DEUS: Debugging für Endbenutzer in intelligenten Umgebungen

• Antragstellerinnen / Antragsteller: Professorin Dr. Susanne Boll; Professor Dr. Jan Borchers
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 562955803

Die Fehlersuche in Smart Homes gerät außer Kontrolle. Mit dem rasanten Einzug smarter Geräte in Haushalte kommt die Aufgabe, kontinuierlich zu debuggen: zunächst, bis alle Automatisierungen funktionieren, dann erneut, wenn Geräte hinzukommen, ausfallen oder sich Bedürfnisse ändern. Debugging wird zu einer ständigen Aufgabe, häufig genug, um zu stören, aber zu selten, um sich alle Details zu merken. Erschwerend kommt hinzu, dass die meisten Nutzer keine ausgebildeten Entwickler sind und in der Umgebung leben, die sie debuggen. Dies behindert das Testen, denn Fehler haben direkt spürbare Auswirkungen (z. B. helles Licht im Schlafzimmer um 3 Uhr morgens). Das Problem betrifft auch öffentliche Umgebungen wie Hotelzimmer mit unverständlichen Automatisierungen und den Arbeitsplatz, wo Gebäudeautomatisierung individuelle Bedürfnisse ignoriert, ohne Eingriffsmöglichkeiten zu bieten. Dies schränkt die Skalierung von Smart-Home-Technologien stark ein – trotz ihres Potenzials für bessere Lebensqualität und niedrigere Emissionen. DEUS geht diese Herausforderung an, indem es (1) die mentalen Modelle von Nutzern von Smart-Home-Automatisierungen aufdeckt, (2) ihre Debugging-Strategien dokumentiert und (3) neue Interaktionstechniken und Konzepte für digitale Werkzeuge erarbeitet. Anschließend (4) entwerfen und implementieren wir Forschungsprototypen, um (5) unsere Ergebnisse in Nutzerstudien wissenschaftlich zu validieren. Wir strukturieren unsere Forschung mit drei übergreifenden Forschungsmethoden, M1-M3. Beginnend in AP2 mit einfachen, natürlichen Zustand-Zustand- (L1) und Ereignis-Aktions-Abbildungen (L2) durchlaufen wir kontinuierlich sieben Stufen (L1-L7) ansteigender Automatisierungskomplexität (M1). In folgenden Arbeitspaketen wenden wir einen ähnlich strukturierten Forschungsansatz auf einen immer komplexeren Problemraum an. AP2 (L1+L2), AP3 (L3-L5) und AP4 (L6+L7) verfolgen dadurch qualitativ unterschiedliche Ziele. Jedes AP beginnt mit einen Black-Box-Ansatz, um die mentalen Modelle von Smarthome-Nutzern und Diskrepanzen auf der jeweiligen Komplexitätsstufe zu identifizieren, und wechselt zu einem White-Box-Ansatz, um ihre Fehlerbehebungsstrategien zu verstehen (M2). Unsere Untersuchungen werden entlang eines Fehlerraums (M3) strukturiert, der die auftretenden Fehlersituationen klassifiziert.

• DFG-Verfahren: Sachbeihilfen