TY - THES TI - Methods, Mechanisms, and Effects of Explainable AI-based Decision Support AU - Haag, Felix PY - 2026 PB - Otto-Friedrich-Universität CY - Bamberg DO - 10.20378/irb-115736 UR - https://fis.uni-bamberg.de/handle/uniba/115736 LA - eng AB - Entwicklungen im Bereich der Künstlichen Intelligenz (KI) haben die Bearbeitung vieler Aufgaben in unserem Alltag und Berufsleben verändert. Empirische Studien zeigen, dass KI-Systeme in spezifischen Anwendungsfeldern Aufgaben automatisiert mit hoher Genauigkeit und teils überlegener Performanz im Vergleich zu vielen menschlichen Experten ausführen können (z. B. Esteva et al., 2017; Silver et al., 2016). Trotz beeindruckender Leistungen der KI verbleibt die Verantwortung für die Konsequenzen von KI-basierten Entscheidungen beim Menschen (Sturm et al., 2023). Damit verschiebt sich der Fokus für viele Aufgaben von der automatisierten Aufgabenausführung hin zu einer kollaborativen Interaktion zwischen Mensch und KI-basierter Entscheidungsunterstützung (Wilson und Daugherty, 2018). Ein zentraler Erfolgsfaktor für diese Kollaboration scheint die Erklärbarkeit der zugrunde liegenden Modelle des maschinellen Lernens zu sein (vgl. Hemmer et al., 2022), die im Zentrum des Forschungsfelds der erklärbaren KI steht (vgl. Adadi und Berrada, 2018). Studien in der Literatur zu Informationssystemen (IS) verweisen auf Vorteile durch Erklärungen, wie beispielsweise ein höheres Vertrauen in KI (z. B. Meske und Bunde, 2022), eine höhere Akzeptanz (z. B. Gönül et al., 2006) sowie eine verbesserte menschliche Entscheidungsperformanz (z. B. Förster et al., 2025). Wobei sich in der Literatur ein relativ konsistentes Bild hinsichtlich des Einflusses von Erklärbarkeit auf Vertrauen zeigt (vgl. Atf und Lewis, 2025), ist das Bild zur Entscheidungsperformanz ambivalent: Während einige Studien positive Effekte durch erklärbare KI-basierte Entscheidungsunterstützung berichten (z. B. Lai et al., 2020), finden andere keine oder sogar negative Effekte (z. B. Bauer et al., 2023; Carton et al., 2020). Diese Heterogenität der Effekte legt nahe, dass die Effektivität von erklärbarer KI (d. h. die Wirkung von Erklärbarkeit als Merkmal von KI) für die Entscheidungsunterstützung von verschiedenen Einflussfaktoren abhängt – und weniger robust und konsistent ist, als häufig angenommen (vgl. Schemmer et al., 2022). Für die Diskrepanz zwischen der angenommenen und beobachteten Effektivität könnten mehrere Faktoren eine entscheidende Rolle spielen. Einerseits könnten Einschränkungen der derzeitigen Methoden, etwa in Bezug auf die Qualität der bereitgestellten Erklärungen, von Bedeutung sein (vgl. Rudin, 2019). Andererseits könnten menschliche Faktoren, wie Präferenzen oder kognitive Prozesse bei der Nutzung von Erklärungen, maßgeblich zur Heterogenität der Effekte beitragen (vgl. Bauer et al., 2021; Fürnkranz et al., 2020). Zudem wurden die Effekte von erklärbarer KI-basierter Entscheidungsunterstützung vor allem in kontrollierten Umgebungen untersucht (z. B. Förster et al., 2025), wohingegen Feldstudien, die reale Anwendungskontexte berücksichtigen, bislang selten sind (Brasse et al., 2023). Vor diesem Hintergrund wird deutlich, dass Erklärbarkeit zwar häufig als Schlüsselfaktor für die Effektivität von KI-basierter Entscheidungsunterstützung angeführt wird (z. B. Hemmer et al., 2022), ihr tatsächlicher Beitrag zur Mensch-KI-Kollaboration in großen Teilen bislang jedoch unzureichend verstanden ist. Entsprechende Erkenntnisse könnten daher sowohl das theoretische Fundament für die effektive Interaktion zwischen Mensch und erklärbarer KI erweitern als auch praktische Implikationen für die Gestaltung von erklärbaren KI-basierten Entscheidungsunterstützungssystemen aufzeigen. Diese Dissertation adressiert diesen Forschungsbedarf, indem sie Methoden, Mechanismen und Effekte erklärbarer KI-basierter Entscheidungsunterstützung untersucht. Dazu (i) synthetisiert sie die bisherigen Befunde zum Effekt von erklärbarer KI-basierter Entscheidungsunterstützung auf die menschliche Entscheidungsperformanz, (ii) analysiert die zugrunde liegenden Mechanismen, mit welchen Erklärungen diese Performanz potenziell beeinflussen und (iii) ergänzt diese Arbeiten durch die Untersuchung eines erklärbare KI-basierten Entscheidungsunterstützungssystems im Feld. Damit leistet diese Dissertation einerseits theoretische Beiträge zur Interaktion zwischen Mensch und erklärbarer KI und zeigt andererseits praktische Implikationen, etwa zur Gestaltung von erklärbare KI-basierten Entscheidungsunterstützungssystemen, auf. Die Arbeiten stützen sich auf Anwendungen in unterschiedlichen Domänen, darunter die Energiebranche und digitale Hochschullehre. Insgesamt umfasst die Dissertation ein Rahmenpapier sowie neun wissenschaftliche Artikel, die in drei Kapiteln gebündelt sind. Kapitel 1 schafft zunächst ein grundlegendes Verständnis für den Gesamteffekt von erklärbarer KI-basierter Entscheidungsunterstützung auf die menschliche Entscheidungsperformanz, indem es die Befunde der Literatur in einer Meta-Analyse synthetisiert. Die Ergebnisse bestätigen die zuvor postulierte Heterogenität: Die berichteten Effekte variieren deutlich zwischen den Studien. Zudem zeigt die Analyse, dass der über alle Studien hinweg zusammengefasste zusätzliche Effekt von Erklärungen im Vergleich zu reiner KI-Unterstützung zwar positiv, aber klein ist. Eine Moderationsanalyse zum Risiko des Bias in den berichteten Studienergebnissen zeigt darüber hinaus, dass ein höheres Bias-Risiko systematisch mit größeren berichteten Effekten assoziiert ist. Dies legt nahe, dass die tatsächliche Effektgröße noch kleiner ist, was die Effektivität erklärbarer KI-basierter Entscheidungsunterstützung zusätzlich infrage stellt. Darüber hinaus prüft das Kapitel den Erklärungstyp als moderierenden Faktor, der in der Literatur als wichtig angeführt wird (Herm, 2023) und potenziell Unterschiede im Effekt von erklärbare KI-basierter Entscheidungsunterstützung erklären könnte. Die Ergebnisse zeigen, dass der Erklärungstyp allein die Variabilität der Effekte zwischen den Studien nicht erklären kann. Damit konsolidiert das Kapitel die Ergebnisse der Literatur, bestätigt die Heterogenität der Befunde und motiviert die vertiefte Untersuchung von Mechanismen in domänenspezifischen Kontexten. Kapitel 2 widmet sich detaillierten, domänenspezifischen Untersuchungen von potenziellen Mechanismen zur Erklärung von Unterschieden in der Effektivität erklärbarer KI-basierter Entscheidungsunterstützung. Das Kapitel betrachtet diese Mechanismen aus zwei Perspektiven: Einer methodenzentrierten und einer menschenzentrierten. Am Beispiel einer Cross-Selling-Vorhersage zu Produkten eines Energieversorgers zeigt das Kapitel, dass die Erklärungen einer erklärbaren KI-Methode für jenen Fall eine zeitliche Beständigkeit aufweisen. Darüber hinaus lassen die Ergebnisse erkennen, dass gängige post-hoc-Methoden in ihrer Erklärungsgüte zwar valide, jedoch begrenzt sind. Die Befunde der menschenzentrierten Perspektive legen nahe, dass Unterschiede in der Verständlichkeit und Präferenz von Visualisierungen Mechanismen darstellen, die Unterschiede in der Entscheidungsperformanz erklären können. Zudem deuten die Ergebnisse darauf hin, dass die Effektivität von Erklärungen auch von ihrer Salienz abhängt, indem diese die Aufmerksamkeit der Nutzenden lenkt. Die Entscheidungsperformanz verbesserte sich durch eine Erklärung marginal statistisch signifikant nur dann, wenn kein starker externer Reiz (hier: numerischer Anker) dominierte. Darüber hinaus zeigen die Befunde, dass sowohl KI-gestützte als auch durch Erklärungen ergänzte Unterstützung den negativen Einfluss des Anker-Bias abschwächen kann. Damit liefert das Kapitel empirische Evidenz für eine Proposition, die auf dem Selective Accessibility Model, einem theoretischen Modell zur Erklärung des Anker-Bias-Phänomens, basiert (vgl. Mussweiler et al., 2000). Zusammengefasst identifiziert Kapitel 2 Mechanismen für die Effektivität erklärbarer KI-basierter Entscheidungsunterstützung und erweitert damit das theoretische Fundament für eine effektive Interaktion zwischen Mensch und erklärbarer KI. Kapitel 3 erweitert die bislang seltene Evidenz aus Feldexperimenten (vgl. Brasse et al., 2023) und geht über bestehende Forschungsarbeiten hinaus, indem es ein neuartiges erklärbare KI-basiertes Entscheidungsunterstützungssystem instanziiert. Das System basiert auf Erkenntnissen der Theorie des selbstregulierten Lernens sowie auf kontrafaktischen Erklärungen aus der erklärbaren KI. Ziel der Instanziierung ist es, die Heterogenität der Lernenden bei der Feedbackbereitstellung zu berücksichtigen. Mithilfe auf historischen Daten trainierter Modelle generiert das System personalisiertes Feedback und schlägt Lernaktionen zur Verbesserung des prognostizierten Klausurergebnisses vor. Die Evaluation in einem Feldexperiment zeigt, dass das System die Lernergebnisse der Studierenden verbessert: Während der Interventionsphase verbrachten die Teilnehmenden der Treatmentgruppe pro Woche im Durchschnitt 80,7 % mehr Zeit in der digitalen Lernumgebung als die Kontrollgruppe. Die Treatmentgruppe erzielte zudem 13,2 Punkte (von 90 möglichen Punkten) mehr in der Klausur. Darüber hinaus profitieren Lernende – anders als in vielen anderen Studien (z. B. Leung et al., 2023; Mousavi et al., 2025) – unabhängig von Lernercharakteristika, die mit selbstreguliertem Lernen zusammenhängen (Metakognition, Prokrastination). Zusammenfassend zeigt Kapitel 3 einen Weg für den effektiven Einsatz erklärbarer KI-basierter Entscheidungsunterstützung in einem realen Anwendungskontext. Es verbindet dabei die in der Theorie des selbstregulierten Lernens beschriebene Heterogenität von Lernenden mit der Instanziierung adaptiver IS, die diese Unterschiede adressieren. Damit legt Kapitel 3 die Grundlage für eine neue Form von Entscheidungsunterstützungssystemen, die erklärbare KI einsetzt, um personalisiertes Feedback bereitzustellen. Insgesamt leistet diese Dissertation einen Beitrag zum Verständnis der Methoden, Mechanismen und Effekte von erklärbarer KI-basierter Entscheidungsunterstützung. Durch die Identifikation von Mechanismen erweitert sie das theoretische Fundament für die Interaktion zwischen Mensch und erklärbarer KI. Zugleich bilden die Untersuchungen eine Grundlage für die effektive Gestaltung erklärbarer KI-basierter Entscheidungsunterstützungssysteme, die bei wichtigen Aufgaben im Alltag und im Berufsleben wirksam unterstützen können. KW - explainable artificial intelligence (XAI) KW - machine learning KW - human-AI collaboration KW - human decision-making KW - XAI-based decision support KW - decision support systems ER - TY - THES TI - Leveraging advanced analytics to develop and evaluate energy efficiency services and products AU - Weigert, Andreas PY - 2024 PB - Otto-Friedrich-Universität CY - Bamberg DO - 10.20378/irb-105355 UR - https://fis.uni-bamberg.de/handle/uniba/105355 LA - eng AB - Zwei disruptive Transformationen, die Energiewende und die Digitalisierung, stellen die Gesellschaft und die Energieversorger vor große Herausforderungen und bieten gleichzeitig große Chancen. Insbesondere die Dezentralisierung der Energieerzeugung und die Elektrifizierung von Großverbrauchern wie Heizungen oder Fahrzeugen (Colle 2020; BDEW 2021) lassen neue Geschäftsfelder rund um den Vertrieb solcher Systeme sowie umfassende Dienstleistungskonzepte entstehen und können die Rolle der Energieversorger vom Energieanbieter hin zum Online-System-Anbieter verändern (Requejo et al. 2019; Colle 2020). Gleichzeitig generieren die Digitalisierungsbestrebungen der Energieversorger neue und potenziell wertvolle Kundendaten. Neben neuen Kundeninteraktionsdaten aus den klassischen Geschäftsfeldern (BDEW 2021) werden für eine zunehmende Anzahl von Haushalten Verbrauchsdaten durch Smart Meter generiert (Tounquet und Alaton 2020; BFE 2021; EIA 2022), die insbesondere für Großverbraucher wie beispielsweise Wärmepumpen indikative Muster betreffend Systemzustand und Nutzung verfügbar machen und damit helfen können, Optimierungspotenzial zu heben. Darüber hinaus entstehen durch die Aktivitäten in den neuen Geschäftsfeldern Datensätze aus der Planung und dem Vertrieb von Dezentralisierungs- und Elektrifizierungslösungen sowie aus der Durchführung von Energieeffizienzdienstleistungen. Aufgrund des beratungsintensiven Charakters vieler dieser Produkte und Dienstleistungen (Gram-Hanssen et al. 2017) enthalten diese Daten häufig implizit teures Expertenwissen. Die Nutzung dieser Datensätze mit Hilfe von Datenanalyse und Künstlicher Intelligenz (DA&KI) birgt daher ein großes Potenzial. Für Unternehmen könnten diese Technologien insbesondere bei der Entwicklung neuartiger Produkte und Dienstleistungen, bei der Automatisierung von Aufgaben und bei der Erweiterung menschlicher Fähigkeiten hilfreich sein (Brynjolfsson und Mitchell 2017). Kunden könnte die Nutzung von DA&KI dabei helfen, dass wichtige Produktmerkmale, wie z.B. eine hohe Energieeffizienz, ein hoher Nutzungsgrad erneuerbarer Energie und niedrige Betriebskosten auch tatsächlich erbracht werden. In der Praxis ist dies für eine wichtige Kerntechnologie der Energiewende häufig nicht der Fall: So liegt z.B. die Effizienz von Wärmepumpen im Betrieb regelmäßig unter den Erwartungen (Puttagunta et al. 2010; Caird et al. 2012; Gleeson und Lowe 2013; Yin et al. 2019; Qiao et al. 2020; Chesser et al. 2021; Gao et al. 2021; O’Hegarty et al. 2022). Allerdings zeigt sich, dass zahlreiche Energieversorger Schwierigkeiten bei der Erschließung des Potenzials von DA&KI in neuen Geschäftsfeldern wie der Energieeffizienzberatung oder dem Verkauf und Service haben, wodurch viele Daten ungenutzt bleiben (BDEW 2021). Ein wesentlicher Faktor, der viele Energieversorger bei der Erschließung dieses Potenzials hemmt, ist das Fehlen von Analyseexperten (McKinsey 2018; BDEW 2021). Diese werden folglich vor allem in den traditionellen Geschäftsbereichen eingesetzt (BDEW 2021). Dies führt dazu, dass es für Energieversorger eine zentrale Herausforderung ist, geeignete Anwendungsfälle für die Datenanalyse in neuen Geschäftsfeldern zu identifizieren. Auch in der Forschung liegt der Schwerpunkt von Anwendungsfällen für die Nutzung von Smart-Meter-Daten vorwiegend in den traditionellen Geschäftsbereichen wie z.B. der Stabilisierung des Stromnetzes (Fischer und Madani 2017), nicht aber in der Energieeffizienzberatung von Wärmepumpen, und es gibt nur wenige Beispiele, die erste Schritte in diesem Kontext gezeigt haben (z.B. Fei et al. 2013; Taylor et al. 2014; Hopf et al. 2018b). Eine weitere Herausforderung besteht darin, dass viele dieser neuartigen Datensätze ein begrenztes Volumen aufweisen, d.h. sie umfassen oft nur einige hundert Transaktionen und wenige Datenfelder, was ein Hindernis bei ihrer Nutzung darstellen kann. Trotz ihres Potenzials bleiben kleine Datensätze in vielen Organisationen ungenutzt (Wilson und Daugherty 2020), was insbesondere für Energieversorger bei der Entwicklung neuer Geschäftsfelder gilt (BDEW 2021). Vor diesem übergeordneten Hintergrund ist das Ziel dieser kumulativen Dissertation, einen differenzierten Blick auf zwei typische Anwendungsfälle im Kontext von neuen Geschäftsfeldern von Energieversorgern und der Energiewende zu werfen, die Energieeffizienzberatung von Wärmepumpen und dem Vertrieb von Dezentralisierungs- und Elektrifizierungslösungen. Ein Schwerpunkt der Arbeit liegt darin, die Möglichkeiten von prädiktiver Datenanalyse zur Kundenselektion auf Basis typischer Energieversorgerdaten zu untersuchen, wie z.B. Smart-Meter-Daten, Beratungsprotokollen aus der Energieeffizienzberatung von Wärmepumpen oder Onlinekonfigurationen für Dezentralisierungs- und Elektrifizierungslösungen. Die untersuchten Daten umfassen dabei typische Fälle, in denen nur begrenzte Datenmengen zur Verfügung stehen. Um das Themenfeld ganzheitlich zu adressieren, besteht die kumulative Thesis aus einem einführenden Kapitel und fünf Forschungspapieren, die wie folgt in zwei Kapitel unterteilt sind. Kapitel 1 beleuchtet die Möglichkeiten der Datenanalyse für die Bereitstellung von Energieeffizienzdienstleistungen. Zunächst wird das erzielte Einsparpotenzial einer Energiesparkampagne für professionell inspizierten Wärmepumpen eines Energieversorgers untersucht, große Heterogenität im Einspareffekt nachgewiesen und Möglichkeiten zur Identifikation von Vielsparern anhand einfacher Wärmepumpencharakteristika und Stromverbrauchsdaten aufgezeigt. Darauf aufbauend werden prädiktive Verfahren untersucht, die eine Ableitung von wichtigen Wärmepumpencharakteristika für die Energieberatung auf Basis von Smart-Meter-Daten ermöglichen. Die Arbeit zeigt, dass bereits wenige hundert Labels sowie viele in der Praxis üblich auftretende Varianten von Smart-Meter-Daten für eine zuverlässige Vorhersage ausreichen. Das Kapitel schließt mit einer Studie, in der daran anknüpfende Möglichkeiten zur digitalen Energieberatung untersucht werden. Ein Schwerpunkt liegt dabei auf der Entwicklung eines Frameworks zur Analyse typischer Wärmepumpenprobleme im Feld und den Möglichkeiten der Problemerkennung durch Smart-Meter-Datenanalyse sowie der Eignung von Inspektionsprotokollen als begrenzte Datenquelle für die Labelgenerierung. Darüber hinaus werden Möglichkeiten der Einbindung von Endnutzern in die Problemerkennung und -lösung untersucht. Angewandt auf Felddaten aus über 200 professionellen Inspektionen ermöglicht das Framework eine Bewertung der nächsten Schritte in der digitalen Energieeffizienzberatung für Wärmepumpen. Kapitel 2 vermittelt einen Einblick in die Datenanalyse zur Vertriebsunterstützung von Dezentralisierungs- und Elektrifizierungslösungen. In diesem Kapitel werden Fallstudien für zwei typische Produkte der Energiewende mit hohem Individualisierungsgrad und entsprechendem nachgelagerten Beratungsaufwand betrachtet. Das Kapitel demonstriert, wie Produktberater durch prädiktive Analysen auf Grundlage begrenzter Daten aus Online-Konfiguratoren bei der Identifizierung relevanter Kunden unterstützt werden können. Darüber hinaus liefert das Kapitel für diesen Anwendungsfall empirische Evidenz dafür, dass der Aufbau von analytischen Fertigkeiten und die Realisierung von Wertschöpfungsmechanismen bereits im Umfeld begrenzter Datenmengen möglich ist. Dies kontrastiert die vorherrschende Meinung, dass große Datensätze eine Schlüsselvoraussetzung hierfür sind. Die Erkenntnisse aus dieser Dissertation tragen in vielfältiger Weise zum aktuellen Stand der Forschung und zu einer fundierten Entscheidungsgrundlage für die Praxis, insbesondere für Energieversorger und politische Entscheidungsträger, bei. Sie zeigen nicht nur den Nutzen von Datenanalysen zur Identifizierung besonders geeigneter Kunden in den neuen Geschäftsfeldern von Energieversorgern auf, sondern leisten auch einen Beitrag für einen zielgerichteteren Einsatz wertvoller und knapper Expertenressourcen. Darüber hinaus erlaubt das entwickelte Framework zur Analyse von Wärmepumpenproblemen im Feld einen Blick in die Zukunft und beschreibt Möglichkeiten zur Digitalisierung der Energieeffizienzberatung. Die Arbeit liefert eine Bewertung für ein breites Spektrum an möglichen Ansätzen und betont insbesondere die Rolle der automatisierten Problemerkennung auf der Basis von Inspektionsprotokollen und Smart-Meter-Daten sowie die Möglichkeit verschiedener Grade der Einbeziehung von Endnutzern in die Problemerkennung und -lösung, die mithilfe von assistierenden Informationssystemen möglich werden könnte. Die vorgeschlagenen Ansätze könnten eine vielversprechende Alternative oder Ergänzung zu einer teuren Vor-Ort-Beratung durch Experten darstellen. Abschließend liefert die Arbeit eine Reihe von Hinweisen für politische Entscheidungsträger, die beim Design von Energieeffizienzprogrammen für Wärmepumpen berücksichtigt werden sollten, um einen kosteneffizienten Einsatz von Fördermitteln zu gewährleisten. Daneben erweitert die Arbeit die Informationssystemforschung um einen Beitrag, der für einen beispielhaften Fall aus dem Energieversorgersektor zeigt, dass für die Wertschöpfung durch Datenanalysen nicht unbedingt große Datenmengen notwendig sind. Insgesamt veranschaulicht diese kumulative Dissertation das Potenzial prädiktiver Analyse für die Entwicklung neuer Geschäftsfelder von Energieversorgern auf Basis von typischen und kleinen Datensätzen, um bedeutsame Unternehmensziele (z.B. Geschäftstransformation und ein effizienter Einsatz von Unternehmensressourcen) und gesellschaftliche Ziele (z.B. Energiewende) voranzutreiben. Die Dissertation zeigt für relevante Anwendungsfälle auf, wie Energieversorger bereits vorhandene Datensätze für die Entwicklung neuer Geschäftsfelder nutzen können und liefert Energieversorgern Argumente und Ansätze, auch mit begrenzten Datensätzen Datenanalyseinitiativen zu starten. KW - Datenanalyseverfahren KW - Energieversorger KW - Stromverbrauchsdaten KW - Wärmepumpen KW - IoT KW - Energieeffizienz ER - TY - THES TI - Leveraging Information Systems to Foster Sustainable and Healthy Behavior Change AU - Graichen, Joanna PY - 2024 SP - xiii, 80, 31, 30 PB - Otto-Friedrich-Universität CY - Bamberg DO - 10.20378/irb-93533 UR - https://fis.uni-bamberg.de/handle/uniba/93533 LA - eng AB - In recent decades, technology has emerged as a beacon of hope to aid humanity in addressing two pressing issues of our time: human health and climate change. However, despite advances in medicine and climate technology, rates of infectious diseases (Jones et al., 2008) and carbon dioxide emissions (Olivier & Peters, 2020) continue to rise. Alongside technological and systemic regulations, it is also the behavior of each individual that contributes to curtailing infectious diseases and carbon dioxide emissions. Yet, individuals often struggle to align their good intentions with their actual behavior. This gap underscores the complexity of breaking ingrained habits and adopting new behaviors, demanding more than mere intention. The question of how to achieve behavior change in the context of health and climate change is not easily answered; it requires extensive interdisciplinary research. Information Systems research can support and advance the study of behavior change through digital interventions. Digital interventions, due to their availability and scalability, stand as promising tools for facilitating behavior change and research. The inclusion of measurement instruments within technological devices furthermore allows for the collection of real-world behavioral data. Consequently, Information Systems research can not only contribute but also enhance the empirical validation and expansion of behavioral theories. Despite the potential that Information Systems hold in the realm of behavioral research, it remains a domain far from being fully explored. The main objectives of this dissertation are to provide insights into the effectiveness of digital interventions in fostering healthy and environmentally sustainable behavior within the real-world context, alongside the empirical validation of behavioral and motivation theories. To accomplish this, the dissertation adopts an interdisciplinary approach encompassing two experimental field studies and one survey field study. The field studies are centered on behavior change in the realms of health and sustainability behavior among children and employees. The first two chapters revolve around the outcomes of two large-scale field experiments, investigating hand washing behavior of children in day care centers. Within Chapter 1, a digital intervention is designed and the applicability and effectiveness of the intervention are affirmed across day care centers in Finland and Germany. The data indicate that soaping time of children, a proxy for hand washing quality, can be improved by 62% while the digital behavior intervention is in place. In Chapter 2, the intervention subsequently serves as a tool to empirically validate and expand behavioral theory, specifically the Motivation Crowding Theory. The results provide empirical evidence for the efficacy of digital rewards in children. This underscores the value of digital rewards while disproving potential negative effects as suggested by the Motivation Crowding Theory. The findings of Chapters 1 and 2 underscore the effectiveness of digital behavior change interventions leveraging digital rewards both in research and in practice. The research undertaken in this context can serve as a blueprint for Information Systems researchers venturing into behavioral research, particularly with children. Moreover, it offers practitioners guidance for the design of effective and scalable systems tailored to children. Chapter 3 presents the results of a field study that examines the motivations of train drivers to use Green Information Systems in the workplace and thus to contribute to energy savings in the transportation sector. The results of the interviews and surveys conducted for this purpose confirm the applicability of the Protection Motivation Theory in the context of Information Systems. The collected data show that employees’ moti- vation to engage in climate-protective behavior depends on their perception of their own response efficacy and the severity of climate change. The identified motivations provide important starting points for the development of digital behavior interventions aimed at promoting environmentally friendly behavior among employees. Overall, this thesis illustrates that Information Systems can support human behavior change, and serve as a tool to measure and examine behavior change and underlying behavioral theories. The conducted field studies underscore the effectiveness of digital interventions in real-world settings. With the chosen interdisciplinary approach and a combination of different methods, existing behavioral theories are utilized in the field of Information Systems, empirically validated, and expanded. The research emphasizes that Information Systems have the potential to assist individuals in changing their health and sustainability behavior, addressing two pressing issues of our time. KW - Information Systems KW - Sustainability KW - Health KW - Behavior Change ER - TY - THES TI - Inducing behavior change with the help of information systems : Cross-domain applications, mechanisms, and real-world impact AU - Günther, Sebastian A. PY - 2024 PB - Otto-Friedrich-Universität CY - Bamberg DO - 10.20378/irb-93580 UR - https://fis.uni-bamberg.de/handle/uniba/93580 LA - eng AB - Die Bereitstellung von Feedback ist eines der gängigsten Mittel zur Verhaltensbeeinflussung, das in zahlreichen Bereichen des Lebens Anwendung findet (z. B. Fry und Neff, 2009; Karlin et al., 2015; Van der Kleij et al., 2015). Feedback, was die wissenschaftliche Literatur üblicherweise als Prozess definiert, in dem einem Individuum Informationen über sein Verhalten gegeben werden, um die nachfolgenden Aktionen zu beeinflussen, hilft Individuen, indem es bspw. die Aufmerksamkeit auf Handlungen lenkt, Fehlvorstellungen über Ursache-Wirkungsbeziehungen korrigiert und somit Feedback-Empfänger beim Erlernen und Anwenden von effektiven Strategien zur Verhaltensregulation unterstützt (Hattie und Timperley, 2007; Karlin et al., 2015; Kluger und DeNisi, 1996). Eine zentrale Voraussetzung zur Generierung von Feedback sind Verhaltensdaten, die in der Vergangenheit teilweise manuell erfasst werden mussten, heutzutage jedoch durch die Verbreitung der Informationstechnologie (IT) zunehmend automatisiert und hochaufgelöst in quantitativer Form zur Verfügung stehen. In Anbetracht dieser neu gewonnenen Datenquelle lassen sich die Effekte von Feedback-Interventionen auf viele Alltagshandlungen mit einer außergewöhnlich hohen externen Validität bewerten und dabei das Verständnis über die Wirkmechanismen von Feedback grundlegend erweitern. Das Verständnis ist einerseits erforderlich, um die gängigen Theorien zu den Wirkungsweisen von Feedback weiterzuentwickeln, und andererseits nützlich für politische Entscheidungsträger und Organisationen, die bereits großflächig auf Interventionen wie Informationskampagnen oder monetäre Anreize setzen (z. B. Bandiera et al., 2007; Brambila-Macias et al., 2011; Sierzchula et al., 2014) mit dem Ziel, wichtige Kennzahlen unserer Gesellschaft (z. B. Klimaschutz, Lebenserwartung, Produktivität) durch Verhaltensänderungen im Alltag zu verbessern. Trotz der hohen Relevanz von IT-basierten Feedback-Interventionen für die Erforschung von Wirkmechanismen bestehen noch einige offene Fragen, die beantwortet werden müssen, um das Potenzial von Feedback nachhaltig für politische Entscheidungsträger und Organisationen zu heben. So wird in der Forschungsliteratur oftmals Feedback mit anderen Interventionen wie Geldanreizen oder moralischen Appellen kombiniert, ohne die Einzelwirkung der verwendeten Interventionen herauszuarbeiten. Dadurch ist unklar, welche Wechselwirkung zwischen den Interventionen und Feedback vorherrscht (cf. Fang et al., 2023; Liebe et al., 2018), was die Theorieentwicklung über die Auswirkungen von Feedback erschwert. Theoretisch betrachtet kann bspw. eine Intervention Feedback symbiotisch ergänzen, indem diese zusätzliche Antezedenzien eines Verhaltens so beeinflusst, dass die kumulative Wirkung beider Interventionen die Summe ihrer Einzeleffekte übersteigt. Andererseits kann eine Intervention auch die Wirkung von Feedback abschwächen, indem sie den Fokus der Feedback-Empfänger von dem Inhalt der Verhaltensrückmeldung weglenkt. Für die praktische Anwendung von Verhaltensinterventionen hat ein tieferes theoretisches Verständnis über solche Wechselwirkungen ebenfalls eine hohe Relevanz. Einerseits schafft die Kontrastierung unterschiedlicher Interventionen Wissen darüber, wie sich die Effektgrößen verschiedener Interventionen zu der von Feedback unterscheiden. Zum anderen hilft das Verständnis über Wechselwirkungen mit Feedback bei der Implementierung von ökonomisch effizienten Verhaltenskampagnen, da ungünstige Wechselwirkungen vermieden werden können. Vor diesem übergeordneten Forschungshintergrund wirft diese kumulative Dissertation mit insgesamt neun Forschungspapieren einen nuancierten Blick auf die Wirkung von Feedback-Interventionen, die darauf abzielen, Individuen bei Verhaltensänderungen in Alltagshandlungen durch Leistungsrückmeldungen zu unterstützen. Dabei werden Forschungsfragen zu den Auswirkungen von Feedback-Interventionen in den Bereichen Umwelt, Online-Lernen und Gesundheit untersucht, wodurch die Dissertation eine weite Bandbreite von Alltagshandlungen – von routinebasierten Handlungen wie dem Händewaschen bis zu kognitiv komplexen Handlungen wie dem Lernen – abdeckt. Zur Beantwortung der Forschungsfragen greift sie auf umfangreiche Verhaltensdaten zurück, welche die Dissertation mittels Adaption vorhandener Informationssysteme (IS) oder der Entwicklung dedizierter IT-Werkzeuge im Feld gewinnt. Damit folgt die Dissertation einer kürzlichen Aufforderung innerhalb der IS-Disziplin (Burton-Jones et al., 2021), die Vorhersagekraft etablierter Theorien unter den neuen Gegebenheiten der digitalen Transformation zu evaluieren, um über deren weitere Passung zu theoretisieren. Für die ganzheitliche Adressierung des Themenfelds beinhaltet die kumulative Dissertation ein einführendes Kapitel und neun Forschungspapiere, die wie folgt auf zwei Kapitel aufgeteilt sind. Kapitel 1: Instanziierung und Validierung gewährt einen exemplarischen Einblick in die technische Entwicklung und Validierung von IT-Werkzeugen, die in den Forschungspapieren zur Bereitstellung von Feedback benötigt werden. Hierbei zeigt das Kapitel für zwei relevante Anwendungsfälle, dass in den zugehörigen Verbrauchsdaten Informationen enthalten sind, wodurch gewisse Personen oder Verbrauchsereignisse erkannt werden können. Diese Informationen sind damit Grundlage für nachgelagerte Anwendungen, mit denen spezifischere und damit potenziell wirkungsvollere Feedback-Interventionen ermöglicht werden sollen. Ebenso veranschaulicht das Kapitel am Beispiel eines konzipierten Feedback-Systems zur Verbesserung der Handhygiene, dass bestehende Barrieren in der Verbreitung von Feedback-Systemen durch neue Möglichkeiten der Digitalisierung überwunden werden können. Kapitel 2: Evaluation und Empfehlungen beleuchtet schließlich die Auswirkungen von Feedback-Interventionen auf Alltagshandlungen und untersucht im Einklang mit theoretischen Erkenntnissen, inwiefern die Verhaltensreaktionen von den Eigenschaften der Feedback-Empfänger (z. B. Einstellungen, Ausgangsniveau des Verhaltens) abhängen. Dabei liefert jedes durchgeführte Experiment des Kapitels einen spezifischen Beitrag für die Theorie und bewertet zugleich die praktische Bedeutung der untersuchten Interventionen. Das Kapitel liefert zunächst anhand eines natürlichen Experiments im Umweltbereich Evidenz, dass Organisationen, die ihre CO2-Emissionen durch Umweltprojekte kompensieren und das salient ihren Kunden gegenüber kommunizieren, den Ressourcenverbrauch der Kunden erhöhen. Während sich der im Experiment beobachtete Mehrverbrauch der Kunden durch die Folgenlosigkeit ihres Handelns auf den Klimawandel und das daraus reduzierte moralische Verantwortungsbewusstsein erklären lässt (cf. Onwezen et al., 2013), hat die zusätzliche Bereitstellung von Echtzeit-Feedback diesem ungünstigen Verbrauchsanstieg entgegengewirkt. Mit einer anderen großangelegten randomisiert kontrollierten Studie erbringt das Kapitel zudem empirische Evidenz, dass kontingente Geldanreize, entgegen der Vorhersage der Motivation Crowding Theory (Deci et al., 1999), nicht die intrinsische Motivation zum Ressourcenschonen untergraben. Stattdessen führte der evaluierte Geldanreiz zu verhaltensbedingten Ressourceneinsparungen, was gemäß dem Standardmodell der klassischen Ökonomie auf eine Nutzensteigerung des Ressourcenschonens durch den Geldanreiz zurückzuführen ist (cf. Berg, 2010). Interessanterweise bewirkte Verbrauchsfeedback jedoch deutlich höhere Einsparungen, die nicht durch den Geldanreiz verstärkt wurden, was belegt, dass die Wirkung vom Verbrauchsfeedback dominant ist. Ergänzende Analysen, die darauf abzielen, die Effekte hinsichtlich ihrer Heterogenität zu untersuchen, unterstreichen die Robustheit der Haupteffekte in Anbetracht spezifischer Eigenschaften der Studienteilnehmer und zeigen, dass Vielverbraucher tendenziell stärker durch die Interventionen einsparten. Das Kapitel greift das Thema der Heterogenität auch im Bereich des Online-Lernens auf. Dort leistet das Kapitel einen Beitrag, indem es eine theoretische Erklärung für die heterogenen Effekte von vergleichendem Feedback auf die Lernunterstützung durch digitale Lernplattformen liefert. Hierbei zeigen zwei randomisiert kontrollierte Studien, dass vergleichendes Feedback, das unter Berücksichtigung von theoretischen Implikationen der Social Norms Theory gestaltet wurde (Berkowitz, 2005; Schultz et al., 2007), akademisches Aufschiebeverhalten (sog. Prokrastinationsverhalten) auf digitalen Lernplattformen reduzieren kann. Das einführende Kapitel der kumulativen Dissertation, das Kapitel 1 und 2 voransteht, liefert zudem ergänzende Informationen, welche belegen, dass dadurch der Kurserfolg der Studierenden verbessert wurde. Kapitel 2 schließt mit zwei Beiträgen, die einen Ausblick auf weiterführende Feldexperimente geben. So zeigt ein Forschungspapier ein experimentelles Design zur Evaluation einer Feedback-Komponente auf, die durch Anwendung maschineller Lernverfahren personenspezifische Lernvorschläge bereitstellt. Damit sollen digitale Lernplattformen befähigt werden, bei der Lernunterstützung durch Feedback automatisch interpersonelle Unterschiede zu berücksichtigen (cf. Pintrich et al., 1991; Pintrich, 2004). Letztendlich berücksichtigt das Kapitel interpersonelle Unterschiede auch bei der Untersuchung von Verhaltensänderungen im Bereich der Routinehandlungen. Diesbezüglich stellt es ein Forschungsdesign am Beispiel des Händewaschens vor, mittels dessen die Auswirkungen von Verhaltensinterventionen auf relevante Antezedenzien des Händewaschens untersucht und quantifiziert werden können. Die in der Dissertation gewonnenen Erkenntnisse tragen auf vielfältige Weise zum Stand der Forschung bei. Es wird nicht nur das Verständnis über die Wirkung von IT-basierten Feedback-Interventionen erweitert, sondern auch die Wechselwirkung von Feedback mit anderen Interventionen untersucht. Damit werden widersprüchliche theoretische Vorhersagen aus der Literatur aufgelöst und die Aussagekraft von spezifischen Theorien in Bezug auf Feedback entweder erhärtet oder infrage gestellt. Dabei lassen einige Experimente durch ihren relativ langen Beobachtungszeitraum tiefergehende Schlüsse auf die zeitliche Dynamik und die Stabilität der Verhaltensauswirkungen zu. Über verschiedene Verhaltensdomänen hinweg erweitert somit die Dissertation grundlegend das Verständnis über die Auswirkungen von Feedback, wobei dieses auch oft in direkten Vergleich zu anderen Verhaltensinterventionen gesetzt wird, die anhand von IT skalierbar umgesetzt werden können (z. B. Umweltappelle, Geldanreize, automatischer Emissionsausgleich bei Umwelthandlungen). Gerade hierdurch entstehen einige wichtige Impulse für die Theorieentwicklung. Demnach könnte zukünftige Forschung bspw. bestehende Theorien weiterentwickeln, um deren Aussagekraft zu den Interaktionseffekten von Feedback und anderen Interventionen zu steigern. Gleichermaßen sind die gewonnenen Erkenntnisse der Dissertation auch für die Praxis relevant. Für verschiedene Handlungen belegen die Ergebnisse, dass Feedback-Interventionen große, wünschenswerte Effekte haben. Feedback kann bspw. nicht nur ungünstige Nebeneffekte von anderen Interventionen verhindern (d. h. Mehrverbrauch durch Klimakompensationsprogramme), sondern auch über längere Zeit verhaltensbedingte Umwelteinsparungen induzieren – und das in Situationen, in denen die Feedback-Empfänger dadurch keinen finanziellen Nutzen haben. Hierbei zeigt insbesondere der Vergleich verschiedener Interventionen, dass Feedback einige nennenswerte Vorteile gegenüber Umweltappellen oder Geldanreizen besitzt. Ebenfalls demonstrieren die Studien im Bereich des digitalen Lernens, dass eine leicht umsetzbare Feedback-Intervention einen deutlichen Effekt auf die Onlineaktivitäten und die Verminderung der Prokrastination von Studierenden haben kann. Somit können die Ergebnisse der Dissertation in IS und IT-Systeme einfließen, bei denen das Ziel besteht, entsprechende Verhaltensänderungen zu bewirken. Insgesamt veranschaulicht diese Dissertation, welches Potenzial in IT-basiertem Feedback steckt, um bedeutsame Kennzahlen unserer Gesellschaft (z. B. Klimaschutz, Produktivität) zu verbessern. Dabei verdeutlicht die Dissertation insbesondere, dass die damit verbundenen Hard- und Softwarelösungen oftmals noch adaptiert oder gar implementiert werden müssen, um möglichst wirkungsvolle und gleichzeitig verhaltenstheoretisch interessante Feedback-Interventionen zu erzeugen. Denn gerade bei Alltagshandlungen, bei denen kognitive Entscheidungsprozesse primär instinktiv sind und unbewusst stattfinden (d. h. auf System 1-Prozessen basieren nach Kahneman, 2012), erwirken Feedback-Interventionen, die zunehmend durch IT skalierbar ermöglicht werden, verhältnismäßig große Effekte auf das Handeln (cf. Kluger und DeNisi, 1996). KW - Behavioral interventions KW - Feedback KW - Behavior change KW - Resource conservation KW - Learning behavior KW - Handwashing behavior KW - Field experiments ER - TY - THES TI - GPS Data-Based Plug-in Hybrid Electric Vehicle Simulation AU - Wenig, Jürgen PY - 2019 PB - Otto-Friedrich-Universität CY - Bamberg DO - 10.20378/irb-46532 UR - https://fis.uni-bamberg.de/handle/uniba/46532 LA - eng AB - The automotive sector, while being an example of a highly innovative industry driven by strong competitive pressure and constant technological progress, has never had to deal with truly disruptive changes regarding its products, processes, or value network structure. In this regard, the rise of electric mobility constitutes an unprecedented market change as it implies an extensive redefinition of the product architecture of cars, not only involving new technologies but also new market entrants from highly innovative industries, the anticipation of new business models, and a dependency on the electrical grid as an additional, essential infrastructure component. In this context, decisions regarding both the capacity of batteries and the charging network play a major role as they determine the electric range of the vehicles as well as overall system costs. At the same time, the transition from combustion-based transportation to electric transportation has a considerable impact on the power grid that also depends on the trade-off between battery capacities and the density and power ratings of chargers. In order to assess such important aspects as electric reachability, grid impact, and battery versus infrastructure trade-offs, the mobility behavior of individuals plays an essential role. Literature suggests that GPS driving data analysis constitutes a means of choice to assess the impact of battery capacities and charging opportunities on electric range and on power grid demand. Still, a great share of publications does either use synthetic mobility profiles (“driving cycles”) or self-reported data and thus does not utilize the wealth of information that is available in actual movement data. Moreover, literature research indicates that prior work that considers the entirety of car drivers as a coherent whole without describing different types of drivers in greater detail, rarely takes high electric range and variations in the availability of both private and public charging infrastructure facilities into account. Thus, such studies focus on average effects, which reduces the precision and utility of their assessments. In this work, the high granularity of real-world GPS time series from 1,000 conventional vehicles is utilized to reflect the natural mobility behavior of drivers and to compare meaningful driver segments. Potential charging locations are automatically identified, and the electric energy consumption and charging behavior of plug-in hybrid electric vehicles is closely approximated. This enables the identification of appropriate vehicle and infrastructure parameters for electric mobility target groups and the assessment of their impact in terms of the electrification of mileage and energy demand. The consideration of household level solar systems and of a load shifting method as parts of a possible future charging infrastructure complements the work. Results suggest that large but realistic battery capacities have the potential to dissipate concerns about the need for an all-encompassing charging infrastructure. Dense charge points are only needed for vehicles with short electric range or for small groups of fast long-range drivers. Both solar charging and load shifting considerably help alleviate stress on the power grid. Decision makers may use the results and the methodology underlying this work to identify vehicle and infrastructure requirements of distinct segments and to estimate the grid impact of vehicle charging. Consequently, insights about benefits and obstacles of electric mobility adoption may facilitate better decisions in both vehicle development and infrastructure planning. ER - TY - THES TI - Private Information Systems and Self-Tracking : Status-Quo and Usage Behavior AU - Kupfer, Anna PY - 2019 PB - Otto-Friedrich-Universität CY - Bamberg DO - 10.20378/irbo-55708 UR - https://fis.uni-bamberg.de/handle/uniba/46901 LA - eng AB - In der Mitte des 20. Jahrhunderts wurden Computer vorwiegend in militärischen, wissenschaftlichen, oder kommerziellen Anwendungsfeldern eingesetzt. Als Mitte der 70er Jahre die Computer-Industrie damit begann, Personalcomputer (PCs) zu verkaufen, hielten diese nicht nur verstärkten Einzug in Firmen, sondern auch Haushalte. Heutzutage haben sich zusätzlich zu PCs auch andere Informationssysteme (IS) auch über den professionellen Einsatz hinaus in anderen Bereichen etabliert. Die Miniaturisierung und Preissenkungen von IS sowie die Verbreitung des Internets haben einen erheblichen Teil zu dieser Verbreitung beigetragen. In Form von Heim-PCs, Telefonen, Tablets, Wearables, Smartwatches oder intelligenten Sensoren findet mittlerweile ein großer Teil der IS-bezogenen Gesamtausgaben, der Rechenleistung und der Interaktion mit IS im privaten Kontext statt. Außerdem erheben ubiquitäre IS immer mehr Daten zu verschiedenen Aspekten unseres Privatlebens. Diese Dissertation fasst Systeme, die eine vermehrte Verbreitung im privaten Kontext erfahren, unter dem Begriff Private Informationssysteme (PIS) zusammen. Ein prominenter Anwendungsfall von PIS ist das sogenannte “Self Tracking”. Self Tracking subsumiert verschiedene Arten der Selbstvermessung und trägt dem Wunsch vieler Menschen Rechnung, Daten über persönliche (oft private) Aktivitäten zu sammeln, zu speichern, zu analysieren, zu reflektieren und dementsprechend zu agieren. Regelmäßig erfasste Größen sind beispielsweise tägliche Schritte, das allgemeine Fitnesslevel, das Körpergewicht oder gesundheitliche Aspekte. Ziel dabei ist es häufig, das Bewegungs- bzw. Fitnesslevel zu steigern. Eine andere Art der Selbstvermessung ist die Überprüfung der finanziellen Ausgaben oder die Aufzeichnung des Treibstoffverbrauches mit dem Auto, um Ausgaben zu kontrollieren und zu verringern. Aus diesem Grund stellt die zunehmende Selbstvermessung ein passendes Beispiel dafür dar, wie IS außerhalb traditioneller Unternehmensgrenzen rasch Fuß fassen und die Technologie in den Massenmarkt vordringen kann. Trotz der starken Verbreitung von PIS und der zunehmenden Relevanz von Technologien zur Selbstvermessung äußern einige IS-Wissenschaftler widersprüchliche Meinungen über den Status von PIS und Selbstvermessung in der IS-Forschung. Außerdem konzentrieren sich Studien, die die Struktur der Disziplin untersuchen, vorwiegend auf den organisatorischen Kontext. Aus diesem Grund zielt die Dissertation darauf ab, die erste übergeordnete Forschungsfrage zu beantworten: Wie ist der Status Quo zu PIS, insbesondere in Bezug auf Selbstvermessung, in der IS-Forschung? Zur Beantwortung der ersten Forschungsfrage dient eine quantitative bibliometrische Analyse, welche das Ausmaß von IS-Artikeln untersucht, die sich auf den privaten Kontext konzentrieren. Somit wird der Status Quo der wissenschaftlichen Forschung zu PIS ermittelt. Dieser zeigt, dass eine geringe (insgesamt 7% von über 1.700 Artikeln aus der IS-Disziplin) aber steigende Anzahl (mit einem Anstieg von 2% ersten und 10% im letzten untersuchten Jahr) an Artikeln sich mit PIS beschäftigen. Gemäß den Aussagen von prominenten Wissenschaftlern spiegelt die Auseinandersetzung mit Selbstvermessung in der IS-Forschung noch nicht die Bedeutung von Selbstvermessung in der Praxis wider. Jedoch sieht es so aus, als würden vermehrt IS-Wissenschaftler und Top-Outlets der Disziplin auch Themen, die mit der wachsenden Verbreitung und der Nutzung von IS im privaten Kontext zusammenhängen, behandeln. Außerdem zeigt die Analyse, dass Forscher eher einseitig auf die Fragestellungen im privaten Kontext eingehen. Dies bezieht sich zum Beispiel auf das gewählte Handwerkszeug, wie die Forschungsmethode, oder der Fokus auf bestimmte Zeitschriften und Konferenztagungsbände zur Veröffentlichung. In einem weiteren Schritt beschäftigt sich die Dissertation verstärkt mit einem Anwendungsgebiet von PIS: IS zur Selbstvermessung. Eine qualitative Literaturrecherche gibt einen Überblick über die aktuellen Forschungserkenntnisse aus 114 Artikeln aus drei Disziplinen: IS, Mensch-Computer-Interaktion (MCI) und Psychologie. Eine Forschungsagenda, welche identifizierte Forschungslücken aufzeigt soll somit zukünftige Forschungsvorhaben unterstützten und Wissen verbessert sammeln sowie zur Verfügung stellen. Ein Hauptthema umfasst das Nutzungsverhalten von Self Tracking-IS. Die Rolle von IS und die Umstände, welche die Einführung und Nutzung dieser Systeme beeinflussen, weichen in mehreren Aspekten von den im organisationalen Kontext dominierenden Mechanismen ab. Während sich die IS-Forschung traditionell auf den Einsatz von IS in organisationalen Kontexten konzentriert (innerhalb von und zwischen Organisationen), befassen sich aktuelle Forschungsfragen zunehmend auch mit dem privaten Kontext. Zugleich betonen zahlreiche Wissenschaftler, dass IS-Theorien und -Modelle in diesem neuen Kontext anders betrachtet werden müssen, da andere Gegebenheiten herrschen. Diese Gegebenheiten beziehen sich zum Beispiel auf die bereits in der Forschung identifizierten Unterschiede zwischen freiwilliger und vorgeschriebener IS-Nutzung oder hedonischer und nutzenbasierter Systeme. Somit beschäftigt sich die Dissertation mit der folgenden zweiten übergeordneten Forschungsfrage: Wie nutzen Einzelpersonen Selbstvermessungsanwendungen? Zur Beantwortung der zweiten allgemeinen Forschungsfrage wurde eine Feldstudie mit über 700 Teilnehmern durchgeführt, um die Aussagekraft herkömmlicher IS-Verhaltenserklärungsmodelle zu Verhaltensabsicht zur Nutzung („usage intention“), fortwährende Nutzungsabsichten („continuous intention“) und die wahrgenommene Nutzung („self-reported usage“) zu bewerten. Bei der Feldstudie weisen die traditionellen IS-Modelle eine hohe Vorhersagegüte für Verhaltensabsicht zur Nutzung von PIS auf, jedoch eine geringere Vorhersagegüte für fortwährende Nutzungsabsichten und keine Vorhersagegüte für die wahrgenommene Nutzung. Um die Vorhersagefähigkeit solcher Modelle zu verbessern, greift die Dissertation auf ein theoretisches Konzept zurück, welches von der IS-Forschung aufgrund ihres Fokus auf organisatorische Kontexte vernachlässigt wurde: Einstellungen („attitudes“). Die Arbeit entwickelt eine erste Version eines Messinstruments, das individuelle Einstellungen zur Selbstvermessung ermittelt. Inwieweit es die Vorhersagekraft erhöht, muss noch statistisch untersucht werden. Die Dissertation trägt zur Diskussion über den Kern der IS-Forschung und der Rolle von IS im privaten Kontext bei. Darüber hinaus bietet die Dissertation eine systematische Literaturrecherche zur Selbstvermessungsforschung, wodurch das Ziel verfolgt wird, andere Forscher zur Vertiefung von Forschungsanstrengungen zu motivieren und ihnen bei der Ausrichtung künftiger Arbeiten zu helfen. Darüber hinaus bereitet die Literaturrecherche auch Forschungsergebnisse aus anderen Disziplinen wie MCI und Psychologie auf, welche sich für IS-Forscher als wertvoll erweisen können. Der zweite Teil der Dissertation liefert umfangreiche empirische Erkenntnisse, aus denen hervorgeht, dass andere Variablen benötigt werden, um Verhaltensabsichten und Verhaltensweisen in Bezug auf die Nutzung von Selbstvermessungsanwendungen im privaten Kontext zu verstehen. Die Dissertation leistet auch auf methodischer Ebene einen Beitrag, da sie eine der seltenen Studien enthält, die UTAUT-Modelle im Rahmen einer Feldstudie mit Längsschnittdaten einschließlich selbst eingeschätzter Nutzung untersucht. Schließlich stellt die Dissertation ein neues Instrument bereit, um die Einstellungen zur Selbstvermessung zu erfassen und traditionelle Instrumente und Verhaltenserklärungsmodelle zu verbessern. KW - Private Information Systems KW - Self-Tracking KW - Usage Behavior KW - Attitudes KW - Construct Development ER - TY - THES TI - Predictive Analytics for Energy Efficiency and Energy Retailing AU - Hopf, Konstantin PY - 2019 PB - University of Bamberg Press CY - Bamberg T3 - Schriften aus der Fakultät Wirtschaftsinformatik und Angewandte Informatik der Otto-Friedrich-Universität Bamberg SN - 978-3-86309-668-7 DO - 10.20378/irbo-54833 UR - https://fis.uni-bamberg.de/handle/uniba/45617 LA - eng AB - Digitization causes large amounts of data in organizations (e.g., transaction data from business processes, communication data, sensor data). Besides, a large number of data sources are emerging online and can be freely used. Firms are looking for ways to commercialize this increasing amount of data and research aims to better understand the data value creation process. The present dissertation answers five central research questions in this context and examines how machine learning (ML) can be used to create value from data, using case studies from energy retailing and energy efficiency. First, a systematic literature review gives an overview of firm internal and external data sources for potential analyses. Second, the importance of human cognition, theory, and expert knowledge in effective data preparation for ML is demonstrated. Third, current ML algorithms and variable selection methods are empirically compared using industry data sets. Implications for theory and practice are identified. Finally, the successful use of the information gained through ML is exemplified through case studies where increased energy efficiency, customer value, and service quality can demonstrate economic, environmental, and social value. Thus, this empirical work contributes to the so far rather conceptual discussion on value creation from big data in information systems research. KW - Predictive Analytics KW - Machine Learning KW - Data Value Creation Process KW - Energy Retailing KW - Ambient Data ER -