Wissenschaftlich denken

Messen allein genügt nicht. Erst im Kontext und nach wissenschaftlichen Prinzipien werden Messwerte zu belastbaren Aussagen. Dieses Kapitel zeigt, wie wissenschaftliches Denken in SensEm eingebaut ist – getragen von der Space-Time-Concept Map und dem BACI-Experimentdesign.

Der Forschungsprozess #

Konzeptionelle Grundlage des Toolkits ist ein System formalisierter wissenschaftlicher Prozessschritte, die sich an den Phasen eines Forschungsprojekts orientieren. Jeder Schritt beschreibt eine bewährte Vorgehensweise, um eine spezifische wissenschaftliche Aufgabe zu lösen – etwa eine Hypothese aufzustellen oder ein Experiment zu planen. Die zentrale Idee dieser Toolkit-Metapher: Methodische Grundlagen werden in Software-Werkzeuge übersetzt, die aktiv durch den Prozess führen, statt ihn nur zu beschreiben.

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 – Kennenlernen und Orientierung: Motivation austauschen, Ziele erarbeiten, fachliches und methodisches Wissen vermitteln, Kontextwissen sammeln. Erste Fragen und Vermutungen entstehen.
2. Design – Aus vagen Fragen werden konkrete Forschungsfragen und Hypothesen. Experimente werden geplant, Messstandorte definiert, Abläufe festgelegt.
3. Durchführung – Die Sensoren werden installiert, die Messungen beginnen. Teilnehmende betreuen ihre Geräte und dokumentieren Beobachtungen; erste Daten lassen sich bereits explorieren.
4. Auswertung – Die Daten werden visualisiert, analysiert und interpretiert; Muster werden gesucht, ursprüngliche Vermutungen geprüft, Ergebnisse dokumentiert.
5. Verwertung – Nutzung und Kommunikation der Erkenntnisse – in der Gruppe, gegenüber der Öffentlichkeit oder an politische Entscheidungsträger. Handlungsoptionen werden diskutiert.

Wissenschaftliche Artefakte #

Im Verlauf eines Forschungsprozesses entstehen verschiedene Zwischenergebnisse – im Projekt als Artefakte bezeichnet. Sie werden von Phase zu Phase weitergereicht und dabei schrittweise transformiert. Jedes Artefakt besitzt ein strukturiertes, maschinenlesbares Datenformat; die einzelnen Tools definieren Voraussetzungen (Inputs) und liefern strukturierte Ergebnisse (Outputs). Dadurch lassen sich die Tools verketten: Das Ergebnis eines Tools wird zur Voraussetzung des nächsten.

• Scoping → Fragen und Vermutungen: erste Beobachtungen und Fragen, dokumentiert und mit Kontextwissen angereichert.
• Design → Forschungsfragen und Hypothesen: die vagen Fragen werden präzisiert und messbar gemacht.
• Design → Variablen und Conceptual Framework: aus der Hypothese werden Variablen extrahiert und ihre vermuteten Beziehungen grafisch modelliert.
• Design → Experimentdesign: Standorte, Zeiträume und benötigte Zusatzinformationen werden festgelegt.
• Durchführung → Messdaten und Beobachtungen: Sensorwerte plus begleitende Beobachtungen der Teilnehmenden.
• Auswertung → Analyseergebnisse: Korrelationen, Muster, Prüfung der Hypothese gegen die gemessenen Zusammenhänge.
• Verwertung → Dokumentierte Erkenntnisse: nachvollziehbar dokumentierte Ergebnisse – und möglicherweise neue Fragen.

In ihrer Gesamtheit bilden die Artefakte ein wissenschaftliches Journal des Forschungsprozesses: eine formale Dokumentation aller Schritte, Entscheidungen und Ergebnisse. Das macht das Vorgehen transparent und nachvollziehbar – für die Teilnehmenden selbst wie für Außenstehende.

Vom Messwert zur Aussage #

Eine Zahl ist noch keine Erkenntnis. Ein Messwert wird erst bedeutsam, wenn er mit dem verknüpft wird, was um ihn herum geschieht – und wenn er nach anerkannten Regeln zustande kam.

Das Kernproblem: wissenschaftliche Qualität ohne wissenschaftliche Ausbildung #

Die Gültigkeit und der Wert wissenschaftlicher Ergebnisse hängen von der Einhaltung anerkannter Prinzipien ab: Objektivität, Validität, Reliabilität, Nachvollziehbarkeit – zusammengefasst als „gute wissenschaftliche Praxis". Diese Prinzipien zu kennen und anzuwenden erfordert normalerweise eine methodische Ausbildung und praktische Erfahrung. Bei Citizen Science kommt hinzu: Beteiligte können außerwissenschaftliche Ziele verfolgen – etwa politische oder ökologische – und sind damit potenziell anfällig für Voreingenommenheit und Interessenkonflikte.

Hier liegt die zentrale Herausforderung: Wie lassen sich wissenschaftliche Methoden vermitteln und ihre Einhaltung sicherstellen, ohne dass die Beteiligten von der wissenschaftlichen Begleitung dominiert werden?

Bisherige Lösungsansätze und ihre Grenzen #

Bisherige Ansätze setzen meist auf intensive persönliche Begleitung durch geschulte Wissenschaftler – das ist aufwendig, schwer skalierbar und steht oft im Widerspruch zum Ziel selbstbestimmter Beteiligung. Andere Ansätze beschränken die Beteiligung bewusst auf einfache, stark vorstrukturierte Aufgaben – das erleichtert die Qualitätssicherung, schränkt aber Erkenntnisgewinn und Motivation ein. SensEm verfolgt einen dritten Weg: methodisches Wissen direkt in die Software-Werkzeuge einzubetten (siehe oben, Der Forschungsprozess).

Kontextualisierung und die Space-Time-Concept Map #

Messwerte werden erst im Kontext lesbar – verknüpft mit Orten, Ereignissen und vermuteten Zusammenhängen. Eine Beobachtung wie „Hier staut sich morgens der Lieferverkehr" wird verortet und mit einem Zeitfenster versehen; später lässt sich prüfen, ob die Messwerte an dieser Stelle tatsächlich ein anderes Muster zeigen. Genau dafür wurde die Space-Time-Concept Map (STCM) entwickelt – das konzeptionelle Herzstück des Toolkits.

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 #

Beliebige Objekte im Projekt – Orte, Zeiträume, Sensoren oder abstrakte Kategorien – können mit beschreibenden Informationen („Tags") versehen werden. Tags stammen von Teilnehmenden (Beobachtungen, lokales Kontextwissen) oder aus externen Quellen (OpenStreetMap, Wetter- und Umweltdaten, Kalenderdaten). 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?

Objektivität & Ergebnisoffenheit #

Wer im eigenen Viertel misst, hat meist ein Anliegen – und wünscht sich oft ein bestimmtes Ergebnis. Die wissenschaftliche Methode diszipliniert diese Voreingenommenheit: Objektivität, Validität, Nachvollziehbarkeit und Wiederholbarkeit machen Ergebnisse erst belastbar und für Dritte glaubwürdig – für Verwaltung, Politik und die Nachbarn mit anderer Meinung. Dazu gehört auch Ergebnisoffenheit: Die Daten zeigen, was sie zeigen, auch wenn das den Erwartungen widerspricht. Gerade weil viele Teilnehmende aus Initiativen mit politischen oder ökologischen Zielen kommen, ist diese Disziplin entscheidend – sie macht den Unterschied zwischen einem Beleg und einer bloßen Behauptung.

Forschungsfrage, Hypothese, Variablen #

Aus einer vagen Vermutung wird eine überprüfbare Hypothese; aus ihr werden die relevanten Variablen und ihre Beziehungen abgeleitet. Diesen Schritt unterstützt der KI-Assistent , der Laien im Dialog durch die Formalisierung führt.

Experimentdesign & Interventionsstudien #

Ein einfacher Vorher-Nachher-Vergleich kann täuschen: Wenn die Luftqualität nach einer Straßensperrung besser ist, könnte das auch am Wetter liegen. Robuste Aussagen über die Wirkung einer Maßnahme erfordern ein durchdachtes Experimentdesign.

Die entwickelte BACI-Analysemethode #

Die im Projekt entwickelte BACI-Analysemethode basiert auf multivariater Regression und wurde speziell für interventionsbasierte Citizen-Sensing-Projekte konzipiert.

• Robustheit: ermöglicht Interventionsanalysen auch mit Sensoren, die nicht absolut vergleichbar sind – solange sie relativ konsistent messen. Für Low-Cost-Sensoren entscheidend.
• Erweiterbarkeit: zusätzliche Kontrollsensoren oder Kontrollvariablen (etwa Wetterdaten) können einbezogen werden.
• Qualitätsmetriken: R² (Modellgüte), Cohen’s d (Effektstärke) und Signifikanzwerte (statistische Belastbarkeit).

Die laienverständliche Aufbereitung dieser Auswertung ist Teil von Analyse & Visualisierung .

Zwei Ansätze zur Interaktion #

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

Der visuell-grafische Ansatz (die Space-Time-Concept Map) ermöglicht die direkte Manipulation von Karten, Zeitstrahlen und Netzwerkgraphen. Er ist mächtig, erwies sich aber als komplex – er erfordert Übung und bietet keine aktive Führung.

Der dialogbasierte Ansatz (der KI-Forschungsassistent) nutzt natürlichsprachliche Interaktion: niedrigschwellig und aktiv führend.

Im Projektverlauf wurden beide zusammengeführt: Der KI-Assistent übernimmt die Führung und generiert strukturierte Artefakte; die Kernkomponenten der STCM – Datenstrukturen, Algorithmen, Visualisierungen – wurden in ihn integriert. So nutzen Teilnehmende die Vorteile der systematischen Modellierung, ohne die technischen Details verstehen zu müssen.