Das Toolkit im Überblick

Das SensEm-Toolkit ist ein Werkzeugkasten für Citizen-Science-Projekte zur Erforschung der lokalen Luftqualität. Es verbindet methodisches Wissen, digitale Werkzeuge und Hardware zu einem integrierten System, das Bürgerinnen und Bürger durch den gesamten Forschungsprozess begleitet – von der ersten Frage bis zur dokumentierten Erkenntnis.

Was leistet das Toolkit?

Das Toolkit umfasst alle Komponenten, die für die Durchführung eines partizipativen Umweltforschungsprojekts benötigt werden: Workshops zur gemeinsamen Arbeit, Messgeräte zur Datenerhebung, eine digitale Plattform für Organisation und Dokumentation sowie Analysewerkzeuge zur Auswertung.

Eine besondere Rolle spielt dabei der KI-Forschungsassistent: Er führt die Teilnehmenden aktiv durch den gesamten Forschungsprozess – von der ersten vagen Idee bis zum dokumentierten Ergebnis. Im Dialog hilft er, Gedanken zu ordnen, Forschungsfragen zu präzisieren und Experimente zu planen. Er vermittelt methodisches Wissen genau dann, wenn es gebraucht wird, und sorgt dafür, dass wissenschaftliche Prinzipien eingehalten werden.

Die zentrale Idee: Das Toolkit erklärt nicht nur, was zu tun ist – es unterstützt dabei, es zu tun. Methodische Grundlagen werden in Software-Werkzeuge übersetzt, die aktiv durch den Forschungsprozess führen. Bewährte wissenschaftliche Vorgehensweisen sind in die Tools eingebettet, sodass ihre Einhaltung gefördert wird, ohne die Beteiligten einzuengen.

Die Komponenten des Toolkits

Für jede Phase stellt das Toolkit passende Werkzeuge bereit:

Workshops und Materialien bilden das Rückgrat des gemeinsamen Forschungsprozesses. In Präsenzveranstaltungen wird Wissen vermittelt, werden Forschungsfragen entwickelt und Experimente geplant. Begleitmaterialien ermöglichen das eigenständige Kennenlernen der Werkzeuge. → Mehr erfahren

Sensor-Module erfassen Feinstaub (PM2.5), Lärm, Temperatur und Luftfeuchtigkeit. Sie sind für den dezentralen Einsatz durch Laien konzipiert: robust, einfach zu installieren und über Funk (LoRaWAN) mit dem Daten-Backend verbunden. Eine Kalibrierstation ermöglicht die Qualitätssicherung der Messwerte. → Mehr erfahren

Online-Plattform dient der Organisation und Dokumentation von Citizen-Science-Projekten. Sie verwaltet Teilnehmende, Messorte und Beobachtungen und ist sowohl am Desktop als auch mobil nutzbar. Spezialisierte Assistenten unterstützen bei der Sensor-Installation und der Dokumentation im Feld. → Mehr erfahren

Analyse- und Visualisierungswerkzeuge verarbeiten die Messdaten und stellen sie in verschiedenen Darstellungen bereit: Zeitreihen, Karten, statistische Verteilungen und Korrelationsanalysen. Die Integration externer Datenquellen – etwa offizielle Messstationen und Wetterdaten – ermöglicht vergleichende Analysen. → Mehr erfahren

KI-Forschungsassistent führt die Teilnehmenden im Dialog durch den Forschungsprozess. Er hilft dabei, aus ersten Ideen strukturierte Forschungsfragen und Hypothesen zu entwickeln, identifiziert relevante Variablen und schlägt Experimentdesigns vor. Der Assistent passt sich dem Kenntnisstand der Nutzenden an und vermittelt dabei methodisches Wissen. → Mehr erfahren

Erprobung und Status

Das Toolkit wurde in drei Fallstudien erprobt: einer Kurzzeitmessung während eines Superblock-Wochenendes in Wiesbaden und zwei mehrmonatigen Messkampagnen in Berlin. Die Erfahrungen aus jeder Fallstudie flossen in die Weiterentwicklung ein – mehr zur iterativen Entwicklung im Kapitel Projekt.

Das Toolkit ist ein funktionsfähiger Demonstrator, kein fertiges Produkt. Die einzelnen Softwaretools – Plattform, Analysetools und KI-Assistent – sind noch nicht in eine einheitliche Oberfläche integriert. Im Praxiseinsatz wurden Grenzen und Verbesserungspotenziale identifiziert:

• Die Benutzerführung für Laien erfordert weitere Vereinfachung
• Die Integration der digitalen Werkzeuge in die Feldarbeit bleibt herausfordernd
• Ohne fachliche Begleitung können Teilnehmende Messergebnisse oft nicht eigenständig interpretieren
• Datenvisualisierungen wurden teilweise als abstrakt empfunden; es fehlten Referenzwerte und Orientierungshilfen

Diese Erkenntnisse sind dokumentiert und fließen in Empfehlungen für künftige Projekte ein.

Theoretische Grundlagen

Die Toolkit-Metapher: Wissenschaftliche Methoden als Software

Konzeptionelle Grundlage des Toolkits ist ein System von formalisierten wissenschaftlichen Prozessschritten, die sich an den Phasen eines Forschungsprojektes orientieren. Jeder Schritt beschreibt eine bewährte Vorgehensweise, um eine spezifische wissenschaftliche Aufgabe zu lösen – etwa eine Hypothese aufzustellen oder ein Experiment zu planen.

Der Forschungsprozess in fünf Phasen

Citizen-Science-Projekte folgen keinem starren Schema, durchlaufen aber typischerweise ähnliche Phasen. Auf Basis einer umfassenden Recherche bestehender Frameworks entwickelte das Konsortium ein Prozessmodell mit fünf Phasen:

1. Scoping – Die Einstiegsphase dient dem Kennenlernen und der Orientierung. Die Teilnehmenden kommen zusammen, tauschen sich über ihre Motivation aus und erarbeiten gemeinsam Ziele. Fachliches und methodisches Wissen wird vermittelt, Kontextwissen über die lokale Umgebung gesammelt. Erste Fragen und Vermutungen entstehen.

2. Design – In dieser Phase werden aus vagen Fragen konkrete Forschungsfragen und Hypothesen entwickelt. Die Beteiligten planen Experimente, definieren Messstandorte und legen Abläufe fest. Die Messstrategie wird gemeinsam erarbeitet.

3. Durchführung – Die Sensoren werden installiert und die Messungen beginnen. Die Teilnehmenden betreuen ihre Geräte, dokumentieren Beobachtungen und sammeln ergänzende Informationen. Erste Daten werden sichtbar und können bereits während der Messphase exploriert werden.

4. Auswertung – Die gesammelten Daten werden visualisiert, analysiert und interpretiert. Die Teilnehmenden vergleichen Messwerte, suchen nach Mustern und prüfen ihre ursprünglichen Vermutungen. Die Ergebnisse werden dokumentiert.

5. Verwertung – In der abschließenden Phase geht es um die Nutzung der Erkenntnisse. Die Ergebnisse werden kommuniziert – innerhalb der Gruppe, gegenüber der Öffentlichkeit oder an politische Entscheidungsträger. Handlungsoptionen werden diskutiert.

Wissenschaftliche Artefakte: Vom vagen Gedanken zur dokumentierten Erkenntnis

Im Verlauf eines Forschungsprozesses entstehen verschiedene Zwischenergebnisse – im Projekt als „Artefakte" bezeichnet. Diese werden von Phase zu Phase weitergereicht und dabei schrittweise transformiert. Der KI-Forschungsassistent unterstützt bei diesen Transformationen: Er hilft, vage Gedanken in präzise Formulierungen zu überführen, identifiziert implizite Annahmen und stellt sicher, dass die Artefakte wissenschaftlichen Anforderungen genügen.

Die einzelnen Tools können Voraussetzungen (Inputs) definieren, die erfüllt sein müssen, und liefern strukturierte Ergebnisse (Outputs). Dadurch lassen sich die Tools verketten: Das Ergebnis eines Tools wird zur Voraussetzung des nächsten.

• Scoping → Fragen und Vermutungen: Die Teilnehmenden sammeln erste Beobachtungen und Fragen. Jemand fragt etwa: „Warum ist die Luft hier gefühlt schlechter als zwei Straßen weiter?" Der Assistent hilft, solche Fragen zu dokumentieren und mit Kontextwissen anzureichern.

• Design → Forschungsfragen und Hypothesen: Die vagen Fragen werden präzisiert. Der Assistent fragt nach, was genau mit „schlechter" gemeint ist, schlägt messbare Größen vor und hilft bei der Formulierung. Aus der ursprünglichen Frage wird: „Die PM2.5-Konzentration ist an der Hauptstraße um mindestens 20% höher als in der verkehrsberuhigten Nebenstraße."

• Design → Variablen und Conceptual Framework: Aus der Hypothese werden Variablen extrahiert – hier die abhängige Variable (PM2.5-Konzentration) und die unabhängige Variable (Straßentyp). Der Assistent identifiziert weitere relevante Faktoren (Wetter, Tageszeit, Verkehrsaufkommen) und modelliert die vermuteten Beziehungen zwischen allen Variablen als Conceptual Framework – eine grafische Darstellung des erwarteten Wirkungsgefüges.

• Design → Experimentdesign: Die Hypothese führt zu konkreten Planungsfragen: An welchen Standorten soll gemessen werden? Über welchen Zeitraum? Welche zusätzlichen Informationen werden benötigt? Der Assistent schlägt geeignete Designs vor und weist auf methodische Fallstricke hin.

• Durchführung → Messdaten und Beobachtungen: Die Sensoren liefern kontinuierlich Messwerte. Begleitend dokumentieren die Teilnehmenden ihre Beobachtungen – etwa Hinweise auf Baustellen oder ungewöhnliche Ereignisse.

• Auswertung → Analyseergebnisse: Korrelationen werden berechnet, Muster identifiziert, die ursprüngliche Hypothese geprüft. Das anfangs auf Vermutungen basierende Conceptual Framework kann nun mit den tatsächlich gemessenen Zusammenhängen verglichen werden.

• Verwertung → Dokumentierte Erkenntnisse: Am Ende stehen nachvollziehbar dokumentierte Ergebnisse – und möglicherweise neue Fragen für einen weiteren Forschungszyklus.

In ihrer Gesamtheit bilden die Artefakte ein wissenschaftliches Journal des Forschungsprozesses: eine formale Dokumentation aller Schritte, Entscheidungen und Ergebnisse. Diese Dokumentation macht das Vorgehen transparent und nachvollziehbar – sowohl für die Teilnehmenden selbst als auch für Außenstehende, die die Ergebnisse bewerten oder darauf aufbauen möchten.

Die Space-Time-Concept Map

Die Space-Time-Concept Map (STCM) ist ein zentrales Werkzeug zur Strukturierung und Verknüpfung von Projektinformationen. Sie integriert drei intuitive visuelle Repräsentationen:

• Eine Stadtteilkarte für räumliche Bezüge
• Einen Zeitstrahl für temporale Bezüge
• Ein Conceptual Framework für semantische Beziehungen zwischen Variablen

Die STCM zieht sich durch alle Projektphasen und dient als verbindendes Element, das sowohl Voraussetzungen als auch Ergebnisse einer Phase repräsentiert.

Raum-zeitliches Tagging

Ein wesentliches Konzept ist das „Tagging" von Raum und Zeit: Beliebige Objekte im Projekt – Orte, Zeiträume, Sensoren oder abstrakte Kategorien – können mit beschreibenden Informationen versehen werden. Diese Tags repräsentieren die Variablen des Experiments und reichern die räumlichen und zeitlichen Koordinaten mit Zusatzinformationen an.

Tags können aus verschiedenen Quellen stammen:

• Von Teilnehmenden: Beobachtungen, Notizen, lokales Kontextwissen („Hier ist immer viel Durchgangsverkehr", „Montags ist Markttag")
• Aus externen Quellen: OpenStreetMap-Objekte (Straßentypen, Gebäude, Grünflächen), Wetter- und Umweltdaten, Kalenderdaten (Feiertage, Schulferien)

Das System verknüpft dann jeden Messwert automatisch mit allen relevanten Tags über räumliche und zeitliche Bezüge: Was war „während" der Messung? Was war „nahe" dem Sensor? Was lag „innerhalb" des Messgebiets?

Zwei Ansätze zur Interaktion

Während der Entwicklung wurden zwei komplementäre Ansätze verfolgt, um Teilnehmende durch den Forschungsprozess zu führen:

Der visuell-grafische Ansatz (Space-Time-Concept Map) ermöglicht die direkte Manipulation von Karten, Zeitstrahlen und Netzwerkgraphen. Teilnehmende können Orte markieren, Zeiträume definieren und Zusammenhänge zwischen Variablen zeichnen. Dieser Ansatz ist mächtig, erwies sich aber als komplex – er erfordert ein gewisses Maß an Übung und bietet keine aktive Führung durch den Prozess.

Der dialogbasierte Ansatz (KI-Forschungsassistent) nutzt natürlichsprachliche Interaktion. Die Teilnehmenden können ihre Gedanken formlos äußern, während das System durch Rückfragen und Erklärungen anleitet. Dieser Ansatz ist niedrigschwelliger und führt aktiv durch den Prozess.

Im Projektverlauf wurden beide Ansätze zusammengeführt: Der KI-Assistent übernimmt die Führung durch den Forschungsprozess und generiert dabei strukturierte Artefakte. Die Kernkomponenten der Space-Time-Concept Map – Datenstrukturen, Algorithmen, Visualisierungen – wurden in den Assistenten integriert. Die generierten Artefakte (Forschungsfragen, Variablen, Hypothesen) werden visuell dargestellt und können iterativ verfeinert werden.