Clusteranalyse zur Typisierung Mentaler Modelle zum hochautomatisierten Fahren
Die Interaktion zwischen Mensch und technischen Systemen – wie etwa einem automatisierten Fahrzeug – wird wesentlich durch das sogenannte Mentale Modell der Nutzenden bestimmt. Dieses Mentale Modell umfasst die individuellen Vorstellungen darüber, wie ein System funktioniert, welche Möglichkeiten und Grenzen es hat und wie es zu bedienen ist. Solche Modelle entstehen durch persönliche Erfahrungen, vorangegangene Informationen sowie Erwartungen an die Technik. Sie sind entscheidend dafür, ob eine Person in der Lage ist, ein System sicher, effektiv und mit Vertrauen zu nutzen.
Gerade bei komplexen Technologien wie automatisierten Fahrzeugsystemen ist es von zentraler Bedeutung, dass Nutzerinnen ein möglichst zutreffendes Mentales Modell entwickeln. Fehleinschätzungen über Fähigkeiten oder Einschränkungen eines Fahrzeugs können zu Unsicherheiten oder risikobehafteten Nutzungssituationen führen. Ziel dieser Studie ist es daher, die Mentalen Modelle potenzieller Nutzerinnen im Hinblick auf die Funktionsweise, die Grenzen und die Bedienung automatisierter Fahrzeuge systematisch zu erfassen.
Basierend auf den gewonnenen Daten sollen unterschiedliche Nutzertypen bzw. Kategorien Mentaler Modelle identifiziert werden. Diese Typisierung ermöglicht es, gezielt auf die jeweiligen Informationsbedarfe einzugehen. In einem weiteren Schritt sollen darauf aufbauend Informations- und Lernmaterialien entwickelt werden, die Nutzende beim Einstieg in die Nutzung automatisierter Fahrzeuge unterstützen, mit dem Ziel, die Akzeptanz, Sicherheit und Nutzungsqualität dieser innovativen Technologien nachhaltig zu erhöhen.
Methode
Zur quantitativen Erfassung der Mentalen Modelle wurde der validierte Fragebogen von Richardson et al. (2019) eingesetzt. Dieser umfasst 27 Items zu Systemfunktionen, Systemgrenzen und Fahrer-Fahrzeug-Interaktion, die auf einer sechsstufigen Skala bewertet wurden. Parallel dazu wurde die praktische Nutzungshäufigkeit aktueller Fahrerassistenzsysteme (FAS; SAE Level 1/2) in den Kategorien Warner, Assistenz ohne Regler und Assistenz mit Regler auf einer fünfstufigen Likert-Skala erhoben.
Die Identifikation spezifischer Nutzerprofile erfolgte mittels einer hierarchischen Clusteranalyse nach dem Ward-Verfahren (euklidische Distanz). Als Cluster-Variablen dienten drei Wissensdimensionen des Mentalen Modells (Funktionen, Limitationen, Bedienung) sowie die drei Kategorien der Fahrerassistenzsystem-Nutzungshäufigkeit. Die Validierung der resultierenden 4-Cluster-Lösung erfolgte über einfaktorielle Varianzenalysen (ANOVA) und Tukey-HSD Post-hoc-Tests.
Ergebnisse
Die Clusteranalyse identifizierte vier Nutzerprofile, die sich hochsignifikant in ihrem theoretischen Systemverständnis (SAE Level 3) und ihrer praktischen Alltagserfahrung (SAE Level 1/2) unterscheiden (p<.001):
Cluster 1: Die „vorsichtigen Einsteiger“ (n=60) bilden die größte Gruppe. Trotz geringer praktischer Erfahrung mit Assistenzsystemen (Level 1 und 2) verfügen sie über ein moderates theoretisches Wissen über automatisierte Fahrsysteme (Level 3) und über das höchste Verständnis hinsichtlich der Systemlimitationen.
Cluster 2: Die „versierten Intensivnutzer“ vereinen eine hohe Nutzungserfahrung mit Assistenzsystemen (Level 1 und 2) mit einem überdurchschnittlichen Funktionswissen für Level-3-Systeme. Sie demonstrieren einen erfolgreichen Transfer von Alltagserfahrung auf das Verständnis höherer Automatisierungsgrade.
Cluster 3: Die „theoretischen Experten“ weisen zwar das höchste Bedien- und Funktionswissen zu Level-3-Systemen auf, zeigen jedoch die geringste praktische Erfahrung mit Assistenzsystemen (Level 1 und 2). Kritisch könnte bei dieser Gruppe das vergleichsweise sehr geringe wissen über Limitationen von Level-3-Systemen werden.
Cluster 4: Die „traditionellen Assistenznutzer“ setzen Assistenzsystemen (Level 1 und 2) sehr gezielt ein. Sie nutzen exzessiv die bereits etablierte Längsführung (Tempomat), haben aber wenig Erfahrung mit Assitenzsystem die aktive Lenkeingriffe durchführen. Außerdem weisen sie deutliche Defizite im Verständnis der Limitationen von Level-3-Systemen auf.
Basierend auf diesen Clustern lassen sich nun spezifische Lernmaterialien entwickeln, die die Nutzergruppen gezielt unterstützen.
Literatur
Richardson, N., Sprung, A. & Michel, B. (2019). Entwicklung und Validierung eines Fragebogens zur Erfassung des mentalen Modells für das hochautomatisierte Fahren. Zeitschrift für Arbeitswissenschaft, 73(3), 312–323. https://doi.org/10.1007/s41449-019-00157-y
Steckbrief
| Titel (deutsch): | Clusteranalyse zur Typisierung Mentaler Modelle zum hochautomatisierten Fahren |
| Titel (englisch): | Cluster Analysis for the Typification of Mental Models for Highly Automated Driving |
| Erhebungszeitraum: | 09/2025–10/2025 |
| Stichprobe (effektiv): | 160 |
| Stand der Informationen: | 23.12.2025 |