Fakultät für
Ingenieurwissenschaften,
Informatik und
Psychologie
Institut für Datenban-
ken und
Informationssysteme
Eine empirische Evaluation über den Effekt
der Kolorierung während dem Lesen und
Verstehen von Prozessmodellen
Abschlussarbeit an der Universität Ulm
Vorgelegt von:
Sabine Fussenecker
sabine.fussenec[email protected]
899481
Gutachter:
Prof. Dr.Manfred Reichert
Prof. Dr.Rüdiger Pryss
Betreuer:
Michael Winter
2020
Fassung 13. Dezember 2020
© 2020 Sabine Fussenecker
Satz: PDF-L
A
TEX2ε
Kurzzusammenfassung
Business Process Management ist in den letzten Jahren zu einem zunehmend
beliebten Managementkonzept geworden. Durch die Anwendung von Prozessmo-
dellen können Fehler reduziert werden, Zeit und Kosten eingespart werden und
die allgemeine Qualität erhöht werden. Dazu müssen zunächst Geschäftsprozesse
modelliert werden. Diese können anschließend analysiert und auf Optimierungs-
und Automationspotenzial überprüft werden. Um eine effiziente Arbeit mit den Pro-
zessmodellen zu ermöglichen, sollten diese für alle Involvierten verständlich und
gut lesbar sein, auch für diejenigen, die selbst keine Prozesse modellieren. Es
gibt bereits Konventionen, die bei einer einheitlichen Darstellung helfen und da-
durch mögliche Fehler verhindert werden sollen. Hierbei wird Kolorierung jedoch
meistens nicht direkt eingesetzt, obwohl zwischen Farben drei Mal schneller un-
terschieden werden kann als zwischen verschiedenen Formen. Der Fokus dieser
Arbeit liegt auf dem Effekt der Kolorierung während des Lesens und Verstehens
von Prozessmodellen. Insbesondere wurde auf Grundlage von zwei verschieden-
farbigen Prozessmodellen, die in der Notation Business Process Management and
Notation (BPMN 2.0) erstellt wurden, eine empirische Evaluation durchgeführt. In
dieser wurde untersucht, wie sich die Bearbeitungsdauer und Anzahl der korrekten
Antworten eines Fragebogens zu einem Prozessmodell im Hinblick auf unterschied-
liche Kolorierungsstufen des Modells verändert. Außerdem wurde betrachtet, ob es
Unterschiede hinsichtlich der kognitiven Belastung gibt. Obwohl einige signifikante
Zusammenhänge erkennbar waren, bestätigte keiner die aufgestellten Hypothesen.
Überraschenderweise scheint Farbe keinen Effekt auf das Lesen und Verstehen von
Prozessmodellen zu haben. Die Kolorierung hilft nicht zwangsläufig dabei ein Pro-
zessmodell besser oder schneller zu verstehen und reduziert nicht zwangsläufig
die kognitive Belastung.
iii
Danksagung
An dieser Stelle möchte ich mich bei all denjenigen bedanken, die mich während
der Anfertigung dieser Masterarbeit unterstützt und motiviert haben.
An erster Stelle geht mein Dank an meinen ersten Gutachter Prof. Dr. Manfred
Reichert, sowie an den Zweitkorrektor Prof. Dr. Rüdiger Pryss.
Ganz besonders möchte ich Michael Winter für die Betreuung, Unterstützung und
Anregungen während der Erstellung dieser Arbeit danken.
Ein besonderer Dank gilt allen Teilnehmenden meiner Befragung, ohne die diese
Arbeit nicht hätte entstehen können.
Außerdem danke ich meiner Schwester und meinen Freunden für das Korrekturle-
sen meiner Masterarbeit.
Abschließend möchte ich mich bei meinen Eltern bedanken, die mir mein Studium
durch ihre Unterstützung ermöglicht haben und bei meinem Mann für den starken
emotionalen Rückhalt über die Dauer meines Studiums und vor allem während der
Erstellung dieser Arbeit.
v
Inhaltsverzeichnis
1 Einleitung 1
1.1 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Aufbau der Arbeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Ziel dieser Arbeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2 Theorie 5
2.1 Business Process Management and Notation 2.0 . . . . . . . . . . . 5
2.2 Sekundäre Notation . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.3 Farbfunktionen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.4 Kognitive Belastung . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3 Planung und Definition der Studie 14
3.1 Zieldefinition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.2 Auswahl des Kontextes . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.3 Formulierung der Hypothesen . . . . . . . . . . . . . . . . . . . . . 16
3.4 Aufbau der Studie . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.5 Gestaltung der Studie . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.6 Risikoanalyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4 Ablauf der Studie 28
4.1 Vorbereitung der Studie . . . . . . . . . . . . . . . . . . . . . . . . . 28
4.2 Durchführung der Studie . . . . . . . . . . . . . . . . . . . . . . . . 29
4.3 Datenauswertung . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
5 Analyse und Interpretation der Studie 32
5.1 Analyse der Rohdaten und deskriptive Statistik . . . . . . . . . . . . 33
5.2 Reduktion der Daten . . . . . . . . . . . . . . . . . . . . . . . . . . 42
5.3 Testen der Hypothesen . . . . . . . . . . . . . . . . . . . . . . . . . 45
vii
1 Einleitung
1.1 Motivation
„Business Process Management (BPM) hat sich in den letzten Jahren zu dem wich-
tigsten Führungsinstrument für eine erfolgreiche Unternehmensführung entwickelt.“
[6, S.52]
Jede Organisation und jede Firma, muss sich mit einer Vielzahl von Prozessabläu-
fen beschäftigen [11]. Eine empirische Studie hat gezeigt, dass ein Geschäftspro-
zess zum zentralen Objekt in vielen konzeptuellen Modellen geworden ist, um die
Dokumentation, Verbesserungen und Automationen zu unterstützen [25]. Es gibt
verschiedene Möglichkeiten einen Geschäftsprozess zu dokumentieren. Eine ein-
fache Option sind textuelle Beschreibungen oder Tabellen. Eine übersichtlichere
Variante hingegen sind graphische Ablaufdiagramme, die keiner bestimmten Me-
thodik folgen, bestehend aus Kästchen und Pfeilen. Um jedoch komplexe Prozesse
darzustellen und dabei alle relevanten Aspekte zu berücksichtigen, ist dies oft nicht
ausreichend, dafür sind Prozessmodelle eine Möglichkeit. Sie spielen eine wichtige
Rolle, wenn es um das Management von Geschäftsprozessen geht [3].
Eine gut entworfene Informationsvisualisierung erlaubt dem Nutzer direkt mit der
Information zu interagieren [15]. Daher wurde das Erstellen eines guten Modells
immer wichtiger, sodass Methoden erforscht und entwickelt wurden, wie die Ver-
ständlichkeit und Lesbarkeit eines Modells mit Hilfe ästhetischer Prinzipien verbes-
sert werden kann [49]. Lesbarkeit eines Prozessmodells bedeutet zum einen, dass
alle graphischen Elemente und visuellen Hinweise im Model erkannt werden kön-
nen und zum anderen, dass ihre individuelle Bedeutung verstanden und interpre-
tiert werden kann [39]. In vielen Firmen werden Prozessmodelle, zum Beispiel im
Intranet, veröffentlicht. Diese werden von vielen Mitarbeitern, aus verschiedenen
Abteilungen angeschaut, auch von Mitarbeitern, die sonst keinen Bezug zur Pro-
1
1 Einleitung
zessmodellierung haben. Daher sollten die Modelle selbsterklärend sein [37]. Aus
diesem Grund wird beim Erstellen eines Prozessmodells zunehmend auf das Lay-
out geachtet, um eine gute Verständlichkeit zu gewährleisten. In [39] wurde iden-
tifiziert, wie wichtig das Layout eines Prozessmodells ist. Das Ziel beim Entwerfen
eines Prozessmodells ist, dass die Informationen so dargestellt werden, dass sie
einfach zu lesen, zu verstehen und zu benutzen sind [33]. Es gibt eine Reihe von
Konventionen, die bereits dabei helfen [25]. Hierbei wird Kolorierung jedoch meis-
tens nicht direkt eingesetzt, obwohl zwischen Farben drei Mal schneller unterschie-
den werden kann als zwischen verschiedenen Formen [35]. Farben tauchen überall
in unserer Umwelt auf und helfen dabei, uns richtiges Verhalten zu signalisieren,
wie zum Beispiel die Rote Ampel im Straßenverkehr.
Daher beschäftigt sich diese Masterarbeit mit dem Effekt der Kolorierung während
des Lesens und Verstehens von Prozessmodellen. In diesem Zusammenhang wur-
de eine empirische Evaluation durchgeführt. An der Studie nahmen hauptsächlich
Studenten und wissenschaftliche Mitarbeiter der Universität Ulm teil. Auf Grundla-
ge von zwei verschiedenen Prozessmodellen in vier verschiedenen Farbstufen, die
in der Notation Business Process Management and Notation (BPMN 2.0) erstellt
wurden, sollten sie verschiedene Verständnisfragen zu den Modellen beantworten.
Außerdem wurde die kognitive Belastung durch eine Selbsteinschätzung mittels ei-
ner Skala gemessen.
1.2 Aufbau der Arbeit
Im Folgenden wird der Aufbau dieser Arbeit beschrieben. Kapitel 2 gibt einen Über-
blick über die grundlegende Theorie. Zunächst wird die Modellierungssprache Busi-
ness Process Management and Notation 2.0 beschrieben. Anschließend folgt die
sekundäre Notation, Farbfunktionen und die kognitive Belastung. Kapitel 3 handelt
von der Planung und Definition der Studie. Zunächst wird das Ziel definiert und
der Kontext ausgewählt. Dann werden die Hypothesen formuliert und der Aufbau
und die Gestaltung der Studie beschrieben. Am Ende des Kapitels findet noch eine
kurze Risikoanalyse statt. Der Ablauf der Studie, die Vorbereitung, Durchführung
und Datenauswertung werden in Kapitel 4 dargestellt. Kapitel 5 bezieht sich auf
die Analyse und Interpretation der Studie. Dabei werden zunächst die Rohdaten
2
1 Einleitung
und die deskriptiven Statistiken betrachtet. Anschließend wird geprüft ob eine Da-
tenreduktion nötig ist und die Hypothesen werden getestet. Kapitel 6 betrachtet
verwandte Arbeiten und in Kapitel 7 wird letztendlich ein Fazit gezogen. Der Ablauf
der Arbeit wird in Abbildung 1.1 dargestellt.
Abbildung 1.1: Ablauf der Arbeit
1.3 Ziel dieser Arbeit
Prozessmodelle sind im Berufsalltag nicht mehr weg zu denken. Prozesse sollen
kontinuierlich verbessert und auf Automatisierungsmöglichkeiten untersucht wer-
den. Dabei werden zunächst Prozessmodelle erstellt. An den Prozessen sind meis-
tens verschiedene Abteilungen beteiligt. Daher sollten die Modelle verständlich und
übersichtlich sein, damit ein schnelles Verstehen aller Beteiligter gewährleistet wird.
Farben werden in unserem Alltag oft verwendet, um Übersichtlichkeit zu schaffen
oder auf bestimmte Sachen aufmerksam zu machen. Während der Literaturrecher-
che wurde klar, dass zwischen Farben viel schneller unterschieden werden kann
als zwischen verschiedenen Formen (zum Beispiel [35]). Dabei wurde bereits un-
tersucht, wie sich das Hervorheben der Syntax in Prozessmodellen verhält, bezie-
hungsweise inwiefern der Leser dadurch unterstützt wird. In allgemeinen Model-
lierungskonventionen wird der Einsatz von Farben noch nicht aufgelistet. Das Ziel
dieser Arbeit ist es den Effekt der Kolorierung während des Lesens und Verste-
hens von Prozessmodellen zu untersuchen. Es soll herausgefunden werden, ob
Farbe dabei hilft ein Prozessmodell schneller und besser zu verstehen. In diesem
Zusammenhang wird auch der Einfluss der Kolorierung auf die kognitive Belastung
betrachtet. Außerdem soll untersucht werden, ob der Farbeinfluss bei Novizen ei-
ne größere Rolle als bei Experten spielt. Es soll dabei nicht nur darauf geachtet
werden ob ein Farbeinfluss erkennbar ist, sondern auch der Farbanteil inspiziert
3
1 Einleitung
werden. Um die Einflüsse der Kolorierung aufdecken zu können, soll eine Online-
studie mit Studenten und akademischen Mitarbeiten durchgeführt werden. In dieser
sollen Modelle in verschiedenen Farbstufen gezeigt werden, Verständnisfragen ge-
stellt werden, sowie die kognitiven Belastungen gemessen werden. Die Ergebnisse
sollen als Grundlage für Studien in der realen Arbeitswelt eingesetzt werden. Falls
der Farbeinsatz das Verstehen und Lesen eines Prozessmodells erleichtert, sol-
len Farben beim Modellieren eingesetzt werden. Dies soll vor allem Beteiligten, die
das Modell nicht erstellt haben oder die Novizen in der Prozessmodellierung sind,
schnell dabei helfen es zu überblicken und zu verstehen, indem durch Kolorierung
ihre kognitive Belastung reduziert wird. Damit kann die Kommunikation zwischen
den Beteiligten eines Prozesses erleichtert werden. Für Außenstehende, die nicht
in den Prozess involviert sind, ist der Farbeinsatz womöglich auch eine Hilfe ein
Modell und damit den Prozess schneller zu verstehen.
4
2 Theorie
2.1 Business Process Management and Notation 2.0
Ein Prozessmodell stellt typischerweise in graphischer Weise die Aktivitäten, Events,
Zustände und Kontrollflüsse, die zu einem Geschäftsprozess gehören, logisch dar
[9]. Daher sind Notationen für die graphische Prozessmodellierung nötig, um zum
Beispiel bestimmte Symbole und deren Bedeutung festzulegen. „Eine solche Nota-
tion ist also eine einheitliche Sprache zur Beschreibung von Geschäftsprozessen.“
[14, S.8] Es sind viele unterschiedliche Notationen entstanden, um Prozesse zu mo-
dellieren. Viele Standards können sich in der Praxis jedoch nicht durchsetzen. Mitt-
lerweile hat sich die Sprache Business Process Model and Notation (BPMN), BPMN
2.0 als neuste Version, als Standard durchgesetzt. Sie wurde im Jahr 2011 von
der Object Management Group (OMG) [31] als Standardsprache festgelegt [11].
Durch die Auswahl an Symbolen und Elementen schafft BPMN eine einheitliche
und standardisierte Sprache, mit der sowohl die Darstellung als auch die Analyse
von Prozessen möglich ist [14]. BPMN 2.0 scheint besser zu funktionieren als die
meisten anderen Sprachdefinitionen. Sie wurde zum einen erst nach einer Vielzahl
an anderen Sprachen und Standards definiert und zum anderen enthält sie eine
Beschreibung ihrer graphischen Notation, die eine Liste aller verfügbaren Informa-
tionen und möglichen Kombinationen beinhaltet [13].
Es existieren eine Vielzahl an Tools, die die BPMN-Modellierung unterstützen, zum
Beispiel Signavio Proecess Editor, ARIS oder Bizagi Modeler. BPMN wird oft als
unternehmensweiter Modellierungsstandard eingesetzt, daher bilden viele Unter-
nehmen ihre Mitarbeiter in der BPMN-Modellierung aus [1].
Die standardisierte Notation erleichtert die einheitliche Interpretation eines Pro-
zessmodells aller Beteiligten. Außerdem soll vermieden werden, dass gewisse Ar-
beiten mehrfach ausgeführt werden, was zu einer Effizienzsteigerung führt. Ein wei-
5
2 Theorie
terer Aspekt ist die Verbesserung der Kommunikation zwischen IT- und Fachabtei-
lungen. Im nächsten Schritt sollen mit Hilfe von Modellen bestehende Prozesse
optimiert und gegebenenfalls automatisiert werden. Es gibt eine Vielzahl weiterer
Nutzmöglichkeiten beziehungsweise Gründe für den Einsatz von BPMN, die sich je
nach Unternehmen oder Institution unterscheiden [14]. Um einen gewissen Grad
an Qualität der Modelle zu gewährleisten, gibt es eine Reihe an Konventionen für
das Modellieren. Diese haben jedoch wenig Einfluss auf die praktische Anwendung
[23]. Konventionen sind vor allem für die Prozessdokumentation von langen Pro-
jekten und für Modelle, die von Novizen beziehungsweise Fachfremden erstellten
werden, wichtig [25]. Lange Modelle sollten einer bestimmten Systematik folgen,
um eine hohe Qualität und Einheitlichkeit zu gewährleisten. Für Novizen können
Konventionen eine Orientierungshilfe bei der Erstellung sein.
Die komplette BPMN-Spezifikation definiert 50 Konstrukte plus Attribute, die in vier
Kategorien eingeteilt werden können [30]: Flussobjekte, verbindende Objekte, Arte-
fakte und Swimlanes. Flussobjekte, wie zum Beispiel Events, Aktivitäten und Gate-
ways sind die wichtigsten Basiselemente, um ein BPMN-Modell zu kreieren. Verbin-
dende Objekte werden benutzt, um Flussobjekte durch verschiedene Pfeile mitein-
ander zu verbinden. Artefakte können einem Modell hinzugefügt werden, um mehr
Informationen darzustellen oder Kommentare hinzuzufügen. Swimlanes gruppieren
Aktivitäten in separate Kategorien nach verschiedenen Funktionalitäten oder Zu-
ständigkeiten. Die wichtigsten Grundelemente sind in Abbildung 2.1 dargestellt.
Abbildung 2.1: BPMN-Grundelemente
6
2 Theorie
Ein Geschäftsprozess besteht aus Events und Aktivitäten, die eine logische Bezie-
hung aufweisen und durch Pfeile verbunden sind. Events werden durch Kreise und
Aktivitäten durch abgerundete Vierecke dargestellt. Aktivitäten erfassen Arbeits-
einheiten während eines Prozesses. Events definieren den Start und das Ende
eines Prozesses. Während dem Prozessablauf signalisieren sie, dass etwas ge-
schieht, dass es eine Veränderung in der Prozessausführung gibt. Um alternative
Aktivitätsmöglichkeiten aufzeigen zu können, werden Konnektoren, die auch Ga-
teways genannt werden, eingesetzt. Die am häufigsten verwendeten Konnektoren
sind der Exklusive- und Parallel-Konnektor. Der Exklusive-Konnektor, XOR, wird
verwendet, wenn man eine Auswahl aus zwei oder mehr Alternativen hat. Er wird
mit einem Kreuz in einer Raute dargestellt. Der Parallel-Konnektor, AND, wird ver-
wendet, wenn zwei oder mehr Aktivitäten keine Reihenfolgenabhängigkeit besitzen
und stattdessen parallel ausgeführt werden sollen. Er wird mit einem Plus in einer
Raute dargestellt (siehe [8], [11]).
Ein Geschäftsprozess hat einen klar definierten Anfang und ein definiertes Ende,
welches oft mit einem Ereignis in Verbindung steht. Wenn Start- und Endevents in
BPMN modelliert werden, lässt sich einfach feststellen, wo der Prozess beginnt,
was der Auslöser dafür ist und wo er endet. Die Darstellung aller Events erfolgt in
Form von Kreisen. Dabei werden Startevents durch eine dünne Kreislinie und En-
devents durch eine dicke Kreislinie abgebildet. Start- und Endevents müssen nicht
zwingend modelliert werden, sie tragen aber zur besseren Lesbarkeit von Diagram-
men bei. Wenn kein Startereignis vorhanden ist, wird der Prozessbeginn durch das
Objekt ohne eingehenden Sequenzfluss beschrieben. Enthält das Modell jedoch
ein Endereignis, so muss es auch ein Startereignis enthalten und umgekehrt [14].
Gibt es kein Endereignis, endet der Prozess bei dem Objekt ohne ausgehenden
Sequenzfluss. Abbildung 2.2 zeigt einen einfachen, beispielhaften BPMN-Prozess,
der mit dem Tool Signavio Proecess Editor [40] erstellt wurde.
7
2 Theorie
Abbildung 2.2: Beispiel BPMN-Modell
Je nachdem welche Ziele und Ansprüche ein Unternehmen verfolgt, bringt die An-
wendung von BPMN verschiedene Nutzpotentiale mit sich. Vor allem soll ein Pro-
zessmodell dabei helfen ein allgemeines Verständnis über die Geschäftsprozesse
einer Firma zu bekommen [36]. Ein erster Schritt warum ein Prozessmodell er-
stellt wird, ist meistens die Dokumentation und Definition eines Prozesses in einer
einfachen und möglichst intuitiven Form [53], um den Arbeitsalltag zu erleichtern
und den Ablauf besser verstehen zu können. Außerdem soll auch die Kommunika-
tion zwischen Stakeholder und den Involvierten eines Prozesses erleichtern [12].
Die Dokumentation von Geschäftsprozessen hilft Stakeholdern dabei die genauen
Abläufe zu verstehen, zu erkennen wo Verbesserungen hilfreich wären oder den
Unterschied zu bereits verbesserten Prozessen zu erkennen [18]. Wenn das Mo-
dell ihre Anforderungen nicht genau widerspiegelt, wird das erstellte Prozessmodell
die Benutzer nicht zufriedenstellen, unabhängig davon wie gut es entworfen oder
implementiert ist [29]. Daher sollte ein Prozessmodell gut verständlich sein. Ent-
scheidungen, die auf Grundlage von Prozessmodellen getroffen werden, scheinen
besser zu sein, als die, die ohne Prozessmodelle getroffen wurden [12].
2.2 Sekundäre Notation
Obwohl sich die einzelnen Prozesse in ihrer visuellen Erscheinung unterscheiden,
sind die Prozessmodelle aus einer logischen Sichtweise identisch. Sie haben die
gleiche Semantik, aber der Einfluss auf den Leser kann bezüglich der Verständlich-
keit unterschiedlich sein. Um dieses Phänomen zu beschreiben werden oft die Be-
griffe primäre Notation und sekundäre Notation verwendet [39]. Sekundäre Notation
8
2 Theorie
behandelt Themen, die für eine formale Definition einer Sprache zweitrangig sind,
aber verwendet werden können, um bestimmte Strukturen hervorzuheben, die an-
sonsten vielleicht weniger zugänglich wären. Sekundäre Notation bezieht sich auf
die Nutzung visueller Variablen, die in der primären Notation nicht spezifiziert wer-
den [42]. Visuelle Variablen können Einfluss darauf nehmen, was mit besonderer
Aufmerksamkeit betrachtet wird.
Umso länger und komplexer ein Modell wird, umso schwieriger ist es den Überblick
über die Elemente zu behalten. Empirische Studien haben gezeigt, dass längere
Prozessmodelle tendenziell mehr formale Mängel als kleinere Modelle aufweisen
[26]. Die Start- und Endevents werden beispielsweise nicht mehr so schnell er-
kannt. Trotzdem werden in den meisten Modellen kaum Elemente hervorgehoben,
außer im Event-driven Process Chain Modell, in dem manchmal Events in lila und
Funktionen in grün dargestellt werden [35]. In BPMN spielt der Einsatz von Formen
eine zentrale Rolle. Farben werden nicht direkt eingesetzt. BPMN-Elemente kön-
nen visuell verändert und angepasst werden, die ursprüngliche Form sollte jedoch
noch erkennbar sein und es sollte nicht zu Verwechslungen kommen. Dabei gibt
es verschiedene Möglichkeiten, wie zum Beispiel den Einsatz von Farben oder den
Austausch einer Schriftart [14]. Die Veränderungen sollen so sein, dass „jeder, der
den BPMN-Standard kennt, auch ein derart erweitertes BPMN-Modell problemlos
lesen kann“. [1, S.156]
2.3 Farbfunktionen
„Farben sind elementare Bestandteile unserer visuellen Wahrnehmung und Um-
welterfahrung; sie sind auch Erlebnisinhalte unserer Umwelt“ [22]. Farben werden
überall angetroffen, egal wo man hinschaut oder hinläuft. Farbe ist für Menschen ein
wichtiger Informationsträger. Etwa 40 Prozent aller aufgenommenen Informationen
werden, nach Schätzungen, über Farben für den Menschen verfügbar. „Psychophy-
siologisch wird Farbe als Sinneswahrnehmung definiert, die normalerweise dann
entsteht, wenn kurzwellige elektromagnetische Strahlung, die wir Licht nennen von
bestimmten Sehzellen in der Netzhaut aufgenommen wird.“ [51] Diese Definition
besagt, dass Farben eine Sinnesqualität sind, die von unserem Gehirn vermittelt
wird und keine realen Erscheinungen. Trotzdem kann Farbe Stimmungen auslösen
und Gefühle von Menschen beeinflussen. Farben haben in verschiedenen Berei-
9
2 Theorie
chen zentrale Bedeutungen und erfüllen unterschiedliche Funktionen. Sie „dienen
der Information, der Kommunikation und der Gestaltung.“ [22] Um einige Funktio-
nen als Beispiel zu nennen: Farben signalisieren, sie leisten Orientierungshilfe, sie
lenken die Aufmerksamkeit und sie tragen zur Ordnung und Unterscheidung bei.
Farbe hat nicht die alleinige Funktion der Ästhetik. Der Mensch orientiert sich an
Farben. Farbe ist für die Auffassung der Umwelt und für das Zusammenarbeiten
des Menschen mit der Umwelt zentral [22].
Das Verkehrswesen weist durch Farben auf verschiedene Informationen oder Ge-
fahrenquellen hin. Grün, Gelb, Rot und Blau sind die Farben, die im Straßenverkehr
verwendet werden. Jeder kennt die rote Ampel, an der schon fast jeder einmal ste-
hen musste, egal ob als Fußgänger oder Autofahrer, oder das rote Stopp-Schild, an
dem ein Halt zwingend notwendig ist. Grün hingegen bedeutet freie Fahrt, also Au-
tofahrer dürfen losfahren oder Fußgänger dürfen loslaufen. Zwischen diesen beiden
Farben taucht die Signalfarbe gelb auf, die vermittelt, dass die Ampel von Grün auf
Rot wechseln wird. Außerdem taucht die Farbe Gelb, in Form von kleinen Zahlenta-
feln, auf Bundesstraßen auf und markiert so ihren Verlauf. Blaue Verkehrsschilder
signalisieren begrenzte Nutzungsmöglichkeiten von bestimmten Flächen, zum Bei-
spiel ein weißes P auf blau, für gekennzeichnete Parkflächen. Die Farbgebung zieht
sich konsequent im Straßenverkehr durch und damit gelangt ihre Bedeutung in un-
ser Unterbewusstsein und erlaubt uns eine schnelle Orientierung [51].
2.4 Kognitive Belastung
Studien belegen, dass umso größer und komplexer ein Modell ist, umso schwieriger
ist es zu verstehen [50]. Dieses Argument kommt aus der Cognitive Load Theory,
die annimmt, dass das Arbeitsgedächtnis, auch Kurzzeitgedächtnis genannt, eine
beschränkte Kapazität aufweist [32]. Die Cognitive Load Theorie beschäftigt sich
mit der Beschränkung der Kapazität des Arbeitsgedächtnisses und den Maßnah-
men, die erfüllt werden können, um das Lernen zu fördern. Das Arbeitsgedächtnis
wird zur aktiven Verarbeitung und vorübergehenden Speicherung von Informatio-
nen verwendet und spielt eine wichtige Rolle für das Verständnis [2]. Es ist auf circa
sieben Punkte oder Elemente an Informationen gleichzeitig begrenzt. Informatio-
nen können im Arbeitsgedächtnis nur 18-30 Sekunden gespeichert werden, wenn
sie nicht weiter verarbeitet werden [53]. Es wird auch benutzt, um zu organisieren,
10
2 Theorie
abzugrenzen, zu vergleichen oder an der Information zu arbeiten. Daher kann man
nur an zwei oder drei Punkten gleichzeitig arbeiten. Im Gegensatz dazu, wird das
Langzeitgedächtnis benötigt, damit das, was das Arbeitsgedächtnis momentan ver-
arbeitet eine Bedeutung erhält und Sinn ergibt. Es ist sozusagen der Lagerort für
mehr permanentes Wissen und Fähigkeiten, um alle Dinge im Gedächtnis zu behal-
ten, die nicht direkt benötigt werden, die aber wichtig für das Verständnis sind. Die
meisten Wissenschaftler vermuten, dass die Kapazität des Speichers unbegrenzt
ist und dass es eine permanente Aufnahme von allem ist, was gelernt wurde.
Die Schema Theory besagt, dass das Wissen im Langzeitgedächtnis in Schemata
gespeichert wird. Die Informationselemente werden je nach Verwendung in Sche-
mata kategorisiert. Schemata können Informationselemente und Produktionsregeln
integrieren und automatisch werden, somit wird weniger Speicher benötigt. Fundier-
tes Wissen entsteht dadurch, dass eine große Zahl an Schemata mit zunehmender
Komplexität erstellt werden, indem Elemente, die aus niedrigeren Level-Schemata
bestehen, zu höheren Level-Schemata kombiniert werden. Schemata können die
Belastung des Arbeitsgedächtnisses reduzieren. Ein Schema kann etwas sein, das
gelernt wurde und wie eine einzelne Einheit behandelt wurde. Wenn das Lernen
über einen langen Zeitraum erfolgt ist, kann ein Schema eine große Menge an In-
formationen aufnehmen. Die Konstruktion von Schemata hilft also dem Speicher
und der Organisation der Informationen im Langzeitgedächtnis und reduziert so die
Belastung des Arbeitsgedächtnisses [19]. Der Speicherprozess von Informationen
ist in Abbildung 2.3 dargestellt.
Abbildung 2.3: Speicherung von Informationen
Obwohl Schemata im Langzeitgedächtnis gespeichert werden, müssen die Infor-
mationen zunächst im Arbeitsgedächtnis verarbeitet werden, um die Schemata kon-
struieren zu können. Relevante Informationen müssen im Arbeitsgedächtnis extra-
11
2 Theorie
hiert werden, bevor sie in Form von Schemata im Langzeitgedächtnis gespeichert
werden können. Die Leichtigkeit mit der Informationen im Arbeitsgedächtnis verar-
beitet werden können ist ein primärer Punkt der Cognitive Load Theory. Die Belas-
tung des Arbeitsgedächtnisses kann entweder durch das Material selbst, Intrinsic
Cognitive Load (ICL, intrinsische kognitive Belastung) oder alternativ durch die Art,
wie das Material präsentiert wird oder die Aktivitäten, die von Lernenden benötigt
werden, Extraneous Cognitive Load (ECL, extrinsische kognitive Belastung), ent-
stehen [45].
Die intrinsische kognitive Belastung kann durch pädagogische Arbeit nicht verän-
dert werden, weil das Material, mit dem man sich beschäftigt, intrinsisch ist. Im
Gegensatz dazu ist die extrinsische kognitive Belastung eine unnötige kognitive Be-
lastung und kann durch pädagogische Maßnahmen verändert werden. Eine weitere
Unterscheidung wird zwischen ECL und germane cognitive load (GCL, lernbezoge-
ne kognitive Belastung) gemacht. Obwohl beide durch pädagogische Maßnahmen
verändert werden können, reflektiert die extrinsische kognitive Belastung den Fort-
schritt, der durch Anweisungen entsteht, während der GCL den Fortschritt wider-
spiegelt, der dazu beiträgt, Schemata zu konstruieren [46]. Pädagogische Maßnah-
men verringern den ECL, aber erhöhen den GCL. Abbildung 2.4 gibt einen Über-
blick über die kognitiven Belastungsarten.
Abbildung 2.4: Kognitive Belastung
Verschiedene Materialien können sich sehr darin unterscheiden, inwiefern sie zur
Belastung des Arbeitsgedächtnisses führen. Die entstehende Belastung hängt von
der Anzahl der Elemente ab, die gleichzeitig im Arbeitsgedächtnis bearbeitet wer-
den müssen und diese Anzahl hängt wiederum vom Umfang der Interaktivitäten
der Elemente ab. Ein Element ist das, was gelernt wurde und noch gelernt werden
muss. Wenn einzelne Elemente unabhängig voneinander gelernt werden, ist der
ICL gering. Erst die Interaktivität erhöht diese, da die Belastung wegen der intrinsi-
schen Natur der Aufgabe schon niedrig ist [46].
12
2 Theorie
Es gibt drei Arten die kognitive Belastung zu messen: subjektiv, psychologisch und
nach aufgabenspezifischen Indizes [46]. In dieser Studie wird die subjektive Tech-
nik verwendet. Anhand numerischer Rating Skalen soll die kognitive Belastung der
Teilnehmer gemessen werden. Psychologische Techniken würden beispielsweise
die Messung der Herzfrequenz, die Gehirnaktivität und die Augenaktivität beinhal-
ten [46].
Beim Lesen eines Prozessmodells benutzen wir unser Kurzzeitgedächtnis, das nur
eine eingeschränkte Kapazität hat [5]. Wenn die Eingabe die Arbeitsgedächtniska-
pazität überschreitet, kommt es zu einer kognitiven Überlastung und das Verständ-
nis verschlechtert sich schnell [28]. Menschen, die einen höheren Grad an Experti-
se im Gebiet der Prozessmodellierung aufweisen, können eine größere Menge an
Informationen bewältigen, da sie über hochentwickelte Schemata mit diesem Wis-
sen verfügen und damit weniger Elemente des Arbeitsgedächtnisses benötigen,
um die gleiche Menge an Informationen zu verstehen, als Novizen beziehungswei-
se Fachfremde [44] [45].
13
3 Planung und Definition der Studie
Eine Studie wurde durchgeführt, um den Einfluss des Farbeinsatzes auf die Ver-
ständlichkeit und Leserlichkeit in Prozessmodellen zu untersuchen.
Bei der Erstellung und Definition der empirischen Studie wurden die Empfehlun-
gen von [52] verwendet, um möglichst aussagekräftige Ergebnisse zu erhalten. Zu-
nächst wird darauf eingegangen warum und mit welchem Ziel die Studie durchge-
führt werden soll. Dann wird beschrieben wie und in welchem Rahmen sie durch-
geführt wird.
In Kapitel 3.1 wird zunächst das Ziel der Studie definiert und der Kontext in Kapitel
3.2 ausgewählt. Anschließend werden in Kapitel 3.3 die Hypothesen formuliert und
in Kapitel 3.4 der Aufbau der Studie beschrieben. Dabei wird die Auswahl der Pro-
banden, der Objekte, der Variablen und die Instrumentation thematisiert. Am Ende
des Abschnittes wird in Kapitel 3.5 die Gestaltung der Studie und eine kurze Ri-
sikoanalyse in Kapitel 3.6 dargestellt. Abbildung 3.1 gibt einen Überblick über den
Inhalt dieses Abschnitts:
Abbildung 3.1: Planung und Definition der Studie
14
3 Planung und Definition der Studie
3.1 Zieldefinition
Prozessmodelle gewinnen auch im Berufsalltag immer mehr an Bedeutung. Auf der
Suche nach Verbesserungen oder Automationen werden oft im ersten Schritt Pro-
zessmodelle erstellt. Da viele Personen aus verschiedenen Abteilungen an diesen
Prozessen beteiligt sind, sollten die Modelle möglichst verständlich und übersicht-
lich sein, damit ein schnelles Verstehen für alle Beteiligten gewährleistet wird. Eine
Vielzahl an Punkten, die die Verständlichkeit von Prozessmodellen beeinflussen
können, wurden bereits betrachtet [20, 23, 33, 34, 39, 54]. In dieser Arbeit soll der
Farbeinfluss untersucht werden:
Verbessern Farben die Verständlichkeit eines BPMN-Prozessmodells bzw. helfen
Farben dabei ein BPMN-Prozessmodell schneller zu verstehen?
Motiviert durch diese Fragestellung wurde eine Studie durchgeführt, um den Far-
beinsatz auf die Verständlichkeit in Prozessmodellen zu untersuchen. Die Verständ-
lichkeit kann verbessert werden, indem die externe kognitive Belastung manipuliert
wird und die Grenzen des Arbeitsgedächtnisses damit gesenkt werden [4]. Farbe ist
eine der effektivsten visuellen Variablen. Sie kann zum Beispiel dazu dienen glei-
che oder unterschiedliche Elemente aufzuzeigen [10].
Objekt der Studie: Die Objekte der Studie sind verschiedene Prozessmodelle mit
unterschiedlichen Farbvarianten. Es gibt zwei Modelle, die jeweils in vier verschie-
denen Farbvarianten erstellt wurden.
Ziel: Das Ziel der Studie ist, die einzelnen Prozessmodelle im Hinblick auf den
Farbanteil und die kognitive Belastung auszuwerten, um den Farbeinfluss auf die
Verständlichkeit und Leserlichkeit von Prozessmodellen feststellen zu können. Au-
ßerdem soll untersucht werden, ob der Farbeinfluss bei Novizen eine größere Rolle
als bei Experten spielt.
Fokus: Der Fokus liegt darin, eine Aussage treffen zu können, ob ein hoher Farban-
teil oder keine Farbe zu einer Verbesserung der Verständlichkeit beitragen.
15
3 Planung und Definition der Studie
Perspektive: Es soll herausgefunden werden, ob es je nach Farbanteil Unterschie-
de hinsichtlich der Verständlichkeit der Prozessmodelle gibt.
Kontext: Die Studie wurde mit Probanden des Instituts für Datenbanken und Infor-
mationssysteme der Universität Ulm durchgeführt. Teilgenommen haben Studenten
und akademische Mitarbeiter, die mindestens über ein Grundwissen in der Prozess-
modellierung verfügen.
3.2 Auswahl des Kontextes
Die Durchführung der Studie wäre in einer realen Umgebung mit ausgebildeten
Mitarbeitern und solchen, die tatsächlich mit Prozessmodellen arbeiten am sinn-
vollsten, um ein signifikantes und allgemeines Ergebnis zu erhalten. Trotzdem ist
die Verwirklichung einer solchen Studie in einer realen Umgebung nicht immer un-
bedingt sinnvoll und bringt verschiedene Risiken und Kosten mit sich. Die Studie
in einer solchen Form könnte eventuell nicht so gut laufen wie erwartet oder aus
verschiedenen Gründen scheitern. Daher bietet es sich an die Studie in einer ver-
gleichbaren Umgebung auszuführen. Eine gute Alternative ist die Durchführung mit
Studenten, da dies keine oder kaum Kosten verursacht. Außerdem ist die Realisie-
rung der Studie leichter kontrollierbar.
Diese Studie kann als Grundlage für weitere Studien verwendet werden, die die
Möglichkeit besitzen, diese in einer realen Welt durchzuführen.
3.3 Formulierung der Hypothesen
Eine Hypothese ist eine nicht bewiesene Annahme oder Behauptung über einen
Sachverhalt [47]. Hypothesen bilden die Grundlage für statistische Analysen eines
Experiments. Wenn sie widerlegt werden können, können Schlüsse gezogen wer-
den [52]. In diesem Kapitel werden die Hypothesen der Studie formuliert, dabei wird
zwischen zwei Arten unterschieden: die Nullhypothese H0und die Alternativhypo-
these H1. Meistens entspricht die Alternativhypothese der zentralen Forschungs-
frage der Studie und die Nullhypothese widerspricht ihr.
16
3 Planung und Definition der Studie
Nullhypothese H0:In der Studie wird anfangs angenommen, dass die Nullhypo-
these wahr ist. Das Ziel ist es, diese mit einer möglichst hohen Signifikanz zu wi-
derlegen.
Alternativhypothese H1:Die Alternativhypothese widerspricht der Nullhypothese.
Das Ziel der Studie ist diese zu bestätigen.
Das komplementäre Verhalten des Paares H0und H1gewährleistet, dass bei Wi-
derlegen von H0,H1automatisch gilt [7].
Mit Hilfe verschiedener statistischer Tests können die Ergebnisse einer Studie aus-
gewertet werden und damit die Hypothesen getestet werden. Dies bringt verschie-
dene Risiken mit sich, die zu möglichen Fehlern führen: eine wahre Hypothese wird
abgelehnt oder eine falsche Hypothese wird angenommen. Man spricht in diesem
Zusammenhang von Type-I-error oder Type-II-error [52].
Type-I-error: Ein Type-I-error liegt vor, wenn ein Zusammenhang oder ein signifi-
kantes Ergebnis festgestellt wird, obwohl es keinen Zusammenhang gibt. Die Wahr-
scheinlichkeit, dass ein Type-I-error vorliegt kann dargestellt werden als:
P(Type −I−error) = P(lehne H0ab |H0ist wahr)
Type-II-error: Ein Type-II-error liegt vor, wenn kein Zusammenhang festgestellt wer-
den konnte, obwohl dieser vorliegt. Die Wahrscheinlichkeit, dass ein Type-II-error
vorliegt, kann dargestellt werden als:
P(Type −II −error) = P(lehne H0nicht ab |H0ist falsch)
Für diese Studie werden anhand der Fragestellung (siehe Kap. 3.1) folgende Hy-
pothesen formuliert: Die Studie untersucht, ob Farben die Verständlichkeit eines
Prozessmodells steigern, dabei helfen es schneller zu lesen beziehungsweise zu
verstehen und die kognitive Belastung dadurch reduziert wird. Außerdem wird über-
prüft, ob es dabei einen Unterschied zwischen Novizen und Experten gibt. Insge-
samt wurden zehn Hypothesen aufgestellt. Eine Hypothese betrifft die Anzahl der
korrekten Antworten, eine die Bearbeitungsdauer, drei betreffen die kognitive Be-
lastung und fünf den Unterschied zwischen Experten und Novizen.
17
3 Planung und Definition der Studie
Verbessern Farben die Verständlichkeit eines BPMN-Prozessmodells?
H0,1: Der Farbeinsatz in BPMN-Prozessmodellen verbessert nicht deren Verständ-
lichkeit.
H1,1: Der Farbeinsatz in BPMN-Prozessmodellen verbessert deren Verständlich-
keit.
Helfen Farben dabei ein BPMN-Prozessmodell schneller zu verstehen?
H0,2: Der Farbeinsatz in BPMN-Prozessmodellen führt nicht zu einer schnelleren
Verständlichkeit.
H1,2: Der Farbeinsatz in BPMN-Prozessmodellen führt zu einer schnelleren Ver-
ständlichkeit.
Reduziert der Farbeinsatz die kognitive Belastung?
H0,3: Der Farbeinsatz in BPMN-Prozessmodellen reduziert nicht die intrinsische Be-
lastung.
H1,3: Der Farbeinsatz in BPMN-Prozessmodellen reduziert die intrinsische Belas-
tung.
H0,4: Der Farbeinsatz in BPMN-Prozessmodellen reduziert nicht die extrinsische
Belastung.
H1,4: Der Farbeinsatz in BPMN-Prozessmodellen reduziert die extrinsische Belas-
tung.
H0,5: Der Farbeinsatz in BPMN-Prozessmodellen reduziert nicht die germane Be-
lastung.
H1,5: Der Farbeinsatz in BPMN-Prozessmodellen reduziert die germane Belastung.
Gibt es einen Unterschied bezüglich des Farbeinflusses zwischen Novizen und Ex-
perten?
H0,6: Der Farbeinsatz in BPMN-Prozessmodellen verbessert bei Novizen deren Ver-
ständlichkeit nicht mehr als bei Experten.
H1,6: Der Farbeinsatz in BPMN-Prozessmodellen verbessert bei Novizen deren Ver-
ständlichkeit mehr als bei Experten.
H0,7: Der Farbeinsatz in BPMN-Prozessmodellen führt bei Novizen nicht zu einer
schnelleren Verständlichkeit als bei Experten.
H1,7: Der Farbeinsatz in BPMN-Prozessmodellen führt bei Novizen zu einer schnel-
leren Verständlichkeit als bei Experten.
18
3 Planung und Definition der Studie
H0,8: Der Farbeinsatz in BPMN-Prozessmodellen reduziert bei Novizen nicht die in-
trinsische Belastung.
H1,8: Der Farbeinsatz in BPMN-Prozessmodellen reduziert bei Novizen die intrinsi-
sche Belastung.
H0,9: Der Farbeinsatz in BPMN-Prozessmodellen reduziert bei Novizen nicht die
extrinsische Belastung.
H1,9: Der Farbeinsatz in BPMN-Prozessmodellen reduziert bei Novizen die extrin-
sische Belastung.
H0,10: Der Farbeinsatz in BPMN-Prozessmodellen reduziert bei Novizen nicht die
germane Belastung.
H1,10: Der Farbeinsatz in BPMN-Prozessmodellen reduziert bei Novizen die germa-
ne Belastung.
3.4 Aufbau der Studie
Basierend auf der Zielsetzung und Definition der Hypothesen, beschreibt dieser
Abschnitt den Aufbau der Studie. Hierbei wird auf die Auswahl der Probanden, der
Objekte, der Variablen und auf die Instrumentation eingegangen.
Auswahl der Subjekte
Die Auswahl der Teilnehmenden hat einen enormen Einfluss auf die Möglichkeit der
Verallgemeinerung der Ergebnisse der Studie. Die Teilnehmer sollten so gewählt
werden, dass sie repräsentativ für die gewünschte Gruppe sind, um die Ergebnisse
auf eine größere Gruppe zu verallgemeinern.
Bei den Probanden dieser Studie handelt es sich überwiegend um Studenten und
akademische Mitarbeiter des Instituts für Datenbanken und Informationssysteme an
der Universität Ulm. An der Studie teilnehmen konnte jeder, der zumindest Grund-
kenntnisse in der Prozessmodellierung beziehungsweise BPMN 2.0 hat.
Die Anzahl der Teilnehmer spielt ebenfalls eine wichtige Rolle, wenn es um die
Verallgemeinerung geht. Bei einer größeren Anzahl ist der resultierende Fehler ge-
ringer, wenn man die Studie verallgemeinern möchte [52].
19
3 Planung und Definition der Studie
Auswahl der Objekte
Um den Einfluss des Farbeinsatzes festzustellen wurden zwei thematisch verschie-
dene Prozessmodelle entworfen. In einem der Modelle wird der Ablauf eines Haus-
baus beschrieben, im anderen geht es um die Urlaubsplanung. Die Modelle wurden
in der Sprache BPMN 2.0 erstellt. Beide ähneln sich bezüglich der Größe, dem Auf-
bau und der Anzahl der Elemente. Das Hausbaumodell besteht aus einem Start-
und zwei Endevents, aus 31 Aktivitäten und 13 Gateways, wobei es sich bei elf Ga-
teways um exklusive und bei zwei um parallele Gateways handelt. Das Urlaubspla-
nungsmodell unterscheidet sich lediglich in der Anzahl der Aktivitäten. Es besteht
aus 27 Aktivitäten.
Jedes der beiden Modelle wurde schrittweise in verschiedenen Farbvarianten er-
stellt: Eine Version ist komplett in schwarz-weiß gehalten (siehe Abbildung A.1:
Hausbaumodell 1 und Abbildung A.5: Urlaubsmodell 1), bei der nächsten wurden
lediglich die Events eingefärbt (siehe Abbildung A.2: Hausbaumodell 2 und Abbil-
dung A.6: Urlaubsmodell 2), in einer weiteren wurden die Events und Gateways
eingefärbt (siehe Abbildung A.3: Hausbaumodell 3 und Abbildung A.7: Urlaubsmo-
dell 3) und in der letzten Version wurden die Aktivitäten, also alle Elemente (siehe
Abbildung A.4: Hausbaumodell 4 und Abbildung A.8: Urlaubsmodell 4) eingefärbt.
Die Farbauswahl orientiert sich an den Farben des Verkehrswesens, damit die Far-
ben möglichst intuitiv erscheinen. Das Startevent ist grün, wie das Zeichen der
Ampel, dass den Autofahrern die Erlaubnis zum Weiterfahren signalisiert. Die En-
devents sind rot, wie das Rot der Ampel oder des Stopp-Schildes, das Anhalten
bedeutet. Die Aktivitäten sind orange, denn sie liegen zwischen dem Start und dem
Ende und werden während des Prozessflusses durchlaufen. Vergleichbar wäre im
Straßenverkehr wieder die orangefarbene Ampel, die zwischen der Rot- und Grün-
phase erscheint, oder die orangefarbenen Schilder, die entlang einer Bundesstraße
verlaufen. Die Gateways wurden blau markiert, wie blaue Verkehrsschilder, die auf
eine begrenzte Nutzungsmöglichkeit hinweisen.
Auswahl der Variablen
Bevor mit dem Aufbau der Studie gestartet wird, müssen abhängige und unab-
hängige Variablen definiert werden. Unabhängige Variablen können in der Studie
kontrolliert und geändert werden und sollten einen Effekt auf die abhängigen Varia-
blen haben [52]. Die Wahl der unabhängigen Variablen beinhaltet auch die Auswahl
20
3 Planung und Definition der Studie
der Messskala. Die abhängige Variable wird oft direkt aus der Hypothese entnom-
men. Meistens sind diese nicht direkt messbar und müssen durch indirekte Maße
gemessen werden.
Die unabhängige Variable dieser Studie ist der Farbanteil, der in den verschiedenen
Modellen verändert wird. Es werden vier verschiedene Farbstufen verwendet. Die
abhängigen Variablen werden durch die Studie gemessen und für die Auswertung
verwendet, diese entsprechen der Anzahl an korrekten Antworten, der Bearbei-
tungsdauer, der kognitive Belastung (ICL, ECL, GCL) und dem Grad an Expertise.
Eine Übersicht über die Variablen ist in Tabelle 3.1 dargestellt.
Tabelle 3.1: Auswahl der Variablen
Instrumentation
Die Instrumentation sollte so gewählt werden, dass das Ergebnis der Studie unab-
hängig von der Instrumentation immer gleich sein soll.
Für die Erstellung der Prozessmodelle in den verschiedenen Farbvarianten wur-
de Lucidchart [21] verwendet. Die Modelle sind im Anhang in den Abbildungen
A.1 bis A.8 abgebildet. Die Online-Umfrage wurde mit Unipark [48] erstellt und von
den Teilnehmenden auf dieser Seite durchgeführt. Im ersten Abschnitt wurde der
Arbeitsstatus und das Studienfach beziehungsweise Tätigkeitsfeld und Kenntnisse
über Prozessmodellierung und BPMN 2.0 abgefragt. Dies geschah zum Teil durch
Fragen mit Textfeldern und zum Teil durch das Zuordnen des Status auf einer Ska-
la (siehe 3.2 Umfrage Teil 1). Im nächsten Abschnitt bekam jeder Teilnehmer ein
Objekt, eine zufällig ausgewählte Farbvariante des Hausbaumodells (Anhang A -
Hausbaumodelle, Abb. A.1 bis A.4), gezeigt. Zu diesem mussten sechs inhaltliche
Fragen beantwortet werden (siehe 3.3 Umfrage Teil 2). Anschließend wurden sie-
ben Fragen gestellt, die die kognitive Belastung abfragen sollten (siehe 3.5 Umfrage
21
3 Planung und Definition der Studie
Teil 4). Danach bekam der Proband ein weiteres Objekt, das Urlaubsmodell (An-
hang A - Urlaubsmodelle, Abb. A.5 bis A.8), gezeigt, diesmal in einer anderen Farb-
stufe. Auch zu diesem Modell mussten sechs inhaltliche Fragen (siehe 3.4 Umfrage
Teil 3), sowie dieselben Fragen zur kognitiven Belastung beantwortet werden. Im
letzten Abschnitt wurden alle vier Farbvarianten des Hausbaumodells gezeigt und
die Teilnehmer sollten auswählen welche für sie am verständlichsten und welche
am wenigsten verständlich ist und ihre Aussagen begründen (siehe 3.6 Umfrage
Teil 5).
Für die Auswertung wurden die Daten aus Unipark exportiert, mit Microsoft Excel
aufbereitet und mit IBM SPSS Statistics [17] ausgewertet.
Tabelle 3.2: Umfrage Teil 1
22
3 Planung und Definition der Studie
Tabelle 3.3: Umfrage Teil 2
Tabelle 3.4: Umfrage Teil 3
23
3 Planung und Definition der Studie
Tabelle 3.5: Umfrage Teil 4
Tabelle 3.6: Umfrage Teil 5
3.5 Gestaltung der Studie
Die Variablen und die Hypothesen wurden für die Studie festgelegt. Im nächsten
Schritt muss die Studie nun gestaltet werden. Dabei müssen verschiedene Aspekte
berücksichtigt werden. Die wichtigsten Prinzipien bei der Gestaltung sind: Rando-
misierung, Blockierung und Balance [52].
Randomisierung: Bei der Analyse mit statistischen Methoden wird angenommen,
dass die Beobachtungen aus unabhängigen, zufälligen Variablen stammen. Da-
mit man dieser Annahme gerecht wird, muss Randomisierung verwendet werden.
Diese zielt sowohl auf die zufällige Zuordnung der Objekte, als auch der Teilneh-
menden ab. Die repräsentative Wahl der Teilnehmer sollte auch zufällig erfolgen.
24
3 Planung und Definition der Studie
Die Auswahl der Personen erfolgte lediglich nach dem Kriterium, dass Grundkennt-
nisse über die Prozessmodellierung und BPMN 2.0 vorhanden sind. Die Zuordnung
des ersten Objekts (Hausbaumodell) erfolgte zufällig, die Zuordnung des zweiten
Objekts (Urlaubsmodell) erfolgte je nachdem, welches erste Objekt (welche Farb-
variante des Hausbaumodells) gezeigt wurde. In Tabelle 3.7 ist das Prinzip der
Modellzuordnung ersichtlich:
Tabelle 3.7: Zufallsauswahl der Modelle
Blockierung: Oft gibt es verschiedene Faktoren, die die Antworten eines Teilneh-
mers beeinflussen, an deren Einfluss wir jedoch nicht interessiert sind. Falls dieser
Effekt bekannt ist und kontrolliert werden kann, kann bei der Gestaltung der Studie
dieser unerwünschte Effekt entfernt werden, beziehungsweise der Zusammenhang
zu diesem Faktor wird nicht betrachtet.
Balance: Für eine ausgewogene Gestaltung der Studie, werden die Probanden
gleichmäßig auf die verschiedenen Fälle (Farbanteile des Prozessmodells) verteilt.
Dies ist für die statistische Analyse wünschenswert, aber nicht unbedingt notwen-
dig.
3.6 Risikoanalyse
Verschiedene Faktoren können eine Studie beeinflussen und müssen daher bereits
bei der Planung miteinbezogen werden. Es kann zwischen drei verschiedenen Gü-
tekriterien unterschieden werden: Objektivität, Reliabilität und Validität [47].
Objektivität: Eine Studie ist objektiv, wenn die Ergebnisse unabhängig von der Per-
son sind, die die Studie durchführt, das heißt würde eine andere Person dieselbe
25
3 Planung und Definition der Studie
Studie durchführen, würde sie die gleichen Resultate erhalten. Durch die Wahrung
der Anonymität wurde versucht zu gewährleisten, dass die Teilnehmer nicht durch
Gefühle oder Voreingenommenheit beeinflusst werden.
Reliabilität: Reliabilität bezieht sich auf die Zuverlässigkeit und Replizierbarkeit
einer Messung. Bei wiederholter Durchführung der Messung mit identischem Kon-
zept, sollen die Ergebnisse gleich sein.
Validität:
•Schlussfolgerungsvalidität: Hierbei geht es um die Feststellung, dass es einen
statistischen Zusammenhang gibt. Sie beschäftigt sich außerdem mit der Aus-
wahl statistischer Tests, der Wahl der Stichprobengröße und mit den allgemei-
nen Punkten, auf die bei einer Messung geachtet werden sollte.
•Interne Validität: Wenn ein Zusammenhang festgestellt werden kann, muss
sichergestellt werden, dass es sich um einen kausalen Zusammenhang han-
delt und nicht durch einen Faktor entsteht, den wir nicht kontrollieren können
oder gar nicht untersuchen. Die Auswahl der Teilnehmenden und ihr Verhal-
ten während der Studie beeinflussen die interne Validität, da diese Faktoren in
den Ergebnissen der Studie ein Verhalten zeigen können, das von störenden
Faktoren kommen kann und nicht unbedingt von der Studie. In dieser Stu-
die wurden zwei thematisch verschiedene Prozessmodelle verwendet, damit
das Ergebnis unabhängig vom Modell ist. Die erstellten Prozessmodelle sind
möglichst einfach gehalten und bestehen nur aus Events, Aktivitäten, Gate-
ways und Sequenzflüssen, damit ein Grundwissen in BPMN 2.0 ausreichend
ist, um sie lesen und verstehen zu können.
•Konstruktvalidität: Die Beziehung zwischen der Theorie und der Beobachtung
wird durch diese Validität beschrieben. Bedrohungen für die Konstruktvalidität
beziehen sich auf das Ausmaß, in dem die Studie tatsächlich das untersuch-
te Konstrukt widerspiegelt. Um den Grad an Expertise feststellen zu können,
wurde den Probanden Fragen gestellt und sie sollten ihren Status über ih-
re Kenntnisse einer Skala zuordnen. Die Fragen zielten auf die Anzahl an
Jahren ab, in denen sie bereits Erfahrungen mit Prozessmodellen sammeln
konnten und auf die Anzahl der Modelle im letzten Jahr, mit denen man sich
beschäftigt hat.
26
3 Planung und Definition der Studie
•Externe Validität: Die externe Validität kann als Möglichkeit der Verallgemei-
nerung der Studie gesehen werden. Sie wird sowohl von der gesamten Ge-
staltung, als auch von der Wahl der Objekte und Teilnehmer der Studie be-
einflusst. Die größten Risiken sind hierbei die falsche Wahl der Probanden,
die Durchführung der Studie in einer falschen Umgebung und die Durchfüh-
rung zu einer schlechten Zeit. Dies alles kann Einfluss auf die Ergebnisse der
Studie haben. Die Online-Studie wurde von Einzelpersonen durchgeführt, so-
dass es zu keiner Beeinflussung durch andere Teilnehmer kommt.
27
4 Ablauf der Studie
Um Daten für die Auswertung sammeln zu können, muss die geplante und vor-
bereitete Studie durchgeführt werden. Den Probanden wurde der Link der Online-
Umfrage zur Verfügung gestellt. Der Ablauf der Studie besteht aus drei Schritten
und ist in Abbildung 5.1 zu sehen: Vorbereitung, Durchführung und Datenauswer-
tung.
Abbildung 4.1: Ablauf der Studie
4.1 Vorbereitung der Studie
Nachdem die Prozessmodelle und der Fragenkatalog fertig waren, wurde die Online-
Umfrage erstellt. Bevor die Umfrage für andere zugänglich gemacht wurde, haben
zwei Studenten diese durchgeführt, um mögliche Fehler aufzudecken, Unklarhei-
ten zu beseitigen und technische Funktionen, wie zum Beispiel die Auswertung, zu
testen.
Anschließend wurde die Studie gestartet und der Link wurde Studenten und aka-
demischen Mitarbeitern des DBIS-Instituts zur Verfügung gestellt.
28
4 Ablauf der Studie
4.2 Durchführung der Studie
Die Daten der Studie wurden in einer Online-Umfrage gesammelt. Die Umfrage war
vom 02.06.2020 bis zum 28.06.2020 freigeschaltet. Die Durchführung der Online-
Umfrage dauert pro Teilnehmer circa 15 Minuten. Der Ablauf der Studie wird in
Tabelle 4.2 schematisch dargestellt.
Abbildung 4.2: Ablauf der Studie
4.3 Datenauswertung
Nach Beendigung der Studie, wurden die Daten von 97 Teilnehmern zur Auswer-
tung gesammelt und exportiert.
Anschließend musste überprüft werden, ob alle Angaben verwendbar sind. Die
Werte von fünf Teilnehmern konnten nicht verwendet werden, weil sie die Studie
nicht vollständig durchgeführt haben.
Die Daten dieser Teilnehmer wurden eliminiert. Die Antworten der restlichen 92 Teil-
nehmern wurden aufbereitet und ausgewertet. Unter diesen Teilnehmern waren 84
Studenten, fünf akademische Mitarbeiter und drei mit sonstigem Arbeitsstatus. Die
Mehrheit der Teilnehmer (46) gehört der Fachrichtung Wirtschaftswissenschaften
an. 16 Teilnehmer kommen aus der Informatik, 10 aus der Medieninformatik, 10 aus
29
4 Ablauf der Studie
dem Bereich Mathematik/Wirtschaftsmathematik, 6 aus Software Engineering, ein
Teilnehmer aus Computer Science und drei aus sonstigen Bereichen. Wie bereits
zuvor erwähnt und in der Studie gefordert, haben alle zumindest Grundkenntnisse
in BPMN 2.0. Die Hälfte der Probanden konnte als Experte klassifiziert werden, die
andere Hälfte als Novizen. Die Verteilung der Probanden ist in Abbildung 4.3, sowie
in Anhang C, Tabelle C.1 bis C.8, ersichtlich.
30
4 Ablauf der Studie
(a) Arbeitsstatus
(b) Studienfach
(c) Expertise
Abbildung 4.3: Datenauswertung
31
5 Analyse und Interpretation der
Studie
Nachdem die Daten während der Studie gesammelt wurden, müssen diese nun
ausgewertet und interpretiert werden, um Schlüsse daraus ziehen zu können. Die
quantitative Interpretation kann in drei Schritten durchgeführt werden. Abbildung
5.1 gibt einen Überblick über dieses Kapitel.
Abbildung 5.1: Analyse und Interpretation der Studie
Es wird damit begonnen die Daten anhand von deskriptiven Statistiken zu charakte-
risieren. Danach erfolgt die Datenreduktion. In diesem Schritt werden falsche oder
unstimmige Daten herausgenommen. Zum Schluss erfolgt das Testen der Hypothe-
sen. Hier werden die Daten analysiert, damit die Hypothesen der Studie statistisch
evaluiert werden können. Im Folgenden werden diese einzelnen Schritte genauer
betrachtet.
32
5 Analyse und Interpretation der Studie
5.1 Analyse der Rohdaten und deskriptive Statistik
Zunächst müssen die Rohdaten numerisch aufbereitet werden, damit eine Analyse
mittels SPSS möglich ist. Dafür werden den Modellen mit den unterschiedlichen
Farbvarianten Nummern mit eins bis vier zugewiesen:
• Modell 1: schwarz-weiß (siehe Anhang A - Abb. A.1 und A.5)
• Modell 2: farbige Events (siehe Anhang A - Abb. A.2 und A.6)
• Modell 3: farbige Events und Gateways (siehe Anhang A - Abb. A.3 und A.7)
• Modell 4: komplett farbig (siehe Anhang A - Abb. A.4 und A.8)
Außerdem werden die korrekten Antworten aufsummiert. Für die kognitiven Belas-
tungen wird jeweils der Durchschnitt der angegebenen Antworten berechnet. Um
die Teilnehmer in Experten und Novizen einzuordnen, wird zunächst der Median
über die zugehörigen Antworten berechnet. Anhand dieses Wertes erfolgt die Ein-
ordnung. Die Teilnehmer mit Werten über dem Median werden als Experten und
die darunter als Novizen eingeteilt.
Die deskriptive Statistik verschafft einen ersten Überblick über die Ergebnisse der
Studie. Die Daten sind aufbereitet in einer Tabelle oder Diagrammen sichtbar. Die
Tabellen 5.1 bis 5.8 beinhalten Mittelwert, Standardabweichung, Standardfehler,
die Unter- beziehungsweise Obergrenze für das 95% Konfidenzintervall des Mittel-
werts, sowie minimale und maximale Werte. Die Werte sind jeweils für die verschie-
denen Farbmodelle ersichtlich. Mit Hilfe der deskriptiven Statistik wird ein Eindruck
über die Verteilung der Daten vermittelt.
33
5 Analyse und Interpretation der Studie
Tabelle 5.1: Deskriptive Statistik Hausbaumodelle
Bereits auf den ersten Blick werden für fast alle untersuchten Variablen unterschied-
liche Werte für die Mittelwerte und Standardabweichungen der verschiedenen Farb-
modelle (siehe Tabelle 5.1) erkannt. Modell eins und zwei weisen eine höhere An-
zahl an korrekten Antworten auf, als Modell drei und vier. Vor allem in der Bear-
beitungsdauer sind deutliche Unterschiede feststellbar. Wenn das Hausbaumodell
betrachtet wird, kann erkannt werden, dass das Farbmodell eins (schwarz-weiß)
eine durchschnittliche Bearbeitungsdauer von 615,15 Sekunden aufweist, Modell
vier (komplett farbig) jedoch nur eine Bearbeitungsdauer von 272 Sekunden. Ein
ähnliches Verhalten ist auch festzustellen, wenn die kognitive Belastung betrachtet
wird. Bei jeder der drei Belastungsarten im Hausbaumodell hat das Modell vier den
geringsten Wert und verursacht damit die geringste kognitive Belastung.
34
5 Analyse und Interpretation der Studie
Tabelle 5.2: Deskriptive Statistik Urlaubsmodelle
Werden die Werte für das Urlaubsmodell (siehe Tabelle 5.2) betrachtet, lässt sich
kein identisches Verhalten feststellen. Modell vier hat hier mit 5,759 den höchs-
ten Mittelwert für korrekte Antworten und Modell zwei hat im Gegensatz zu allen
anderen Varianten eine deutlich niedrigere Anzahl. Bei diesem Modell weist das
Farbmodell drei, bei dem lediglich die Events und Gateways farblich sind, die kür-
zeste Bearbeitungsdauer und die niedrigste kognitive Belastung auf. Die höchste
Bearbeitungsdauer zeigt Modell zwei und die höchste kognitive Belastung Modell
eins (schwarz-weiß).
35
5 Analyse und Interpretation der Studie
Tabelle 5.3: Deskriptive Statistik Expertise Hausbaumodelle
Wird die Expertise verglichen (siehe Tabelle 5.3), kann festgestellt werden, dass
der Mittelwert der Summe der korrekten Antworten für Experten etwas höher ist.
Jedoch ist die durchschnittliche Bearbeitungsdauer für Experten fast doppelt so
hoch. Der durchschnittliche GCL ist für Experten etwas niedriger.
36
5 Analyse und Interpretation der Studie
Tabelle 5.4: Deskriptive Statistik Expertise Urlaubsmodelle
Wird die Expertise für die Urlaubsmodelle (siehe Tabelle 5.4) verglichen, kann fest-
gestellt werden, dass der Mittelwert der Summe der korrekten Antworten für Ex-
perten auch hier etwas höher ist. Die durchschnittliche Bearbeitungsdauer ist für
Novizen etwas höher als für Experten. Die durchschnittliche kognitive Belastung ist
für Experten jeweils etwas niedriger.
Um herausfinden zu können, ob für Experten und Novizen auch ein Unterschied
zwischen den verschiedenen Farbvarianten erkennbar ist, wird jeweils die deskrip-
tive Statistik für Novizen und Experten separat betrachtet.
37
5 Analyse und Interpretation der Studie
Tabelle 5.5: Deskriptive Statistik für Novizen Hausbaumodelle
Wird die Tabelle der Hausbaumodelle für Novizen betrachtet (siehe Tabelle 5.5), ist
der Mittelwert der Summe der korrekten Antworten für Modell vier am niedrigsten,
mit 4,033 und für Modell eins am höchsten (4,500). Die durchschnittliche Bearbei-
tungsdauer ist für Modell drei am höchsten, mit 300,20 und für Modell zwei mit
225,63 am niedrigsten. Der durchschnittliche ICL und GCL sind für Modell eins am
höchsten und Modell drei am niedrigsten. Der durchschnittliche ECL beträgt für Mo-
dell zwei 4,916 und ist damit deutlich höher als bei den anderen Varianten.
38
5 Analyse und Interpretation der Studie
Tabelle 5.6: Deskriptive Statistik für Novizen Urlaubsmodelle
In der Tabelle der Urlaubsmodelle für Novizen (siehe Tabelle 5.6) kann festgestellt
werden, dass die Summe der korrekten Antworten für Modell zwei am niedrigsten
ist. Dies ist auch der Fall für Experten (5,222). Bei Experten ist der höchste Wert
bei Modell vier gegeben (5,816). Die durchschnittliche Bearbeitungsdauer ist bei
Novizen für Modell eins am höchsten und für Modell drei und vier deutlich niedriger.
39
5 Analyse und Interpretation der Studie
Tabelle 5.7: Deskriptive Statistik für Experten Hausbaumodelle
Im Vergleich dazu wird die Tabelle für Experten betrachtet (siehe Tabelle 5.7). Auch
hier ist, wie bei den Novizen, die Summe der korrekten Antworten für Modell vier,
mit 4,056, am niedrigsten, jedoch für Modell zwei am höchsten (4,818). Die durch-
schnittliche Bearbeitungsdauer ist für Modell eins mit 940,69 sehr hoch, am nied-
rigsten ist sie für Modell vier (298). Der ICL und ECL sind hier für Modell zwei am
höchsten (3,273), der GCL für Modell drei (3,154). Für Modell vier sind ICL, GCL
und ECL am niedrigsten.
40
5 Analyse und Interpretation der Studie
Tabelle 5.8: Deskriptive Statistik für Experten Urlaubsmodelle
Experten verhalten sich für das Urlaubsmodell (siehe Tabelle 5.8) etwas anders,
die durchschnittliche Bearbeitungsdauer ist für diese bei Modell zwei am höchsten
(317,44) und für Modell eins am niedrigsten (128,44). Der ICL, ECL und GCL ist für
Modell drei jeweils am niedrigsten. Der ICL und GCL ist für Modell zwei am höchs-
ten und der ECL für Modell eins. Bei Experten ist der ICL, GCL und ECL für Modell
drei am niedrigsten und der ICL und GCL für Modell zwei am höchsten, der ECL für
Modell eins.
Ob ein farbiges Modell im Gegensatz zu einem schwarz-weißen Modell nun ei-
ne geringere Bearbeitungsdauer aufweist und eine niedrigere kognitive Belastung
verursacht, lässt sich jedoch noch nicht sicher sagen, obwohl die Tabellen den Ein-
druck erwecken. Um eine statistische Aussage treffen zu können, muss zunächst
ein statistischer Test durchgeführt werden (siehe Kap. 5.3).
41
5 Analyse und Interpretation der Studie
5.2 Reduktion der Daten
Alle Berechnungen, die in Kapitel 5.1 durchgeführt wurden, hängen in starkem Ma-
ße von der Qualität der Daten ab. Fehler in den Daten können beispielsweise durch
Ausreißer zustande kommen. Ausreißer sind Werte, die sich komplett von allen an-
deren unterscheiden. Sie können das Ergebnis stark beeinflussen [38]. Die Daten-
reduktion hängt eng mit der Datenauswertung in Kapitel 4.3 zusammen. In Kapitel
4.3 wurden die Daten im Zusammenhang mit der Durchführung des Experiments
auf Validität geprüft. Zum Beispiel wurde identifiziert, ob die Studie bis zum Ende
durchgeführt wurde. In diesem Kapitel sollen nicht nur Ausreißer identifiziert wer-
den, die mit der Durchführung der Studie zu tun haben, sondern es werden auch
die Ergebnisse und die deskriptive Statistik betrachtet. Boxplot-Diagramme helfen
dabei Verteilungen zu visualisieren. Dabei können die Mittelwerte und Ausreißer
schnell erkannt werden.
Bei der Summe der korrekten Antworten für das Hausbaudiagramm (siehe Abbil-
dung 5.2) gibt es für jeden Diagrammtyp ein bis drei Ausreißer, die deutlich un-
ter dem Durchschnitt liegen. Auch die verschiedenen kognitiven Belastungen wei-
sen welche auf: Modell zwei und vier des GCL zeigen jeweils einen, der über dem
Durchschnitt liegt. Beim ECL ist einer in Modell drei zu finden.
Bei der Bearbeitungsdauer treten auch deutliche Ausreißer auf. Modell eins besitzt
eine starke Abweichung, Modell drei und vier jeweils kleinere.
Werden nun die Urlaubsdiagramme (siehe Abbildung 5.3) betrachtet, lassen sich für
die Summe der korrekten Antworten für Modell zwei einige starke Ausreißer identi-
fizieren. Diese liegen sowohl deutlich unter als auch über dem Durchschnitt. Auch
Modell vier zeigt zwei, die beide unter dem Durchschnitt liegen. Der ICL von Modell
zwei und vier hat kleinere Ausreißer, Modell drei einen deutlichen. Alle Ausreißer
liegen hier über dem Durchschnitt. Der GCL und ECL hat bei Modell zwei, drei und
vier welche, die deutlich über dem Schnitt liegen. Auch die Urlaubsdiagramme ha-
ben in der Bearbeitungsdauer starke Abweichungen, vor allem für Modell eins und
zwei. Diese liegen weit über dem Durchschnitt.
Im Fall dieser Arbeit, wurden die Ausreißer nicht aus den Daten entfernt, da die
Daten korrekt erfasst wurden und diese Werte mitberücksichtigt werden sollen.
42
5 Analyse und Interpretation der Studie
(a) Anzahl korrekter Antworten (b) Bearbeitungsdauer
(c) ICL (d) GCL
(e) ECL
Abbildung 5.2: Boxplot Hausbaumodelle
43
5 Analyse und Interpretation der Studie
(a) Anzahl korrekter Antworten (b) Bearbeitungsdauer
(c) ICL (d) GCL
(e) ECL
Abbildung 5.3: Boxplot Urlaubsmodelle
44
5 Analyse und Interpretation der Studie
5.3 Testen der Hypothesen
Beim Testen der Hypothesen soll, mit Hilfe statistischer Verteilungen, festgestellt
werden, ob die Nullhypothesen H0abgelehnt werden können. Die Nullhypothese
beschreibt bestimmte Eigenschaften einer Verteilung. Diese sollen mit einer gege-
benen Signifikanz widerlegt werden. Falls die Nullhypothese nicht widerlegt werden
kann, kann keine Aussage über die Ergebnisse gemacht werden. Wird sie jedoch
widerlegt, kann festgestellt werden, dass die Hypothese mit gegebener Signifikanz
falsch ist [52].
Es gibt keinen Hypothesentest, der die Hypothesen mit absoluter Sicherheit aus-
werten kann. In der Studie wurde eine repräsentative Gruppe und nicht die ge-
samte Bevölkerung befragt, daher beruhen unsere Daten auf einer Stichprobe und
daher ist es mit einer gewissen Wahrscheinlichkeit möglich, dass falsche Schlüsse
aus den Daten gezogen werden. Es kann eine Wahrscheinlichkeit bestimmt wer-
den, mit der eine falsche Hypothese akzeptiert wird, das Signifikanzlevel. Mit Hilfe
von diesem festgelegten Signifikanzlevel können statistische Tests mit den Daten
berechnet werden. Auch die statistischen Tests können in gewisser Weise unwahr-
scheinlich sein. Es wird zwischen zwei Fehlerarten unterschieden, die auftreten
können: Eine wahre Nullhypothese wird fälschlicherweise widerlegt (Typ I) oder ei-
ne falsche Nullhypothese wird nicht widerlegt (Typ II). Das Problem ist, dass nicht
mit Sicherheit gesagt werden kann, ob H0wahr oder falsch ist [38].
Bereits in den deskriptiven Statistiken sind Unterschiede zwischen den verschie-
denen Farbvarianten erkennbar. Um die zuvor aufgestellten Hypothesen nun zu
testen, wurde zunächst eine ANOVA (einfaktorielle Varianzanalyse) inklusive Post-
Hoc-Test (Bonferroni) berechnet. Eine ANOVA ist hilfreich, wenn drei oder mehr
Punkte verglichen werden sollen, da sie multiple Unterschiede in einer Analyse auf-
zeigen kann [38]. Es soll getestet werden ob ein signifikanter Teil der Varianz durch
die Gruppenvariable erklärt werden kann. In diesem Fall werden die vier verschie-
denfarbigen Prozessmodelle auf Signifikanz geprüft.
Input: k= 4 Gruppen x11, x12, ..., x1n1;x21, x22, ..., x2n2;...;xk1, xk2, xknk
H0:µx1=µx2=... =µxk
d.h. es wird angenommen, dass alle Mittelwerte gleich sind.
45
5 Analyse und Interpretation der Studie
Es wird ein F-Test berechnet mit den Freiheitsgraden df1= 3 und df2= 88. Die drei
Freiheitsgrade ergeben sich aus der Anzahl der Modelle , jeweils vier ( =k), minus
eins und die 88 aus der Anzahl der Probanden, 92 (N= 92), minus die Anzahl an
Gruppen (k= 4). Die Berechnung des F-Wertes wird in (5.1) dargestellt:
F=Pk
j=1 gj( ¯x.j −¯x)2/(k−1)
PN
i=1(xij −¯x.j )2/(N−k)(5.1)
Hierbei steht gjfür die Größe der Gruppe j, xjgibt den Mittelwert der Gruppe j an.
Der Punktindex gibt die Summation über die punktierten Indizes an, zum Beispiel
x.j =Pixij.
Die Signifikanz beschreibt die Wahrscheinlichkeit, den berechneten F-Wert oder
einen größeren zu erhalten. Gefolgert werden kann, dass sich die Mittelwerte von-
einander unterscheiden, wenn die Signifikanz unter 0,05 liegt [52].
In den Post-Hoc-Tests werden Mehrfachvergleiche gemacht, um Unterschiede, die
signifikant sind, feststellen zu können. So können für alle Gruppen, in diesem Fall
Farbvarianten, Vergleiche gebildet werden. Die Bonferroni-Methode berechnet den
Vergleich jeder Gruppe auf einem statistischen Signifikanzlevel alpha dividiert durch
die Anzahl der gemachten Vergleiche [38].
Die ANOVA für die Hausbaumodelle (siehe Anhang D - Tabelle D.1) zeigt, dass es
einen signifikanten Unterschied im Zusammenhang der durchschnittlichen Anzahl
an korrekten Antworten zwischen den vier Prozessmodellen gibt (F(3,88)=5,74;
p=0,001). Außerdem besteht ein signifikanter Unterschied im Zusammenhang der
durchschnittlichen extrinsischen kognitiven Belastung (F(3,88)=4,39; p=0,006). Es
gibt keinen signifikanten Unterschied im Zusammenhang der durchschnittlichen Be-
arbeitungsdauer (p=0,443), der intrinsischen kognitiven Belastung (p=0,208) und
der germanen kognitiven Belastung (p=0,889) zwischen den Modellen.
Um feststellen zu können zwischen welchen Gruppen der signifikante Unterschied
im Zusammenhang besteht, wird der Post-Hoc-Test mit Bonferroni betrachtet (sie-
he Anhang D - Tabelle D.4). Im Zusammenhang der durchschnittlichen Anzahl an
korrekten Antworten gibt es einen signifikanten Unterschied zwischen Hausbau-
46
5 Analyse und Interpretation der Studie
modell vier und eins (p=0,004), zwischen Hausbaumodell vier und zwei (p=0,004)
und zwischen Hausbaumodell vier und drei (p=0,031). Wird dieses Ergebnis mit
der Feststellung aus der deskriptiven Statistik verbunden, lässt sich eine Tendenz
feststellen: Da die beiden Farbvarianten mit dem höchsten Farbanteil eine niedrige-
re durchschnittliche Summe an korrekten Antworten haben, kann gefolgert werden,
dass zu viel Farbe die Anzahl der korrekten Antworten negativ beeinflusst.
Wird nun der Zusammenhang der durchschnittlichen extrinsischen kognitiven Be-
lastung betrachtet, besteht ein signifikanter Unterschied zwischen Hausbaumodell
vier und Hausbaumodell zwei (p=0,004). Da die deskriptive Statistik für Hausbau-
modell drei und vier im Mittelwert die geringste extrinsische kognitive Belastung auf-
weist, lässt sich daraus ableiten, dass für die Hausbaumodelle mit mehr Farbanteil
die extrinsische kognitive Belastung kleiner ist. Somit scheint Farbe die extrinsische
kognitive Belastung zu reduzieren.
Die ANOVA für die Urlaubsmodelle zeigt ebenfalls einen signifikanten Unterschied
im Zusammenhang der durchschnittlichen Anzahl der korrekten Antworten zwi-
schen den Urlaubsmodellen (F(3,88)=13,125; p<0,001). Der Post-Hoc-Test mit Bon-
ferroni (siehe Anhang D - Tabelle D.5) zeigt, dass dieser Effekt zwischen dem Ur-
laubsmodell zwei und allen anderen Farbvarianten besteht (p<0,001). Die deskrip-
tive Statistik weist für Modell zwei eine deutlich niedrigere durchschnittliche Anzahl
an korrekten Antworten auf, als für die anderen Farbvarianten. Das Urlaubsmodell
mit dem höchsten Farbanteil hat den höchsten Mittelwert, jedoch ist der Mittelwert
des schwarz-weißen Urlaubsmodells nicht viel niedriger. Bei den Urlaubsmodellen
lässt sich erkennen, dass gar keine Farbe oder ein hoher Farbanteil die Verständ-
lichkeit positiv beeinflusst. Ansonsten ist in den Urlaubsmodellen kein weiterer si-
gnifikanter Unterschied vorhanden.
Um nun feststellen zu können inwiefern sich der Farbeinfluss bei Novizen oder Ex-
perten unterscheidet, wurde ein T-Test für zwei Stichproben durchgeführt.
Beim T-Test handelt es sich um einen parametrischen Test. Er wird genutzt um die
Mittelwerte zweier unabhängiger Gruppen, in diesem Fall Novizen und Experten,
miteinander zu vergleichen. Hierbei muss im ersten Schritt der Levene-Test der Va-
rianzgleichheit betrachtet werden, um analysieren zu können, ob die Varianz beider
Gruppen gleich ist [52]. Liegt die Signifikanz des Levene-Tests unter 0,05 wird die
Nullhypothese, dass die Varianzen gleich sind abgelehnt und es kann angenommen
werden, dass die Varianzen beider Gruppen gleich sind.
47
5 Analyse und Interpretation der Studie
Input: 2Gruppen x11, x12, ..., x1n1;x21, x22, ..., x2n2
H0:µx1=µx2, d.h. es wird angenommen, dass die Mittelwerte gleich sind.
T=¯x1−¯x2
S¯x1−¯x2
(5.2)
S¯x1−¯x2=Spr1
n1
+1
n2
(5.3)
Sp=s(n1−1)s2
1+ (n2−1)s2
2
df (5.4)
df =n1+n2−2(5.5)
¯x1steht für den Mittelwert der ersten Gruppe, in diesem Fall Novizen, und ¯x2für den
Mittelwert der zweiten Gruppe, Experten. n1beziehungsweise n2gibt die Gruppen-
größe an. Hier sind beide Gruppen mit 46 Probanden gleich groß. Mittels (5.2) kann
der T-Wert berechnet werden, mittels (5.3) die Standardfehlerdifferenz, mittels (5.4)
der Schätzwert für die Standardabweichung und mittels (5.5) die Freiheitsgrade.
Wird die Signifikanz des Levene-Tests (siehe Anhang D - Tabelle D.10) betrachtet,
wird festgestellt, dass die Signifikanz für die durchschnittliche Anzahl an korrek-
ten Antworten p=0,234, für die durchschnittliche Bearbeitungsdauer p=0,052, für
den durchschnittlichen ICL p=0,51, für den durchschnittlichen GCL p=0,995 und für
den durchschnittlichen ECL p=0,746 beträgt. Daher kann angenommen werden,
dass die Varianzen beider Gruppen gleich sind. Die Differenz der durchschnittli-
chen Anzahl an korrekten Antworten von Novizen (M=4,3; SD=0,64) und Experten
(M=4,6; SD=0,56) ist signifikant (T(90)=-2,34; p=0,021). Die Differenz der durch-
schnittlichen Bearbeitungsdauer (p=0,189), dem durchschnittlichen ICL (p=0,475),
dem durchschnittlichen GCL (p=0,335) und dem durchschnittlichen ECL (p=0,859)
ist nicht signifikant. Wird dies mit der deskriptiven Statistik verbunden, kann man
darauf schließen, dass Experten im Schnitt mehr korrekte Antworten hatten.
Auch bei den Urlaubsmodellen (siehe Anhang D - Tabelle D.11) kann bei Betrach-
tung des Levene-Tests festgestellt werden, dass die Signifikanz für alle Variablen
48
5 Analyse und Interpretation der Studie
größer 0,05 ist. Die Varianzen sind demnach für die Urlaubsmodelle gleich. Die
Differenzen der durchschnittlichen Anzahl an korrekten Antworten (p=0,137), Bear-
beitungsdauer (p=0,659), ICL (p=0,432), GCL (p=0,589) oder ECL (p=0,513) sind
nicht signifikant. Für das Urlaubsmodell lässt sich demnach kein signifikanter Un-
terschied zwischen Experten und Novizen feststellen.
Wird eine ANOVA für die Experten durchgeführt (siehe Anhang D - Tabelle D.2),
gibt es einen signifikanten Unterschied im Zusammenhang der durchschnittlichen
Anzahl an korrekten Antworten zwischen den vier Hausbaumodellen (F(3,42)=4,45;
p=0,008). Der Post-Hoc-Test Bonferroni (siehe Anhang D - Tabelle D.8) lässt darauf
schließen, dass dieser signifikante Unterschied zwischen Hausbaumodell vier und
allen andere Farbvarianten vorliegt (p=0,058; p=0,023; p=0,011). Der Mittelwert für
Hausbaumodell vier ist bei Experten am niedrigsten, was die Vermutung aus der
allgemeinen Betrachtung auch hier bestätigt. Zu viel Farbe wirkt sich bei Experten
negativ auf die Verständlichkeit aus. Weitere signifikante Unterschiede können für
Experten nicht festgestellt werden. Ebenfalls ist ein signifikanter Unterschied im Zu-
sammenhang der durchschnittlichen Anzahl an korrekten Antworten zwischen den
vier Urlaubsmodellen erkennbar (F(3,42)=5,47; p=0,003). Dieser signifikante Unter-
schied besteht, laut Post-Hoc-Test Bonferroni (siehe Anhang D - Tabelle D.9), zwi-
schen Urlaubsmodell zwei und allen anderen Urlaubsmodellen (p=0,039; p=0,039;
p=0,002). Auch für Experten lässt sich bestätigen, dass gar keine Farbe oder ein
hoher Farbanteil in den Urlaubsmodellen die Verständlichkeit positiv beeinflusst.
Bei der ANOVA für Novizen (siehe Anhang D - Tabelle D.3) besteht ein signifikanter
Unterschied im Zusammenhang der durchschnittlichen ECL zwischen den Haus-
baumodellen (F(3,42)=4,123; p=0,012). Der Bonferroni-Post-Hoc-Test (siehe An-
hang D - Tabelle D.6) zeigt diesen signifikanten Unterschied zwischen Hausbaumo-
dell zwei und drei (p=0,041) und zwischen Hausbaumodell zwei und vier (p=0,011).
Der deskriptiven Statistik nach ist der Mittelwert für Modell 2 fast doppelt so hoch,
wie für Modell drei oder vier. Für Novizen wirkt sich zu viel Farbe daher negativ
auf den ECL aus. Auch hier sind keine weiteren signifikanten Unterschiede vorhan-
den. Es gibt einen signifikanten Unterschied im Zusammenhang der durchschnitt-
lichen Anzahl korrekter Antworten zwischen den Urlaubsmodellen (F(3,42)=7,186;
p=0,001). Dieser besteht, laut Post-Hoc-Test Bonferroni (siehe Anhang D - Tabelle
D.7), zwischen Urlaubsmodell zwei und allen anderen Urlaubsmodellen (p=0,001;
p=0,003; p=0,007). Demnach wirkt sich gar keine Farbe oder ein hoher Farbanteil
in den Urlaubsmodellen, nicht nur auf Experten, sondern auch auf Novizen positiv
49
5 Analyse und Interpretation der Studie
Tabelle 5.9: Ergebnisse Hypothesentest ANOVA
5.4 Zusammenfassung und Diskussion
Wie in Kapitel 3.1 bereits beschrieben, soll diese Studie den Farbeffekt in Prozess-
modellen herausarbeiten. Die zentrale Fragestellung war:
Verbessern Farben die Verständlichkeit eines BPMN-Prozessmodells bzw. helfen
Farben dabei ein BPMN-Prozessmodell schneller zu verstehen?
Die Hypothese H0,1wird angenommen und damit die Alternativhypothese verwor-
fen. Nach der Auswertung der Hausbaumodelle beeinflusst zu viel Farbe in Pro-
zessmodellen die Anzahl der korrekten Antworten negativ. Bei Betrachtung eines
anderen Modells, des Urlaubsmodells, bestätigte sich dies nicht. Hier lässt sich
nicht feststellen, ob ein hoher Farbanteil oder gar keine Farbe das Verständnis för-
dert. Dies scheint im Bezug auf die Verständlichkeit keine Rolle zu spielen. Lediglich
sehr wenig Kolorierung beeinflusst die Verständlichkeit negativ. Die Verständlich-
51
5 Analyse und Interpretation der Studie
keit wird daher nur in manchen Prozessmodellen durch den Farbeinsatz verbes-
sert, beziehungsweise es ist kaum ein Unterschied zu dem schwarz-weißen Modell
feststellbar. In anderen Modellen verschlechtert Farbe sogar die Verständlichkeit.
Außerdem ist der Farbanteil in diesem Zusammenhang ein wichtiges Kriterium.
H0,2wird angenommen. Bei keinem der beiden Modelle ist ein signifikanter Effekt
feststellbar. Demnach scheint Farbe kaum oder keinen Einfluss darauf zu haben,
wie schnell ein Prozessmodell gelesen und verstanden wird.
Nun ist die Frage zu klären, ob der Farbeinsatz die kognitive Belastung reduziert.
H0,3und H0,5werden angenommen. Es war bei keinem Modell ein signifikanter
Zusammenhang für die intrinsische und germane kognitive Belastung ersichtlich.
Der Farbeinsatz in BPMN-Prozessmodellen reduziert somit weder die intrinsische,
noch die germane Belastung. Für das Hausbaumodell kann H0,4verworfen werden
und H1,4angenommen werden. Für dieses Modell reduziert Farbe die extrinsische
kognitive Belastung. Dieses Verhalten kann für das Urlaubsmodell jedoch nicht be-
obachtet werden und daher kann die Nullhypothese in diesem Fall nicht verworfen
werden. Im Allgemeinen reduziert der Farbeinsatz nicht die extrinsische kognitive
Belastung.
Nur für eine Art der Modelle, die Hausbaumodelle, konnte ein signifikanter Unter-
schied zwischen Experten und Novizen festgestellt werden, nämlich bei der Anzahl
an korrekten Antworten. Wie erwartet, haben Experten mehr Fragen korrekt beant-
wortet, wie Novizen. Dies lässt sich jedoch nicht auf den Farbeinfluss zurückführen,
sondern lediglich auf das bessere Wissen bezüglich BPMN. Zu viel Farbe wirkt sich
bei Experten in den Hausbaumodellen sogar negativ auf die Verständlichkeit aus.
Für Novizen konnte interessanterweise kein Zusammenhang festgestellt werden.
Farben sind auch für Novizen keine Hilfe, wenn es darum geht ein Prozessmodell
schneller und besser zu verstehen. Dies steht im Gegensatz zu der Alternativhypo-
these H1,6. Zu viel Farbe wirkt sich bei Novizen negativ auf den ECL aus, was bei
Experten nicht beobachtet werden konnte. Auch dies ist gegenteilig zu der Alter-
nativhypothese H1,9und entspricht nicht der Erwartung, dass er ECL durch Farbe
reduziert wird, da das Modell pädagogisch verändert wird. Gar keine Farbe oder
ein hoher Farbanteil haben in den Urlaubsmodellen, sowohl auf Experten, als auch
auf Novizen einen positiven Einfluss auf die Verständlichkeit und ein sehr geringer
Farbanteil einen negativen Einfluss. Bei den Urlaubsmodellen ist kein signifikanter
Unterschied zwischen Novizen und Experten erkennbar, Kolorierung wirkt sich für
beide ähnlich aus. Zusammenfassend werden die Nullhypothesen H0,6bis H0,10
52
5 Analyse und Interpretation der Studie
angenommen und die dazugehörigen Alternativhypothesen werden verworfen.
Obwohl einige signifikante Effekte beobachtet werden konnten, passen diese nicht
zu den in Kapitel 3.3 aufgestellten Alternativhypothesen. Keine der aufgestellten
Alternativhypothesen kann vollständig angenommen werden. H1,1,H1,6und H1,9
zeigen sogar für eines der Modelle das Gegenteil davon, was angenommen wur-
de. Die Erwartung, durch die theoretische Recherche, dass Farben einen enormen
Effekt auf das Lesen und Verstehen von Prozessmodellen haben, kann nicht be-
stätigt werden. Die Kolorierung hilft nicht zwangsläufig dabei ein Prozessmodell
besser oder schneller zu verstehen. Auch reduziert sie nicht zwangsläufige die ko-
gnitive Belastung während dem Bearbeiten. Ebenso wenig helfen Farben vor allem
Novizen dabei, ein Prozessmodell besser und schneller zu verstehen und reduzie-
ren deren kognitive Belastung. Interessant ist, dass der Farbanteil wichtig zu sein
scheint. Besonders bei dem Urlaubsmodell scheint sowohl das komplett farbige
Modell, als auch das schwarz-weiße Modell leserlicher zu sein, als das mit dem
geringsten Farbanteil. Diese Erkenntnis führt zu der Frage was mögliche Gründe
für dieses Verhalten sein können.
Es wäre möglich, dass die Ergebnisse nicht präzise genug sind. Die Teilnehmer
der Studie führten diese online und selbstständig durch. Die Durchführung konnte
nicht kontrolliert werden. Eventuell wurde die Studie nebenbei durchgeführt, wäh-
rend der Fokus der Konzentration auf etwas anderem lag. Eine weitere Möglichkeit
wäre, dass die Teilnehmer die Studie kurz unterbrachen und später fortführten. Die-
se Punkte könnten vor allem die Bearbeitungsdauer beeinflusst haben, aber auch
die Anzahl der korrekten Antworten.
Die kognitive Belastung wurde durch eine Selbsteinschätzung mittels einer Ska-
la gemessen und beruhte daher ausschließlich auf der Einschätzung der Teilneh-
mer. Denkbar ist in diesem Zusammenhang, dass die Selbsteinschätzung entweder
nicht ehrlich erfolgte oder die Teilnehmer sich nicht richtig selbst einschätzen konn-
ten.
Einige Alternativhypothesen können nur für eines der beiden Modelle angenommen
werden. Dies lässt vermuten, dass das Prozessmodell an sich beim Farbeinsatz
auch eine Rolle spielt. Die Größe der beiden Modelle ist durch die gleiche Anzahl an
Elementen sehr ähnlich gewählt worden, jedoch unterscheidet sich deren Aufbau
und das inhaltliche Thema. Der persönliche thematische Bezug, beziehungsweise
das allgemeine Verständnis für das behandelte Thema kann auch Einfluss auf das
53
5 Analyse und Interpretation der Studie
Ergebnis haben. In [26], [34], [23] wurde thematisiert, dass persönlicher Faktoren
Einfluss auf die Verständlichkeit haben. Dies könnte ein Grund für die großen Un-
terschiede zwischen den Hausbau- und Urlaubsmodellen sein. Einen Urlaub hat
vermutlich ein Großteil der Probanden schon Mal geplant oder kann sich die Schrit-
te zumindest vorstellen. Die Schritte eines Hausbaus sind den meisten, die sich
noch nicht damit beschäftigt haben, vermutlich fremd. Ebenso kann der Aufbau ei-
nes Modells ein Einflussfaktor sein.
Vorstellbar ist, dass die Ergebnisse für ein sehr komplexes Modell anders wären.
Vielleicht würde die Verwendung von Farbe dazu beitragen sich schneller und bes-
ser zurecht zu finden. Da die Modelle der Studie einfach aufgebaut waren, besteht
die Möglichkeit, dass der Einsatz von Farbe dort nicht notwendig war oder sich so-
gar störend ausgewirkt hat.
54
6 Verwandte Arbeiten
In dieser Arbeit wurde der Farbeinfluss auf das Lesen und Verstehen von BPMN-
Modellen untersucht, inwiefern Farben die kognitive Belastung beeinflussen und ob
es einen Unterschied zwischen Novizen und Experten gibt. Es gibt eine Vielzahl
verschiedener Arbeiten und Studien, die die unterschiedlichen Einflüsse auf Pro-
zessmodelle und deren Verständlichkeit betrachtet haben.
Die Arbeit „Guidelines of Business Process Modeling“ [3] betrachtet die Qualität
von Modellen aus verschiedenen Perspektiven. Die Arbeit beschreibt Aspekte, die
für die Übersichtlichkeit und Verständlichkeit von Modellen wichtig sind und somit
die pragmatische Qualität erhöhen. [25] erläutert sieben Konventionen, die „Seven
Process Modeling Guidelines (7PMG)“, die eine Empfehlung für das Modellieren
von Prozessmodellen abgeben. Damit sollen mögliche Fehlerquellen von vornher-
ein vermieden werden und wodurch eine hohe Prozessmodellqualität gewährleistet
werden soll.
In [33] werden fünf Ästhetiken betrachtet und versucht ihre Wichtigkeit in eine Rang-
folge zu bringen. Darüber hinaus werden mögliche Auswirkungen von Störfaktoren
in Modellen dargestellt. Bernstein und Soffer zeigen in [5], wie wichtig es ist, eine
Sammlung von Layoutmerkmalen zu entwickeln, die von den Anwendern als sinn-
voll wahrgenommenen werden und mit denen das Layout eines Modells charakte-
risiert werden kann. Einige der häufigsten Qualitätsdimensionen und deren relati-
ven Einfluss auf die Nützlichkeit von Modellen werden in [36] betrachtet. „Cognitive
Measurement of Graph Aesthetics“ [49] hat herausgefunden, dass für ein qualitati-
ves Modell nach der Länge des Pfades die beiden wichtigsten Faktoren Kontinuität
und Kantenübergänge sind. Ein weiterer wichtiger Faktor ist die Anzahl der Zweige,
die vom Knoten auf den Pfad ausgehen. Außerdem wurden auch kognitive Aspekte
berücksichtigt.
In [26] wurde mittels einer Onlineumfrage der empirische Zusammenhang zwischen
verschiedenen Faktoren und der Prozessmodellverständlichkeit erarbeitet. Mend-
55
6 Verwandte Arbeiten
ling und Strembeck haben sich insbesondere auf verschiedene persönliche, modell-
und inhaltsbezogene Einflussfaktoren konzentriert. Insgesamt konnte die Umfrage
zeigen, dass diese Faktoren Einfluss auf die Verständlichkeit von Geschäftspro-
zessmodellen haben. Der Einfluss von persönlichen und modellbezogenen Fakto-
ren auf die Verständlichkeit von Prozessmodellen wird ebenfalls in [34] thematisiert,
wobei herausgefunden wurde, dass persönliche Faktoren eine stärkere Auswirkung
auf die Verständlichkeit haben als modellbezogene Faktoren. Die Haupthypothesen
sind, dass Experten besser abschneiden werden und dass die Komplexität des Mo-
dells das Verständnis beeinflusst.
[23] betrachtet ebenfalls die Verständlichkeit als Indiz für die Qualität von Prozess-
modellen und vor allem deren Beziehungen zu persönlichen Merkmalen und Mo-
dellmerkmalen.
Die Arbeit [18] untersucht die intuitive Verständlichkeit von Diagrammen, die in den
am meisten verbreiteten Notationen modelliert wurden.
[42] beschäftigt sich mit der Auswirkung der sekundären Notation auf die kognitive
Effektivität. In erster Linie zeigt [42], dass Rechercheergebnisse bezüglich der se-
kundären Notation, die noch nicht in der primären Notation enthalten sind, schnell
in die Praxis umgesetzt werden können, ohne im Gegensatz zur primären Nota-
tion zu stehen. Um ihre Thesen anhand eines Beispiels zu verdeutlichen haben
sie [27] gewählt. Dabei geht es um die einfache und genaue Unterscheidung grafi-
scher Elemente, die davon abhängig ist, wie stark sich die visuellen Variablen für die
Modellierung unterscheiden. In der verwandten Arbeit [41] wurde der Prozessfluss
in diesem Zusammenhang untersucht. Dabei wurde herausgefunden, dass eine
sorgfältige Entscheidung darüber, wie viel Aufmerksamkeit auf ein Modellelement
gelenkt werden soll, signifikante positive Auswirkungen auf das Modellverständnis
von Novizen hat. [42] zielte besonders drauf ab wie viel Aufmerksamkeit einem
BPMN-Konstrukt geschenkt werden sollte, indem Elemente analysiert wurden, die
für das Modellverständnis besonders wichtig sind.
Die Arbeit [32] untersucht, wie sich die Leistung von Subjekten über verschiedene
Arten von Verständnisaufgaben unterscheidet. Die Komplexität der Verständnisauf-
gaben basiert in dieser Arbeit auf visueller Wahrnehmung.
[53] untersucht das Problem der Verständlichkeit unter dem Gesichtspunkt der ko-
gnitiven Psychologie. Insbesondere wurde beschrieben, wie Chunking, Computer-
Offloading und das externe Gedächtnis die mentale Anstrengung verringern kön-
nen. Damit soll das Verständnis eines Prozessmodells erleichtert und unterstützt
56
6 Verwandte Arbeiten
werden. In [28] werden die Auswirkungen der Reduktion der kognitiven Belastung
auf das Verständnis konzeptioneller Modelle bei dem Endbenutzer dargestellt. Da-
durch sollen Anforderungen beim Modellieren erfüllt werden und Fehler vermieden
werden.
[43] diskutiert die harmonische Kombination verschiedener Farben und wie diese
für ein harmonisches, konzeptuelles Modell genutzt werden können.
Auch [35] beschreibt das Problem, wie man Prozessmodell-Leser dabei unterstüt-
zen kann den Sinn eines Modells zu verstehen. Die Arbeit beschäftigt sich ebenfalls
mit dem Einsatz von Farben, jedoch beschränkt sie sich auf das Hervorheben der
Syntax in Workflow-Netzen und auf das Hervorheben passender Operatorpaare
durch Farbe.
Diese Arbeit beschäftigte sich mit dem Farbeinfluss sowohl auf das Lesen, als auch
auf das Verstehen von BPMN-Prozessmodellen. Ebenso untersuchte sie den Zu-
sammenhang zur kognitiven Belastung und den Unterschied des Farbeinflusses
zwischen Novizen und Experten. Es wurden verschiedene Prozessmodelle mit un-
terschiedlichem Farbanteil betrachtet und miteinander verglichen, um herausfinden
zu können wie viel Farbe sich positiv auswirkt.
57
7 Fazit
Diese Arbeit untersuchte den Effekt der Kolorierung beim Lesen und Verstehen von
Prozessmodellen. Um die Effekte herausarbeiten zu können, wurde eine Studie,
in Form einer Online-Umfrage, durchgeführt. Zunächst wurde anhand von Fragen
und Aussagen, die einer Skala zugeordnet werden sollten, der Kenntnisstand über
die Prozessmodellierung und BPMN 2.0 ermittelt. Anschließend wurde ein farblich
zufällig zugeordnetes Prozessmodell über den Ablauf eines Hausbaus gezeigt, zu
dem inhaltliche Fragen beantwortet werden sollten. Danach wurden Fragen gestellt,
mit Hilfe derer die kognitive Belastung gemessen wurde. Um den Unterschied zu
einer anderen Farbstufe feststellen zu können, bekam der Proband ein weiteres
Modell gezeigt, diesmal in einer anderen Farbstufe und einer anderen Thematik,
der Urlaubsplanung. Auch zu diesem Modell sollten inhaltliche Fragen, sowie Fra-
gen zur kognitiven Belastung beantwortet werden. Die Daten von 92 Teilnehmern
wurden ausgewertet.
Obwohl einige signifikanten Zusammenhänge erkennbar waren, passte keiner zu
den aufgestellten Hypothesen. Daher müssen die Nullhypothesen angenommen
werden und die Alternativhypothesen müssen abgelehnt werden. Überraschender-
weise hat Farbe keinen Effekt auf das Lesen und Verstehen von Prozessmodellen.
Interessanterweise konnte zum Teil sogar das genaue Gegenteil beobachtet wer-
den. Der Farbanteil spielt in diesem Zusammenhang auch eine Rolle.
Letztendlich sollten weitere Studien durchgeführt werden, um die Ergebnisse zu
verallgemeinern. Beispielsweise sollte die Studie in einer anderen Umgebung durch-
geführt werden. In diesem Zuge ist es ratsam ein realitätsnahes, sehr komplexes
Modell zu verwenden. Es sollte nach einer anderen Möglichkeit gesucht werden
die kognitive Belastung der Probanden zu messen, um der Selbsteinschätzung zu
entgehen. Damit das Themengebiet des Modells keinen Einfluss auf die Ergebnis-
se hat, ist es denkbar ein Modell in einem für alle Probanden fachfremden Thema
zu erstellen. In einer zukünftigen Studie wäre der Einsatz eines Eye-Trackers in-
58
7 Fazit
teressant, um den Farbeinfluss auf die Aufmerksamkeit feststellen zu können und
eventuelle Überbelastung durch Farbe aufzudecken.
Da Prozessmodelle ein zunehmend wichtiger Bestandteil in der Arbeitswelt sind,
können die weiterführenden Studien dabei helfen Konventionen zu entwickeln, da-
mit das gesamte Team ein Prozessmodell möglichst einfach und schnell lesen und
verstehen kann und damit weiterarbeiten kann.
59
Literatur
[1] Allweyer, Thomas (2009). BPMN 2.0 Business Process Model and Notation
- Einführung in den Standard für die Geschäftsprozessmodellierung. 2. Aufl.
Norderstedt: Books on Demand.
[2] Baddeley, Alan D. und Hitch, Graham (1974). „Working memory“. In: Psycho-
logy of Learning and Motivation, S. 47–89. DOI:
https://doi.org/10.1016/
S0079-7421(08)60452-1
.
[3] Becker, Jörg, Rosemann, Michael und Uthmann, Christoph von (2000). „Gui-
delines of Business Process Modeling“. In: Business Process Management:
Models, Techniques, and Empirical Studies. Hrsg. von Wil van der Aalst, Jörg
Desel und Andreas Oberweis. Springer Berlin Heidelberg, S. 30–49.
[4] Benzcúr, András, Demetrovics, Janós und Gottlob, Georg (2004). Advances
in Datababases and Information Systems. Springer Verlag, Berlin, Heidel-
berg.
[5] Bernstein, Vered und Soffer, Pnina (2015). „How Does It Look? Exploring
Meaningful Layout Features of Process Models“. In: Advanced Information
Systems Engineering Workshops. Hrsg. von Anne Persson und Janis Stirna.
Springer International Publishing, S. 81–86.
[6] Binner, Hartmut F. (2014). „Business Process Management gestaltet die Ar-
beitswelt der Zukunft“. In: Wirtschftsinformatik und Management 6, S. 52–58.
DOI:
https://doi.org/10.1365/s35764-014-0482-9
.
[7] Bortz, Jürgen und Döring, Nicole (2007). Forschungsmethoden und Evaluati-
on für Human- und Sozialwissenschaftler: Limitierte Sonderausgabe. 4. Aufl.
Springer.
[8] BPMN 2.0 Poster (2020).
http://www.bpmb.de/images/BPMN2_0_Poster_
DE.pdf
. (Besucht am 02.11.2020).
60
Literatur
[9] Curtis, Bill, Kellner, Marc I. und Over, Jim (1992). „Process Modeling“. In:
Communications of the ACM, S. 75–90. DOI:
https://doi.org/10.1145/
130994.130998
.
[10] Derefeldt, Gunilla u. a. (2003). „Cognitive Color“. In: Color, S. 7–19. DOI:
https://doi.org/10.1002/col.10209
.
[11] Dumas, Marlon u. a. (2013). Fundamentals of Business Process Manage-
ment. Springer, Berlin, Heidelberg.
[12] Figl, Kathrin (2017). „Comprehension of Procedural Visual Business Proe-
cess Models - a literature review“. In: Business Information Systems Engi-
neering, S. 41–67.
[13] Genon, Nicolas, Heymans, Patrick und Amyot, Daniel (2011). „Analysing the
Cognitive Effectiveness of the BPMN 2.0 Visual Notation“. In: Software Lan-
guage Engineering (SLE 2010). Hrsg. von Brian Malloy, Steffen Staab und
Mark van den Brand. Springer Berlin Heidelberg, S. 377–396.
[14] Göpfert, Jochen und Lindenbach, Heidi (2013). Geschäftsprozessmodellie-
rung mit BPMN 2.0 - Business Process Model and Notation. München: Ol-
denbourg.
[15] Green, Tera Marie, Ribarsky, William und Fisher, Brian (2009). „Building and
Applying a Human Cognition Model for Visual Analytics“. In: Information Vi-
sualization, Volume 8, S. 1–13. DOI:
https://doi.org/10.1057/ivs.2008.
28
.
[16] Haisjackl, Cornelia u. a. (2018). „How do humans inspect BPMN models: an
exploratory study“. In: Software and Systems Modeling, S. 655–673. DOI:
https://doi.org/10.1007/s10270-016-0563-8
.
[17] IBM: SPSS Statistics (2020).
https://www.ibm.com/de-de/analytics/
spss-statistics-software
. (Besucht am 29.09.2020).
[18] Jost, Gregor u. a. (2016). „An empirical investigation of intuitive understanda-
bility of process diagrams“. In: Computer Standards and Interfaces, S. 90–
111. DOI:
https://doi.org/10.1016/j.csi.2016.04.006
.
[19] Kirschner, Paul A. (2002). „Cognitive load theory: implications of cognitive
load theory on the design learning“. In: Learning and Instruction, Volume 12,
S. 1–10. DOI:
https://doi.org/10.1016/S0959-4752(01)00014-7
.
[20] La Rosa, Marcello u. a. (2011). „Managing process model complexity via con-
crete syntax modifications“. In: IEEE Transactions on Industrial Informatics,
S. 255–265. DOI:
10.1109/TII.2011.2124467
.
61
Literatur
[21] Lucidchart (2020).
http://lucidchart.com
. (Besucht am 22.11.2020).
[22] Meerwein, Gerhard, Rodeck, Bettina und Mahnke, Frank H. (2007). Farbe-
Kommunikation im Raum. 4. Aufl. Walter de Gruyter.
[23] Mendling, Jan, Reijers, Hajo A. und Cardoso, Jorge (2007). „What Makes
Process Models Understandable?“ In: Business Process Management. Hrsg.
von Gustavo Alonso, Peter Dadam und Michael Rosemann. Springer Berlin
Heidelberg, S. 48–63.
[24] Mendling, Jan, Reijers, Hajo A. und Recker, Jan (2010). „Activity labeling in
process modeling: Empirical insights and recommendations“. In: Information
Systems, S. 467–482. DOI:
https://doi.org/10.1016/j.is.2009.03.
009
.
[25] Mendling, Jan, Reijers, Hajo A. und Van der Aalst, Wil (2010). „Seven pro-
cess modeling guidelines (7PMG)“. In: Information and Software Technology,
S. 127–136. DOI:
https://doi.org/10.1016/j.infsof.2009.08.004
.
[26] Mendling, Jan und Strembeck, Mark (2008). „Influence Factors of Understan-
ding Business Process Models“. In: Business Information Systems. Hrsg. von
Witold Abramowicz und Dieter Fensel. Springer Berlin Heidelberg, S. 142–
153.
[27] Moody, Daniel (2010). „The "Physicsöf Notations: Toward a Scientific Basis
for Constructing Visual Notations in Software Engineering“. In: Software Engi-
neering, IEEE Transactions on 35, S. 756–779. DOI:
10.1109/TSE.2009.67
.
[28] Moody, Daniel L. (2004). „Cognitive Load Effects on End User Understanding
of Conceptual Models: An Experimental Analysis“. In: Advances in Databases
and Information Systems, S. 129–143. DOI:
https://doi.org/10.1007/
978-3-540-30204-9_9
.
[29] Moody, Daniel L. und Shanks, Graeme G. (2003). „Improving the quality of
data models: empirical validation of a quality management framework“. In:
Information Systems, S. 619–650. DOI:
https://doi.org/10.1016/S0306-
4379(02)00043-1
.
[30] Muehlen, Michael zur und Recker, Jan (2013). „How Much Language Is Enough?
Theoretical and Practical Use of the Business Process Modeling Notation“. In:
Seminal Contributions to Information Systems Engineering: 25 Years of CAi-
SE. Hrsg. von Janis Bubenko u. a. Springer Berlin Heidelberg, S. 429–443.
[31] Object Management Group: Business Process Management Notation (BPMN)
2.0 (2020).
https://www.omg.org/
. (Besucht am 02.11.2020).
62
Literatur
[32] Petrusel, Razvan, Mendling, Jan und Reijers, Hajo A. (2017). „How visual co-
gnition influences process model comprehension“. In: Decision Support Sys-
tems, Volume 96, S. 1–16. DOI:
https://doi.org/10.1016/j.dss.2017.
01.005
.
[33] Purchase, Helen (1997). „Which aesthetic has the greatest effect on human
understanding?“ In: Graph Drawing. Hrsg. von Giuseppe DiBattista. Springer
Berlin Heidelberg, S. 248–261.
[34] Reijers, Hajo A. und Mendling, Jan (2011). „A Study Into the Factors That
Influence the Understandability of Business Process Models“. In: IEEE Tran-
sactions on Systems, Man, and Cybernetics - Part A: Systems and Humans,
S. 449–462. DOI:
10.1109/TSMCA.2010.2087017
.
[35] Reijers, Hajo A. u.a. (2011). „Syntax highlighting in business process mo-
dels“. In: Decision Support Systems, Volume 51, S. 339–349.
[36] Rittgen, Peter (2010). „Quality and perceived usefulness of process models“.
In: Proceedings of the 2010 ACM Symposium on Applied Computing, S. 65–
72. DOI:
https://doi.org/10.1145/1774088.1774105
.
[37] Rosemann, Michael (2006). „Potential pitfalls of process modeling: part A“.
In: Business Process Management Journal, S. 249–254. DOI:
https://doi.
org/10.1108/14637150610657567
.
[38] Sarstedt, Marko und Mooi, Erik (2014). A Concise Guide to Market Rese-
arch. The Process, Data, and Methods Using IBM SPSS Statistics. 2. Aufl.
Springer, Berlin, Heidelberg.
[39] Schrepfer, Matthias u.a. (2009). „The Impact of Secondary Notation on Pro-
cess Model Understanding“. In: The Practice of Enterprise Modeling. Hrsg.
von Anne Persson und Janis Stirna. Springer Berlin Heidelberg, S. 161–175.
[40] Signavio Process Editor (2020).
https://www.signavio.com/de/
. (Besucht
am 03.12.2020).
[41] Stark, Jeannette, Braun, Richard und Esswein, Werner (2016). „Perceptually
Discriminating Chunks in Business Process Models“. In: IEEE Conference on
Business Informatics (CBI).
[42] Stark, Jeannette und Esswein, Werner (2017). „Using secondary notation to
improve the cognitive effectiveness of BPMN-Models“. In: In Proceedings of
the 25th European Conference on Information Systems (ECIS), Research
Papers.DOI:
https://aisel.aisnet.org/ecis2017_rp/35
.
63
Literatur
[43] Stark, Jeannette, Esswein, Werner und Braun, Richard (2017). „Systemizing
Colour for Conceptual Modeling“. In: Wirtschaftsinformatik Conference 2017.
[44] Sweller, John (1988). „Cognitive Load During Problem Solving: Effects on
Learning“. In: Cognitive Science, S. 257–285. DOI:
https://doi.org/10.
1016/0364-0213(88)90023-7
.
[45] Sweller, John (1994). „Cognitive Load Theory, Learning Difficulty and Instruc-
tional Design“. In: Learning and Instruction, S. 295–312.
[46] Sweller, John, Merrienboer, Jeroen J.G. van und Paas, Fred G.W.C. Paas
(1998). „Cognitive Architecture and Instructional Design“. In: Educational Psy-
chology Review, Volume 10, No.3, S. 251–296.
[47] Tausendpfund, Markus (2018). Quantitative Methoden in der Politikwissen-
schaft - Eine Einführung. Wiesbaden: Springer VS. DOI:
https://doi.org/
10.1007/978-3-658-20698-7
.
[48] Unipark (2020).
http://unipark.com
. (Besucht am 08.10.2020).
[49] Ware, Colin u.a. (2002). „Cognitive Measurement of Graph Aesthetics“. In:
Information Visualization, S. 103–110. DOI:
https://doi.org/10.1057/
palgrave.ivs.9500013
.
[50] Weber, Barbara u.a. (2011). „Refactoring large process model repositories“.
In: Computers in Industry, S. 467–486. DOI:
https://doi.org/10.1016/j.
compind.2010.12.012
.
[51] Welsch, Norbert und Liebmann, Claus Chr (2018). Farben: Natur, Technik,
Kunst. 3. Aufl. Springer.
[52] Wohlin, Claes u. a. (2012). Experimentation in Software Engineering. Sprin-
ger, Berlin, Heidelberg.
[53] Zugal, Stefan, Pinggera, Jakob und Weber, Barbara (2011). „Assessing Pro-
cess Models with Cognitive Psychology“. In: Enterprise modelling and infor-
mation systems architectures (EMISA), S. 177–182.
[54] Zugal, Stefan u. a. (2013). „Investigating expressiveness and understandabili-
ty of hierarchy in declarative business process models“. In: Software and Sys-
tems Modeling, S. 1081–1103. DOI:
https://doi.org/10.1007/s10270-
013-0356-2
.
64
A Modelle
Abbildung A.2: Hausbaumodell 2
66
A Modelle
Abbildung A.3: Hausbaumodell 3
67
A Modelle
Abbildung A.4: Hausbaumodell 4
68
A Modelle
Abbildung A.5: Urlaubsmodell 1
69
A Modelle
Abbildung A.6: Urlaubsmodell 2
70
A Modelle
Abbildung A.7: Urlaubsmodell 3
71
A Modelle
Abbildung A.8: Urlaubsmodell 4
72
B Balkendiagramme
Die Abbildungen B.1 bis B.4 zeigen detaillierte Ergebnisse der deskriptiven Statistik
in Form von Balkendiagrammen. In Abbildung B.1 und B.2 sind auf der x-Achse
die verschiedenen Farbmodelle und auf der y-Achse die Mittelwerte der Variablen
gekennzeichnet. Abbildung B.3 und B.4 stellen auf der x-Achse die Expertise und
auf der y-Achse die Mittelwerte der Variablen dar.
73
B Balkendiagramme
(a) Anzahl korrekter Antworten (b) Bearbeitungsdauer
(c) ICL (d) GCL
(e) ECL
Abbildung B.1: Balkendiagramme über Mittelwerte für Hausbaumodelle
74
B Balkendiagramme
(a) Anzahl korrekter Antworten (b) Bearbeitungsdauer
(c) ICL (d) GCL
(e) ECL
Abbildung B.2: Balkendiagramme über Mittelwerte für Urlaubsmodelle
75
B Balkendiagramme
(a) Anzahl korrekter Antworten (b) Bearbeitungsdauer
(c) ICL (d) GCL
(e) ECL
Abbildung B.3: Balkendiagramme über Mittelwerte für Hausbaumodelle Expertise
76
B Balkendiagramme
(a) Anzahl korrekter Antworten (b) Bearbeitungsdauer
(c) ICL (d) GCL
(e) ECL
Abbildung B.4: Balkendiagramme über Mittelwerte für Urlaubsmodelle Expertise
77
C Rohdaten
Tabelle C.2: Umfrageergebnisse Teil 2
79
C Rohdaten
Tabelle C.3: Umfrageergebnisse Teil 3
80
C Rohdaten
Tabelle C.4: Umfrageergebnisse Teil 4
81
C Rohdaten
Tabelle C.5: Umfrageergebnisse Teil 5
82
C Rohdaten
Tabelle C.6: Umfrageergebnisse Teil 6
83
C Rohdaten
Tabelle C.7: Umfrageergebnisse Teil 7
84
C Rohdaten
Tabelle C.8: Umfrageergebnisse Teil 8
85
D Detaillierte Ergebnisse des
Hypothesentests
Das Testen der Hypothesen wurde in Kapitel 5.3 diskutiert. Die Tabellen D.1 bis D.3
geben eine Übersicht über die Ergebnisse der ANOVA. In Tabelle D.4 bis D.9 ist eine
detaillierte Aufstellung des Post-Hoc-Tests Bonferroni zu sehen. Eine Aufstellung
über die Ergebnisse des T-Tests sind in Tabelle D.10 und D.11 zu finden.
86
D Detaillierte Ergebnisse des Hypothesentests
Tabelle D.1: ANOVA
87
D Detaillierte Ergebnisse des Hypothesentests
Tabelle D.2: ANOVA Experten
88
D Detaillierte Ergebnisse des Hypothesentests
Tabelle D.3: ANOVA Novizen
89
D Detaillierte Ergebnisse des Hypothesentests
Tabelle D.4: Post-Hoc-Test Hausbaumodelle
90
D Detaillierte Ergebnisse des Hypothesentests
Tabelle D.5: Post-Hoc-Test Urlaubsmodelle
91
D Detaillierte Ergebnisse des Hypothesentests
Tabelle D.6: Post-Hoc-Test für Novizen Hausbaumodelle
92
D Detaillierte Ergebnisse des Hypothesentests
Tabelle D.7: Post-Hoc-Test für Novizen Urlaubsmodelle
93
D Detaillierte Ergebnisse des Hypothesentests
94
D Detaillierte Ergebnisse des Hypothesentests
Tabelle D.8: Post-Hoc-Test für Experten Hausbaumodelle
95
D Detaillierte Ergebnisse des Hypothesentests
Tabelle D.9: Post-Hoc-Test für Experten Urlaubsmodelle
96
D Detaillierte Ergebnisse des Hypothesentests
97
D Detaillierte Ergebnisse des Hypothesentests
Tabelle D.10: T-Test Hausbaumodelle
98
D Detaillierte Ergebnisse des Hypothesentests
99
D Detaillierte Ergebnisse des Hypothesentests
Tabelle D.11: T-Test Urlaubsmodelle
100
Tabellenverzeichnis
3.1 Auswahl der Variablen . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2 Umfrage Teil 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.3 Umfrage Teil 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.4 Umfrage Teil 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.5 Umfrage Teil 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.6 Umfrage Teil 5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.7 Zufallsauswahl der Modelle . . . . . . . . . . . . . . . . . . . . . . . 25
5.1 Deskriptive Statistik Hausbaumodelle . . . . . . . . . . . . . . . . . 34
5.2 Deskriptive Statistik Urlaubsmodelle . . . . . . . . . . . . . . . . . . 35
5.3 Deskriptive Statistik Expertise Hausbaumodelle . . . . . . . . . . . . 36
5.4 Deskriptive Statistik Expertise Urlaubsmodelle . . . . . . . . . . . . 37
5.5 Deskriptive Statistik für Novizen Hausbaumodelle . . . . . . . . . . . 38
5.6 Deskriptive Statistik für Novizen Urlaubsmodelle . . . . . . . . . . . 39
5.7 Deskriptive Statistik für Experten Hausbaumodelle . . . . . . . . . . 40
5.8 Deskriptive Statistik für Experten Urlaubsmodelle . . . . . . . . . . . 41
5.9 Ergebnisse Hypothesentest ANOVA . . . . . . . . . . . . . . . . . . 51
C.1 Umfrageergebnisse Teil 1 . . . . . . . . . . . . . . . . . . . . . . . . 78
C.2 Umfrageergebnisse Teil 2 . . . . . . . . . . . . . . . . . . . . . . . . 79
C.3 Umfrageergebnisse Teil 3 . . . . . . . . . . . . . . . . . . . . . . . . 80
C.4 Umfrageergebnisse Teil 4 . . . . . . . . . . . . . . . . . . . . . . . . 81
C.5 Umfrageergebnisse Teil 5 . . . . . . . . . . . . . . . . . . . . . . . . 82
C.6 Umfrageergebnisse Teil 6 . . . . . . . . . . . . . . . . . . . . . . . . 83
C.7 Umfrageergebnisse Teil 7 . . . . . . . . . . . . . . . . . . . . . . . . 84
C.8 Umfrageergebnisse Teil 8 . . . . . . . . . . . . . . . . . . . . . . . . 85
D.1 ANOVA.................................. 87
101
Tabellenverzeichnis
D.2 ANOVA Experten . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
D.3 ANOVA Novizen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
D.4 Post-Hoc-Test Hausbaumodelle . . . . . . . . . . . . . . . . . . . . 90
D.5 Post-Hoc-Test Urlaubsmodelle . . . . . . . . . . . . . . . . . . . . . 91
D.6 Post-Hoc-Test für Novizen Hausbaumodelle . . . . . . . . . . . . . . 92
D.7 Post-Hoc-Test für Novizen Urlaubsmodelle . . . . . . . . . . . . . . 93
D.8 Post-Hoc-Test für Experten Hausbaumodelle . . . . . . . . . . . . . 95
D.9 Post-Hoc-Test für Experten Urlaubsmodelle . . . . . . . . . . . . . . 96
D.10 T-Test Hausbaumodelle . . . . . . . . . . . . . . . . . . . . . . . . . 98
D.11 T-Test Urlaubsmodelle . . . . . . . . . . . . . . . . . . . . . . . . . . 100
102
Abbildungsverzeichnis
1.1 Ablauf der Arbeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.1 BPMN-Grundelemente . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2 Beispiel BPMN-Modell . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.3 Speicherung von Informationen . . . . . . . . . . . . . . . . . . . . . 11
2.4 Kognitive Belastung . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.1 Planung und Definition der Studie . . . . . . . . . . . . . . . . . . . 14
4.1 Ablauf der Studie . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4.2 Ablauf der Studie . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.3 Datenauswertung . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
5.1 Analyse und Interpretation der Studie . . . . . . . . . . . . . . . . . 32
5.2 Boxplot Hausbaumodelle . . . . . . . . . . . . . . . . . . . . . . . . 43
5.3 Boxplot Urlaubsmodelle . . . . . . . . . . . . . . . . . . . . . . . . . 44
A.1 Hausbaumodell 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
A.2 Hausbaumodell 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
A.3 Hausbaumodell 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
A.4 Hausbaumodell 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
A.5 Urlaubsmodell 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
A.6 Urlaubsmodell 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
A.7 Urlaubsmodell 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
A.8 Urlaubsmodell 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
B.1 Balkendiagramme über Mittelwerte für Hausbaumodelle . . . . . . . 74
B.2 Balkendiagramme über Mittelwerte für Urlaubsmodelle . . . . . . . . 75
B.3 Balkendiagramme über Mittelwerte für Hausbaumodelle Expertise . . 76
103
Name: Sabine Fussenecker Matrikelnummer: 899481
Erklärung
Ich erkläre, dass ich die Arbeit selbständig verfasst und keine anderen als die an-
gegebenen Quellen und Hilfsmittel verwendet habe.
Ulm,den .........................................................................
Sabine Fussenecker
