Murder Menu ist eine interaktive Dinner-and-Crime-App, die Nutzer*innen durch einen Krimi-Dinner-Abend führt. Eine Person kauft ein Krimi-Dinner-Modul und lädt andere ein, die daraufhin ihre Rollenbeschreibungen erhalten und sich auf den gemeinsamen Abend vorbereiten können. Die Spieler*innen erhalten vom Host einen Einladungscode, über den sie in der App dem Spiel beitreten können. In mehreren Phasen erhalten sie neue Informationen und Hinweise, die durch simulierte Nachrichten, Videos, Fotos, Polizeiberichte und mehr präsentiert werden. Ein in-game Chat ermöglicht Diskussionen, mit Notizen können in der App die verschiedenen Erfahrungen festgehalten werden. Am Ende der letzten Phase folgt eine Abstimmung und die Auflösung des Krimis.

Die App wird mit React Native Programmiert, im Backend verwenden wir Nest.js.
Das Projekt wird über mehrere Semester laufen, im ersten Semester lag der Fokus auf einem Design Prototypen und einem funktionalen MVP. Im zweiten Semester haben wir den MVP erweitert: User*innen können sich einloggen und registrieren, sie können ein Krimi-Dinner-Modul “kaufen” und den Abend planen sowie die Rollen zuweisen. Das eigentliche Spiel wurde um ein Session Management erweitert und von den TFG Ausschreibungen erstellten Inhalte wurden eingearbeitet. Im dritten Semester wollten wir unseren ersten großen User*innen Test durchführen. Dafür mussten wir einiges an unserer Story anpassen und dann die Geschichte in die App integrieren. Außerdem wurden Features wie In-App Käufe und Verbesserungen für ein robusteres Backend umgesetzt.

Errungenschaften

Im dritten Semester sind wir mit Murder Menu in den Creative-Pre-Incubator der FH St. Pölten aufgenommen worden, was uns besonders stolz auf das Projekt macht. Beim Midterm Review haben wir viel positives Feedback bekommen und wertvolle Kontakte, mit denen wir uns bereits vernetzt haben.

Außerdem haben wir zum dritten Mal an der Projektvernissage Teilgenommen und in unserer Kategorie den ersten Platz erlangt. (???? (c) Daniel Petschniker, Magdalena Bichler)

Mitglieder*innen

Umgesetzte Features

Die folgen Features waren unsere Hauptaufgaben dieses Semester. Zusätzlich haben wir den Code der App und des Backends stetig optimiert und Fehlerresistenter gemacht.

In-App Kauf + Testflight

Ein Ziel war es, die App so weit in die App Store Connect und Play Console zu deployen, dass wir unseren Usertester*innen ermöglichen, die App auf ihren eigenen Devices zu testen. Dafür wurden externe Test-Gruppen angelegt und ein Einladungslink dazu verschickt, worüber sich die Tester*innen die App über Testflight installieren konnten.

Außerdem sollte der bisher gefakte Kauf eines Spieles in einen echten in-App Kauf umgewandelt werden. Dafür wurde die Plattform Revenue Cat eingesetzt, die den in-App Kauf zentral für Google und Apple abwickelt.

Story

Im letzten Semester wurde eine grundlegende Geschichte für uns „vorgeschrieben“. Als wir dieses Semester diese Geschichte in die App integrieren wollten, haben wir bemerkt, dass sie leider lückenhaft war und nicht ausreichend gut auf unsere App vorbereitet. Deshalb haben wir in vielen mühsamen Stunden die Geschichte komplett generalüberholt und noch zusätzliche Elemente wie die Rollenhefte entwickelt. Zu schauen, dass für 8 Charaktere während der gesamten Geschichte lückenlos jede*r etwas zu tun hat, meistens noch mit einem oder mehreren anderen Charakteren, hat sich dabei als riesige Herausforderungen entpuppt, die wir nur dank aufwendiger Visualisierungen meistern konnten.

Story Elemente

Die Geschichte, die in 3 Phasen aufgeteilt ist, haben wir grafisch für die User*innen aufbereitet. Dafür haben wir ein Slider Element eingeführt, das pro Phase die einzelnen Geschehnisse anzeigt. Wie oben erwähnt, gibt es neben der eigentlichen Geschichte noch das Rollenheft, das die Spieler*innen vor dem eigentlichen Abend erhalten. Hierzu haben wir ein Akkordeon Element umgesetzt, das die wichtigen Informationen übersichtlich darstellt.

Backend Erweiterungen

Auf Anraten von Armin hin haben wir uns im 3. Semester damit beschäftigt, unser Backend sicherer und übersichtlicher zu machen. Für Sicherheit und Monitoring setzen wir Portainer und BetterStack ein: Portainer hilft uns, unsere Docker-Container zu verwalten – wir können jederzeit überprüfen, ob sie laufen, Logs einsehen, Container neu starten und ihre Konfiguration anpassen. BetterStack ist unser erstes sinnvolles Logging-System, mit dem wir Fehler und Abstürze schneller erkennen und analysieren können. Zusätzlich hat Sebastian Telegram als weiteres Logging-System integriert, sodass er direkt benachrichtigt wird, wenn etwas Kritisches passiert – z. B. bei Problemen mit der Verifizierung. Damit unser Backend besser dokumentiert und verständlicher wird, haben wir zudem Swagger eingerichtet, das uns eine automatisch generierte API-Dokumentation liefert.

User*innen Test

Planung

Ein wichtiger Meilenstein im 3. Semester war unser erster User*innen-Test. Damit wollten wir die App erstmals in einem vollständigen Durchlauf testen – mit acht Personen gleichzeitig in einem Spiel. So konnten wir nicht nur herausfinden, wie stabil die Technik läuft, sondern auch, wie gut die Bedienung funktioniert und ob die Spieler*innen intuitiv mit der App zurechtkommen. Gleichzeitig wollten wir natürlich auch testen, wie unsere erste Geschichte ankommt – ob es Lücken oder Unstimmigkeiten gibt und ob sie schwer oder leicht zu lösen ist.

Zur Vorbereitung haben wir ein umfangreiches Dokument erstellt, das unter anderem einen groben Zeitplan, wichtige Fragen und sogar das Menü des Abends enthielt. Das hat uns am Testtag sehr geholfen, weil wir uns gut daran orientieren konnten und nichts Wichtiges vergessen haben, was wir uns während der Planung überlegt hatten.

Umsetzung

Unser erster User*innen-Test fand am 23. Februar 2025 ab 17:00 Uhr statt. Die Testpersonen bekamen von uns noch einmal eine kurze Einführung und Erklärung, was sie bei der Testung erwarten wird. Danach konnten sie im eigenen Tempo die verschiedenen Phasen des Moduls durchspielen. Um das Krimi-Dinner so authentisch wie möglich zu gestalten, wurde zu jeder neuen Phase von uns ein weiterer Gang serviert. Feedback zur App an sich oder zur Geschichte wurde laufend von uns mit Hilfe von WhatsApp Nachrichten gesammelt und zum Abschluss auch noch mit einem Fragebogen vertieft. Abgeschlossen wurde die gesamte Testung um ca. 21:00 Uhr.

Auswertung

Die Auswertung erfolgte auf zwei Wege: die Spieler*innen haben nach dem Test einen Fragebogen ausgefüllt, der uns Einblicke in unsere Zielgruppe geben soll und auswertet, wie ihnen die App gefallen hat.

Die Key-Learnings daraus waren:

• 8 Personen zwischen 19 und 26 Jahren
• Bis auf gefundene Bugs sehr positive Resonanz
• Die meisten würden um die 20€ für ein Spiel ausgeben
• Nur 1 Person hat noch nie Krimi Dinner gespielt
• Von den Erfahrenen Spieler*innen finden 50% App besser als analog
• Geschichte & Rollen war schon gut, mit kleineren Verbesserungsvorschlägen
• Die SUS Auswertung ergab einen Mittelwert von 86,1, was ein sehr guter Wert ist

Der zweite Teil der Auswertung bestand aus unseren Beobachtungen. Den Test haben wir mir Ton und Filmaufnahmen aufgezeichnet. Dazu haben wir während des gesamten Abends alle Beobachtungen und jedes Feedback als Nachrichten in eine WhatsApp Gruppe geschickt, damit die Notizen mit Time Stamps versehen sind. Diese Nachrichten wurden dann mit einem Python Skript in ein CSV konvertiert. Das CSV haben wir in eine Notion Datenbank importiert, wodurch wir die Notizen kategorisieren und priorisieren konnten. Außerdem haben wir To-Dos abgeleitet. Anschließend haben wir die Notion Datenbank wieder als CSV exportiert und dann mit einem anderen Python Skript in GitHub Tickets umgewandelt, da wir unsere Aufgaben mit GitHub Projects tracken.

Ausblick

Nach dem Test stehen nun die Fehlerbehebungen und gewünschten Verbesserungen ganz oben auf unserer To-do-Liste. Außerdem werden im nächsten Semester 1-2 weitere Module von TFG-Student*innen für unsere App entwickelt, sodass wir im Sommer direkt mit mehreren Spielen in die Stores starten können. Bis dahin möchten wir zudem weitere Features, wie beispielsweise Push-Benachrichtigungen, in die App integrieren und die bestehenden Funktionalitäten mit mehreren Gruppen durchtesten.

Learnings

The post Murder Menu | Semesterprojekt WS24 appeared first on Mobile USTP MKL.

Murder Menu ist eine interaktive Dinner-and-Crime-App, die Nutzer*innen durch einen Krimi-Dinner-Abend führt. Eine Person kauft ein Krimi-Dinner-Modul und lädt andere ein, die daraufhin ihre Rollenbeschreibungen erhalten und sich auf den gemeinsamen Abend vorbereiten können. Die Spieler*innen erhalten vom Host einen Einladungscode, über den sie in der App dem Spiel beitreten können. In mehreren Phasen erhalten sie neue Informationen und Hinweise, die durch simulierte Nachrichten, Videos, Fotos, Polizeiberichte und mehr präsentiert werden. Ein in-game Chat ermöglicht Diskussionen, mit Notizen können in der App die verschiedenen Erfahrungen festgehalten werden. Am Ende der letzten Phase folgt eine Abstimmung und die Auflösung des Krimis.

Die App wird mit React Native Programmiert, im Backend verwenden wir Nest.js.
Das Projekt wird über mehrere Semester laufen, im ersten Semester lag der Fokus auf einem Design Prototypen und einem funktionalen MVP. Im zweiten Semester haben wir den MVP erweitert: User*innen können sich einloggen und registrieren, sie können ein Krimi-Dinner-Modul “kaufen” und den Abend planen sowie die Rollen zuweisen. Das eigentliche Spiel wurde um ein Session Management erweitert und von den TFG Ausschreibungen erstellten Inhalte wurden eingearbeitet.

Mitglieder*innen

Umgesetzte Features

Die folgen Features waren unsere Hauptaufgaben dieses Semester. Zusätzlich haben wir den Code der App und des Backends stetig optimiert und Fehlerresistenter gemacht.

Registrierung & Login

Der Registrierungs- und Loginprozess wurde ausgebaut. Auf den folgenden Screenshots sind man zwei Userflows, die alle Funktionen abdecken. Neben den gezeigten Funktionen haben wir uns natürlich noch um das Fehlermanagement (zb User*in ist bereits registriert, ist noch nicht registriert und will Passwort zurücksetzen, usw.) gekümmert.

1. User*in registriert sich, bekommt eine Bestätigungsmail und verifiziert sich

2. User*in hat das Passwort vergessen, erhält einen Wiederherstellungscode und setzt das Passwort zurück.

Verwendung der TFG Inhalte

Um auch zukünftig einfacher neue Module veröffentlichen zu können, bestand ein Teil der Aufgabe darin die grafischen Inhalte im Web zu hosten. Wir haben uns dafür entschieden, ein nginx Dockerimage auf unserem Server zu hosten, welches die Inhalte zur Verfügung stellt.
Die Bilder und Lottiefiles sind damit unter einer URL erreichbar: https://web.murder-menu.com/characters/lanaDiCamargo.png

Eine weitere Herausforderung war die Verwendung von Lottie. Die Animationen hat Silvana Kuenz aus der Masterklasse Animation & VFX für uns erstellt. Sie basieren auf den Grafiken die Sarah Schweiger aus der Masterklasse Grafikdesign entworfen hat. Wegen den Problemen beim Exportieren der Animationen zu Lottie Files hat es einige Iterationen gebraucht, bis wir die Files in der App verwenden konnten. Noch komplexer war die Verwendung der Logo Animation als Splash Screen (Bildschirm, der beim Appstart angezeigt wird), da es hierfür kein Package von React Native hab, sondern wir auf Native Programmierung in Objective C bzw. Swift und auf Kotlin zurückgreifen musste.

Modul”kauf” & Spielplanung

Unser Ziel für dieses Semester war es außerdem, den Kaufprozess eines Moduls so weit wie möglich vorzubereiten. Es wird nun also in der Datenbank gespeichert, welche Module bereits vom jeweiligen Spieler “erworben” wurden (ohne dem tatsächlichen Zahlungsprozess) und werden so in einem eigenen am Dashboard angezeigt. Gekaufte Spiele können von mir somit auch eingeplant werden. Das heißt, es wird Datum, Uhrzeit und Ort des Krimi-Dinner-Abends bestimmt und daraufhin ein Einladungscode erstellt, mit welchem die weiteren Spieler*innen kostenlos dem Spiel beitreten können. Die tatsächliche Kaufabwicklung samt Zahlungsprozess fällt in den Aufgabenbereich des kommenden Semesters.

Session Management

Im 2. Semester fand auch die Implementierung des Session Managements über Websockets (genauer: Socket.io) statt. Anhand dessen wird die Kommunikation zwischen den Spielenden innerhalb eines Spiels (entspricht einem Room in der Session) abgewickelt. So wird zum einen über die Websockets der aktuelle Status aller Teilnehmenden überwacht, um sicherzustellen, dass alle im Spiel sind. Wenn nicht, wird eine entsprechende Nachricht über die Session an die anderen Teilnehmenden gesendet. Zum anderen spielt das Session Management auch beim Voting-Prozess eine wichtige Rolle, indem es überprüft, ob alle Teilnehmenden abgestimmt haben. Erst wenn dies der Fall ist, wird die Auflösung des Mordes präsentiert. In Zukunft wird der Einsatz des Session Managements noch erweitert werden, z.B. durch die Realisierung des In-Game Chats, der ebenfalls Websockets für die Echtzeitkommunikation nutzen wird.

SUS Auswertung

Nicht wirklich ein Feature, aber wir haben die Projektvernissage am Ende des Sommersemesters dafür genutzt, um bereits einen kleinen User*innen Test durchzuführen. Dabei mussten sich die Teilnehmer*innen registrieren und sich einmal durch den Prototypen klicken. Zu dem Zeitpunkt war aber das einzige der oben beschriebenen Features die verbesserte Registrierung & Login. Daraufhin haben sie einen SUS Fragebogen ausgefüllt und konnten sich optional für einen Beta Test anmelden. Insgesamt haben wir an dem Tag tatsächlich 37 Anmeldungen bekommen! Der SUS-Wert liegt bei 85,56, was ein exzellenter Wert ist. Auf diesen Ergebnissen wollen wir aufbauen und im nächsten Semester einen noch größeren User*innen Test durchführen.

Ausblick

Die App wurde in diesem Semester soweit entwickelt, dass sie beinahe so weit ist, um ein ganzes Spiel mit User*innen testen zu können. Was dafür noch fehlt ist die Aufarbeitung der Geschichte, die in diesem Semester im Zuge von TFG von Srdjan Pajic für uns geschrieben wurde. Diese müssen wir noch in unsere Datenbank einpflegen und die Screens, auf denen die Geschichte nachher zu lesen ist, so gestalten, dass sie für viel Text optimiert sind. Sobald das erledigt ist folgt ein umfassender User*innentest. Parallel werden die bestehenden Funktionen ausgebaut (z.B. soll der Abstimmungsprozess eine Überarbeitung erhalten). Außerdem haben wir dieses Semester bereits Developer Accounts für PlayStore und AppStore erstellt. Damit soll im nächsten Semester der tatsächliche Kauf eines Moduls möglich gemacht werden. Außerdem wollen wir Testflight für das Testen der App einrichten und, sofern die App nächstes Semester schon soweit ist, eine erste Version in den Stores releasen.

Learnings

The post Murder Menu | Semesterprojekt SS24 appeared first on Mobile USTP MKL.

Bestandteile

Auf der Vorderseite des AI Pins befinden sich eine Kamera mit einem Mikrofon, ein Lautsprecher, ein Touchpad und ein Projektor, sowie Licht-, Bewegungs- und Standortsensoren. Hinten ist der AI Pin mit einem Magneten ausgestattet, worüber sich der sogenannte Battery Booster anbringen lässt. Dieser dient auch zur Befestigung des AI Pins an der Kleidung.

Oben auf dem AI-Pin findet man das Trust Light und den Beacon. Beide nutzen ein vordefiniertes Farbschema, um mit der Userin/dem User zu kommunizieren. Das Trust Light signalisiert der Userin/dem User, dass und welcher der Sensoren gerade aktiv ist. Durch den Beacon werden die benutzenden Personen subtil darüber informiert, dass eine Nachricht eingegangen ist. Dabei kann vorab festgelegt werden, welche Personen die Userin/den User in welcher Form über den AI Pin erreichen können, um als störend betrachtete Benachrichtigungen zu vermeiden.

Fähigkeiten

Der AI Pin bietet eine Vielzahl von Funktionen, basiert aber ausschließlich auf bereits vorinstallierten Apps. Externe Anwendungen können nicht hinzugefügt werden. Zu den Funktionen des AI Pins gehören das Tätigen von Anrufen sowie das Senden und Empfangen von Nachrichten. Besonders praktisch ist die „Catch up“-Funktion, welche die wichtigsten Informationen aus empfangenen Nachrichten und E-Mails zusammenfasst.

Mit der Kamera können per Doppel-Tab-Geste auf das Touchpad Fotos und Videos aufgenommen werden. Doch beeindruckender ist jedoch die Erkennung und Identifizierung von Objekten. So kann der AI Pin Lebensmittel und Esswaren erkenn und dessen Nährwerte ermittelt, womit das Einhalten eines Ernährungsplans vereinfacht wird. Indem man ein Produkt vor die Kamera hält, erfährt die Userin/der User den Preis und kann dieses direkt online bestellen.

Das Mikrofon des AI Pins ermöglicht nicht nur das Verfassen von Nachrichten und das Führen von Telefonaten – was ganz ohne zusätzlichem Smartphone funktioniert, da der AI Pin eine eigene Telefonnummer hat – sondern auch die direkte Erkennung und Übersetzung einer Sprache. Die Ein- und Ausgabesprachen werden dabei direkt von der jeweiligen KI eingestellt, können aber auch manuell festgelegt werden.

Bedienung

Die primäre Interaktion sollte mit dem AI Pin über Sprachbefehle erfolgen, die von der entsprechenden künstlichen Intelligenz ausgeführt werden. Dieser Vorgang wird durch Drücken und Halten auf das Touchpad gestartet, wodurch der AI Pin für die Aufnahme aktiviert wird.

Darüber hinaus erkennt das Touchpad auch andere Gesten, die durch die Nutzung von Smartphones bereits bekannt und erlernt sind. Durch Tippen, Doppeltippen oder Streichen können Anrufe angenommen, die Lautstärke geregelt und Fotos aufgenommen werden.

Das Feature, welches jedoch am meisten hervorsticht, ist die Interaktion mit dem AI Pin über den Laser-Ink-Display. Durch Heben und Neigen der Handfläche wird ein Interface auf diese projiziert, wodurch die eigene Hand zu einer Art Display wird. Durch Gesten wird mit dem Interface interagiert. So wird beispielsweise durch das Schließen von Daumen und Zeigefinger eine Auswahl ausgelöst.

Fazit

Der AI Pin ist zweifellos ein Schritt in eine innovative Zukunft, die die Grenzen der herkömmlichen Technologie versucht zu überschreiten. Mit seiner Integration von KI-Fähigkeiten und innovativen interaktiven Elementen wie dem Laser-Ink-Display, kombiniert er eine Vielzahl beeindruckender Funktionen in einem kleinen, tragbaren Format.

Die Absicht von Humane, mit dem AI Pin eine Alternative zum Smartphone zu schaffen, ist ambitioniert und könnte in der Tat die Art und Weise, wie wir technische Geräte nutzen, revolutionieren. Da der AI Pin jedoch mit Anfang diesen Monats (März 2024) ausgeliefert wird, bleibt es abzuwarten, ob und wie die Nutzerinnen und Nutzer davon überzeugt werden können, das traditionelle Smartphone beiseite zu legen. Mit einem Kaufpreis von $699 und einem zusätzlichen verpflichtenden monatlichen OpenAI-Abonnement von $24 könnte dies einen Einfluss auf die anfängliche Adoptionsrate haben, wobei vermutlich zuerst Technologiebegeisterte oder Early Adopters dazu bereits sind, für den AI Pin zu zahlen.

Mit dem Rabbit R1 199$ wurde jedoch kürzlich ein preiswerterer Konkurrent angekündigt. Dieser soll dabei das Smartphone nicht ersetzen und verfügt auch über ein Display, bietet aber ähnliche interaktive Funktionen wie der AI Pin. Der Rabbit R1 hat ebenfalls einen Lautsprecher, ein Mikrofon, einen Push-to-Talk-Button sowie zusätzlich ein physisches Scrollrad. Die eingebaute Kamera kann sowohl nach vorne als auch nach hinten gedreht werden. Anstatt mit einem Large Language Model zu arbeiten, basiert der Rabbit R1 auf einem Large Action Model, das mit bereits existierenden Apps wie Spotify oder Uber trainiert wurde. Auf diese Weise hat das Modell gelernt, wie Menschen diese Apps nutzen und hat selbst erlernt, diese Apps zu verwenden. Zusätzlich hat der R1 über einen Trainingsmodus, mit dem die Userin/der User ihren Agenten selbst trainieren kann.

Wearables wie der AI Pin und auch der Rabbit R1 zeigen den Fortschritt hin zu einer intuitiveren und nahtloseren Technologie im Alltag. Auch wenn die Kosten eine nicht zu unterschätzende Hürde für eine allgemeine Verbreitung darstellen, muss vor allem die Akzeptant der Nutzerinnen und Nutzer evaluiert werden. Dennoch steht außer Frage, dass der AI Pin und seiner Gleichen einen spannenden Ausblick auf das geben, was technisch möglich ist, und wir dürfen gespannt sein, wie sich solche Wearables weiterentwickeln werden.

Quellen

• https://humane.com/aipin/
• https://www.heise.de/tipps-tricks/Was-ist-der-Ai-Pin-9530623.html
• https://www.zeit.de/digital/mobil/2024-02/ai-pin-humane-wearable-gadget
• https://www.derstandard.at/story/3000000195097/ai-pin-warum-der-smarte-anstecker-um-700-dollar-bill-gates-begeistert
• https://www.galaxus.de/de/page/neues-hype-gadget-mit-ki-was-es-kann-und-was-nicht-30436
• https://futurezone.at/produkte/rabbit-r1-verkauf-preis-verfuegbarkeit-ai-pin-kuenstliche-intelligenz/402736336

Bilder

• Beitragsbild: https://mashable.com/article/humane-ai-pin-wrong-answers
• Bilder im Text: https://humane.com/aipin/ und https://futurezone.at/produkte/rabbit-r1-verkauf-preis-verfuegbarkeit-ai-pin-kuenstliche-intelligenz/402736336

The post Die Zukunft am Revers: AI Pin appeared first on Mobile USTP MKL.

Murder Menu ist eine interaktive Dinner-and-Crime-App, die Nutzer*innen durch einen Krimi-Dinner-Abend führt. Eine Person kauft ein Krimi-Dinner-Modul und lädt andere ein, die ihre Rollenbeschreibungen daraufhin erhalten und sich auf den gemeinsamen Abend vorbereiten können. Über die App oder den Browser treten die Spieler*innen dem Spiel bei. In mehreren Phasen erhalten sie neue Informationen und Hinweise, die durch simulierte Nachrichten, Videos, Fotos, Polizeiberichte und mehr präsentiert werden. Ein in-game Chat ermöglicht Diskussionen, mit Notizen können in der App die verschiedenen Erfahrungen festgehalten werden. Am Ende der letzten Phase folgt eine Abstimmung und die Auflösung des Krimis.
Das Projekt wird über mehrere Semester laufen, im ersten Semester lag der Fokus auf einem Design Prototypen und einem funktionalen MVP.

Mitglieder*innen

Der MVP

Der MVP besteht aus drei Teilen:

Einleitung in die App

Ablauf des Abends

Auflösung

Ausblick

Das große Thema im nächsten Semester wird das Session Management sein. Aktuell werden die Phasen des Abends und die Abstimmung über die Datenbank geregelt. In Zukunft soll das über eine gemeinsame Session laufen. Neben weiteren kleineren Ausbesserungen sollen auch die Hinweise ausgebaut werden. Wenn es sich zeitlich ausgeht ist auch eine Notiz- und eine Chat-Funktion geplant. Eine höhere Priorität hat allerdings der Fokus auf Usability, da wir unseren funktionsfähigen MVP jetzt mit echten User*innen testen können.

Architektur

Der Tech-Stack unseres Projektes besteht aus React Native im Frontend, NestJS im Backend und MongoDB als Datenbank. Für das Projektmanagement verwenden wir Github Projects.
Um die Architektur auszuarbeiten, haben wir ein Architekturdokument erstellt, wofür wir uns unter anderem erstmals mit PlantUML auseinandergesetzt haben, um die Diagramme zu erstellen.

Probleme während der Entwicklung

Das erste große “Problem” war, als unser viertes Teammitglied leider zu Beginn des Semesters das Studium abbrechen musste. Damit wurde unser ursprünglicher Plan, uns erstmal auf Design, Usability, Content Creation und Konzeption zu konzentrieren, über den Haufen geworfen. Stattdessen haben wir uns auf die Kernfunktionalitäten beschränkt, sowohl im Design als auch im MVP.

Da Deployment weder in bisherigen Studieninhalten noch in Projekten in der Arbeit ein Thema war, war es ein eher langwieriger Prozess bis alles so funktioniert hat, wie wir uns es vorstellen. Jetzt können wir aber das Backend mit einem Docker Image auf den Server deployen und dort mitsamt der Datenbank starten.

Die Integration des Redux Stores hat etwas Zeit in Anspruch genommen, da wir uns vorher noch nicht so viel mit diesem Thema beschäftigt haben. Dabei haben wir uns anfangs nicht so ganz mit den einzelnen Bestandteilen des Stores ausgekannt. Nach dem Prinzip des Trial-and-Errors haben wir uns aber dann Stück für Stück vorgearbeitet und für unsere momentanen Anforderungen funktioniert er nun. Dennoch wird der Store und die Auseinandersetzung damit uns in Zukunft bestimmt noch viel beschäftigen, sobald die Funktionalitäten unserer App komplexer werden.

Was auch unerwartet zu einem sehr großen Zeitaufwand geführt hat, waren Probleme direkt beim Erstellen der React-Native Applikation. Zunächst mussten natürlich alle erforderlichen Tools wie Cocoapods, Node usw. am Laptop laufen, um das Projekt erstellen zu können. Danach kam es aber bei einem Mitglied zu lange unerklärlich gebliebenen Schwierigkeiten, die App auf einem Simulator zu builden. Da uns noch die Erfahrung bei solchen Probleme fehlte, um sie schneller zu erkennen und zu beheben, wurde quasi das ganze Internet auf den Kopf gestellt, bevor dann schlussendlich Tage später durch ein Vergleichen der lokalen .zshrc Files und einen Fehler in den XCode Einstellungen die Übeltäter entlarvt werden konnten.

Learnings

Reflektion der Gruppe

Obwohl wir eine Person weniger waren als geplant, haben wir zu dritt in diesem Semester etwas auf die Beine gestellt, auf das wir stolz zurückblicken können. Nachdem uns unsere vierte Teamkollegin verlassen hat, waren wir eher verunsichert darin, was wir nun noch alles schaffen können und haben unsere Erwartungen an das Ergebnis des letzten Semesters zurückgeschraubt. Zusätzlich sind wir auch zeitlich ziemlich unter Druck gekommen. Umso mehr freut es uns, dass wir in unserem MVP bereits mehr umgesetzt haben, als wir geplant hatten und unsere Ergebnisse wirklich ansehnlich sind.

Die Arbeit im Team hat im letzten Semester auch sehr gut funktioniert. Alle haben immer an einem Strang gezogen und der Umgang untereinander ist wirklich herzlich. Es ist wirklich schön, in so einem coolen und kompetenten Team zusammenzuarbeiten. Wir sind gespannt, was aus MurderMenu wird und freuen uns auf die gemeinsame Weiterarbeit.

The post Murder Menu | Semesterprojekt WS23 appeared first on Mobile USTP MKL.

Keywords – Mobile Learning, Technology Acceptance Model, Hochschulbildung

I. Einleitung

Mobile Endgeräte sind aus dem Alltag vieler Menschen nicht mehr wegzudenken. Im Jahr 2022 besaßen 94 % der in Österreich lebenden Personen zwischen 18 und 65 Jahren ein Smartphone und/oder Tablet [1]. Laut dem Mobile Communications Report 2023 [2] nutzen 99 % der Österreicher:innen regelmäßig ihr Smartphone, um im Internet zu surfen und 96 % verwenden Apps. Als stete Wegbegleiter beeinflussen mobile Endgeräte beinahe alle Lebensbereiche. So auch die Aus- und Weiterbildung.

Obwohl die Verbreitung von mobilen Endgeräten im Bildungskontext offensichtlich ist, nicht zuletzt aufgrund der Covid19-Pandemie, die den Einsatz von Mobile Learning (M-Learning) in der Bildung in Österreich verstärkt hat [3], bedeutet dies nicht automatisch, dass Mobile Learning von Studierenden angenommen wird. Die folgende Arbeit beschäftigt sich daher mit der Akzeptanz von M-Learning bei Studierenden aus der Sicht des Technology Acceptance Model (TAM). Dabei wird untersucht, welche Faktoren die Akzeptanz von M-Learning beeinflussen.

II. Mobile Learning

Mobile Learning definiert sich als der Einsatz von mobilen Endgeräten für Bildungszwecke. Zu diesen Geräten zählen in erster Linie Smartphones und Tablets [4]. Die zentralen Charakteristiken des M-Learnings sind seine Allgegenwärtigkeit, Flexibilität und Individualität [4]–[6]. Im Gegensatz zu den traditionellen Lernmethoden erstreckt sich M-Learning über verschiedene Bildungskontexte und ist nicht an die Grenzen von Raum und Zeit gebunden [7].

Mobile Learning kann sowohl in traditionellen Bildungsumgebungen als auch als Teil eines lebenslangen Lernprozesses eingesetzt werden [7]. Es unterstützt kollaboratives und unabhängiges Lernen. Die Möglichkeit, an geteilten Projekten zu arbeiten und Informationen in Echtzeit auszutauschen, fördert die Zusammenarbeit zwischen den Lernenden. Das Konzept des M-Learning-Microlearning, bei dem Lerninhalte in kompakte Module aufgeteilt werden, erlaubt es Lernenden, gezielt Lektionen auszuwählen, die ihren aktuellen individuellen Bedürfnissen entsprechen. Dabei kann M-Learning sowohl als eigenständiges Lernwerkzeug als auch als ergänzende Ressource zu herkömmlichen Unterrichtsszenarien fungieren [6], [7].

Die Vielfalt des Mobile Learnings erstreckt sich auch auf die dazu verfügbaren Technologien. In der Anfangsphase des mobilen Lernens wurden SMS für die Verteilung und Übermittlung von Aufgaben verwendet. Seitdem Smartphones und Tablets für die breite Öffentlichkeit zugänglich sind, haben sich Bildungs-Apps durchgesetzt. Diese Apps bieten interaktive Lerninhalte und ermöglichen es den Lernenden, auf unterhaltsame und zugängliche Weise zu lernen. Die neueste Form des M-Learnings nutzt Technologien wie Augmented Reality, Virtual Reality und – an erster Stelle – künstliche Intelligenz [7].

Anhand der Vielseitigkeit von Mobile Learnings können Lernende individuelle Lernerfahrung erzeugen. Sie können „verschiedene Lernkontexte miteinander verbinden und ihr Lernen selbstgesteuert, personalisiert und durch soziale Interaktion gestalten“ [7, S. 26]. Die Ungebundenheit an Raum, Zeit und Technologie ermöglicht es den einzelnen Personen, die für sie effektivste Lernmethode zu bestimmen und anzuwenden. Durch die Kollaboration mit Peers und Lehrenden ermöglicht M-Learning den Lernenden allgegenwärtige Unterstützung und sozialen Austausch [7].

Doch trotz dieser reichhaltigen und vielversprechenden Chancen sieht sich Mobile Learning auch einer Reihe von Herausforderungen gegenüber.

Der Einsatz mobiler Endgeräte in der Bildung führt zu einem tiefgreifenden Wandel in der Didaktik. Zum einen werden die didaktische Produktion (z.B. von Lernmaterialien) und die didaktische Interaktion (z.B. in Form von Wissensvermittlung) von der lehrenden Person entkoppelt. Zum anderen verschwimmen die Grenzen zwischen Lehr- und Lernort [7]. Dies kann zu „neuen Ordnungsstrukturen und Machtverhältnissen (z.B. werden Hersteller von mobilen Apps zu neuen ‚didaktischen‘ Akteuren) sowie zu Kontrollverlusten (z.B., wenn Unterricht mit dem Smartphone gefilmt und im Netz geteilt wird)“ [7, S. 51] führen.

In Kontext dessen stellt sich auch die Frage über die Medienkompetenz aller am Mobile Learning beteiligten Akteure. Lehrende benötigen nicht nur fundiertere technische Kenntnisse, sondern zusätzlich die Fähigkeit, digitale Ressourcen zu erstellen, anzupassen und in den Unterricht zu integrieren. Es reicht nicht aus, bestehende Lerninhalte auf mobile Plattformen zu übersiedeln, sondern Lehrkräfte müssen sich auch Gedanken über die Entwicklung innovativer Unterrichtskonzepte machen, die das Potenzial mobiler Technologien optimal ausschöpfen [7].

Aber nicht nur ´Lehrenden, sondern auch Lernenden müssen ihre Medienkompetenz stärken. Durch die ständige Verfügbarkeit mobiler Endgeräte ist die Aufmerksamkeit in sozialen Kommunikationssituationen oft eingeschränkt. „Push-Benachrichtigungen und Nachrichtensignale, die Gewohnheit, häufig auf das Handy zu schauen und die Angst, etwas zu verpassen“ [7, S. 46], führen zu Konzentrationsverlusten. Mit zunehmendem Einsatz von M-Learning müssen Lernende daher lernen, mobile Endgeräte nicht nur als Unterhaltungs- oder Kommunikationsmittel, sondern auch als leistungsfähige Lernwerkzeuge zu nutzen. Dies bedeutet wiederum, dass die Fähigkeit, Online-Inhalte kritisch zu bewerten und die verfügbaren digitalen Ressourcen effizient zu nutzen, gefördert werden muss [7].

III. Technology Acceptance Model

Das Technology Acceptance Model ist ein Verhaltensmodell, welches die Akzeptanz von Informationstechnologie vorhersagen und erklären soll. Es wurde 1989 von Fred D. Davis entwickelt, um herauszufinden, was Menschen dazu veranlasst, Technologien zu akzeptieren oder abzulehnen [8]. Es basiert dabei auf der Theorie des überlegten Handelns (Theory of Reasoned Action, TRA), einem psychologischen Modell, das menschliches Verhalten in verschiedenen Situationen vorhersagt. Die TRA besagt, dass das Verhalten einer Person durch ihre Verhaltensabsichten bestimmt wird, die von Einstellungen und subjektiven Normen beeinflusst werden [9].

Das Technology Acceptance Model, wie in Abbildung 1 dargestellt, geht davon aus, dass die Verhaltensabsicht, die von der Einstellung beeinflusst wird, die Erwartung der tatsächlichen Nutzung bestimmt. Die Einstellung wird wiederum von der wahrgenommenen Nützlichkeit und Benutzerfreundlichkeit beeinflusst, den beiden zentralen Konzepten des TAM. Die wahrgenommene Nützlichkeit wird als „das Ausmaß, in dem eine Person glaubt, dass die Verwendung eines bestimmten Systems ihre Arbeitsleistung verbessern würde“ und die wahrgenommene Benutzerfreundlichkeit als „das Ausmaß, in dem eine Person glaubt, dass die Nutzung eines bestimmten Systems keine Anstrengung erfordert“ definiert [8], [10]. Zwischen diesen beiden Faktoren besteht ebenfalls ein Zusammenhang, da die wahrgenommene Benutzerfreundlichkeit sich direkt auf die wahrgenommene Nützlichkeit auswirkt. Zusätzlich wirken auch externe Variablen auf die beiden Hauptkonzepte ein [10], welche je nach Forschungskontext variieren. Auf der Grundlage des Technology Acceptance Model werden Menschen eine Technologie also eher annehmen, wenn sie sie als nützlich und einfach zu bedienen empfinden.

Das Technology Acceptance Model gilt als das am weitesten verbreitete Akzeptanzmodell für Informationssysteme und wurde in einer Vielzahl von Forschungsarbeiten in unterschiedlichen Kontexten im Bereich der Informationssysteme untersucht [10]. Dennoch wird das TAM aus unterschiedlichen Blickwinkeln kritisiert.

Der Hauptkritikpunkt am TAM ist gleichzeitig eine seiner Stärken: die Vereinfachung des Verständnisses von Technologieakzeptanz.  In vielen Studien wird das Modell auf die drei Konstrukte wahrgenommene Nützlichkeit, wahrgenommene Benutzerfreundlichkeit und Nutzungsabsicht reduziert, was dazu führt, dass der Endpunkt der Forschung die wahrgenommene Nutzung und nicht die tatsächliche Nutzung bildet. Diese Einfachheit macht das TAM zu einem nützlichen Instrument für die schnelle Bewertung der Technologieakzeptanz, vernachlässigt aber die Einbeziehung kontextabhängiger Faktoren [11]. Dies hatte zur Folge, dass verschiedene Forscher:innen unabhängig voneinander versucht haben, das TAM durch externe Variablen so zu erweitern, um es an den spezifischen Forschungskontext anzupassen, was zu einer „theoretischen Verwirrung und Unsicherheit“ [12, S. 115] in Bezug auf das TAM geführt hat.

Als Reaktion auf diese Kritik wurde das TAM mehrfach modifiziert und erweitert. Die dabei wichtigsten Entwicklungen sind das TAM2 und die Unified Theory of Acceptance and Use of Technology (UTAUT). Diese beiden Modelle erweitern das TAM um zusätzliche vordefinierte externe Faktoren. Dadurch soll es ermöglicht werden, die Absichten und das Verhalten der Nutzer:innen in Bezug auf die Akzeptanz und Nutzung von Technologien besser vorhersagen zu können [13].

TAM2 fügt dem ursprünglichen TAM fünf externe Variablen hinzu, die die wahrgenommene Nützlichkeit beeinflussen: Subjektive Norm, Image, Jobrelevanz, Output-Qualität und Ergebnisklarheit sowie zwei Moderatorvariablen: Erfahrung und Freiwilligkeit. Die zentrale Leistung des TAM2 besteht darin, den Einfluss externer Variablen auf interne Überzeugungen zu schärfen und die mangelnde Erklärbarkeit des ursprünglichen TAM in Bezug auf externe Variablen zu verbessern. [13].

Die UTAUT überdenkt die Technologieakzeptanz von Grund auf und eliminiert die beiden Hauptkonzepte sowie die Einstellungskomponente des Technology Acceptance Model. Stattdessen geht es davon aus, dass es vier Faktoren gibt, die direkt die Verhaltensabsicht, welche das Nutzungsverhalten beeinflusst, bestimmen: Leistungserwartung, Aufwandserwartung, sozialer Einfluss und erleichternde Bedingungen. Zusätzlich enthält das Modell vier Moderatorvariablen: Geschlecht, Alter, Erfahrung und Freiwilligkeit der Nutzung. Der wesentliche Beitrag des UTAUT ist die Verbesserung der Erklärungskraft bestehender Modelle durch die Einbeziehung von externen Faktoren und intrinsischer Motivation zur Erklärung von Verhaltensabsicht und Nutzerverhalten [13].

Trotz der Kritik am Technology Acceptance Model und den daraus resultierenden Weiterentwicklungen bleibt das TAM ein starkes und zentrales Modell in der Technologieakzeptanzforschung. Das Modell wird weiterhin in verschiedenen Kontexten als wichtiger Prädiktor für die Einführung und Nutzung von Informationssystemen verwendet. Wie der folgende Abschnitt zeigt, bestätigt auch die aktuelle Forschung weiterhin die Grundannahme, dass die wahrgenommene Nützlichkeit und die wahrgenommene Benutzerfreundlichkeit die Absichten und das Verhalten von Menschen beeinflussen.

IV. M-Learning und TAM

Eine der ersten Studien, die sich mit der Anwendung des Technology Acceptance Model zum Verständnis und zur Verbesserung der Akzeptanz von Mobile Learning beschäftigte, wurde 2010 von Ying Zhao und Qi Zhu [14] durchgeführt. In ihrer Arbeit entwickelten sie ein Forschungsmodell auf der Grundlage des TAM. Darin definierten sie vier externe Faktoren, die die wahrgenommene Nützlichkeit und die wahrgenommene Benutzerfreundlichkeit beeinflussen:

A.   E-Learning-Erfahrung

Bereits vorhandene E-Learning-Erfahrungen können sich positiv auf die Absicht auswirken, mobiles Lernen zu nutzen, da die Informationsbeschaffung im Internet und die Nutzung digitaler Lernprogramme bereits gelernt sind.

B.   Alter

Zum Zeitpunkt der Studie war die Altersgruppe der 20- bis 29-Jährigen unter allen mobilen Internetnutzern in China am stärksten vertreten. Zhao und Zhu [14] definierten daher Alter als einflussreiche Effektvariable.

C.   Meinungsführerschaft

Als Beispiel für einen Meinungsführer im Bereich M-Learning nannten die beiden Autoren einen Vorgesetzten in einem Unternehmen, der Informationen über M-Learning sammelt und diese an seine Mitarbeitenden weitergibt, was dazu führt, dass diese Mobile Learning nutzen.

D.  Vertrauen in die Nutzung mobiler Geräte

Das Vertrauen in die Nutzung mobiler Geräte spiegelt die Überzeugung einer Person wider, bestimmte Aufgaben mit einem mobilen Gerät erfolgreich erfüllen zu können.

Betrachtet man diese externen Variablen in einem aktuellen Kontext, so fällt vor allem auf, dass Alter und die Begründung von Zhao und Zhu [14], es als „einflussreiche Effektvariable“ für die Akzeptanz von M-Learning zu kategorisieren, an Bedeutung verloren hat. Die Verbreitung von Smartphones ist mittlerweile so weit fortgeschritten, dass im Jahr 2018 bereits 94 % der österreichischen Bevölkerung ihr Smartphone regelmäßig zum Surfen im Internet nutzten – davon 88 % der 60- bis 69-Jährigen. Diese Zahlen zeigen einen generellen Anstieg der Nutzung mobiler Technologien in allen Altersgruppen [15].

Neuere Studien zeigen jedoch, dass die Variablen E-Learning-Erfahrungen, Meinungsführer und Vertrauen in die Nutzung mobiler Geräte im engeren oder weiteren Sinne der Interpretation von Zhao und Zhu [14] auch heute noch einen signifikanten Einfluss auf die Akzeptanz von Mobile Learning im Sinne des Technology Acceptance Models haben können.

So zeigt eine Studie von Kumar et al. [16] zur Nutzungsabsicht von Mobile Learning unter Studierende der Ingenieurwissenschaften, dass die Selbstwirksamkeit in Bezug auf Mobile Learning – das Vertrauen in die eigene Fähigkeit, Mobile Learning erfolgreich anwenden zu können – einen direkten Einfluss auf die wahrgenommene Benutzerfreundlichkeit von Mobile Learning und damit auf die Einstellung und insbesondere die Verhaltensabsicht der Studierenden hat Mobile Learning kontinuierlich zu nutzen. Diese Mobile-Learning-Selbstwirksamkeit spiegelt ein modernes Verständnis dessen wider, was Zhao und Zhu [14] als Vertrauen in die Nutzung mobiler Geräte beschrieben haben, und unterstreicht die Bedeutung der individuellen Überzeugung in die eigenen Kompetenzen für die Akzeptanz von M-Learning.

Kumar et al. [16] untersuchten auch die subjektive Norm und ihren Einfluss als externe Variable auf die Akzeptanz von M-Learning. Die subjektive Norm ist dabei definiert als „die Wahrnehmung der Studierenden in Bezug auf die Ansichten anderer, insbesondere für sie wichtiger Personen, wie ihre Dozent:innen und Kommiliton:innen, in Bezug auf die Ausführung des gleichen Verhaltens wie sie selbst“ [16, S. 208062]. Die Forschungsergebnisse von Kumar et al. zeigen, dass die Wahrnehmung der Studierenden über die Meinungen wichtiger Bezugspersonen einen starken Einfluss auf die wahrgenommene Nützlichkeit und die Einstellung gegenüber Mobile Learning hat, was im erweiterten Sinne der Variable Meinungsführerschaft aus der Studie von Zhao und Zhu [14] entspricht.

Schließlich weitet die Studie von Kumar et al. [16] das Konzept der E-Learning-Erfahrung von Zhao und Zhu [14] aus, indem sie die Nutzung von WhatsApp und dessen Einfluss auf die Akzeptanz von Mobile Learning einbezieht.  Dabei kann die Nutzung von WhatsApp zum Austausch von Informationen und Lerninhalten unter Studierenden als eine moderne Form des E-Learning in einem alltäglichen und informellen Kontext betrachtet werden. In ihrer Studie konnten Kumar et al. [16] zeigen, dass ein signifikant positiver Zusammenhang zwischen der Nutzung von WhatsApp und der Selbstwirksamkeit in Bezug auf Mobile Learning besteht. Die Nutzung von WhatsApp steht somit im Einklang mit den E-Learning-Erfahrungen aus Zhao und Zhu [14], da sie zeigt, dass eine bereits etablierte Vertrautheit mit digitalen Technologien, wie sie sich in der regelmäßigen Nutzung von WhatsApp ausdrückt, die Akzeptanz und Integration von Mobile Learning positiv beeinflussen kann.

Die Forschung von Kumar et al. [16] zeigt nicht nur, dass die in der Studie von Zhao und Zhu [14] postulierten Einflussvariablen auf die Akzeptanz von Mobile Learning – Erfahrung, Meinungsführerschaft und Vertrauen in die eigenen Fähigkeiten – in einem teilweise erweiterten Verständnis auch heute noch gültig sind. Sie bestätigt auch die zentralen Annahmen des TAM: die wahrgenommene Benutzerfreundlichkeit beeinflusst die wahrgenommene Nützlichkeit, und beide prägen wiederum die Einstellung der Nutzer:innen. Dabei hat die wahrgenommene Nützlichkeit einen größeren Effekt.

Auch weitere aktuelle Studien zu Mobile Learning im Kontext des Technology Acceptance Model bestätigen teilweise die Grundannahmen des TAM, erweitern den Blickwinkel aber um andere Einflussfaktoren.

Camilleri und Camilleri [17] untersuchten beispielsweise die utilitaristische und die intrinsische Motivation für die Nutzung von M-Learning bei Studierenden. Dazu ergänzten sie die beiden Hauptkonzepte des TAM um die wahrgenommene Freude bei der Nutzung von Mobile Learning und stellten die Hypothese auf, dass eine positive und signifikante Beziehung zwischen der wahrgenommenen Freude und der Nutzungsabsicht besteht. Diese Hypothese stützte sich auf die User Gratifications Theory, die untersucht, warum Menschen dazu neigen, Technologien zu nutzen, um soziale und psychologische Bedürfnisse zu befriedigen. Neben dem starken Zusammenhang zwischen der wahrgenommenen Benutzerfreundlichkeit und der wahrgenommenen Nützlichkeit von Mobile Learning Apps, die wiederum die Einstellung der Studierenden gegenüber diesen Technologien beeinflussen, stellt die Studie fest, dass vor allem die wahrgenommene Nützlichkeit ein entscheidender Faktor für die Nutzungsabsicht der Apps ist, äquivalent zu Kumar et al. Model. Bemerkenswerter ist jedoch das Ergebnis, dass der Freude an der Nutzung von Mobile Learning Apps eine noch größere Bedeutung für die weitere Nutzung zukommt als den beiden Kernkomponenten des TAM. Dies deutet darauf hin, dass utilitaristische Motive zwar vorhanden sind, die Freude an der Nutzung jedoch einen stärkeren Einfluss auf die zukünftigen Verhaltensabsichten hat.

Dass die Freude an der Nutzung von Mobile Learning die Akzeptanz dessen positiv beeinflusst, wurde bereits in einer früheren Studie von Al-Monthry und Al-Shargabi [18] festgestellt. In dieser Studie stellten die beiden Autoren ein eigenes Akzeptanzmodell auf, um die Annahme von M-Learning unter Studierenden zu erklären. Dazu definierten sie neben dem wahrgenommenen Spielspaß vier weitere Faktoren, die die Nutzungsabsicht beeinflussen: Leistungserwartung, Anstrengungserwartung, sozialer Einfluss und erleichternde Bedingungen. Dabei entspricht die Leistungserwartung der wahrgenommenen Nützlichkeit und die Anstrengungserwartung der wahrgenommenen Benutzerfreundlichkeit des ursprünglichen TAM, sowie der soziale Einfluss der sozialen Norm von Kumar et al. Die vierte Einflussvariable, erleichternde Bedingungen, bezieht sich laut Al-Monthry und Al-Shargabi auf die Überzeugung der Menschen, dass eine technische Infrastruktur vorhanden ist, die sie bei der Nutzung eines Systems unterstützt.

Während Al-Monthry und Al-Shargabi [18] in Übereinstimmung mit Kumar et al. [16] feststellten, dass insbesondere eine positive Leistungserwartung und eine niedrige Anstrengungserwartung sowie der Einfluss des sozialen Umfelds die Nutzungsabsicht der Studierenden gegenüber M-Learning begünstigend beeinflussen, mussten Al-Monthry und Al-Shargabi [18] die Annahme zurückweisen, dass erleichternde Bedingungen auf die Nutzungsabsicht eine förderliche Wirkung haben.

Dieses letzte Ergebnis wurde jedoch von anderen Studien infrage gestellt. So fanden Gupta [5] und Camilleri und Camilleri [19] heraus, dass erleichternde Bedingungen einen signifikanten bzw. hochsignifikanten Einfluss auf die Nutzung von Mobile Learning durch Studierende haben. Camilleri und Camilleri [19] stellten jedoch zusätzlich fest, dass dieser externe Faktor keinen direkten Einfluss auf die Verhaltensintention der Studierenden gegenüber M-Learning hat. Dies deutet darauf hin, dass erleichternde Bedingungen, auch wenn sie möglicherweise keine unmittelbare Auswirkung auf die Verhaltensabsicht haben, dennoch eine wichtige Rolle für die tatsächliche Nutzung spielen können.

Was zusätzlich in diesen beiden Studien erkannt wurde, ist, dass im Gegensatz zu Kumar et al. [16], Camilleri und Camilleri [17] und Al-Monthry und Al-Shargabi [18] die wahrgenommene Benutzerfreundlichkeit einen größeren Einfluss auf die Nutzungsabsicht von Mobile Learning unter Studierenden hat als die wahrgenommene Nützlichkeit [4, 19].

Es stellt sich die Frage, warum die Ergebnisse der verschiedenen Studien unterschiedlich ausfallen, zumal nicht immer eindeutige Gründe für die divergierenden Einflüsse der wahrgenommenen Nützlichkeit und der wahrgenommenen Benutzerfreundlichkeit auf die Nutzungsabsicht von Mobile Learning bei Studierenden erkennbar sind.

Bei Kumar et al. [16] könnten die Ergebnisse dadurch beeinflusst worden sein, dass es sich bei den Probanden um Studierende der Ingenieurwissenschaften handelte, bei denen utilitaristische Aspekte eine größere Rolle spielen könnten, was die stärkere Betonung des wahrgenommenen Nutzens erklären würde.

Im Falle der Studien von Camilleri und Camilleri [19] und Camilleri und Camilleri [17], die an denselben Universitäten durchgeführt wurden, ist der Grund für die unterschiedlichen Ergebnisse weniger klar. Die Einführung der wahrgenommenen Freude als zusätzliche Variable in der späteren Studie [17] könnte jedoch darauf hindeuten, dass diese die Gewichtung der wahrgenommenen Benutzerfreundlichkeit minimiert.

Unter dem Gesichtspunkt kultureller und zeitlicher Entwicklungen könnten die divergierenden Ergebnisse hinsichtlich der wahrgenommenen Benutzerfreundlichkeit und der wahrgenommenen Nützlichkeit bei Gupta [5] und Al-Monthry und Al-Shargabi [18] betrachtet werden. Obwohl beide Studien in geografisch und kulturell ähnlichen Ländern – Indien und Pakistan – durchgeführt wurden, spiegeln die drei Jahre, die zwischen den beiden Veröffentlichungen liegen, möglicherweise erhebliche Veränderungen im technologischen Umfeld und in der Nutzer:innenerwartung wider.

In Pakistan, wo die Studie von Al-Monthry und Al-Shargabi [18] durchgeführt wurde, könnte die Betonung der wahrgenommenen Nützlichkeit darauf zurückzuführen sein, dass sich die technologische Infrastruktur noch im Aufbau befand und daher die Funktionalität von M-Learning stärker im Vordergrund stand. In der Zwischenzeit könnte in Indien, wo die Studie von Gupta [5] durchgeführt wurde, die wahrgenommene Benutzerfreundlichkeit bereits eine größere Rolle gespielt haben, da die Technologie bereits stärker in den Alltag integriert war.

V. Fazit

Diese Arbeit zeigt, wie die Akzeptanz von Mobile Learning an Hochschulen von verschiedenen Faktoren abhängt. Obwohl die Grundannahmen des Technology Acceptance Model, dass die wahrgenommene Benutzerfreundlichkeit und die wahrgenommene Nützlichkeit die Verhaltensabsicht der Nutzung positiv beeinflussen, wiederholt bestätigt werden konnten, wurde auch demonstriert, dass diese nicht isoliert betrachtet werden können. Es hat sich gezeigt, dass externe Faktoren wie Vorerfahrungen, soziale Einflüsse und die Selbstwirksamkeit der Nutzer:innen betrachtet werden müssen, um die Akzeptanz von Mobile Learning unter Studierenden erklären zu können.

Insgesamt bietet die Studie einen tieferen Einblick in Mobile Learning und das Technology Acceptance Model sowie deren Vielschichtigkeit. Zukünftige Forschung zu diesem Thema sollte insbesondere vor dem Hintergrund aktueller Entwicklungen im Bereich Mobile Learning die gefundenen Erkenntnisse berücksichtigen.

References

[1]             otago, „Trendreport 2022“, Nov. 2022. Zugegriffen: 15. November 2023. [Online]. Verfügbar unter: https://www.otago.at/wp-content/uploads/2022/11/otago_Trendreport_2022_lange-Version_final.pdf

[2]             IAB (Interactive Advertising Bureau) Austria, „Brandneue Ergebnisse des Mobile Communications Reports 2023 erschienen“, IAB Austria. Zugegriffen: 15. November 2023. [Online]. Verfügbar unter: https://www.iab-austria.at/brandneue-ergebnisse-des-mobile-communications-reports-2023-erschienen/

[3]             Peter Hajek und Theresa Kernecker, „CoV-19 Maßnahmen. Online-Befragung Studierende“, 2020. Zugegriffen: 21. November 2023. [Online]. Verfügbar unter: https://www.bmbwf.gv.at/dam/jcr:71063eaf-86d1-4d80-8d31-d023cdbbcd0e/Pr%C3%A4sentation_Studierende_Corona_Krise.pdf

[4]             B. S. Fabito, „Exploring Critical Success Factors of Mobile Learning as Perceived by Students of the College of Computer Studies – National University“, in 2017 International Conference on Soft Computing, Intelligent System and Information Technology (ICSIIT), Denpasar, Bali, Indonesia: IEEE, Sep. 2017, S. 220–226. doi: 10.1109/ICSIIT.2017.25.

[5]              R. K. Gupta, „Investigating the Factors affecting use of Mobile Learning (0/0/00 0:00:00 AMM-learning) among Students of Higher Education Institutions“, in 2021 International Conference on Disruptive Technologies for Multi-Disciplinary Research and Applications (CENTCON), Bengaluru, India: IEEE, Nov. 2021, S. 75–78. doi: 10.1109/CENTCON52345.2021.9688242.

[6]             Q. N. Naveed, H. Choudhary, N. Ahmad, J. Alqahtani, und A. I. Qahmash, „Mobile Learning in Higher Education: A Systematic Literature Review“, Sustainability, Bd. 15, Nr. 18, S. 13566, Sep. 2023, doi: 10.3390/su151813566.

[7]             C. De Witt und C. Gloerfeld, Hrsg., Handbuch Mobile Learning. Wiesbaden: Springer Fachmedien Wiesbaden, 2018. doi: 10.1007/978-3-658-19123-8.

[8]             M. A. Tamboli und P. K. Biswas, „Mobile Learning Applications’ Acceptance Model (MLAAM)“, in 2015 International Conference and Workshop on Computing and Communication (IEMCON), Vancouver, BC, Canada: IEEE, Okt. 2015, S. 1–6. doi: 10.1109/IEMCON.2015.7344421.

[9]             M. A. Shareef, V. Kumar, U. Kumar, und A. A. Hasin, „Application of Behavioral Theory in Predicting Consumers Adoption Behavior“, J. Inf. Technol. Res., Bd. 6, Nr. 4, S. 36–54, Okt. 2013, doi: 10.4018/jitr.2013100103.

[10]           V. Venkatesh und F. D. Davis, „A Theoretical Extension of the Technology Acceptance Model: Four Longitudinal Field Studies“, Manag. Sci., Bd. 46, Nr. 2, S. 186–204, Feb. 2000, doi: 10.1287/mnsc.46.2.186.11926.

[11]            A. Shachak, C. Kuziemsky, und C. Petersen, „Beyond TAM and UTAUT: Future directions for HIT implementation research“, J. Biomed. Inform., Bd. 100, S. 103315, Dez. 2019, doi: 10.1016/j.jbi.2019.103315.

[12]           „Understanding the usage, Modifications, Limitations and Criticisms of Technology Acceptance Model (TAM)“, Advances in Science, Technology and Engineering Systems Journal. Zugegriffen: 19. November 2023. [Online]. Verfügbar unter: https://www.astesj.com/v05/i06/p12/

[13]           R. P. Yang, L. Y. Zhou, X. X. Hou, und Y. M. Xiang, „Advance of research on technology acceptance“, in 2014 IEEE International Conference on Industrial Engineering and Engineering Management, Selangor Darul Ehsan, Malaysia: IEEE, Dez. 2014, S. 1042–1045. doi: 10.1109/IEEM.2014.7058797.

[14]           Ying Zhao und Qi Zhu, „Influence Factors of Technology Acceptance Model in Mobile Learning“, in 2010 Fourth International Conference on Genetic and Evolutionary Computing, Shenzhen: IEEE, Dez. 2010, S. 542–545. doi: 10.1109/ICGEC.2010.139.

[15]           „55% der heimischen Smartphone-Nutzer shoppen mobil und 66% vergleichen Preise“, MindTake Research. Zugegriffen: 25. November 2023. [Online]. Verfügbar unter: https://www.mindtake.com/de/press-release/55-der-heimischen-smartphone-nutzer-shoppen-mobil-und-66-vergleichen-preise

[16]           J. A. Kumar, B. Bervell, N. Annamalai, und S. Osman, „Behavioral Intention to Use Mobile Learning: Evaluating the Role of Self-Efficacy, Subjective Norm, and WhatsApp Use Habit“, IEEE Access, Bd. 8, S. 208058–208074, 2020, doi: 10.1109/ACCESS.2020.3037925.

[17]           M. A. Camilleri und A. C. Camilleri, „Utilitarian and intrinsic motivations to use mobile learning technologies: An extended technology acceptance model“, in 2022 8th International Conference on e-Society, e-Learning and e-Technologies (ICSLT), Rome Italy: ACM, Juni 2022, S. 76–81. doi: 10.1145/3545922.3545935.

[18]           F. F. Al-Monthry und B. Al-Shargabi, „Acceptance model of m-learning among student of Isra University“, in Proceedings of the First International Conference on Data Science, E-learning and Information Systems, Madrid Spain: ACM, Okt. 2018, S. 1–5. doi: 10.1145/3279996.3280034.

[19]           M. A. Camilleri und A. C. Camilleri, „The Acceptance and Use of Mobile Learning Applications in Higher Education“, in Proceedings of the 2019 3rd International Conference on Education and E-Learning, Barcelona Spain: ACM, Nov. 2019, S. 25–29. doi: 10.1145/3371647.3372205.

Beitragsbild wurde mit DALL·E 3 generiert

The post SOTA | Mobile Learning an Hochschulen im Kontext des Technology Acceptance Model appeared first on Mobile USTP MKL.

„How To Plants“ verfolgt das Ziel, PflanzenbesitzerInnen einen leicht zugänglichen, praktischen Leitfaden für die Pflege ihrer Pflanzen bereitzustellen. Der Grundgedanke ist simpel: Jede Pflanze ist mit einem QR-Code ausgestattet, der an ein kleines Stäbchen gebunden und direkt in den Topf gesteckt wird. Durch das Scannen dieses Codes erhalten NutzerInnen Zugang zu umfangreichen Informationen zur jeweiligen Pflanze. Dies umfasst zuerst eine kurze Beschreibung und eine bildliche Darstellung der entsprechenden Pflanze, danach erhalten NutzerInnen Pflegeanweisungen wie Bewässerung, Lichtverhältnisse, Temperaturanforderungen und Düngung, aber auch Informationen über mögliche Pflanzenprobleme und Tipps zur Vermehrung.

Ein weiteres Feature, die persönliche Pflanzenliste, ermöglicht es NutzerInnen, dass sie die gescannten Pflanzen in einer individuellen Liste speichern können, um einen schnellen und einfachen Überblick über ihre grüne Sammlung zu behalten. Diese Idee stammt daraus, dass die Stäbchen mit den QR Code vermutlich nach dem Kauf weggeschmissen werden.

Die Idee zu “How To Plants” entsprang einer persönlichen Herausforderung: ich finde, dass Pflanzen jedes Zuhause verschönern, aber leider habe ich keinen grünen Daumen. Mit der Schaffung eines digitalen Assistenten, der leicht zugängliche und spezifische Informationen bietet, soll es auch für unerfahrenen PflanzenbesitzerInnen, wie mich, ermöglicht werden, gepflegte und gesunde Pflanzen zu erhalten und zu entwickeln.

Umsetzung

Die technische Realisierung von „How To Plants“ erfolgte durch den Einsatz von Flutter. Für die Nutzeroberfläche wurden zunächst drei Landingpages entwickelt, die jeweils die spezifische Informationen für drei verschiedene Pflanzenarten visualisieren. Um Effizienz und Konsistenz in der Entwicklung zu gewährleisten, wurden diverse Widgets erstellt. Diese Widgets dienen dazu, bestimmte Elemente der Benutzeroberfläche wiederverwendbar zu machen und somit eine einheitliche Nutzererfahrung über verschiedene Seiten und Funktionen der App hinweg sicherzustellen.

In Bezug auf die Datenhaltung und -verwaltung wurde ein Model-View-Controller (MVC) Ansatz umgesetzt, wobei auf ein traditionelles Backend verzichtet und stattdessen Local Storage für die Speicherung der Pflanzen in der Pflanzenliste verwendet wurde. Das ermöglicht, dass NutzerInnen ihre persönliche Pflanzenliste direkt auf ihrem Gerät speichern und verwalten können, ohne dass eine Internetverbindung notwendig ist.

Die Web-App wurde auf einem Webserver gehostet, der von der Fachhochschule zur Verfügung gestellt wurde.

Mögliche Erweiterungen

Die „How To Plants“ App bietet zahlreiche Möglichkeiten für zukünftige Erweiterungen und Verbesserungen, um den Nutzen und die User Experience weiter zu steigern. Ein denkbarer Ansatz ist die Implementierung von Kaufoptionen direkt in der App: NutzerInnen könnten nach dem Scannen eines QR-Codes nicht nur Pflegeinformationen erhalten, sondern auch direkt Zugang zu Kaufmöglichkeiten der betrachteten Pflanze bei verschiedenen Anbietern.

Eine weitere aussichtsreiche Erweiterung ist der Einbezug einer Community-Funktion. NutzerInnen könnten ihre eigenen Pflegetipps und Erfahrungen teilen, Pflanzen in Bezug auf Pflegeaufwand bewerten und so die bereitgestellten Informationen ergänzen und vertiefen. Dies würde den Austausch von praxiserprobten Ratschlägen unter PflanzenliebhabeInnen fördern und eine soziale Komponente zur App hinzufügen.

Technisch gesehen bietet die Entwicklung einer nativ entwickelten App sowie die Verwendung einer externen Datenbank weitere Optimierungsmöglichkeiten. Eine solche Struktur würde es ermöglichen, eine größere Datenmenge effizienter zu verwalten und könnte die Grundlage für erweiterte Funktionen und eine skalierbare App-Architektur bilden.

Durch die Erweiterung der QR-Codes um zusätzliche Identifier könnten außerdem interessante Einblicke in das Kaufverhalten und die Präferenzen der Nutzer gewonnen werden. Beispielsweise könnten Informationen darüber, welche Pflanzen gemeinsam, wie oft und in welchen Regionen gekauft werden, dazu genutzt werden, NutzerInnen personalisierte Vorschläge und Tipps anzubieten.

The post Print To Mobile – How To Plants appeared first on Mobile USTP MKL.