Physiological Computing
Entwicklung einer mobilen App zur Verbesserung des Flow-Verständnisses von Wissensarbeitern
Flow ist definiert als ein Zustand, in dem Menschen vollkommen in ihrer Tätigkeit aufgehen. Da ein erhöhter Flow sowohl mit einer verbesserten Leistung, als auch mit einem gesteigerten Wohlbefinden einhergeht, gilt dieser Zustand im Arbeitskontext als besonders erstrebenswert. Daher haben wir in diesem Projekt eine mobile Flow-App für Wissensarbeiter entwickelt, die es den Nutzerinnen und Nutzern der App ermöglicht, ihren Flow über den Tag hinweg besser zu verstehen (z.B. wann produktive Schaffensphasen auftreten). Die entwickelte Flow-App sammelt physiologische Daten, klassifiziert Flow-Zustände mithilfe von Methoden des maschinellen Lernens und präsentiert die Ergebnisse der Flow-Klassifizierung aggregiert und visualisiert in der App zusätzlich zu den physiologischen Daten (z.B. der Herzfrequenz).
Entwicklung eines adaptiven Instant Messaging Blockers zur Aufrechterhaltung des Flows während produktiver Schaffensphasen
Benachrichtigungen von Instant-Messaging-Anwendungen können die produktiven Schaffensphasen der Mitarbeiterinnen und Mitarbeiter unterbrechen. Es gibt zwar manuelle Möglichkeiten, das Benachrichtigungsverhalten von Instant-Messengers zu beeinflussen, z.B. durch das Ausschalten der Anwendung oder Stummschalten von Benachrichtigungen für bestimmte Zeiträume, jedoch erfordern diese Maßnahmen Selbstdisziplin und führen oftmals dazu, dass Benachrichtigungen verpasst werden, wenn man sich nicht im Flow befindet. Der entwickelte adaptive Instant Messaging Blocker zielt darauf ab, dieses Problem zu lösen, indem er den Flow-Zustand der Nutzerinnen und Nutzer in vordefinierten Intervallen, basierend auf ihren physiologischen Daten und unter Zuhilfenahme der Methoden des maschinellen Lernens, erkennt. Sobald ein Flow-Zustand erkannt wird, wird der Do-not-Disturb Status automatisch für die Dauer des Flow-Zustands aktiviert.
Klassifizierung von Flow anhand der Herzfrequenzvariabilität durch maschinelles Lernen
Flow gilt als erstrebenswerter Zustand, da er mit verbesserter Leistung und Wohlbefinden in Beziehung steht. Mit den derzeitigen Methoden kann der Flow einer Person jedoch nicht kontinuierlich oder ohne Unterbrechung der aktuellen Aktivität gemessen werden. In diesem Projekt wurde der Flow durch maschinelles Lernen anhand von Herzfrequenzvariabilitätsdaten (HRV) klassifiziert, die in einer Feldstudie mit Wissensarbeitern gesammelt wurden. Ein Klassifikator wurde hierbei trainiert, um zwischen „Flow“ und „keinem Flow“ zu unterscheiden. Diese Klassifikation bietet ein Fundament für die Entwicklung von adaptiven Systemen, die kontinuierlich und unterbrechungsfrei Flow erkennen und auf dieser Grundlage intervenieren können.
Entwicklung einer Infrastruktur zur Erforschung des Flows von Studierenden beim Fernstudium
In diesem Projekt haben wir eine Infrastruktur entwickelt, mit der physiologische Daten, Umfragen und Daten zum Surfverhalten gesammelt werden können, um die Lernerfahrung von Studierenden beim Fernstudium zu erfassen. Unsere Lösung basiert auf einem Raspberry Pi Minicomputer und einem Polar H10 Brustgurt. Erste Ergebnisse und Erfahrungen aus einer Feldstudie mit Medizinstudierenden zeigen nicht nur das Potential, verschiedene Arten von Daten beim Fernstudium zu erfassen, sondern können auch als Grundlage für zukünftige Arbeiten dienen. So kann eine weniger aufdringliche und kontinuierliche Messmethode entwickelt werden, die auf der Klassifizierung kognitiv-affektiver Zuständen wie Flow oder anderer lernbezogener Konstrukte mit den erfassten Daten durch maschinelles Lernen basiert.