Das IUMS stellte sechs wissenschaftliche Arbeiten auf der ersten komplett virtuellen Internationalen Konferenz Human Computer Interaction International (HCII) 2020 vor. Die wissenschaftlichen Beiträge der Mitarbeiterinnen und Mitarbeiter lassen sich in drei Kategorien eingliedern. Damit spiegeln sie sowohl die hohen wissenschaftlichen Aktivitäten des IUMS als auch die Forschungsschwerpunkte am Institut wieder.
Werkzeuge und Methoden zur Datenerfassung und Analyse von Mobilitätsinformationen und Nutzerverhalten:
Die Bewertung der Mobilität der Menschen ist entscheidend für das Verständnis des Verkehrs, der Verkehrssicherheit und der Auswirkungen der Verkehrsplanung. In dieser Arbeit wurde unser „Werkzeugkasten“ für die Analyse und Bewertung von Aspekten der verschiedenen Mobilitätsformen vor. Einige dieser Werkzeuge unterstützen die Beteiligung der Verkehrsteilnehmer an der Analyse. Die Werkzeuge können entweder für die Durchführung von Analysen zu Planungszwecken oder für die Evaluation von umgesetzten Maßnahmen eingesetzt werden. Unser Ziel ist es, das Verständnis der Mobilität in all ihren Facetten zu verbessern und letztlich den Benutzerkomfort, die Sicherheit und die allgemeine Benutzerakzeptanz in der städtischen Mobilität zu erhöhen.
Referenz:
Böhm F, Keller C, Titov W, Trefzger M, Kuspiel J, Sawilla S, Schlegel T: Toolbox for Analysis and Evaluation of Low-Emission Urban Mobility. In: Kroemker H: HCI in Mobility, Transport, and Automotive Systems. Driving Behavior, Urban and Smart Mobility, Second International Conference, MobiTAS 2020, Held as Part of the 22nd HCI International Conference, HCII 2020, (Copenhagen, Denmark, July 19–24, 2020). Cham: Springer International Publishing, S. 145-160.
Modelle für die adaptive Fahrgastinformation:
Um adaptive Fahrgastinformationssysteme realisieren zu können, wurden Kontextfaktoren, die für Fahrgäste im ÖV relevant sind, systematisch erhoben. Diese Kontextfaktoren wurden in einem Kontextmodell modelliert, das in dieser Arbeit vorgestellt wird. Ein auf den öffentlichen Verkehr ausgerichteter Kontext Lifecycle vereint Kontextdaten aus verschiedenen Quellen und ermöglicht die Klassifikation der Situation eines Fahrgastes im ÖV für Anpassungen der Fahrgastinformation.
Referenz:
Keller C, Titov W, Schlegel T: A Passenger Context Model for Adaptive Passenger Information in Public Transport. In: Kroemker H: HCI in Mobility, Transport, and Automotive Systems. Driving Behavior, Urban and Smart Mobility, Second International Conference, MobiTAS 2020, Held as Part of the 22nd HCI International Conference, HCII 2020 (Copenhagen, Denmark, July 19–24, 2020). Cham: Springer International Publishing, S. 238-248.
Evaluationskonzepte und Nutzerbeteiligungen am Entwicklungsprozess:
Nutzerstudien zur Evaluation von öffentlichen Verkehrssystemen sind oft schwierig einzurichten. Feldtests liefern zwar wichtige Einblicke in die reale Nutzbarkeit von ÖPNV-Systemen, sind aber auch komplex und teuer. Besonders in frühen Entwicklungsstadien von ÖPNV-bezogenen Systemen sind Feldtests nicht geeignet. Die Nutzbarkeit von ÖPNV-Systemen hängt jedoch oft von "realen" Kontextfaktoren ab, die sich in laborgestützten Benutzerstudien nur schwer reproduzieren lassen. Der in [A] vorgestellte Ansatz beschreibt die Entwicklung und den Einsatz des Mockups eines Straßenbahn- oder Zugabteils, das flexibel eingesetzt werden kann, um in Benutzerstudien ein ÖPNV-Erlebnis zu schaffen. In diesem Beitrag beschreiben wir unsere Erfahrungen und wiederkehrenden Herausforderungen bei Benutzerstudien im öffentlichen Verkehr, das Design und den Aufbau unseres Mockups und geben einen Einblick in seine Anwendung in den von uns durchgeführten Studien und die daraus gezogenen Lehren.
Eine adaptive Fahrgastinformation für ein verbessertes Mobilitätserlebnis könnte der nächste Schritt zu einem intelligenten öffentlichen Verkehr sein. Im Forschungsprojekt SmartMMI haben wir einen Multi-Device Evaluierungsansatz für adaptive Fahrgastinformationssysteme mobiler Public Displays entwickelt. Ein adaptives Fahrgastinformationssystem muss den Kontext des Fahrgastes kennen. Um diese Anforderung zu erfüllen, verwenden wir die persönlichen Geräte der Fahrgäste wie Smartphones oder Smart Watches als Kontextquellen. In [B] beschreiben wir unseren Ansatz einer Evaluierung eines Multi-Device Fahrgastinformationssystems, mit Fokus auf Datensicherheit und Privacy-Awareness. Wir stellen drei verschiedene Methoden von Pseudonymen vor, die verwendet wurden, um die persönlichen Informationen auf den privaten Geräten der Passagiere mit den auf dem Public Displays angezeigten Informationen visuell zu verknüpfen. Darüber hinaus berichten wir über unsere Evaluierungsergebnisse aus einer Benutzerstudie, in der die Akzeptanz und Verständlichkeit der verwendeten visuellen Pseudonyme bewertet wurde.
Es wird immer wichtiger, Interessenvertreter mit unterschiedlichem Hintergrund in die Lage zu versetzen, effizient an gemeinsamen Projekten zusammenzuarbeiten. Physikalische Modelle ermöglichen ein besseres Verständnis räumlicher Zusammenhänge, während der Einsatz von Video-Mapping geeigneter Visualisierungen eine sinnvolle Anreicherung von Informationen ermöglicht. Wir haben daher einen Demonstrator entwickelt, der ein physisches Architekturmodell als Grundlage verwendet und darauf zusätzliche Daten per Video-Mapping projiziert. In [C] beschreiben wir die Ausgangssituation und die Anforderungen an die Entwicklung unseres Demonstrators, seinen Aufbau, die dafür entwickelte Software einschließlich des Kalibrierungsprozesses sowie die Umsetzung der greifbaren Interaktion als Mittel zur Steuerung von Daten und Visualisierungen. Darüber hinaus beschreiben wir die gesamte Benutzerschnittstelle und die daraus gewonnenen Erkenntnisse. Letztlich stellen wir eine Plattform vor, die zu Diskussionen anregt und Beteiligungsprozesse bereichern kann.
Autofahrer müssen ständig Konfliktsituationen im Verkehr einschätzen und bewerten. Die derzeitige Technologie, die in autonomen Fahrzeugen zur Erkennung gefährlicher Verkehrssituationen eingesetzt wird, ist nicht so sicher wie Entscheidungen, die von menschlichen Fahrern getroffen werden. In [D] analysieren wir das Verhalten von Autofahrern in Konfliktsituationen in einer Real-Life-Studie. Wir verwendeten eine am Kopf getragene Eyetracking-Brille und ein Pulsarmband, um Daten über das Verhalten der Fahrer zu sammeln. Wir verwendeten Eyetracking und Videodaten, um Konfliktsituationen und den Blick des Fahrers in diesen Situationen zu analysieren. Die gesammelten Pulsdaten wurden zur Bestimmung des Fahrstresses verwendet. Als Ergebnis unserer Arbeit leiteten wir eine Klassifizierungsmethode zur Analyse von Konfliktsituationen im Straßenverkehr ab. Außerdem entwickelten wir ein Modell der Einflussfaktoren des Fahrverhaltens in diesen Konfliktsituationen. Darüber hinaus gibt unsere Real-Life-Studie einen Überblick über die Möglichkeiten und Grenzen des Einsatzes von Eyetracking in realen Verkehrssituationen.
Referenzen:
[A] Keller C, Titov W, Trefzger M, Kuspiel J, Gerst N, Schlegel T: An Evaluation Environment for User Studies in the Public Transport Domain. In: Kroemker H: HCI in Mobility, Transport, and Automotive Systems. Driving Behavior, Urban and Smart Mobility, Second International Conference, MobiTAS 2020, Held as Part of the 22nd HCI International Conference, HCII 2020 (Copenhagen, Denmark, July 19–24, 2020). ChamSpringer International Publishing, S. 249-266.
[B] Titov W, Tran H, Keller C, Schlegel T: A Multi-device Evaluation Approach of Passenger Information Systems in Smart Public Transport. In: Kroemker H: HCI in Mobility, Transport, and Automotive Systems. Driving Behavior, Urban and Smart Mobility, Second International Conference, MobiTAS 2020, Held as Part of the 22nd HCI International Conference, HCII 2020 (Copenhagen, Denmark, July 19–24, 20203) Cham: Springer International Publishing, S. 340-358.
[C] Hansert J, Trefzger M, Schlegel T: Interactive AR Models in Participation Processes. In: Kroemker H: HCI in Mobility, Transport, and Automotive Systems. Driving Behavior, Urban and Smart Mobility, Second International Conference, MobiTAS 2020, Held as Part of the 22nd HCI International Conference, HCII 2020, (Copenhagen, Denmark, July 19–24, 2020). Cham: Springer International Publishing, S. 50-62.
[D] Sawilla S, Keller C, Schlegel T: Conflict Situations and Driving Behavior in Road Traffic -- An Analysis Using Eyetracking and Stress Measurement on Car Drivers. In: Kroemker H: HCI in Mobility, Transport, and Automotive Systems. Driving Behavior, Urban and Smart Mobility, Second International Conference, MobiTAS 2020, Held as Part of the 22nd HCI International Conference, HCII 2020 (Copenhagen, DenmarkJuly 19–24, 2020), ChamSpringer International Publishing, S. 86-103.
