Plausibles Erklärungsmodell

"Prinzipiell steckt hinter diesem Design ein Erklärungsmodell, das Sinn macht - wer weniger oft auf Partys geht und mehr lernt, schneidet besser bei den Prüfungen ab", so Edgar Weippl, Wissenschaftlicher Leiter bei SBA Research http://sba-research.org , gegenüber pressetext. "Das Gefährliche daran ist aber, wenn man zu sehr auf diese Daten vertraut. Wenn etwa herauskommt, dass zuhause zu sitzen einen Parameter für Lernen darstellt, heißt das nicht unbedingt, dass man bei den Prüfungen besser abschneidet, nur weil man zuhause herumgesessen ist."

Für die Vorhersage der Prüfungsergebnisse braucht der Nutzer nichts zu tun, die App erledigt alles selbst. Ob gelernt wird, kann sie zum Beispiel dadurch erkennen, wenn das Handy an einem Ort, der mit Lernen assoziiert ist (zum Beispiel eine Bibliothek), genutzt wird. Außerdem werden die Umgebungsgeräusche in diese Auswertungen miteinbezogen.

App braucht viele Rechte

Jedoch funktioniert die App derzeit nur auf Android-Geräten - das Aufzeichnen von Hintergrunddaten ist bei Apple-Handys nicht möglich, ohne vorher einen Jailbreak durchzuführen. "iPhones arbeiten mit Compartments, auf die man nicht so gut zugreifen kann. Unter Android sammeln viele Apps Location-Daten, sogar SMS können ausgelesen werden. Je mehr Rechte einer App eingeräumt werden, desto leichter können diese auch missbraucht werden - das muss man in Kauf nehmen, wenn man seine Prüfungsergebnisse unbedingt im Voraus wissen will", meint Weippl.

Geeignet für andere Bereiche

Konkret ist es für den Prüfungserfolg gut, wenn neben dem Vermeiden von Partys nachts weniger Face-to-Face-Konversationen stattfinden und der Stresslevel zur Mitte des Semesters ansteigt und dann wieder abfällt. Für einen späteren Zeitpunkt ist angedacht, dass die App auch Tipps gibt, wie das Lernverhalten verbessert werden könnte.

Das Team um Andrew T. Campbell erhofft sich von seiner Anwendung ohne User-Interaktion aber noch mehr Lerngewinne: "Wir haben sie angewendet, um die Performance von Studenten zu messen. Aber dieser Kern könnte auch verwendet werden, um die Performance eines Software-Entwicklers, eines Uber-Taxifahrers oder eines Lehrers zu messen. Verschiedene Modelle werden für verschiedene Arten von Berufen herangezogen."

Ganz unüblich sind die Bemühungen, das Abschneiden von Personen im Vorhinein zu bestimmen, freilich nicht: "Es gibt eine Studie, bei der anhand der Anzahl von Interaktionen bei Partys der Erfolg von Studenten an Business Schools vorausgesagt werden konnte", erzählt Weippl abschließend.