Die Dissertation steht unter der Fragestellung, inwiefern automatisches Erkennen und Interpretieren von menschlichem Kopfnicken die Mensch-Agenten-Interaktion bereichern kann. Dafür werden die Grundlagen menschlichen Kopfnickens im kommunikationswissenschaftlichen Kontext erörtert. Es wird zunächst ein Detektionssystem sowohl auf Basis von Dynamic Time Warping (DTW) als auch einer Support Vektor Maschine (SVM) realisiert. Dieses wird mit Hilfe von realitätsnahen Anwendungsszenarien und einer erweiterten Kreuzvalidierung getestet; In den umgesetzten Varianten zeigt SVM eine geringfügig höhere Erkennungsrate als DTW. Dennoch werden eher bei DTW vielversprechende Erweiterungsmöglichkeiten deutlich. Im Vergleich mit einer führenden Veröffentlichung erreicht das System nicht ganz dessen Leistungsfähigkeit, kommt dafür aber mit weniger Information und ohne spezielle Hardware aus. Zur Untersuchung von automatischer Interpretation und Kategorisierung werden einige Theorien und Modelle zur Klassifikation von Kopfnicken herausgearbeitet und anhand des

vorliegenden Datenmaterials nachvollzogen; Ein 3-Kategorien-Modell zeigt hierbei Anwendungspotential im Erkennen von nonverbaler Ankündigung von Äußerungen und kann somit harten Gesprächsunterbrechungen vorbeugen. Auch anhand eines Commitment-Stärken-Modells werden Hinweise auf einen Zusammenhang zwischen physikalischer Nick-Ausführung und Bedeutung von Kopfnicken geliefert.