Entwicklung durch Erprobung
Das SensEm-Toolkit entstand nicht am Schreibtisch, sondern in der Praxis. Die drei Fallstudien waren der Entwicklungsraum, in dem Methoden und Werkzeuge gemeinsam mit den Teilnehmenden erprobt und verbessert wurden.
Zwei Forschungsebenen
Das SensEm-Projekt verfolgte von Beginn an zwei parallele Ziele: Auf der einen Seite wurden mit Bürgerinnen und Bürgern konkrete Umweltforschungsprojekte durchgeführt. Auf der anderen Seite – der Meta-Ebene – ging es um die Entwicklung und Erforschung des Toolkits selbst.
Beide Ebenen waren eng verzahnt: Die Toolkit-Entwicklung lernte aus der Praxis und spiegelte ihre Erkenntnisse zurück in die nächste Fallstudie. Die Teilnehmenden waren nicht Abnehmer eines fertigen Systems, sondern Partner in dessen Entwicklung.
Die drei Fallstudien
Wiesbaden Rheingauviertel (Sommer 2023)
Die erste Fallstudie entstand aus einer unerwarteten Gelegenheit: Eine Bürgerinitiative plante ein Superblock-Wochenende – eine temporäre Vollsperrung eines Straßenblocks. Die Möglichkeit, diese Intervention wissenschaftlich zu begleiten, führte dazu, die Fallstudie um ein halbes Jahr vorzuziehen.
Das Toolkit existierte erst in Ansätzen; viele digitale Komponenten waren noch nicht entwickelt. Die erheblich verkürzte Vorbereitungszeit erforderte Improvisation. Doch gerade diese enge Verschränkung von Entwicklung und Anwendung erwies sich als prägend: Die Arbeit mit großformatigen Papierwerkzeugen funktionierte so gut, dass sie fester Bestandteil des Toolkits blieben. Die technischen Probleme – unzuverlässige Sensoren, begrenzte Batterielaufzeit, lückenhafte Netzabdeckung – definierten die Entwicklungsagenda für die folgenden Monate.
→ //localhost:1313/03_fallstudien/3.2_rheingauviertel/
Berlin Waldeyer Straße (Frühjahr 2024)
Die zweite Fallstudie fand im Berliner Samariterviertel statt. Im Fokus stand die Erprobung der weiterentwickelten Werkzeuge: neue Sensorgehäuse, eine komplett neu entwickelte Online-Plattform und erweiterte Analysewerkzeuge.
Die Messkampagne untersuchte den Einfluss von Messhöhe und Abstand zur Hauptverkehrsstraße auf die Feinstaubbelastung. Aus den Erfahrungen dieser Fallstudie entstanden Rollenkarten für unterschiedliche Beteiligungsgrade und optimierte mobile Assistenten für die Feldarbeit.
→ //localhost:1313/03_fallstudien/3.3_waldeyer/
Berlin Proskauer Straße (Herbst 2024 – Frühjahr 2025)
Die dritte Fallstudie war die umfangreichste: eine sechsmonatige Langzeitmessung zur Untersuchung einer baustellenbedingten Straßensperrung. Erstmals kam der KI-Forschungsassistent zum Einsatz, der ein BACI-Experimentdesign vorschlug.
Die lange Messdauer ermöglichte robuste statistische Analysen, stellte aber auch neue Herausforderungen: wiederholte Kalibrierungszyklen, Wartung unter winterlichen Bedingungen und die Aufrechterhaltung der Teilnehmenden-Motivation über Monate hinweg.
→ //localhost:1313/03_fallstudien/3.4_proskauer/
Entwicklung über die Fallstudien hinweg
Die Fallstudien folgten dem Citizen-Sensing-Forschungszyklus mit seinen fünf Phasen (→ //localhost:1313/02_toolkit/). Dieser Rahmen blieb über alle drei Fallstudien konstant. Wie er konkret umgesetzt wurde, veränderte sich jedoch erheblich.
Die Sensorhardware durchlief mehrere Entwicklungszyklen: von der ersten, nicht wetterfesten Version über ein neues Gehäusedesign bis zur Optimierung für den Langzeiteinsatz. Die Kalibrierung entwickelte sich von einmaligen Ad-hoc-Messungen zu systematischen, wiederholten Kalibrierungszyklen. Die Online-Plattform wurde nach der ersten Fallstudie komplett neu entwickelt und dann für mobile Nutzung optimiert. Die Analysewerkzeuge wuchsen von einfachen Zeitreihen über erweiterte Visualisierungen bis zur BACI-Methode mit statistischer Auswertung.
In der ersten Fallstudie wurden Kick-Off und Co-Design aus Zeitgründen zusammengelegt. Für die zweite Fallstudie entstanden Rollenkarten, die unterschiedliche Beteiligungsgrade ermöglichten – als Reaktion auf die Erfahrung, dass nicht alle Teilnehmenden gleichermaßen in konzeptionelle Arbeit eingebunden werden wollten. In der dritten Fallstudie unterstützte erstmals der KI-Forschungsassistent die Design-Phase.
Formative Evaluation
Ein wesentliches Element des Ansatzes war die kontinuierliche Reflexion. Nach jeder Fallstudie – teilweise bereits währenddessen – wurden die Erfahrungen systematisch ausgewertet.
Die Evaluation nutzte verschiedene Methoden: Feedback-Workshops mit den Teilnehmenden, in denen Erfahrungen mit dem Toolkit, der Prozessorganisation und den Werkzeugen besprochen wurden. Teilnehmende Beobachtung durch das Projektteam während der Workshops und der Feldarbeit. Qualitative Interviews mit einzelnen Teilnehmenden zu Motivation, Erwartungen und Erfahrungen. Technische Auswertung der Sensordaten, Plattformnutzung und aufgetretenen Probleme.
Diese formative Evaluation diente nicht der Bewertung am Projektende, sondern der laufenden Verbesserung. Die Erkenntnisse wurden priorisiert, in konkrete Verbesserungen übersetzt und in der nächsten Fallstudie erprobt. Was funktionierte, wurde beibehalten; was nicht funktionierte, wurde überarbeitet.
Iterativ und partizipativ
Der Entwicklungsprozess war geprägt von Reflexivität und Anpassung. Jede Fallstudie generierte spezifische Erkenntnisse, die direkt in die Weiterentwicklung des Toolkits einflossen. Gleichzeitig zeigte sich, dass zu große Offenheit Teilnehmende überfordern kann – klare Strukturhilfen wie Rollenkarten und vorbereitete Fragekataloge waren nötig, um Beteiligung stabil zu halten.
Übergreifende Erkenntnisse
Über die drei Fallstudien hinweg kristallisierten sich zentrale Erkenntnisse heraus:
Zum Prozess: Präsenz-Workshops waren unverzichtbar und ließen sich nicht durch digitale Formate ersetzen. Die Phasen des Forschungszyklus erwiesen sich als flexibler Rahmen, nicht als starres Schema – je nach Ausgangslage wurden Schwerpunkte unterschiedlich gesetzt.
Zur Beteiligung: Die Motivation der Teilnehmenden war überwiegend politisch-aktivistisch und ergebnisorientiert. Feldarbeit wurde geschätzt, konzeptionelle Arbeit weniger. Erwartungsmanagement bezüglich wissenschaftlicher Ergebnisoffenheit erwies sich als wichtig.
Zur Interpretation: Messdaten allein haben geringen Wert – erst die Kontextualisierung durch Beobachtungen und Hintergrundwissen macht sie aussagekräftig. Teilnehmende brauchten fachliche Unterstützung bei der Dateninterpretation; Visualisierungen erforderten Referenzwerte und Orientierungshilfen.
Die detaillierten Erkenntnisse zu jeder Fallstudie – Ablauf, Forschungsfragen, Ergebnisse – finden sich in den jeweiligen Kapiteln.