AIEd-WissensbasisAIEd KB
Auf dieser Seite

Diese Seite wurde maschinell ins Deutsche übersetzt; die Artikelseiten sind weiterhin auf Englisch verfasst. Diese Seite auf Englisch lesen

Konzepte

Usability-Forschung

Erstellt 2026-08-24 · Aktualisiert 2026-10-10

Dies ist eine automatische Übersetzung der englischen Seite; sie wurde noch nicht von einer muttersprachlichen Person geprüft.

Usability-Forschung — die empirische Untersuchung dessen, wie Nutzende mit einem Softwaresystem interagieren, sowie seiner Usability, Nützlichkeit und User Experience (UX). Der Mensch-Computer-Interaktion (HCI) entnommen, bewertet Usability-Forschung, ob ein pädagogisches KI-Werkzeug bedienbar, erlernbar, effizient und zufriedenstellend ist — die Eigenschaften, die darüber entscheiden, ob Lernende es tatsächlich annehmen und davon profitieren. Sie ist von qualitativer Untersuchung von Lernphänomenen und quantitativer Wirksamkeit verschieden, aber komplementär zu ihr: Usability-Forschung konzentriert sich auf die Interaktion zwischen Person und System, nicht auf Lernleistungen an sich.

Fragen zum Nachdenken

  • Erinnern Sie sich an ein Softwarewerkzeug — pädagogisch oder nicht —, das didaktisch sauber oder tatsächlich leistungsfähig war, das Sie aber nicht mehr benutzt haben, weil es verwirrend oder frustrierend war? Genau dieses Scheitern versucht Usability-Forschung zu erklären, bevor es Lernen kostet.
  • Eine verbreitete Annahme ist, dass die pädagogische Wirksamkeit eines Werkzeugs danach beurteilt werden kann, ob sich Lernzuwächse verbessern. Die Seite argumentiert jedoch, dass ein Werkzeug unbedienbar sein und in einer Studie dennoch „funktionieren“ kann, oder bedienbar und dennoch nicht in der Lage, etwas beizubringen. Warum könnte eine Studie mit Lernzuwächsen übersehen, dass das Werkzeug in der Praxis mühsam zu nutzen ist?
  • Wie würden Sie vor der Lektüre der Methoden herausfinden, ob ein KI-Tutor für Lernende verwirrend, frustrierend oder fehleranfällig ist? Was würden Sie tatsächlich tun oder beobachten — und was würde die eigene Zufriedenheitsaussage einer nutzenden Person übersehen, die sorgfältige Beobachtung einfängt?
  • Lautes Denken ist eine Kernmethode: Nutzende sprechen ihre Gedanken während der Arbeit aus und legen dabei Verwirrung und mentale Modelle in Echtzeit offen. Wenn Sie als lernende Person ein KI-Werkzeug benutzen würden: Was könnten Sie über Ihre Verwirrung artikulieren, das eine einfache „Hat es Ihnen gefallen?“-Umfrage nie erfassen würde?
  • Die Seite vermerkt, dass berichtete Zufriedenheit von objektiver Leistung abweichen kann — Menschen können sagen, sie liebten ein Werkzeug, das sie heimlich bremst, oder eines unterschätzen, das tatsächlich hilft. Wo haben Sie diese Lücke zwischen dem, was Menschen sagen, und dem, was ihr Verhalten zeigt, gesehen?
  • Usability-Forschung sagt Ihnen, ob ein Werkzeug bedienbar ist, nicht ob es lehrt. Wenn Sie ein KI-Lernwerkzeug bewerten: Wie würden Sie Usability-Belege mit Belegen für Lernen verbinden — und was könnte ein Werkzeug, das beides besteht, dennoch nicht erreichen?

Einführung

Usability- und UX-Forschung beantworten Fragen wie: Finden Studierende heraus, wie dieser KI-Tutor zu benutzen ist? Ist das KI-Werkzeug verwirrend, frustrierend oder fehleranfällig? Passt es in den Arbeitsablauf von Lehrenden oder Lernenden? Diese Fragen sind eine Voraussetzung für — und manchmal die verborgene Ursache von — den Lernzuwächsen (oder ihrem Ausbleiben), die in Wirksamkeitsstudien gemessen werden. Ein pädagogisch sauberes, aber unbedienbares KI-Werkzeug wird in der Praxis scheitern; Usability-Belege erklären, warum.

Kernmethoden

  • Protokolle lauten Denkens. Nutzende verbalisieren ihre Gedanken während der Aufgabenerledigung und legen dabei Verständnis, Verwirrung und mentale Modelle in Echtzeit offen. Eine Studie zu Multi-View-Code-Visualisierungen und das LEARN-Rahmenwerk nutzen lautes Denken, um zu verstehen, wie Lernende KI-gestützten Werkzeugen Sinn abgewinnen; Feedback Futures untersucht, wie Lernende KI-erzeugtes Feedback verarbeiten.
  • Nutzungsstudien. Strukturierte, aufgabenbasierte Evaluationen messen Effizienz, Fehlerraten, Zufriedenheit und Vervollständigung. ProductiveMath bewertet die Usability einer generativen KI-App zur Unterstützung von Unterricht nach produktivem Scheitern; SupplyNet führt eine Nutzungsstudie zu einem visuellen explorativen Lernwerkzeug durch; LLM-Chatbots für Multiple-Choice-Fragen in der Informatik bewerten Interaktionsqualität.
  • Interviews und Beobachtung. Qualitative Usability-Interviews und Beobachtung erfassen Nutzungserlebnis, Präferenzen und Schmerzpunkte. Eine Usability-Studie zu einem erzählenden humanoiden Roboter nutzt strukturierte Evaluation, um zu fragen, ob Eltern den Roboter mit einem Kind interagieren ließen; KI in Designstudios beobachtet und interviewt Studierende, die KI in authentischer Entwurfsarbeit einsetzen.
  • Systematische Usability-Evaluation. Heuristische Evaluation, Cognitive Walkthrough und fragebogenbasierte UX-Maße (z. B. SUS) bewerten Usability systematisch an etablierten Kriterien.

Wie Usability-Forschung in der Wissensbasis auftritt

  • Evaluation pädagogischer KI-Lernwerkzeuge. ProductiveMath, SupplyNet und pädagogische Animationen werden auf Usability und UX hin bewertet.
  • Mensch-Roboter- und konversationelle KI-Interaktion. Die Studie zum humanoiden Erzähler ist eine ausdrückliche Usability-Studie zu Große Sprachmodelle (LLMs)-gestützter Interaktion; ein Überblicksreview zu konversationellen KI-Agenten benennt Usability und Interaktionsqualität als wiederkehrendes Thema.
  • Design und Verfeinerung. Usability-Befunde speisen iteratives Design (siehe Design-Thinking und Lerndesign) und verbessern Werkzeuge vor oder neben Wirksamkeitstests.
  • Ein Instrument über Kontexte hinweg, und die Decke, die es begrenzt. Mendonça et al. (2026) hielten Domäne, Aufgabe und Instrument konstant, während die Bildungsstufe variierte, sodass die Bewertungen von 144 Studierenden zu 893 Feedbackantworten und 237 Berichten Kontexte statt Disziplinen vergleichen — und allein die wahrgenommene Genauigkeit unterschied sich zwischen den Stufen. Die Studie benennt auch die Grenze dieser Art von Nutzungsevaluation: 72.2 bis 86.4 Prozent der Studierenden lagen im Mittel bei mindestens 4 von 5, und die Autoren stellen fest, dass ihre nicht-signifikanten Unterschiede keine Äquivalenz belegen, weil keine Marge vorab festgelegt wurde.
  • Bewertendendesign als Teil des Befunds berichtet. Puech et al. (2026) ließen 25 domänenpassende Expertinnen und Experten 92 neu erzeugte Vorlesungen an einer Rubrik beurteilen, die bei „der Qualität einer Standard-MOOC-Vorlesung“ verankert war, und wiesen jedes Video einer einzelnen begutachtenden Person zu (k = 1), um das Panel über einen größeren Teil des Korpus zu verteilen, statt wiederholte Bewertungen zu erheben. Der Kompromiss wird modelliert statt verborgen: Ein Random-Intercept-Modell schreibt etwa 35 Prozent der Restvarianz der begutachtenden Person zu (ICC = 0.35), und die Intervalle sind nach begutachtenden Personen geclustert — so kann ein Expertinnen- und Expertenpanel „87 Prozent auf oder über der Schwelle“ mit einem ehrlichen Bereich berichten.

Verhältnis zu anderen Forschungsfamilien

Usability-Forschung teilt Methoden der Datenerhebung mit qualitativer Forschung (Interviews, Beobachtung, lautes Denken), unterscheidet sich aber im Ziel: Qualitative Forschung interpretiert Bedeutung und Erlebnis, um Verständnis und Theorie aufzubauen, während Usability-Forschung ein Artefakt an Usability-/UX-Kriterien bewertet. Sie überlappt außerdem mit Evaluation von KI in der Bildung (zu beurteilen, ob ein System funktioniert) und mit Messung (Quantifizierung von Usability-Konstrukten). Die Wissensbasis behandelt Usability als eigenständigen, aber verbundenen methodischen Strang — relevant für Mensch-KI-Zusammenarbeit, Erleben der Studierenden und das Design wirksamer KI-Lernwerkzeuge. Siehe Forschungsmethoden in der AIED für ihre Einordnung in die breitere Methodenlandschaft.

Stärken und Grenzen

  • Stärken: benennt unmittelbar Usability-Barrieren, die Annahme und Lernen blockieren; liefert umsetzbare Designanleitung; ergänzt Wirksamkeits- und qualitative Forschung, indem sie erklärt, warum ein Werkzeug im Einsatz funktioniert oder scheitert; vergleichsweise schnell und kostengünstig gegenüber großen Experimenten.
  • Grenzen: Usability-Befunde belegen keine Lernwirkungen (ein bedienbares Werkzeug kann dennoch scheitern, etwas beizubringen); kleine Stichproben und aufgabenspezifische Settings begrenzen die Generalisierbarkeit; berichtete Zufriedenheit kann von objektiver Leistung abweichen; Abhängigkeit von Forschenden und Aufgabendesign.

Verbundene Konzepte

Verbundene Artikel

Verknüpfte FAQs

Metadaten

StudiendesignSystem Development, User Study, Interviews
Forschungsmethoden und EvaluationUsability-Forschung
SeitenartEvaluation
SourceHistoryEditChat

Diese Seite einbetten

Kopieren Sie den Code unten, um diese Seite in ein Lernmanagementsystem oder eine andere Website einzubetten. Die eingebettete Version zeigt nur den Seiteninhalt — Kopfzeile, Navigation und Fußzeile der Website werden ausgeblendet.