GAST-BEITRAG Forschung & Lehre

Personalisierung und automatische Benutzeradaption in Smartphone-Apps

Uhr
von Ulrich Reimer und Edith Maier, Institut für Informations- und Prozessmanagement, FHS St. Gallen

Apps zur Unterstützung gesundheitsförderlichen Verhaltens verwenden vordefinierte Feedbacks zu fixen Zeitpunkten. Die Wirksamkeit der Apps lässt sich signifikant erhöhen, wenn man stattdessen situationsspezifische Feedbacks, Personalisierungsoptionen und­automatische Benutzeradaption vorsieht.

Initialer Zielerreichungsgraph (links) und adaptierter Graph (rechts). (Bild: FHS St. Gallen)
Initialer Zielerreichungsgraph (links) und adaptierter Graph (rechts). (Bild: FHS St. Gallen)

Die Zunahme an chronischen Krankheiten wie Diabetes und Herz-Kreislauf-Erkrankungen stellt eine grosse Herausforderung für das Gesundheitswesen der Schweiz dar. In der Strategie Gesundheit 2020 des BAG wird unter anderem vorgeschlagen, für chronisch kranke Menschen die richtigen Anreize für eine gesündere Lebensweise zu schaffen und deren Eigenverantwortung zu steigern.

Vor diesem Hintergrund ist eine Vielfalt an Smartphone-Apps entstanden, die – oft in Verbindung mit zusätzlichen Sensoren – das Benutzerverhalten aufzeichnen und durch geeignetes Feedback zu gesundheitsförderlichem Verhalten motivieren wollen.

Frameworks für Massnahmen zur Unterstützung von Verhaltensänderungen

Es gibt in der Literatur mehrere Frameworks, nach welchen Prinzipien solche Gesundheits-Apps zu gestalten sind. Eines der bekanntesten ist das Behaviour Change Wheel, das ein breites Spektrum an Interventionstypen betrachtet, wie Richtlinien, Gesetze, Patienteninstruktionen bis hin zu IT-basierten Interventionen (Michie 2011).

Letztere werden im Forschungsgebiet der Behaviour Change Support Systems näher untersucht. Wichtige Massnahmen sind das Setzen von Zielen und zugehörigen Teilzielen, die Anpassung an individuelle Benutzerbedürfnisse sowie der Einbezug des sozialen Umfelds. Die meisten Gesundheits-Apps setzen jedoch nur das Feedback bezüglich des aktuellen Zielerreichungsgrads und den Wettbewerb mit Freunden als Intervention ein.

Ansätze aus der Verhaltensökonomie: Nudging

Die Verhaltensökonomie ist ein weiteres wichtiges Forschungsgebiet zur Unterstützung von Verhaltensänderungen. Werden verhaltensökonomische Prinzipien in die Praxis umgesetzt, spricht man von Nudging, was so viel wie «sanft anstupsen» bedeutet. Verhaltensökonomen gehen davon aus, dass menschliche Entscheidungen nur begrenzt rational sind und durch ihren Kontext beeinflusst werden, unter anderem wann und wie diese «angestupst» werden.

In dem von der Gebert-Rüf-Stiftung geförderten Projekt «(E-)Nudging» (Maier & Ziegler 2015, Maier & Reimer 2015) untersuchen wir, wie sich Nudging für die Unterstützung von gesundheitsförderlichem Verhalten einsetzen lässt. Wird Nudging in die digitale Dimension transferiert, sprechen wir von E-Nudging.

Verschiedene Studien zeigen, dass Benutzer ganz unterschiedlich auf IT-basierte Interventionen reagieren (Kaptein et al. 2010). Eine wirkungsvolle Gesundheits-App muss deshalb der Heterogenität der Benutzer Rechnung tragen und darf nicht alle Benutzer gleich behandeln, wie dies die meisten Apps tun. Im Rahmen unseres Projekts haben wir drei wesentliche Prinzipien identifiziert, die eine Gesundheits-App berücksichtigen sollte: Personalisierung, Einbezug der Benutzersituation und automatische Benutzeradaption (Reimer & Maier 2016).

Personalisierung

Im E-Nudging Projekt entwickeln wir ein Application Framework für Gesundheits-Apps, das Benutzern zahlreiche Optionen bietet, die App für sich zu personalisieren. Am wichtigsten ist die Möglichkeit, einzelne Ziele spezifisch für sich einzustellen, eventuell mit einem Therapeuten oder Coach. Beispielsweise lässt sich das übergeordnete Ziel der Gewichtsabnahme durch Teilziele wie Bewegung, regelmässiges Essen, tägliches Meditieren erreichen. Bewegung wiederum kann durch Joggen, Wandern, Velofahren und Schwimmen erzielt werden.

Einbezug der Benutzersituation

Eine Intervention muss zur Situation passen. Unser Application Framework sieht deshalb ein Regelwerk vor, mit dessen Hilfe eine App Nudges situationsspezifisch generieren kann. Hierfür verwenden wir Zielerreichungsgraphen, die den Fortschritt über die Zeit verfolgen. Ein solcher Graph ist in drei Bereiche untergliedert: der grüne Bereich A steht für guten Fortschritt, der Bereich B für mässigen Fortschritt, im Bereich C ist die Zielerreichung gefährdet (siehe Grafik). Nudges werden über Regeln angestossen, welche die aktuelle Benutzersituation anhand des Zielerreichungsgraphen identifizieren: Fallen Benutzer etwa zurück, wechseln also vom Bereich A in den Bereich B oder von dort in den Bereich C, kann eine Erinnerung, eine Ermunterung oder ein Vorschlag generiert werden. Holen Benutzer wieder auf, ist ein Lob angemessen.

Auf diese Weise wird sowohl der Zeitpunkt eines Nudges als auch dessen Typ passend zur jeweils aktuellen Situation bestimmt. Ferner lassen sich Nudge-Typen unterschiedlich durch Texte, grafische Icons und Töne realisieren und Benutzer so individuell ansprechen.

Automatische Benutzeradaption

Wenngleich Studien zeigen, dass Benutzer ganz unterschiedlich auf Interventionen durch Gesundheits-Apps reagieren (Kaptein et al. 2010), weiss man recht wenig darüber, welche Arten von Nudges bei welchen Personen gute Ergebnisse zeigen (ausser etwa, dass sich Frauen weniger stark durch spielerischen Wettbewerb motivieren lassen als Männer).

Während es einerseits entscheidend ist, dass die Nudges auf den jeweiligen Benutzer beziehungsweise die Benutzerin abgestimmt sind, gibt es andererseits keine Kategorisierung von Benutzertypen, auf die man zurückgreifen könnte. Unser Application Framework sieht deshalb eine Reihe von Mechanismen vor, mit deren Hilfe eine App sich aufgrund des beobachteten Benutzerverhaltens automatisch anpassen kann. So entwickeln wir Algorithmen, welche die Wirksamkeit von Nudges in der Benutzerhistorie evaluieren und die effektivsten Typen von Nudges entsprechend häufiger verwenden.

Genauso wichtig ist die automatische Anpassung der Zielerreichungsgraphen, denn Benutzer haben ein unterschiedliches Timing bezüglich ihrer Zielerreichung: So gehen manche etwa eher am Morgen joggen, während andere dies erst am Abend tun. Im ersten Fall würde die Fläche A schmaler ausfallen, im zweiten Fall sich weiter nach rechts auf der Zeitachse erstrecken. Der Adaptionsalgorithmus für Zielerreichungsgraphen zieht die Grenze zwischen den Flächen A und B so, dass Benutzer in A bleiben, solange sie mindestens so gut sind wie ihr bisheriges durchschnittliches Zielerreichungsverhalten. Die Grenze zwischen den Flächen B und C wird ebenfalls dynamisch angepasst (siehe Grafik).

Ausblick

Wir entwickeln zurzeit eine Smartphone-App zur Unterstützung von Gewichtsabnahme, die sowohl die Benutzersituation berücksichtigt als auch die Nudges an die Benutzer adaptiert. Zur Evaluation der Wirksamkeit werden wir die App über den App-Store vertreiben und dort darauf hinweisen, dass Benutzer dieser App an einer Studie teilnehmen. Entsprechend des Studiendesigns müssen Benutzer zustimmen, dass sie eine von zwei Versionen der App erhalten: eine Version mit Einbezug der Benutzersituation und Benutzeradaption, die andere stattdessen mit vordefinierten Feedbacks zum Zielerreichungsfortschritt, die zu fixen Zeitpunkten generiert werden. Benutzer wissen nicht, welche App-Version sie herunterladen, noch wissen sie, wie sich die beiden Versionen unterscheiden. Die Studie wird uns wertvolle Erkenntnisse liefern, wie sich Verhalten am besten motivieren und sich Motivation aufrecht­erhalten lässt.

Referenzen

Kaptein, M.; Lacroix, J.; Saini, P. (2010). Individual differences in persuadability in the health promotion domain. In: T. Ploug, P.F.V. Hasle, H. Oinas-Kukkonen (eds): PERSUASIVE. Springer, pp.94–105.

Maier, E.; Ziegler, E. (2015). Sanfte Stupser für gesundheitsförderliches Verhalten – oder Nudging im Gesundheits­wesen. Clinicum, 3-15:76–81.

Maier, E.; Reimer, U. (2015). E-Nudging – Motivationshilfe in der Prävention und im Umgang mit chronischen Erkrankungen im Alltag. Clinicum, 6-15:66–74.

Michie, S.; van Stralen, M.M.; West, R. (2011). The behaviour change wheel: A new method for characterising and designing behaviour change interventions. Implementa­tion Science, 6(1):1-11.

Reimer, U.; Maier, E. (2016). An application framework for personalised and adaptive behavioural change support system. In: Proc. 2nd Int. Conf. on Information and Communication Technologies for Ageing Well and e-Health.

Tags

Kommentare

« Mehr