Kognitiv überfordernde Situationen beim Konstruieren erkennen und messbar machen für die teilautomatisierte Auswertung empirischer Studien in der Methodenentwicklung: AutoCodIng

• Antragsteller: Professor Dr.-Ing. Sven Matthiesen
• Fachliche Zuordnung: Konstruktion, Maschinenelemente, Produktentwicklung
• Förderung: Förderung seit 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 460444004

Um passgenaue Entwicklungsmethoden entwickeln zu können, werden auftretende Schwierigkeiten in der Produktentwicklung mit Hilfe von empirischen Studien identifiziert. Für die Auswertung dieser Studien werden zumeist Datenerhebungsmethoden verwendet, die eine qualitative Inhaltsanalyse und Interpretation in der Datenaufbereitung erfordern. Diese Art der Datenerhebung greift zum einen durch die verwendeten Methoden stark in Arbeitsabläufe von Konstrukteuren ein und liefert zum anderen erst nach einer aufwendigen Auswertung Erkenntnisse zu auftretenden Schwierigkeiten. Außerdem sind die untersuchten Zeiträume aufgrund der aufwendigen Auswertung stark begrenzt. Das Ziel dieses Forschungsvorhabens ist es, zeitkontinuierlich messbare Indikatoren für Schwierigkeiten zu erforschen und in einen Algorithmus zu überführen. Mit dem Algorithmus sollen Schwierigkeiten bei der Funktionsanalyse als Teil der Produktentwicklung teilautomatisiert und damit objektiv für große Probandenanzahlen identifiziert werden können. Als Datenbasis dienen mit Eye-Tracking erfasste Blickdaten von Probanden beim Bearbeiten von Aufgaben zur Funktionsanalyse. Durch die Nutzung von Blickdaten anstelle qualitativer Datenerfassungen (z.B. Beobachtungsprotokolle, Transkripte) soll die Auswertungsobjektivität erhöht werden. Für die teilautomatisierte Erfassung ist es notwendig, Indikatoren für Schwierigkeiten in den Blickdaten zu ermitteln. Auf Basis der Eye-Tracking Daten werden drei unterschiedliche Auswerteansätze aufgebaut und miteinander verglichen (vgl. Abb. 2). Hierzu werden (1.) einzelne Eye-Tracking Metriken, (2.) eine auf Machine Learning basierte Kombination von Eye-Tracking Metriken und (3.) kontextspezifische Messgrößen entwickelt und in Algorithmen operationalisiert. Die Genauigkeit der entwickelten Algorithmen wird mit den von den Probanden retrospektiv angegebenen Schwierigkeiten verglichen. Mit den entwickelten Algorithmen soll es ermöglicht werden, das Vorgehen in der Funktionsanalyse objektiv für große Probandenanzahlen zu untersuchen. Dadurch kann methodischer Unterstützungsbedarf gezielt erhoben werden sowie anschließend individuelle Schulungsinhalte vorgeschlagen oder im Rahmen der Methodenforschung entwickelt werden.

• DFG-Verfahren: Sachbeihilfen