Die meisten Habit-Tracker setzen voraus, dass Nutzende bereits wissen, welches Verhalten sie verändern möchten. Doch was, wenn genau das noch unklar ist? Dieses Projekt setzt deshalb einen Schritt früher an: Im Mittelpunkt steht nicht ein festes Ziel, sondern die Frage, welche Gewohnheit tatsächlich zum eigenen Alltag passt.

Dafür wird ein mobiler Prototyp entwickelt, der kleine, zeitlich begrenzte Verhaltensexperimente vorschlägt. Nutzende können diese per Swipe auswählen, hinsichtlich Dauer, Häufigkeit und Schwierigkeit anpassen und anschließend erproben. Nach Abschluss reflektieren sie ihre Erfahrungen und entscheiden, ob sie das Verhalten beibehalten, verändern oder verwerfen möchten.

Grundlage bilden eine systematische Analyse bestehender Apps und wissenschaftlicher Erkenntnisse zur Verhaltensänderung. Der Prototyp wird im Rahmen einer Feldstudie evaluiert. Perspektivisch sollen Vorschläge zudem aus den Erfahrungen anderer Nutzender lernen und individuell herausfordernd, aber erreichbar gestaltet werden.

Fast jedes Smartphone zeigt heute die tägliche Bildschirmzeit an. Doch obwohl die Daten jederzeit verfügbar sind, werden die vertrauten Balkendiagramme häufig nur noch beiläufig wahrgenommen. Genau hier setzt das Projekt an: Es untersucht, ob alternative Darstellungen die Aufmerksamkeit erhöhen und eine bewusstere Auseinandersetzung mit dem eigenen Nutzungsverhalten anregen können.

Dafür wird zunächst der bestehende Gestaltungsraum für Bildschirmzeit-Feedback analysiert. Anschließend entstehen bewusst unterschiedliche Visualisierungskonzepte – etwa auf Grundlage von Wachstum, Verfall, räumlichen Übersetzungen, Vergleichen, Animationen oder unaufdringlichen Umgebungsanzeigen. Mehrere dieser Konzepte werden in einem funktionalen Prototyp umgesetzt.

In einem Experiment werden die alternativen Darstellungen mit dem klassischen Balkendiagramm verglichen. Optional können Eye- und Face-Tracking zusätzliche Einblicke in Aufmerksamkeit und spontane Reaktionen liefern. So soll das Projekt zeigen, welche Visualisierungen Menschen tatsächlich erreichen – und warum auch eine zunächst interessante Darstellung mit der Zeit ihre Wirkung verlieren kann.

Ein Semester erstreckt sich über Monate, doch der Lernerfolg wird häufig erst am Ende sichtbar. Gleichzeitig unterschätzen Menschen systematisch, wie viel Zeit zukünftige Aufgaben benötigen. So wird das Lernen oft bis kurz vor die Prüfung aufgeschoben – eine Strategie, die zum Bestehen reichen kann, aber selten nachhaltiges Wissen schafft.

Das Projekt entwickelt deshalb ein intelligentes Assistenzsystem, das Studierende bei der Planung ihres gesamten Semesters unterstützt. Aus Prüfungsterminen, Kursstrukturen, Vorwissen, verfügbaren Zeiten und persönlichen Ambitionen entsteht ein individueller Arbeitsplan. Anders als klassische Kalender- oder To-do-Apps verlangt das System nicht, dass Studierende bereits selbst alle notwendigen Schritte kennen und realistisch einschätzen können.

Der Plan bleibt dabei flexibel: Tatsächliche Fortschritte, Fehleinschätzungen oder unvorhergesehene Ereignisse wie Krankheit fließen fortlaufend in seine Anpassung ein. Der entwickelte Prototyp wird in einer Feldstudie evaluiert und kann perspektivisch aus vergangenen Planabweichungen lernen sowie geeignete Lerngelegenheiten im Alltag erkennen.

Viele Menschen möchten ihre Bildschirmzeit reduzieren, scheitern jedoch an Zielen, die entweder kaum Veränderung bewirken oder langfristig nicht durchzuhalten sind. Wie anspruchsvoll ein Ziel sein sollte, ist individuell verschieden: Was für eine Person motivierend wirkt, kann für eine andere bereits unerreichbar erscheinen.

Das Projekt untersucht deshalb, wie ein System passende Bildschirmzeit-Ziele empfehlen kann. Ausgangspunkt ist ein bestehender mobiler Prototyp, der einen Korridor für die Bildschirmzeit der kommenden Woche vorschlägt. Bislang basiert dieser jedoch lediglich auf einer allgemeinen Faustregel.

Mithilfe wissenschaftlicher Literatur und einer empirischen Studie wird untersucht, welche Faktoren – etwa bisherige Nutzung, Motivation, Selbstwirksamkeit oder frühere Veränderungsversuche – für eine individuelle Empfehlung tatsächlich relevant sind. Die daraus entwickelte Kalibrierungsregel wird in den Prototyp integriert und mit einer allgemeinen Empfehlung sowie einer freien Zielwahl verglichen. Perspektivisch kann das System seine Vorschläge anhand der erzielten Fortschritte fortlaufend anpassen und so mit den Nutzenden mitlernen.