Kontextadaptive Unterstützung bei der Auswahl effektiver Aktivitätsziele
Herrmanny, K. (2025). [PhD thesis].
Abstract
Körperliche Aktivität ist ein essenzieller Bestandteil eines gesunden Lebensstils. Ihr gesundheit-licher Nutzen ist unbestritten. Sie wirkt präventiv und therapeutisch gegen eine Vielzahl häufiger Zivilisationskrankheiten. Trotz des hohen Nutzens ist nur ein geringer Teil der erwachsenen Be-völkerung in Deutschland ausreichend körperlich aktiv. Zur Förderung der körperlichen Aktivität werden unter anderem persuasive Technologien eingesetzt. Weit verbreitet sind diesbezüglich Activity-Tracking-Apps, die unterschiedliche persuasive Techniken beinhalten. Die Technik, die in der vorliegenden Arbeit im Vordergrund steht, ist die Zielsetzung. Zielsetzung ist eine nachweislich wirksame Technik, um Verhaltensänderungen zu unterstützen, sofern die gesetzten Ziele bestimmten Anforderungen entsprechen. Dazu zählt insbesondere, dass die Höhe des Ziels herausfordernd, jedoch erreichbar gewählt sein muss. Im hier betrachte-ten Anwendungskontext der Aktivitätsförderung mit Hilfe persuasiver Technologie hat sich je-doch gezeigt, dass es Menschen schwerfällt, solch ein passendes Ziel zu bestimmen. Diese Dissertation setzt sich mit der Fragestellung auseinander, ob und wie die Wahl eines pas-senden Ziels durch persuasive Technologie unterstützt werden kann. Dazu wird zum einen das Potenzial algorithmischer Unterstützung bei der Zielempfehlung untersucht und zum anderen das Potenzial der Einbeziehung der Nutzer:innen in den Empfehlungs- und Entscheidungspro-zess. Zu diesem Zweck werden zuerst Einflussfaktoren auf den Grad der Herausforderung und Erreich-barkeit eines Aktivitätsziels identifiziert. Neben interpersonellen Aspekten nehmen die momen-tane körperliche Konstitution, weitere unterstützende oder hinderliche äußere Umstände und psychologische Zustände Einfluss. Theoriegeleitet wird das Drei-Säulen-Modell der Zielsetzung entwickelt, das diese Faktoren in drei Säulen abbildet und ihren Einfluss auf das Aktivitätsverhal-ten beschreibt. Die Säulen sind die Körperliche Leistungsfähigkeit, der Volitionale Aufwand und die Volitionale Kapazität, wobei die Diskrepanz zwischen volitionalem Aufwand und volitionaler Kapazität, das Volitionale Delta, ein entscheidender Aspekt bei der Berechnung der Empfehlung ist. Die vergangene körperliche Aktivität der Person bildet die Basis, auf der die weiteren Berech-nungen aufbauen. Das Modell dient als Grundlage für die Entwicklung eines Empfehlungsalgo-rithmus zur Unterstützung bei der Zielsetzung. Kennzeichnend sind dabei die Abbildung lang-fristiger Veränderungen des Aktivitätsniveaus sowie kurzfristiger Schwankungen. Der mehrstu-fige Algorithmus besteht aus der Ermittlung einer Zielspanne, Zielbereichen und schließlich einer konkreten Empfehlung innerhalb eines dieser Bereiche. Unter anderem wird dabei Gebrauch ge-macht vom Rating-Scale-Modell aus der Familie der Rasch-Verfahren, das im originären Kontext zur Fragebogenkonstruktion eingesetzt wird. Für den vorliegenden Anwendungsfall eignet es sich unter anderem deshalb besonders gut, da es die Diskrepanz zwischen volitionalem Aufwand und volitionaler Kapazität – analog zur Itemschwierigkeit und Personenfähigkeit im ursprünglichen Anwendungsfall – abbildet und daraus Wahrscheinlichkeiten für die Zielerreichung (ursprüng-lich: Itemlösung) errechnet. Anhand dessen wird der Bereich auf der Zielspanne bestimmt, der die höchste Erreichungswahrscheinlichkeit hat und daraus wiederum die Empfehlung abgeleitet. Der entwickelte Algorithmus wird anschließend in der Activity-Tracking-App My Exercise Tra-cker umgesetzt, um als Proof of Concept in einer langzeitlichen Feldstudie ausgerollt und unter-sucht zu werden. Für den Praxiseinsatz ist die Erfassung von Kontextfaktoren, die in die Empfeh-lung einfließen, maßgeblich. Aufgrund des Fehlens praxistauglicher Instrumente, werden zur Er-hebung der Variablen der volitionalen Kapazität bildbasierte Ein-Item-Skalen vorgeschlagen und in drei Studien mit insgesamt n = 879 Teilnehmenden hinsichtlich gängiger Testgütekriterien va-lidiert. Zur Erhebung der Variablen des volitionalen Aufwands werden ebenfalls Instrumente vorgeschlagen und mit n = 59 Teilnehmenden validiert. Bei der Umsetzung der App werden zu-dem zahlreiche Techniken der Einbeziehung der Nutzer:innen in den Empfehlungs- und Ent-scheidungsprozess genutzt. Hierfür wird ein im Rahmen dieser Arbeit entwickeltes Design-Framework angewendet. Das Framework umfasst die drei Kernziele Empower, Encourage und Engage, die darauf abzielen, die Einbeziehung der Nutzer:innen zu fördern. Empower bezieht sich auf die Befähigung der Nutzer:innen, die Hintergründe und Implikationen von Systemergeb-nissen zu verstehen, während Encourage sie dazu anregt, die Ergebnisse kritisch zu reflektieren und ihnen nicht blind zu vertrauen. Engage schließlich ermöglicht den Nutzer:innen, durch ge-eignete Interaktionselemente Einfluss auf die Datengrundlage und die Rechenmethoden des Sys-tems zu nehmen, was ihre Entscheidungsautonomie stärkt und eine tiefere Einbindung in den Prozess fördert. Das Framework schlägt für jedes dieser Kernziele abstrakte Strategien, konkrete Strategien und schließlich Implementierungstechniken vor, von denen eine Vielzahl in My Exer-cise Tracker umgesetzt wird. Die zielsetzungsunterstützenden Wirkung des algorithmischen Ansatzes sowie der Einbeziehung der Nutzer:innen wird auf Basis einer zehnmonatigen Feldstudie mit auswertbaren Daten aus ins-gesamt 1391 Nutzungswochen, die sich auf 72 Nutzer:innen verteilen, untersucht. Den Studien-ergebnissen ist zu entnehmen, dass der Algorithmus die Leistungsschwankungen der Nutzer:in-nen gut abbildet, bei einer Tendenz zur Überschätzung, was jedoch vor dem Hintergrund der Herausforderung nicht zwingend nachteilig ist. Im Vergleich zu anderen Ansätzen, die basierend auf den Studiendaten rechnerisch gegenübergestellt werden, liefert der hier vorgeschlagene Al-gorithmus die passendsten Empfehlungen. Es werden zudem Verbesserungspotenziale des Algo-rithmus untersucht und letztendlich eine Optimierung vorgeschlagen. Zudem zeigen die Studien-ergebnisse, dass die Einbeziehung der Nutzer:innen in den Empfehlungsprozess gelungen ist und zu verbesserten Entscheidungen führt.