Rödling, S. (2019). Entwicklung einer Applikation zum assoziativen Medien Lernen.

The present work was submitted to Lehr- und Forschungsgebiet Educational
Technologies at DIPF
Entwicklung einer Applikation zum
assoziativen Medien Lernen
Bachelor-Thesis
Presented by
Sebastian Rödling
6268671
First examiner: Prof. Dr. Hendrik Drachsler
Supervisor: Hr. Daniel Biedermann
Frankfurt, 14. Oktober 2019

Erklärung
Hiermit versichere ich, dass ich diese Arbeit selbstständig verfasst und keine anderen als die
angegebenen Quellen und Hilfsmittel benutzt habe. Zudem versichere ich, dass die von mir
abgegebenen schriftlichen (gebundenen) Versionen der vorliegenden Arbeit mit der abgegebe-
nen elektrionischen Version auf einem Datenträger inhaltlich übereinstimmt.
I hereby declare that I have created this work completely on my own and used no other sources
or tools than the ones listed.
Frankfurt, 14. Oktober 2019 Sebastian Rödling

Abstract
Ziel der vorliegenden Bachelorarbeit ist es, den Einfluss von zusätzlicher am Handgelenk wahr-
genommener Vibration in Verbindung mit der visuellen Darstellung eines Lerninhaltes auf den
Lernerfolg zu messen. Der Lernerfolg wird hierbei durch die Lerngeschwindigkeit sowie den
Umfang der Wissenskonsolidierung über die Testreihe definiert. Zu diesem Zweck wurde ei-
ne Experimentalstudie zum Assoziativen Lernen durchgeführt. Für die Studie verwendeten 33
Probanden eine App, die für die vorliegende Arbeit entwickelt wurde. Im Mittel aller Studiener-
gebnisse wurden sowohl für die Lerngeschwindigkeit als auch für die Wissenskonsolidierung
bessere Werte erzielt, wenn die Probanden die Möglichkeit hatten, den Lerninhalt sowohl visu-
ell als auch haptisch zu erfahren. Die festgestellten Unterschiede des Lernerfolges erreichten
jedoch keine statistische Signifikanz. Die Abweichungen der Ergebnisse nach der Umsetzung
der vorgeschlagenen Änderungen am Studiendesign sind abzuwarten. Die Bachelorarbeit ist
vor allem für den Bildungsbereich interessant.
The present bachelor thesis aims to measure the influence of vibration perceived at the wrist in
connection with the visual representation of learning content on the learning success. The lear-
ning success is defined by the learning speed and the extent of knowledge consolidation over
the test series. For this purpose, an experimental study on Associative Learning was conduc-
ted. For the study, 33 test persons used an app, which was developed for the present work. On
average of all study results better values were achieved for both learning speed and knowledge
consolidation, if the test persons could experience the learning content both visually and hapti-
cally. However, the differences in learning outcomes did not reach statistical significance. The
results of the deviations after the implementation of the proposed changes to the study design
must be awaited. The Bachelor’s thesis is particularly interesting for the education sector.

Inhaltsverzeichnis
1 Einführung 1
2 Grundlagen 3
2.1 Grundlagen Lernpsychologie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.1.1 Assoziatives Lernen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.1.2 Passives haptisches Lernen . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.1.3 Zusammenfassung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.2 Grundlagen Applikations Entwicklung . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2.1 Vorwort . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2.2 Manifest.xml Datei . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2.3 Activities in Android . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2.4 Fragment . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.2.5 Intent-Filter und Intents . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2.6 Broadcast Receiver . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2.7 Services . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2.8 Zusammenfassung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3 Studienkonzept 17
3.1 Studienablauf . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.2 Dokumentation der Studie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.2.1 Phase 1 - 1. Testlauf . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2.2 Phase 2 - 2. Testlauf . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2.3 Phase 3 - 3. Testlauf . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
4 Entwicklung der Applikation 21
4.1 Vorwort . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4.2 Mobile Applikation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4.2.1 LoginActivity und RegistrationActivity . . . . . . . . . . . . . . . . . . . . . 26
4.2.2 MainActivity und Fragmente . . . . . . . . . . . . . . . . . . . . . . . . . . 27
vii

4.3 Wear Applikation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.4 Umgang mit der Applikation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
5 Evaluation 37
5.1 Vorwort . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
5.2 Lerneinheiten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
5.3 Testeinheiten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
5.4 Herzfrequenzen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
5.5 Auswertung Lerneinheiten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
5.6 Auswertung Testergebnisse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
5.7 Auswertung Herzfrequenzen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
6 Diskussion und Fazit 49
Tabellenverzeichnis 53
Abbildungsverzeichnis 55
Literatur 57
Appendices 61
Anhang 1: Datenbanktabellen 63
Anhang 2: Layouts der Vibning Applikation 65
Anhang 3: Evaluierung der Studie 67

1 Einführung
“Try to learn something about everything and everything about something.”
—Thomas Huxley
"Für den Großteil der Bevölkerung ist die Nutzung des Internets im beruﬂichen und priva-
ten Alltag selbstverständlich geworden. Vor diesem Hintergrund sowie dem bildungspolitischen
etablierten Paradigma des ’Lebenslangen Lernens’ spielt der Einsatz computer- und netzba-
sierter Lernentechnologien -kurz E-Learning- in der Aus- und Weiterbildung eine zunehmende
Rolle "[33]. Dieses Zitat und die stetig steigende Zahl der Endnutzergeräte zeigt deren Re-
levanz für den Bildungsbereich. Eine sich hieraus ergebende Frage ist, inwieweit man diese
Technologien nutzen kann, um eine Förderung des Lernprozesses zu erzielen. Unter dem Be-
griff Förderung des Lernprozesses wird im Kontext dieser Arbeit sowohl eine Zeitersparnis
beim aktiven Lernen oder aber auch eine bessere Konsolidierung der Lerninhalte in Verbin-
dung mit verbesserten Wiedergabeleistungen verstanden. Die vorliegende Arbeit beschreibt
die Umsetzung psychologischer Lernmodelle, wie die des Assoziativen Lernens in einer Appli-
kation für Smartphone und Smartwatch. Anhand einer Studie wird der Forschungsfrage nach-
gegangen, inwiefern man mit Hilfe der Assoziation eines Lerninhaltes mit einer passenden, auf
der Smartwatch generierten Vibration, den Lernerfolg beeinﬂussen kann. Smartwatches bie-
ten den Vorteil, dass diese bereits konzipierte Sensoren besitzen, um Reize auszulösen oder
Daten, wie die Herzfrequenz, zu erfassen. Für die durchgeführte Studie wurden Testpersonen
in zwei Gruppen aufgeteilt und gebeten, Morsezeichen mit Hilfe der Applikation zu lernen. Bei-
de Probandengruppen lernten denselben Inhalt unter gleichen Rahmenbedingungen. Während
die Experimentalgruppe das Lernen von Morsezeichen sowohl mit Hilfe von Vibration, als auch
mit visuellem Reiz durchführte, erhielt die Kontrollgruppe nur den visuellen Reiz. Einen Tag
sowie drei Tage nach der Lerneinheit wurden die Probanden gebeten, sich einem Wissenstest
zu unterziehen. Anhand der erfassten Lernzeiten und der Testergebnisse konnte anschließend
auf die Forschungsfrage eingegangen werden. Eine weitere exploratorische Auswertung der
aufgezeichneten Herzfrequenzen konnte ebenfalls durchgeführt werden.
1

2 Kapitel 1. Einführung
In den kommenden Kapiteln werden zunächst einige Grundlagen zu Teilbereichen der Lern-
psychologie und der Entwicklung einer Applikation für mobile Endgeräte geschaffen. Darunter
fällt zum einen das Assoziative Lernen, welches Aufschluss über das Lernverhalten des Men-
schen gibt. Die dazu vorgestellte Studie erklärt anhand der Assoziation von Pseudowörtern mit
Alltagsgegenständen exemplarisch, wie das Assoziative Lernen beim Menschen funktioniert.
Des Weiteren wird das Passive haptische Lernen (PHL) näher betrachtet. Hier vorgestellte
Studien liefern erste Anhaltspunkte für das Lernen von Morsezeichen mit Hilfe der Vibration
einer Smartwatch und auditiven Reizen. Anders als beim PHL lernen Probanden der Studie
dieser Arbeit aktiv und mit Hilfe der Wahrnehmung von visuellen oder visuohaptischen Reizen.
Bevor die Umsetzung und Entwicklung der Applikation besprochen wird, erfolgt eine nähere
Betrachtung des Studiendesign. Hierbei wird auch auf das Lernkonzept der Applikation na-
mens Vibning eingegangen. In den letzten beiden Kapiteln wird eine Evaluierung der Studie
und deren Ergebnisse durchgeführt. Angeknüpft an den Studienergebnissen werden im letzten
Kapitel ein Fazit und die daraus abgeleiteten Verbesserungsvorschläge für das Studiendesign
und die Applikation diskutiert.

2 Grundlagen
In diesem Kapitel werden dem Leser grundlegende Modelle, auf denen diese Arbeit aufbaut,
vemittelt. Der erste Teil beschäftigt sich dabei mit dem lernpsychologischen Hintergrund und
ausgewählten Lernformen, mit denen die Studie im Kapitel 3 arbeitet. Der zweite Teil behandelt
Grundlagen zur Applikationsentwicklung für Android Geräte und bereitet somit Kapitel 4 vor, in
dem es um die Umsetzung der Applikation ’Vibning’ geht.
2.1 Grundlagen Lernpsychologie
’Es gibt drei grundlegende Arten von Lernprozessen’ [26, p.316]. Nicht assoziatives Lernen, as-
soziatives Lernen und Beobachtungslernen. Im Folgenden werden wir uns von den drei Lern-
prozessen lediglich auf das assoziative Lernen beschränken. Der Grund hierfür ist, dass Be-
obachtungslernen den Erwerb oder die Veränderung eines Verhaltens erzielen will [26]. Nicht
assoziatives Lernen versucht eine ’Veränderung in der Reaktion auf einen Reiz’ [26, p.317]
hervorzurufen. Diese beiden Lernformen passen nicht mit dem Ziel dieser Arbeit, zwei Reize
miteinander zu verknüpfen, zusammen. Die Lernform des assoziativen Lernens wird im fol-
genden Unterkapitel beschrieben. Im zweiten Unterkapitel, Passives haptisches Lernen 2.1.2,
wird eine Art des Lernens näher betrachtet, die in Verbindung mit dem Lernkonzept der Studie
dieser Arbeit gebracht werden kann.
2.1.1 Assoziatives Lernen
Gazzaniga et al. beschreibt assoziatives Lernen als einen Lernprozess, welcher Reize anein-
ander oder mit einem bestimmten Verhalten koppelt (vgl. ’Assoziatives Lernen ist die Verbin-
dung von Reizen oder von Reizen und Verhaltensweisen, die in räumlicher oder zeitlicher Nä-
he zueinander auftreten[...]. Assoziationen entwickeln sich der traditionellen Lerntheorie zufol-
ge durch Konditionierung’ [26, p.317]). Dabei werden Konditionierungen in das Paradigma der
Klassischen Konditionierung und das Paradigma der Operanten Konditionierung geteilt [31]. Zu
den Pionierarbeiten der klassischen Konditionierung gelten ’Der pavlovsche Hund’ des russi-
3

4 Kapitel 2. Grundlagen
schen Physiologen Ivan P. Pavlov und die klassische Konditionierung des Patellarsehnenreﬂex
von Twitmyer (1905) [31][26]. Als Vorreiter der Operanten Konditionierung werden in der Litera-
tur des Öfteren der Versuch ’Die Thorndikesche Katze’ von Edward Lee Thorndike [31] oder die
Versuche von Skinner mit Mäusen und der Skinner-Box [26] erwähnt. Bei der Operanten Kondi-
tionierung wird versucht eine neue Stimulus-Reaktion Verbindung zu erschaffen. ’Das operante
Verhalten erfolgt instrumentell, da das Verhalten zu einer Veränderung bzw. Konsequenz in der
Umwelt führt’ [31]. So werden Mäuse beispielsweise darauf konditioniert bestimmte Mechanis-
men zu betätigen, um an Essen zu gelangen. Da diese Art der Konditionierung ebenfalls nicht
mit dem Ziel dieser Arbeit einhergeht, werden wir auf dieses Paradigma nicht weiter einge-
hen. Bei der klassischen Konditionierung wird eine bereits bestehende Verbindung zwischen
einem unkonditionierten Stimulus und einer unkonditionierten Reaktion verwendet, um einen
neuen neutralen Stimulus zu einem Auslöser der Reaktion zu bilden [31]. In der Lernphase wer-
den zunächst der unkonditionierte Stimulus (US) mit dem neutralen Stimulus (NS) zusammen
dargeboten, dies löst die unkonditionierte Reaktion (UR) aus. Nach einigen Lerndurchgängen
wird, so die Theorie, der neutrale Stimulus zum konditionierten Stimulus (CS) mit einer kondi-
tionierten Reaktion (CR). In der Abbildung 2.1 ist die schematische Darstellung der klassischen
Konditionierung der Arbeit vom pavlovschen Hund zu sehen. Wie in der Abbildung dargestellt,
wurde ein Hund darauf konditioniert bei der Wahrnehmung eines Tons, der mit Futter asso-
ziiert wird, Speichel zu produzieren (konditionierte Reaktion), unabhängig davon ob der Ton
(CS) mit oder ohne Futtergabe erfolgte. Das hier vorgestellte Lernprinzip gilt ebenfalls für das
menschliche Lernen [31].
Abbildung 2.1: Schematische Darstellung der klassischen Konditionierung anhand des Beispiels ’der
pavlovsche Hund’ [31]

2.1. Grundlagen Lernpsychologie 5
Weitergehende Beschreibungen des assoziativen Lernens in dieser Arbeit beziehen sich
ausschließlich auf die Wirkung beim Menschen. In dem Zeitschriftartikel ’Lernen aus neuro-
wissenschaftlicher Sicht: von der Assoziation zur Kognition’ [21] von Caterina Breitenstein wird
das assoziative Lernen anhand des Fremdsprachenerwerbs genauer beschrieben. Die in die-
sem Artikel aufgeführten Punkte, welche im Zusammenhang mit dieser Arbeit stehen, werden
im Folgenden dargelegt. Zunächst definiert Breitenstein den Begriff Assoziatives Lernen als
einen automatisierten Lernprozess von motorischen Bewegungsabfolgen, Faktenwissen und
sozialen Konventionen. Im Gegensatz zu bewusstem Lernen würde unbewusstes Lernen die
häufige Wiederholung von Reizkonstellationen in unterschiedlichen Situationen erfordern. Als
Beispiel führt sie weiter an: ’Ein Beispiel für assoziatives Lernen en passant ist der Fremd-
sprachenerwerb in einem Land mit für den Besucher unbekannter Sprache. Initial werden die
neuen Sprachlaute der Umgebung für den Besucher keinen Sinn ergeben; bei längerer Ver-
weildauer erklingen bestimmte Lautäußerungen wiederholt in Zusammenhang mit bestimmten
Alltagsobjekten oder Ereignissen.’ [21]. Die Wiederholung helfe deshalb, weil bestimmte Laut-
Ereignis-Kopplungen häufiger auftreten würden als andere, dabei würden diese Kopplungen
gestärkt. Sobald das Lernen erfolgreich ist, würden feste Verbindungen zwischen Lauten und
semantischen Konzepten bestehen. Der Funktionsweise des Assoziativen Lernens unterliege
dabei einem statistischen System im menschlichen Gehirn [21]. ’Dabei werden aus der Flut
eingehender Sinneserfahrungen probabilistische Regelmäßigkeiten ermittelt. Dies geschieht,
ohne dass dem Lernenden das zugrunde liegende probabilistische Prinzip bewusst ist’ [32].
Die folgende Studie unterlegt das probabilistische Prinzip des Menschen anhand eines Bei-
spiels mittels sogenannter Pseudowörter und Alltagsgegenständen. Die Studie ’Development
and validation of a language learning model for behavioral and functional-imaging studies’ [22]
beschreibt das Assoziative Lernen beim Menschen mittels des Fallbeispiels von Bildern von All-
tagsgegenständen und auditiven Pseudowörtern. Die Vorgehensweise dieser Studie ist in Ab-
bildung 2.1.1 dargestellt. Die Pseudowörter wurden durch 40 Studenten ausgewählt, zu dessen
Kriterien gehörte, dass diese nur wenig bestehende Assoziationen haben sollten und von neu-
traler emotionaler Wertigkeit seien (bspw. ’enas’). Während der fünf zehnminütigen Lerneinhei-
ten wurden den Probanden in 1500ms Abständen für eine Dauer von 1000ms Bild-Wort Paare
gezeigt. Nach jeder dieser Phasen hatten die Probanden weitere 1000ms um zu entscheiden,
ob die Bild-Wortpaarung korrekt oder inkorrekt ist. Das Lernkonzept bestand dabei darin, dass
richtige Bild-Wort Paarungen von Lerneinheit zu Lerneinheit immer öfter, während inkorrekte
Darbietungen immer gleich oft dargeboten wurden. Die erste Lerneinheit startete mit einem kor-
rekt: inkorrekt Verhältnis von 4: 2 und endete in der letzten Lerneinheit mit einem Verhältnis von
20: 2. Das einzige Feedback, welches den Probanden gegeben wurde, war eine Prozentzahl an
richtigen und falschen Antworten gegenüber den gesamten Antworten der zehnminütigen Ler-
neinheit. Im Anschluss an die, an verschiedenen Tagen stattgefundenen, Lerneinheiten wurde

die Assoziation zwischen den Pseudowörtern und den alltäglichen Namen der Alltagsobjekte
erfolgreich geprüft. Weitere Überprüfungen nach einer Woche und einem Monat bestätigten die
vorhandene Assoziation und dessen Stabilität. Diese Art des assoziativen Lernens wird in der
Literatur als latentes Stimulus-Stimulus-Konditionierung beschrieben [21, 33].
Breitenstein beschreibt weiter, dass für den Lernerfolg nicht wichtig sei während der Aufga-
bendurchführung Rückmeldung zu erhalten [23]. Weiterhin seien die geringen kognitiven An-
forderungen sowie die hohe Stabilität des Lernerfolgs die Stärken des assoziativen Lernens
[23].
Abbildung 2.2: Screenshot der Studienprozedur aus der Studie [22] zum Assoziativen Lernen

2.1. Grundlagen Lernpsychologie 7
2.1.2 Passives haptisches Lernen
Dieses Unterkapitel befasst sich mit dem Thema des Passiven haptischen Lernen (PHL). Da-
bei wird zunächst eine Begriffserklärung gegeben und anschließend auf für diese Arbeit inter-
essante Studien eingegangen.
Passives haptisches Lernen (PHL) beschreibt eine Lernform für sensomotorische Fähigkeiten,
welche keine oder wenig aktive Aufmerksamkeit erfordert [49]. Das bedeutet, dass Lernende
sich während des PHLs auf eine andere nicht themenbezogenen Aufgabe konzentrieren kön-
nen und passiv den Lerninhalt vermittelt bekommen. Dabei wird anders als der ursprüngliche
Gedanke von Vibration eines Endgeräts (das Signalisieren von Alarmen) [36], diese verwendet,
um passive Stimulation bei den Probanden auszulösen, Feedback zu geben oder die Bewe-
gung der Benutzer zu führen [50, 49]. Weiter schreibt Seim, ’Haptic Learning can be used as
a tool for learning new skills [50]’. Verschiedene Studien haben gezeigt, dass der Anwedungs-
bereich für PHL sehr vielfältig sein kann. Beispielsweise wurden in den vergangenen Jahren
Probranden angelernt, kleine Musiksequenzen auf dem Klavier zu spielen, über Vibration von
der Haut Lesen zu lernen, oder das Morsezeichenalphabet zu erlernen und zu beherrschen
[49, 28, 37, 43].
Huang und Kohlsdorf haben in ihrem Artikel ’Mobile music touch: mobile tactile stimulation
for passive learning’ [29] und ’Mobile Music Touch: The Effect of Primary Tasks on Passively
Learning Piano Sequences’ [34] gezeigt, dass passive Stimulation ausreicht, um kleine Mu-
siksequenzen auf dem Klavier spielen zu können. Für diese Studie wurde ein mit Vibratoren
versehener Handschuh angefertigt, um Stimulation beim Probanden zu erzeugen [29]. Dabei
wurden Probanden angelernt die richtigen Tasten zu drücken, jedoch ohne einen vorgegebe-
nen Rhythmus. Aufbauend auf den Studien von Huang hat Kohlsdorf et al. gezeigt, dass die
Art der ablenkenden Aufgabe (Fokus der Konzentration) wenig bis gar keinen Einﬂuss auf das
PHL hat [34]. So schreibt er, ’Contrary to expectations, all subjects were able to learn the note
sequences in all conditions, and no condition seems signiﬁcantly worse than any other as to its
effect on passive haptic learning.’ [34].
Für diese Arbeit von größerer Bedeutung sind die Studien von Seim et al. [50, 49], in de-
nen als Lerninhalt Morsezeichen gewählt wurden. Mit diesen Studien wurde gezeigt, dass es
mittels PHL möglich ist ein rhythmisch basiertes Textsystem [20] zu lernen. In der ersten Stu-
die von Seim et al. [49], welche wir näher betrachten wollen, wurde mittels der Google Glass
den Probanden Morsezeichen beigebracht. Die Google Glass ist eine von Google entwickelte
Brille, welche Eingabe über ein Trackpad erfahren, Vibrationen auslösen und über eingebau-
te Lautsprecher auditive Signale ausgeben kann [49]. Während des passiven Lernens wurde

zur haptischen Stimulation auditive Stimulation dargeboten. Die Eingabe der Morsezeichen er-
folgte über das Trackpad auf der Google Glass. Seim schreibt, dass bereits nach 4 Stunden
des passiven Lernens Probanden der Experimentalgruppe eine Genauigkeit von 94% beim
kodieren eines Pangramms1 hatten, wohingegen die Kontrollgruppe, welche lediglich auditive
Stimulation erfahren haben, nur 54% richtig hatten. Noch vor Abschluss der Studie hatten PHL
Probanden eine Genauigkeit von 100% erreicht. In schriftlichen sowie Enkodierungsaufgaben
wurden ähnliche Diskrepanzen zwischen Kontroll- und Experimentalgruppe gemessen [49].
Die zweite Studie von Seim et al. ’Towards Hapitc Learning on a Smartwatch’ [50] beschäf-
tigt sich weitergehend mit PHL und verwendet statt der Google Glass eine Smartwatch. Eine
Smartwatch hat in der Regel einen schwachen Vibrationsmechanismus, da dieser lediglich
signalisieren soll, dass eine Nachricht empfangen wurde, ohne dabei viel Akku zu verbrau-
chen [50]. Mit dieser Studie haben sie gezeigt, dass die schwache Vibration von Smartwatches
ausreicht, um passives haptisches Lernen zu fördern . Dazu wurden 6 Probanden passiv ange-
lernt, 10 Morsezeichen (T, H, E, L, A, Z, Y, D, O, G) in 8 oder 16 Minuten Konditionen zu lernen.
Die Ergebnisse dieser Studie zeigten, dass zwischen dem Vorwissenstest und dem abschlie-
ßenden Test deutliche Fortschritte seitens der Probanden gemacht wurden, ’All users showed
significant improvement from pre- to post-test knowledge of Morse code’ [50]. Im Anschluss an
den abschließenden Test wurden Probanden gebeten am darauffolgenden Tag und den dritten
Tag nach dem Test, erneut einen Wissenstest zu machen. Während der Zeiten zwischen den
Tests wurden die Probanden angewiesen, sich nicht weiter mit Morsezeichen zu beschäftigen.
Die Ergebnisse der beiden Tests stimmten ungefähr mit den Abschlusstests der Lerneinheit
überein [50].
2.1.3 Zusammenfassung
Für die in Kapitel 3 beschriebene Studie können sowohl das Assoziative Lernen als auch das
Passive haptische Lernen eine Rolle spielen. Aus diesem Grund werden hier einige Gemein-
samkeiten des Assoziativen Lernens und PHL zusammengetragen. Beiden ’Lernformen’ wird
eine gewisse Stabilität bezüglich der Konsolidierung des Lerninhaltes zugesprochen. Ebenso
benötigen diese ’Lernformen’ keine explizite aktive Aufmerksamkeit seitens der Lernenden. So
beschrieb Breitenstein das Assoziative Lernen en passant anhand des Beispiels des Fremd-
sprachenerwerbs [21] und die Studien zum Passiven haptischen Lernen eine ablenkende Auf-
gabe, welche die Probanden während der Lerneinheiten ausführen mussten. Eine weitere Ge-
meinsamkeit ergibt sich daraus, dass in beiden Fällen die Häufigkeit der Paarungen wiederholt
dargeboten wurden. Weiterhin wird in den Artikeln [49, 50] die Aussage getroffen, dass aktives
1
Ein Pangramm ist definiert als ein Satz, welcher alle Buchstaben des Alphabets beinhaltet [49].

2.2. Grundlagen Applikations Entwicklung 9
Lernen die gleichen Testergebnisse wie aus den Studien schneller produzieren könne als das
passive Lernen. Des Weiteren zeigt die Studie [50], dass Menschen durch eine Smartwatch
Stimulation zum passiven Lernen erfolgreich ein rhythmisch basiertes Textsystem (Morsezei-
chen) lernen können. Ebenso ermöglicht die Studie [50] einen ersten Vergleich zwischen einer
Experimental- und Kontrollgruppe. Dieser bezieht sich zwar lediglich auf das passive Lernen,
bietet aber für die Studie dieser Arbeit einen ersten Anhaltspunkt. Eine weitere Studie von Mor-
rison zeigt, dass die visuohaptische Stimulation sowohl als auch der rein visuellen oder der rein
haptischen Stimulation in Bezug auf Lernen überlegen ist [42]. Dabei ist jedoch zu beachten,
dass der Begriff Haptik nicht ausschließlich nur auf Vibration zurückzuführen ist wie bei den
angeführten Studien im Unterkapitel 2.1.2. Diese Gegebenheit wird sich später in der Studie
dieser Arbeit wiederﬁnden, da eine Gruppe mit rein visuellen Reizen lernte, während die andere
Teilnehmergruppe mit visuohaptischen Reizen lernen konnte.
2.2 Grundlagen Applikations Entwicklung
In diesem Kapitel wird auf notwendigen Grundlagen der Applikationsentwicklung eingegangen.
Eine detaillierte Beschreibung und Ausarbeitung aller Komponenten einer Applikation ist im
Rahmen einer Bachelorarbeit nicht möglich. Detailliertere Beschreibungen beﬁnden sich auf
der Android Developers Homepage [17] und im Buch ’Android-Apps entwickeln für Einsteiger’
[45].
2.2.1 Vorwort
Für die Applikation ’Vibning’ wurde die Plattform Android gewählt. Android ist gegenüber an-
deren Plattformen weiter verbreitet [53] und bietet die Möglichkeit der Entwicklung auf allen
größeren Betriebssystemen wie macOS, Linux und Windows. Des Weiteren standen für die
Entwicklung bereits ein Huawei Honor 7X und die TicWatch C2 zur Verfügung. Mit Hilfe der
Entwicklungsumgebung Android Studio 3.0 in der Version 3.4.2 [17] und der Programmier-
sprache Java [46] lässt sich unkompliziert eine kompilierbare und installierbare Applikation für
ausgewählte Endgeräte erstellen. Dabei wird automatisch ein Verzeichnis erstellt, wie man es
in Abbildung 2.3 sehen kann. Das auf Abbildung 2.3 automatisch erstellte Projekt wurde für die
Programmiersprache Java [46] und die ausgewählten Endgeräte ’mobile’ und ’wear’ erstellt.
Beide Verzeichnisse sind nahezu identisch aufgebaut. Wir beschäftigen uns weiterhin nur mit
dem Verzeichnis ’mobile’ und deren Komponenten näher.

Abbildung 2.3: Von Android Studio automatisch erstellte Projekt
2.2.2 Manifest.xml Datei
"Das Android-Manifest ist die zentrale Beschreibung ihrer App [...]"[45, p.99]. In dieser sind
verschiedene Angaben über die App gemacht, die das Android-System benötigt, um die App
installieren und ausführen zu können [19]".
Listing 2.1: Beispiel Manifest Datei
1 <?xml version=" 1.0 " encoding=" utf −8"?>
2 <manifest xmlns:android=" h t t p : / / schemas . android .com/ apk / res / android "
3 package="com. example . myapplication ">
4 <uses−permission android:name=" android . permission .WAKE_LOCK" / >
5 < a p p l i c a t i o n
6 android:allowBackup=" true "
7 android:icon="@mipmap/ ic_launcher "
8 android:label =" @string / app_name"
9 android:roundIcon="@mipmap/ ic_launcher_round "
10 android:supportsRtl=" true "
11 android:theme=" @style /AppTheme">
12 < a c t i v i t y android:name=" . MainActivity ">
13 <intent −f i l t e r >
14 <action android:name=" android . i n t e n t . action .MAIN" / >
15 <category android:name=" android . i n t e n t . category .LAUNCHER" / >
16 < / intent −f i l t e r >

17 < / a c t i v i t y >
18 < / a p p l i c a t i o n >
19 < / manifest>
Dem Listing 2.1 ist entnehmbar, dass eine Reihe von Eigenschaften der Applikation im Mani-
fest festgehalten werden. Zunächst wird in Zeile 3 ein Paketname für die Applikation festgelegt.
Im nächsten Abschnitt hat man die Möglichkeit dem Projekt verschiedene ’uses-permission’
einzutragen. Mittels diesen wird der Zugriff auf Hardwarekomponenten des Gerätes ermög-
licht. Genaueres zu ’uses-permission’ und eine Liste aller Sicherheitsberechtigungen sind un-
ter dieser Referenz zu finden [16]. Für die Applikation ’Vibning’ sind beispielsweise zunächst
Zugang zum android.permission.INTERNET, android.permission.BLUETOOTH und der an-
droid.permission.VIBRATE wichtig. Der Abschnitt <application> beschäftigt sich rein mit der
Applikation, ohne Hardware Komponenten einzubeziehen. Hier werden weitere, sich selbst
erklärende, Attribute der Applikation festgelegt [5]. Ein passendes Beispiel dazu ist andro-
id:usesCleartextTraffic="true", welches der Applikation erlaubt unverschlüsselte HTTP-Anfragen
zu bearbeiten. Dabei ist zu beachten, dass alle Werte welche mit @ anfangen Verlinkungen zu
den Dateien im ’res’ Ordner sind. Dieser ist in Figure 2.3 wiederzufinden. Von weiterem In-
teresse für die Applikation ’Vibning’ ist ebenfalls die Theme Wahl, welche das grundlegende
Design der Applikation festlegt. Das bedeutet, dass alle eingesetzten Widgets auf dem User-
Interface von diesem Theme erben und ihr Aussehen von ihm definiert werden. Hierfür findet
man im Pfad ’res/values/style.xml’ ein style welches den Namen ’AppTheme’ trägt und von
einem bestimmten parent erbt. In diesem Fall ist das Theme.AppCompat.Light.DarkActionBar
[1]. Desweiteren hat man die Möglichkeit weitere Programmkomponenten anzumelden, wie bei-
spielsweise Activities, Intent-Filter, Services oder Receiver. Diese werden in den kommenden
Kapiteln genauer betrachtet.
2.2.3 Activities in Android
Activities werden von der Android Developer Homepage beschrieben als eine einzelne fokus-
sierte Sache, die der Benutzer machen kann [8]. Sie dienen dazu, mit dem Benutzer zu in-
teragieren und bieten die Möglichkeit ein Layout anzuzeigen [4]. Alle verwendeten Activities
müssen in der Manifestdatei der Applikation angemeldet sein. Zudem kann man in der Ma-
nifestdatei festlegen, welche Activity beim Start der Applikation zuerst aufgerufen wird (Vgl.
Listing 2.1 Zeile 16) [45, p.99-100]. Im Hinblick auf die erstellte Applikation spielt der Lebens-
zyklus einer Activity eine große Rolle (siehe Abbildung 2.4).

Abbildung 2.4: Lebenszyklus einer Android Activity [4]
Die Abbildung 2.4 zeigt, dass vier Hauptzustände einer Activity existieren. Eine Activity kann
sich in einem der folgenden Stadien beﬁnden, Activity launched, App process killed, Activi-
ty shut down oder Activity running. Beim Start einer Activity werden ausgehend von dem in
Abbildung 2.4 blau gezeichneten Status alle Funktionen in der Reihenfolge der Pfeile ausge-
führt. Das Layout der Activity wird in der Regel in der onCreate() Methode festgelegt. In der
Applikation Vibning wird je nach Eingabe und Verhalten des Benutzers am Smartphone, die
korrespondierende SmartWatch-Applikation in ein anderes Stadium gesetzt, um für einzelne
Studienteildurchgänge keine Seiteneffekte zu riskieren. Beispiele für einzelne Activities kön-
nen eine Login- oder eine Registration-Activity sein.
2.2.4 Fragment
Fragmente können dazu verwendet werden ein Verhalten oder einen Teil der Benutzeroberﬂä-
che einer Activity zu repräsentieren. Dabei ist es möglich, mehrere Fragmente in eine Activity
einzubinden und diese auch wiederzuverwenden [7]. Ähnlich wie Activities haben Fragmente
einen eigenen Lebenszyklus und sind ebenfalls eine Android Programmkomponente, welche
mit dem Benutzer der Applikation interagieren kann [7]. Dabei ist der Lebenszyklus eines Frag-
ments stets an den Lebenszyklus der aufrufenden Activity gebunden und verhält sich beim

Pausieren oder Zerstören der Activity dementsprechend gleich [7].
Abbildung 2.5: Lebenszyklus eines Android Fragments [7]
Die Abbildung 2.5 zeigt die Ähnlichkeit zwischen dem Lebenszyklus eines Fragments und
einer Activity (vgl. Abbildung 2.4). Auf die einzelnen Verwendungen der in den Abbildungen
sichtbaren Methoden wird genauer im Kapitel zur ’Applikations- Entwicklung’ 4 eingegangen. Je
nach Leistungsorientierung des Fragments kann man mit dem Lebenszyklus Daten speichern
oder bei einem neuen Aufruf von der onAttach() Methode ein neues Objekt erstellen. Des
Weiteren kann man Fragmente dazu verwenden, um einer Activity über ein Menü mehrere
zusammenhängende Layouts zu geben. Beispielsweise mit Hilfe einer BottomAppBar [6] oder
(wie in der Applikation ’Vibning’) mit einem Navigation Drawer [11]. Unabhängig von der Vibning
Applikation sind Fragmente ebenfalls das Mittel um für verschieden große Displays Teile der
Activity nebeneinander oder einzeln darzustellen [7].
2.2.5 Intent-Filter und Intents
Intents (Absichten) werden in der Programmierung von Android verwendet, um zwischen ein-
zelnen Programmkomponenten asynchrone Nachrichten zu senden, um beispielsweise Aktio-
nen zu starten [18]. Sie können auch dazu verwendet werden, Activities zu starten, Absichten
an Receiver zu senden oder mit Hintergrundprozessen zu kommunizieren [10]. Dabei wird
zwischen den impliziten und expliziten Intents unterschieden. Explizite Intents benötigen eine
Programmkomponente und beinhalten oft keine weiteren Informationen, sie bieten dem Nut-
zer nur die Möglichkeit zwischen verschiedenen Aktivitäten zu wechseln [10]. Implizite Intents
benötigen mehrere Informationen, damit das System für das Intent geeignete Komponenten
zur Verfügung stellen kann [10]. Ein gutes Beispiel für ein impliziten Intent wäre das Senden
einer E-Mail in der das System verfügbare E-Mail Applikationen zur Verfügung stellt. Wie dem

Listing 2.1 aus Kapitel 2.2.2 entnehmbar werden bereits per Default Intents implementiert. So
sorgt das Intent ’android.intent.action.MAIN’ dafür, dass beim Öffnen des Launchers der Appli-
kation diese Activity aufgerufen wird [45, p.100]. Das Intent android.intent.category.LAUNCHER
erstellt ein dazugehöriges Icon im Android Menü [45, p.100]. Intent-Filter werden von der Ap-
plikation dabei verwendet, um implizite Intents zu akzeptieren oder zu verwerfen [14]. Jeder
Intent-Filter legt dabei fest welche Aktion, Daten und Kategorien er annimmt (Vgl Listing 2.1 im
Kapitel 2.2.2) und bekommt auch nur solche vom System geliefert [14].
2.2.6 Broadcast Receiver
Broadcast Receiver können eine weitere Programmkomponente einer Applikation sein. Sie ge-
ben der Applikation die Möglichkeit Intents zu empfangen und zu verarbeiten. Dabei ist es nicht
notwendig, dass die Activity gerade den Stadium Activity running hat [15]. Folgt man der An-
droid Developers Homepage kann man Receiver entweder in der Manifestdatei festlegen oder
programmatisch im Code selber [15]. Die Applikation ’Vibning’ verwendet Receiver in beiden
Formen. Beispielsweise werden Receiver eingesetzt um zwischen ’mobile’ und ’wear’ Informa-
tionen zu senden und zu empfangen. Weitere Receiver werden lokal verwendet, um die emp-
fangenen Informationen an die gerade aktive Activity zu senden und den Applikationsprozess
weiter zu führen.
2.2.7 Services
Services sind die letzte Programmkomponente, die in diesem Grundlagenkapitel betrachtet
wird. Services sind Programmkomponente, die im Hintergrund der Applikation laufen und keine
Benutzeroberﬂäche bieten [9]. Der Lebenszyklus eines Service ist nicht vollständig abhängig
von der laufenden Activity. Services werden gestartet und gestoppt [9]. Ein Service kann Netz-
werktransaktionen abhandeln, ohne den laufenden Prozess der Activity zu unterbrechen [9].
Die Applikation Vibning verwendet beispielsweise jeweils für das ’mobile’ und das ’wear’ einen
Service, um Nachrichten zwischen den beiden Geräten auszutauschen. Ein weiterer Service
wird verwendet, um über die ’wear’ Herzfrequenzen zu messen und Vibrationen auszulösen.
Ein Beispiel zu deren Implementation ist im Kapitel ’Applikations- Entwicklung’ beschrieben.

2.2.8 Zusammenfassung
Dieses Kapitel fasst die wichtigen Punkte zu einigen grundlegenden Kompontenten der Appli-
kationsentwicklung zusammen. Die Manifestdatei dient als Beschreibung von sämtlichen grö-
ßeren Komponenten der Applikation (wie die einer Activity oder eines Service). Die Zugriffsbe-
rechtigungen zu Hardwarekomponenten des Gerätes werden ebenfalls hier eingetragen. Einige
Berechtigungen lassen sich ohne manuelle Zustimmung des Benutzers eintragen, für andere
Berechtigungen muss der Benutzer diese erst bestätigen. Activities bieten eine Benutzerober-
ﬂäche, mit der ein Benutzer der Applikation interagieren kann. Dabei kann die Benutzerober-
ﬂäche über eine Activity durch verschiedene Fragmente in vielen möglichen Konstellationen
unterteilt sein. Intents, Receiver und Services können dazu verwendet werden, um zwischen
verschiedenen internen Stellen einer Applikation oder nicht intern mit anderen Applikationen
zu kommunizieren.

3 Studienkonzept
Im Rahmen dieser Bachelorarbeit wurde eine Studie zum Thema assoziativen Lernen mit ei-
nem Handy und einer Smartwatch durchgeführt. Das geplante Vorgehen dieser Studie, sowie
das theoretische Lernkonzept und die daraus resultierenden notwendigen Mittel werden in die-
sem Kapitel besprochen. Änderungen, welche im Verlauf der Studie unternommen wurden,
sind hier ebenfalls festgehalten worden. Im Unterkapitel Dokumentation der Studie 3.2 wird nä-
her auf Probleme und Korrekturen der Studie eingegangen. Eine Evaluierung und Fazit der Stu-
dienergebnisse befinden sich in den Kapiteln 5 und 6. Ziel der Studie ist es herauszufinden, ob
zu jedem Lerninhalt verschieden generierte und ausgelöste Vibrationsmuster am Handgelenk
den Lernenden dabei unterstützen kann, seine Lernleistung zu verbessern. Darunter versteht
diese Arbeit zum einen eine kürzere Lernzeit oder eine bessere Konsolidierung der Lerninhalte
an sich. Eine graphische Darstellung des Studienverlaufs befindet sich in der Abbildung 3.1.
Dabei steht die Abkürzung EG für Experimentalgruppe. Die Abkürzung KG für Kontrollgruppe
und LE für Lerneinheit.
3.1 Studienablauf
Das Studiendesign dieser Arbeit gleicht dem einer experimentellen Studie. Dazu wurden alle
teilnehmenden Probanden in zwei Gruppen aufgeteilt. Die erste Gruppe, die Experimentalgrup-
pe, lernte anhand eineindeutiger Vibrationsmuster zu jedem Lerninhalt zu dem visuell wahr-
nehmbaren Reiz. Die zweite Gruppe, die Kontrollgruppe, lernte die gleichen Lerninhalte in der
gleichen Test- und Lernreihenfolge ohne Vibration. Auswahlkriterium für die Probanden war ein
Alter zwischen 15 und 30 Jahre und der Status Schüler oder Student. Das Alter und die aktuelle
Beschäftigung der zutreffenden Person können eine Rolle bezüglich deren derzeitigen kogni-
tiven Bereitschaft spielen [35, 26]. Beide Gruppen sollten bezüglich Alter und Beschäftigung
vergleichbar sein. Um einen Lerneffekt messen zu können wurde zunächst ein Einstiegstest
(Vorwissenstest) durchgeführt. Die Anzahl der abgefragten Morsezeichen wurde enstprechend
der Studie [50] zunächst auf dieselben 10 Morsezeichen festgelegt. Über die drei, in Kapitel 3.2,
beschriebenen Testdurchläufe wurde die Anzahl von 10 auf 20 bis hin zu 26 Morsezeichen als
Lerninhalt erhöht . Die Studienteilnehmer sollten dabei eigenständig lernen und wurden nicht
17

18 Kapitel 3. Studienkonzept
speziell angewiesen auf die Vibration zu achten (Vgl Kapitel 2.1.3). Die Lerneinheiten, welche
im direkten Anschluss an den Vorwissenstest stattfanden, bestanden jeweils aus einer Lern-
und einer Testsequenz. In der Lernsequenz erfolgte eine einmalige Darbietung des Lerninhalts
und den dazugehörigen lateinischen Buchstaben. In der Testsequenz wurde der Lerninhalt ge-
zeigt und in einem Multiple Choice Test mit zunächst 4 Antwortmöglichkeiten abgefragt. Die
Anzahl der Antwortmöglichkeiten wurde ebenfalls aufgrund der in Kapitel 3.2 beschriebenen
Gegebenheiten auf 6 erhöht. Die Lerneinheiten wurden so lange wiederholt, bis der Proband
in einer Testsequenz alle Paarungen richtig erkannte oder das Lernen über eine Stunde hin-
aus ging. Probanden stand es frei, die Studie frühzeitig zu verlassen oder mit dem Lernen
vor dem Erreichen aller korrekten Paarung aufzuhören. Ausgangspunkt für die zwei folgenden
Tests, einen und drei Tage nach dem Lernen, war das Ergebnis der letzten Testsequenz. Der
erste Test war äquivalent zum Vorwissenstest und den Testsequenzen der Lerneinheiten auf-
gebaut. Für den zweiten Test wurden die Antwortmöglichkeiten auf 27 erhöht (Vgl. Kapitel 3.2).
Dabei wurden die Probanden angewiesen nicht zu raten und wenn nötig eine Multiple Choice
Frage zu überspringen. Im Anschluss an jede Testsequenz sollte zunächst Feedback über die
korrekten und inkorrekten Antworten gegeben werden. Aufgrund der Probedurchläufe wurde
dies auf eine prozentuale Anzahl an korrekten Antworten reduziert. Die Reihenfolge der ab-
gefragten Morsezeichen sowie die Zusammenstellung der Multiple Choice Antworten wurden
dabei zufällig generiert, um zu verhindern, dass Reihen und Folgen auswendig gelernt wurden.
Ausgehend vom Kapitel zum Assoziativen Lernen 2.1.1 und Kapitel 2.1.2 ist das Lernkonzept
ähnlich zu den Studien [22, 50] aufgebaut. Das Lernkonzept für diese Studie sieht so aus, dass
die Kontrollgruppe die visuelle Präsentation des Morsezeichens mit dem lateinischen Buchsta-
ben assoziieren kann. Die Experimentalgruppe kann die visuelle Präsentation zuzüglich der
haptischen Wahrnehmung mit dem lateinischen Buchstaben assoziieren. Probanden lernen
anders als bei diesen Studien aktiv. Die nötigen Wiederholungen zum Lernen werden durch
die einzelnen Lerneinheiten ermöglicht. Dabei ist den Probanden nicht vorgegeben, wie lan-
ge sie welches Morsezeichen wiederholen. Die Studie wird unter der Hypothese durchgeführt,
dass Personen welche zusätzlich haptische Reize erfahren besser abschneiden als Proban-
den, die sich auf die visuellen Reize beschränken müssen. Der haptische Reiz kann hierbei als
Hinweisreiz oder als zusätzlich konditionierter Stimulus fungieren.
3.2 Dokumentation der Studie
Dieses Kapitel befasst sich mit der Dokumentation der Studie. Veränderungen am Studiende-
sign und damit verbundene Änderung an der Applikation sind hier dokumentiert.

3.2. Dokumentation der Studie 19
3.2.1 Phase 1 - 1. Testlauf
Bei dem ersten Testlauf der Studie wurde festgestellt, dass 10 Morsezeichen auf 4 Antwort-
möglichkeiten für das Lernen nicht angemessen sind. Die gemessene Lernzeit war zu gering,
um tatsächliche Unterschiede zwischen den beiden Kontrollgruppen sammeln zu können. Der
erste Proband hatte die Lerneinheit in ungefähr 10 Minuten abgeschlossen und berichtet, dass
bei 4 Antwortmöglichkeiten auf 10 Morsezeichen das Ausschlussverfahren bei den Multiple
Choice Tests sehr gut funktioniert. Zudem würde das Feedback am Ende jeder Lerneinheit das
Lernen weiter vereinfachen. Diese Kritikpunkte würden ungeachtet dessen aufkommen, dass
Reihenfolgen und Antwortmöglichkeiten zufällig generiert werden. In den beiden anschließen-
den Tests hatte der gleiche Proband alle Antworten richtig ausgewählt. Die Studie und die
Applikation wurden für die kommenden Tests dahingehend verändert, dass doppelt so viele
Morsezeichen gelernt werden sollten. Dies sollte zunächst die Wahrscheinlichkeit des öfteren
Auftreten der gleichen lateinischen Buchstaben in den Antwortmöglichkeiten über die gesamte
Lerneinheit verringern.
Für den zweiten Testlauf wurde die Anzahl der Morsezeichen auf 20 erhöht. Die Anzahl der
Antwortmöglichkeiten wurde gleich gelassen und das Feedback am Ende jeder Lerneinheit ent-
fernt. Das einzige Feedback, das die Probanden noch bekamen, war eine prozentuale Angabe
zu deren richtigen Antworten im Vergleich zu den gesamten Antworten. Eine deutliche Ver-
änderung der Anzahl der benötigten Lerneinheiten oder der konsumierten Lernzeit war nicht
festzustellen.
Für den dritten Testlauf wurde die Anzahl der Morsezeichen auf 26 erhöht, was dem gesamten
lateinischen Alphabet entspricht. Die Antwortmöglichkeiten für den Vorwissenstest, die Testse-
quenz und den ersten Test wurden auf 6 erhöht. Dies erschwert erneut das im Kapitel 3.2.1
beschriebene Ausschlussverfahren. Will der Proband nun durch ein Ausschlussverfahren die
korrekte Antwort ermitteln, muss er vier oder fünf der Antwortmöglichkeiten kennen. Da diese
von Lerninhalt zu Lerninhalt (Morsezeichen) unterschiedlich sind, muss der Proband, um auf
alle richtigen Antworten zu kommen, ein breites Wissen über die Codierung von Morsezeichen

20 Kapitel 3. Studienkonzept
abrufen können. Um zum Schluss zu validieren, dass die Probanden tatsächlich alle Morsezei-
chen gelernt hatten, wurde der letzte Test, welcher drei Tage nach dem Lernen stattfand, so
verändert, dass nun alle 26 lateinischen Buchstaben als Antwortmöglichkeiten gegeben sind.
Testsequenzergebnis <
100%
26
Antwortmöglichkeiten
3. Tag nach LE
Testsequenzergebnis =
100%
EG KG
Vorwissenstest
Probanden
Lernsequenz Testsequenz
Lerneinheit
1. Testeinheit
2. Testeinheit
6
Antwortmöglichkeiten
1. Tag nach LE
Abbildung 3.1: Schematische Dartstellung des Studienablaufs.

4 Entwicklung der Applikation
“Any fool can write code that a computer can understand. Good programmers
write code that humans can understand.”
—Martin Fowler
Dieses Kapitel bietet einen Einblick in die Entwicklung der Applikation ’Vibning’. Die Architek-
tur der Applikation und die Intentionen der wichtigsten Programmkomponenten werden hier
besprochen. Näher betrachtet werden Programmkomponenten, die für die im Rahmen dieser
Bachelorarbeit durchgeführten Studie besonders wichtig, sowie Komponenten der Applikation
die für eine Abänderung derselben für künftige Arbeiten von Bedeutung sind. Um dem Kapitel
eine Struktur zu geben, werden zunächst im Vorwort Programmkonventionen die das Verstehen
des Programmcodes erleichtern und die für die Datensammlung erstellte Datenbank betrach-
tet. Anschließend werden die Komponenten der Applikation in der Reihenfolge erklärt, wie sie
der Benutzer erfährt. Dies entspricht in etwa der Reihenfolge, in der die Applikation entwickelt
wurde. Die Applikation ’Vibning’ besteht zunächst aus zwei Teilen. Der erste Teil ist für die
’mobile’ Version zuständig und der zweite für die ’wear’ Version. Beide Programmteile kommu-
nizieren über eine Datenschicht, welche jeweils von beiden Seiten beschrieben und gelesen
werden kann. Diese Programmschnittstelle wird im Kapitel zum ’mobile’ Programmteil genauer
beschrieben. Ausgangspunkt der gesamten Applikationsentwicklung ist die im Grundlagenka-
pitel 2 beschriebene Struktur des Projektes und deren Komponenten. Das fertige Projektver-
zeichnis für die mobile Applikation und seine Komponenten ist in Abbildung 4.1 dargestellt. Die
Graﬁk dient zunächst dazu dem Leser einen Überblick über das gesamte Projekt zu geben.
Weitere Beschreibungen zu den Funktionalitäten einzelner Klassen folgen in diesem Kapitel.
21

22 Kapitel 4. Entwicklung der Applikation
Abbildung 4.1: Fertige Projektübersicht der Vibning Applikation
4.1 Vorwort
Um die Dokumentation zur Entwicklung der Applikation so einfach wie möglich zu halten wer-
den zunächst der Datenbankaufbau und einzelne Programmkonventionen erklärt. Die ’mobile’
Applikation kommuniziert mit einer auf einem Online-Speicher hinterlegten Datenbank, welche
sowohl benutzerspezifische Daten als auch Daten der Test- und Lerndurchgänge speichert. Im
digitalen Anhang befinden sich die dafür notwendigen PHP Skripte und die einzelnen Tabel-
len der Datenbank als CSV-Dateien. In der Datenbank werden insgesamt 4 Tabellen gehalten.
Die erste im Benutzerflow angesprochene Tabelle ist die Tabelle UsersData (Vgl. Anhang 1).
Sie speichert für jeden registrierten Benutzer Vornamen, Namen, UserID, Zeitpunkt der Re-
gistration , Geburtstag, Teilnahmebedingung, Login, Passwort und Teilnehmerlevel. Die UserID
wird zunächst als PrimaryKey der Datenbank festgelegt und dient als Bindeglied zwischen den
einzelnen Tabellen. Als Teilnahmebedingungen existieren with Vibration und without Vibration,
welche die Kontrollgruppe von der Experimentalgruppe unterscheidet. Das Teilnehmerlevel be-
schreibt den aktuellen Status des Probanden der Studie. Insgesamt existieren 5 verschiedene
Teilnehmerlevel, welche den Zugang zu verschiedenen Fragmenten der ’mobile’ Applikation
ermöglichen und für einen geregelten Flow sorgen. Der vorgesehene Applikationsbenutzungs-
flow ergibt sich aus folgenden Level.
• Level 0 - Benutzer ist registriert
• Level 1 - Benutzer hat den Vorwissenstest absolviert

4.1. Vorwort 23
• Level 2 - Benutzer hat die Lerneinheiten absolviert
• Level 3 - Benutzer hat den ersten Test absolviert
• Level 4 - Benutzer hat den zweiten Test absolviert
Die Tabellen PreknowledgeSession (Vgl. Anhang 2) und TestSession (Vgl. Anhang 4) sind
gleich aufgebaut und halten die erfassten Daten des Startzeitpunktes und Endzeitpunktes des
durchgeführten Tests, alle richtigen und falschen Antworten und die über die Testzeit gesam-
melten Herzfrequenzen und deren Timestamps. Die letzte Tabelle LearnSessions (Vgl. Anhang
3) hält die in den PreknowledgeSession und TestSession genannten Daten zusammen mit der
Herzfrequenz sowie Start- und Endzeitpunkten des reinen Lernens fest. Die für die Kommuni-
kation mit der Datenbank zuständige Schnittstelle in der ’mobile’ Applikation heißt MyHttpClient
aus dem Package com.example.vibning.http.api. Ausgehend von dieser kann jedes Fragment
oder jede Activity durch eine Instanziierung dieser Klasse auf der Datenbank lesen, schreiben
oder Tabelleneinträge updaten . Dabei wird mittels der erstellten Klasse Singleton1 dafür ge-
sorgt, dass Datenbankabfragen geordnet und nacheinander erfolgen. Intern kommuniziert die
Applikation mittels Broadcast Receivern und Intents (Vgl. Kapitel 2.2.6) oder über Interfaces
wie in den Listings 4.1 und 4.2 exemplarisch dargestellt.
Listing 4.1: Beispielcode Implementation und Aktivierung eines Interface
1 / / any code
2 i f ( mListener != null ) mListener . onStateChange ( ) ;
3 / / any code . . .
4
5 / / Variabel change Listener
6 private ReceiverBroad . Listener mListener = null ;
7 public void r e g i s t e r L i s t e n e r ( ReceiverBroad . Listener l i s t e n e r ) {
8 mListener = l i s t e n e r ;
9 }
10 public interface Listener {
11 void onStateChange ( ) ;
12 }
Im Listing 4.1 wird in den Zeilen 6–12 ein Interface vorbereitet. Auslösefunktion für das Inter-
face ist die void onStateChange() Funktion in Zeile 11. Hat eine andere Klasse, wie in diesem
Beispiel, ein Objekt der ReceiverBroad Klasse instanziiert und auf dem Objekt ein Receiver-
Broad.Listener registriert, bemerkt dieser mit, wenn das Objekt der ReceiverBroad Klasse die
Codezeile 2 ausführt und kann Daten abfragen oder Methoden starten.
Listing 4.2: Beispielcode Interface onStateChange() Listener
1 ReceiverBroad receiverBroad ;
2 receiverBroad = new ReceiverBroad ( context ) ;
1
Singleton Klassen werden dadurch ausgezeichnet, dass diese nur eine Instanziierung zulassen [51].

3 receiverBroad . r e g i s t e r L i s t e n e r (new ReceiverBroad . Listener ( ) {
4 @Override
5 public void onStateChange ( ) {
6 / / ToDo Code
7 }
8 }
In diesem Listing 4.2 wird exemplarisch ein Listener auf dem Interface registriert. Sobald in der
ReceiverBroad Klasse die Methode onStateChange() ausgeführt wird, können in dieser Klasse
Daten abgefragt oder weitere Methoden ausgeführt werden.
Die eigens erstellten Klassen der Applikation ’Vibning’ wurden so abstrakt wie möglich pro-
grammiert. Der Grund hierfür liegt darin, dass der gleiche Programmcode an verschiedenen
Stellen wieder verwendet werden kann (Vgl. Abb. 4.6). Ebenso wurde versucht, Codes für Lo-
gik und Eingriffe in das Userinterface in verschiedenen Klassen zu trennen. Die Benennung
von Variablen und Layouts wurde möglichst klar und kurz gehalten. In der Android Program-
mierung gibt es die Möglichkeit, Layouts in einer XML Datei anzufertigen und mittels einer id
programmatisch darauf zuzugreifen. Die gesetzte id wurde im Programmcode verwendet, um
der dazugehörigen Variable den gleichen Namen zu geben. Der Name jedes Widgets besteht
aus drei durch Unterstriche getrennte Teile (XX_YYY_ZZZ ). Dabei kürzt XX die Art des Wid-
gets ab, YYY kürzt das dazugehörige Fragment oder die dazugehörige Activity ab. ZZZ kürzt
die Intention des Widgets ab, also ob beispielsweise eine Antwort eingeblendet oder eine Lö-
sung bereitgehalten wird.
Listing 4.3: Beispiel Widget Konvention
1 <TextView
2 android:id ="@+id / tv_learn_learnContent "
3 android:layout_width=" match_parent "
4 android:layout_height=" wrap_content "
5 a n d r o i d : g r a v i t y =" center "
6 / >
Hier wird ein Textfeld (TextView) mit tv abgekürzt, welches sich im Fragment learn (LearnFrag-
ment) mit der Intention learnContent (Lerninhalt) anzuzeigen, erstellt.
Listing 4.4: Programmatische Textänderung einer TextView
1 tv_learn_learnContent . setText ( learnContentHolder . getRightMorseCode ( element ) ) ;
Die programmatische Textänderung kann man dem Listing 4.4 entnehmen. Hier wird dem Text-
View ein neuer String als Inhalt (Morse Code) hinzugefügt. Zur besseren Übersicht im Pro-
grammcode wurden die Instanziierungen von verschiedenen Klassen und Widgets größtenteils
aus den onCreate() Funktionen in die init() Funktion für logische Instanziierungen und die in-
itWidget() Funktion für Widgets verlagert. Das Design der mobile Applikation und somit die

4.2. Mobile Applikation 25
meisten verwendeten Widgets erben von dem durch Material Design [27] bereitgestellten The-
me MaterialComponents.Light.NoActionBar. Das dazu passende Logo entstammt der Home-
page FreelogoDesign.org [25].
4.2 Mobile Applikation
Dieses Kapitel befasst sich mit der Entwicklung der ’mobile’ Applikation. Zunächst werden dem
Benutzerﬂow gemäß LoginActivity und RegistraionActivity behandelt. Im Anschluss wird näher
auf die MainActivity und somit auf den Dreh- und Angelpunkt der Applikation ’Vibning’ einge-
gangen. Bei der Besprechung der MainActivity werden sämtliche implementierte Fragmente
näher betrachtet. Das Hauptaugenmerk liegt dabei auf der exemplarisch detaillierten Beschrei-
bung des PreknowledgeFragments und dessen Architektur. Weitere wichtige Fragmente der
Applikation, wie das TestFragment oder das LearnFragment, werden im Anschluss auf deren
Unterschied zum PreknowledgeFragment beschrieben. Eine Übersicht über alle Activities und
Fragmente der ’mobile’ Applikation ist der Abbildung 4.2 zu entnehmen.
Abbildung 4.2: Activities und Fragmente der ’mobile’ Applikation

Die Graphik 4.2 beschreibt ausgehend von der LoginActivity welche Features wie zu errei-
chen sind. Von der LoginActivity kann man zur RegistrationsActivity und wieder zurück ge-
langen. Über die MainActivity erreicht man, insofern das Fragment für das Teilnehmerlevel
zugänglich ist, die rechts aufgeführten Fragmente.
4.2.1 LoginActivity und RegistrationActivity
Startpunkt der gesamten Applikation ist die LoginActivity mit ihrem Layout für den Login (Ab-
bildung 4.3). Von der LoginActivity ausgehend kann der Benutzer durch eine erfolgreiche An-
meldung zur MainActivity gelangen oder ansonsten zur RegistrationActivity wechseln. Bei ei-
ner erfolgreichen Anmeldung werden aus der Datenbank UsersData alle vorhandenen Daten
gelesen. Mit Hilfe der erstellten Klassen SessionHandler, User und der importierten Klasse
SharedPreferences [24] werden diese Daten zugänglich für jede Activity (Kapitel 2.2.3) oder
jedes Fragment (Kapitel 2.2.4) dieser Applikation. Ebenso hält die LoginActivity ein Feature
des SessionHandlings, mit dem man den Login bei bereits kürzlich erfolgreicher Anmeldung
automatisch überspringt. Dem Listing 4.5 entnehmbar ist ein automatisches Wiederlogin inner-
halb von drei Stunden möglich.
Listing 4.5: Session handling
1 / / Adding an expire Date to the SharedPreferences
2 Date date = new Date ( ) ;
3 long milliseconds = date . getTime ( ) + 10800000; / / ~ 3 Stunden
4 cEditor . putLong (KEY_EXPIRES, milliseconds ) ;
5 cEditor . commit ( ) ;
Die Klasse SharedPreferences [24] bietet zusammen mit dem SharedPreferences.Editor die
Möglichkeit Daten unabhängig vom Lebenszyklus 2.2.3 der Applikation und den Activities zu
speichern. Die RegistrationActivity bietet dem Benutzer die Möglichkeit, bei vollständiger Ein-
gabe des Formulars, sich zu registrieren und der Tabelle UsersData einen neuen Eintrag hinzu-
zufügen. Die Abbildung 4.3 zeigt links das Layout der LoginActivity und rechts die der Registra-
tionActivity. Die Radio Button Auswahl Group 1 und Group 2 des Registrationslayouts bestehen
für beide Studiengruppen, mit Vibration und ohne Vibration. Wenn eine Anmeldung oder Regis-
trierung nicht erfolgreich ist, wird im Layout eine TextView mit einem Fehlerhinweis eingeblen-
det. Diesen, über die PHP Skripte beschriebenen, Fehlerhinweis empfängt das Handy mittels
der Klasse MyHttpClient. Sowohl die RegistrationActivity als auch die LoginActivity interagieren
über ein Interface auf deren instanziierten MyHttpClient-Objekt. Mögliche Fehlercodes können
beispielsweise das Fehlen einer Internetverbidnung, Login bzw Passwort inkorrekt eingegeben,
sein.

Abbildung 4.3: Screenshots Login & Registrierungs Layout
4.2.2 MainActivity und Fragmente
Die MainActivity dient in der Applikation als NavigationDrawer [11] und bündelt sämtliche zu er-
reichende Fragmente in einem Menü (linker Teil der Abbildung 4.6). Beim Start der MainActitiy
wird zunächst das AppUsageFragment in ein FrameLayout geladen und für den Benutzer sicht-
bar gemacht. Dieses Fragment beinhaltet lediglich einen Text, welches den Probanden oder die
Benutzer dieser Applikation für die Studie instruiert (Vgl. rechter Teil der Abbildung 4.6). Alle
restlichen Fragmente, welche für das aktuelle Teilnehmerlevel bestimmt sind, sind über die
Menüleiste erreichbar (Abbildung 2). Das Menü kann sowohl mittels des Floating Action Button
als auch mit einer wischenden Bewegung (von der linken Seite des Bildschirm nach rechts
ziehen) geöffnet werden. Bei einigen Fragmenten wird die Eigenschaft des Wischens und der
Floating Action Button übernommen und deren Funktionalität abgeändert. So kann in fast allen
Test- und Lernfragmenten nicht vor Abschluss der Einheit ins Menü zurück gewechselt werden.
Bei Fragmenten, in denen diese Funktionalität noch offen steht, lässt sich dies programmatisch
mittels der implementierten Beispiele ändern. Dies soll im Allgemeinen ein Wiederholen der
Einheit ohne vorheriges Absenden der gesammelten Daten verhindern. Das Pausieren der Ap-
plikation durch Wechsel in den Homescreen oder zu einer anderen Applikation beendet das
laufende Fragment und setzt erneut das AppUsageFragment in das FrameLayout der MainAc-
tivity (R.layout.activity_main). Speziell für die MainActivity und seine Fragmente wurde in der

Manifest-Datei ein MessageService angelegt. Dieser ist im Listing 2.1 beschrieben.
Listing 4.6: Manifest MessageService
1 <service
2 android:name=" . Services . MessageService "
3 android:enabled=" true "
4 android:exported=" true ">
5 <intent −f i l t e r >
6 <action android:name="com. google . android .gms. wearable .MESSAGE_RECEIVED" / >
7 <data android:scheme=" wear " android:host=" * " android:pathPrefix=" / response " / >
8 < / intent −f i l t e r >
9 < / service>
Das PathPrefix dieses MessageServices bestimmt den Pfad auf der Datenschicht, in denen
geschriebene Nachrichten über einen Listener abgehört werden. Schreibt ein anderes Gerät
auf diesen Pfad oder einen Pfad mit dem gesetzten Präfix wird es von der Applikation mittels
der Klasse MessageService registriert. Die MessageService Klasse sendet anschließend an
alle lokal registrierten BroadcastReceiver Instanziierungen den empfangenen Pfad samt Präfix
und die hinterlegte Nachricht als Intent . Jede Instanziierung der Klasse BroadcastReceiver
registriert in dessen Konstruktor einen Receiver für lokale Intents. Damit das Fragment mitbe-
kommt, dass das instanziierte Objekt einen Intent geschickt bekommen hat, bietet die Klasse
BroadcastReceiver die Möglichkeit an, ein Interface auf das erstellte Objekt zu registrieren. Die
Abbildung 4.4: Screenshot des Applikations Menu der MainActivity und dessen AppUsageFragment
Architektur der Fragmente zum Lernen und Testen wird anhand des PreknowledgeFragments
genauer beschrieben (Layouts der Fragmente Abb. 4.5). Eine schematische Darstellung der Ar-

chitektur ist der Abbildung 4.6 zu entnehmen. Insgesamt haben drei Klassen der Abbildung 4.6
Zugriff auf das Userinterface, welches durch das unterste Symbol der Darstellung präsentiert
wird. Das PreknowledgeFragment beinhaltet eine Reihe von Widgets, die dafür sorgen, dass
der Benutzer sowohl Lerninhalt, verschiedene Antwortmöglichkeiten in Form von sechs Buttons
und den Fortschritt des aktuellen Tests sehen kann. Die Klasse StartDialog wird beim Erstel-
len des Fragments aufgerufen. Dieser Dialog überprüft, ob eine Verbindung zur Smartwatch
hergestellt werden kann und bereitet den Test für den Benutzer vor. Hierdurch wird auch der
Dialog die Smartwatch Activity und die Aufnahme der Herzfrequenz gestartet, anschließend
wird eine Test Vibration durchgeführt. Der InformationDialog übernimmt das Userinterface am
Ende des Tests und gibt dem Benutzer Feedback über seine erbrachte Leistung (Prozent-
zahl der korrekten Antworten), die benötigte Zeit und alternativ, durch Rückgängigmachen der
Kommentare in der Klasse, auch weitere Daten des Tests (Herzfrequenz, korrekte und nicht
korrekte Antworten). Der Lerninhalt für den Test wird von der Klasse LearnContentHolder be-
stimmt. Die Klasse liefert auf Anfrage des PreknowledgeFragments neue Morsezeichen mit
passendem Buchstaben in oder ohne Reihenfolge. Ebenso werden für einen Buchstaben ein
Set zufällig gewählter anderer Buchstaben übergeben, so dass alle sechs Buttons beschrif-
tet werden können. Der Fortschritt, für die Progressbar, welcher über den Lerninhalt bestimmt
wird, und weitere Funktionen wie das Mischen von Antwortmöglichkeiten werden ebenfalls von
dieser Klasse ausgeführt. Die Klasse TestResult wird verwendet, um gesammelte Testdaten
zu einem Objekt zu verpacken. Darunter beﬁnden sich alle Einträge der Tabellen Preknowle-
geSession undTestSession mit Ausnahme des PrimaryKeys. Im Anschluss an den Test wird
ein Objekt dieser Klasse an den MyHttpClient übergeben, um einen neuen Eintrag in der Da-
tenbank zu erstellen. Benötigte Nutzerdaten für das TestResult Objekt werden dabei über die
Klassen SessionHandler und User gelesen. Die Klasse User speichert ebenso wie die Klas-
se TestResult lediglich Daten und bietet ausschließlich die Funktionalität des Schreiben und
Lesen von Daten. Die Klasse TestHandler beschreibt den Teil der Logik, welche für die Syn-
chronisation des Handys mit der Smartwatch verantwortlich ist. Ebenso gibt diese Klasse das
fertige TestResult Objekt an den MyHttpClient. Sie kommuniziert mit der Smartwatch über ein
Objekt der Klasse SendMessage und ein Objekt der Klasse ReceiverBroad. Sie ist dafür zu-
ständig, dass gesendete Aufforderungen zum Vibrieren oder zum Zurücksenden der Testdaten
von der Smartwatch geregelt ablaufen. Der TestHandler wartet beim Senden einer Nachricht
über die Klasse SendMessage bis ihr Interface auf einem Objekt der ReceiverBroad Klasse
die Bestätigung dafür erhalten hat. Erst nach dieser Bestätigung sorgt ein Interface vom Pre-
knowledgFragment auf dem TestHandler dafür, dass ein neues Element im Lerninhalt Widget
angezeigt wird oder ein anderer Prozess weitergeführt wird.
Listing 4.7: ReceiverBroad Listener für die sequenzielle Abarbeitung des Lerninhalts
1 public void r e c e i v e r I n i t ( ) {
2 receiverBroad = new ReceiverBroad ( context ) ;

3 receiverBroad . r e g i s t e r L i s t e n e r (new ReceiverBroad . Listener ( ) {
4
5 @Override
6 public void onStateChange ( ) {
7 i f ( receiverBroad . getMessage ( ) . equals ( " started Vibration " ) ) {
8 i f ( vibrationTmp != v i b r a t i o n A c t i v e
9 && v i b r a t i o n A c t i v e == false ) {
10 vibrationTmp = v i b r a t i o n A c t i v e ;
11 v i b r a t i o n A c t i v e = true ;
13 }
14 } else i f ( receiverBroad . getPath ( )
15 . equals ( " / response / stoppedVibration " )
16 &&(receiverBroad . getMessage ( ) . equals ( sendedPattern )
17 | | receiverBroad . getMessage ( ) . equals ( " default " ) ) ) {
18 i f ( vibrationTmp != v i b r a t i o n A c t i v e
19 && v i b r a t i o n A c t i v e == true ) {
20 vibrationTmp = v i b r a t i o n A c t i v e ;
21 v i b r a t i o n A c t i v e = false ;
23 }
24 } else i f ( receiverBroad . getPath ( )
25 . equals ( " / response / stopSensorAndAnswer " ) ) {
26 heartLogs = receiverBroad . getHeartRatesLogs ( ) ;
27 timeLogs = receiverBroad . getTimeLogs ( ) ;
28 sendResults ( timeLogs , heartLogs ) ;
29 }
30 }
31 } ) ;
32 }
Die Funktion receiverInit() aus der Klasse TestHandler implementiert den Listener für die Re-
ceiverBroad Klasse. Die ReceiverBroad Klasse bekommt vom MessageService über einen Lo-
calBroadcast übermittelt, wenn auf den Pfad mit Preﬁx /response geschrieben wurde. Über das
Interface kann der TestHandler bei Empfangen einer Nachricht (bestehend aus String path und
String message ) überprüfen, ob eine Bestätigung für die gesendete Aufforderung erhalten wur-
de. Die Zeilen 8 bis 24 handeln die gesendeten Vibrationsmuster ab, indem nach dem Senden
eines Vibrationsmusters hier eine Bestätigung eingeht. Um keine Unstimmigkeiten zwischen
den gemessenen Zeiten der Experimentalgruppen zu erzeugen werden Aufforderungen zum
Vibrieren für beide Gruppen gesendet. Beim Wechseln eines Vibrationsmusters zu einem an-
deren muss zunächst eine Aufforderung zum Stoppen der Vibration gesendet und auf dessen
Bestätigung gewartet werden. Erst dann kann ein neues Vibrationsmuster gesendet werden.
Das Prozedere soll verhindern, dass einzelne Vibrationthreads auf der Smartwatch parallel
verschiedene Vibrationsmuster vibrieren . Die darauffolgende if Abfrage in Zeilen 25 bis 30

bearbeitet die Bestätigung des Abschluß des Tests und die Übermittlung gesammelter Herzfre-
quenzen und deren Aufnahmezeitpunkte. Die letzte aufgerufene Funktion sendResults(String[]
timeLogs, String[] heartLogs) in dieser Klausel sendet das vom PreknowledgeFragment über-
mittelte TestResults Objekt mit den letzten fehlenden Daten über den MyHttpClient an die Da-
tenbank. Ebenfalls löst der TestHandler ein Update des User Eintrags in der Tabelle UsersData
aus, um deren Teilnehmerlevel nach Beendigung des Tests zu erhöhen. Die Klasse SendMes-
sage bietet alle nötigen Funktionen, um mittels dem Pfadpräﬁx /msgHandler Nachrichten an
die Smartwatch zu senden. Dabei wird in einer inneren Klasse von SendMessage ein neuer
Thread für das Senden der Daten geöffnet.
Listing 4.8: Ausschnitt der inner Klass NewThread von der Klasse SendMessage
1 public void run ( ) {
2 Task<List <Node>> wearableList =
3 Wearable . getNodeClient ( context ) . getConnectedNodes ( ) ;
4 try {
5 List <Node> nodes = Tasks . await ( wearableList ) ;
6 for (Node node : nodes ) {
7 Task<Integer > sendMessageTask =
8 Wearable . getMessageClient ( context )
9 . sendMessage ( node . getId ( ) , path ,
10 message . getBytes ( ) ) ;
11 } ) ;
Die Klasse NewThread aus dem Listing 4.2.2 sendet an alle mit dem Smartphone über Blue-
tooth verbundenen Smartwatches die Nachricht (Variable message Zeile 10) an den Pfad (Va-
riable path in Zeile 9). Die Klasse MyHttpClient importiert für jegliche Http Requests die Library
Volley [54]. So muss der MyHttpClient nur die zu übermittelnden Daten in ein JSON Objekt pa-
cken und mittels der Http Post Methode eine Abfrage senden. Alle noch nicht in diesem Kapitel
vorgekommen Klassen der Architektur, welche sich über der Datenschicht beﬁnden, werden im
Kapitel 4.3 näher erläutert, da diese für alle Fragmente identisch sind.
Die Architektur des TestFragments ist bis auf einen Unterschied identisch zum Preknowled-
geFragment aufgebaut. Das TestFragment wird für die Teilnehmerlevel 2 und 3 verwendet.
Während der Benutzer mit Teilnehmerlevel 2 exakt den gleichen Testaufbau wie das Pre-
knowledgeFragment als Testsequenz erhält, öffnet sich das TestFragment für Benutzer mit
Teilnehmerlevel 3 mit einem NumberPicker Widget [12] versehen mit allen vorhandenen Ant-
wortmöglichkeiten (gesamte lateinische Alphabet + ’keine Antwort’ Möglichkeit, Vgl. 4.5). Das
LearnFragment verwendet anstatt einem TestResults Objekt ein LearnResults Objekt. Der Un-
terschied dieser beiden Klassen besteht darin, dass das LearnResults Objekt zu den Daten
des TestResults Objekt zusätzlich Zeiten und Herzfrequenzen während des Lernens spei-

chert. Ebenfalls wird statt dem TestHandler ein Objekt der Klasse LearnHandler instanziiert.
Der Grund hierfür sind die zusätzlichen Daten des LernResult Objekts und das Abhandeln
der Lern- und Testsequenzen. Eine Einheit des LearnFragments besteht aus einer Lerneinheit
über alle Lerninhalte mit einem anschließenden gleichen Test wie dem des PreknowledgeFrag-
ments. Das LearnFragment wiederholt seine Funktionalität solange bis der Benutzer bei einem
Lerntest alle Paarungen richtig wählt.
Das Fragment AccountInfoFragment zeigt die in der Tabelle UsersData aktuell gespeicher-
ten Daten über das Konto an (Vgl. Anhang 6). Das Fragment bietet dem Nutzer ebenfalls die
Möglichkeit über ein Popup Dialog sein Passwort zu ändern. Das MonitorFragment gibt den
Benutzer die Möglichkeit seine gesammelten Testdaten einzusehen. Dabei werden Herzfre-
quenz, falsche und richtige Antworten und Zeitpunkt des Tests angezeigt. Das letzte Fragment
des Menüs aus der Abbildung 2 ist das WearableFragment (Settings). Dieses Fragment dient
lediglich zu Entwicklungszwecken. In diesem Fragment sind nützliche Codebeispiele zum Fern-
steuern der Smartwatch hinterlegt. Keines dieser Funktionen sind in der abgegebenen Version
aktiv, sie lassen sich jedoch programmatisch reaktivieren. Die Layouts der zuletzt genannten
Fragmente beﬁnden sich im Anhang 6.
Abbildung 4.5: Layouts der Vibning Applikation für Test und Lerneinheiten

Abbildung 4.6: Screenshot der schematischen Architektur des PreknowledgeFragments

4.3 Wear Applikation
Die Wear Applikation besteht aus einer MainActivity mit zwei inneren Klassen, einem Mes-
sageService für das Empfangen von Nachrichten der Mobile Applikation, einer Klasse für die
Vibration der Smartwatch und einer Klasse um Nachrichten zum Smartphone zu senden. Der
Aufbau des MessageService und der SendMessage Klasse entspricht der Implementation bei
der Mobile Applikation. Anders als die Mobile Applikation schreibt die Wear Applikation auf den
Pfadpräﬁx /response und liest Nachrichten vom /msgHandler Pfad. Die innere Klasse Recei-
ver empfängt, ähnlich wie die Klasse ReceiverBroad, lokale Broadcasts vom MessageService.
Die zweite innere Klasse trackHeartRate öffnet einen neuen Thread, um Herzfrequenzen des
Benutzers zu messen. Die Wear Applikation hat kein Interface mit dem der Benutzer intera-
gieren muss. Verwendete Widgets sind mit Ausnahme des Buttons lediglich zum Debuggen
eingebaut. Der Button mit der Aufschrift onErrorClick kann im Fall, dass das Smartphone eine
Bestätigungsnachricht nicht empfängt, eine wiederholte Bestätigung senden, um den Applika-
tionsprozess fortzuführen. Damit die Applikation funktionieren kann, wird zunächst bei Neu-
installation der Applikation nach Berechtigungen für die Sensoren gefragt. Die innere Klas-
se Receiver funktioniert, indem sie einen Intent mit zwei Parametern als LocalBroadcast vom
MessageService übergeben bekommt. Mittels des Strings path wird die Methodenzuweisung
ausgewählt. Mit dem String message werden, wenn nötig, Vibrationspattern ausgelesen. Die
zweite innere Klasse trackHeartRate greift mit Hilfe der importieren Klassen SensorManager
und Sensor [13] auf den Sensor Sensor.TYPE_HEART_RATE zu. Dabei speichert ein Objekt
der Klasse alle Wertänderungen der Herzfrequenz in ein Array. Dieses Array wird zusammen
mit den dazugehörigen Zeitpunkten auf Anfrage des Smartphones als Nachricht zurückgesen-
det. Um Vibrationen auf der Smartwatch auszulösen instanziiert die MainActivity ein Objekt
der Klasse VibrationThread, welche von der Klasse Thread erbt. Übergeben wird dabei das
Vibrationspattern und der Vibrationssenor . Der VibrationThread ist so programmiert, dass sich
Vibrationen mit einer Pause von 1500ms solange wiederholen bis die MainActivity den neuen
Thread unterbricht. Die Klasse VibrationThread setzt Vibrationen für Punkte (Dots) des Mor-
sezeichens auf 100ms und die für Striche (Dashes) auf 300ms. Eine Amplitudenkontrolle der
Vibration konnte aufgrund der TicWatch C2 nicht eingebaut werden. Damit die Wear Appli-
kation einwandfrei funktionieren kann, muss sie nach einem Neustart der Smartwatch einmal
manuell ausgeführt werden. Anschließende Reinigung der Testdaten übernimmt die mobile Ap-
plikation per Fernsteuerung. Die Smartwatch TicWtach C2 ist per Default so eingestellt, dass
sie den Akku so efﬁzient wie möglich verbraucht. Dabei kann sie in einen Ruhemodus schal-
ten, bei dem einzelne Funktionalitäten, wie die des Vibrierens, nicht mehr funktionieren. Aus
diesem Grund wurden Funktionen der Applikation, welche das Ambient der Uhr registrieren,

4.4. Umgang mit der Applikation 35
überschrieben. Das dazugehörige Tutorial findet sich auf der Android Homepage [2]. Alternativ
kann man die Klasse PowerManager [3] dazu verwenden, um ein Fehlverhalten der Applikation
zu verhindern.
4.4 Umgang mit der Applikation
Um sicherzustellen, dass die Applikation funktioniert, wird in diesem Unterkapitel der Umgang
mit der Applikation erläutert. Die mobile Version lässt sich wie jede andere Applikation über
das Launcher-Icon starten. Das Smartphone benötigt sowohl eine aktive Internetverbindung
als auch eine aktive Bluetooth Verbindung zur Smartwatch. Die wear Version muss bei jeder
Neuinstallation oder Neustart der Uhr einmal manuell geöffnet werden. Beim Start einer Ler-
neinheit sollte man, um sicherzugehen, einmal auf den Bildschirm der Smartwatch drücken, so-
dass dieser von einem dunkel beleuchteten auf einen hell beleuchteten Hintergrund wechselt.
Anschließend kann die Lern- oder Testeinheit ausgeführt werden. Im StartDialog der mobile
Version wird auf eine korrekte Verbindung überprüft. Ohne eine korrekte Verbindung kann nicht
durch die Lerninhalte navigiert werden. Eine Überprüfung der Bluetooth Verbindung und ein
Neustart der mobile Applikation kann hier Abhilfe schaffen. Sowohl die Wear Applikation als
auch die Mobile Applikation haben derzeit kein eingebautes Feature, um einen Datenverlust zu
verhindern. Dies kann beispielsweise mittels der Klasse SharedPreferences nachgerüstet wer-
den. Aus diesem Grund empfiehlt es sich vor Beginn einer Einheit beide Geräte auf genügend
Akkukapazität zu überprüfen. Beide Geräte kann man dahingehend einstellen, dass diese bei
sehr geringen Akkustand nicht in einen Energiesparmodus wechseln. Der Energiesparmodus
der Smartwatch beeinflusst die Funktionalität der Sensoren zum Vibrieren und Messen.

5 Evaluation
Dieses Kapitel beschäftigt sich mit der Evaluierung der Studie. Die geplante Vorgehensweise
und das Ziel dieser Studie wurden im Kapitel 3 beschrieben. In den ersten drei Unterkapiteln
wird zunächst die Ausgangslage nach allen Lern- und Testeinheiten der Probanden bespro-
chen. Eine weiterführende Auswertung der Studienergebnisse erfolgt in den anschließenden
Unterkapiteln. In diesem Kapitel und dem kommenden Kapitel wird der Begriff Kontrollgruppe
mit KG abgekürzt. Die Experimentalgruppe mit EG. Das Kürzel n steht für eine Teilnehmeran-
zahl, AVG steht für den Durchschnitt beider Gruppen. Der Begriff Korrektheit beschreibt den
prozentualen Anteil der richtig gewählten Paarungen gegenüber der Anzahl aller möglichen
Paarungen von Morsezeichen. Hilfsmittel für dieses Kapitel sind neben den erhobenen Daten-
sätzen durch die Applikation die Programmiersprache Python [47] mit den importieren Modulen
von SciPy [48], Numpy [44] und Matplotlib [38] für Graﬁken und Rechnungen. Des Weiteren
wurde für die Auswertung, insbesondere für die Signiﬁkanztests, die IBM SPSS-Software her-
angezogen [30].
5.1 Vorwort
An der im Rahmen dieser Bachelorarbeit durchgeführten Studie haben 33 Probanden teilge-
nommen. Davon waren 22 Probanden männlich und 11 weiblich. Aufgrund der im Verlauf der
Studie notwendigen Änderungen (siehe Kapitel 3.2) und weiterer technischen Schwierigkei-
ten konnten die Ergebnisse von zwei Personen überhaupt nicht berücksichtigt werden. Weitere
zwei Personen mussten aufgrund technischer Schwierigkeiten während des Versuchs aus der
Analyse der Lerneinheiten entfernt werden. Die Daten dieser Probanden können für die Tests
verwendet werden. Alles in allem können 29 Datensätze für die Analyse der Lerneinheiten ver-
wendet werden. Für den ersten Test können zuzüglich der zwei zunächst ausgeschlossenen
Probanden 28 Personen, beim zweiten Test 25 Personen berücksichtigt werden. Ausgangs-
punkt der gesamten Studie war der Vorwissenstest der Probanden, welche für beide Gruppen
ergab, dass kein Wissen über Morsezeichen vorhanden war.
37

38 Kapitel 5. Evaluation
5.2 Lerneinheiten
Von den 33 Probanden können für die Analyse der Lerneinheiten 29 Datensätze verwendet
werden. Vier von diesen Probanden (drei Personen aus der KG und eine Person aus der EG)
haben die Lerneinheiten nicht mit einer Korrektheit von 100% abgeschlossen. Zwei der vier
Probanden haben die Lerneinheit mit einer Korrektheit von 96% beendet (jeweils ein Proband
pro Gruppe). Die anderen beiden Teilnehmer haben die Studie aus zeitlichen Gründen wäh-
rend des Lernens verlassen. In der Abbildung 5.1 sind alle gesammelten Testsequenzen der
Abbildung 5.1: Zusammenstellung aller Testsequenzen der Lerneinheiten
Lerneinheiten dargestellt. Die x-Achse beschreibt die benötigte Zeit beim Lernen bis zum Ende
der jeweiligen Testsequenz. Die y-Achse gibt die gemessene Korrektheit der einzelnen Testse-
quenzen wieder. Probanden wurden beim Lernen nicht angewiesen, wie lange eine Lernein-
heit zu sein hat. Daraus resultierend können abhängig vom Probanden beliebig viele Punkte
der Abbildung einer Person zugesprochen werden. Im Durchschnitt haben Probanden der EG
4.42 Lerneinheiten absolviert, wohingegen die andere Gruppe im Schnitt 4.26 Lerneinheiten
gebraucht hat. Farblich rot markierte Punkte gehören zu Personen der KG. Die blauen Punk-
te beschreiben die Lerneinheiten der EG. Graphen zu den einzelnen Teilnehmergruppen und
weitere Graphen, welche nicht fertig gelernte Probanden exkludieren, beﬁnden sich im Anhang
6.

5.3. Testeinheiten 39
Die durchschnittliche Lernzeit für die Probanden mit einer Korrektheit von 96% oder mehr ist
in folgender Tabelle dargestellt. Die angegebenen Zeiten ergeben sich als Mittelwert über alle
gemessenen Zeiten der Lerneinheiten.
Gruppen Zeiten
Lernzeit EG 29.47 Minuten
Lernzeit KG 33.27 Minuten
Lernzeit AVG 31.16 Minuten
Tabelle 5.1: Durchschnittliche Lernzeiten der Probandengruppen für eine Korrektheit von 96% oder
mehr
Exkludiert man Probanden, welche keine Korrektheit von 100 % beim Lernen erreicht haben
verändern sich die durchschnittlichen Lernzeiten zu folgenden.
Gruppen Zeiten
Lernzeit EG 28.06 Minuten
Lernzeit KG 32.05 Minuten
Lernzeit AVG 29.81 Minuten
Tabelle 5.2: Durchschnittliche Lernzeiten der Probandengruppen, welche 100% der Paarungen richtig
hatten
Den Tabellen 5.1 und 5.2 entnehmbar haben Probanden, welche mit Vibration gelernt haben,
im Schnitt weniger Zeit gebraucht um (fast) alle Paarungen richtig zu wählen. Die durchschnitt-
liche Zeit für einen Lerndurchgang betrug für die KG 7.37 Minuten und für die EG 6.90 Minuten.
5.3 Testeinheiten
An der ersten Testeinheit haben 26 Personen zuzüglich der zwei zunächst für die Lerneinheit
ausgeschlossenen Probanden teilgenommen. Im Folgenden werden die Testergebnisse mit
und ohne den zwei Probanden beschrieben. Die erste Testeinheit für Partizipanten der Studie
erfolgte einen Tag nach den Lerneinheiten. Der zweite Test erfolgte drei Tage nach dem Lernen.
Die Abbildung 5.2 zeigt in blau die Testergebnisse der EG vom ersten Test (No.1) und vom
zweiten Test (No.2). Die Testergebnisse der KG sind in rot dargestellt.

EG No.1 KG No.1 EG No.2 KG No.2
0
20
40
60
80
100
Korrektheitin%
n = 14 n = 12 n = 13
n = 10
Abbildung 5.2: Zusammenstellung der Testsequenzen der verschiedenen Teilnehmergruppen
Die y-Achse dieser Graﬁk beschreibt die Korrektheit der Testergebnisse. Die x-Achse be-
schreibt die Testdurchläufe und die dazugehörigen Gruppen für den ersten und den zweiten
Test. Die Testergebnisse der Abbildung 5.2 beziehen sich auf die beiden folgenden Tabellen
auf der linken Seite. Tabellen auf der rechten Seite inkludieren weiterhin die Tests der zwei
Probanden, welche aus technischen Schwierigkeiten bei den Lerneinheiten entnommen wur-
den.
Gruppen Korrektheit
1. Test EG 94.23%
1. Test KG 89.10%
1. Test AVG 91.86%
Tabelle 5.3: Testergebisse des ersten Tests
Gruppen Korrektheit
2. Test EG 84.62%
2. Test KG 72.98%
2. Test AVG 79.56%
Tabelle 5.4: Testergebisse des zweiten Tests
Gruppen Korrektheit
1. Test EG 94.61%
1. Test KG 89.94%
1. Test AVG 92.44%
Tabelle 5.5: Testergebnisse des ersten Tests zu-
züglich der zwei zunächst ausge-
schlossenen Probanden
Gruppen Korrektheit
2. Test EG 85.44%
2. Test KG 74.39%
2. Test AVG 80.58%
Tabelle 5.6: Testergebnisse des zweiten Tests
zuzüglich der zwei zunächst ausge-
schlossenen Probanden
Die benötigte Zeit um die Tests zu absolvieren unterschied sich ebenfalls. Für die Tests der Ta-

5.4. Herzfrequenzen 41
bellen auf der linken Seite benötigten Probanden der EG im Schnitt 3.4 Minuten für den ersten
Test und 8.19 Minuten für den zweiten Test. Probanden der KG benötigten für den ersten Test
durchschnittlich 2.95 Minuten und für den darauffolgenden Test 5.66 Minuten. Für die Tests auf
der rechten Seite wurde für die EG ein Durchschnitt 3.22 Minuten und 7.67 Minuten gemessen.
Die KG hingegen schnitt mit 2.86 Minuten und 5.67 Minuten ab.
5.4 Herzfrequenzen
Die gesammelten Daten zur Herzfrequenz dienen einem rein explorativen Zweck. Der Einﬂuss
der Vibration am Handgelenk wird im Folgenden nicht berücksichtigt. Im Verlauf der Studie
wurde zu jeder Lerneinheit und jeder Testeinheit die Herzfrequenzen aufgezeichnet. Für die
Auswertung der Herzfrequenzen wurden die EG und die KG zusammengelegt. Der Grund hier-
für ist, dass bereits beim Erheben der durchschnittlichen Herzfrequenzen für EG und KG fast
keine Unterschiede festgestellt wurden. Die durchschnittliche Herzfrequenz für die Lerneinhei-
ten sind 77.75 Schläge pro Minute für die EG und 81.34 für die KG. Bei den anschließenden
Tests lagen die Werte dichter zusammen. So wurde für den ersten Test ein Durchschnitt von
84.71 Schläge pro Minute für die EG und 82.87 Schläge pro Minute für die KG gemessen.
Der zweite Test hat mit 80.68 Schlägen pro Minute für die KG zu 80.85 Schlägen pro Minute
für die EG einen ungefähren Unterschied von 0.18 Schlägen pro Minute. Für den explorativen
Zweck werden die Probanden der Lerneinheiten, welche über 95% Korrektheit in einer Test-
sequenz hatten, in zwei Gruppen eingeteilt. Dabei werden sie abhängig von ihren Lernzeiten
zugeordnet. Die erste Gruppe (Gruppe 1) enthält das Drittel der Lernenden mit dem geringsten
Zeitaufwand. Die Gruppe 2 die übrig gebliebenen Teilnehmer.
Gruppen Durchschnittliche Herzfrequenz Anzahl
Gruppe 1 85,23 n = 9
Gruppe 2 76,56 n = 18
Tabelle 5.7: Testergebnisse des zweiten Tests zuzüglich zwei zunächst ausgeschlossenen Probanden
Der Tabelle 5.7 sind die durchschnittlichen Herzfrequenzen der Gruppen 1 und 2, sowie de-
ren Teilnehmergrößen entnehmbar. Für den ersten und zweiten Test wurden in Abhängigkeit
zu den Testergebnissen jeweils die gleichen Gruppenzuteilungen zu neuen Gruppen durchge-
führt. Deren durchschnittliche Herzfrequenz und die Gruppengröße sind der folgenden Tabellen
entnehmbar.

Testnummer Gruppen Durchschnitt. Herzfrequenz Anzahl
1.Test 1. Gruppe 87,75 n = 9
1.Test 2. Gruppe 81.97 n = 18
2.Test 1. Gruppe 83.48 n = 8
2.Test 2. Gruppe 79.48 n = 17
Tabelle 5.8: Testergebnisse des ersten Tests zuzüglich zwei zunächst ausgeschlossenen Probanden
Die Anzahl der Probanden für dieses Unterkapitel ist für den ersten Test im Vergleich zum Kapi-
tel 5.3 um eine Person gesunken. Das liegt daran, dass bei diesen Probanden nach Abschluss
des Tests von der Applikation ausgehend keine HTTP Anfrage an die Datenbank gesendet
werden konnte. Das Testergebnis wurde manuell ohne begleitende Daten in die Datenbank
eingetragen.
5.5 Auswertung Lerneinheiten
Dem Kapitel 5.2 entnehmbar, haben Probanden der EG schneller gelernt als Probanden der
KG. Im Folgenden werden wir uns auf die Tabelle 5.1 beziehen. Der Grund hierfür ist, dass zwei
der vier nicht fertig angelernten Probanden der KG zeitlich sehr früh aus der Studie austreten
mussten. Die übrig gebliebenen zwei Probanden, welche mit 96% Korrektheit abgeschlossen
haben, hatten nach knapp 50 Minuten etwa die gleiche Prozentzahl an korrekten Paarung er-
wählen können. Der Tabelle 5.1 zufolge haben Probanden der EG im Schnitt 3.80 Minuten
weniger (12,89%) gebraucht, um dem (fast) gesamten Lerninhalt zu verinnerlichen.
Die Graphik 5.1 lässt sich dazu verwenden mit verschiedenen Modellen eine ’Lernkurve’ zu ge-
nerieren. Im Folgenden ist eine lineare Regression als Lernkurve für die einzelnen Teilnehmer-
gruppen durchgeführt worden. Beispiele zur linearen Regression mit polynomiellen Features 3.
Grades und zu einer logarithmischen Regression befinden sich im Anhang 6. Die Bedeutung
der x und y-Achsen sind dieselben wie die der Graphik 5.1. Zu sehen sind zwei sich schnei-
dende Geraden, welche sich an einem Punkt, nach circa 23 Minuten, kreuzen. Anhand der
Steigung jeder einzelnen Gerade lässt sich die Lerngeschwindigkeit herleiten. Entstandene
unterschiedliche Startpunkte, innerhalb der Grafik, lassen sich durch die ungeregelten Ler-
neinheitszeiten erklären. Probanden der KG haben teilweise die ersten Lerneinheiten früher
abgegeben als Probanden der EG (Vgl. Abb. 1 anhand der x-Achse). Der Graph zeigt für die
blaue Gerade eine größere Steigung an, welche man sich durch die durchschnittlichen kürze-
ren Lernzeiten erklären kann.
Als Signifikanztest wurde für die Lerneinheiten zunächst der Mann-Whitney-U-Test gewählt.
Dieser Test wird als das nichtparametrische Äquivalente zum t-Test für unabhängige Stichpro-
ben gesehen [41]. Der Vorteil hierbei ist, dass keine Normalverteilung der Stichprobe nach-

5.5. Auswertung Lerneinheiten 43
0 10 20 30 40 50 60
Zeitverlauf in Minuten
0
20
40
60
80
100
Korrektheitin%
lin. Reg. ohne Vibration
lin. Reg. mit Vibration
ohne Vibration
mit Vibration
Abbildung 5.3: Lineare Regression der Testsequenzen
gewiesen werden muss. Weiterhin wird dem Mann-Whitney-U-Test zugesprochen, dass dieser
auch bei kleinen Stichproben gut funktioniert und mit Ausreißern umgehen kann [41].
Der Mann-Whitney-U-Test wurde für beide Tabellen des Kapitel 5.2 angefertigt. So sind einmal
alle Personen, welche mit einer Korrektheit von 100% die Lerneinheiten absolviert haben in-
kludiert und einmal alle die eine Korrektheit von über 95% haben. Als Signifikanzniveau wurde
α = 0.05 festgelegt. Die Hypothesen beider Tests waren identisch, H0 :=Die Verteilung der
Lernzeiten ist über die Gruppen EG und KG identisch und die H1 Hypothese als genaues Ge-
genteil, H1 := Die Verteilung der Lernzeiten ist über die Gruppen EG und KG nicht identisch.
Die Stichprobenanzahl n unterschied sich bei den Tests um 2 Einträge. Der Test zur 100% Kon-
dition hatte n = 25 Stichproben. Die 95 % Kondition hatte 27 Stichproben. Beide Tests zeigten
ähnliche Testergebnisse. Die 100% Kondition verwarf die Nullhypothese mit einer Signifikanz
von 0,572 als exakte Signifikanz nicht. Die 95% Kondition tat das Gleiche mit einer Signifikanz
von 0,548.
Des Weiteren wurde versucht für die verschiedenen Datensätze t-Tests für unabhängige Strich-
proben [40] zu rechnen. Um einen aussagekräftigen t-Test durchzuführen, müssen die Voraus-
setzungen auf Normalverteilung sowie auf Varianzgleichheit der Stichproben erfüllt sein [52].
Zum Testen von Stichproben auf Normalverteilung kann man sowohl den Kolmogorov-Smirnov
Test als auch den Shapiro-Wilk Test verwenden [39]. Die Nullhypothese und die Alternativhy-
pothese beider Tests sind identisch. Das Signifikanzniveau wird auch hier auf α = 0.05 gesetzt.
Die H0 wird definiert durch H0 = Die Verteilung der Gruppe ist normalverteilt und die H1 Hypo-
these definiert durch H1 = Die Verteilung der Gruppe ist nicht normalverteilt. Bei der Überprü-
fung mittels SPSS auf Normalverteilung der Lernzeiten für einzelne Probandengruppen wurden
folgende Signifikanzen gefunden:

Abbildung 5.4: Screenshot aus der SPSS Umgebung mit Tests auf Normalverteilung für die 95% Kon-
dition einzelner Gruppen
Dem Testergebnis aus der Abbildung 5.4 zufolge ist der Datensatz der KG mit der 95%
Kondition normalverteilt. Der Datensatz der EG ist nicht normalverteilt.
Abbildung 5.5: Screenshot aus der SPSS Umgebung mit Tests auf Normalverteilung für die 100% Kon-
dition einzelner Gruppen
Die Grafik 5.5 zeigt die Ergebnisse der gleichen Tests für die 100% Kondition an. Dabei ist
erkenntlich, dass der Kolmogorov-Smirnov Test sowohl der EG als auch der KG zuweist, eine
Normalverteilung zu sein. Der Shapiro-Wilk Test hingegen belegt eine Normalverteilung für den
Datensatz der Lernzeiten der KG, nicht aber den der EG. Auf Basis der kleinen Stichproben-
größe und dem Ergebnis des Kolmogorov-Smirnov Testes, kann man einen t-Test durchführen
[39].
Der t-Test für die 100% Kondition mit einem Signifikanzniveau von α = 0.05 ergibt bei einer
Signifikanz der Varianzgleichheit (erfasst durch Levene-Test [40]) von 0.05 eine zweiseitige
Signifikanz von 0.295. Für eine ungleiche Varianz ergibt sich eine Signifikanz von 0.33. Da-
mit kann die Nullhypothese H0 = Die Verteilung der Lernzeit ist über die Probandengruppen
identisch in beiden Fällen nicht verworfen werden. Der benannte Levene-Test testet zwei Ver-
teilungen auf Varianzgleichheit. Seine Nullhypothese lautet H0 = Die Verteilung der Varianzen
ist über die Gruppen identisch. Mit einer Signifikanz von 0.05 muss bei einem Signifikanzniveau
von α = 0.05 die H0 Hypothese nicht verworfen werden.

5.6. Auswertung Testergebnisse 45
5.6 Auswertung Testergebnisse
Die Auswertung der Testergebnisse des ersten und des zweiten Tests bezieht sich auf die Ta-
bellen 5.5 und 5.6. Den Tabellen zufolge haben Probanden der EG beim ersten Test 4.67%
mehr Wissen wiedergeben können, beim zweiten Test waren es 11.05% mehr Wissen. In
0 1 2 3 4 5
Zeit in Tagen
50
60
70
80
90
100
110
Wissensstandin%
Durchschnitt der EG,KG
mit Vibration
ohne Vibration
Messwerte Durchschnitt
Messwerte mit Vibration
Messwert ohne Vibration
Abbildung 5.6: Zusammenstellung der Testergebnisse einen und drei Tage nach den Lerneinheiten
der Abbildung 5.6 ersichtlich sind drei Graphen, welche die durchschnittlichen Testergebnisse
der einzelnen Teilnehmergruppen mittels drei Testwerten zeichnen. Als Ausgangslage wurde
der Punkt (0,100) hinzugefügt. Die restlichen Punkte entstammen den besagten Tabellen. Der
Graph dient hier nur als visuelle Darstellung der Testergebnisse, die gezeichnetenn Funktionen
geben als Werte außerhalb der Messpunkte keine gesammelten Daten wieder.
Für den ersten Test wurde ähnlich wie für die Lerneinheiten ebenfalls der Mann-Whitney-U-Test
mit den ähnlichen Hypothesen und dem gleichen Signiﬁkanzniveau aufgestellt. An diesem Test
haben 28 Personen teilgenommen, davon waren 13 aus der KG und 15 aus der EG. Als Null-
hypothese gilt hier H0 = Die Verteilung von Testergebnissen ist über die Probandengruppen
identisch. Die Alternativhypothese ist aufgestellt als H1 = Die Verteilung von Testergebnissen
ist über die Probandengruppen nicht identisch. Daraus ergibt sich für den Mann-Whitney-U-Test
für unabhängige Stichproben eine exakte Signiﬁkanz von 0.13. Somit kann die H0 Hypothese
nicht verworfen werden.

Auf einen t-Test wurde aufgrund der nicht normalverteilten Datensätze verzichtet (Vgl. Abb.
5.7).
Abbildung 5.7: Screenshot aus der SPSS Umgebung mit Tests auf Normalverteilung für den ersten
Test
Das gleiche Prozedere wie für den ersten Test ergibt für den zweiten Test bei einer Ge-
samtanzahl an Testergebnissen von n = 25 eine exakte Signiﬁkanz von 0.149 für den Mann-
Whitney-U-Test. Damit muss für den zweiten Test ebenfalls bei der Nullhypothese geblieben
werden. Ebenso kann aufgrund der nur für den KG normalverteilten Datensatz kein t-Test
durchgeführt werden (Vgl. Abb. 5.8).
Abbildung 5.8: Screenshot aus der SPSS Umgebung mit einzelnen Gruppentests auf Normalverteilung
für den zweiten Test
5.7 Auswertung Herzfrequenzen
Bezüglich der exploratorischen Auswertung der Herzfrequenzen wird an dieser Stelle ebenfalls
ein Mann-Whitney-U-Tests und ein t-Test durchgeführt. Das Signiﬁkanzniveau wird weiterhin
auf α = 0.05 gehalten. Die Größe der Stichproben für diese Tests können den Tabellen 5.7 für
die Lerneinheiten und 5.8 für die anschließenden Wissenstests entnommen werden. Geprüft
wird auf die Nullhypthese H0 = Die Verteilung der Herzfrequenzen ist über die Probandengrup-

5.7. Auswertung Herzfrequenzen 47
pen identisch mit der Alternativhypothese H1 = Die Verteilung der Herzfrequenz ist über die
Probandengruppen nicht identisch. Die Signifikanzen der drei Tests lassen sich der Tabelle 5.9
entnehmen.
Testart exakte Signifikanz
Lerneinheit 0.106
1.Test 0.275
2.Test 0.374
Tabelle 5.9: Testergebnisse des Mann-Whitney-U-Tests für die Testeinheiten
Für alle drei Tests musste bei der H0 Hypothese geblieben werden. Ein signifikanter Unter-
schied konnte nicht gezeigt werden.
Ein Nachweis für die Normalverteilung der Datensätze zu den Lerneinheiten, dem ersten und
den zweiten Test, wurde erneut mittels Kolmogorov-Smirnov Test und Shapiro-Wilk Test er-
bracht.
Abbildung 5.9: Screenshot aus der SPSS Umgebung mit einzelnen Gruppentests auf Normalverteilung
für die Lerneinheiten
Abbildung 5.10: Screenshot aus der SPSS Umgebung mit einzelnen Gruppentests auf Normalvertei-
lung für den ersten Test

Abbildung 5.11: Screenshot aus der SPSS Umgebung mit einzelnen Gruppentests auf Normalvertei-
lung für den zweiten Test
Ausgehend von den drei Abbildungen 5.9, 5.10, 5.11 kann man für alle Datensätze die Nor-
malverteilung vorraussetzen. Dabei sind für die Lerneinheiten beider durchgeführter Tests auf
Normalverteilung dafür ausgefallen, dass die Nullhypothese, H0 = Die Verteilung ist normalver-
teilt, nicht verworfen werden kann (Vgl. Abb 5.9). Für den ersten Test konnte die Nullhypothese
mit der gleichen Begründung ebenfalls nicht verworfen werden. Der zweite Test kann aufgrund
der Testergebnisse des Kolmogorv-Smirnov Test durchgeführt werden (Vgl. 5.11). Weiterhin
werden über den t-Test zunächst ein Test auf Varianzgleichheit durchgeführt. Dieser Test wird
durch den Levene-Test mit der Nullhypothese H0 = Die Varianzen der Verteilungen sind gleich
durchgeführt. Alle Testergebnisse sind in der Tabelle 5.10 festgehalten.
Testart Levene Signiﬁkanz t-Test (2-seitig) Signiﬁkanz
Lerneinheit 0.651 0.122
Lerneinheit ohne Varianzgleichheit 0.146
1.Test 0.505 0.385
1.Test ohne Varianzgleichheit 0.352
2.Test 0.949 0.488
2.Test ohne Varianzgleichheit 0.471
Tabelle 5.10: Testergebnisse des t-Tests für die Herzfrequenzen

6 Diskussion und Fazit
In diesem Kapitel werden wichtige Erkenntnisse dieser Arbeit zusammengefasst. Probleme
oder Schwierigkeiten, welche während der Applikationsentwicklung oder der Studie aufgetre-
ten sind, werden hier ebenfalls festgehalten. Angeknüpft an die Studienergebnisse wird zum
Schluss Stellung zur Forschungsfrage genommen.
Aus der Literatur zum Assoziativen Lernen und zum Passiven haptischen Lernen wurde deut-
lich, dass für diese Art des Lernens keine auf den Lerninhalt fokussierte Aufmerksamkeit be-
nötigt wird. Viel mehr entsteht der Lernprozess und die stabile Konsolidierung der Lerninhalte
durch wiederholte Darbietung der zu assoziierenden Reize. Auf dieser Basis wurden zur Be-
arbeitung der Forschungsfrage ein Lernkonzept für eine Experimentalstudie angefertigt. Diese
misst den Einﬂuss von generierten Vibrationsmustern zu Lerninhalten auf den Lernerfolg (Lern-
zeit und Konsolidierung). Zur Überprüfung wurden sowohl Lerneinheiten, als auch an verschie-
denen Tagen stattﬁndende Testeinheiten entworfen. Für die Durchführung der Studie wurde
eine Applikation entwickelt, welche die gesamte Studiendurchführung abdeckt. Sowohl bei der
Entwicklung der Studie als auch bei der Applikationsentwicklung sind vereinzelt Schwierigkei-
ten aufgetreten.
Ausgehend von den Studien zum Passiven haptischen Lernen wurden die Lerninhalte zunächst
identisch festgelegt. Im Verlauf der drei Testdurchgänge wurde schnell sichtbar, dass diese für
aktives Lernen zu schnell zu erlernen sind. Dies macht aufgrund der Tatsache Sinn, dass ak-
tives Lernen schneller zu sein scheint als passives Lernen, so dass bei allgemein gerigerem
Lernaufwand keine Unterschiede zwischen EG und KG entstehen können. Die fortlaufende Ver-
änderung zur Erschwerung des Lernprozesses konnte diese bis auf zeitlich erkennbare Unter-
schiede der Probandengruppen ändern. Die leichten Abänderungen des Studiendesigns waren
programmatisch nicht schwer umzusetzen. Viel mehr lagen hier die Schwierigkeiten darin das
Smartphone mit der Smartwatch ausreichend zu synchronisieren. Der implementierte Messa-
geService neigte dazu, mehr gesendete Nachrichten zu registrieren als tatsächlich abgesendet
wurden. Auch musste aufgrund der synchron laufenden Prozesse auf beiden Endgeräten ver-
mehrt auf Multithreading und deren parallelen Abarbeitung von Methoden gesetzt werden. Ein
49

50 Kapitel 6. Diskussion und Fazit
weiteres Problem, welches bereits bei der Entwicklung festgestellt wurde, war die TicWatch C2.
Dieses Modell stellt zwar einen Sensor für Vibration bereit, jedoch konnte aufgrund der Hard-
ware oder der Version des Betriebssystems keine Amplitudenkontrolle der Vibration bestimmt
werden. Dies hat bezüglich des assoziativen Lernens zwei Nachteile. Erstens ist die Reizdis-
kriminierung [26] lediglich der Länge der einzelnen Vibrationen unterlegen. In diesem Kontext
konnten nur zwei verschiedene Reize erstellt werden (Punkt und Strich des Morsezeichens).
Eine Veränderung zu mehreren Reizen, die sich in ihrer Vibrationslänge unterscheiden, birgt
das Risiko der Reizgeneralisierung. Da bereits in den Studien zum PHL vermehrt über dieses
Problem berichtet und eine Lösung für die Darbietung der Reize eines Morsezeichens erarbei-
tet wurde, wurde ein Versuch für mehr als zwei unterschiedliche Reize nicht weiter ausgeführt.
Der zweite Nachteil wird in der Literatur durch den Begriff Assoziationsstärke beschrieben [26].
Mittels dieses Begriffes wird erklärt, dass nicht allein die Kontiguität der Reize ausreicht eine
erfolgreiche Assoziation zu bilden, sondern die Assoziationsstärke ebenfalls eine Rolle spielt.
Dabei hat jeder wahrgenommene Reiz eine eigene Assoziationsstärke. Eine Hypothese zu die-
sem genannten Nachteil könnte sein, dass die Assoziationsstärke der Vibration beim Lernen
nicht nur von dessen Dauer, sondern auch von dessen Stärke abhängig ist. Die Verwendung
einer Smartwatch mit Amplitudenkontrolle hätte demnach zwei Vorteile. Erstens, die Assozia-
tionsstärke könnte für die Vibration größer sein, wenn diese schwach und stark empfunden
werden. Zweitens, die Reizdiskriminierung der Vibration bekäme eine zusätzliche Dimension
an Möglichkeiten.
Ungeachtet der genannten Schwierigkeiten konnten im Mittel aller Studienergebnisse stets
bessere Resultate für die EG festgehalten werden (siehe Kapitel 5). Probanden dieser Gruppe
haben im Schnitt schneller gelernt und konnten in den anschließenden Wissenstests besse-
re Ergebnisse erzielen. Die Auswertung der Lerneinheiten haben ergeben, dass die EG im
Schnitt mit 29.47 Minuten 12.89% weniger Lernzeit benötigt haben um (fast) den gesamten
Lerninhalt zu lernen. Bei den Testeinheiten haben diese im Schnitt mit 4.67% (1.Test) und
11.05% (2.Test) mehr Wissen als die KG besser abgeschlossen. Ausgehend von den erhobe-
nen Datensätzen konnte zu keinen der angefertigten Siginifkanztests eine statistisch signifikant
messbare Verbesserung festgestellt werden (α = 0.05). Die niedrigsten Signifikanzen für die
nicht exploratorische Auswertung wurden für die Testeinheiten festgestellt. Hierbei wurde für
den ersten Test eine exakte Signifikanz von 0.13 und für den zweiten Test eine exakte Signi-
fikanz von 0.149 berechnet. Die Nullhypothese zu diesem Tests lautete: H0 = Die Verteilung
von Testergebnissen ist über die Probandengruppen identisch. In anderen Worten bedeutet
dies, dass die Wahrscheinlichkeit sich zu irren, wenn man die Nullhypothese verwirft, so hoch
ist wie die ausgerechnete Signifikanz. Bei den Ergebnissen gilt zu berücksichtigen, dass diese
für kleine Stichproben ausgerechnet wurden. Kleine Stichproben können dazu neigen höhere
Signifikanzen anzugeben als größere Stichproben. Die aufgezeigten Verbesserungen sind je-

51
doch nicht zwangsläufig auf das Lernen mit Vibration zurückzuführen. Es wäre hier durchaus
möglich, dass die Personen durch ihr Wissen über die Gruppenzugehörigkeit in ihrer Entschei-
dung und Motivation und dem damit verbunden Lernerfolg beeinflusst waren. Eine interessante
Erkenntnis aus Kapitel 5.3 ist die beobachtete Zeit, welche die Nutzer für die einzelnen Tests
benötigt haben. Hier ist gerade im zweiten Test deutlich zu sehen, dass die Personen mit Vibra-
tion deutlich mehr Zeit investiert haben als Ihre korrespondieren Teilnehmer der Kontrollgruppe.
Dies wäre durch eine erhöhte Affektion, aufgrund der zusätzlichen Reize in Form der Vibration,
welche den Nutzer eher anregen, sich mit dem gegebenen Input zu beschäftigen, als Hypothe-
se zu begründen.
Eine weitere Erkenntnis ergibt sich aus den gemessenen Herzfrequenzen. Hier wurde unab-
hängig der Kontrollgruppen beobachtet, dass Probanden mit erhöhter Herzfrequenz mit einer
Signifikanz von 0.106 (vgl. Tabelle 5.9) einen besseren Lernerfolg (geringere Lernzeit) gegen-
über den Personen mit niedrigerem Puls erzielt haben. Dadurch zeigt sich ein gewisses Poten-
zial für die Anwendung von Learning Analytics, die weitere Evaluierung erfordert.
Um die Forschungsfrage nun im Hinblick auf die gewonnenen Erkenntnisse der verschiedenen
Einheiten zu beantworten, kann festgehalten werden, dass im Mittel aller Studienergebnisse
eine Verbesserung erkennbar war, wenn Probanden mit Vibration am Handgelenk gelernt ha-
ben. Es soll nicht unerwähnt bleiben, dass ein erneutes Ausführen der Studie unter erweiterten
Rahmenbedingungen und mittels einer anderen Smartwatch ratsam wäre. Ebenfalls wäre eine
erhöhte Anzahl von Probanden, um für die Signifikanztests zuverlässig die Normalverteilung
verwenden zu können, sinnvoll. Des Weiteren wäre es bei einer erneuten Durchführung wichtig,
die Tests für alle Teilnehmer zur gleichen Zeit durchzuführen, um eine gleiche Leistungsbereit-
schaft der Probanden zu gewährleisten. Die Leistungsbereitschaft könnte sowohl die Konsoli-
dierung der Lerninhalte, als auch die Geschwindigkeit beim Lernen beeinflussen. Eine letzte
Überlegung, welche in Bezug auf eine neue Studie bedacht werden sollte ist die Körperregion
an der die Vibration wahrgenommen wird. Studien zum PHL haben gezeigt, dass Vibrationen
an verschiedenen Körperregionen verwendet werden können, um das Lernen zu fördern. Bei-
spielsweise könnte man den Einfluss der Vibration am linken bzw rechten Handgelenk prüfen.
In der durchgeführten Studie sowie in anderen Studien konnte gezeigt werden, dass Lernen
unter Verwendung von Vibration ein Verfahren mit viel Potenzial für die Bildungsforschung ist.

Tabellenverzeichnis
5.1 Durchschnittliche Lernzeiten der Probandengruppen für eine Korrektheit von 96%
oder mehr . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
5.2 Durchschnittliche Lernzeiten der Probandengruppen, welche 100% der Paarun-
gen richtig hatten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
5.3 Testergebisse des ersten Tests
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
5.4 Testergebisse des zweiten Tests . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
5.5 Testergebnisse des ersten Tests zuzüglich der zwei zunächst ausgeschlossenen
Probanden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
5.6 Testergebnisse des zweiten Tests zuzüglich der zwei zunächst ausgeschlosse-
nen Probanden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
5.7 Testergebnisse des zweiten Tests zuzüglich zwei zunächst ausgeschlossenen
Probanden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
5.8 Testergebnisse des ersten Tests zuzüglich zwei zunächst ausgeschlossenen
Probanden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
5.9 Testergebnisse des Mann-Whitney-U-Tests für die Testeinheiten . . . . . . . . . 47
5.10 Testergebnisse des t-Tests für die Herzfrequenzen . . . . . . . . . . . . . . . . . 48
53

Abbildungsverzeichnis
2.1 Schematische Darstellung der klassischen Konditionierung anhand des Beispiels
’der pavlovsche Hund’ [31] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.2 Screenshot der Studienprozedur aus der Studie [22] zum Assoziativen Lernen . 6
2.3 Von Android Studio automatisch erstellte Projekt . . . . . . . . . . . . . . . . . . 10
2.4 Lebenszyklus einer Android Activity [4] . . . . . . . . . . . . . . . . . . . . . . . 12
2.5 Lebenszyklus eines Android Fragments [7] . . . . . . . . . . . . . . . . . . . . . 13
3.1 Schematische Dartstellung des Studienablaufs. . . . . . . . . . . . . . . . . . . . 20
4.1 Fertige Projektübersicht der Vibning Applikation . . . . . . . . . . . . . . . . . . . 22
4.2 Activities und Fragmente der ’mobile’ Applikation . . . . . . . . . . . . . . . . . . 25
4.3 Screenshots Login & Registrierungs Layout . . . . . . . . . . . . . . . . . . . . . 27
4.4 Screenshot des Applikations Menu der MainActivity und dessen AppUsageFrag-
ment . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4.5 Layouts der Vibning Applikation für Test und Lerneinheiten . . . . . . . . . . . . 32
4.6 Screenshot der schematischen Architektur des PreknowledgeFragments . . . . 33
5.1 Zusammenstellung aller Testsequenzen der Lerneinheiten . . . . . . . . . . . . . 38
5.2 Zusammenstellung der Testsequenzen der verschiedenen Teilnehmergruppen . 40
5.3 Lineare Regression der Testsequenzen . . . . . . . . . . . . . . . . . . . . . . . 43
5.4 Screenshot aus der SPSS Umgebung mit Tests auf Normalverteilung für die 95%
Kondition einzelner Gruppen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.5 Screenshot aus der SPSS Umgebung mit Tests auf Normalverteilung für die
100% Kondition einzelner Gruppen . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.6 Zusammenstellung der Testergebnisse einen und drei Tage nach den Lernein-
heiten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
5.7 Screenshot aus der SPSS Umgebung mit Tests auf Normalverteilung für den
ersten Test . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
55

56 Kapitel 6. Abbildungsverzeichnis
5.8 Screenshot aus der SPSS Umgebung mit einzelnen Gruppentests auf Normal-
verteilung für den zweiten Test . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
verteilung für die Lerneinheiten . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
verteilung für den ersten Test . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
verteilung für den zweiten Test . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
1 Screenshot der UsersData Tabellenstruktur . . . . . . . . . . . . . . . . . . . . . 63
2 Screenshot der PreknowledgeSession Tabellenstruktur . . . . . . . . . . . . . . 63
3 Screenshot der LearnSession Tabellenstruktur . . . . . . . . . . . . . . . . . . . 64
4 Screenshot der TestSession Tabellenstruktur . . . . . . . . . . . . . . . . . . . . 64
1 AccoutFragment und SettingsFragment Layouts der Vibning Applikation . . . . . 65
2 StartDialog, InformationDialog und MonitorFragment Layouts der Vibning Appli-
kation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
1 Zusammenstellung aller Testsequenzen der Lerneinheit für einzelne Teilnehmer-
gruppen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
2 Zusammenstellung aller Testsequenzen der Lerneinheiten exkludiert nicht fertig
gewordenene Partizipanten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3 Zusammenstellung aller Testsequenzen der Lerneinheiten exkludiert nicht fertig
gewordenene Partizipanten für einzelne Teilnehmergruppen . . . . . . . . . . . . 68
4 Lineare Regression mit polynomiellen Features 3. Grades, Logarithmische Re-
gression der Testsequenzen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68

Literatur
[1] Android Beispiel Theme. Eingesehen am 15.08.2019. URL: https://developer.android.com/
guide/topics/ui/look-and-feel/themes.
[2] Android Developer Homepage - Keep your app visible on Wear. Eingesehen am 21.09.2019.
URL: https://developer.android.com/training/wearables/apps/always-on.
[3] Android Developer Klasse PowerManager. Eingesehen am 21.09.2019. URL: https://developer.
android.com/training/scheduling/wakelock.
[4] Android Developers Activity. Eingesehen am 12.08.2019. URL: https://developer.android.
com/reference/android/app/Activity.
[5] Android Developers Application. Eingesehen am 15.08.2019. URL: https://developer.android.
com/guide/topics/manifest/application-element.
[6] Android Developers BottomAppBar. Eingesehen am 16.08.2019. URL: https://developer.
android.com/reference/com/google/android/material/bottomappbar/BottomAppBar.
[7] Android Developers Fragment. Eingesehen am 13.08.2019. URL: https://developer.android.
com/guide/components/fragments.
[8] Android Developers Homepage. Eingesehen am 14.08.2019. URL: https://developer.android.
com/.
[9] Android Developers Homepage Services. Eingesehen am 16.08.2019. URL: https://developer.
android.com/guide/components/services.
[10] Android Developers Intent. Eingesehen am 13.08.2019. URL: https://developer.android.
com/guide/components/intents-filters.
[11] Android Developers Navigation Drawer. Eingesehen am 16.08.2019. URL: https://developer.
android.com/guide/navigation/navigation-ui.
[12] Android Developers NumberPicker. Eingesehen am 08.09.2019. URL: https://developer.
android.com/reference/android/widget/NumberPicker.
[13] Android Developers SensorManager. Eingesehen am 08.09.2019. URL: https://developer.
android.com/reference/android/hardware/SensorManager.
57

58 Kapitel 6. Literatur
[14] Android Homepage Intent-Filter und Intent. Eingesehen am 15.08.2019. URL: https://developer.
android.com/guide/components/intents-filters.html.
[15] Android Homepage Receiver. Eingesehen am 15.08.2019. URL: https://developer.android.
com/guide/topics/manifest/receiver-element.
[16] Android Permissions Overview. Eingesehen am 15.08.2019. URL: https://developer.android.
com/guide/topics/permissions/overview.
[17] Android Studio Entwicklungsumgebung. Eingesehen am 12.08.2019. URL: https://developer.
android.com.
[18] Android Wiki Intents. Eingesehen am 15.08.2019. URL: https://www.droidwiki.org/wiki/
Intent.
[19] AndroidWiki Homepage Manifest Artikel. Eingesehen am 14.08.2019. URL: https : / / www .
droidwiki.org/wiki/Manifest#cite_note-1.
[20] Andras Arato, Norbert Markus und Zoltan Juhasz. „Teaching morse language to a deaf-blind
person for reading and writing SMS on an ordinary vibrating smartphone“. In: International
Conference on Computers for Handicapped Persons. Springer. 2014, S. 393–396.
[21] Caterina Breitenstein. „Lernen aus neurowissenschaftlicher Sicht: von der Assoziation zur Ko-
gnition“. In: Diskurs Kindheits-und Jugendforschung/Discourse. Journal of Childhood and Ado-
lescence Research 7.4 (2012).
[22] Caterina Breitenstein und Stefan Knecht. „Development and validation of a language learning
model for behavioral and functional-imaging studies“. In: Journal of neuroscience methods
114.2 (2002), S. 173–179.
[23] Caterina Breitenstein u. a. „Word learning can be achieved without feedback: implications for
aphasia therapy“. In: Restorative neurology and neuroscience 22.6 (2004), S. 445–458.
[24] Dokumentation SharedPreference Klasse. Eingesehen am 05.09.2019. URL: https://developer.
android.com/reference/android/content/SharedPreferences.
[25] Free Logo Design Homepage. Eingesehen am 29.09.2019. URL: https://de.freelogodesign.
org/.
[26] Halpern Gazzaniga Heatherton. Psychologie. ISBN: 978-3-621-28295-6. 2017.
[27] Homepage Material Design Android. Eingesehen am 19.09.2019. URL: https://material.
io/develop/android/.
[28] Kevin Huang, Ellen Yi-Luen Do und Thad Starner. „PianoTouch: A wearable haptic piano in-
struction system for passive learning of piano skills“. In: 2008 12th IEEE International Sympo-
sium on Wearable Computers. IEEE. 2008, S. 41–44.

59
[29] Kevin Huang u. a. „Mobile music touch: mobile tactile stimulation for passive learning“. In: Pro-
ceedings of the SIGCHI conference on human factors in computing systems. ACM. 2010,
S. 791–800.
[30] IBM SPSS-Software. Eingesehen am 28.09.2019. URL: https : / / www . ibm . com / de - de /
analytics/spss-statistics-software.
[31] Andrea Kiesel und Iring Koch. „Lernen“. In: Grundlagen der Lernpsychologie. Wiesbaden (2012).
[32] Robyn Kim u. a. „Testing assumptions of statistical learning: is it long-term and implicit?“ In:
Neuroscience letters 461.2 (2009), S. 145–149.
[33] Simone Kimpeler. „Lernen mit Online-Medien–E-Learning“. In: Handbuch Online-Kommunikation.
Springer, 2010, S. 364–384.
[34] Daniel Kohlsdorf und Thad Starner. „Mobile music touch: The effect of primary tasks on passi-
vely learning piano sequences“. In: International Symposium on Wearable Computers (ISWC)
2010. IEEE. 2010, S. 1–8.
[35] Jutta Kray und Ulman Lindenberger. „3.1 Fluide Intelligenz“. In: Entwicklungspsychologie der
Lebensspanne: Ein Lehrbuch (2007), S. 194.
[36] Seungyon Claire Lee und Thad Starner. „BuzzWear: alert perception in wearable tactile dis-
plays on the wrist“. In: Proceedings of the SIGCHI conference on Human factors in computing
systems. ACM. 2010, S. 433–442.
[37] Granit Luzhnica, Eduardo Veas und Caitlyn Seim. „Passive haptic learning for vibrotactile skin
reading“. In: Proceedings of the 2018 ACM International Symposium on Wearable Computers.
ACM. 2018, S. 40–43.
[38] Matplotlib Python. URL: https://matplotlib.org/.
[39] Methodenberatung Uni Zürich, Kolmogorov-Smirnov-Test auf Normalverteilung. Eingesehen
am 30.09.2019. URL: https://www.methodenberatung.uzh.ch/de/datenanalyse_spss/
unterschiede/proportionen/pearsonuntersch.html#36.
[40] Methodenberatung Uni Zürich, t-Test für unabhängige Stichproben. Eingesehen am 30.09.2019.
URL: https : / / www . methodenberatung . uzh . ch / de / datenanalyse _ spss / unterschiede /
zentral/ttestunabh.html.
[41] Methodenberatung Universität Zürich, Mann-Whitney-U-Test. Eingesehen am 28.09.2019. URL:
https://www.methodenberatung.uzh.ch/de/datenanalyse_spss/unterschiede/zentral/
mann.html.
[42] Dan Morris u. a. „Haptic feedback enhances force skill learning“. In: Second Joint EuroHaptics
Conference and Symposium on Haptic Interfaces for Virtual Environment and Teleoperator
Systems (WHC’07). IEEE. 2007, S. 21–26.

60 Kapitel 6. Literatur
[43] Hugo Nicolau u. a. „UbiBraille: designing and evaluating a vibrotactile Braille-reading device“.
In: Proceedings of the 15th International ACM SIGACCESS Conference on Computers and
Accessibility. ACM. 2013, S. 23.
[44] Numpy Dokumentation Python. URL: https://numpy.org/.
[45] Uwe Post. Android-Apps entwickeln für Einsteiger. Rheinwerk Computing, 2018.
[46] Programmiersprache Java. Eingesehen am 12.08.2019. URL: https://www.java.com/de/.
[47] Programmiersprache Python. Eingesehen am 28.09.2019. URL: https://www.python.org/.
[48] Scipy Dokumentation Python. URL: https://docs.scipy.org/doc/.
[49] Caitlyn Seim u. a. „Tactile taps teach rhythmic text entry: passive haptic learning of morse
code“. In: Proceedings of the 2016 ACM International Symposium on Wearable Computers.
ACM. 2016, S. 164–171.
[50] Caitlyn Seim u. a. „Towards haptic learning on a smartwatch“. In: Proceedings of the 2018 ACM
International Symposium on Wearable Computers. ACM. 2018, S. 228–229.
[51] Singleton Klasse Beschreibung für Java. Eingesehen am 07.09.2019. URL: https://www.
theserverside.de/singleton-pattern-in-java/.
[52] Statistischer Vergleich von zwei Gruppen. URL: https://statistik-und-beratung.de/2013/
07/statistischer-vergleich-von-zwei-gruppen/.
[53] Laampertswalde (2018) Stoba Druck. „D21 Digital Index 2018/2019: Jährliches Lagebild zur
Digitalen Gesellschaft“. In: ().
[54] Volley Http Requests Android. Eingesehen am 08.09.2019. URL: https://developer.android.
com/training/volley/simple.

Anhang 1: Datenbanktabellen
Abbildung 1: Screenshot der UsersData Tabellenstruktur
Abbildung 2: Screenshot der PreknowledgeSession Tabellenstruktur
63

64 Anhang . Anhang 1: Datenbanktabellen
Abbildung 3: Screenshot der LearnSession Tabellenstruktur
Abbildung 4: Screenshot der TestSession Tabellenstruktur

Anhang 2: Layouts der Vibning Applikation
Abbildung 1: AccoutFragment und SettingsFragment Layouts der Vibning Applikation
Abbildung 2: StartDialog, InformationDialog und MonitorFragment Layouts der Vibning Applikation
65

Anhang 3: Evaluierung der Studie
0 10 20 30 40 50 60 70
0
20
40
60
80
100
Korrektheitin%
ohne Vibration
Abbildung 1: Zusammenstellung aller Testsequenzen der Lerneinheit für einzelne Teilnehmergruppen
0 10 20 30 40 50 60 70
0
20
40
60
80
100
Korrektheitin%
mit Vibration
ohne Vibration
Abbildung 2: Zusammenstellung aller Testsequenzen der Lerneinheiten exkludiert nicht fertig gewordenene
Partizipanten
67

68 Anhang . Anhang 3: Evaluierung der Studie
0 10 20 30 40 50 60 70
0
20
40
60
80
100
Korrektheitin%
mit Vibration
0 10 20 30 40 50 60 70
0
20
40
60
80
100
Korrektheitin%
ohne Vibration
Abbildung 3: Zusammenstellung aller Testsequenzen der Lerneinheiten exkludiert nicht fertig gewordenene
Partizipanten für einzelne Teilnehmergruppen
0 10 20 30 40 50 60
20
0
20
40
60
80
100
Korrektheitin%
lin. Reg. Poly. 3.Grades o.V.
lin Reg. Poly. 3.Grades m.V.
ohne Vibration
mit Vibration
0 10 20 30 40 50 60
0
20
40
60
80
100
Korrektheitin%
ohne Vibration
log. Reg. ohne Vibration
mit Vibration
log. Reg. mit Vibration
Abbildung 4: Lineare Regression mit polynomiellen Features 3. Grades, Logarithmische Regression der Test-
sequenzen

Rödling, S. (2019). Entwicklung einer Applikation zum assoziativen Medien Lernen.

Weitere ähnliche Inhalte

Was ist angesagt? (7)

Ähnlich wie Rödling, S. (2019). Entwicklung einer Applikation zum assoziativen Medien Lernen. (20)

Mehr von Hendrik Drachsler (20)

Rödling, S. (2019). Entwicklung einer Applikation zum assoziativen Medien Lernen.