-Anvertrauen korrelierte. Dieser Befund erweitert das allgemein akzeptierte Verständnis, dass Menschen Aufgaben eher delegieren, wenn sie den Trustee für vertrauenswürdig halten [2], [30]. Die Wahrnehmung und Bewertung von Vertrauenswürdigkeit und Anvertrauen ist gerade im Rahmen fundierter EPA-Entscheidungen wichtig [31], [32]. Darüber hinaus kann die wahrgenommen Vertrauenswürdigkeit insbesondere relevant sein, wenn klinische Ausbilder*innen Ad-hoc-Anvertrauensentscheidungen treffen müssen [33].

Zweitens konnten H2 und H3 nicht bestätigt werden, da ein DL weder Anvertrauen noch Vertrauenswürdigkeit positiv beeinflusste. Während dieser Effekt eines DL in anderen Kontexten nachgewiesen wurde [14], [34], konnten wir ihn in der vorliegenden Studie nicht replizieren. Dies könnte auf die stark kontextsensitive Natur von Vertrauen im medizinischen Umfeld zurückzuführen sein. Wie Holzhausen beschreibt, bedeutet Anvertrauen im klinischen Kontext oft die Übertragung von Aufgaben und Verantwortung, ein per se risikobehafteter Prozess [35]. Zudem wird die Kontextvariabilität in medizinischen Settings als potenzielle Determinante für die Anvertrauensentscheidungen eines Trustors anerkannt [36], [37]. Der Trustor muss demnach kontextspezifische Faktoren wie Patientensicherheit, Zeitdruck und personelle Ressourcen berücksichtigen, um fundierte Entscheidungen zu treffen [35]. Zusammenfassend untermauern unsere Ergebnisse, dass der Kontext in klinischen Szenarien sowohl Ad-hoc-Anvertrauen als auch die wahrgenommene Vertrauenswürdigkeit beeinflussen könnte.

Zu den Limitationen dieser Studie zählen die Selbstselektion der Stichprobe sowie die Auswahl der Avatare. Angesichts der derzeit rasanten Entwicklung menschenähnlicher Avatare sind zwar realistischere Modelle wie die MetaHumans von Epic Games [38] verfügbar, jedoch bestehen Einschränkungen hinsichtlich der Kompatibilität mit dem FACS-System. Dies begrenzt das Potenzial zur Reproduzierbarkeit und Standardisierung der Gesichtsausdrücke [24], die wir mit unserer Auswahl an Avataren gewährleisten konnten. Darüber hinaus existieren weit mehr beobachtbare Indikatoren für reale Ersteindrücke (selbstsicheres Auftreten, Tonfall) [39], [40], die über DL oder einen neutralen Gesichtsausdruck hinausgehen. Schließlich wurde nicht untersucht, inwieweit Sympathie für die verschiedenen Avatare eine Rolle spielte. Das Fehlen von zufälligen Effekten seitens der Avatare deutet jedoch darauf hin, dass Sympathie vermutlich keinen wesentlichen Einfluss hatte.

5. Schlussfolgerung

In dieser Online-Studie mit einem hochgradig simulierten Setting zeigte sich ein Zusammenhang zwischen Vertrauenswürdigkeit und Anvertrauen. Unsere Ergebnisse stützen somit Befunde früherer Studien, die Vertrauenswürdigkeit als Voraussetzung für Anvertrauen identifizieren. Ein DL des gezeigten Avatars hatte jedoch (entgegen gegeben falls internalisierter Muster seitens des Trustors) keinen Einfluss auf die Anvertrauensentscheidung der Medizinstudierenden in den geprüften Ersteindruckssituationen. Dies unterstreicht, dass in medizinischen Ad-hoc-Anvertrauenssituationen Faktoren wie der Kontext oder andere Aspekte des ersten Eindrucks eines Trustees die Entscheidungen des Trustors beeinflussen können. Zukünftige Forschung sollte den Einfluss zusätzlicher Faktoren nonverbaler Ersteindrücke auf Ad-hoc-Anvertrauensentscheidungen im Kontext von EPAs in der medizinischen Ausbildung systematisch untersuchen.

Anmerkungen

Beiträge der Autor*innen

• Moritz Bauermann leistete wesentliche Beiträge zur Konzeption des Studiendesigns und der Methodik, zur Gewinnung der Teilnehmenden, zur Untersuchung, zur Durchführung der Datenanalysen und -auswertung, zur Visualisierung, zum Verfassen des Manuskripts (Erstentwurf und Überarbeitung) sowie zur Einarbeitung von Feedback.
• Ann-Kathrin Schindler leistete wesentliche Beiträge zur Konzeption des Studiendesigns und der Methodik und trug maßgeblich zur Datenanalyse und -auswertung, zum Verfassen des Manuskripts (Review und Feedback) sowie zur Akquise von Fördermitteln bei.
• Marco Kuchenbaur leistete wesentliche Beiträge zur Datenanalyse und -auswertung und trug maßgeblich zum Verfassen des Manuskripts (Review und Feedback) bei.
• Jasmin Rühl leistete wesentliche Beiträge zur Konzeption des Studiendesigns und der Methodik und trug maßgeblich zur Datenanalyse und -auswertung sowie zum Verfassen des Manuskripts (Review und Feedback) bei.
• Patrick Reinert leistete wesentliche Beiträge zur Konzeption des Studiendesigns und der Methodik und trug maßgeblich zur Datenanalyse und -auswertung sowie zum Verfassen des Manuskripts (Review und Feedback) bei.
• Miriam Kunz leistete wesentliche Beiträge zur Konzeption des Studiendesigns und der Methodik, und trug maßgeblich zur Datenanalyse und -auswertung, zum Verfassen des Manuskripts (Review und Feedback) sowie zur Akquise von Fördermitteln bei.
• Sarah Friedrich-Welz leistete wesentliche Beiträge zur Konzeption des Studiendesigns und der Methodik, und trug maßgeblich zur Datenanalyse und -auswertung sowie zum Verfassen des Manuskripts (Review und Feedback) bei.
• Elisabeth André leistete wesentliche Beiträge zum Verfassen des Manuskripts (Review und Feedback) und trug maßgeblich zur Akquise von Fördermitteln bei.
• Thomas Rotthoff leistete wesentliche Beiträge zur Konzeption des Studiendesigns und der Methodik, und trug maßgeblich zur Datenanalyse und -auswertung, zur Erstellung der klinischen Szenarien, zum Verfassen des Manuskripts (Review und Feedback), sowie zur Supervision und zur Akquise von Fördermitteln bei.

ORCIDs der Autor*innen

• Moritz Bauermann: [0009-0000-5786-0149]
• Ann-Kathrin Schindler: [0000-0002-2293-2357]
• Marco Kuchenbaur: [0000-0003-0280-1541]
• Jasmin Rühl: [0000-0002-1721-0640]
• Miriam Kunz: [0000-0002-0740-6738]
• Sarah Friedrich: [0000-0003-0291-4378]
• Elisabeth André: [0000-0002-2367-162X]
• Thomas Rotthoff: [0000-0002-5171-5941]

Ethikvotum und Einwilligung zur Teilnahme

Die Ethikkommission der Medizinischen Fakultät der LMU München votierte die Studie als ethisch unbedenklich (Projekt: 22-0367 _1). Die in dieser Studie angewandten Methoden entsprachen den Grundsätzen der Deklaration von Helsinki.

Vor Beginn der Datenerhebung wurden alle Teilnehmenden über Zielsetzung der Studie sowie über die geltenden Datenschutzbestimmungen informiert. Anschließend gaben sie ihre informierte Einwilligung und bestätigten eine Datenschutzerklärung.

Einwilligung zur Veröffentlichung

Die Datenschutzerklärung beinhaltete auch die Einwilligung zur Veröffentlichung.

Verfügbarkeit der Daten und Materialien

Die im Zuge der Studie verwendeten und/oder analysierten Datensätze sind auf begründete Anfrage beim korrespondierenden Autor erhältlich.

Förderung

Diese Arbeit wurde durch das Projekt „Kompetenzentwicklung durch authentische, digitale und feedbackbasierte Lehr-Lernszenarien stärken – KodiLL” der Stiftung Innovation in der Hochschullehre (FBM2020-262/2021) finanziert.

Danksagung

Wir danken allen Studierenden ausdrücklich für ihre Teilnahme.

Interessenkonflikt

Die Autor*innen erklären, dass sie keinen Interessenkonflikt im Zusammenhang mit diesem Artikel haben.

---

Literatur

[1] Monteux S, Monteux A. Human encounters: The core of everyday care practice. Int J Soc Pedagogy. 2020;9(1):15. DOI: 10.14324/111.444.ijsp.2020.v9.x.015
[2] Mayer RC, Davis JH, Schoorman FD. An integrative model of organizational trust. Acad Manage Rev. 1995;20(3):709-734. DOI: 10.5465/amr.1995.9508080335
[3] Blödt S, Müller-Nordhorn J, Seifert G, Holmberg C. Trust, medical expertise and humaneness: A qualitative study on people with cancer satisfaction with medical care. Health Expect. 2021;24(2):317-326. DOI: 10.1111/hex.13171
[4] Du L, Xu J, Chen X, Zhu X, Zhang Y, Wu R, Ji H, Zhou L. Rebuild doctor-patient trust in medical service delivery in china. Sci Rep. 2020;10(1):21956. DOI: 10.1038/s41598-020-78921-y
[5] Hillen MA, de Haes HC, Smets EM. Cancer patients trust in their physician-a review. Psychooncology. 2011;20(3):227-241. DOI: 10.1002/pon.1745
[6] Pingree EW, Huth K, Harper BD, Nakamura MM, Marcus CH, Cheston CC, Schumacher DJ, Winn AS. Encouraging entrustment: A qualitative study of resident behaviors that promote entrustment. Acad Med. 2020;95(11):1718-1725. DOI: 10.1097/ACM.0000000000003487
[7] Frankel RM, Tilden VP, Suchman A. Physicians trust in one another. JAMA. 2019;321(14):1345-1346. DOI: 10.1001/jama.2018.20569
[8] ten Cate O. Entrustability of professional activities and competency-based training. Med Educ. 2005;39(12):1176-1167. DOI: 10.1111/j.1365-2929.2005.02341.x
[9] ten Cate O. Entrustment as assessment: Recognizing the ability, the right, and the duty to act. J Grad Med Educ. 2016;8(2):261-262. DOI: 10.4300/JGME-D-16-00097.1
[10] Todorov A, Pakrashi M, Oosterhof NN. Evaluating faces on trustworthiness after minimal time exposure. Soc Cogn. 2009;27(6):813-833. DOI: 10.1521/soco.2009.27.6.813
[11] Krumhuber EG, Manstead AS, Cosker D, Marshall D, Rosin PL, Kappas A. Facial dynamics as indicators of trustworthiness and cooperative behavior. Emotion. 2007;7(4):730-735. DOI: 10.1037/1528-3542.7.4.730
[12] Over H, Cook R. Where do spontaneous first impressions of faces come from? Cognition. 2018;170:190-200. DOI: 10.1016/j.cognition.2017.10.002
[13] Parent A. Duchenne de boulogne: A pioneer in neurology and medical photography. Can J Neurol Sci. 2005;32(3):369-377. DOI: 10.1017/s0317167100004315
[14] Gunnery SD, Ruben MA. Perceptions of duchenne and non-duchenne smiles: A meta-analysis. Cogn Emot. 2016;30(3):501-515. DOI: 10.1080/02699931.2015.1018817
[15] Girard JM, Cohn JF, Yin L, Morency LP. Reconsidering the duchenne smile: Formalizing and testing hypotheses about eye constriction and positive emotion. Affect Sci. 2021;2(1):32-47. DOI: 10.1007/s42761-020-00030-w
[16] Miller EJ, Krumhuber EG, Dawel A. Observers perceive the duchenne marker as signaling only intensity for sad expressions, not genuine emotion. Emotion. 2022;22(5):907-919. DOI: 10.1037/emo0000772
[17] Reed LI, Stratton R, Rambeas JD. Face value and cheap talk: How smiles can increase or decrease the credibility of our words. Evol Psychol. 2018;16(4):1474704918814400. DOI: 10.1177/1474704918814400
[18] Krumhuber EG, Kappas A. More what duchenne smiles do, less what they express. Perspect Psychol Sci. 2022;17(6):1566-1575. DOI: 10.1177/17456916211071083
[19] Leiner DJ. SoSci Survey. Version 3.7.06. SoSci Survey GmbH; 2025. Zugänglich unter/available from: https://www.soscisurvey.de
[20] Finkbeiner KM, Russell PN, Helton WS. Rest improves performance, nature improves happiness: Assessment of break periods on the abbreviated vigilance task. Conscious Cogn. 2016;42:277-285. DOI: 10.1016/j.concog.2016.04.005
[21] Rehm M, Andr E. Catch Me If You Can: Exploring lying agents in social settings. In: Proceedings of the fourth international joint conference on Autonomous agents and multiagent systems. New York (NY): ACM; 2005. p.937-944.
[22] Krumhuber EG, Tamarit L, Roesch EB, Scherer KR. Facsgen 2.0 animation software: Generating three-dimensional facs-valid facial expressions for emotion research. Emotion. 2012;12(2):351-363. DOI: 10.1037/a0026632
[23] Ekman P, Friesen WV, Hager JC. Facial action coding system. Salt Lake City (UT): Research Nexus; 2002.
[24] Meister E, Horn-Hofmann C, Kunz M, Krumhuber EG, Lautenbacher S. Decoding of facial expressions of pain in avatars: Does sex matter? Scand J Pain. 2021;21(1):174-182. DOI: 10.1515/sjpain-2020-0078
[25] Bates D, Maechler M, Bolker B, Walker S. Fitting Linear Mixed-Effects Models Using lme4. J Stat Softw. 2015;67(1):1-48. DOI: 10.18637/jss.v067.i01
[26] Green P, MacLeod CJ. SIMR: an R package for power analysis of generalized linear mixed models by simulation. Methods Ecol Evol. 2016;7(4):493-498. DOI: 10.1111/2041-210X.12504
[27] Kim S. ppcor: An R Package for a Fast Calculation to Semi-partial ppcor: Correlation Coefficients. Commun Stat Appl Methods. 2015;22(6):665-674. DOI: 10.5351/CSAM.2015.22.6.665
[28] Cohen J. Statistical Power Analysis. Curr Dir Psychol Sci. 1992;1(3):98-101. DOI: 10.1111/1467-8721.ep10768783
[29] Christensen R. ordinal—Regression Models for Ordinal Data. R package version 2023.12-4.1. 2023. DOI: 10.32614/CRAN.package.ordinal
[30] Colquitt JA, Scott BA, LePine JA. Trust, trustworthiness, and trust propensity: A meta-analytic test of their unique relationships with risk taking and job performance. J Appl Psychol. 2007;92(4):909-927. DOI: 10.1037/0021-9010.92.4.909
[31] ten Cate O, Chen HC. The ingredients of a rich entrustment decision. Med Teach. 2020;42(12):1413-1420. DOI: 10.1080/0142159X.2020.1817348.
[32] Gin BC, Holzhausen Y, Khursigara-Slattery N, Chen HC, Schumacher DJ, ten Cate O. Theoretical foundations of trust and entrustment in health professions education. In: ten Cate O, Burch VC, Chen HC, Chou FC, Hennus MP, editors. Entrustable Professional Activities and Entrustment Decision-Making in Health Professions Education. London: Ubiquity Press; 2024. p.35-50.
[33] ten Cate O, Hart D, Ankel F, Busari J, Englander R, Glasgow N, Holmboe E, Iobst W, Lovell E, Snell LS, Touchie C, Van Melle E, Wycliffe-JOnes K; International Competency-Based Medical Education Collaborators. Entrustment decision making in clinical training. Acad Med. 2016;91(2):191-198. DOI: 10.1097/ACM.0000000000001044
[34] van Enk A, ten Cate O. "languaging" tacit judgment in formal postgraduate assessment: The documentation of ad hoc and summative entrustment decisions. Perspect Med Educ. 2020;9(6):373-378. DOI: 10.1007/s40037-020-00616-x
[35] Holzhausen Y, Maaz A, Cianciolo AT, ten Cate O, Peters H. Applying occupational and organizational psychology theory to entrustment decision-making about trainees in health care: A conceptual model. Perspect Med Educ. 2017;6(2):119-126. DOI: 10.1007/s40037-017-0336-2
[36] Schick K, Eissner A, Wijnen-Meijer M, Johannink J, Huenges B, Ehrhardt M, Kadmon M, Berberat PO, Rotthoff T. Implementing a logbook on entrustable professional activities in the final year of undergraduate medical education in Germany a multicentric pilot study. GMS J Med Educ. 2019;36(6):Doc69. DOI: 10.3205/zma001277
[37] Fincke F, Prediger S, Schick K, Fürstenberg S, Spychala N, Berberat PO, Harendza S, Kadmon M. Entrustable professional activities and facets of competence in a simulated workplace-based assessment for advanced medical students. Med Teach. 2020;42(9):1019-1026. DOI: 10.1080/0142159X.2020.1779204
[38] Epic Games Inc. MetaHumans. Epic Games; 2025. Zugänglich unter/available from: https://dev.epicgames.com/documentation/en-us/metahuman/metahuman-documentation
[39] Ambady N, Rosenthal R. Half a minute: Predicting teacher evaluations from thin slices of nonverbal behavior and physical attractiveness. J Pers Soc Psychol. 1993;64(3):431-441. DOI: 10.1037/0022-3514.64.3.431
[40] Madureira S, Fontes MA. Multimodal impressions of voice quality settings: the role of vocal and visual symbolism. Front. Commun. 2023;8:1114447. DOI: 10.3389/fcomm.2023.1114447