MAKROKOGNITIVE MODELLIERUNG MENTALER
BEANSPRUCHUNG VON TOWERLOTSEN MIT
FARBIGEN PETRINETZEN
vorgelegt von
Master of Science
Hardy Smieszek
aus Berlin
von der Fakultät V
Verkehrs- und Maschinensysteme
der Technischen Universität Berlin
im DFG-Graduiertenkolleg
Prospektive Gestaltung von Mensch-Technik-Interaktion
zur Erlangung des akademischen Grades
Doktor der Ingenieurwissenschaften
— Dr.-Ing. —
genehmigte Dissertation
Promotionsausschuss:
Vorsitzender: Prof. Dr. phil. Manfred Thüring
Gutachter: Prof. Dr.-Ing. Thomas Jürgensohn
Gutachter: Prof. Dr.-Ing. Nele Rußwinkel
Tag der wissenschaftlichen Aussprache: 24. Oktober 2014
Berlin, 2014
D 83
II
III
DANKSAGUNG
An erster Stelle möchte ich der Deutschen Forschungsgemeinschaft (DFG) für die Förderung
dieser Arbeit im Rahmen des Graduiertenkollegs prometei an der Technischen Universität
Berlin danken. Ferner geht der Dank an die TU Berlin, die das Abschließen dieser Dissertation
durch die Förderung mit einem Durchstarterstipendium ermöglicht hat.
Besonderer Dank gilt vor allem meinen beiden Betreuern, Prof. Dr.-Ing. Thomas Jürgensohn und
Prof. Dr.-Ing. Nele Rußwinkel von der Technischen Universität Berlin, die mir stets mit Ihrem
Rat, regen Diskussionen und kritischen Nachfragen zur Seite standen und die Arbeit damit
inhaltlich und methodisch bereichert und nicht zuletzt in ihrer Struktur vorangebracht haben.
Ferner bedanke ich mich bei Prof. Dr. Manzey für die Übernahme der Betreuung in den ersten
zwei Jahren meiner Dissertation, sowie die weiteren methodischen Hinweise hinsichtlich der
Erhebung physiologischer Daten.
Ein besonders herzlicher Dank geht an Christoph Möhlenbrink, Peer Manske und Andreas
Hasselberg vom Deutschen Zentrum für Luft- und Raumfahrt (DLR) in Braunschweig für die
fruchtbare Zusammenarbeit während meines Forschungsaufenthaltes in Braunschweig, aus der
auch mehrere gemeinsame Veröffentlichungen entstanden, und denen ich darüber hinaus einen
enormen Wissenszuwachs in Sachen Petrinetz-Modellierung zu verdanken habe. Speziell danke
ich Christoph Möhlenbrink für seine konstruktiven Hinweise im Hinblick auf die thematische
Schwerpunktsetzung und methodische Ausrichtung der Arbeit. Ohne ihn wäre die Arbeit nicht
da, wo sie heut ist.
Weiterer Dank geht an Henk Blom vom National Aerospace Laboratory (NLR) in Amsterdam für
seine aufopferungsvolle Suche nach der verschollen geglaubten Aufgabenanalyse von Cox
(1994), sowie Erik Hollnagel, für seine inspirierenden Veröffentlichungen, sowie seine
kritischen Hinweise zur Modellierung in den Anfängen dieser Arbeit.
Ferner wäre die Arbeit ohne die Mitarbeit meiner wissenschaftlichen Hilfskräfte und Studenten,
die mich aufopfernd bei meinen Recherchen und Studien unterstützten und Arbeiten im
Themenfeld anfertigten, nicht möglich gewesen. Großer Dank geht in chronologischer
Reihenfolge an Juliane Bock, Toralf Stubbe, Christian Karl, Dominik Sittel und Fabian Joeres.
Darüber hinaus möchte ich den zahlreichen Fachleuten meinen Dank aussprechen, ohne deren
Expertise, Hilfe und Einschätzung ich sicherlich an der einen oder anderen Stelle etwas verloren
gewesen wäre. Dazu zählen vor allem die Belegschaft des Towers in Schönefeld und deren
Supervisor Hendrik Finger, sowie die Belegschaft des Towers Braunschweig-Wolfsburg, die mir
die Möglichkeit gaben, die Arbeitsumgebung und Arbeitsaufgaben von Towerlotsen live
IV
mitzuerleben und Fragen zu stellen. Darüber hinaus danke ich Herrn Ferdinand Behrendt vom
Institut für Luft- und Raumfahrt der Technischen Universität Berlin für die kompetente
Beantwortung unserer Fragen und die Herstellung des Kontaktes zum Tower in Tegel.
Gespräche in den Arbeitsgemeinschaften und Ringvorlesungen des Graduiertenkollegs, mit den
Kollegen des Graduiertenkollegs, sowie des Fachgebietes „Kognitive Modellierung in
dynamischen Mensch-Maschine-Systemen“ haben die Arbeit sehr vorangebracht. So danke ich
nicht nur für den inhaltlichen und methodischen Rat stellvertretend für das gesamte Kolleg und
das Fachgebiet Fabian Joeres, Maria Luz, Michael Minge, Janna Protzak, Stefan Schaffer, Enrico
Maier, Sebastian Werk, Stefan Lindner, Christian Stößel, Elisabeth Brandenburg, Matthias
Zickerow und Sabine Prezenski.
Besonders hervorheben möchte ich meine Freundin Stefanie Huber, die nur zu gut die Hochs
und Tiefs, die Leidenswege und Euphorie Phasen einer Dissertation kennt und daher auch
immer erste Anlaufstelle für seelische Beistandssuche meinerseits war, wenn das tägliche auf-
und ab wieder einen Tiefststand erreicht hatte. Doch nicht nur durch ihren privaten Beistand
und ihren Mut-Zuspruch, sondern auch fachlich hat sie diese Arbeit bereichert und maßgeblich
nach vorn gebracht. Ohne sie hätte ich die Arbeit wohl nie, oder zumindest nicht so schnell und
motiviert zu Ende gebracht.
Dank gilt auch dem Administratoren-Team des GRK prometei, Steffen Hartwig, Nicolaus Rötting,
sowie Sebastian Lohmeier, die bei Problemen immer zur Stelle waren und den Rechner wieder
zum Laufen brachten.
Ich danke auch meiner guten Freundin Ulrike Schmuntzsch, die zur gleichen Zeit an ihrer
Dissertation arbeitete wie ich, für die aufschlussreichen Diskussionen beim Mittagessen und die
Möglichkeit, sich gemeinsam über die Unzufriedenheit mit der Gesamtsituation Luft verschaffen
zu können. Meinen Freunden Alexander Schulze, Susann Sträßer, Katja Fischer, Manuel Haupt,
Denise Wocko und Benjamin Kania danke ich für die erheiternden Stunden, ihren Beistand und
Zuspruch.
Nicht zuletzt danke ich meiner Familie, sowohl den Smieszeks als auch den Meins, für ihren
unermüdlichen Glauben und die oft gesagten Worte „du schaffst das!“
V
KURZFASSUNG
In den Vergangenen Jahren hat der Flugverkehr weltweit stark zugenommen und wird auch in
den kommenden Jahren weiter zunehmen. Hauptaufgabe der Lotsen am Flughafen ist die sichere
und flüssige Abwicklung des Boden- und Luftverkehrs innerhalb ihrer Kontrollzone. Dabei sind
die Lotsen einem ständigen trade-off zwischen Effizienz und Gründlichkeit ausgesetzt, welcher
bei steigendem Flugverkehrsaufkommen Richtung Effizienz verschoben werden muss, wodurch
das Risiko erhöht wird, dass vom Lotsen Fehler gemacht werden und es damit zu kritischen
Situationen auf dem Rollfeld kommt. Ist bekannt, zu welchen Zeitpunkten ein Lotse Gefahr läuft
überlastet zu werden, kann gegengesteuert werden, um beispielsweise kognitive Kapazitäten
freizugeben und das Risiko für Fehler zu senken. Es ist daher von größter Wichtigkeit, den
Verlauf der mentalen Beanspruchung des Lotsen über die Zeit zu untersuchen, zu beobachten
und im Idealfall sogar vorhersagen zu können.
Die zur Aufnahme mentaler Beanspruchung vorhandenen Methoden sind allerdings für deren
Erfassung und Vorhersage nicht vollständig geeignet. Auch der Versuch mentale Beanspruchung
von Fluglotsen mittels mathematischer Indizes vorherzusagen ist unzureichend, da lediglich
objektive Belastungsfaktoren, wie das Verkehrsaufkommen, nicht aber subjektive Faktoren der
Person, wie bspw. Erfahrung und Training, berücksichtigt werden. Mit Hilfe der kognitiven
Modellierung soll diese Lücke geschlossen werden, wobei zur Lösung dieses Problems ein
innovativer Modellierungsansatz erforderlich ist, welcher nicht nur die Umgebungsfaktoren in
Betracht zieht, sondern auch das menschliche Handeln und die kognitiven Prozesse betrachtet.
Durch die Simulation von Modellen ist dann eine Antizipation zukünftiger Situationen möglich.
Anhand der Richtlinien für die Entwicklung kognitiver Simulationen nach Cacciabue wurden
einschlägige Analysen des Flugverkehrskontrollsystems sowie kognitionspsychologischer
Theorien der Informationsverarbeitung und mentaler Beanspruchung durchgeführt, die als
Grundlage für die Implementierung eines makrokognitiven Modells der Flughafen-
verkehrskontrolle (MATriCS; Model of Airport Traffic Control System) auf der Basis farbiger
Petrinetze dienen, welches zur Vorhersage der mentalen Beanspruchung von Towerlotsen
verwendet wird. Die Validierung des Modells erfolgte in einer realitätsnahen
Computersimulation der Towerlotsentätigkeit, wobei verschiedene Beanspruchungsmaße
erhoben wurden (subjektive, physiologische, Leistungsmaße). Die Ergebnisse konnten zeigen,
dass das Modell mentale Beanspruchung hinreichend diagnostisch abbildet und in der Lage ist
sowohl den Trend der individuellen Beanspruchungsverläufe mit mittlerer Güte als auch die
mittlere Beanspruchungshöhe zu replizieren.
VI
ABSTRACT
In recent years air traffic has increased rapidly and will continue to increase in the next years.
The main task of air traffic controllers at airports is the safe and efficient handling of aircraft of
air and ground traffic within their designated control zone. In doing so they have to reach a
tradeoff between efficiency and thoroughness which under the condition of growing air traffic
has to be shifted towards efficiency whereby the risk of controller errors and critical situations
on the airfield raises. It is therefore necessary to know at which point in time the controller is
likely to get overloaded to be able to efficiently counteract in order to release cognitive capacity
and therefore to reduce the risk of error. It is of great importance to investigate, observe and
ideally to predict the distribution of mental workload of the controller over time.
The available methods for capturing mental workload are, however, not fully appropriate for its
detection and prediction. The attempt to predict mental workload of air traffic controllers by
using mathematical indices is insufficient as well, since solely objective factors of load like traffic
amount but not subjective factors like training or experience are taken into account. With the
help of cognitive modelling this gap shall be closed. In order to solve this problem an innovative
approach to modelling is needed which not only takes environmental factors but also human
behaviour and cognitive processes into account. Due to simulation of models an anticipation of
future situations is possible.
Following basic guidelines for the development of cognitive simulation according to Cacciabue
relevant analyses of the air traffic control system as well as theories of information processing
and mental workload from cognitive psychology were conducted which serve as a foundation for
implementing of a macro-cognitive model of airport traffic control system (MATriCS; Model of
Airport Traffic Control System) based on coloured petri nets which is used for prediction of
mental workload of tower controllers. The validation of the model took place within a realistic
computer simulation of the tasks of tower controllers while different measures of mental
workload were gathered (subjective, physiological, performance measures). Results show that
the model illustrates mental workload with sufficient diagnosticity and is able to replicate both
the trend of the individual distribution of mental workload over time with average goodness as
well as the mean workload level.
VII
INHALTSVERZEICHNIS
1 Einleitung ........................................................................................................................................................................... 2
1.1 Problemstellung ..................................................................................................................................................... 2
1.2 Reichweite der Arbeit .......................................................................................................................................... 4
1.3 Forschungsziele ...................................................................................................................................................... 4
1.4 Aufbau der Arbeit .................................................................................................................................................. 6
2 Mentale Beanspruchung, Kognitive Kapazität und Arbeitsgedächtnis .................................................... 8
2.1 Mentale Beanspruchung – Theorien und Modelle ................................................................................... 8
2.1.1 Aktivierungstheoretische Modelle ......................................................................................................... 9
2.1.2 Aufmerksamkeitstheoretische Modelle ............................................................................................ 10
2.2 Arbeitsgedächtnismodelle, Kapazität und Chunks ............................................................................... 13
2.3 Mentale Beanspruchung in der Flugverkehrskontrolle ...................................................................... 17
2.4 Erfassung Mentaler Beanspruchung und Operateurszustände ....................................................... 22
2.4.1 Physiologische Maße................................................................................................................................. 23
2.4.2 Subjektive Maße.......................................................................................................................................... 25
2.4.3 Leistungsbasierte Maße ........................................................................................................................... 27
2.4.4 Zusammenfassende Bewertung der Erfassungsmethoden....................................................... 28
2.5 Kapitelzusammenfassung ............................................................................................................................... 30
3 Stand der Forschung .................................................................................................................................................. 31
3.1 Modellierung und Simulation von Mensch-Maschine-Systemen .................................................... 31
3.2 Mikro- und Makrokognitive Forschungs- und Modellierungsansätze.......................................... 34
3.2.1 Mikrokognitive Ansätze und kognitive Architekturen ............................................................... 34
3.2.2 Makrokognitive Ansätze .......................................................................................................................... 36
3.2.3 Die Verbindung Mikro- und Makrokognitiver Ansätze .............................................................. 38
3.3 Ausgewählte Modelle und Simulationen von Problemstellungen im Mensch-Maschine-
System Luftfahrt und Flugverkehrskontrolle ................................................................................................. 41
3.4 Kognitive Modellierung Mentaler Beanspruchung ............................................................................... 45
VIII
3.5 Kapitelzusammenfassung ............................................................................................................................... 47
4 Entwicklung eines makrokognitiven Modells der Flughafen-verkehrskontrolle (MATriCS) ...... 49
4.1 Vorgehensweise zur Entwicklung Kognitiver Simulationen ............................................................ 49
4.2 Definition der Problemgrenzen .................................................................................................................... 52
4.3 Aufgabenanalyse ................................................................................................................................................. 56
4.3.1 Aufgaben, Verantwortlichkeiten, Verpflichtungen ....................................................................... 58
4.3.2 Beschreibung der Aufgabenanalysen................................................................................................. 59
4.3.3 Analyse aus dem EUROCONTROL-Projekt MANTEA ................................................................... 59
4.3.4 Analyse aus dem EUROCONTROL-Projekt ATHOS ....................................................................... 60
4.3.5 Analyse der FAA (FAA Air Traffic Control Operations Concepts) .......................................... 60
4.3.6 Analyse aus dem DFS-Projekt VICTOR .............................................................................................. 61
4.3.7 Analyse des Royal Air Force Institute of Aviation Medicine..................................................... 62
4.4 Feldstudie der Arbeitsumgebung ................................................................................................................. 64
4.4.1 Allgemeine Abläufe und Zuständigkeiten ........................................................................................ 64
4.4.2 Hilfsmittel zur Informationsaufnahme und Aufgabenbearbeitung ....................................... 66
4.4.3 Position Towerlotse (TWR) ................................................................................................................... 68
4.4.4 Abwicklungsprioritäten und Staffelungsminima des TWR ...................................................... 69
4.4.5 Position Rollverkehrslotse (Ground; GND) ..................................................................................... 70
4.4.6 Prioritäten des GND .................................................................................................................................. 70
4.5 Einordnung in und Erstellung des theoretischen Modells ................................................................ 71
4.6 Auswahl des Beschreibungsmittels ............................................................................................................. 76
4.7 Kapitelzusammenfassung ............................................................................................................................... 82
5 Beschreibung und Implementierung des entwickelten Modells ............................................................. 84
5.1 Allgemeine Anmerkungen zum Modell...................................................................................................... 84
5.2 Das Flughafenmodell ......................................................................................................................................... 87
5.2.1 Theoretische Erläuterungen .................................................................................................................. 87
5.2.2 Das Petrinetz-Modell im Detail ............................................................................................................. 88
5.2.3 Colorsets und einlesen der Initialen Markierung ......................................................................... 93
IX
5.3 Das Interaktionsmodell .................................................................................................................................... 95
5.3.1 Theoretische Erläuterung ....................................................................................................................... 95
5.3.2 Das Petrinetz-Modell im Detail ............................................................................................................. 96
5.4 Das Lotsenmodell ............................................................................................................................................... 99
5.4.1 Theoretische Erläuterungen .................................................................................................................. 99
5.4.2 Phase der Informationsaufnahme .................................................................................................... 101
5.4.3 Das perceive-Modell im Petrinetz .................................................................................................... 102
5.4.4 Phase der Planung ................................................................................................................................... 108
5.4.5 Das plan-Modell im Petrinetz ............................................................................................................. 109
5.4.6 Phase der Entscheidungsfindung ..................................................................................................... 110
5.4.7 Das Entscheidungsmodell im Petrinetz ......................................................................................... 114
5.4.8 Phase der Handlungsausführung ...................................................................................................... 118
5.4.9 Das Handlungs-Modell im Petrinetz ................................................................................................ 121
5.4.10 Das Arbeitsgedächtnismodell .......................................................................................................... 125
5.4.11 Arbeitsgedächtnis im Petrinetzmodell ........................................................................................ 127
5.5 Simulation und Analyse des Petrinetzmodells .................................................................................... 131
5.6 Kapitelzusammenfassung ............................................................................................................................ 132
6 Validierung .................................................................................................................................................................. 134
6.1 Methodik.............................................................................................................................................................. 134
6.1.1 Teilnehmer/Stichprobe ........................................................................................................................ 135
6.1.2 Simulator und Material ......................................................................................................................... 136
6.1.3 Versuchsdesign ........................................................................................................................................ 138
6.1.4 Hypothesen ................................................................................................................................................ 143
6.1.5 Versuchsablauf ......................................................................................................................................... 156
6.2 Ergebnisse ........................................................................................................................................................... 159
6.2.1 Zusammenhang d2-R Ergebnis und Fehlerzahl bzw. Höhe der Beanspruchungsratings
(Hypothese 1) ...................................................................................................................................................... 159
6.2.2 Bewertung der Sensitivität der Herzrate (Hypothese 2) ........................................................ 162
X
6.2.3 Bewertung der mittleren mentalen Beanspruchung mittels Herzrate (Hypothesen 3a-
f)................................................................................................................................................................................. 163
6.2.4 Bewertung der mittleren mentalen Beanspruchung mittels RSME (Hypothesen 4a – f)
.................................................................................................................................................................................... 164
6.2.5 Bewertung der mittleren mentalen Beanspruchung mittels NASA-TLX Dimension
geistige Anstrengung (Hypothesen 5a – f) ............................................................................................... 166
6.2.6 Fehlerzahl (Hypothesen 6a – f) ......................................................................................................... 168
6.2.7 Mittlere Beanspruchungshöhe des Modells (Hypothese 7) ................................................... 169
6.2.8 Trendvergleich der mittleren Beanspruchungshöhe (Hypothese 8) ................................. 171
6.2.9 Überprüfung der Modellgüte mittels Einzelfallanalysen (hypothese 9) .......................... 173
6.2.10 Explorative Analyse: Absolute Abweichung der Modelldaten ........................................... 177
6.2.11 Explorative Analyse: Fehler und Beanspruchungspeaks ..................................................... 178
6.3 Diskussion der Ergebnisse ........................................................................................................................... 179
6.3.1 Zusammenhang d2-R Ergebnis und Fehlerzahl bzw. Höhe der Beanspruchungsratings
(Hypothese 1) ...................................................................................................................................................... 179
6.3.2 Bewertung der Sensitivität der Herzrate (Hypothese 2) ........................................................ 180
6.3.3 Bewertung der mittleren mentalen Beanspruchung erfasst durch die RSME-SKALA
(Hypothese 4) ...................................................................................................................................................... 182
6.3.4 Bewertung der Mittleren mentalen Beanspruchung erfasst durch den NASA-TLX
(Hypothese 5) ...................................................................................................................................................... 182
6.3.5 Bewertung der mittleren Fehlerzahl (Hypothese 6) ................................................................ 184
6.3.6 Mittlere Beanspruchungshöhe der Modelldaten (Hypothese 7) ......................................... 185
6.3.7 Trendvergleich der durch subjektive und leistungsbasierte Methoden erfassten
Beanspruchungshöhe mit dem Modell (Hypothese 8) ....................................................................... 186
6.3.8 Überprüfung der Modellgüte mittels Einzelfallanalysen (Hypothese 9) ......................... 186
6.3.9 Explorative Analyse: Absolute Abweichung der Modelldaten.............................................. 189
6.3.10 Explorative Analyse: Fehler und Beanspruchungspeaks ..................................................... 189
6.4 Kapitelzusammenfassung ............................................................................................................................ 190
7 Diskussion der Arbeit ............................................................................................................................................. 193
XI
7.1 Beitrag zur Ableitung einer geeigneten Modellierungsform des Konstruktes mentaler
Beanspruchung (Forschungsziel 1) ................................................................................................................. 193
7.2 Beitrag zur Verfolgung eines makrokognitiven Modellierungsansatzes und Verbindung mit
mikrokognitiven Ansätzen (Forschungsziel 2) ........................................................................................... 195
7.3 Beitrag hinsichtlich der Erstellung eines Modells zur quantitativen Beschreibung mentaler
Beanspruchung von Towerlotsen in Abhängigkeit verschiedener Einflussfaktoren
(Forschungsziel 3) .................................................................................................................................................. 197
7.4 Beitrag hinsichtlich der Validierung des erstellten Modellansatzes mittels statistischer
Methoden (Forschungsziel 4) ............................................................................................................................ 200
8 Ausblick ........................................................................................................................................................................ 204
Literaturverzeichnis ................................................................................................................................................... 207
XII
ABBILDUNGSVERZEICHNIS
Abbildung 1: Kognitives Model der Fluglotsenaufgabe (eigene Darstellung nach Koros el al.
2006; Mogford et al. 1995).......................................................................................................................................... 19
Abbildung 2: Zusammenhang zwischen Eingangsfaktoren, mentaler Beanspruchung und direkt
messbaren Variablen (eigene Darstellung nach Hollnagel & Woods, 2005) .......................................... 21
Abbildung 3: Übersicht der Ansätze und zugehöriger Werkzeuge zur Modellierung von Mensch-
Maschine-Systemen (eigene Darstellung) ............................................................................................................ 38
Abbildung 4: Verbindung zwischen makro-, mikrokognitiver und neuronaler Ebene durch Up-
und Downscaling (eigene Darstellung nach West et al. 2013). .................................................................... 39
Abbildung 5: Richtlinien für die Entwicklung kognitiver Simulationen modifiziert nach Cacciabue
(1998b) (eigene Darstellung) .................................................................................................................................... 50
Abbildung 6: Dreiteilung von Mensch-Maschine-Modellen (eigene Darstellung nach Cacciabue,
1998a) .................................................................................................................................................................................. 53
Abbildung 7: Phasen des Finalen Anfluges und die dazugehörigen Aufgaben des Towerlotsen
(eigene Darstellung nach Tavanti, 2006b) ........................................................................................................... 65
Abbildung 8: Der Kontrolltower Berlin Tegel von innen (Bildquelle: DFS;
http://www.dfs.de/dfs_homepage/mediathek/de/) ...................................................................................... 66
Abbildung 9: Beispiel für einen Flugstreifen (eigene Darstellung) ............................................................ 67
Abbildung 10: Aufgaben von Towerlotsen eingebettet in die Phasen der Handlungsregulation
nach Hacker (1986) (nach Smieszek, Huber & Jürgensohn, 2011) ............................................................ 72
Abbildung 11: Zuordnung der acht Hauptaufgaben des Rollverkehrslotsen (TWR) nach Cox
(1994b) zu den Phasen der Handlungsregulation nach Hacker (1986) (nach Smieszek, 2011)... 73
Abbildung 12: Unteraufgaben zur Ausführung der Hauptaufgabe 3 des Rollverkehrslotsen
"Führen der Ankünfte zum Stand" (vgl. Smieszek, 2011) .............................................................................. 75
Abbildung 13: Beispiel für ein einfaches Petrinetz ........................................................................................... 78
Abbildung 14: Beispiel für ein einfaches farbiges Petrinetz für einen Landeprozess ........................ 79
Abbildung 15: Das Petrinetz aus Abbildung 14 nach einmaligem feuern der Transition "Landing"
................................................................................................................................................................................................ 80
Abbildung 16: Beispiel für eine Substitutions-Transition in einem hierarchischen Petrinetz ....... 80
XIII
Abbildung 17: Darstellung der drei Teile des Petri-Netz-Modells (Flughafen-, Interaktions- und
Lotsenmodell) und deren Verbindungen (nach Smieszek et al., 2013) ................................................... 85
Abbildung 18: Schematische Darstellung der hierarchischen Stuktur des MATriCS-Modells........ 86
Abbildung 19: Elemente der invariablen Prozesslogik (eigene Darstellung nach Manske,
Smieszek, Hasselberg & Möhlenbrink, 2013) ...................................................................................................... 87
Abbildung 20: Layout eines exemplarischen Flughafens (eigene Darstellung) .................................... 88
Abbildung 21: Oberste Ebene des Flughafenmodells ...................................................................................... 89
Abbildung 22: Einzelne Teile eines exemplarischen Flughafens (eigene Darstellung nach Manske,
2013) .................................................................................................................................................................................... 90
Abbildung 23: Umsetzung der Substitutionstransition Taxiing (Rollen) im Petrinetz ...................... 91
Abbildung 24: Verbindungen zwischen den einzelnen Teilen eines exemplarischen Flugplatzes
(eigene Darstellung nach Manske, 2013). ............................................................................................................. 92
Abbildung 25: Das Interaction-Modell im Petrinetz ......................................................................................... 97
Abbildung 26: Das Lotsenmodell im Petrinetz ................................................................................................ 100
Abbildung 27: Das Devided-Sub-Modul im Petrinetz ................................................................................... 103
Abbildung 28: Das Perceive-Sub-Modul im Petrinetz................................................................................... 104
Abbildung 29: Das focused-Sub-Modul im Petrinetz .................................................................................... 106
Abbildung 30: Das Planungsmodul im Petrinetz ............................................................................................ 109
Abbildung 31: Das Entscheidungs-Modul im Petrinetz ............................................................................... 113
Abbildung 32: Entscheidungs-Sub-Modul für Starts- und Landungen im Petrinetz ........................ 116
Abbildung 33: Relative Zielbreite (eigene Darstellung nach Preim und Dachselt, 2010) ............. 119
Abbildung 34: Koordinatensystem am Lotsenarbeitsplatz ........................................................................ 120
Abbildung 35: Das Act-Modul im Petrinetz ....................................................................................................... 122
Abbildung 36: Das Manual-Modul im Petrinetz .............................................................................................. 124
Abbildung 37: Das Working-Memory-Modul (WM) im Petrinetz ............................................................ 126
Abbildung 38: Das WM_Storage-Modul im Petrinetz .................................................................................... 128
Abbildung 39: Der WM_retrieval-Prozess im Petrinetz ............................................................................... 131
Abbildung 40: Ausgabe des WM_ .......................................................................................................................... 131
Abbildung 41: Ausgabe des Requesting_TWR-Monitors in einer Textdatei ........................................ 132
XIV
Abbildung 42: Arbeitsplatz der Versuchspersonen ....................................................................................... 137
Abbildung 43: Arbeitsplatz der Versuchspersonen mit den zur Verfügung stehenden
Radarbildschirmen (links Luftradar, rechts Bodenradar) .......................................................................... 157
Abbildung 44: Die den Versuchspersonen zur Verfügung stehende Stripbay mit einigen
Flugstreifen ..................................................................................................................................................................... 158
Abbildung 45: Mittlere Fehlerzahl der drei Gruppen nach ihrem Abschneiden im d2-R-Test ... 160
Abbildung 46: Mittlere Beanspruchungshöhe (laut RSME) der drei Gruppen nach d2-R-
Ergebiniss ........................................................................................................................................................................ 160
Abbildung 47: Mittlere Beanspruchungshöhe (laut NASA-TLX g. A.) der drei Gruppen nach d2-R-
Ergebiniss ........................................................................................................................................................................ 161
Abbildung 48: Mittlere IBI (in ms) der beiden Experimentalbedingungen (hohe und geringe
Belastung) und der Baselinebedingung .............................................................................................................. 162
Abbildung 49: Mittlere Beanspruchungshöhe jedes Szenarios (in %) erfasst mit dem RSME .... 164
Abbildung 50: Mittleren Beanspruchungshöhe jedes Szenarios (in %) erfasst mit dem NASA-TLX
(Dimension geistige Anstrengung) ....................................................................................................................... 166
Abbildung 51: Mittlere Gesamtfehlerzahl pro Szenario .............................................................................. 168
Abbildung 52: Mittleren Beanspruchungshöhe jedes Szenarios (in %) des Modells ...................... 170
Abbildung 53: Mittlere Beanspruchungshöhe des Modells (Anzahl Chunks) verglichen mit der
mittleren Beanspruchungshöhe des RSME, des NASA-TLX (g.A.), sowie des NASA-RTLX (jeweils
in %) .................................................................................................................................................................................. 172
Abbildung 54: Streudiagramm Modell-RSME der Versuchsperson 24 im Szenario 1 .................... 174
Abbildung 55: Zeitliche Verläufe der subjektiven Beanspruchungswerte (blau) sowie der
Modellwerte (rot) der Versuchsperson 24 im Szenario 1 .......................................................................... 174
XV
TABELLENVERZEICHNIS
Tabelle 1: Vergleich der vorgestellten Methoden zur Erfassung mentaler Beanspruchung und
Bewertung der Gütekriterien (++ sehr gut; -- sehr schlecht) ....................................................................... 29
Tabelle 2: Bewegungstypen, die damit verbundene Anzahl der Features und die sich daraus
ergebende Vorbereitungszeit für die definierten Ziel-Locations ............................................................. 121
Tabelle 3: Übersicht über die Szenarienbezeichnung und der mit ihnen einhergehenden
Belastung ......................................................................................................................................................................... 140
Tabelle 4: Permutation der Szenarien für die 24 Versuchspersonen .................................................... 140
Tabelle 5: Übersicht der Hypothesen zur Überprüfung der experimentellen .................................... 148
Tabelle 6: Übersicht der Hypothesen zur Überprüfung der Modellgüte .............................................. 155
Tabelle 7: Ergebnisse der Testung der Hypothese 1 ..................................................................................... 161
Tabelle 8: Ergebnisse der Testung der Hypothese 2 ..................................................................................... 163
Tabelle 9: Ergebnisse der Testung der Alternativhypothesen von Hypothese 4 .............................. 165
Tabelle 10: Ergebnisse der Testung der Nullhypothesen von Hypothese 4 ........................................ 165
Tabelle 11: Ergebnisse der Testung der Alternativhypothesen von Hypothese 5 ........................... 167
Tabelle 12: Ergebnisse der Testung der Nullhypothesen von Hypothese 5 ........................................ 167
Tabelle 13: Ergebnisse der Testung der Alternativhypothesen von Hypothese 6 ........................... 169
Tabelle 14: Ergebnisse der Testung der Nullhypothesen von Hypothese 6 ........................................ 169
Tabelle 15: Ergebnisse der Testung der Alternativhypothesen von Hypothese 7 ........................... 170
Tabelle 16: Ergebnisse der Testung der Nullhypothesen von Hypothese 7 ........................................ 171
Tabelle 17: Übersicht der Korrelationskoeffizienten der einzelnen Messskalenvergleiche ........ 173
Tabelle 18: Zusammenfassung aller möglichen Korrelationen zwischen Modell und RSME pro
Zeitreihe des Szenarios 1 .......................................................................................................................................... 175
Tabelle 19: Zusammenfassung der möglichen und positiven Korrelationen pro Szenario .......... 176
Tabelle 20: Mittlere Korrelationen aller Zeitreihen pro Szenario, sowie über alle Szenarien .... 176
Tabelle 21: Absolute und mittlere Absolute Abweichung der Modelldaten von den subjektiven
Daten (RSME und NASA-TLX) ................................................................................................................................. 177
Tabelle 22: Vierfeldertafel der Signalentdeckungstheorie bezogen auf die Fehlerzahl in Versuch
und Modell ...................................................................................................................................................................... 178
1
„We often fail to realize how little we know about a thing until we
attempt to simulate it on a computer.”
Donald E. Knuth (1997, S. 298)
2
1 EINLEITUNG
Fluglotsen im Flughafentower haben die Aufgabe die Flugbewegungen am und um den
Flughafen sicher und flüssig abzuwickeln und Zusammenstöße am Boden und in der Luft zu
vermeiden. Ohne die Erlaubnis eines Lotsen (sogenannte Freigaben), darf kein Flugzeug oder
Fahrzeug eine Aktion auf dem Flughafen ausführen. Dabei besteht die wichtige Aufgabe des
Lotsen darin, zu gewährleisten, dass alle Bewegungen am Flughafen möglichst schnell und
unmittelbar (mit dem Ziel der flüssigen und effizienten Abwicklung) von A nach B gelangen,
ohne dass andere Verkehrsteilnehmer behindert werden oder es gar zu gefährlichen
Annäherungen oder Zusammenstößen kommt (mit dem Ziel der sicheren und gründlichen
Abwicklung). Sie sind dabei einem ständigen Trade-off zwischen Effizienz und Gründlichkeit
ausgesetzt (ETTO-Principle; Efficiency-Thorougness-Trade-off; Hollnagel, 2009). Dies stellt eine
hochkomplexe und dynamische Aufgabe dar, die ein hohes Maß an Wissen und Konzentration
des Lotsen erfordert. Da die menschliche Informationsverarbeitungskapazität begrenzt ist, gilt
es, diese Grenzen möglichst genau zu kennen um möglichst gut mit ihnen umgehen zu können.
Sowohl eine Überlastung der Kapazität, als auch eine langfristige Unterforderung kann zu
Fehlern führen. Hierbei stellt die steigende Zahl an Flügen allgemein und damit auch die
steigende Zahl an Starts und Landungen, sowie Rollvorgängen (DFS, 2013), die die Towerlotsen
koordinieren müssen, ein großes Problem dar, da die Lotsen ihr Handeln in Richtung des
Effizienzzieles verschieben müssen und hierdurch Überlastungssituationen und damit Fehler
wahrscheinlicher werden (Hollnagel, 2009). Zusätzlich führen Bestrebungen die Kontrolle über
mehrere kleinere Flughäfen auf einen Lotsen zu übertragen (sogenannte Remote Control) zu
einer indirekten Erhöhung der Flugzahlen (z.B. Fürstenau et al., 2009; Oehme & Schulz-Rückert,
2010).
Es ist daher von großer Bedeutung, Zeitpunkte identifizieren zu können, zu denen eine
Überlastung des Lotsen wahrscheinlich ist, um effektiv gegensteuern zu können, was
beispielsweise durch den Einsatz adaptiver Automations- und Unterstützungssysteme
gewährleistet werden könnte, wie es vor allem in der Fahrzeug- und Flugzeugführung teilweise
schon getan wird (vgl. bspw. Flemisch et al., 2012). Hierdurch können kognitive Kapazitäten des
Lotsen mit dem Ziel freigegeben werden, dass dieser die Abwicklung der Flugzeuge mit höherer
Effizienz und gleichbleibender Gründlichkeit nachkommen kann.
1.1 PROBLEMSTELLUNG
In der Flughafenverkehrskontrolle ist es dabei vor dem Hintergrund steigender Flugzahlen
besonders sinnvoll, die Adaption einer Automation in Abhängigkeit der mentalen
Beanspruchung des Lotsen vorzunehmen. So können unter Bedingungen hoher Belastung und
3
Beanspruchung des Lotsen, Funktionen an die Automation abgegeben werden, welche unter
geringerer Belastung und Beanspruchung wieder dem Lotsen zufallen. Hierbei besteht
allerdings das Problem, dass es sich bei mentaler Beanspruchung um eine „innere“ Variable des
Menschen handelt und diese nicht direkt beobachtbar oder gar messbar ist. In der Mensch-
Maschine-Systemtechnik und der Human Factors-Forschung besteht eine lange Tradition zur
Erfassung mentaler Beanspruchung: Es existieren zahlreiche Methoden und Theorien darüber,
wie durch die Erfassung direkt messbarer Parameter ein Rückschluss auf die mentale
Beanspruchung von Operateuren ermöglicht wird. Dennoch können auch diese
Erfassungsmethoden bis heute nicht als ausreichend angesehen werden, um beispielsweise im
Hinblick auf die Gestaltung adaptiver Automationen die nötige Sensitivität und Diagnostizität
zur Erkennung mentaler Beanspruchung aufzubringen. Es ist daher notwendig, alternative
Ansätze zu finden, um diese Nachteile überwinden zu können. Hierbei stellt die kognitive
Modellierung und Simulation von Mensch-Maschine-Systemen einen vielversprechenden Ansatz
dar. Die Gestaltung adaptiver Automation erfolgte lange Jahre auf Grundlage von
Expertensystemen1 (z.B. Ruckdeschel, 1997), bedient sich allerdings mehr und mehr der
kognitiven Modellierung (z.B. Svenmarck & Dekker, 2003), da hierbei nicht nur die bloßen
Aufgabenabläufe, sondern auch die kognitiven Prozesse des Operateurs modelliert und simuliert
werden können und dies zu einer höheren Korrespondenz zwischen Modell und Operateur
führt.
Bereits bestehende Modelle mentaler Beanspruchung in der Flugverkehrskontrolle betrachten
kognitive Prozesse bisher allerdings eher am Rande, machen also sehr wenige oder stark
vereinfachte Annahmen, die der Komplexität des Systems und der Aufgabe nicht gerecht
werden. Oder aber sie fokussieren auf den sogenannten en-route-Bereich (Lotsen, die die
Koordination von Flugzeugen im oberen Luftraum vornehmen), wobei die Befunde hier als nicht
vergleichbar mit dem Aufgabenspektrum und der Komplexität des zu kontrollierenden Systems
von Towerlotsen anzusehen sind. Auf dem Flughafen finden einerseits sehr viel mehr
Interaktionen zwischen Flugzeugen statt. Andererseits ist die Erkennung und Lösung von
Konflikten aufgrund der räumlichen Begrenzung hier ungleich schwerer (es stehen nur 2
Dimensionen zur Lösung von Konflikten zur Verfügung) und zeitkritischer.
Diese Arbeit hat sich daher zum Ziel gesetzt, die Modellbildung und Simulation in Mensch-
Maschine-Systemen zu nutzen, um die nötigen Voraussetzung einer verlässlichen Erkennung des
Zustandes (insbesondere der mentalen Beanspruchung) von Towerlotsen zu schaffen.
1 Als Expertensysteme werden Computerprogramme bezeichnet, welche den Menschen bei der Lösung
komplexer Probleme auf Grundlage einer vorgegebenen Wissensbasis (Wenn-Dann-Beziehungen)
unterstützen.
4
1.2 REICHWEITE DER ARBEIT
Im Kern dieser Arbeit steht die Anwendung der Modellbildung und Simulation zur
Beschreibung mentaler Beanspruchung von Towerlotsen. Es gilt vor allem Defizite des
vorhandenen Methodenrepertoires zur Erfassung mentaler Beanspruchung zu beseitigen,
beispielsweise, dass mit klassischen Methoden keine Vorhersagen über die Beanspruchung
gemacht werden können und sie damit keine prospektive Beanspruchungsschätzung zulassen.
Die Modellierung ist in der Lage diese Anforderung zu erfüllen (vgl. Kapitel 3.4), da durch
Simulationen auch zukünftige Situationen und Bedingungen adressiert werden können. Nicht
zuletzt ist der Anspruch ebenso eine Verschmelzung von Methoden ingenieurwissenschaftlicher
Anwendungsforschung und Methoden psychologischer und kognitionswissenschaftlicher
Grundlagenforschung und damit der Interdisziplinarität der Modellbildung in Mensch-
Maschine-Systemen Rechnung zu tragen und von ihr zu profitieren. So wurden die theoretischen
Vorarbeiten des Modells unter der Verwendung ingenieurwissenschaftlicher Methoden
(Aufgabenanalysen und Feldbeobachtungen; vgl. Kapitel 4.3; 4.4) mit Hilfe eines
Beschreibungsmittels aus der Informatik (der farbigen Petrinetze; vgl. Kapitel 4.6) auf der
Grundlage kognitionswissenschaftlicher Theorien entwickelt und unter Verwendung
psychologischer Methoden zur Versuchsplanung und –auswertung auf Validität geprüft (vgl.
Kapitel 6).
In dieser Arbeit wird ein Modell vorgestellt und validiert, welches einen ersten Ansatz
darstellt, wie die Modellierung und Simulation kognitiver Prozesse zur Erkennung mentaler
Beanspruchung von Towerlotsen angewendet werden kann. Der Nutzen des entwickelten
Modells bzw. des vorgestellten Ansatzes kann, seinerseits sowohl anwendungs- als auch
grundlagenorientiert, einer Vielzahl Anwendungsmöglichkeiten zugeführt werden. So kann es
zur Zustandserkennung von Towerlotsen für die Gestaltung adaptiver Automationen dienen.
Darüber hinaus kann es verwendet werden, um neuartige Unterstützungssysteme auf ihren
Nutzen hinsichtlich der Entlastung kognitiver Kapazitäten modellhaft zu überprüfen, ohne
kostenintensive Prototypenentwicklungen und Nutzertests vornehmen zu müssen. Zusätzlich
könnte es Anwendung bei der Flugverkehrsplanung finden, wobei die kognitive Kapazität des
Lotsen bei der Erstellung von Flugplänen berücksichtigt werden kann. Ferner kann das Modell
ebenso helfen, die kognitiven Vorgänge von Lotsen und von Menschen im Allgemeinen bei der
Bearbeitung kognitiver Aufgaben besser verstehen zu können und neue Forschungsfragen zu
generieren.
1.3 FORSCHUNGSZIELE
Forschungsziel 1: Ableitung einer geeigneten Modellierungsform des Konstruktes mentaler
Beanspruchung aus einschlägigen kognitionswissenschaftlichen Theorien (theoretisch)
5
Durch eine intensive Recherche der Theorien und Modellvorstellungen zum Konstrukt
mentaler Beanspruchung soll eine geeignete Möglichkeit gefunden werden, dieses Konstrukt mit
Hilfe der kognitiven Modellierung psychologisch plausibel abzubilden. Hierzu ist eine
Informationssammlung einschlägiger Theorien zu mentaler Beanspruchung und den
Begrenzungen der menschlichen Informationsverarbeitungskapazität notwendig, um eine
adäquate Abbildung mentaler Beanspruchung und menschlicher Informationsverarbeitungs-
kapazität in einem kognitiven Modell zu erreichen.
Forschungsziel 2: Verfolgung eines makrokognitiven Modellierungsansatzes
(anwendungsorientiert) und Verbindung mit mikrokognitiven Ansätzen (theoretisch)
Es soll die Funktionsweise des Mensch-Maschine-Systems herausgearbeitet werden. Zum
Verständnis der Aufgaben und kognitiven Prozessen des Lotsen ist eine intensive Analyse des
Systems Flugverkehrskontrolle mit Methoden der Systemtechnik durchzuführen. Gleichzeitig
soll durch die Anwendung kognitionspsychologischer Theorien der Informationsverarbeitung
und mentaler Beanspruchung auf die Domäne Flugverkehrskontrolle eine Übertragung dieser
Theorien auf die Aufgaben und kognitiven Prozesse der Domainexperten erreicht werden. Die
Verknüpfung der kognitionspsychologischen Theorien der Informationsverarbeitung mit den
zur Aufgabenbearbeitung notwendigen kognitiven Prozessen des Lotsen bildet die Basis für die
Implementierung eines kognitiv plausiblen, ganzheitlichen, makrokognitiven Modells.
Forschungsziel 3: Erstellung eines Modells zur quantitativen Beschreibung mentaler
Beanspruchung von Towerlotsen in Abhängigkeit verschiedener Einflussfaktoren
(anwendungsorientiert)
Auf Grundlage der theoretischen Analysen und Analysen der Anwendungsdomäne soll die
Erstellung eines ablauffähigen, ganzheitlichen, kognitiven Modells erfolgen, welches in der Lage
ist, sowohl die Anwendungsdomäne Flugverkehrskontrolle, als auch die theoretischen
Modellvorstellungen mentaler Beanspruchung und menschlicher Informationsverarbeitung
adäquat abzubilden und Vorhersagen zur mentalen Beanspruchung zu ermöglichen. Hierbei soll
ein Grundlagenmodell (im Folgenden mit MATriCS; Model of Airport Traffic Control System)
basaler Lotsenbeanspruchung und Informationsverarbeitung geschaffen werden, welches die
Implementierung weiterer Einflussfaktoren mentaler Beanspruchung ermöglicht.
Forschungsziel 4: Validierung des erstellten Modellansatzes mittels statistischer Methoden
(empirisch)
Um zu ermitteln, ob das entwickelte Modell in der Lage ist, valide Vorhersagen der mentalen
Beanspruchung von Towerlotsen zu generieren, sollen in einer experimentellen Studie Daten
mentaler Beanspruchung erhoben und diese mit den vom Modell generierten Daten verglichen
werden.
6
1.4 AUFBAU DER ARBEIT
Die Arbeit stellt zunächst ausgewählte theoretische Modelle mentaler Beanspruchung und
Erfassungsmethoden derselben dar (Kapitel 2). Ferner wird der Stand der Forschung zur
komputationalen Modellbildung in der Flugverkehrskontrolle im Allgemein und zur mentalen
Beanspruchung im Speziellen vorgestellt (Kapitel 3). Die Vorstellung der theoretischen
Vorarbeiten zur Analyse des Systems Flugverkehrskontrolle, zur theoretischen Modellbildung
und zur Auswahl des Beschreibungsmittels erfolgt in Kapitel 4. Eine genaue Beschreibung des
erstellten Modells, sowie der Studie zu dessen Validierung erfolgen in Kapitel 5 bzw. 6. Kapitel 7
diskutiert die eigene Arbeit, bevor in Kapitel 8 ein abschließender Ausblick auf weitere
Forschung gegeben wird.
Kapitel 2 fasst einschlägige kognitionspsychologische Theorien und Modellvorstellungen zum
Konstrukt mentaler Beanspruchung zusammen und versucht sich der Beantwortung der Frage
zu nähern, was mentale Beanspruchung ist. Hierzu werden verschiedene Modellvorstellungen
der psychologischen Grundlagen- aber auch aus der Anwendungsforschung in der
Flugverkehrskontrolle erläutert und kontrastiert. Es wird eine Arbeitsdefinition erstellt, welche
die Grundlage für eine sowohl psychologisch plausible, als auch anwendungsorientierte
Modellierung mentaler Beanspruchung bildet. Ferner werden Methoden zur Erfassung mentaler
Beanspruchung vorgestellt und hinsichtlich wichtiger Gütekriterien diskutiert.
Kapitel 3 beschreibt den Stand der Forschung im Bereich Modellierung und Simulation in
Mensch-Maschine-Systemen und sensibilisiert für die Notwendigkeit der ganzheitlichen
Betrachtung solcher Systeme bei deren Modellierung. Hierbei werden zwei verschiedene
theoretische Ansätze zur Modellierung und Simulation in Mensch-Maschine-Systemen
vorgestellt, die in der Mensch-Maschine-Forschung und Modellierung häufig kontrastiert
werden: mikrokognitive und makrokognitive Ansätze. Es wird argumentiert, dass beide Ansätze
zwar verschiedene Wurzeln besitzen, unterschiedliche Zielsetzungen mit der Modellierung
verfolgt werden, verschiedene Ansichten bestehen, was ein Modell leisten sollte und daher auch
verschiedene Methoden zum Einsatz kommen. Es wird aber auch argumentiert, dass beide
Ansätze keinesfalls gegensätzlich sind und damit eine Verbindung beider Ansätze durchaus
möglich und auch im Rahmen dieser Arbeit sinnvoll ist. Ferner werden ausgewählte Modelle und
Simulationen spezifischer Problemstellungen zur Flugverkehrskontrolle und Luftfahrt, sowie im
speziellen zur mentalen Beanspruchung vorgestellt und diskutiert.
Kapitel 4 beschreibt die theoretischen Vorarbeiten zur Erstellung des MATriCS-Modells, die
anhand der Richtlinien zur Erstellung kognitiver Simulationen nach Cacciabue (1998) erfolgten.
Hierbei wurden zunächst die Problemgrenzen und das Simulationsziel definiert, sowie im
Anschluss Aufgabenanalysen der Flughafenverkehrskontrolle zusammengefasst, um den Status-
7
Quo der Aufgaben von Towerlotsen und der nötigen kognitiven Prozesse zu erfassen. Eine
Feldstudie der Arbeitsumgebung wurde durchgeführt, um die Gegebenheiten und Regularien
des Systems Flughafenverkehrskontrolle möglichst genau kennen zu lernen. Im Anschluss
wurde ein theoretisches Modell erstellt, welches den prototypischen Arbeitsablauf eines
Towerlotsen beschreibt und die Einzelhandlungen anhand der Phasen der Handlungsregulation
systematisiert und als Grundlage für die Implementierung des Modells dient. Ferner wird die
Auswahl des verwendeten Beschreibungsmittels begründet.
Kapitel 5 beschreibt die Implementierung und die Funktionsweise des MATriCS-Modells
anhand der genauen Darstellung der Sub-Module auf der Basis farbiger Petrinetze. Hierbei
werden die genauen Abläufe des MATriCS-Modells beschrieben, sowie die auf Grundlage
verschiedener kognitionspsychologischer Theorien getroffenen Annahmen dargestellt. Ferner
erfolgt eine kurze Beschreibung der Funktionsweise der Generierung und des Auslesens von
Daten aus dem MATriCS-Modell.
Kapitel 6 stellt die Studie zur Überprüfung der Modellgüte vor. Es wird zunächst untersucht, ob
die experimentelle Manipulation erfolgreich war. Die Modellgüte wird auf Grund der Eigenschaft
der Daten vor allem durch Trendmaße ermittelt. Hierbei wird einerseits untersucht, ob das
Modell in der Lage ist, die Trends der mittleren Beanspruchungshöhe verschiedener subjektiver
Maße und des Leistungsmaßes zu replizieren. Ferner wird untersucht, inwieweit das Modell in
der Lage ist, die Beanspruchung jeder einzelnen Versuchsperson, erfasst durch ein subjektives
Maß und ein physiologisches Maß, adäquat abzubilden. Es folgt eine Diskussion der Ergebnisse.
Kapitel 7 bewertet den erreichten Beitrag der eigenen Arbeit hinsichtlich der Erreichung der
selbst gestellten Forschungsziele.
Kapitel 8 gibt einen Ausblick auf weitere Forschungsmöglichkeiten.
8
2 MENTALE BEANSPRUCHUNG, KOGNITIVE KAPAZITÄT UND
ARBEITSGEDÄCHTNIS
Das vorliegende Kapitel beschäftigt sich mit der Bedeutung von mentaler Beanspruchung,
sowie der Kapazität menschlicher Informationsverarbeitung. Die Betrachtung einschlägiger
Theorien ermöglicht einerseits das Aufstellen einer Arbeitsdefinition, andererseits die
Ermittlung einer angemessenen Form mentaler Beanspruchung modellhaft abzubilden. In
Kapitel 2.1 wird zunächst auf die zwei dominierenden Modellvorstellungen mentaler
Beanspruchung eingegangen – aktivierungstheoretische und aufmerksamkeitstheoretische.
Kapitel 2.2 geht im Anschluss detaillierter auf die zentrale Verarbeitung von Informationen im
Arbeitsgedächtnis ein, wobei vor allem die Kapazitätsbegrenzungen und die Möglichkeit der
Kapazitätserweiterung im Vordergrund stehen. Kapitel 2.3 beschäftigt sich mit der Übertragung
der Befunde mentaler Beanspruchung auf den Bereich der Flugverkehrskontrolle. In Kapitel 2.4
werden ausgewählte Methoden zur Erhebung mentaler Beanspruchung vorgestellt sowie
hinsichtlich wichtiger Gütekriterien bewertet. Kapitel 2.5 fasst das Kapitel zusammen.
2.1 MENTALE BEANSPRUCHUNG – THEORIEN UND MODELLE
In Abgrenzung zu physischer und emotionaler Beanspruchung werden als mental
beanspruchend solche Aufgaben beschrieben, die primär durch geistige Anforderungen ein
subjektives Gefühl des Angestrengtseins hervorrufen und damit Anforderungen an verschiedene
Teile des menschlichen Informationsverarbeitungssystems stellen (Gopher & Donchin, 1986).
Häufig wird eine Unterscheidung zwischen Belastung und Beanspruchung dadurch
vorgenommen, dass auf bestimmte, von außen auf den Menschen einwirkende Faktoren
(sogenannte Belastungs- oder Inputfaktoren; engl. demands, stressors; Manzey, 1998) Bezug
genommen wird, welche eine Beanspruchungsreaktion (engl. workload, strain) auslösen. Diese
Ansicht schlägt sich auch im Belastungs-Beanspruchungskonzept der Ergonomie nieder
(Rohmert, 1984). Als mental beanspruchend wird dabei nur derjenige Teil der Aufgabe
bezeichnet, „der von den aufgabenspezifischen Anforderungen an das menschliche
Informationsverarbeitungssystem und damit von der Aufgabenschwierigkeit bzw. –komplexität
determiniert wird“ (Manzey, 1998, S. 800).
Es ist bisher nicht gelungen eine einheitliche und umfassende Theorie mentaler
Beanspruchung zu erarbeiten (Manzey, 1998). Vielmehr existieren eine Reihe verschiedener
Modellvorstellungen, welche bestimmte Prozesse und Begriffe fokussieren. Stein (1998)
reflektiert diesen Sachverhalt etwas ironisch mit: „…there have been so many workload reviews,
that soon we will be reduced to writing reviews of reviews” (S. 156). Manzey (1998) identifiziert
zwei dominierende theoretische Ansätze: Die aus der psychophysiologischen
9
Aktivierungsforschung stammenden aktivierungstehoretischen Modelle (z.B. Boucsein, 1991;
Hockey, 1984; Pribram & McGuniess, 1975), welche mentale Beanspruchung als
aktivierungstheoretisches Konzept interpretieren (Manzey, 1998), sowie
aufmerksamkeitstheoretische Modelle (z.B. Kahnemann, 1973; Shiffrin & Schneider, 1977;
Wickens, 1984), die aus der Kognitionspsychologie stammend vor allem strukturelle und
kognitive Aspekte, wie kapazitätslimitierte kognitive Ressourcen hervorheben (Ribback, 2003).
2.1.1 AKTIVIERUNGSTHEORETISCHE MODELLE
Die psychophysiologische Aktivierungstheorie (z.B. Duffy, 1951; Lindsley, 1951) geht davon
aus, dass Informationsverarbeitung Energie benötigt (Ribback, 2003). Diese Energie ist dabei als
„metabolische Kapazität definiert, die zur Aufgabenbearbeitung notwendig ist“ (Ribback, 2003, S.
30). Es wird angenommen, dass mentale Beanspruchung direkt mit dem psychophysischen
Aufwand verbunden ist, der für die Bearbeitung komplexer Aufgaben benötigt wird und somit
auch direkt aus der Ausprägung psychophysiologischer Aktivierungsindikatoren (z.B. Herzrate,
Blutdruck usw.) abzulesen sei (Manzey, 1998; Ribback, 2003). Im Bereich der
aktivierungstheoretischen Konzepte konnte im Laufe der Zeit allerdings weder die Vorstellung
eines eindimensionalen Kontinuums menschlicher Aktivierung, welches von tiefstem Schlaf bis
zum Zustand höchster Erregung reicht, noch ein umgekehrt u-förmiger Zusammenhang
zwischen der Leistung und dem Aktivierungsniveau (Yerkes & Dodson, 1908) aufrechterhalten
werden. Dies liegt einerseits darin begründet, dass die Übertragung des Yerkes-Dodson Gesetzes
auf die menschliche Leistung und Aktivierung fragwürdig erscheint, da Yerkes und Dodson
(1908) ihre Untersuchungen an Mäusen durchführten (Dekker & Hollnagel, 2004; Hockey, 1984;
Staal, 2004). Andererseits sprechen zahlreiche Befunde dafür, dass in Abhängigkeit von der
Auslösebedingung (Stimulus), der individuellen Dispositionen (Individualspezifität) und
aktuellen Reaktionstendenzen einer Person (Motivationsspezifität) bestimmte
psychophysiologische Reaktionsmuster ausgelöst werden (Fahrenberg, 1983; Manzey, 1998),
die in ihrer Ausprägung allerdings unabhängig von der Stärke des Stimulus sind. Kurz gesagt
bedeutet dies, dass eine Person auf einen bestimmten Reiz ein gleichartiges Reaktionsmuster
zeigt. Diese führten zu einer Erweiterung und Ausdifferenzierung des Aktivierungskonzeptes.
So erweiterten unter Anderem Pribram und McGuniess (1975) diese Konzepte und
beschreiben drei verschiedene zentralnervöse Funktionssysteme: Einem Affect-Arousal-System,
welches hauptsächlich der Steuerung selektiver Aufmerksamkeitsprozesse dienen soll (Manzey,
1998; Ribback, 2003); ein Preparatory-Activation-System, welches vor allem die motorische
Reaktionsbereitschaft erhöht und ein Effort-System, dem zum einen eine richtungssteuernde
Funktion der Aufmerksamkeit zukommt (Ribback, 2003). Zusätzlich wird letzterem auch eine
koordinierende Funktion zugeschrieben (Manzey, 1998). In diesem Modell wird Anstrengung
10
durch die wahrgenommene Schwierigkeit der Aufgabe bestimmt. Es wird u.a. durch
neurobiologische Befunde untermauert (Robbins & Everitt, 1994), da die Unterscheidung der
drei Aktivierungssysteme mit den in der Neurobiologie inzwischen gut identifizierten
monoaminergen2 Bahnsystemen große Ähnlichkeit aufweist.
Stark angelehnt an Pribram und McGuniess (1975) beschreibt Boucsein (1991) drei Systeme,
die stark vereinfachend als allgemeine (effort), emotionale (arousal) und motivationale/
tätigkeitsbezogene (activation) Aktivierungsprozesse beschrieben werden können. Diese
neueren aktivierungstheoretischen Modelle berücksichtigen den Einfluss intentional-
motivationaler Prozesse, in Form von willentlich gesteuerten Kontrollprozessen. Hiermit lässt
sich erklären, dass unter mentaler Beanspruchung bestimmte Indikatoren erhöhten
Energiebedarfes in der Peripherie (z.B. Blutdruck, Muskelspannung) ansteigen, während im
Gehirn, wo die Informationsverarbeitung stattfindet, der Energiebedarf im Vergleich zu einer
Ruhebedingung gleich bleibt (Ribback, 2003).
2.1.2 AUFMERKSAMKEITSTHEORETISCHE MODELLE
Die aufmerksamkeitstheoretischen Modelle entstammen der Forschung zu Interferenzeffekten
bei der gleichzeitigen Bearbeitung zweier Aufgaben (Manzey, 1998). Hierbei werden
Leistungseinbußen bei solchen Doppeltätigkeiten dadurch erklärt, dass das menschliche
Informationsverarbeitungssystem kapazitätsbegrenzt ist. Die vorhandene Kapazität reicht bei
der Bearbeitung zweier Aufgaben nicht aus, um beide Aufgaben ohne Leistungseinbußen zu
bearbeiten (Kramar & Spinks, 1991; Manzey, 1988; Wickens, 1984, 1991). Der Kapazitätsbedarf
einer Aufgabe bestimmt dabei das Ausmaß der mentalen Beanspruchung (Manzey, 1998). Je
höher dabei der Kapazitätsbedarf, desto geringer ist die jeweilige Restkapazität die noch für
weitere Aufgaben zur Verfügung steht (Manzey, 1998; Ribback, 2003).
Dabei unterscheiden sich die Modellannahmen darin, welche Art der Kapazitätsbegrenzung
beschrieben wird. So geht beispielsweise Kahnemann (1973) von einer einzelnen,
undifferenzierten Kapazität aus, von der Ressourcen für die Aufgabenbearbeitung in begrenztem
Umfang zur Verfügung gestellt werden können. Nach Wickens (1992) definiert sich die Kapazität
als die maximale Verarbeitungskapazität, während Ressourcen den mentalen Aufwand
beschreiben, der für die Verarbeitungseffizienz zur Verfügung gestellt wird (De Waard, 1996).
Bei Kahnemann (1973) sind alle Verarbeitungsaufgaben an diese eine Kapazität geknüpft
(Ribback, 2003). Sie ist abhängig von dem Ressourcenbedarf, d.h. der Schwierigkeit der Aufgabe,
der überdauernden Dispositionen (z.B. nicht willkürlich beeinflussbarer Bereitstellung von
Ressourcen bei Orientierungs- oder Defensivreaktionen) und den jeweiligen Intentionen des
2 Monoaminerge Bahnen umfassen Zellen, welche Noradrenalin, Dopamin, Serotonin oder Histamin als
Neurotransmitter verwenden (Robbins, 1997).
11
Individuums (Manzey, 1998). Bereits Kahnemann (1973) nahm an, dass, obwohl die
Gesamtkapazität begrenzt ist, sie bis zu einem gewissen Grad durch Anstrengung gesteigert
werden kann. Hierbei nimmt er an, dass das Aktivierungsniveau als Korrelat der verfügbaren
Maximalkapazität verstanden werden kann und stellte so bereits einen Zusammenhang zu
aktivierungstheoretischen Konzepten her (Manzey, 1998).
Norman und Bobrow (1975) sowie Shiffrin und Schneider (1977) erweiterten diese Theorie
und erklären Informationsverarbeitung nun nicht mehr nur mit ressourcentheoretischen
Begriffen, sondern sehr viel allgemeiner und fassen darunter auch Anstrengung,
Gedächtniskapazität und Kommunikationskanäle. Der hypothetische Zusammenhang zwischen
der Ressourcenverteilung und der Leistung in der Aufgabe wird solange als linear angenommen,
bis alle Ressourcen investiert sind. Ist dies der Fall, können keine weiteren Ressourcen
investiert werden und die Leistung bleibt stabil. Nach Norman und Bobrow (1975) werden
solche Aufgaben als ressourcenlimitiert bezeichnet. Diese stehen im Gegensatz zu
datenlimitierten Aufgaben (De Waard, 1996). Bei der Ausführung datenlimitierter Aufgaben
wird die zusätzliche Investition von Ressourcen keinen Zuwachs in der Leistung bringen, da die
Qualität der Daten begrenzt ist (z.B. der aufzunehmenden Informationen). Dieser
Zusammenhang zwischen der Leistungsanforderung durch die Aufgabe und kognitiven
Ressourcen wird durch die Leistungs-Ressourcen-Funktion (performance-ressource-function,
PRF) beschrieben, die in einen ressourcenlimitierten und einen datenlimitierten Teil unterteilt
wird. Interferenzeffekte bei der gleichzeitigen Bearbeitung von zwei Aufgaben interpretieren
Norman und Bobrow (1975) dahingehend, dass ressourcenlimitierte Verarbeitungsprozesse mit
anderen kognitiven Prozessen konkurrieren. Nichtsdestotrotz bleibt mentale Beanspruchung
nach diesen Theorien ein eindimensionales Konzept (Mulder, 1980).
Obwohl die bisher beschriebenen Theorien auf eine Vielzahl von Situationen übertragen
werden können, können sie nicht erklären, warum unbeeinflusste Leistung und das gleichzeitige
Ausführen mehrerer Aufgaben möglich sind (De Waard, 1996). Zahlreiche Experimente zu
Doppeltätigkeiten widersprachen der Auffassung eines undifferenzierten Kapazitätskonzeptes,
wie es Kahnemann (1973) postulierte und dem auch Norman und Bobrow (1975) folgten. Es
konnte gezeigt werden, dass Interferenzeffekte bei der gleichzeitigen Ausführung zweier
Aufgaben durch die Ähnlichkeit in der Anforderungsstruktur der Aufgaben bestimmt werden,
wobei die Aufgabenschwierigkeit eine eher untergeordnete Rolle spielt (Heuer, 1996; Manzey,
1988; Wickens, 1980, 1984). Zwei Aufgaben interferieren demnach nur dann, wenn sie ähnliche
Anforderungen an den kognitiven Apparat stellen. Nur dann wirkt sich auch ihre Schwierigkeit
auf die Leistung aus (Manzey, 1988).
Dies führte zur Entwicklung der mehrdimensionalen Ressourcentheorien (z.B. Navon &
Gopher, 1979; Ploson & Friedman, 1988; Wickens, 1984). Hierbei wird davon ausgegangen, dass
12
das menschliche Informationsverarbeitungssystem über mehrere, voneinander unabhängige
Teilsysteme verfügt, welche jeweils für sich über begrenzte Ressourcen verfügen. Interferenzen
bei Doppelaufgaben entstehen dadurch, dass zwei strukturell sehr ähnliche Aufgaben
gleichzeitig bearbeitet werden und damit ähnliche Verarbeitungsressourcen benötigen.
Wickens (1984, 1991, 2002; vgl. auch Wickens & McCarley, 2008) postuliert ein
vierdimensionales multiples Ressourcenmodell, wobei jede der vier Dimensionen weiterhin
zwei diskrete Stufen aufweist. Die erste Dimension stellen hierbei die beiden Stufen der
Informationsverarbeitung und deren Begrenzungen dar: perzeptiv-kognitive Prozesse, also die
Informationsaufnahme (z.B. visuelles Scanning; Manzey, 1998) und die zentrale Verarbeitung
(insbesondere das Arbeitsgedächtnis; Wickens & McCarley, 2008) sowie die Steuerung der
Vorbereitung und Kontrolle motorischer Reaktionen (Handlungsausführung). Als zweite
Dimension beschreiben Wickens und Mccarley (2008) die Wahrnehmungsmodalitäten, mit den
Stufen auditiv und visuell. Die dritte Dimension beschreibt die beiden Stufen der visuellen
Kanäle focal und ambient (Wickens & McCarley, 2008). Als vierte Dimension werden die
Verarbeitungscodes mit ihren Stufen, räumlich-analog und kategorisch-symbolisch (linguistisch
oder verbal; Wickens & Mccarley, 2008) beschrieben. Es ist dabei darauf hinzuweisen, dass die
Unterscheidung der Wahrnehmungsmodalitäten (auditiv; visuell) nur auf dem Level der
Perzeption getroffen werden kann, nicht aber auf dem Level der zentralen Verarbeitung. Ebenso
wird die Unterscheidung zwischen ambient und focal nur für den visuellen Kanal getätigt. Dies
bedeutet, dass für die zentrale Verarbeitung nur die Verarbeitungscodes (räumlich-analog und
kategorisch-symbolisch) weiterhin unterschieden werden können und Informationen bei ihrer
Verarbeitung damit auch abhängig von ihrer Codierung unterschiedliche Ressourcen
beanspruchen.
Ebenfalls vom Modell von Pribram und McGuniess (1975) ausgehend stellt Hockey (1997) ein
Modell vor, welches beide theoretischen Ansätze, aktivierungs- und aufmerksamkeits-
theoretische, verbindet. Er geht von begrenzten multiplen Ressourcen aus, wobei Anstrengung
für eine Energiebereitstellung sorgt (Ribback, 2003). Hockey (1997) nimmt dabei eine
Integration der beiden vorgestellten Ansätze vor, woraus sogenannte integrative Theorien
folgen, die die begrenzten Verarbeitungsressourcen der ressourcentheoretischen Modelle als
energetische Begriffe auffassen und mentale Beanspruchung somit auch der physiologischen
Erfassung zugänglich machen (Hockey, 1997; Sanders, 1983; Wickens, 1991).
Aus dem Modell von Wickens (1984) folgt, dass vor allem Begrenzungen der perzeptiv-
kognitiven Verarbeitungsstufe für das Entstehen mentaler Beanspruchung verantwortlich sind.
Hierbei wird neben der Kapazitätsbegrenzung der informationsaufnehmenden Sinne vor allem
das Arbeitsgedächtnis als limitierender Faktor gesehen. Es werden daher im folgenden Kapitel
13
Modellvorstellung über den Aufbau und die Begrenzungen der Arbeitsgedächtniskapazität näher
vorgestellt.
2.2 ARBEITSGEDÄCHTNISMODELLE, KAPAZITÄT UND CHUNKS
Grundlegend wird das Arbeitsgedächtnis als Kurzzeitspeicher und Instanz für die Manipulation
von Informationen, die zur Bearbeitung von Aufgaben notwendig sind, angesehen. Dieses ist
abzugrenzen von sensorischen Speichern der Sinne und dem Langzeitgedächtnis (Sanders &
McCormick, 1993). Im sensorischen Speicher werden Eingaben der Sinnesorgane für sehr kurze
Zeit aufrechterhalten (wenige Sekunden). Wird Aufmerksamkeit darauf gelegt, werden diese
Informationen in das Arbeitsgedächtnis überführt. Vom Arbeitsgedächtnis können
Informationen in das Langzeitgedächtnis durch semantische Kodierung bzw. Sinnanwendung
und durch Herstellung von Beziehungen zu bereits existierendem Wissen übertragen werden
(Vingelis, Schaeffer, Stringer, Gromelski, & Ahmed, 1990).
Die Vorstellung multipler Ressourcen, die auch Wickens (1984, 1991) postuliert, spiegelt sich
ebenso in vielen Modellvorstellungen über den Aufbau und die Funktion der zentralen
Verarbeitung von Informationen wieder. Auch hierbei deuten neuere Forschungsergebnisse
darauf hin, dass die Speicherung und Verarbeitung von Informationen nicht nur von einer
einzelnen limitierenden Ressource mit bestimmter Kapazität abhängt, sondern, dass vielmehr
mehrere unabhängig voneinander agierende Systeme mit jeweils eigener Kapazität agieren.
Baddeley und Hitch (1974) beschreiben dabei ein Arbeitsgedächtnismodell, welches über eine
zentrale Exekutive verfügt, die zwei untergeordnete Systeme steuert: die phonologische Schleife
und den visuell-räumlichen Notizblock (Baddeley, Grant, Wight, & Thomson, 1975; Logie, 1986).
Dieses Modell wurde durch die Gewinnung neuer Erkenntnisse über die Jahre hinweg immer
wieder angepasst. So wurde später noch ein drittes System, der episodische Puffer, hinzugefügt
(Baddeley, 2000). Baddeleys Modell ist dabei ebenso ein multiples Ressourcen Modell wie das
von Wickens (Stein, Garland, & Muller, 2010).
Bei Baddeley liegt ebenso wie bei Wickens (1984) die Annahme zugrunde, dass die jeweiligen
Komponenten des Arbeitsgedächtnisses unabhängige Ressourcen beanspruchen, welche
ihrerseits in gewisser Weise limitiert sind. Beide machen aber keine genaue Aussage darüber,
wie groß diese Ressourcenreservoirs sind. Für eine angestrebte modelhafte Beschreibung
mentaler Beanspruchung und kognitiver Kapazität wäre es nicht von unerheblichem Interesse
zu analysieren, wie hoch die maximale für die Aufgabenbearbeitung zur Verfügung stehende
Kapazität eines Menschen ist. Dies ist allerdings eine äußerst schwierige Aufgabe. Beispielsweise
gibt Wickens (1984) keinerlei Hinweise darauf, wie groß die jeweiligen Ressourcenreservoirs
der Perzeption, sowie der zentralen Verarbeitung sein könnten. Für die Perzeption kann
14
allerdings von rein physikalischen Begrenzungen ausgegangen werden. Auch wenn es trivial
erscheinen mag, wir haben nur ein Paar Augen und Ohren und können unsere fokussierte
Aufmerksamkeit (focal) nur auf einen Sachverhalt gleichzeitig lenken (vgl. z.B. Posner, Snyder, &
Davidson, 1980). Ebenso kann nur einer Person zugehört werden, ohne dass durch
Interferenzeffekte Informationen verloren gehen (vgl. z.B. Baddeley, 1976).
Etwas anders ist die Sachlage bei der Untersuchung der zentralen Verarbeitung von
Informationen, speziell denen des Arbeitsgedächtnisses. Hier wurden eine Reihe von
Untersuchungen durchgeführt und Theorien aufgestellt, wie groß das maximale
Ressourcenreservoir der Informationsverarbeitung ist. Diese werden im Folgenden beschrieben.
Bei der zentralen Verarbeitung von Informationen ist es sehr naheliegend, dass mehrere
Informationseinheiten über einen gewissen Zeitraum aufrechterhalten werden müssen, um sie
effektiv manipulieren zu können. So müssen beispielsweise für die Multiplikation beide
Faktoren aufrechterhalten werden, um das Produkt zu bilden.
Im oben beschriebenen Modell von Baddeley (Baddeley & Hitch, 1974; Baddeley, 2012)
werden nur sehr wenige Hinweise darauf gegeben, ob eine Ressourcenobergrenze existiert und
wenn ja, wie groß diese ist. Bei Baddeley wird lediglich dem episodischen Puffer eine begrenzte
Kapazität von vier Informationseinheiten (sogenannten Chunks;) zugesprochen. Die Arbeit von
Miller (1956) hat hierbei maßgeblich die Entwicklung des Konzepts der Zusammenfassung
einzelner Informationseinheiten zu einem Gefüge, genannt „Chunks“ bestimmt, sowie außerdem
den richtungsweisenden Anstoß für den information-processing approach gegeben (Baddeley,
1994). Der Begriff des Chunk wird bis heute verwendet, um die Zusammenfassung mehrerer
Informationseinheiten (Items; z.B. Ziffern, Buchstaben) zu beschreiben, die in einen solchen
Sinnzusammenhang gebracht werden, dass sie als ein einzelnes Element im Arbeitsgedächtnis
gespeichert werden können (Stein et al., 2010). „Hence a familiar and meaningful date such as
1492 is likely to act as one chunk, while a less significant one like 1386 would probably not.“
(Baddeley, 1990, S. 42). Dieser steht in unmittelbarem Zusammenhang mit der Frage, wie groß
die maximale Kapazität des Arbeitsgedächtnisses ist und bietet eine Erklärung dazu, wie diese
Kapazität erweitert werden kann. Allerdings ist bis heute nicht ganz klar, wie ein solcher Chunk
genau aufgebaut ist und wie groß dieser sein kann (Simon, 1974).
Der oben angesprochenen Annahme von Baddeley (1994), der vier speicherbare
Informationseinheiten beschreibt, ist auch bei Cowan (1999) wiederzufinden. Cowan (2001)
beschreibt allerdings keinen episodischen Puffer. Vielmehr geht er davon aus, dass ein
sogenannter „focus of attention“ existiert, welcher für die Aufrechterhaltung und den Abruf von
Informationen zuständig ist. Informationen, die nach einer bestimmten Zeit nicht in diesen
Aufmerksamkeitsfokus geraten, verblassen (decay). Die Kapazitätsgrenze liegt hierbei im
15
Aufmerksamkeitsfokus (diese kann in Baddeleys Modell in der zentralen Exekutive gesehen
werden), welcher nur in der Lage ist, maximal vier Elemente gleichzeitig abzurufen (Cowan,
2001, 2010; vgl. auch Broadbent, 1975). Eine solches zeitliches Verblassen von Informationen
beschreibt auch Baddeley (2012) für seine anderen Systeme.
Aufbauend auf den Ansätzen von Cowan (2001) beschreiben auch Oberauer, Süß, Schulze,
Wilhelm und Wittmann (2000) ein aktives Arbeitsgedächtnis, bei dem auch die Vorstellung
eines „focus of attention“ verfolgt wird, welcher notwendig ist, um Informationen aktiv zu halten
und für die Manipulation zugänglich zu machen (vgl. auch Oberauer, Süß, Wilhelm, & Wittman,
2003; van der Linden, 1998). Es wird allerdings bezweifelt, dass dieser Fokus mehr als eine
Informationseinheit gleichzeitig beinhalten kann (Oberauer & Bialkova, 2009; vgl. auch McElree,
2001).
Hinsichtlich der Festlegung einer Obergrenze der Verfügbaren Arbeitsgedächtnisressourcen ist
zu erkennen, dass die vorgestellten Multi-Komponenten-Systeme eher vage bzw. uneinig sind.
Sie treffen zwar detaillierte Annahmen darüber, wie das Arbeitsgedächtnis aufgebaut ist und
welche unabhängigen Sub-Systeme existieren. Es gibt allerdings keine oder zumindest keine
einheitlichen Befunde darüber, wie hoch die maximale Kapazität dieser Sub-Systeme ist bzw.
wie lange es dauert, bis eine Information zerfällt, wenn sie nicht in den Aufmerksamkeitsfokus
gerät.
Frühe Ansätze zur Kapazität des Arbeitsgedächtnisses verfolgen eine sehr viel einfachere
Vorstellung und treffen sehr viel konkretere Annahmen über die maximale Kapazität. Während
die Modelle von Baddeley (1986), Cowan (1999) und Oberauer und Bialkova (2009) alle von
Multi-Komponenten-Systemen ausgehen, beschreiben eine Reihe von Autoren bis heute eine
„single, limited-capacity system theory of working memory“ (Stein et al., 2010) (z.B. Adams,
1989; Kantowitz & Sorkir, 1983; Klapp, Marshburn, & Lester, 1983; Sanders & McCormick,
1993). Ähnlich wie bei Kahnemann (1973) wird hier von einem einzigen, kapazitätsbegrenzten
Ressourcenreservoir ausgegangen, welches das menschliche Arbeitsgedächtnis darstellt. Hierbei
wird allerdings ein statisches Arbeitsgedächtnis vorausgesetzt, welches lediglich der
Speicherung, nicht aber der Manipulation von Informationseinheiten dient.
Die Arbeit von Miller (1956) wurde hierbei unter Anderem auch dadurch berühmt, dass sie
eine der ersten darstellt, die eine Obergrenze an Chunks postuliert, die im Arbeitsgedächtnis
gespeichert werden können. Miller (1956) postuliert, dass eine Anzahl von 7±2 Elementen
gleichzeitig im Arbeitsgedächtnis speicherbar ist („The magical number seven plus or minus
two“). Die „single-system“ Theorien gehen weiterhin davon aus, dass keine weiteren
Gedächtnisaufgaben ohne Leistungseinbußen erfüllt werden können, wenn das
Arbeitsgedächtnis einmal mit seinen fünf bis neun Chunks gefüllt ist. Es stellt daher einen
16
passiven Kurzzeitspeicher für Informationen dar (Oberauer et al., 2000). Auch Baddeley (1990)
spricht von einer „normalen“ Anzahl von sechs oder sieben Chunks. Durch das Bilden sinnvoller
Chunks ist allerdings dennoch eine Erhöhung der Anzahl an einzelnen Items, die im Gedächtnis
gespeichert werden können, erreichbar. Hierzu muss lediglich die Anzahl der Items in einem
Chunk erhöht werden. So konnte gezeigt werden, dass die Gedächtnisspanne für zufällig
ausgewählte Buchstaben bei etwa sechs liegt. Diese Anzahl kann auf etwa neun erhöht werden,
wenn die Buchstaben in Silben angeordnet sind, die nach dem Schema Konsonant-Vokal-
Konsonant aufgebaut sind. Wenn die Buchstaben allerdings Wörter in Sätzen mit semantischer
Bedeutung ausmachen, können bis zu 50 oder mehr Buchstaben erinnert werden (Baddeley,
1990). In jedem Fall bleibt aber die Anzahl der Chunks konstant bei etwa sechs (Baddeley,
1990).
Es kann angenommen werden, dass die Fähigkeit, Chunks aus ursprünglich nicht
zusammenhängenden Items zu konstruieren, stark vom Wissen, der Erfahrung und dem
Training innerhalb einer Aufgabe abhängt (Baddeley, 1990; siehe auch Ericsson & Chase, 1982).
Er ist allerdings unabhängig vom Material (z.B. verbal oder räumlich), aus dem er sich
zusammensetzt (Simon, 1974; Smieszek, Manske, Hasselberg, Russwinkel, & Möhlenbrink,
2013). Die Fähigkeit, sinnvolle Chunks zu bilden, kann daher bei Spezialisten, für eine
spezifische Aufgabe als sehr stark ausgeprägt angenommen werden. Neisser (1979) beschreibt
einen solchen Effekt am Beispiel eines Schachmeisters: „Ein Meister kann beispielsweise die
Stellung aller Figuren auf dem Brett angeben, wenn er fünf Sekunden darauf geschaut hat; kein
Amateurspieler kann das annähernd gleich gut. Der Meister kommt zum Erfolg, weil er bestimmte
Aspekte der Position wahrnehmen kann, die dem schlechten Spieler entgehen; strukturelle
Merkmale, die, hat man sie einmal gesehen, den Ort der einzelnen Figuren zwingend bestimmen.“
(Neisser, 1979, S. 141). Eine solche Beobachtung, wie Neisser (1979) sie hier beschreibt, kann
damit erklärt werden, dass der Schachmeister bestimmte Konstellationen von Figuren als
Chunks zusammenfassen kann und sich nicht, wie der Novize, die Position jeder einzelnen Figur
merken muss. Tatsächlich konnten de Groot (1965) sowie Chase und Simon (1973) diese
Beobachtung in Experimenten bestätigen.
Studien, die sich mit der maximalen Arbeitsgedächtniskapazität von Lotsen im Bereich
Flugverkehrskontrolle beschäftigen, deuten auf eine ähnliche Obergrenze der speicherbaren
Chunks im Arbeitsgedächtnis, sowie eine Verbesserte Chunking-Fähigkeit mit wachsender
Erfahrung hin (Bisseret, 1971; Sperandio, 1969; Vingelis et al., 1990). In einer Studie bat
Sperandio (1969) Towerlotsen im Anschluss an reale Kontrollsessions die Flugzeuge zu
wiederholen, die sie in der vergangenen Stunde kontrolliert hatten. Hier zeigte sich, dass im
Mittel zehn Flugzeuge wiedergegeben werden konnten. Bisseret (1970, 1971) untersuchte drei
Gruppen von Radarlotsen mit unterschiedlicher Berufserfahrung: hochgradig erfahrene Lotsen;
17
Lotsen, die gerade den niedrigsten Qualifikationstest bestanden hatten; und Trainees mit drei
bis sechs Monaten weniger Erfahrung (Bainbridge, 1975). Er konnte zeigen, dass die Lotsen mit
sehr viel Erfahrung sich im Mittel an zehn Flugzeuge erinnern konnten, was mit dem Befund von
Sperandio (1969) übereinstimmt. Weniger erfahrene Lotsen konnten noch acht Flugzeuge
wiedergeben, Trainees sieben. Er konnte weiterhin zeigen, dass bis zu drei Items3 pro Flugzeug
erinnert werden. Weiterhin berichtet Bisseret (1970, 1971), dass die erfahrenen Lotsen
insgesamt 33 Items (also ca. 3 Items x 10 Flugzeuge), die qualifizierten Lotsen 23 Items und die
Trainees noch 20 Items erinnern konnten. Durch ihre Erfahrung sind Lotsen verstärkt in der
Lage, aus den einzelnen Informationseinheiten der Flugzeuge (z.B. Rufzeichen, Ankunfts-
/Abflugzeit, Flugzeugtyp) Chunks zu bilden, die repräsentativ für ein Flugzeug stehen (Vingelis
et al., 1990). Aus diesen Ergebnissen ist ebenfalls zu vermuten, dass der Expertisegrad nicht nur
die Fähigkeit Chunks zu bilden verbessert, sondern auch eine allgemeine Kapazitätserweiterung
nach sich zieht. So kann angenommen werden, dass erfahrenere Lotsen einerseits mehr
Informationen in einem Chunk zusammenfassen, andererseits aber auch mehr Chunks
insgesamt abspeichern können. Hierbei ist für Experten eine mittlere Anzahl von zehn Chunks
maximal im Arbeitsgedächtnis speicherbar (vgl. Bainbridge, 1975; Bisseret, 1970, 1971;
Sperandio, 1969).
Studien mit en-route-Lotsen zeigten, dass Chunks aus Informationen über Flugzeuge aufgebaut
sind, für die ein Kollisionspotential besteht (Redding & Seamster, 1994). Nach Wickens (1999)
behandeln Lotsen Flugzeuge als einzelne Einheiten. Wenn allerdings die Anzahl der Flugzeuge
steigt, werden Gruppen von Flugzeugen als Einheit behandelt, ähnlich wie beim obigen
Schachbeispiel. Ob auch Towerlotsen solche Strategien anwenden gilt es zu untersuchen. Für die
vorliegende Arbeit wird angenommen, dass Informationen über ein Flugzeug als ein Chunk
abgelegt wird.
2.3 MENTALE BEANSPRUCHUNG IN DER FLUGVERKEHRSKONTROLLE
Wie bereits einleitend beschrieben, kann das Konzept der mentalen Beanspruchung allerdings
nicht nur durch eine Begrenzung der kognitiven Ressourcen des Informationsverarbeitenden
Systems Mensch beschrieben werden (Gopher & Donchin, 1986), da die Leistung in der Aufgabe
nicht ausschließlich von den maximal zur Verfügung stehenden Ressourcen abhängt. Nach dem
bereits erwähnten Belastungs-Beanspruchungs-Konzept (Rohmert, 1984) spielt auch die
Aufgabenschwierigkeit oder Komplexität eine wichtige Rolle. Diese kommt vor allem beim
Auftreten von Interferenzen zwischen verschiedenen Teilaufgaben zum Tragen. Hiervon kann
3 Hierbei sei nochmals darauf hingewiesen, dass es sich um Items, nicht um Chunks handelt (Items sind
hier beispielsweise Eigenschaften von Flugzeugen, wie Position, Flughöhe usw.). Es ist weiterhin davon
auszugehen, dass die Anzahl der erinnerten Items dadurch erhöht wird, da sie besser zu sinnvollen
Chunks zusammengefasst werden können.
18
bei Aufgaben in der Flugverkehrskontrolle meist ausgegangen werden. Es handelt sich um ein
hoch komplexes System, in dem die gleichzeitige Ausführung mehrerer Aufgaben üblich ist.
Lange wurde die mentale Beanspruchung dabei als: „…a demand placed upon humans.“
(DeWaard, 1996, p. 15), also eine Anforderung an den Menschen, angesehen und damit als
lediglich von äußeren Faktoren abhängig interpretiert. Daher wurde versucht, aus einzelnen,
objektiv messbaren äußeren Faktoren (z.B. die Anzahl der zu kontrollierenden Flugzeuge) direkt
auf die mentale Beanspruchung von Lotsen schließen zu können (z.B. Athènes, Averty,
Puechmorel, Delahaye, & Collet, 2002; Pawlak, Brinton, Crouch, & Lancaster, 1996). Forschung
hierzu wurde hauptsächlich im en-route Bereich betrieben. Dabei fokussieren einige Verfahren
auf die physische Beanspruchung in Abhängigkeit der Komplexität (Schmidt, 1976; Soede,
Coeterier, & Stassen, 1971). Andere beschäftigen sich mit der Messung der Zeit, die Lotsen mit
der Kommunikation verbringen als eine Größe für mentale Beanspruchung. Thonrnhill (1995
nach Pawlak et al., 1996) verwendete die Anzahl an Einträgen, die ein Lotse machen muss, die
Zeit, die er mit Kommunikation verbringt und andere Verkehrsfaktoren, um eine Messgröße
mentaler Belastung und Beanspruchung zu schaffen (Manning, Fox, & Pfleiderer, 2003; Manning,
Mills, Fox, Pfleiderer, & Mogilka, 2001). Lee, Feron und Pritchett (2007) definieren die
Komplexität anhand der nötigen Kontrollaktivität, welche hier über die Gesamtzahl der
Flugrichtungsänderungen gemessen wird. In den meisten Studien, die den Zusammenhang
zwischen Belastung und Beanspruchung untersuchen, wurde vor allem die Verkehrsmenge als
Belastungsindikator herangezogen (Costa, 1993; Hagemann, 2000).
Häufig gehen Studien aber, wie auch oben schon beschrieben, davon aus, dass die
Schwierigkeit der gesamten Aufgaben bzw. die Gesamtkomplexität der Verkehrssituation
maßgeblich die mentale Beanspruchung bestimmt, also eine Vielzahl von Faktoren zu
berücksichtigen sind, nicht nur ein einzelner Faktor. Hierbei wird nicht die mentale
Beanspruchung, sondern die Aufgabenkomplexität als von vielerlei äußeren Faktoren abhängige
Variable angesehen. Variablen, wie die Anzahl der zu kontrollierenden Flugzeuge oder die
Sektorstruktur, beeinflussen hierbei die Komplexität, aus der sich wiederum die mentale
Beanspruchung ergibt. Zunächst diente auch hier die schlichte Zählung z.B. der Anzahl an
Flugzeugen oder der Anzahl Ankünfte und Abflüge innerhalb eines bestimmten Zeitabschnittes
als Maß für die Komplexität einer Verkehrssituation. Es wurde das neue Konstrukt der ATC-
Complexity (Flugverkehrskontroll-Komplexität) eingeführt, um ein „altes“ Konstrukt, mentale
Beanspruchung, zu beschreiben. Es ist allerdings ebenso schwierig Komplexität zu definieren,
wie es schwierig ist mentale Beanspruchung zu definieren. Mogford, Guttman, Morrow und
Kopardekar (1995) definieren ATC-Complexity als „construct that is composed of a number of
sector and traffic complexity dimensions or factors” (S. 3). Dabei kann es sich sowohl um
physische Aspekte (z.B. Größe und Konfiguration der Flugrouten) als auch Faktoren, die mit der
19
Bewegung von Flugzeugen durch den Luftraum verbunden sind (z.B. die Zahl steigender und
sinkender Flugzeuge; Mogford et al., 1995), handeln. Hinzu kommt die Schwierigkeit, dass auch
die Arbeiten, die sich mit dem Komplexitätskonstrukt beschäftigen, keine einheitliche Definition
mentaler Beanspruchung voraussetzen (e.g. Athènes et al., 2002; Mogford et al., 1995).
Hauptsächlich werden allerdings Definitionen verwendet, die sich an aufmerksamkeits-
theoretischen Modellen orientieren. In diesem Zusammenhang beschreiben Athènes et al.
(2002) die Entwicklung eines sogenannten Traffic Load Index (TLI), mit dessen Hilfe sie
bestimmte Komplexitätsfaktoren gewichten, um ein Maß für die mentale Beanspruchung von
Radarlotsen in Abhängigkeit von der Komplexität einer Verkehrssituation zu gewinnen. Für die
Berechnung des TLI fließt zunächst jedes Flugzeug, welches sich im zu kontrollierenden Sektor
befindet mit einem Wert von 1 ein, um die kognitiven Ressourcen zu repräsentieren, die
benötigt werden, um eine Entscheidung zu fällen, was zu tun ist (Athènes et al., 2002). Dieser
Wert kann erhöht werden, wenn beispielsweise eine Konfliktlösung erforderlich ist. Daher wird
jedes Flugzeug mit einem Wert zwischen 1 (ausschließlich beobachtetes Flugzeug) und 3,5
(Flugzeug im Konflikt) gewertet (Athènes et al., 2002). Dieser Wert wird für jedes Flugzeug und
jedes Radarupdate neu berechnet. Solche Ansätze fokussieren allerdings vor allem auf den
Einfluss äußerer Faktoren und sind darüber hinaus wenig kognitiv begründet.
Koros, Della Rocco, Panjwani, Ingurgio und D’Arcy (2003, 2006) versuchen solche Ansätze im
en-route Bereich auf Towerlotsen zu übertragen. Koros et al. (2003) identifizieren dazu 29
Komplexitätsfaktoren in neun Kategorien und lassen diese von erfahrenen Towerlotsen in ihrer
Wichtigkeit einschätzen. Modellhaft beschreiben Koros et al. (2006) den Einfluss von äußeren
Faktoren (Ausgangsfaktoren; vor allem Verkehrs- und Flughafencharakteristika) und
mediirender Faktoren, wie kognitive Strategien und individuelle Unterschiede, auf die mentale
Beanspruchung (siehe Abbildung 1).
Abbildung 1: Kognitives Model der Fluglotsenaufgabe (eigene Darstellung nach Koros el al. 2006; Mogford et al. 1995)
20
Hierbei ist zu erkennen, dass nicht nur die äußeren Faktoren für die Ausprägung und das
Empfinden von mentaler Beanspruchung verantwortlich sind, sondern auch die, bei Koros et al.
(2006) als mediierende Faktoren bezeichneten Variablen Berücksichtigung finden müssen. Es
spielen dabei die schon genannten individuellen Unterschiede, wie beispielsweise die Erfahrung
des Lotsen, eine wichtige Rolle. Diese steht wiederum direkt mit der Fähigkeit sinnvolle Chunks
zu bilden und damit den maximal zur Verfügung stehenden kognitiven Ressourcen zur
Aufgabenerfüllung in Zusammenhang.
Wie auch im bereits beschriebenen Belastungs-Beanspruchungs-Konzept (Rohmert, 1984)
wird auch hier zwischen den von außen auf den Menschen einwirkenden Einflüssen, als
Belastung bezeichnet, und den individuellen, unmittelbaren und langfristigen, als Beanspruchung
bezeichneten, Auswirkungen auf den Menschen unterschieden (Hagemann, 2000; vgl. auch
Rouse, Edwards, & Hammer, 1993). Hierbei können allerdings nicht nur individuelle
Fähigkeiten, sondern beispielsweise Faktoren wie Motivation, angewendete Strategien, sowie
Stimmung des Operateurs einen Einfluss auf die Beanspruchung besitzen (De Waard, 1996). Die
Belastung wird vom Ziel der Aufgabe bestimmt, ist extern und unabhängig vom Individuum.
Beanspruchung hingegen, wird verwendet, um die Effekte zu beschreiben, die durch die
Belastung an den Operateur gestellt wird (vgl. Kap 2.1).
Das schlichte Ersetzen des einen Konstruktes (mentale Beanspruchung) durch das Einführen
eines weiteren Konstruktes (ATC-Complexity) zwischen den äußeren Faktoren und der im
Fokus des Interesses stehenden mentalen Beanspruchung erscheint allerdings wenig
zielführend, bedenkt man, dass ATC-Complexity ebenfalls als subjektive Größe interpretiert
wird, die ebenso wie mentale Beanspruchung von inneren Faktoren des Lotsen abhängt
(Mogford et al., 1995). Gerade diese Charakteristik ist für deren Untersuchung problematisch:
Eine bestimmte Aufgabe kann für einen Menschen mit seinen individuellen Erfahrungen, seinem
Wissen und Fähigkeiten wenig beanspruchend sein kann, während sie für einen anderen
Menschen mit anderen Erfahrungen, anderem Wissen und anderen Fähigkeiten sehr
beanspruchend sein kann.
Ein weiteres Problem, welches sich bei genauer Betrachtung des Modells von Koros et al.
(2006) ergibt, ist die sehr vereinfachte Vorstellung, die es repräsentiert. Mentale Beanspruchung
wird als Resultat der Eingangsvariablen in Zusammenwirkung mit den mediierenden Faktoren
beschrieben. Dies ist insofern korrekt, als dass natürlich die Ausprägung bestimmter „äußerer“
und „innerer“ Variablen die empfundene, mentale Beanspruchung eines Menschen beeinflusst.
Die Abbildung 1 impliziert aber auch, dass dieses Resultat der mentalen Beanspruchung einer
direkten Messung zugänglich wäre. Gopher & Donchin (1986) beispielsweis weisen aber
ausdrücklich darauf hin, dass sich mentale Beanspruchung auf „processes or entities that are not
directly observable.“ (S. 41-4) bezieht. Schmidtke (2002) berichtet weiterhin, dass es noch keine
21
gesicherten Erkenntnisse „für mentale Belastung und Beanspruchung durch Aufnahme,
Verarbeitung und Umsetzung von Informationen gibt“ (S. 5), dass also keine Erkenntnisse
darüber existieren, wie sich eine bestimmte Belastung in einer bestimmten Beanspruchung
manifestiert und wie diese Prozesse mental ablaufen. Solche gesicherten Erkenntnisse lassen
sich laut Schmidtke (2002) nur dann gewinnen, wenn der „Forschungsgegenstand einer wie auch
immer gearteten Messung zugänglich ist“ (S. 5). Dies ist beim Konstrukt mentale Beanspruchung
allerdings nicht der Fall. Es besteht lediglich die Möglichkeit sie indirekt über bestimmte
Verfahren erfassbar zu machen, welche als hinreichend diagnostisch erachtet werden, um
Rückschlüsse darauf zu erlauben, wie hoch die mentale Beanspruchung eines Menschen in einer
bestimmten Aufgabe war. Auf Grund dieser Eigenschaft des Konstruktes, kritisieren u.a.
Hollnagel und Woods (2005) dessen Verwendung stark. Sie bezeichnen es als „folk model“,
welches zwar einen wichtigen Aspekt des Zustandes von Menschen beschreibt, sich aber auf
sogenannte „intervenierende“ Variablen bezieht (vgl. Dekker & Hollnagel, 2004; Dekker &
Woods, 2002). Es wird versucht „dazwischenliegende“ mentale Zustände zu erfassen, nicht aber
die beobachtbare Performanz (Hollnagel & Woods, 2005; vgl. Abbildung 2).
Wie in Abbildung 2 zu erkennen, lässt nur eine direkte Leistungsmessung einen Rückschluss auf
diese „dazwischenliegenden“ Variablen zu. Es kann also nur von einer Erfassung mentaler
Beanspruchung im weitesten Sinne die Rede sein, nicht aber von einer Messung im
physikalischen Sinne. Soll die mentale Beanspruchung einer solchen Erfassung zugeführt
werden, so muss zumindest eine Arbeitshypothese darüber existieren, wie der menschliche
Organismus auf eine von außen einwirkende Belastung reagiert (Schmidtke, 2002). Dies wurde
bereits innerhalb dieses Kapitels beschrieben und wird im Zusammenhang mit der in dieser
Arbeit dargelegten Problemstellung im Kapitel 3.4 nochmals konkretisiert.
Im Hinblick auf die Entwicklung einer Arbeitsdefinition kann also mentale Beanspruchung in
Anlehnung an aufmerksamkeitstheoretische Modelle als die Menge der verwendeten kognitiven
Abbildung 2: Zusammenhang zwischen Eingangsfaktoren, mentaler Beanspruchung und direkt messbaren Variablen
(eigene Darstellung nach Hollnagel & Woods, 2005)
22
Ressourcen beschrieben werden, die für die Bearbeitung einer Aufgabe zu investieren sind (vgl.
Norman & Bobrow, 1975; Shiffrin & Schneider, 1977). Dabei ist von verschiedenen
Ressourcenreservoirs für die verschiedenen Verarbeitungsstufen des informations-
verarbeitenden Systems Mensch auszugehen (Card, Moran, & Newell, 1986; Wickens, 1984).
Diese maximale Menge der in den Reservoirs vorhandenen Ressourcen ist allerdings begrenzt.
Bei der gleichzeitigen Bearbeitung mehrerer Teilaufgaben können allerdings Interferenzen
entstehen, da gleiche Reservoirs zur Lösung mehrerer Aufgaben benötigt werden, so dass mit
zunehmender Aufgabenschwierigkeit oder Komplexität die maximal vorhandene Menge an
Ressourcen erreicht wird (vgl. Manzey, 1988). Damit ist keine weitere Leistungssteigerung
möglich bzw. sogar Leistungsabnahme oder das Auftreten von Fehlern wahrscheinlich, wenn
keine Anpassung der Handlungsstrategie vorgenommen wird (Desmond & Hoyes, 1996;
Hollnagel, 2009; Loft, Sanderson, Neal, & Mooij, 2007; Sperandio, 1978).
Mentale Beanspruchung kann hierbei definiert werden als: Die Menge an
Informationsverarbeitungskapazität, die für die Aufgabenbearbeitung benötigt werden (De
Waard, 1996) bzw. der Unterschied zwischen der gesamten verfügbaren Kapazität des
Informationsverarbeitenden Systems und der zur Aufgabenausführung benötigten Kapazität
(Gopher & Donchin, 1986). Diese Kapazitätsgrenzen liegen dabei hauptsächlich im
Arbeitsgedächtnis begründet. Bei der Bewertung mentaler Beanspruchung wird außerdem
davon ausgegangen, dass mit steigenden Anforderungen (und damit sinkenden zur Verfügung
stehenden Kapazitäten) die mentale Beanspruchung steigt (siehe z.B. Brooker, 2003).
Eine Erfassung mentaler Beanspruchung kann mit verschiedenen Methoden erfolgen, welche
als hinreichend zuverlässig erachtet werden.
2.4 ERFASSUNG MENTALER BEANSPRUCHUNG UND OPERATEURSZUSTÄNDE
Da, wie bereits beschrieben, eine direkte Erfassung mentaler Beanspruchung nicht möglich ist,
existiert eine Vielzahl von Methoden, die zumindest indirekt Rückschlüsse auf den Grad der
mentalen Beanspruchung zulassen sollen. Hierbei können grundlegend drei große Gruppen von
Methoden zur Erfassung mentaler Beanspruchung unterschieden werden: physiologische,
subjektive und leistungsbasierte Maße (vgl. Brookhuis & DeWaard, 2001; DeWaard, 1996; Miller,
2001; O’Donnell & Eggemeier, 1986). Diese Methoden werden vor allem in experimentellen
Umgebungen eingesetzt, um die mentale Beanspruchung von Operateuren zu erfassen. Darüber
hinaus werden sie auch verwendet, um in realen Umgebungen den Zustand des Operateurs in
Mensch-Maschine-Systemen zu erfassen (zum Beispiel beim Autofahren zur Erfassung von
Müdigkeit oder mentaler Beanspruchung vgl. DeWaard, 1996). In der Flugverkehrskontrolle
werden vor allem physiologische Indikatoren als Indizes mentaler Beanspruchung verwendet
(z.B. Brookings, Wilson, & Swain, 1996; Metalis, 1991; Vogt, Hagemann, & Kastner, 2006),
23
Darüber hinaus wird, wie bereits beschrieben, durch modellgetriebene Ansätze und
mathematische Indizes versucht, Rückschlüsse auf die mentale Beanspruchung aus objektiv
messbaren Variablen zu erhalten (z.B. Athènes et al., 2002; Lee et al., 2007; Pawlak et al., 1996;
Schmidt, 1976; Thonrnhill, 1995).
Bei der Auswahl von Erhebungsmethoden mentaler Beanspruchung sollte zunächst auf die
Einhaltung verschiedener Gütekriterien geachtet werden. Als wichtigste sind hier Sensitivität
und Diagnostizität zu nennen. Es können aber auch Interferenzfreiheit, Breite des
Anwendungsbereiches, die Größe der Messintervalle sowie der benötigte Aufwand zur
Datenerhebung, -verarbeitung und -auswertung für die Auswahl einer Methode eine Rolle
spielen (Manzey, 1998; Miller, 2001; Ribback, 2003) 4.
Die drei Gruppen von Maßen besitzen alle Vor- und Nachteile, so dass es nahezu unmöglich ist,
ein perfektes Maß zu finden (Miller, 2001). Daher ist es sinnvoll, mehrere Maße aus mindestens
zwei der oben genannten Gruppen anzuwenden, um eine möglichst genaue Erhebung mentaler
Beanspruchung zu ermöglichen. Die einzelnen Kategorien werden im Folgenden vorgestellt.
2.4.1 PHYSIOLOGISCHE MAßE
Physiologische Maße verwenden die physischen Reaktionen des Körpers, um das Ausmaß
mentaler Beanspruchung objektiv zu messen. Sie beruhen auf der Annahme, dass erhöhte
mentale Beanspruchung zu erhöhten physischen Reaktionen des Körpers führen (Moray, 1979).
Mit physiologischen Maßen lassen sich kontinuierliche Veränderungen mentaler Beanspruchung
sehr gut erfassen. Diese Veränderungen können durch die Herz-, Gehirn-, Atmungs- oder
Augenaktivität abgebildet werden. Die Herzaktivität wird über die Herzrate, die
Herzratenvariabilität, sowie den Blutdruck gemessen. Zur Messung der Hirnaktivität wird
entweder das Elektroenzephalogramm (EEG) oder das Elektrookulogramm (EOG) verwendet.
Atmungsaktivität misst die Menge an Luft, die eine Person während einer bestimmten Anzahl
von Atemzügen einatmet (Miller, 2001). Die Messung der Augenaktivität beinhaltet vor allem
horizontale Augenbewegungen, die Liedschlagfrequenz sowie die Schließintervalle aber auch
die Messung des Pupillendurchmessers (Pupilometrie; Beatty, 1982).
All diese Maße haben insbesondere den Vorteil, dass sie interferenzfrei sind, das heißt, sie
benötigen keine direkte Reaktion der Versuchspersonen (Miller, 2001). Die Schwierigkeit
hierbei besteht allerdings darin, dass der Körper nicht nur auf mentale Beanspruchung
physiologisch reagiert, sondern auch beispielsweise auf erhöhte physische Beanspruchung (De
Waard, 1996). Daher können Ergebnisse verzerrt werden, wenn eine erhöhte mentale
4 Eine ausführliche Behandlung der Gütekriterien ist nicht im Sinne dieser Arbeit. Daher sei für weitere
Informationen an dieser Stelle auf Manzey (1998) verwiesen.
24
Beanspruchung auch mit erhöhter körperlicher Aktivität einhergeht. Eine Diagnostizität ist
damit nicht bzw. nicht immer gewährleistet.
Das am häufigsten verwendete physiologische Maß ist die Herzaktivität (Manzey, 1998; Miller,
2001; Ribback, 2003). Hierbei werden vor allem die tonische Herzrate und die
Herzratenvariabilität bestimmt. Bei Untersuchungen im Feld oder bei feldnahen Bedingungen
stellt die Herzrate den Beanspruchungsindikator der Wahl dar, da sie leicht zu erfassen ist
(Manzey, 1998; Roscoe, 1992, 1993). Sie wird meist in Herzschlägen pro Minute (beats per
minute, bpm) oder dem Abstand zwischen zwei Herzschlägen in Millisekunden (inter beat
intervall, IBI, auch Herzperiode genannt) ausgewertet. Die Befundlage zur Sensitivität der
Herzrate ist als heterogen zu bezeichnen.
Zahlreiche Befunde konnten zeigen, dass die Herzrate (bpm) bei steigender kognitiver
Beanspruchung ebenfalls ansteigt. In verschiedenen Labor- und Feldstudien wurde ein Anstieg
der Herzrate unter Belastungsbedingungen festgestellt. So konnten Hörhold (1994), sowie
Hörhold und Walschburger (1998) bei Konzentrationsaufgaben nach einem initialen Anstieg der
Herzrate eine Abnahme die wiederholten Belastungsbedingungen feststellen (z.B. wiederholte
oder länger andauernde Ausführung kognitiver Aufgaben), was als Zeichen einer Adaption der
Herzrate an die Belastungsbedingungen interpretiert wurde. Speziell beim Abruf aus dem
Gedächtnis ohne Sprechaktivität konnte ein Zusammenhang zwischen der Gedächtnisleistung
(als Anzahl der Gedächtnisitems) und der Herzrate festgestellt werden (Hanson, Schellekens,
Veldman, & Mulder, 1993; Schwer, Furedy, & Heslegrave, 1984). De Waard, Jessurun, Steyvers
und Ragatt (1995), sowie Richter, Wagner, Heger und Wiese (1998) stellten eine Kovariation der
Herzrate mit der Schwierigkeit der Fahrstrecke beim Autofahren fest. Auch bei Fluglotsen
konnte eine Reihe von Untersuchungen eine Erhöhung der Herzrate in Abhängigkeit der
Schwierigkeit der Tätigkeit festgestellt werden (Costa, 1993; Henderson, Bakal, & Dunn, 1990;
Laurig, Becker-Biskaborn, & Reiche, 1971; Rohmert & Rutenfranz, 1972; Rose & Fogg, 1993;
Smith, 1980; Vogt et al., 2006; Vogt & Kastner, 2001). Allerdings konnte bei der Ausführung von
Aufgaben in Flugsimulatoren durch Piloten nicht immer ein Zusammenhang zwischen der
Herzrate und der Aufgabenschwierigkeit festgestellt werden (Casali & Wierwille, 1983;
Wierwille, Rahimi, & Casali, 1985).
In einer groß angelegten Studie zur Untersuchung u.a. der Sensitivität der Herzrate für mentale
Beanspruchung stellten Nickel, Eilers, Seehase und Nachreiner (2002) fest, dass die Herzrate,
sowie auch die Herzratenvariabilität „zwar hinreichend sensitiv [sind], um die
Belastungsbedingungen Ruhe vs. Arbeit zu differenzieren“ (S.33), es allerdings in keiner ihrer
Studien gelang, „feiner abgestufte Belastungsgrade zu differenzieren“ (S.33). Für eine ausführliche
Übersicht verschiedenster Studien zu diesem Thema und der gefundenen Effekte sei hier auf
Ribback (2003) verwiesen.
25
Es kann festgehalten werden, dass zwar eine gewisse Sensitivität der Herzrate auf mentale
Beanspruchung besteht, diese aber höchstwahrscheinlich nur in der Lage ist, eine Ruhe- von
einer Belastungsbedingung zu differenzieren. Eine feinere Abstufung von Belastungsgraden
erscheint nicht möglich (Nickel et al., 2002). Eine Diagnostizität der Herzrate ist nicht gegeben,
da ein Anstieg der Herzrate nicht nur auf einen Anstieg der mentalen Beanspruchung
zurückzuführen ist, sondern auch auf physische und emotionale Beanspruchung, welche die
Effekte mentaler Beanspruchung völlig überlagern können (Manzey, 1998).
Nichtsdestotrotz stellt die Herzrate auf Grund ihrer einfachen Erhebung und geringer
Interferenz ein häufig angewandtes Maß mentaler Beanspruchung dar, insbesondere dann,
wenn ein Einfluss anderer Beanspruchungsarten weitestgehend ausgeschlossen werden kann.
Daher wird die Herzrate als Vergleichsmaß für das hier zu erstellende Modell herangezogen.
2.4.2 SUBJEKTIVE MAßE
Bei subjektiven5 Maßen wird davon ausgegangen, dass niemand besser in der Lage ist eine
Einschätzung der erlebten Beanspruchung abzugeben, als die Person, die es betrifft (De Waard,
1996). Johannsen et al. (1979) begründet die Verwendung auch mit der einfachen Sichtweise,
dass, wenn eine Person eine hohe Beanspruchung empfindet, auch tatsächlich eine hohe
Beanspruchung vorhanden ist. Obwohl physiologische Maße meist genauer sind, sind subjektive
Maße leichter anzuwenden. Muckler und Seven (1992) sehen die Stärke subjektiver Ratings
darin, dass sie individuelle Unterschiede in Fähigkeiten, Zuständen und Ansichten mit in
Betracht ziehen und sie daher gerade wegen ihrer Subjektivität so wertvoll sind.
Kritik erfahren subjektive Maße vor allem dahingehend, dass bezweifelt wird, dass
Versuchspersonen zu einer Introspektion des eigenen Empfindens mentaler Beanspruchung
fähig sind (vgl. Annett, 2002), vor allem da es den Versuchspersonen schwer fallen dürfte,
physische und mentale Beanspruchung exakt zu unterscheiden (O’Donnell & Eggemeier, 1986).
Nach De Waard (1996) kann davon ausgegangen werden, dass die meisten subjektiven Maße
hinreichend sensitiv für Veränderungen in der Beanspruchung sind.
Die subjektiven Bewertungsmethoden sind nochmals in unidimensionale und
multidimensionale Messinstrumente zu unterscheiden. Welche hierbei verwendet werden
sollten, hängt stark davon ab, welche Informationen benötigt werden. Unidimensionalen Maßen
wird eine höhere Sensitivität hinsichtlich der Belastung zugesprochen. Zudem besitzen
unidimensionale Skalen eine relativ geringe Interferenz mit der Hauptaufgabe und sind leicht
verständlich für die Versuchsperson. Außerdem sind sie für den Versuchsleiter leicht
5 Meist werden die hier gemeinten Maße als Selbstreport-Maße (self-report measures) bezeichnet, da
prinzipiell auch physiologische Messungen subjektiv sind (De Waard, 1996).
26
anzuwenden und auszuwerten. Allerdings ist die Diagnostizität bei multidimensionalen
Instrumenten als höher zu bewerten (De Waard, 1996).
Eine unidimensionale Skala, die sogenannte RSME (Rating scale mental effort) oder SEA-Skala
(subjektiv erlebte Anstrengung) wurde von Zijlstra und Van Doorn (1985) entwickelt und von
Eilers, Nachreiner und Hänecke (1986) ins Deutsche übersetzt und validiert (siehe Anhang).
Hierbei wird die mentale Beanspruchung über ein einzelnes Item erfasst. Die Arbeitsgruppe für
Ingenieurpsychologie der Humboldt-Universität zu Berlin modifizierte diese Skala hinsichtlich
einiger Gestaltungsmerkmale, wie zum Beispiel dem Hinzufügen eines verbalen Endankers oder
der Veränderung der numerischen Anker dahingehend, dass sie als Prozentangaben
interpretiert werden können (Kosicki, 2011). Die modifizierte Skala ist außerdem länger und
enthält zehn statt sieben verbale Anker. Es wurde allgemein erreicht, dass die Daten der
modifizierten Skala gegenüber der originalen eine kleinere (Fehler-) Varianz aufweisen. Die
Versuchspersonen stimmen stärker in ihren Urteilen überein, was im Sinne der Erhöhung der
Messgenauigkeit ist (Prof. Dr. Hartmut Wandke, persönliche Kommunikation am 26.06.2013).
Durch das Hinzufügen eines oberen Ankers und durch die farbliche Markierung wurde
anscheinend der subjektive Interpretationsspielraum eingeschränkt (Prof. Dr. Hartmut Wandke,
persönliche Kommunikation am 26.06.2013; Kosicki, 2011). Ein Vergleich dieser RSMEmod-
Skala mit anderen etablierten Messinstrumenten, wie dem NASA-TLX (Hart & Staveland, 1986)
und der originalen SEA-Skala ist in Kosicki (2011) zu finden.
Als multidimensionales Maß wird vor allem der NASA-TLX (NASA Task Load Index; Hart &
Staveland, 1986) sehr häufig verwendet. Hierbei werden Bewertungen auf verschiedenen Sub-
Skalen vorgenommen, womit z.B. geistige Anstrengung und physische Anstrengung
unterschiedlich erfasst werden können. Anschließend können diese Bewertungen
zusammengefasst werden, um ein Gesamturteil zu erhalten. Die Bestimmung dieses
Gesamturteils erfordert beim NASA-TLX allerdings den Vergleich aller sechs Sub-Skalen
untereinander, so dass 15 Vergleiche nötig sind, bevor das Gesamturteil bestimmt werden kann,
wodurch sich die Auswertung hier etwas umfangreicher gestaltet. Daher schlagen Byers, Bittner
und Hill (1989) die Berechnung eines sogenannten Raw Task Load Index (RTLX) vor, der diese
Vergleiche nicht erfordert, sondern sich durch Bildung eines einfachen Mittelwertes aller sechs
Skalen ergibt. Zusätzlich zur umfangreicheren Auswertung multidimensionaler Verfahren ist
hier auch eine stärkere Interferenz mit der Primäraufgabe gegeben, da das Ausfüllen längere
Zeit in Anspruch nimmt und damit selbst höhere Aufmerksamkeitsressourcen erfordert.
Auf Grund der einfachen Anwendung und Auswertung unidimensionaler Skalen, sowie deren
hoher Sensitivität und geringer Interferenz mit der Hauptaufgabe, ist die RSME-Skala zur
Erfassung mentaler Beanspruchung sehr geeignet. Allein die Diagnostizität kann als
27
Schwachstelle angesehen werden, so dass hier eine sinnvolle Kombination von uni- und
multidimensionalen Verfahren anzustreben ist.
2.4.3 LEISTUNGSBASIERTE MAßE
Wie in Kapitel 2.3 beschrieben, halten Hollnagel und Woods (2005) die Erfassung mentaler
Beanspruchung nur aufgrund von Rückschlüssen direkter Leistungserfassungen für möglich.
Hierbei können Leistungsmaße in der Primäraufgabe oder in einer Sekundäraufgabe erfasst
werden. Die primäre Leistungsmessung erfolgt durch die direkte Messung beispielsweise der
Anzahl der gemachten Fehler oder Ausführungs- oder Reaktionszeiten in der Primäraufgabe.
Alle Leistungsmaße der Primäraufgabe sind dabei Geschwindigkeits- oder Genauigkeitsmaße
(De Waard, 1996). Die Bewertung der Sensitivität solcher Maße ist etwas schwierig, da eine
konstante Leistung, z.B. ein Ausbleiben von Fehlern, nicht unbedingt bedeutet, dass ein
Operateur auch gering belastet ist. Ebenso können Unterschiede zwischen zwei Operateuren
nicht aufgedeckt werden. So kann der eine bereits an der Grenze seiner Leistungsfähigkeit
angekommen sein, während ein anderer noch sehr gut in der Lage ist, die Aufgabe zu erfüllen,
allerdings dennoch keine Fehler auftreten. Daher schlägt De Waard (1996) die Kombination
mehrerer Erfassungsmethoden mentaler Beanspruchung und der Leistungserfassung in der
Primäraufgabe vor, um valide Aussagen über die Beanspruchung während der
Aufgabenausführung zu machen.
Auf Grund der beschriebenen Probleme bei der Erfassung der Leistung in der Primäraufgabe,
ist diese im praktischen Anwendungsbereich eher wenig sinnvoll. In der Flugverkehrskontrolle
schließen sich diese Maße mit dem Ziel der gründlichen und gleichzeitig effizienten Abwicklung
aus. Verschlechtert sich die Leistung in der Primäraufgabe oder treten sogar Fehler auf, so kann
es bereits zu spät sein, um Schlimmeres zu verhindern. Daher können diese Maße lediglich in
Simulationsexperimenten Anwendung finden, wenn hierbei alle weiteren Konsequenzen von
bspw. Fehlern ausgeschlossen werden können. Als Vergleichsmaß für die Validierung von
Modellen in Simulationsexperimenten können solche Maße daher durchaus herangezogen
werden.
Eine weitere Möglichkeit der Leistungserfassung ist das Sekundäraufgabenparadigma. Hierbei
wird eine Zweitaufgabe zur Primäraufgabe hinzugefügt, um die Erfassung der „freien Kapazität“
zu ermöglichen. Nach dem sogenannten „Subsidiary Task Paradigm“ wird der Zweitaufgabe
hierbei eine geringere Priorität zugeordnet als der Primäraufgabe. Die Leistung in dieser
Zweitaufgabe verändert sich damit mit steigender Schwierigkeit der Erstaufgabe und weist
somit auf die „freie Kapazität“ hin (De Waard, 1996). Hierbei sollte nach der Theorie multipler
Ressourcen von Wickens (1984) die Zweitaufgabe möglichst die gleichen Ressourcen
beanspruchen, wie die Erstaufgabe und somit eine hohe Interferenz erzeugen. Häufig
28
verwendete Zweitaufgaben sind beispielsweise Gedächtnisabruf oder das Lösen von
Rechenaufgaben. Zur Sensitivität dieser Maße ergibt sich ein eher diffuses Bild (Eggemeier &
Wilson, 1991).
Beim Zweitaufgabenparadigma besteht vor allem die Problematik der Interferenz mit der
Hauptaufgabe, da durch das Hinzufügen einer weiteren Aufgabe die mentale Beanspruchung
künstlich nach oben getrieben wird. Ebenso wie die Messung der Leistung in der Primäraufgabe
ist dies für die Praxis wenig sinnvoll. Es kann zwar von einer guten Sensitivität ausgegangen
werden, wenn Primär- und Sekundäraufgabe die gleichen Ressourcen beanspruchen. Als
problematisch ist allerdings anzusehen, dass die Zweitaufgabe bei hoher Beanspruchung
ignoriert werden kann, sowie dass die Ressourcenverteilungsstrategie der Versuchspersonen
nicht bekannt ist (De Waard, 1996). Daher sollte, wenn möglich, die Messung der Leistung in der
Primäraufgabe vorgezogen werden, da diese sehr viel leichter erfassbar ist (Miller, 2001).
2.4.4 ZUSAMMENFASSENDE BEWERTUNG DER ERFASSUNGSMETHODEN
Mit dem Ziel Warn- oder adaptive Unterstützungssysteme zu entwickeln werden die
vorgestellten Methoden vor allem im Bereich der Fahrzeugführung eingesetzt, um
Fahrerzustände online erkennen zu können (vgl. Karrer-Gauß, 2012). Hierbei sollten
insbesondere die genannten Gütekriterien berücksichtigt werden, um zu prüfen, wie gut eine
Erfassungsmethode für die jeweilige Problemstellung von Nutzen sein kann. Beim Autofahren
können vor allem physiologische Methoden in Frage kommen, da sie eine relative geringe
Interferenz mit der Primäraufgabe aufweisen. Subjektive Maße, sowie das
Zweitaufgabenparadigma sind hierbei eher ungeeignet, da sie ein hohes Ablenkungspotential
mit sich bringt.
Auch für die Erfassung des Zustandes, vor allem der mentalen Beanspruchung des Lotsen bei
seiner Kontrollaufgabe, können die vorgestellten Maße Anwendung finden. Auch hier ist speziell
die Interferenzfreiheit zu beachten, da die Flugverkehrskontrolle einen Hochsicherheitsbereich
darstellt und somit jegliche Ablenkung zu Fehlern führen könnte. Weiterhin ist im Hinblick auf
die Entwicklung adaptiver Unterstützungssysteme für den Lotsen, eine hohe Sensitivität und
Diagnostizität zu gewährleisten, da der Automatisierungsgrad und der Grad der Hilfestellung,
die das Unterstützungssystem bietet, hier von der aktuellen mentalen Beanspruchung abhängt.
In Tabelle 1 sind die vorgestellten Erfassungsmethoden nochmals zusammengefasst. Es wird
weiterhin ein Vergleich dieser Methoden hinsichtlich wichtiger Gütekriterien vorgenommen, die
bei der Auswahl von Erfassungsmethoden eine Rolle spielen können. Hierbei sind insbesondere
subjektive und physiologische Maße zwar als relativ sensitiv zu bewerten, weisen allerdings
eine eher geringe Diagnostizität auf. Eine Erfassungsmethode der Wahl sollte vorzugsweise eine
hohe Diagnostizität für mentale Beanspruchung gewährleisten, da in der Flugverkehrskontrolle
29
auch andere Beanspruchungsformen, wie körperliche Beanspruchung, auftreten können. Vor
allem das Sprechen kann bei physiologischen Maßen große Probleme bereiten. Auch wenn
subjektive Maße hinreichend interferenzfrei und leicht anzuwenden wären, so ist ihre zeitliche
Auflösung eher schlecht, so dass unidimensionale Skalen oft hintereinander angewendet werden
müssen, um eine höhere zeitliche Auflösung zu erreichen, wodurch eine höhere Interferenz mit
der Hauptaufgabe entstehen kann. Diese Interferenz besitzen Sekundäraufgaben-Maße bereits
durch die Art der angewendeten Messung, auch wenn sie als hoch sensitiv und diagnostisch für
mentale Beanspruchung angesehen werden können.
Tabelle 1: Vergleich der vorgestellten Methoden zur Erfassung mentaler Beanspruchung und Bewertung der Gütekriterien (++ sehr
gut; -- sehr schlecht)
Leistungsmessungen in der Primäraufgabe, wie z.B. die Fehlerzahl, sind im Feld als eher
ungeeignet zu bezeichnen, da dieses Maß den Zielen der Flugverkehrskontrolle wiederspricht.
Zusätzlich sind mit allen Messmethoden keine Prognosen der mentalen Beanspruchung eines
Operateurs möglich. Eine solche Einschätzung könnte aber in der Flugverkehrskontrolle
beispielsweise eine bessere Verkehrsplanung ermöglichen, indem der Verlauf der mentalen
Beanspruchung des Lotsen über die Zeit mit berücksichtigt wird.
Kriterium Subjektive
Maße
Physiologische
Maße
Primär-
aufgabe
Sekundär-
aufgabe
Sensitivität
+
+
+
++
Diagnostizität
-
-
+
++
Interferenzfreiheit
+
++ (EKG)
+ (Pupillometrie)
+ (spontan EEG)
++
--
Anwendungsbreite
++
++ (EKG)
-- (Pupillometrie)
+ (spontan EEG)
-
-
Leichte
Anwendung
++
- (EKG)
-- (Pupillometrie)
-- (spontan EEG)
+
-
Leichte
Auswertung
++
- (EKG)
-- (Pupillometrie)
-- (spontan EEG)
+
-
Zeitliche Auflösung
-
++ (EKG)
++(Pupillometrie)
++ (spontan EEG)
-
-
30
2.5 KAPITELZUSAMMENFASSUNG
Als mental beanspruchend werden solche Aufgaben beschrieben, die primär durch geistige
Anforderungen ein subjektives Gefühl des Angestrengtseins hervorrufen und damit
Anforderungen an verschiedene Teile des menschlichen Informationsverarbeitungssystems
stellen. Dabei existiert bisher noch keine einheitliche und umfassende Theorie mentaler
Beanspruchung. Vielmehr können zwei dominierende theoretische Ansätze unterschieden
werden: aktivierungstheoretische und aufmerksamkeitstheoretische Ansätze (vgl. Kapitel 2.1).
Innerhalb der aufmerksamkeitstheoretischen Ansätze wird mentale Beanspruchung als die
Menge der verwendeten kognitiven Ressourcen beschrieben, die für die Bearbeitung einer
Aufgabe zu investieren sind. Dabei ist von verschiedenen Ressorcenreservoirs für die
verschiedenen Verarbeitungsstufen des informationsverarbeitenden Systems Mensch
auszugehen. Für die zentrale Verarbeitung von Informationen stellt vor allem die Begrenzung
des Arbeitsgedächtnisses den limitierenden Faktor dar. Auch hierbei existieren verschiedene
Modellvorstellungen über den Aufbau und die Funktionsweise des Arbeitsgedächtnisses, sowie
dessen Begrenzung. Unter der Annahme einer Single-Limited Capacity Theorie kann davon
ausgegangen werden, dass Lotsen in der Lage sind zehn flugverkehrskontrollspezifische
Informationseinheiten (sogenannte Chunks) gleichzeitig im Arbeitsgedächtnis zu speichern
(Kapitel 2.2). Da mentale Beanspruchung keiner direkten Messung zugänglich ist, erfolgt in der
Anwendungsdomäne Flugverkehrskontrolle der Versuch einer Quantifizierung mentaler
Beanspruchung bisher vornehmlich durch die Berechnung mathematischer Indizes (z.B. Traffic
Load Index, TLI) auf Grundlage von Belastungsfaktoren. Dabei finden hauptsächlich
ressourcentheoretische Modelle mentaler Beanspruchung, sowie das Belastungs-
Beanspruchungskonzept nach Rohmert (1984) Anwendung. Kognitive und personenbezogene
Faktoren werden dabei eher vernachlässigt, sodass diese Methoden im Hinblick auf das Design
adaptiver Automation ein unzureichendes Bild erzeugen (vgl. Kapitel 2.3). Auch andere weithin
akzeptierte Methoden zur Erfassung mentaler Beanspruchung, wie physiologische (vgl. Kapitel
2.4.1), subjektive (vgl. Kapitel 2.4.2) und leistungsbezogene Maße (vgl. Kapitel 2.4.3) können
verwendet werden. Diese besitzen allerdings ihrerseits einige Defizite hinsichtlich Gütekriterien
wie Diagnostizität, Sensitivität und Interferenzfreiheit (Kapitel 2.4.4). Es ist zu erkennen, dass
keines der beschriebenen Maße als ideal anzusehen ist. Daher ist, wie De Waard (1996)
vorschlägt, eine Kombination verschiedener Maße sehr sinnvoll.
31
3 STAND DER FORSCHUNG
Im folgenden Kapitel sollen zunächst das Ziel, sowie die Stärken und Schwächen der kognitiven
Modellierung in Mensch-Maschine-Systemen erläutert werden. Hierzu erfolgt zunächst
allgemein eine Einführung des Begriffes der Modellierung und Simulation in Mensch-Maschine-
Systemen. Aus den Ergebnissen des Kapitels 3.1 ergibt sich die Notwendigkeit eines alternativen
Ansatzes zur klassischen kognitiven Modellierung. Daher werden in Kapitel 3.2 zwei
Forschungsansätze im Bereich Mensch-Maschine-Systeme – der klassische mikrokognitive und
der alternative makrokognitive – vorgestellt. Diese Unterscheidung wird auf die kognitive
Modellierung und Simulation übertragen. Kapitel 3.3 geht dann auf ausgewählte bereits
vorhandene Modellierungsansätze im Bereich Flugverkehrskontrolle und im Speziellen zu
mentaler Beanspruchung ein. In Kapitel 3.4 wird aus dem vorgestellten Forschungsstand zu
Theorien mentaler Beanspruchung, sowie zur Modellierung in der Flugverkehrskontrolle die
Notwendigkeit der Entwicklung eines Modells mentaler Beanspruchung abgeleitet sowie
diskutiert, welchen Nutzen ein solches Modell erbringen kann. Kapitel 3.5 fasst das Kapitel
zusammen.
3.1 MODELLIERUNG UND SIMULATION VON MENSCH-MASCHINE-SYSTEMEN
Ein System kann im einfachsten Fall nach Dörner (2000) als „…ein Geflecht von miteinander
verknüpften Variablen.“ (S.109) beschrieben werden. Als Mensch-Maschine-Systeme bezeichnet
man dabei spezielle Systeme, bei denen das Zusammenwirken mindestens eines Menschen mit
einem technischen System zur Aufrechterhaltung der Funktion notwendig ist (z.B.
Kraftfahrzeuge, chemische Anlagen, Flugzeuge) (Dzaack, 2008). Nach Timpe und Kolrep (2002)
bezeichnet der Begriff Mensch-Maschine-System „eine zweckmäßige Abstraktion des
zielgerichteten Zusammenwirkens von Personen mit technischen Systemen zur Erfüllung eines
fremd- oder selbstgestellten Auftrags“ (S. 10).
Die Entwicklung und Analyse neuer Technologien und Systeme erfolgt in den
Ingenieurwissenschaften seit jeher mit Hilfe von Modellen und Simulationen und ist hier gängige
Praxis. Die Methodenvielfalt reicht dabei von relativ einfachen mathematischen Modellen und
Berechnungen, z.B. zur Auslegung von Kühlkreisläufen für einen chemischen Reaktor, die der
Ingenieur größtenteils noch mit Bleistift und Taschenrechner durchführen kann, bis zu
aufwändigen computerbasierten Verkehrssimulationen, wie zum Beispiel für das
Bahnhofsprojekt Stuttgart 21, welche eine Vielzahl von Parametern berücksichtigen, die der
Mensch allein nicht mehr überblicken könnte. Dabei können Vorhersagen über das Verhalten
eines neuartigen Systems getroffen werden, bevor das System real existiert. Dies ermöglicht vor
allem bei sicherheitskritischen Systemen eine einfachere und ungefährlichere Untersuchung
32
(Möhlenbrink, 2011). Es ist dabei von Vorteil, dass technische Prozesse durch physikalische
Gesetzmäßigkeiten mit hinreichender Genauigkeit beschrieben werden können.
Bei Mensch-Maschine-Systemen liegt der spezielle Fall vor, dass zusätzlich zu technischen
Komponenten als weitere funktionale Komponente der Mensch Bestandteil des Systems ist und
zur Erreichung des fremd- oder selbstgestellten Ziels beiträgt. Es ist eine Kooperation von
Mensch und Maschine nötig, um die erwünschte Gesamtleistung zu erreichen. Für die
Erreichung einer möglichst ganzheitlichen Modellbildung und/oder Simulation eines solchen
Systems muss auch die Komponente Mensch mit in den Modellbildungs- und Simulationsprozess
einbezogen werden. Wie Möhlenbrink (2011) beschreibt, wäre dies kein Problem, wenn die
Modellierung des Menschen bereits geklärt wäre und nur die Einbindung des Modells des
technischen Prozesses zu realisieren wäre. Die Sachlage ist allerdings umgekehrt: Das
technische System kann hinreichend auf mathematische Modelle reduziert werden, die
Schwierigkeit besteht darin, den Menschen auf modellierbare Funktionen zu reduzieren
(Möhlenbrink, 2011). Eine solche Aufgabe ist allerdings nicht trivial, da das Verhalten des
Menschen als komplex und inhomogen zu bezeichnen ist (Ruckdeschel, 1997). Daraus ergibt
sich unweigerlich die eher philosophische Frage, ob eine solche Reduzierung des Menschen
überhaupt angemessen ist.
Die Modellbildung, beschreibt sie nun technische Prozesse oder menschliches Verhalten und
kognitive Prozesse, beinhaltet immer die Notwendigkeit einer Komplexitätsreduktion und das
Erstellen eines „Abbildes der Realität“, nicht aber die Realität selbst. Hierbei werden abstrakte
Repräsentationen eines Teils der Realität angestrebt, „bei denen unwesentliches in Bezug auf den
Modellzweck weggelassen wird“ (Leuchter, 2009, S. 6). Ruckdeschel (1997) erläutert dies durch
die Einführung mehrerer Begrifflichkeiten. Das reale System ist hierbei der zu modellierende
reale Prozess wie z.B. ein chemischer Prozess oder der Flughafenprozess. Dieser könnte durch
ein sogenanntes Basismodell abgebildet werden, welches das vollständige Eingangs-Ausgangs-
Verhalten des realen Systems abbildet. Ein solches Basismodell ist als sehr komplex und
umfangreich anzusehen, da es aus vielen stark interagierenden Komponenten besteht
(Ruckdeschel, 1997). Diese Komplexität verbietet die Verwendung des Basismodells als
Simulationsmodell. Nach Festlegung eines experimentellen Rahmens, kann allerdings ein
wesentlich einfacheres, jedoch innerhalb des experimentellen Rahmens dennoch gültiges,
vereinfachtes Modell formuliert werden (Ruckdeschel, 1997).
Je nachdem, welcher Zweck die Simulation menschlichen Verhaltens in Mensch-Maschine-
Systemen verfolgt, kann eine solche Vereinfachung zunächst dahingehend vorgenommen
werden, welcher Teilaspekt menschlichen Verhaltens bei der Interaktion mit einem technischen
System abgebildet werden soll. Leuchter (2009) beschreibt hierbei sechs Klassen von Modellen
für Nutzereigenschaften bzw. Mensch-Maschine-Interaktion: Anthropometrische Modelle, die zur
33
Untersuchung der physiologischen Beschaffenheit von Bedienern verwendet werden, wobei vor
allem ergonomische Aspekte bei der Bedienung (z.B. Kräfte oder Beschleunigungen, denen der
Mensch ausgeliefert ist) simuliert werden (Schmidtke, 1976). Sogenannte Regler-Mensch-
Modelle beruhen auf mathematischer Repräsentation von Regelungsverhalten in
hochdynamischen Mensch-Maschine-Systemen, wobei Differentialgleichungen verwendet
werden, um die zeitliche Veränderlichkeit dynamischen Verhaltens mathematisch zu
formulieren. Es wird versucht das Bedienerverhalten über die Formulierung von Gleichungen so
gut wie möglich zu approximieren (vgl. Jürgensohn, 2002). Aufgabenmodelle nehmen die
Formalisierung einer Arbeitsaufgabe und ihrer Abarbeitung in Form einer hierarchischen
Spezifikation erforderlicher Aktivitäten und deren Bedingungen auf kognitiver, motorischer und
Wahrnehmungsebene vor. Konzeptuelle Modelle beschreiben menschliche Faktoren in Mensch-
Maschine-Systemen mit Hilfe von Aufgabenmodellen einerseits auf der Basis qualitativer
Modelle menschlichen Verhaltens (z.B. Hacker, 1986; Rasmussen, 1983; Reason, 1991) und
anhand von Fehlerwahrscheinlichkeiten für bestimmte Handlungen (Human Reliability Analysis
z.B. THERP; Swain & Guttman, 1983; SLIM-MAUD; Embrey, Humphreys, Rosa, Kirwan, & Rea,
1984; CREAM; Hollnagel, 1998). Die Abbildung mentaler Strukturen und Vorgänge ist das Ziel
kognitiver Modelle. Basierend auf Methoden der symbolischen KI werden
kognitionswissenschaftlich fundierte Programme formuliert, mit denen mentale Modelle von
Benutzern simuliert werden können (Leuchter, 2009). Repräsentationen des Benutzerwissens,
sogenannte Wissensmodelle, werden in der Informatik verwendet, um nutzeradaptive
Benutzungsschnittstellen zu implementieren. Dabei Erfolgt eine Speicherung des
Benutzerwissens über die Aufgabendomäne, Konzepte des technischen Systems und der
Benutzungsschnittstelle und der aktuell verfolgten Ziele in Faktenform, um die Darstellung der
Dialoge der Software daran anzupassen.
Aus dieser Unterscheidung kann bereits geschlossen werden, dass sowohl anthropometrische
Modelle, als auch regelungstechnische Ansätze, für die Zielstellung dieser Arbeit nicht in Frage
kommen, da sie nicht in der Lage sind, Wissensstrukturen abzubilden. Aufgaben- und
Konzeptuelle Modelle können ihrerseits lediglich als Grundlage für die Implementierung
lauffähiger Modelle in Computerprogrammen dienen, da sie eher qualitativen Charakter
besitzen. Bei der Simulation von Verhalten in verteilten Mensch-Maschine-Systemen mit hoher
Eigendynamik des technischen Prozesses, sowie Problemstellungen aus dem Human Factors
Bereich, wie der Simulation mentaler Beanspruchung, ist die Modellierung von
Wissensstrukturen essentiell (Leuchter, 2009). Hierzu sind lediglich kognitive und
Wissensmodelle in der Lage.
34
3.2 MIKRO- UND MAKROKOGNITIVE FORSCHUNGS- UND MODELLIERUNGSANSÄTZE
Im speziellen Falle der Modellierung von Mensch-Maschine-Systemen und Human Factors
Fragestellungen stellt sich die weitere Herausforderung einer möglichst ganzheitlichen
Beschreibung des Mensch-Maschine-Systems, um zu verhindern, dass falsche Einschätzungen
über das System getroffen werden (Kindsmüller, Leuchter, Schulze-Kissing, & Urbas, 2004). Es
bestehen verschiedene Ansichten darüber, inwieweit ein Basismodell abstrahiert werden sollte
bzw. wie feingranular die Beschreibung der Prozesse erfolgen muss, um das vereinfachte Modell
zu erhalten. Cacciabue und Hollnagel (1995) unterscheiden hierbei zwei grundlegende
Forschungsansätze, welche auch auf die Modellierung übertragen werden können. Diese
bezeichnen sie als mikro- und makrokognitiv, womit sie Ansätze der grundlagenwissenschaftlich
orientierten experimentellen Psychologie (mikrokognitiv) von denen der
anwendungsorientierten angewandten Ergonomie bzw. den Ingenieurwissenschaften
(makrokognitiv) unterscheiden.
3.2.1 MIKROKOGNITIVE ANSÄTZE UND KOGNITIVE ARCHITEKTUREN
Als mikrokognitiv beschreiben Cacciabue und Hollnagel (1995) vornehmlich
Erklärungsansätze, die aus der experimentellen Psychologie stammen und eine möglichst
detaillierte, theoretische Beschreibung des Funktionierens kognitiver Prozesse bei der
Aufgabenbearbeitung zum Ziel haben. Dabei werden Theorien zu spezifischen Phänomenen
erstellt und diese mit empirischen Daten korreliert. Nachteile sehen Cacciabue und Hollnagel
(1995) vor allem darin, dass der Schwerpunkt auf experimenteller Kontrolle, nicht aber auf
externer Validität liegt (vgl. Klein et al., 2003). Das bedeutet, dass Phänomene, die im Labor
beobachtbar auftreten und Verhalten signifikant beeinflussen, in realen Umgebungen
vernachlässigbar klein sein können. Sie argumentieren, dass Mikrokognition die Verbindung
zwischen dem Phänomen und dem realen Kontext zu Gunsten der Übereinstimmung mit der
Theorie oder dem Modell aufgeben. Hochkomplexe Verhaltensweisen sind oft nur schwer bis
überhaupt nicht experimentell zu untersuchen, so dass sehr feingranulare Untersuchungen oft
dazu führen, dass immer mehr Wissen über immer kleinere Problemstellungen generiert wird
(„dass wir immer mehr über immer weniger wissen“; Kindsmüller et al., 2004, S. 10).
Kognitive Modelle im Bereich der mikrokognitiven Ansätze können nach Salvucci und Lee
(2003) nochmals in High- und Low-Level Ansätze unterschieden werden (vgl. Abbildung 3).
High-level Ansätze beschreiben das Nutzerverhalten durch einfache grundlegende
Nutzerhandlungen (z.B. eine Mausbewegung oder einen Tastendruck). Das Verhalten von
Nutzern wird durch Aufgabenmodelle als lineare Sequenz einzelner Schritte beschrieben. Die
Methode GOMS (Goals, Operators, Methods and Selection Rules) und deren Derivate sind hier
die wichtigsten Vertreter (z.B. Card, Moran, & Newell, 1983; Gray, John, & Atwood, 1992; John &
35
Kieras, 1994; Kieras, 1996; Urbas, Heinath, Schaft, & Leuchter, 2007; Urbas & Leuchter, 2008;
Wandmacher, 2002). Low-level Ansätze werden auf Basis sogenannter kognitiver Architekturen
realisiert, welche aus kognitionswissenschaftlichen Theorien entstanden und Annahmen über
die Funktionsweise der grundlegenden Komponenten des menschlichen Geistes im Sinne einer
„Unified Theory of Cognition“ (Newell, 1990) mit Hilfe von Programmiersprachen als kognitives
Modell implementieren.
Hierbei wird davon ausgegangen, dass intelligentes Verhalten etwas Berechenbares ist und
somit nur die richtigen Datenstrukturen und Algorithmen zu finden sind, um das gewünschte
Verhalten erzeugen zu können. Nach Langley, Laird und Rogers (2006) beschreibt eine kognitive
Architektur dabei die zugrundeliegende Infrastruktur für ein intelligentes System und beinhaltet
diejenigen Aspekte eines kognitiven Agenten, die über die Zeit und über verschiedene
Anwendungsdomänen konstant sind. Promiente Vertreter kognitiver Architekturen sind
beispielsweise ACT-R (Adaptive Control of Thought – Rational; Anderson & Lebiere, 1998;
Anderson et al., 2004), SOAR (State, Operator And Result; Laird, Newell, & Rosenbloom, 1987;
Laird, 2012), EPIC (Executive Processes, Interactive Control; Kieras & Meyer, 1997; Meyer &
Kieras, 1997) oder CLARION (Connectionist Learning with Adaptive Rule Induction ON-line; Sun,
2006).
Den wohl prominentesten und am weitesten verbreiteten und verwendeten Vertreter stellt
hierbei ACT-R dar. Die Architektur zielt dabei darauf ab, die menschliche Kognition und Leistung
mit einer sehr genauen zeitlichen Auflösung zu modellieren (Möhlenbrink, 2011). Dabei stellt
ACT-R eine hybride kognitive Architektur dar, die symbolverarbeitende Struktur durch ein
Produktionensystem (anhand Inferenzregeln) und subsymbolische Struktur durch eine Vielzahl
an parallelen Prozessen abbildet, wovon letztere durch mathematische Gleichungen
beschreibbar sind (Dzaack, 2008). Die grundlegende Struktur von ACT-R besteht aus einer Reihe
von Modulen und vorgelagerten Puffern, die verschiedene Arten von Informationen speichern
und verarbeiten (z.B. visuelles Modul für die Ausrichtung visueller Aufmerksamkeit, manuelles
Modul zur Kontrolle motorischer Handlungen). Wissen in Form von Fakten ist in ACT-R im
deklarativen Speicher abgelegt. Über die sogenannte Aktivierung der Wissenseinheiten, wird zu
jeder Zeit bestimmt, ob und wie schnell dieses Wissen abgerufen werden kann. Das abgerufene
Wissen steht dann dem Arbeitsspeicher zur Verfügung. Dem deklarativen Wissen steht das
prozedurale Wissen gegenüber, welches Handlungswissen in Form von Regeln enthält. Sie
bilden mentale Verarbeitungsmechanismen ab und dienen der Zielverfolgung (Möhlenbrink,
2011)
Von einem stark anwendungsorientierten Standpunkt aus betrachtet, besteht der Nachteil der
Verwendung kognitiver Architekturen dabei insbesondere darin, dass einerseits häufig der
Kontext, in dem Kognition stattfindet, vernachlässigt oder nur auf bestimmte relativ abstrakte
36
Aufgaben reduziert wird, die häufig wenig repräsentativ für reale Situationen sein können. In
ACT-R war es ursprünglich z.B. nicht vorgesehen, dass ein erstelltes Modell mit einer simulierten
Aufgabenumgebung interagieren kann. Erst durch die Erweiterung ACT-R/PM (perceptual
motor) konnten perzeptuelle und motorische Komponenten Berücksichtigt werden (Jürgensohn,
2002). Dabei bleibt allerdings dennoch die Anbindung an simulierte Aufgabenumgebungen bis
heute eine schwierige Aufgabe (z.B. Büttner, 2010; Halbrügge, 2013; Hope, Schoelles, & Gray,
2013). Es gilt außerdem zu beachten, dass in Isolation oder zumindest unter experimenteller
Kontrolle beobachtbare Phänomene in realen Situationen durchaus irrelevant sein können, da
andere viel vorrangiger sind und gefundene Effekte somit nicht generalisierbar sind.
Andererseits sind kognitive Architekturen für viele Anwendungsfälle zu feingranular und
detailliert, da hier vor allem die „Sichtbarmachung“ der kognitive Prozesse im Fokus steht, so
dass der Anwendungszweck häufig in den Hintergrund tritt. Zwar werden mit der Modellierung
auf Grundlage kognitiver Architekturen auch anwendungsorientierte Problemstellungen
adressiert, müssen allerdings sowohl zur Modellierung als auch zur experimentellen
Untersuchung wiederum durch starke Vereinfachung und Abstraktion der Aufgabenumgebung
erfolgen.
3.2.2 MAKROKOGNITIVE ANSÄTZE
Als alternativen Ansatz sehen Cacciabue und Hollnagel (1995) den makrokognitiven Ansatz,
der im Zuge des Cognitive Systems Engineering (Hollnagel & Woods, 1983) entstand und eher
die anwendungsorientierte bzw. ingenieurwissenschaftliche Herangehensweise widerspiegelt.
Anspruch dieses Ansatzes ist es, sich mit kognitiven Prozessen in realistischen Aufgaben und
unter realistischen Bedingungen zu beschäftigen. Dabei wird weniger Wert auf Phänomene
gelegt, die innerhalb des menschlichen Geistes oder ohne offensichtliche Handlung ablaufen.
Vielmehr wird menschliche Leistungsfähigkeit unter tatsächlichen Arbeitsbedingungen in den
Fokus gerückt und weniger kontrollierte Laborexperimente. Makrokognition ist aber ebenso
wenig mit dem behavioristischen „Black Box“-Ansatz zu vergleichen. Vielmehr wird versucht die
„Black Box“ zu erklären, allerdings nur so weit, wie sie zu erklären ist und wie sie für die
vorliegende Problemstellung erklärt werden muss (Cacciabue, 1998b). Einige Phänomene
können allerdings sowohl Makro- als auch Mikrokognition zugeordnet werden, wie
beispielsweise Problemlösung, Entscheidungsfindung oder Kommunikation. Cacciabue und
Hollnagel (1995) beschreiben den Fokus makrokognitiver Modellierung folgendermaßen: „the
interest lies more on how they [die Phänomene] are performed and how well they serve to achieve
their goals than on the details of what goes on in the human mind while they are performed“ (S.
57).
37
Im Bereich Mensch-Maschine-Systeme ist die Modellierung in makrokognitiver Tradition eher
wenig verbreitet und wird auch weniger häufig angewendet, was unter anderem daran liegen
mag, dass hier kein Pendant zu mikrokognitiven Architekturen im Sinne einer „Unified Theorie
of Macrocognition“ existiert, sondern kognitive Modelle immer neu, auf das spezifische Problem
zugeschnitten erstellt werden müssen. Dies birgt gleichzeitig Vor- und Nachteile. Während viele
mikrokognitive Modelle und Simulationen verschiedener Problemstellungen eine gemeinsame
Basis, nämlich eine kognitive Architektur besitzen, die auf der Grundlage kognitions-
wissenschaftlicher Theorien und empirisch belegter Annahmen über die menschliche
Informationsverarbeitung erstellt wurde, so sind makrokognitive Modelle und Simulationen
immer problemspezifisch und müssen damit immer wieder neu aus der spezifischen
Problemstellung heraus erstellt und für das spezifische praktische Problem entwickelt werden.
Die Herausforderung besteht daher darin, eine genügend große Korrespondenz zwischen den
bekannten oder beobachteten Regularien des Zielphänomens und den Ergebnissen der
Simulation zu erhalten oder besser gesagt „the simulation must be isomorphic to the phenomenon
being modeled“ (Cacciabue & Hollnagel, 1995, S. 58). Auch existiert keine gemeinsame Forscher-
Community, wie es beispielsweise bei ACT-R der Fall ist. Nicht zuletzt ist dies aber auch der
großen Methodenvielfalt geschuldet und dem Fehlen eines einheitlichen theoretischen
Fundaments. Als Vorteil kann hierbei allerdings die Tatsache angesehen werden, dass die
Modellierung nach makrokognitiven Gesichtspunkten dem Modellierer prinzipiell die
Möglichkeit eröffnet, aus dem gesamten Methodenspektrum der Ingenieurwissenschaften und
Informatik, aber auch aus der Psychologie und der Kognitionswissenschaft ein für die
spezifische Problemstellung geeignetes Beschreibungsmittel auszuwählen.
Der Anspruch, den Cognitive Systems Eingineering dabei erhebt, ist ebenso ein ganzheitlicher.
Während mikrokognitive Ansätze häufig auf die Erklärungen von Einzelphänomenen
fokussieren und diese experimentell unter stark kontrollierten Bedingungen untersuchen, hat
Makrokognition den Anspruch einer ganzheitlichen Systembeschreibung und einer
ganzheitlichen Modellierung der Systemperformanz. Hierbei werden kognitive Prozesse nur da
betrachtet wo sie nötig sind, wobei eher ein funktioneller, weniger ein struktureller Ansatz
verfolgt wird. Ziel des makrokognitiven Ansatzes und damit des Cognitive Systems Engineering
ist also die Betrachtung realistischer Phänomene unter realistischen Bedingungen, was
bedeutet, dass Untersuchungen möglichst im Feld durchgeführt werden sollten oder wenn nicht
anders möglich, im Simulator, jedoch nicht mit Studenten als Probanden, sondern möglichst mit
Domainexperten. Ziel der makrokognitiven Modellierung ist dabei nicht die Untersuchung von
Kausalzusammenhängen unter Ausschluss möglichst aller Störvariablen, wie es die
experimentelle Psychologie tut. Vielmehr wird angestrebt, die menschliche
Verarbeitungsfähigkeit bei der Systemgestaltung mit zu berücksichtigen. Nachteilig ist dabei
38
allerdings, die bereits angesprochene Problemspezifität: Eine getätigte Untersuchung oder
Modellierung ist nur unter exakt den gleichen Bedingungen gültig, unter denen sie auch
durchgeführt wurde und nur für das spezifische Problem. Sie ist also 1. Nicht auf andere
Domänen generalisierbar und muss daher 2. für differierende Bedingungen erneut durchgeführt
werden. Um den Ansatz auch begrifflich von der klassischen mikrokognitiven Modellierung
abzugrenzen, bezeichnet Cacciabue (1998) makrokognitive Modelle als kognitive Simulationen.
Die Abbildung 3 gibt eine Übersicht über die beschriebenen Modellierungsansätze und
ausgewählte Beispiele für Modellierungsmethoden bzw. Beschreibungsmittel.
Abbildung 3: Übersicht der Ansätze und zugehöriger Werkzeuge zur Modellierung von Mensch-Maschine-Systemen (eigene
Darstellung)
3.2.3 DIE VERBINDUNG MIKRO- UND MAKROKOGNITIVER ANSÄTZE
Die durch Cacciabue und Hollnagel (1995) etwas populistisch formulierte und strikte
Trennung mikro- und makrokognitiver Ansätze löst allerdings auch einige Skepsis an der
Nützlichkeit einer solchen Unterteilung aus. So gibt Flach (2008) zu bedenken: „with
`macrocognition´ we have invented yet another name for a bird that we still know precious little
about.” (S.27). Er impliziert, dass die Unterscheidung einfach nur aus verschiedenen Sichtweisen
auf ein und dasselbe Phänomen erwächst: „Do the different constructs represent distinct
phenomena, or simply different perspectives on a single phenomenon?” (S.27). Eine
Unterscheidung sollte dabei also keinesfalls so verstanden werden, dass die eine oder die andere
Herangehensweise der Forschung im Allgemeinen besser oder schlechter ist, als die andere. Es
soll aber dafür sensibilisiert werden, welche unterschiedlichen Sichtweisen sie mit sich bringen
und welchem spezifischen Zweck sie damit dienlich sein können. Es ist wichtig, keine Lücken
entstehen zu lassen und zu erkennen, dass mikro- als auch makrokognitive Ansätze wichtige
Beiträge zum wissenschaftlichen Erkenntnisgewinn liefern und sie daher weniger als
konkurrierend oder strikt voneinander getrennt gesehen, sondern zielgenau eingesetzt werden
39
sollten und sich so auch durchaus sehr gut ergänzen können: „Rather than differentiating the
problems of macrocognition as a special form of cognition, we should be looking for the common
threads arnong the different phenomena associated with human experience.“ (Flach, 2008, S.38).
Bereits Klein, Klein und Klein (2000) beschreiben die Notwendigkeit der Verbindung von
Grundlagenforschung der kognitiven Psychologie (mikrokognitiv) und der
Anwendungsforschung der kognitiven Ergonomie (makrokognitiv). Sie beschreiben zwei
Möglichkeiten diese Verbindung zu erreichen: Einerseits durch hinreichend große
Überschneidung der untersuchten Phänomene, andererseits durch die Anwendung
mikrokognitiver Forschungsergebnisse auf anwendungsorientierte makrokognitive
Problemstellungen (Klein et al., 2000).
Für die Modellierung von Mensch-Maschine-Systemen im Speziellen vergleichen Smieszek und
Rußwinkel (2013) in Anlehnung an West, Hancock, Somers, MacDougall und Jeanson (2013),
den Unterschied zwischen mikro- und makrokognitiver Modellierung mit dem Unterschied
zwischen neuronaler und mikrokognitiver Modellierung (vgl. Abbildung 4). Die drei in
Abbildung 4 gezeigten Ebenen (makrokognitiv, mikrokognitiv und neuronal) sollten dabei
allerdings weniger als strikt getrennt voneinander, sondern eher als ein Kontinuum von stark
grundlagenorientierter neuronaler über mikrokognitive hin zu anwendungsorientierter
makrokognitiver Modellierung angesehen werden. Somit können durch Downscaling
mikrokognitive Funktionen in makrokognitive Modelle eingebracht werden, womit eine größere
Korrespondenz anwendungsorientierter Modelle mit kognitionspsychologischen Theorien
erreicht wird. Umgekehrt können beim Upscaling makrokognitive Funktionen und
anwendungsorientierte Problemstellungen auf der Grundlage mikrokognitiver Architekturen
Abbildung 4: Verbindung zwischen makro-, mikrokognitiver und neuronaler Ebene durch Up- und Downscaling (eigene
Darstellung nach West et al. 2013).
40
modelliert werden (vgl. West et al., 2013), um eine stärkere Anwendungsorientierung zu
erreichen. Somit stellen Mikro- und Makrokognition nicht nur verschiedene Ebenen im
Kontinuum der Betrachtung menschlicher Kognition dar und dienen unterschiedlichen Zwecken
der Mensch-Maschine-Modellierung, sondern können sogar so miteinander verbunden werden,
dass Erkenntnisse des einen Ansatzes neue Fragestellungen aufwerfen können, zu deren Lösung
der jeweils andere Ansatz beitragen kann (vgl. Smieszek & Joeres, 2013; Smieszek & Rußwinkel,
2013; West & Pronovost, 2009). Im Falle mentaler Beanspruchung ist eine solche Verbindung
nicht nur sinnvoll sondern ebenso nötig, da nicht nur äußere Systemfaktoren (makrokognitiv)
sondern auch innere kognitive Variablen (mikrokognitiv) das Konstrukt beeinflussen.
So wird mit dieser Arbeit eine Verbindung zwischen mikro- und makrokognitiven Ansätzen
angestrebt. Dies stellt in gewisser Weise zwar eine Herausforderung dar, birgt aber die
Möglichkeit, reale Phänomene möglichst realistisch z.B. durch ganzheitliche, makrokognitive
Modelle abzubilden, um möglichst extern valide Vorhersagen zu erhalten. Gleichzeitig sind die
mikrokognitiven Phänomene von Interesse (hier die mentale Beanspruchung) genauer
nachzubilden und zu untersuchen um Vorhersagen treffen zu können.
Konkret bedeutet dies, dass ein Modell der Flugverkehrskontrolle an Flughäfen, welches in
dieser Arbeit entwickelt werden soll, sowohl den Fluglotsen, als auch dessen zu kontrollierendes
System, also den Flughafen, sowie deren Interaktionen nachbilden muss. Dabei müssen nicht nur
die inneren „mentalen“ Prozesse des Fluglotsen beschrieben werden, sondern es muss auch
bekannt sein, welche Beschränkungen und Regulierungen das Flugverkehrskontrollsystem
selbst mit sich bringt. Das bedeutet, sowohl die Aufgaben des Lotsen, die Beschränkungen durch
Regularien, die Funktionsweise eines Flughafens, der verwendeten technischen Systeme als
auch der kognitiven Prozesse selbst müssen bekannt sein und in den Modellbildungsprozess mit
einfließen. Es kann hierbei einerseits auf Methoden zurückgegriffen werden, die als
makrokognitiv bezeichnet werden können (z.B. Feldbeobachtungen, Aufgabenanalysen, Analyse
von Regularien, Expertenbefragungen und –interviews). Andererseits müssen auch
Erkenntnisse, die in experimentellen Settings über die Funktion kognitive Prozesse des
Menschen gewonnen wurden mit einbezogen werden (z.B. Informationsverarbeitungskapazität
des Menschen, Aufmerksamkeits- und Handlungsmodelle). Zwar ordnet sich die vorliegende
Arbeit eher den makrokognitiven Ansätzen zu, schafft aber wie beschrieben auch eine
Verbindung beider Ansätze, was so bisher noch nicht erfolgte. Das folgende Kapitel gibt einen
Überblick über den Status-Quo im Bereich Modellierung von Mensch-Maschine-Systemen und
stellt ausgewählte Modelle mit besonderem Fokus auf die Flugverkehrskontrolle und mentale
Beanspruchung vor.
41
3.3 AUSGEWÄHLTE MODELLE UND SIMULATIONEN VON PROBLEMSTELLUNGEN IM
MENSCH-MASCHINE-SYSTEM LUFTFAHRT UND FLUGVERKEHRSKONTROLLE
Die Forschung und Entwicklung im Bereich der Modellierung und Simulation in Mensch-
Maschine-Systemen brachte bereits zahlreiche Modelle hervor, die menschliches Verhalten und
kognitive Prozesse sowie verschiedene andere Problemstellungen im Bereich Luftfahrt und
speziell den Bereich der Flugverkehrskontrolle adressieren. Von diesen sollen im Folgenden
einige ausgewählte vorgestellt werden. Hierbei werden sowohl makrokognitive als auch
mikrokognitive Ansätze berücksichtigt. Insbesondere sollen Ansätze beachtet werden, die im
speziellen die Problemstellung der Quantifizierung mentaler Beanspruchung zum Ziel haben.
Makrokognitive Modelle bedienen sich vor allem ingenieurwissenschaftlichen Methoden oder
Methoden aus der Informatik (z.B. Differentialgleichungen, Petrinetze) zur Modellierung
einerseits physikalisch-technischer Problemstellungen aber auch menschlichen Verhaltens und
kognitiver Prozesse, wobei vor allem Aufgaben- und konzeptuelle Modelle erstellt werden.
Kovács, Németh und Hangos (2005) entwickelten beispielsweise ein Modell auf der Basis
farbiger Petrinetze (vgl. Kapitel 4.6) um die Auswirkungen der Verfügbarkeit von Rollwegen auf
die Kapazität der Start-Landebahn zu untersuchen, wobei im Modell grundlegende Prinzipien
der Flugverkehrskontrolle berücksichtigt werden. Das Modell wurde mit Hilfe des Programmes
Design/CPN implementiert (der Vorgänger von CPN-Tools; vgl. Kapitel 4.6) und kann verwendet
werden, um optimale Planungssequenzen zu untersuchen. Mit einer ähnlichen Problemstellung
beschäftigten sich Vidosavljević und Toŝić (2010). Sie entwickelten ebenfalls ein Modell auf der
Basis farbiger Petrinetze, welches zur Untersuchung und Optimierung von Turnaround-
Prozessen dient. Hierbei soll der Einfluss verschiedener Strategien zur Ressourcenallokation
(Flugzeug-Parkpositionen, Ausrüstung, Personal) auf die Effizienz von Turnaround-Prozessen
untersucht werden, um sie so effizient und verlässlich wie möglich gestalten und damit Kosten
sparen zu können. Das Modell wurde mit CPN-Tools implementiert.
Diese eher einfachen, auf mehr oder weniger technisch-physikalische Prozesse fixierten
Modelle werden durch einerseits konzeptuelle und mathematische Modelle zur Untersuchung
menschlicher Zuverlässigkeit (z.B. Daams, Blom, & Nijhuis, 2001) und der Widerstandsfähigkeit
(resilience; vgl. Hollnagel, Woods, & Leveson, 2006) komplexer soziotechnischer Systeme (z.B.
Stroeve, Everdij, & Blom, 2011) und andererseits durch ganzheitliche Mensch-Maschine-Modelle
unter Verwendung farbiger Petrinetze ergänzt. Zunächst zielte die Modellbildung unter
Verwendung von Petrinetzen nicht auf die empirische Untersuchung von Verhaltensdaten ab,
sondern auf die formale Analyse dieser Modelle für die Arbeitsanalyse und den Designprozess
(Möhlenbrink, 2011) oder die Erstellung von Expertensystemen. So beschreibt Ruckdeschel
(1997) ein Modell zur Beschreibung regelbasierten Pilotenverhaltens als Teil des Cockpit-
Assistenzsystems CASSY (Cockpit Assistant System). Werther (2006b) beschreibt erstmalig die
42
Verwendung farbiger Petrinetze für die kognitive Modellierung und Simulation als Alternative
zu kognitiven Architekturen und verfolgt das Ziel, die grundlegenden Komponenten kognitiver
Architekturen in einem Petrinetz-Modell mit zu berücksichtigen (vgl. Möhlenbrink, 2011). Das
von ihm entwickelte, ganzheitliche Modell (FCR-Modell; Formales Kognitives Ressourcen-
Modell) berücksichtigt dabei vor allem die beschränkte Verarbeitungskapazität menschlicher
Bediener in Mensch-Maschine-Systemen. Das Modell basiert auf vier Modulationsparametern:
Motivstärke, Aktivierungsrate, Kompetenz und Barrierehöhe6, die bei der Abarbeitung von
Handlungszielen die Art und Weise, wie diese abgearbeitet werden, bestimmen. Hierbei liegt die
Annahme zugrunde, dass Leistungsunterschiede in der Aufgabenbearbeitung mit den
unterschiedlichen Ausprägungen dieser Parameter verbunden sind. Die Validierung des
Modellansatzes erfolgt mit Hilfe der Mikrowelt CAMS (Cabin Air Management System; Wastell,
Sauer, & Hockey, 2003).
Weiterhin entwickelt Werther (2006a) ein formales Modell der Flughafenverkehrskontrolle
auf der Grundlage einer kognitiven Arbeitsanalyse (Vicente, 1999). In Verbindung mit der
sogenannten Remote Tower Operation kleinerer Flughäfen (Fürstenau et al., 2009; Oehme &
Schulz-Rueckert, 2010; Schmidt, Rudolph, Werther, & Fürstenau, 2006) standen hierbei vor
allem die Untersuchung verschiedener Möglichkeiten der Arbeitsorganisation, sowie das Design
einer neuen Arbeitsposition (Remote Controller) basierend auf formaler Analyse im Fokus der
Modellbildung. Möhlenbrink (2011) verwendet eine Erweiterung dieses Lotsenmodells zur
Untersuchung von Entscheidungsheuristiken von Versuchspersonen in einer simulierten
Mikrowelt eines Towerlotsenarbeitsplatzes. Ebenso zeigten Möhlenbrink, Manske und Kirlik
(2012), wie das 3-Schritt-Prinzip der Heuristischen Entscheidungsfindung (Gigerenzer, Todd, &
ABC Research Group, 1999) dazu verwendet werden kann, zu analysieren, wie das Design eines
Entscheidungsunterstützungssystems das Entscheidungsverhalten eines Lotsen beeinflusst.
Die vorgestellten ingenieurwissenschaftlich geprägten Modelle beschäftigen sich einerseits mit
der Optimierung physikalisch-technischer Prozesse des Flughafens, andererseits mit der
Erstellung konzeptueller Modelle menschlicher Zuverlässigkeit und der Widerstandsfähigkeit
komplexer soziotechnischer Systeme, sowie mit der Erstellung formaler Modelle der
Flugverkehrskontrolle. Hierbei werden kognitive Komponenten oder Prozesse nicht explizit
berücksichtigt. Die Arbeitsgruppe um Möhlenbrink beschäftigt sich vor allem mit der
Untersuchung heuristischer Entscheidungsfindung mit Hilfe formaler Modelle der
Flugverkehrskontrolle. Hierbei ist der Anspruch ein ganzheitlicher, allerdings weniger in Bezug
6 Motivstärke ist als Abweichung zwischen Ist- und Sollzustand beschrieben. Aktivierungsrate
repräsentiert die Energie die das Kognitive System in die Erledigung von Aufträgen investiert und ist mit
Arousal vergleichbar. Kompetenz repräsentiert die vorhandenen kognitiven Fertigkeiten. Barrierehöhe
repräsentiert das allgemeine Vertrauen in den Erfolg der aktuell auszuführenden Aufgaben (vgl. Werther,
2006b, S. 61f).
43
auf kognitive Prozesse, als auf die Effizienz der Abarbeitung des Flugverkehres durch den Lotsen
unter Berücksichtigung bestimmter Entscheidungshierarchien fokussiert. Lediglich Werther
(2006b) versucht die Erstellung einer kognitiven Architektur auf der Basis farbiger Petrinetze,
wobei anzumerken ist, dass mit Hilfe einer Anpassung der vier Modulationsparameter
Motivstärke, Aktivierungsrate, Kompetenz und Barrierehöhe des FCR-Modells prinzipiell die
Erzeugung und Erklärung jeglichen Verhaltens mit Hilfe des Modells möglich ist (overfitting; vgl.
Kapitel 4.1). Ferner geben auch Werther und Möhlenbrink zu einem gewissen Grade den
Anwendungsbezug zugunsten des Detailgrades der kognitiven Prozesse bzw. der
experimentellen Kontrolle (durch Verwendung von Mikroweltsimulationen) auf
(mikrokognitiv).
Mikrokognitive Modelle sind im Bereich der Flugverkehrskontrolle vornehmlich für den en-
route Bereich erstellt worden. So beschreiben Niessen, Leuchter und Eyferth (1998) ein Modell
des mentalen Bildes von Radarlotsen auf der Basis von ACT-R welches mit MoFL (Modell der
Fluglotsenleistung) bezeichnet wurde (vgl. auch Jürgensohn, Niessen, & Leuchter, 2002; Niessen,
Eyferth, & Bierwagen, 1999; Niessen & Eyferth, 2001). Ziel war die modellhafte Beschreibung
und Analyse der kognitiven Prozesse und der resultierenden mentalen Repräsentation einer
hochdynamischen Umgebung als Basis für die Konflikterkennung. Pompanon und Raufaste
(2009) vergleichen dieses Modell mit einem weiteren Modell von Rantanen und Nunes (2005),
welches andere Annahmen bezüglich der Entscheidungen und der Konflikterkennung von
Lotsen im en-route Kontext zugrunde legt. Hierbei fiel auf, dass das MoFL-Modell für die
Konflikterkennung zunächst die Flugbahnen zweier Flugzeuge vergleicht und festlegt, ob sich
diese überschneiden oder nicht. Bei sich überschneidenden Flugbahnen wird die Flughöhe nicht
berücksichtigt und sofort die Entscheidung getroffen, dass Konfliktpotential vorliegt. Das Modell
von Rantanen und Nunes (2005) hingegen vergleicht zunächst die Flughöhe und prüft nur dann
die Trajektorien, wenn gleiche Flughöhen vorliegen. In Experimenten fanden Pompanon und
Raufaste (2009) heraus, dass keines der beiden zuvor genannten Modelle alle von ihnen
erhobenen Daten hinreichend beschrieb und formulierten ein eigenes Modell, welches
hinsichtlich der verwendeten Strategie zur Konflikterkennung als Integration der beiden vorher
genannten interpretiert werden kann (Raufaste, 2006). Hierbei wird zunächst die Richtung
betrachtet und einer von vier Kategorien zugeordnet. Unmittelbar im Anschluss daran wird
überprüft, ob sich die Flughöhe um mehr als 100 Fuß unterscheidet. Beide Informationen
werden verwendet, um zu entscheiden, ob ein Konflikt besteht oder nicht.
Ebenfalls auf Basis von ACT-R entwickelte Taatgen (2001, 2002) ein Modell zur Beschreibung
individueller Unterschiede beim Erwerb von Fertigkeiten in einer Fluglotsenaufgabe (Kanfer-
Ackerman air traffic control task). Hierbei steht allerdings weniger die Vorhersage realer
Lotsendaten als vielmehr die Überprüfung einer Theorie individueller Unterschiede beim
44
Fertigkeitserwerb (Ackerman, 1988, 1990) im Vordergrund. Es wurde davon ausgegangen, dass
drei Faktoren – allgemeine Intelligenz, Wahrnehmungsgeschwindigkeit sowie psychomotorische
Fähigkeiten – unterschiedliche Teile des Fertigkeitserwerbs beeinflussen. Das Modell
verwendete Taatgen (2001, 2002) zur Replikation von Daten, die Ackerman (1988, 1990) zur
Aufstellung seiner Theorie erhob und konnte diese damit untermauern. Beim Kanfer-Ackerman
air traffic control task handelt es sich um eine stark vereinfachte Fluglotsenaufgabe, die das
fehlerfreie Landen von Flugzeugen zum Ziel hat und damit vergleichbar mit der Aufgabe von
Towerlotsen ist (vgl. Kapitel 4.3 und 4.4). Sie ist allerdings recht abstrakt repräsentiert und nur
über Tastatureingaben zu steuern7.
Ebenso, wie die Untersuchung menschlicher Entscheidungsfindung, des Fertigkeitserwerbs
und der Konflikterkennung, ist auch das Konstrukt mentaler Beanspruchung in der
Modellbildung bereits adressiert worden, wenn auch seltener. So erstellen Lebiere und
Anderson (2001) ein einfaches ACT-R Modell, mit dem es möglich ist Multi-Tasking und
Cognitive Workload (mentale Beanspruchung) in einer en-route-Aufgabe zu beschreiben. Sie
gehen bei der Analyse mentaler Beanspruchung allerdings weniger theoriegetrieben vor. Da in
ACT-R kein Konzept von mentaler Beanspruchung enthalten ist, beschrieben Lebiere und
Anderson (2001) die mentale Beanspruchung lediglich als skaliertes Verhältnis zwischen der
Zeit, die das Modell mit kritischen Teilaufgaben (critical unit tasks) verbringt und der
Gesamtzeit, in der es Aufgaben verrichtet. Kritische Teilaufgaben sind hierbei einerseits die
Ausführung von Aktionen und andererseits die Suche nach neuen Ereignissen, die eines
Eingreifens bedürfen. Neben der eher losen theoretischen Fundierung mentaler Beanspruchung
sind auch die verwendete Aufgabe und die damit verbundene Simulation als sehr artifiziell zu
betrachten. Es ist also anzunehmen, dass eine Generalisierung der Ergebnisse und eine
Anwendung des Modells auf realistische Aufgaben nicht ohne weiteres möglich sind.
Neben dem Modell von Lebiere und Anderson (2001) fanden in der Flugverkehrskontrolle
zahlreiche Versuche statt, die mentale Beanspruchung von Lotsen mit Hilfe mathematisch
ermittelter Indizes anhand objektiv beobachtbarer Variablen zu berechnen (z.B. TLI; vgl. Kapitel
2.3). Dieser Ansatz birgt eine relative Einfachheit in sich, ist allerdings weder kognitiv plausibel
noch ganzheitlich, da nur objektive Komplexitätsfaktoren (wie beispielsweise die Anzahl der zu
kontrollierenden Flugzeuge) in die Berechnung solcher Indizes einfließen. Dass diese allerdings
nur einen Teil der Einflussfaktoren mentaler Beanspruchung darstellen, ist bereits in Kapitel 2.3
dargestellt worden. Es gilt demnach, die hier offensichtlich werdenden Lücken zu schließen und
ein ganzheitliches Modell zu erstellen, welches sowohl quantitative Abschätzungen mentaler
7 Die abstrakte Darstellung der Aufgabe ist höchstwahrscheinlich der Ende der 80er, Anfang der 90er
Jahre zur Verfügung stehenden begrenzten Rechnerkapazität geschuldet.
45
Beanspruchung von Towerlotsen, sowie Ganzheitlichkeit als auch kognitive Plausibilität und zu
einem gewissen Grade Validität erreicht.
3.4 KOGNITIVE MODELLIERUNG MENTALER BEANSPRUCHUNG
Nachdem sowohl im Kapitel 2 als auch im Kapitel 3 Lücken hinsichtlich der Erfassung mentaler
Beanspruchung (keine Vorhersage mentaler Beanspruchung möglich), sowie deren modellhafter
Beschreibung (unzureichende theoretische Fundierung, Fokussierung auf den en-route Bereich)
sichtbar gemacht wurden, gilt es nun, diese Lücken zu schließen. Zunächst kann festgestellt
werden, dass die zur Verfügung stehenden Methoden zur Erfassung mentaler Beanspruchung
keine hinreichende Güte besitzen, um im Feld als zuverlässiger Indikator mentaler
Beanspruchung von Towerlotsen eingesetzt werden zu können, oder als Grundlage für die
Entwicklung adaptiver Automatisierungs- und Unterstützungssysteme zu dienen.
Einerseits sind Diagnostizität und Sensitivität z.B. der Herzrate zu gering, um eine verlässliche
Erfassung mentaler Beanspruchung zu erhalten. Andererseits ist die zeitliche Auflösung
subjektiver Maße zu gering und die Interferenz mit der Hauptaufgabe von Leistungsmaßen zu
groß. Es ist also nötig, eine Möglichkeit zu finden, wie diese Nachteile ausgeglichen werden
können. Die Lösung kann hier in der kognitiven Modellierung und Simulation liegen. Für die
Entwicklung eines kognitiven Modells werden zu Beginn zwar Ressourcen wie Zeit und Geld,
sowie Maße zur Validierung benötigt, allerdings kann ein einmal aufgestelltes Modell immer
wieder genutzt werden, um Prognosen hinsichtlich zukünftiger Beanspruchung von Lotsen zu
machen um beispielsweise eine bessere Verkehrsplanung zu ermöglichen. Ferner kann ein
solches Modell verwendet werden, um neuartige Unterstützungssysteme hinsichtlich ihres
Nutzens überprüfen zu können, ohne dass Geld in die Entwicklung von Prototypen und
aufwändige Feldstudien und Messungen investiert werden muss. Ein fortwährender Einsatz
dieses Modells, kann daher aufwändige Messungen im Feld und die damit verbundenen
Beeinträchtigungen der Lotsen überflüssig machen, sowie die Entwicklung einschlägiger
Unterstützungssysteme vorantreiben, wobei Zeit und Geld gespart werden kann. Es ist daher
sinnvoll und notwendig, ein lauffähiges Modell mentaler Beanspruchung von Towerlotsen zu
erstellen, um Einschätzungen darüber zu erhalten, wie ein Lotse während eines bestimmten
Verkehrsszenarios belastet ist bzw. sein wird.
Zur Validierung des Modells kann eine Kombination der vorgestellten Maße mentaler
Beanspruchung in einer simulierten Umgebung verwendet werden. Eine solche Validierung hat
daher auch in einer etwas abstrakteren Umgebung stattzufinden (mikrokognitiv), um eine
Beeinträchtigung von Lotsen am Arbeitsplatz zu vermeiden und die Folgen von Fehlhandlungen
gering zu halten. Bei der Verwendung eines simulierten Arbeitsplatzes, sollte allerdings dennoch
46
auf eine hinreichend große Korrespondenz mit einer realen Arbeitsumgebung geachtet werden
(makrokognitiv).
Die Umsetzung des Modells kann anhand der beschriebenen kognitionspsychologischen
Theorien erfolgen (vgl. Kapitel 2). Es konnte aus verschiedenen Theorien herausgearbeitet
werden, dass vor allem Begrenzungen des Arbeitsgedächtnisses die Entstehung mentaler
Beanspruchung bedingen. Somit sollte auch die mentale Beanspruchung über die Belastung des
Arbeitsgedächtnisses, konkret über die Anzahl der Chunks, die zu einem Zeitpunkt im
Arbeitsgedächtnis gespeichert sind, modellhaft abbildbar sein (mikrokognitiv). Aufgrund der
noch sehr unklaren bzw. teilweise widersprüchlichen Befunde zu Ressourcengrenzen der Multi-
Komponenten-Modelle des Arbeitsgedächtnisses, ist die Anwendung einer Single-Limited
Capacity Theory mit einer maximalen Arbeitsgedächtniskapazität von zehn speicherbaren
Chunks zu bevorzugen, wenn von Domainexperten ausgegangen wird (vgl. Bainbridge, 1975;
Bisseret, 1970, 1971; Sperandio, 1969). Ebenso kann davon ausgegangen werden, dass diese
maximale Anzahl von Chunks bei multiplen Ressourcenmodellen auf eine bestimmte (noch
unbekannte) Weise auf die vorhandenen Sub-Systeme aufgeteilt ist. Es ist daher sinnvoll, das
Arbeitsgedächtnis vereinfacht zunächst als durch eine einzelne Kapazität limitiert zu betrachten.
Hierbei wird die Ansicht vertreten, dass der Operateur zur Aufgabenausführung Informationen
im Arbeitsgedächtnis aufrechterhalten muss (Baddeley & Hitch, 1974; Daneman & Carpenter,
1980). Diese Ansicht steht im Gegensatz zu Annahmen des Arbeitsgedächtnisses in Theorien der
Produktionensysteme (z.B. Newell, 1990). In ACT-R beispielsweise sind beide Ansätze
implementiert (Anderson, Reder, & Lebiere, 1996), wobei allerdings keine explizite
Arbeitsgedächtnisstruktur existiert. Vielmehr sind in Anlehnung an die Theorien der
Produktionensysteme die aktuell aktivierten Informationen des deklarativen Gedächtnisses, auf
die Produktionsregeln angewendet werden, als eine Art Arbeitsgedächtnis zu bezeichnen. Es
wird dabei, wie auch bei Cowan (1999, 2010), als aktuell aktivierter Teil des
Langzeitgedächtnisses gesehen. Eine Kapazitätsgrenze im weitesten Sinne liegt hierbei in der
Begrenzung der gesamten Grundaktivierung. Diese weist allerdings ebenfalls Ähnlichkeit mit
dem Konzept einer einzelnen Kapazitätsbegrenzung auf, wie sie beispielsweise auch Kahnemann
(1973) beschreibt (Anderson et al., 1996). Die Ansicht, dass Informationen aufrechterhalten
werden müssen, wird in ACT-R auf prozedurales Wissen angewendet. Hierbei liegt die
Begrenzung in den einzelnen Puffern, in denen immer nur ein Element gleichzeitig
aufrechterhalten werden kann.
Darüber hinaus ist aber auch die ganzheitliche Betrachtung des Mensch-Maschine-Systems
Flugverkehrskontrolle nötig, so dass auch Flughafenprozess und Lotsen-Flughafen-
Interaktionen, sowie Prozesse der Wahrnehmung und Handlungsausführung des Lotsen mit
beschrieben werden müssen. Dies ermöglicht die Betrachtung der Auswirkungen kognitiver
47
Komponenten des Lotsen auf die Leistung des Gesamtsystems, benötigt allerdings eine eher
abstraktere Betrachtung kognitiver Funktionen (makrokognitiv; vgl. Smieszek et al., 2013). Dies
birgt darüber hinaus die Möglichkeit der Wiederverwendbarkeit des Modells und es einem
bereiten Anwendungsspektrum zuzuführen. Für die Entwicklung des Modells sind daher
zunächst Analysen des Systems und der Aufgaben von Lotsen im Feld durchzuführen
(makrokognitiv). Für die genauere Beschreibung einzelner kognitiver Funktionen ist ein
downscaling unter Verwendung kognitionspsychologischer Theorien, die dieses Phänomen
beschreiben, notwendig (mikrokognitiv; vgl. Kapitel 3.2.3).
3.5 KAPITELZUSAMMENFASSUNG
Es wurde zunächst beschrieben, wie ein Mensch-Maschine-System definiert ist, und wie die
Modellierung im Allgemeinen und die kognitive Modellierung und Simulation im Speziellen zur
Gestaltung und Analyse von Mensch-Maschine-Systemen beitragen kann (Kapitel 3.1). Hierbei
wurde die Interdisziplinarität der kognitiven Modellierung herausgestellt, wodurch sich aber
auch verschiedenartige Herangehensweisen zur modellhaften Beschreibung von Mensch-
Maschine-Systemen ergeben. Die kognitionswissenschaftliche Herangehensweise
(mikrokognitive Modellierung) zeichnet sich dadurch aus, dass die genaue Funktionsweise
kognitiver Prozesse im Mittelpunkt der Modellbildung steht und die Untersuchung von
Problemstellungen eher grundlagenwissenschaftlich erfolgt. Modelle werden häufig auf Basis
sogenannter kognitiver Architekturen erstellt (vgl. Kapitel 3.2.1).
Die ingenieurwissenschaftliche Herangehensweise (makrokognitive Modellierung) hingegen
ist eher anwendungsorientiert und weniger auf die genaue Funktionsweise kognitiver Prozesse
fixiert, sondern vielmehr auf den Beitrag kognitiver Prozesse zur Gesamtleistung eines Mensch-
Maschine-Systems (vgl. Kapitel 3.2.2). Es wird allerdings argumentiert, dass sich die beiden
Herangehensweisen nicht gegenseitig ausschließen, sondern sie vielmehr zwei Punkte eines
Kontinuums darstellen und eine Verbindung beider möglich und sogar erstrebenswert ist. Die
vorliegende Arbeit lässt sich dabei eher den makrokognitiven Ansätzen zuordnen, stellt
allerdings die Verbindung zu mikrokognitiven Ansätzen her (vgl. Kapitel 3.2.3). Teilweise
wurden bereits durch existierende mikro- und makrokognitive Modelle verschiedene ähnliche
Problemstellungen, wie sie hier vorliegen, adressiert, wovon einige ausgewählte Modelle
bezüglich Fragestellungen in der Flugverkehrskontrolle, der Luftfahrt, sowie zu mentaler
Beanspruchung vorgestellt wurden. Es ist festzuhalten, dass einige Ansätze dabei vor allem auf
physikalisch-technische Problemstellungen in der Flugverkehrskontrolle fokussieren,
menschliches Verhalten allerdings nicht speziell adressieren. Ferner existieren formale Modelle,
welche zur Analyse menschlichen Verhaltens und im speziellen menschlicher
Entscheidungsheuristiken in der Flugverkehrskontrolle dienen, wobei auch hier kognitive
48
Prozesse eher wenig detailliert betrachtet werden. Mikrokognitive Ansätze beschäftigen sich vor
allem mit der Untersuchung von Fragestellungen der Entscheidungsfindung, des
Fertigkeitserwerbs und mentaler Beanspruchung und berücksichtigen kognitive Prozesse mit
hinreichender Genauigkeit, fokussieren allerdings meist auf den en-route Bereich nur vereinzelt
auf Aufgaben, die mit denen von Towerlotsen vergleichbar sind. Ferner werden der Kontext und
die Aufgabe, meist nur sehr vereinfacht abgebildet. Speziell in den vorliegenden Modellen
mentaler Beanspruchung ist keine theoretische Fundierung vorgenommen worden, so dass hier
Handlungsbedarf identifiziert wurde (vgl. Kapitel 3.3).
Durch die kognitive Modellierung und Simulation kann ein Hilfsmittel geschaffen werden,
welches Nachteile vorhandener Methoden ausgleichen und neue Möglichkeiten eröffnen kann:
So können beispielsweise Vorhersagen der mentalen Beanspruchung unter veränderten
Bedingungen gemacht werden (z.B. veränderte Flugpläne, neue Unterstützungssysteme), was
derzeit nur mittels groß angelegter Simulatorstudien oder Testläufen vor Ort und
entsprechender Erhebung subjektiver, physiologischer und Leistungsmaße möglich ist. Zwar ist
die Erstellung kognitiver Modelle und Simulationen mit hohem Aufwand und Kosten verbunden,
jedoch ist der Nutzen durch die wiederholte Anwendung um ein vielfaches größer (vgl. Kapitel
3.4). Ein solches kognitives Modell bzw. eine kognitive Simulation wird auf Basis einschlägiger
Felduntersuchungen und unter Verwendung kognitionspsychologischer Theorien der
Informationsverarbeitung in dieser Arbeit erstellt werden.
49
4 ENTWICKLUNG EINES MAKROKOGNITIVEN MODELLS DER FLUGHAFEN-
VERKEHRSKONTROLLE (MATRICS)
Im Folgenden sollen die theoretischen Vorarbeiten zur Entwicklung des Modells anhand der
Richtlinien für die Entwicklung kognitiver Simulationen, die Cacciabue (1998) vorschlägt,
beschrieben werden. Hierzu wird zunächst allgemein auf die einzuhaltenden Schritte bei der
Entwicklung kognitiver Simulationen eingegangen (Kapitel 4.1). Die nachfolgenden Kapitel
beschreiben jeweils im Detail die durchgeführten Arbeiten innerhalb der einzelnen
Prozessschritte. Es werden zunächst die Problemgrenzen definiert (Kapitel 4.2), anschließend
die verwendeten Aufgabenanalysen vorgestellt (Kapitel 4.3), sowie auf die Analyse der
Arbeitsumgebung eingegangen (Kapitel 4.4). Die Kapitel 4.5 und 4.6 beschreiben die Erstellung
eines theoretischen Modells und die Auswahl des Beschreibungsmittels. Kapitel 4.7 fasst das
Kapitel zusammen.
4.1 VORGEHENSWEISE ZUR ENTWICKLUNG KOGNITIVER SIMULATIONEN
Cacciabue (1998b) beschreibt ein allgemeines Ablaufschema, welches als Richtlinie der
durchzuführenden Analyseschritte für die Entwicklung kognitiver Simulationen eingehalten
werden sollte. Er definiert sechs Schritte in einem iterativen Prozess, die durchzuführen sind,
um eine solide und zuverlässige Simulation zu erhalten. Diese sind in Abbildung 5 schematisch
dargestellt. Als ersten und wichtigsten Schritt beschreibt Cacciabue (1998b) die Definition der
Problemgrenzen und des Simulationszieles. Hier sollte einerseits das vorliegende Problem, sowie
die Ziele und das erwartete Ergebnis der Simulation bestimmt werden. Unter Anderem ist hier
auch der Detailgrad festzulegen, den das zu untersuchende Problem erfordert (Cacciabue,
1998b). Als zweiten und dritten Schritt sieht Cacciabue (1998b) die Durchführung einer
Kognitiven Aufgabenanalyse, sowie einer Feldstudie der Arbeitsumgebung vor. Beide können
entweder unabhängig voneinander oder in enger Verknüpfung stattfinden. Beide Schritte sind
dabei von großer Wichtigkeit für den Entwicklungsprozess der kognitiven Simulation. Die
Auswahl des theoretischen Modells erfolgt als vierter Schritt. Dieser Schritt ist eng mit dem
Detailgrad der Simulation und dem untersuchten Arbeitsumfeld verbunden. Dabei stellt die
Auswahl eines theoretischen Modells menschlichen Verhaltens und kognitiver Prozesse nur die
Grundlage dar, die weiter unter Anwendung des Beschreibungsmittels in das Arbeitsumfeld
integriert werden muss. Wie in Abbildung 5 zu erkennen ist, können nach Cacciabue (1998b)
zwei Ziele verfolgt werden: Deskriptive oder numerische Simulation. Für die Entwicklung einer
deskriptiven Simulation, müssen nicht alle sechs Schritte befolgt werden, da die zur
numerischen Simulation nötige Implementierung in einer Programmierumgebung entfällt
(Cacciabue, 1998b). Für die hier angestrebte numerische Simulation ist allerdings im Schritt fünf
50
zunächst die Auswahl eines geeigneten Beschreibungsmittels zu treffen8, welche den Modellierer
in die Lage versetzt, durch die Implementierung in einer Programmierumgebung seine gestellten
Ziele zu erreichen.
Wie ebenfalls in Abbildung 5 zu erkennen ist, sind zahlreiche Iterationen zwischen den
einzelnen Schritten vorgesehen, falls in einem bestimmten Schritt der Simulationsentwicklung
die Notwendigkeit für Anpassungen identifiziert wird, so dass ein vorausgehender Schritt
wiederholt bzw. vertieft werden muss.
Es ist außerdem darauf hinzuweisen, dass das dargestellte Flussschema nach Cacciabue (1998b)
in einer eher ingenieurwissenschaftlichen Tradition der Modellbildung steht und daher einen
anderen Fokus setzt als es in der Kognitionswissenschaft oder der Psychologie der Fall ist. Wie
bereits im Abschnitt 3.2 beschrieben, sind Modelle in den Ingenieurwissenschaften oft nur „so
genau wie nötig“ (Engell, 1992). Dies kann mit der makrokognitiven Sichtweise verglichen
8 Der besseren Verständlichkeit wegen wurde die ursprüngliche Bezeichnung des fünften Schrittes
„Auswahl des numerischen Algorithmus“ durch die Bezeichnung „Auswahl des Beschreibungsmittels“
ersetzt.
Abbildung 5: Richtlinien für die Entwicklung kognitiver Simulationen modifiziert nach Cacciabue (1998b)
(eigene Darstellung)
51
werden. In der Psychologie und den Kognitionswissenschaften zielt die Modellbildung eher auf
eine möglichst große Übereinstimmung zwischen Original und Modell ab (Jürgensohn, 2002),
was der mikrokognitiven Sichtweise entspricht.
Gleichzeitig lässt das Cacciabue-Framework einen Schritt vermissen, der vor allem in der
psychologischen Modellbildung, aber auch in den Ingenieurwissenschaften als essentiell
anzusehen ist: Die Validierung, also der Vergleich von Modellverhalten mit experimentellen
Daten. Durch die bloße Erstellung einer kognitiven Simulation kann nicht per se davon
ausgegangen werden, dass diese auch etwas über den Untersuchungsgegenstand aussagt.
Vielmehr ist es die Aufgabe des Modellierers, über die Validierung den Bezug zwischen dem
Modell und dem realen Untersuchungsgegenstand herzustellen (Möhlenbrink, 2011; vgl. auch
Bub & Lugner, 1992).
In der Psychologie geschieht eine solche Validierung mit sehr ausgefeilten Methoden der
statistischen Validitätsmessung. In den Ingenieurwissenschaften sind die eingesetzten
Techniken meist sehr viel einfacher, und geschehen manchmal sogar nur anhand des gesunden
Menschenverstandes des Modellierers oder Modelliererteams durch heuristische Evaluation
oder „mental Simulation“ (Jürgensohn, 2002). Dies liegt vor allem an der Tatsache, dass
ingenieurwissenschaftliche Modelle meist sehr viel mehr freie Parameter enthalten als
psychologische Modelle. Modelle der Psychologie und damit verbundene empirische
Untersuchungen versuchen immer durch die Fokussierung auf eine oder einige wenige
Variablen und die Eliminierung möglichst aller Störvariablen die Komplexität so gut wie möglich
einzuschränken. Dies bringt den Vorteil mit sich, Informationen zu erhalten, die genau den
Sachverhalt betreffen, der im Mittelpunkt der Untersuchung steht. Der Nachteil ist allerdings,
dass die Aufklärungsgüte sich eben auch nur auf diesen einen Parameter beschränkt und die
externe Validität damit nicht immer gegeben ist, da in der Realität immer viele Parameter
miteinander interagieren und sich gegenseitig beeinflussen. Auf der anderen Seite stehen
Modelle mit vielen freien Parametern sehr stark in der Kritik, da ein Modell nur genügend freie
Parameter enthalten muss, um in der Lage zu sein, auf jeden beliebigen Datensatz mit hoher
Präzision zu passen (Roberts & Pashler, 2000; Schunn & Wallach, 2005). Solche
„Stellschraubenmodelle“ können einen bestimmten Sachverhalt oder einen bestimmen
Datensatz sehr gut abbilden. Eine Generalisierung auf andere Datensätze ist allerdings ohne
Anpassung der „Stellschrauben“ nicht möglich. Das bedeutet, dass die freien Parameter neu
gesetzt werden müssen, um auf einen anderen Datensatz zu passen, was zum sogenannten
Overfitting9 führt (Myung, 2000). Modelle mit wenigen freien Parametern passen dagegen auf
9 Mit Overfitting (Überanpassung) wird die Anpassung eines Modells an einen vorliegenden Datensatz
bezeichnet. Ebenso kann Overfitting als Spezifizierung eines Modells beschrieben werden, welches zu
viele erklärende Variablen enthält.
52
den Einzelfall schlechter, sind aber in der Lage mit konstanter Güte eine große Menge
unterschiedlicher Fälle zu beschreiben, ohne dass Anpassungen vorgenommen werden müssen.
Prinzipiell ist eine Validierung im Sinne einer empirischen, psychologischen Testung somit nur
dann möglich, wenn bereits bei der Problemstellung der Fokus auf einen ganz bestimmten
Aspekt des menschlichen Verhaltens gelegt wird, der im Labor sehr gut zu extrahieren ist. Bei
Mensch-Maschine-Modellen, denen ein eher ingenieurwissenschaftlicher Ansatz zugrunde liegt
(also ganzheitlich bzw. makrokognitiv), sind allerdings meist mehrere bis sehr viele
verschiedene Faktoren Teil der Betrachtung, die nicht immer experimentell zu kontrollieren
sind und ihrerseits miteinander interagieren. Für eine Modellvalidierung im Bereich der
makrokognitiven Modellierung bringt dies somit die Schwierigkeit mit sich, dass zwei Dinge
vereint werden müssen, die eigentlich nicht vereinbar sind, nämlich experimentelle Kontrolle
weniger Variablen auf der einen Seite und die Berücksichtigung und Vorhersage vieler Variablen
auf der anderen. Es ist daher ein Balanceakt notwendig, der einerseits der
ingenieurwissenschaftlichen Tradition durch möglichst ganzheitliche Beschreibung des Mensch-
Maschine-Systems Rechnung trägt und makrokognitiv erfolgt, und der gegebenen
Problemstellung aber hinreichend Genüge tut. Andererseits soll auch die psychologische
Tradition der empirischen Modellvalidierung mittels experimenteller Kontrolle weniger
Variablen (also mikrokognitiv) als notwendiger Schritt des Modellbildungsprozesses
Anerkennung finden. Durch diese Synthese beider Wissenschaftsbereiche kann eine neue
Perspektive und eine gute Ergänzung zur klassischen kognitiven Modellierung geschaffen
werden und gleichzeitig der ingenieurwissenschaftliche „gesunde Menschenverstand“ durch
fundierte wissenschaftliche Techniken ergänzt werden. Ein solcher Balanceakt kann dann
gelingen, wenn eine schrittweise Validierung des Modells durchgeführt wird, in dem jede
betrachtete Variable für sich untersucht und ihr Einfluss experimentell bestimmt wird, während
alle anderen Variablen konstant gehalten werden. Bereits bei der Definition der Problemgrenzen
ist daher festzulegen, welche Variablen berücksichtigt werden sollen und wie das Modell im
Anschluss validiert werden kann.
4.2 DEFINITION DER PROBLEMGRENZEN
Der erste und wichtigste Schritt zur Entwicklung kognitiver Simulationen besteht in der
genauen Definition des vorliegenden Problems, der Ziele und der erwarteten Ergebnisse der
Simulation (Cacciabue, 1998b). Für die vorliegende Arbeit wurden einige der Probleme bereits
in den vorangegangenen Kapiteln 1-3 herausgearbeitet, so beispielsweise das steigende
Flugverkehrsaufkommen und die damit verbundene Bedeutung der Erfassung mentaler
Beanspruchung (vgl. Kapitel 1 und 2), sowie das Fehlen adäquater kognitiver Modelle und
Simulationen mentaler Beanspruchung im Bereich der Flughafenverkehrskontrolle.
53
Es steht die Domäne Flugverkehrskontrolle an Flughäfen im allgemeinen Fokus. Hierbei soll
grundlegend eine makrokognitive Herangehensweise verfolgt werden: Das System der
Flugverkehrskontrolle an Flughäfen soll möglichst ganzheitlich beschrieben und eine Vielzahl an
Variablen prinzipiell im Modell abgebildet werden. Hierzu gehört es sowohl den zu
kontrollierenden Prozess (1) als auch die menschliche Kognition (2), sowie deren Interaktionen (3)
modellhaft zu beschreiben (Cacciabue, 1998a, 1998b).
Der zu kontrollierende Prozess ist hierbei der Flughafen und die darauf stattfindenden
Verkehrsbewegungen. Dabei sind sowohl physikalische Gesetzmäßigkeiten, die trivial
erscheinen mögen (z.B. dass Zurücklegen von Entfernungen in Abhängigkeit von der
Geschwindigkeit), als auch regulatorische, vom Menschen geschaffene, Begrenzungen und
Einschränkungen (z.B. die maximal erlaubte Rollgeschwindigkeit von Flugzeugen auf den
Rollwegen) zu berücksichtigen. Diese Variablen sind veränderlich in der Zeit und erzeugen so
dynamische Veränderung des Flughafens. Sie sind durch den Lotsen zu kontrollieren, welcher
durch seine kognitiven Prozesse in die Lage versetzt wird, die ihm gestellten Aufgaben zu
bewältigen. Die Performanz des Lotsen ist dabei von seinen kognitiven Prozessen und
Limitationen abhängig, welche ebenfalls durch eine Vielzahl Variablen beschrieben werden
können (z.B. Motivation, Erfahrung, Arbeitsgedächtniskapazität usw.; vgl. Kap. 2.3). Durch die
Interaktion mit dem Flughafenprozess, kann der Lotse Informationen über den Prozess abrufen
und regulierend eingreifen. Die Zeitabhängigkeit der Interaktionen fügt dabei ein weiteres
Element von Komplexität hinzu (Cacciabue, 1998a). Diese Interaktionen beschreiben den
Austausch von Informationen zwischen Flughafenmodell und Lotsenmodell unter Verwendung
verschiedener digitaler oder analoger Hilfsmittel, welche ihrerseits bestimmte Eigenschaften
aufweisen (z.B. Güte der Funkübertragung, Verwendungsdauer des Funkkanales,
Sichtbedingungen usw.). Hierbei laufen Flughafenprozess und kognitive Prozesse des Lotsen
unabhängig voneinander ab, und synchronisieren sich nur zeitweise durch den Austausch von
Informationen über das Interaktionsmodell. Diesen Zusammenhang stellt Abbildung 6
schematisch dar. Es können mit diesem Ansatz somit eine Vielzahl von Variablen abgebildet
Abbildung 6: Dreiteilung von Mensch-Maschine-Modellen (eigene Darstellung nach Cacciabue, 1998a)
54
werden, welche alle einen Einfluss auf die Performanz des Lotsen und damit die Performanz des
Gesamtsystems besitzen.
Aufbauend auf den Arbeiten von Koros et al. (2003) sollen zur Eingrenzung des
Variablenraumes für das vorliegende Modellierungsproblem diejenigen Faktoren
Berücksichtigung finden, die Lotsen als wichtigste Einflussfaktoren bewertet haben. Hierbei
zeigte sich, dass „hohes Verkehrsaufkommen“ als wichtigster Faktor bewertet wurde. Ebenso
sind „Kreuzen der aktiven Runway“, „Überlastungen der Frequenz“, „Unterschiedliche
Leistungscharakteristika von Flugzeugen“, „Einschränkungen der RWY 10 oder TWYs11 “,
„Konfiguration der RWY/TWYs“, „Maßnahmen der Verkehrsplanung“, „Wirbelschleppen12“,
„Ausbildung am Arbeitsplatz“, „schlechte Sichtbedingungen (durch Wetter)“, „schlechtes
Wetter“, „unvertraute Piloten“, „Verkehr von Fahrzeugen“, und „schlechtes Englisch von Piloten“
oft genannte Komplexitätsfaktoren. Einige dieser Faktoren sind allerdings mit einem
modellgetrieben Ansatz kaum oder schlecht beschreibbar, wie beispielsweise „Maßnahmen der
Verkehrsplanung“ oder „Ausbildung am Arbeitsplatz“. Viele der Faktoren, die als wichtig
erachtet wurden, können modelliert werden und sollen in der vorliegenden Arbeit Beachtung
finden: „hohes Verkehrsaufkommen“, „Überlastungen der Frequenz“, „Wirbelschleppen“,
„schlechte Sichtbedingungen“, „Verkehr von Fahrzeugen“. Wie die einzelnen Faktoren im Detail
im Modell Berücksichtigung finden, wird im Kapitel 5 erläutert.
Um den Problemraum sinnvoll einzugrenzen und damit gleichzeitig die Möglichkeit für eine
experimentelle Modellvalidierung zu schaffen, soll das Modell im vorliegenden Fall verwendet
werden, um den Einfluss des Flugverkehrsaufkommens (der Anzahl der zu kontrollierenden
Flugzeuge innerhalb eines bestimmten Verkehrsszenarios) auf die mentale Beanspruchung des
Lotsen (hier operationalisiert durch die Anzahl der im Arbeitsgedächtnis gespeicherten Chunks;
vgl. Kapitel 3.4) abzubilden. Die maximale Anzahl an speicherbaren Chunks wird dabei auf
Grundlage zahlreicher Studien auf zehn festgelegt (Bainbridge, 1975; Bisseret, 1971; Sperandio,
1969). Alle anderen „äußeren“ Variablen werden im Modell zwar vorgesehen, werden aber
soweit möglich konstant gehalten. Um das Modell möglichst generisch zu halten, wird
sichergestellt, dass eine Abbildung verschiedener Flughäfen mit unterschiedlichster
Konfiguration relativ leicht in das Modell einzubinden ist. Zusätzlich ermöglicht diese
Vorgehensweise die Konfiguration des Flughafens als Komplexitätsfaktor (vgl. Koros et al. 2003)
10 Runway: Start-/Landebahn
11 Taxiway: Rollwege
12 Das Starten und Landen von Flugzeugen erzeugt enorme Luftverwirbelungen, welche das Landen
und/oder Starten direkt nachfolgender Flugzeuge erschweren bis unmöglich machen würden. Daher sind
adäquate Abstände, sogenannte Staffelungsminima, zwischen zwei landenden bzw. startenden Flugzeugen
einzuhalten.
55
mit berücksichtigen zu können13. Um den Einfluss der Anzahl der innerhalb eines bestimmten
Zeitraumes zu bearbeitenden Flugzeuge auf die mentale Beanspruchung untersuchen zu
können, ist es zusätzlich von Bedeutung, dass beliebige Verkehrsszenarien auf dem Flughafen
mit hinreichender Genauigkeit beschrieben werden können.
Das Lotsenmodell wird anhand der Phasen der Handlungsregulation (Hacker, vgl. Kapitel 4.5)
modularisiert. Die für die vorliegende Problemstellung im Mittelpunkt stehenden Funktionen
sind mit ausreichender Gründlichkeit abzubilden. Der ganzheitliche Anspruch des Modells
verlangt aber gleichzeitig die (zumindest funktionelle) Abbildung der nicht im Fokus der Arbeit
stehenden Prozesse, sofern sie essentiell für die Erfüllung der Aufgabe des Lotsen sind. Ferner
wird festgelegt, dass nur ein Lotse den gesamten Ablauf eines Flughafens kontrolliert und die
Arbeit somit nicht, wie in der Realität üblich, auf zwei Positionen aufgeteilt wird (vgl. Kapitel
4.4). Der modulare Aufbau ermöglicht allerdings Anpassungen und/oder Ergänzungen, um zur
Modellierung anderer Problemstellungen, beispielsweise die Einbindung eines zweiten Lotsen-
oder Flughafenmodells zu gewährleisten. Zur Interaktion zwischen Lotsen- und Flughafen-
Modell sollen ferner verschiedene vom Lotsen verwendete Hilfsmittel abgebildet werden (vgl.
Kapitel 4.4). Als weitere Vereinfachung wird festgelegt, dass Piloten, im Gegensatz zum Lotsen,
als zweite menschliche „Komponente“ des Systems Flughafen, nicht explizit mit modelliert
werden, sondern als Teil des Flughafenmodells angesehen werden.
Die wichtigsten Annahmen und Vereinfachungen sind im Folgenden nochmals in Kürze
zusammengefasst:
• Es wird eine ganzheitliche Beschreibung der Domäne Flughafenverkehrskontrolle
angestrebt.
• Es erfolgt eine Dreiteilung des Modells in Flughafen-, Interaktions- und Lotsenmodell
• Das Flughafenmodell beschreibt physikalische Prozesse (z.B. Flugbewegungen) sowie
regulatorische Einschränkungen (z.B. zulässige Rollgeschwindigkeiten) des zu
kontrollierenden Systems.
• Das Interaktionsmodell beschreibt den Informationsaustausch zwischen Flughafen- und
Lotsenmodell. Es werden die wichtigsten Informationsquellen (Flugstreifen,
Außensicht, Radar und Funkkommunikation) modelliert.
• Ferner werden die wichtigsten Komplexitätsfaktoren modelliert: Verkehrsaufkommen,
Belastung der Funkfrequenz, Wirbelschleppen, schlechte Sichtbedingungen, Verkehr
von Fahrzeugen, Flughafenlayout.
13 Die Flughafenkonfiguration wurde bei Koros et al. (2003) als „Airspace Configuration“ („Luftraum-
konfiguration“) bezeichnet.
56
• Zur sinnvollen Eingrenzung des Problemraumes wird nur das Verkehrsaufkommen als
wichtigster Komplexitätsfaktor betrachtet. Alle anderen Komplexitätsfaktoren werden
konstant gehalten.
• Das Lotsenmodell wird anhand der Phasen der Handlungsregulation (Hacker, 1986 vgl.
Kapitel 4.5) modularisiert.
• Phasen, die nicht dem Fokus der Problemstellung der Arbeit stehen, werden zumindest
funktionell abgebildet, sofern sie für die Aufgabenausführung des Lotsen essentiell
sind.
• Zur Modellierung dieser Phasen werden weitere kognitive Theorien implementiert
(beispielsweise Wickens (1984) Theorie multipler Ressourcen zur Beschreibung der
Informationsaufnahme).
• Zur quantitativen Beschreibung der mentalen Beanspruchung des Lotsenmodells wird
ferner ein Arbeitsgedächtnismodul implementiert, welches sich an Single-Limited
Capacity Theorien orientiert und eine maximale Kapazität von zehn
Luftfahrtspezifischen Chunks besitzt (vgl. Kapitel 2.2 und 3.4)
• Ein Chunk enthält dabei jeweils die Information über ein Flugzeug
• Es wird festgelegt, dass nur ein Lotse (nur ein Lotsenmodell) den gesamten Ablauf
eines Flughafens kontrolliert. Es wird keine Aufteilung auf zwei Lotsen (zwei
Lotsenmodelle) vorgenommen (vgl. Kapitel 4.3 und 4.4)
• Piloten werden als zweite menschliche „Komponente“ des Systems nicht explizit
modelliert, sondern als Teil des Flughafenmodells angesehen.
4.3 AUFGABENANALYSE
Für die Erstellung des Lotsen- sowie des Flughafenmodells ist eine genaue Kenntnis der
Abläufe eines Flughafens und der Aufgaben der Lotsen notwendig. Zu diesem Zwecke wurden
neben Regelwerken, wie der Betriebsanweisung für die Flugverkehrskontrolle (BA-FVK; DFS,
2006) und der ICAO4444 (2007)14, die den Ablauf der Flugverkehrskontrolle beschreiben,
bereits vorhandene Aufgabenanalysen aus dem Bereich der Flugplatzkontrolle ausgewertet und
konsolidiert. Ziel war es, diejenigen Aufgabenanalysen herauszufinden, die die nötige Tiefe
aufweisen, um ein möglichst umfassendes Bild der Aufgaben von Towerlotsen zu generieren.
Es existiert eine Vielzahl von Aufgabenanalysen im Bereich Flugverkehrskontrolle, mit
unterschiedlichstem Fokus. Dabei können zunächst zwei Unterscheidungskriterien getroffen
werden: Die analysierte Position (en-route vs. Tower) und die Art der Analyse (hierarchisch vs.
kognitiv). Der Unterschied zwischen hierarchischer (hierarchical task analysis, HTA; vgl. z.B.
Kirwan & Ainsworth, 1992) und kognitiver Aufgabenanalyse (cognitive task analysis, CTA; vgl.
14 ICAO: International Civil Aviation Organization (Internationale Zivilluftfahrt-Organisation)
57
z.B. Crandall, Klein, & Hoffman, 2006) besteht darin, dass bei der CTA die „innere
Wissensstruktur“ des Menschen, also das Wissen, bzw. die Informationen, die der Benutzer zur
Durchführung einer Aufgabe hat oder haben muss, analysiert werden: „CTA covers a range of
approaches used for looking at mental (hence cognitive) internal events or knowledge structures”
(Kirwan & Ainsworth, 1992, S. 392). Bei der HTA hingegen ist das physische von außen
beobachtbare Verhalten von Interesse. Da für die Modellierung der Leistung von Operateuren
sowohl physische als auch die kognitive Aufgaben von Belang sind, wurden hier beide Arten von
Aufgabenanalysen ausgewertet. Beiden gemeinsam ist allerdings die Zerlegung komplexer
Aufgaben in weniger komplexe Unteraufgaben mit Hilfe von sogenannten
Dekompositionsgrafen.
Das zweite Kriterium ist die Position, welche analysiert wurde. Da Forschungen bezüglich der
Flugverkehrskontrolle in den letzten Jahrzehnten vor allem auf den en-route Bereich fokussiert
waren (also denjenigen Lotsen, welche die Staffelung der Flugzeuge im oberen Luftraum
koordinieren), existieren die meisten Analysen für diese Position (vgl. Kapitel 1 und 3).
Während der Recherchearbeiten stellte es sich ferner als schwierig heraus, Zugang zu einigen
Originaldokumenten von Aufgabenanalysen zu erhalten. Daher wurden ebenso bereits
existierende Zusammenfassungen von Aufgabenanalysen in die Untersuchung mit einbezogen.
Buck, Biemans, Hilburn und van Woerkom (1996) fügten beispielsweise die Analysen von
Alexander, Alley, Ammerman, Hostetler und Jones (1988), Endsley und Rodgers (1994),
ETACHIP (1996) und Jackson (1989), sowie die Analyse von Cox (1994a) zusammen und
unterteilten die Aufgabe des Lotsen in diverse Unteraufgaben. Hierbei werden genauere
Informationen auch nur für den en-route Bereich gegeben, obwohl Cox (1994a) sehr detailliert
auf Towerlotsen eingeht. Den gleichen Fokus setzt die integrierte Aufgabenanalyse von
Dittmann, Kallus und Van Damme (2000), die lediglich einen Vergleich zwischen der en-route
und der Towerposition anstellt.
Eine Zusammenfassung verschiedener Aufgabenanalysen, die sich vor allem auf den Bereich
Towerlotsen fokussiert, wurde im Jahr 2006 durch die EUROCONTROL15 durchgeführt (Tavanti,
2006a). Dieses Dokument fasst vier große Aufgabenanalyse-Studien (drei von der
EUROCONTROL selbst, eine von der FAA16) zusammen. Zum einen wird wiederum die
Integrierte Studie von Kallus, Van Damme und Dittmann (1999) beschrieben, die allerdings aus
der hier vorgestellten Betrachtung ausgeschlossen werden muss, da sie auf die en-route Position
fokussiert. Zum anderen werden zwei hierarchische Aufgabenanalysen der EUROCONTROL
beschrieben, welche als Grundlage für das Design neuer Systeme dienen und speziell auf die
15 EUROCONTROL: European Organisation for the Safety of Air Navigation – Internationale Organisation
zur Koordination in der Luftverkehrskontrolle in Europa
16 FAA: Federal Aviation Administration – Bundesluftfahrbehörde der USA
58
Aufgaben von Towerlotsen eingehen – eine aus dem MANTEA17 Projekt (Paul, Zografos, &
Hesselink, 2000; Rossi et al., 1996), die andere aus dem ATHOS18 Projekt (Courboulay & Kahn,
1996; Marti, 1998, 2000). Als viertes wird eine bereits 1988 durchgeführte hierarchische
Aufgabenanalyse der FAA beschrieben, welche die wohl umfangreichste der hier beschriebenen
Analysen darstellt (Ammerman, Becker, et al., 1988). Die Grundlage für diese Arbeit bilden
damit die eben beschriebenen drei Aufgabenanalysen der Towerpositionen. Ferner wurde eine
zusätzliche hierarchische Aufgabenanalyse hinzugezogen, die 2009 in Deutschland von der
Firma Human-Factors-Consult für das DFS-Projekt VICTOR19 durchgeführt wurde (Human-
Factors-Consult, 2009), sowie eine Analyse des Royal Air Force Institute of Aviation Medicine
(Cox, 1994a, 1994b), welche sich ebenfalls explizit mit Towerlotsen beschäftigen.
4.3.1 AUFGABEN, VERANTWORTLICHKEITEN, VERPFLICHTUNGEN
Zusätzlich zu konkreten Aufgaben ist in der Literatur oft auch von Verantwortlichkeiten und
Verpflichtungen die Rede, welche allerdings klar von Aufgaben zu unterscheiden sind und eher
mit den Bearbeitungsprioritäten von Verkehrspiloten (aviate, navigate, communicate) zu
vergleichen sind und demzufolge wenig Details zur Lotsentätigkeiten beschreiben. Es handelt
sich also mehr um höhergestellte Zielsetzungen, die mit konkret auszuführenden Aufgaben und
Handlungen zu erreichen sind. So beschreiben Wickens, Mavor und McGee (1997) drei „key
responsibilities“ also drei Verantwortlichkeiten:
• Freigaben erteilen
• Bodenverkehr leiten
• Abgabe abfliegender und Annahme ankommender Flugzeuge vom Radarlotsen
Wittbrodt und Thüring (2010) beschreiben vier „Hauptaufgaben“ von Towerlotsen:
• communication
• coordination
• monitoring/direct information search
• logging/documentation
Eine zusätzliche Pflicht des Lotsen sieht Nolan (2011) in der Verhinderung von Runway
Incursions20. Diese Pflicht steckt bereits in der von der ICAO (ICAO4444, 2007) vorgegebenen
und in der Betriebsanweisung Flugverkehrskontrolle (BA-FVK; DFS, 2006) übernommenen
Zielsetzung der „Vermeidung von Zusammenstößen am Boden“. Die Erfüllung dieser Pflicht ist
wiederum durch konkrete Handlungsausführungen sowie Denk- und Planungsprozesse
nachzukommen. Ob im Ernstfall allerdings die Hauptverantwortlichkeit für die Verhinderung
17 MANTEA: Management of Surface Traffic in European Airports
18 ATHOS: Airport Tower Harmonised Controller System
19 VICTOR: Virtual Control Tower Research Studies
20 Für eine genaue Definition von Runway Incursions sei auf Huber (2012) verwiesen.
59
von Runway Incursions beim Lotsen oder beim Piloten liegen sollte, ist eine schwierige Frage
und wird unter anderem bei Huber (2012) diskutiert. Für die vorliegende Arbeit wird davon
ausgegangen, dass diese Pflicht insoweit gilt, als dass durch die Ausführung der nötigen
Aufgaben alle vorbeugenden Maßnahmen ergriffen werden sollten, um eine gefährliche
Annäherung zweier Flugzeuge auf dem Rollfeld zu verhindern. Dies gilt gleichermaßen für
Flugzeuge und Bodenfahrzeuge. Es können grundlegend zwei Arbeitsplätze bzw. Positionen
unterschieden werden: TWR-Position (Platzverkehrslotse), welche für die Abwicklung von für
Starts und Landungen zuständig ist, sowie die GND-Position (Rollverkehrslotse) welche für den
Rollverkehr zuständig ist (vgl. Kapitel 4.4).
4.3.2 BESCHREIBUNG DER AUFGABENANALYSEN
Für die Generierung eines umfassenden Bildes und eines Status-Quo der Aufgaben von
Towerlotsen wurden die folgenden Aufgabenanalysen in die engere Auswahl einbezogen. Da bei
einigen Analysen die Originaldokumente nicht mehr erhältlich sind, ist jeweils angegeben, wo
auf Sekundärliteratur zurückgegriffen werden musste. Es wurden die folgenden
Aufgabenanalysen in eine engere Auswahl einbezogen, da sie sich speziell mit dem Towerlotsen
beschäftigen:
• Analyse aus dem EUROCONTOL-Projekt MANTEA (Rossi et al., 1996);
(Sekundärliteratur: Buck et al., 1996; Marti, 1998, 2000; Tavanti, 2006a)
• Analyse und dem EUROCONTROL-Projekt ATHOS (Courboulay & Kahn, 1996);
(Sekundärliteratur: Buck et al., 1996; Marti, 1998, 2000; Tavanti, 2006a)
• Analyse der FAA; (Primärliteratur: Alexander et al., 1989; Ammerman, Fairhurst,
Hostetler, & Jones, 1988; Ammerman, Becker, et al., 1988)
• Analyse aus dem DFS-Projekt VICTOR; (Primärliteratur: Human-Factors-Consult, 2009)
• Analyse des Royal Air Force Institute of Aviation Medicine; (Primärliteratur: Cox,
1994a, 1994b)
Im Folgenden werden die einzelnen Analysen genauer beschrieben, sowie deren
Verwendbarkeit analysiert.
4.3.3 ANALYSE AUS DEM EUROCONTROL-PROJEKT MANTEA
Die Analyse des MANTEA-Projektes ist in Tavanti (2006a) beschrieben. Das Ziel dieses
Projektes war die Entwicklung von Entscheidungsunterstützungssystemen zur Verbesserung
des Managements des Oberflächenverkehrs an Flughäfen. Das MANTEA-Projekt beinhaltet
außerdem die Automatisierung von Funktionen wie der Planung des Oberflächenverkehrs und
Überwachung der Übereinstimmung mit Instruktionen, die Erkennung potentieller Konflikte
und ihre Lösung (Tavanti, 2006a). Die MANTEA-Studie analysiert die beiden Positionen TWR
60
und GND. Die Studien wurden in den zwei Towern Rom-Fiumicino und Amsterdam-Schipol
durchgeführt. Hierbei wurde nach der typischen Zerlegung von Hauptaufgaben in
Unteraufgaben vorgegangen, wie es bei einer hierarchischen Aufgabenanalyse üblich ist
(Tavanti, 2006a). Für die Erstellung eines generalized task models (GTM) wurde die Methode
MUSE (Method for Usability Engineering) verwendet (Lim & Long, 1994).
Die Dekompositionsgrafen beider Positionen weisen einen ähnlichen, aber recht geringen
Detailgrad auf. Es sind daher keine konkreten Rückschlüsse auf detaillierte Handlungen oder
kognitive Prozesse möglich. Im Gegensatz zu Cox (1994a, 1994b, siehe unten) liefert die Analyse
des MANTEA-Projekts eher einen groben Überblick über die allgemeinen Tätigkeiten des Lotsen,
als eine detaillierte Beschreibung der Arbeitsabläufe.
4.3.4 ANALYSE AUS DEM EUROCONTROL-PROJEKT ATHOS
Das ATHOS-Projekt lief von 1996 bis 2000 und hatte die Ausarbeitung einer neuen Mensch-
Maschine-Schnittstelle für Flughafentower zum Ziel, die in zukünftige A-SMGCS-Systeme21
integriert werden sollte. Die Daten der ATHOS-Studien wurden an fünf repräsentativen
Flughäfen erhoben (Buck et al., 1996; Courboulay & Kahn, 1996; Marti, 1998, 2000): Paris-
Charles-De Gaulle, Madrid-Barajas, Palma de Mallorca, Amsterdam Schipol und Frankfurt a. M..
Nach einer Analyse vor Ort wurde auch hier ein Task Analysis Model erstellt. Allerdings weist
bereits Tavanti (2006a) darauf hin, dass über die verwendete Methodologie zur
Aufgabenanalyse nur eine sehr kurze Stellungnahme existiert. Sie geht aber davon aus, dass
dieselbe Methodik verwendet wurde, wie für das MANTEA-Projekt. Weiterhin war nur der
Report auffindbar, der die Aufgabenanalyse des Flughafens Paris-Charles-De-Gaulle beschreibt.
Ein weiterer Mangel des Dokumentes ist das Fehlen einer ausführlichen Beschreibung der
Aufgaben, sodass diese oft nicht völlig verständlich sind. Ebenso ist für das ATHOS-Projekt nur
die Position des TWR beschrieben. Auch diese Analyse weist einen ähnlichen Detailgrad wie die
des MANTEA-Projektes auf.
4.3.5 ANALYSE DER FAA (FAA AIR TRAFFIC CONTROL OPERATIONS CONCEPTS)
Die Analyse der FAA umfasst sieben Bände, wobei der fünfte gänzlich den Towerlotsen
gewidmet ist und sich auf Controller in der sogenannten Tower Control Computer Complex
(TCCC)-Umgebung bezieht (Ammerman, Becker, et al., 1988). Band sieben beschäftigt sich mit
Lotsen in der damaligen aktuellen Tower-Umgebung (Alexander et al., 1989). Im ersten Band
werden der Zweck der Analyse, sowie der betriebliche Hintergrund und die Methodik, nach der
die Studien durchgeführt wurden, beschrieben (Ammerman, Fairhurst, et al., 1988). Alle
Analysen wurden im amerikanischen Flugverkehrskontrollsystem durchgeführt und beziehen
21 Advanced Surface Movement Guidance and Control System – Ein Kontrollsystem, welches den Lotsen
beim Kontrollieren und Steuern des Verkehrs am Boden eines Flughafens unterstützen soll.
61
sich somit auch auf Lotsen im amerikanischen Raum. Eine Übertragbarkeit der identifizierten
Aufgaben, der verwendeten Hilfsmittel, sowie der Abläufe und Aufteilungen der
Verantwortungen in einzelnen Positionen auf den europäischen Luftraum ist damit nicht
anzunehmen, da sich die Regulationen teilweise stark unterscheiden können. Weiterhin wurde
diese Studie bereits 1988 durchgeführt, und es kann davon ausgegangen werden, dass das
Flugverkehrskontrollsystem seither starken Veränderungen unterworfen war, sei es durch
technische Neuerungen, durch Zunahme des zu kontrollierenden Luftverkehrs oder auch durch
Änderungen der Aufgaben und Rollenverteilungen. Aus diesen starken Einschränkungen ergab
sich die Notwendigkeit, die Analyse aus der weiteren Betrachtung auszuschließen.
4.3.6 ANALYSE AUS DEM DFS-PROJEKT VICTOR
Die Studie von Human-Factors-Consult (2009) besitzt, wenngleich sie sehr aktuell ist, ebenfalls
einige Einschränkungen: Sie basiert nach eigenen Angaben auf den Ergebnissen des MANTEA
und ATHOS-Projektes, welche aber mit eigenen Beobachtungen und Datenerhebungen an den
Regionalflughäfen Niederrhein und Dortmund verglichen wurden. Da einige Unterschiede in der
Aufgabenverteilung an Regionalflughäfen und größeren Flughäfen bestehen: „ist zu beachten,
dass sich die identifizierten Aufgaben bei dieser Aufgabenanalyse auf die Arbeitsrealität der
Fluglotsen in Niederrhein und Dortmund bezogen, wo teilweise keine klare Aufgabentrennung von
Platz- und Rollverkehrslotse bestand.“ (Human-Factors-Consult, 2009, S. 5). Es wurde daher auch
keine Trennung zwischen Rollverkehrs- und Towerlotse vorgenommen. Zusätzlich wird darauf
hingewiesen, dass das Ziel darin bestand „…ausschließlich die Aufgaben systematisch zu
analysieren, bei denen visuelle Informationen aus der Umwelt bezogen werden.“ (Human-Factors-
Consult, 2009, S. 5). Somit fokussiert die Aufgabenanalyse weniger darauf, welche Handlungen
konkret vollzogen werden müssen (durch welche konkreten Handlungsschritte oder
Denkprozesse), sondern mehr darauf, an welchen Objekten sie zu vollziehen sind. Die
Aufgabenanalyse fließt in den Modellerstellungsprozess daher insofern ein, als dass sie
einerseits ein allgemeines Bild der Arbeit von Towerlotsen vermitteln kann und andererseits
Hinweise darauf enthält, aus welchen Informationsquellen der Lotse welche Informationen zieht
und welche Hilfsmittel er verwendet, um seine Aufgaben auszuführen.
Es können zwei Hauptaufgaben als wichtig für die Modellierung herausgestellt werden:
(1) Beobachtung aller sichtbaren (Flug-) Bewegungen auf den Betriebsflächen und in der
Umgebung des Flughafens;
(2) Erteilung notwendiger Freigaben und Anweisungen an Luftfahrzeuge.
Für die Hauptaufgabe 1 konnte festgestellt werden, dass Fluglotsen für die Ausführung ihrer
Aufgaben immer die gleichen Basisinformationen benötigen: Typ/Identifizierung (Flugzeugtyp;
Rufzeichen), Position, Lage/Orientierung (z.B. Ausrichtung der Nase), Zustand (z.B. Triebwerke,
62
Fahrwerk) und Verhalten (Bewegungsrichtung, Beschleunigung). Für die Hauptaufgabe 2 wurde
festgestellt, dass die Kontrolle der Objekte hauptsächlich auf deren aktuellem Aufenthaltsort
beruht und nicht so sehr vom Bewegungszustand abhängt.
4.3.7 ANALYSE DES ROYAL AIR FORCE INSTITUTE OF AVIATION MEDICINE
Das Hauptziel der Analyse von Cox (1994a, 1994b) war die Unterstützung von Risikoanalysen
in der Flugverkehrskontrolle. Sie sollte die nötigen Informationen liefern, um
Fehlerentstehungen besser einschätzen zu können. Sowohl die eigentlichen Analysen und die
Dekomposition der Aufgaben als auch der Report selbst sind sehr ausführlich und detailliert. Die
Analyse wurde in drei Teile unterteilt: den Hauptreport (Volume 1: Main report; Cox, 1994a), die
Anhänge mit den genauen Dekompositionsgraphen (Volume 2: Appendices; Cox, 1994b), sowie
die eigentliche Zuverlässigkeitsanalyse (Volume 3), die höchstwahrscheinlich nie veröffentlicht
wurde.
Im Hauptreport wird genau auf die Analysemethode und die Art und Weise der Datenerhebung
eingegangen, sowie die Aufgaben sehr ausführlich beschrieben. Es werden die vier Positionen
en-rounte, TMA22, sowie Approach und Departure (TWR; wobei nochmals zwischen dual und
single runway operation unterschieden wird23), sowie Ground Movement Controller (GND)
behandelt. Zusätzlich wird noch auf die Lösung von Konflikten und die Reaktionen bei Notfällen
eingegangen. Der Autor hielt sich hierbei so genau wie möglich an die Methodik der
hierarchischen Aufgabenanalyse. Die Informationen wurden durch Cox selbst durch relativ
kurze Besuche in den verschiedenen von der NATS24 betriebenen Einrichtungen gesammelt. Die
Analysen der Towerlotsen-Aufgaben wurden sowohl in London Heathrow (dual runway
operation) als auch London Gatwick (single runway operation) durchgeführt. Die
Beobachtungen erfolgten außerdem zu verschiedenen Tages- und Nachtzeiten. Zusätzlich
wurden semi-strukturierte Interviews durchgeführt, um einzelne Aufgabenelemente zu
verdeutlichen, die beobachtet wurden und um Informationen zu Situationen zu erhalten, die
nicht beobachtet wurden. Zusätzliche Informationen zog Cox aus Journal-Artikeln und der
bereits genannten Analyse der FAA (Alexander et al., 1989; Ammerman, Becker, et al., 1988).
Letztere verwendete er allerdings nur als allgemeine Richtlinie.
Wie beschrieben wurde die TWR-Position sowohl für dual als auch single runway operations
untersucht. Da in der vorliegenden Arbeit davon ausgegangen wird, dass ein Lotse die Kontrolle
des Flughafens vornimmt, werden die bei Cox für single runway operation beschriebenen
22 TMA: Terminal Manoeuvring Area; auch Terminal Control Area (TCA) genannt: Kontrolle des
Luftverkehrs in einiger Umgebung um den Flughafen, in dem Sink- und Steigflüge vorgenommen werden.
23 Dual-Runway operation besteht an Flughäfen, mit zwei parallelen Pisten, wobei eine Piste nur für Starts,
die andere nur für Landungen verwendet wird. Single-Runway operation besteht an Flughäfen mit nur
einer Piste, wobei diese sowohl für Starts als auch Landungen verwendet wird.
24 National Air Traffic Services; Flugsicherungsorganisation Großbritanniens
63
Aufgaben verwendet. Für die Position des Towerlotsen (TWR) werden sieben Hauptaufgaben
beschrieben (Cox, 1994b, Anhang J, S.1):
(1) Formulierung eines Plans zur Integration der Bewegungen der Ankünfte und Abflüge
(„Forlulate plan to integrate arrivals and departures“)
(2) Führung der Abflüge („Conduct aircraft departures“)
(3) Führung der Ankünfte („Conduct aircraft arrivals“)
(4) Durchführung von Routineaufgaben („perform routine ‘maintenance’ tasks“)
(5) Übergabe der Kontrolle über die Abflüge an die nächste Behörde („Transfer control of
departures to next agency“)
(6) Übergabe der Kontrolle über die Ankünfte an den Rollverkehrslotsen („Transfer control
of arrivals to Ground Movement Controller“)
(7) Handlungen nachdem Flugzeug Zuständigkeitsbereich verlassen hat („Perform actions
after aircraft has left tower control“)
Grundsätzlich muss dieser Lotse die Landungen und Starts sicher und effizient integrieren, um
eine maximale Nutzung der Start-/Landebahn zu erreichen. Dazu kann er verschiedene
sogenannte Conditional Clerances (bedingte Freigaben) vergeben (z.B. „…after next landing, line
up and wait Runway 25R“). Weiterhin ist an Flughäfen eine zweite Lotsenposition besetzt, die
für den Bodenverkehr zuständig ist (GND). Für die GND-Position beschreibt Cox acht
Hauptaufgaben (Cox, 1994b, Anhang O, S.1):
(1) Annahme von Flugzeugen von der vorhergehenden Position („Accept aircraft from
previous control position“)
(2) Formulierung eines Plans zur Integration der Bewegungen der Ankünfte und Abflüge
(„Forlulate plan to integrate movements of arrivals and departures“)
(3) Führung der Ankünfte zum Stand („Conduct direction of arrivals to stand“)
(4) Führung der Abflüge zur Startbahn („Conduct direction of departures to (departures)
runway“)
(5) Führung gezogener (Luft-)Fahrzeuge („Conduct direction of towed aircraft“)
(6) Durchführung von Routineaufgaben („Perform routine ‘maintenance’ tasks“)
(7) Bearbeitung von Notfällen am Boden („Conduct handling of ground emergency“)
(8) Übergabe der Kontrolle der Abflüge an die nächste Behörde („Transfer control of
departures to next agency“)
Die hier beschriebenen Hauptaufgaben stellen die obere Ebene der jeweiligen
Dekompositionsgrafen dar und sind in zahlreiche Unteraufgaben und kleinere
Handlungsschritte unterteilt (vgl. Kapitel 4.5). Die Analyse von Cox (1994a, 1994b) weist einen
hohen Detailgrad auf, weshalb hauptsächlich diese, verwendet wurde, um das theoretische
64
Modell (Kapitel 4.5) und somit einen prototypischen Arbeitsablauf von Towerlotsen als
integratives Prozessmodell zu erstellen (vgl. Smieszek, Huber, & Jürgensohn, 2011).
4.4 FELDSTUDIE DER ARBEITSUMGEBUNG
Für die Studie der Arbeitsumgebung wurde je ein Besuch im Flughafentower Berlin Schönefeld
im Mai 2011, sowie im Flughafentower Braunschweig-Wolfsburg im Februar 2013 durchgeführt,
um einen Eindruck der Arbeit im Tower zu erhalten, und die Möglichkeit zu haben, den Lotsen
persönlich Fragen zu stellen. Es wird zunächst allgemein auf die Abläufe und die
Zuständigkeiten der Towerlotsen eingegangen. Anschließend wird kurz auf die zur Verfügung
stehenden Informationsquellen und Hilfsmittel eingegangen, bevor die einzelnen Positionen
TWR und GND, sowie die allgemeinen Abwicklungsprioritäten beschrieben werden.
Zusätzlich wurde eine Analyse zahlreicher Literatur zur Flugverkehrskontrolle durchgeführt
(DFS, 2006; Durso & Manning, 2008; Federal Aviation Administration, 2011; ICAO4444, 2007;
Mensen, 2004; Merz, 2007; Nolan, 2011; Pinska & Bourgois, 2005; Pinska, 2008; Stubbe, 2011;
Tavanti, 2006b). Hierbei wurden die Zuständigkeiten der Lotsen und die damit verbundenen
Pflichten, die zur Aufgabenerfüllung zur Verfügung stehenden Hilfsmittel, sowie die allgemeinen
Regularien und Beschränkungen der Flugverkehrskontrolle und die benötigten Informationen
analysiert.
4.4.1 ALLGEMEINE ABLÄUFE UND ZUSTÄNDIGKEITEN
Abbildung 7 stellt die Hauptphasen des finalen Anfluges und die zugehörigen Tätigkeiten der
Towerlotsen grafisch dar. Flugzeuge werden von der Ankunft/Abflug-Position (APP; Final
Approach/ Departure unit) an den TWR übergeben, welcher für Starts und Landungen zuständig
ist. Anschließend werden sie an den GND, der für den Bodenverkehr zuständig ist,
weitergegeben. Der Zuständigkeitsbereich der Towerlotsen umfasst den gesamten Flughafen.
Eine genaue Trennung der Zuständigkeiten zwischen den Tower-Positionen und der
vorgeschalteten Approach-Position (zuständig für die Koordination der An- und Abflüge in
weiterer Umgebung um den Flughafen) ist nicht streng definiert und hängt von lokalen
Gegebenheiten ab (ICAO-9426, 1984; Tavanti, 2006b). Am Stockholmer Flughafen Arlanda
beispielsweise hat der Bereich, für den der Towercontroller zuständig ist, eine Größe von 20NM
(Nautische Meilen) um den Flughafen herum (Tavanti, 2006b). In den meisten Fällen gibt es
sogenannte Letters of Agreement zwischen den Approach- und den Tower-Positionen, in denen
die Zuständigkeitsbereiche beschrieben werden (Nolan, 2011). Die Hauptaufgabe von
Flughafenverkehrslotsen sind in der ICAO4444 (2007) definiert:
65
Abbildung 7: Phasen des Finalen Anfluges und die dazugehörigen Aufgaben des Towerlotsen (eigene Darstellung nach Tavanti,
2006b)
„Aerodrome control towers shall issue information and clearances to aircraft under their control
to achieve a safe, orderly and expeditious flow of the air traffic on and in the vicinity of an
aerodrome with the object of preventing collision(s) between:
a. aircraft flying within the designated area of responsibility of the control tower, including
the aerodrome traffic circuits;
b. aircraft operating on the manoeuvring area;
c. aircraft landing and taking off;
d. aircraft and vehicles operating on the manoeuvring area;
e. aircraft on the manoeuvring area and obstructions on that area” (S. 7-1)
Dabei ist das sogenannte Manoeuvring Area „that part of an aerodrome to be used for take-off,
landing and taxiing of aircraft, excluding aprons” (ICAO4444, 2007, S.1-11). Damit ist die
Manoeuvring Area von der Movement Area zu unterscheiden, welche zusätzlich die Aprons25
beinhaltet. Diese Unterscheidung ist wichtig im Hinblick auf die Zuständigkeiten der Lotsen,
denn nur die Manoeuvring Area ist abhängig von der Aufsicht und Führung des Lotsen. Nach
Bergé (2005) sollte die Aufsicht allerdings auch Flugzeuge auf dem Vorfeld mit einbeziehen, da
der Lotse die Position des Flugzeuges kennen muss, um spätere Konflikte auf der Manoeuvring
Area zu verhindern. Auch in der ICAO4444 wird eine solche Überwachung gefordert:
„Aerodrome controllers shall maintain a continuous watch on all flight operations on and in the
vicinity of an aerodrome as well as vehicles and personnel on the maneuvering area. Watch shall be
25 Apron: Vorfeld; Abfertigungs-, Rangier-, Abstell- und Wartungsfläche für Luftfahrzeuge. Diese können
auch weiter entfernt vom Terminal liegen.
66
maintained by visual observation, augmented in low visibility conditions by an ATS surveillance
system when available” (ICAO4444, 2007, S.7-1).
Für die Modellierung bedeutet dies, dass prinzipiell zwei Positionen modelliert werden
müssen. Aufgrund der bereits in Kapitel 4.2 beschriebenen Einschränkung soll aber nur ein
Lotse (bzw. ein Lotsenmodell) die Aufgaben beider Positionen übernehmen.
4.4.2 HILFSMITTEL ZUR INFORMATIONSAUFNAHME UND AUFGABENBEARBEITUNG
Abbildung 8: Der Kontrolltower Berlin Tegel von innen (Bildquelle: DFS; http://www.dfs.de/dfs_homepage/mediathek/de/
Defaults/Mediatheken/DFS-Fotos%3A/04%2006%2011%20KE%200519-01_18x24.jpg)
Zur Aufgabenausführung steht den Lotsen eine Reihe von Hilfsmitteln zur Verfügung. Diese
sollen im Interaktionsmodell modelliert werden. Eines der wichtigsten Werkzeuge der
Fluglotsen allgemein sind die sogenannten Kontrollstreifen oder Flightstrips (vgl. Abbildung 9).
Kontrollstreifen „constitute a highly flexible means of planning departure sequences and can be
written on, re-ordered and otherwise physically manipulated in this process” (Fields, Amaldi, &
Tassi, 2003 nach Tavanti, 2006b). Diese Kontrollstreifen stellen eine Repräsentation jedes
einzelnen Flugzeuges dar. Die Strips enthalten zahlreiche „statische“ Informationen über den
Flug, wie beispielsweise das Rufzeichen, die geschätzte Ankunfts- oder Abflugszeit, woher das
Flugzeug kommt, wohin es fliegt, wann es abfliegt uvm. Zusätzlich können per Hand wichtige
Informationen des Verhaltens der Flugzeuge hinzugefügt werden (z.B. Freigaben, Position am
Boden; Marti, 2000). Jeder Kontrollstreifen wird dem betreffenden Lotsen einige Minuten, bevor
das Flugzeug Kontakt aufnimmt und der Lotse die Kontrolle übernimmt, zugestellt. Es gibt
jeweils einen Flugstreifen pro Flugzeug und das physische Weiterreichen von einer Position zur
67
nächsten kennzeichnet den Transfer der Verantwortlichkeit für das Flugzeug. Die
Kontrollstreifen werden in der für den jeweiligen Lotsen angemessenen Reihenfolge auf einem
sogenannten Stripboard (oder Stripbay) platziert. Somit beschreibt die Reihenfolge der Strips
auf dem Board die Reihenfolge der Abarbeitung des Verkehrs (Marti, 2000). „The strip board is
interesting as it provides a picture of the situation at hand, a plan of the traffic evolution and the
associated estimate of the controlled workload, and a memory of activity” (Marti, 2000, S.68). Die
Flugstreifen dienen damit der Externalisierung von Informationen. Das bedeutet, dass nicht alle
Informationen zu Flugzeugen im Arbeitsgedächtnis aufrechterhalten werden müssen, da sie auf
dem Flugstreifen enthalten sind und jederzeit von dort abgerufen werden können. In einigen
Kontrolltowern sind mittlerweile elektronische Flugstreifen im Einsatz (u.a. in Berlin
Schönefeld), die die Übergabe von einer Position zur anderen immens vereinfachen, da sie per
EDV übermittelt werden können und nicht mehr händisch übergeben werden müssen. Für
weitere Ausführungen zu den möglichen Auswirkungen der Umstellung von Papier auf
elektronische Flugstreifen sei auf Berndtsson & Normark (1999), Durso, Batsakes, Crutchfield,
Braden, & Manning (2004), Durso & Manning (2008), Mackay (2000), sowie Truitt (2005, 2006)
verwiesen.
Ein Beispiel für einen einfachen Papierstreifen, wie er auch im Validierungsversuch verwendet
worden ist, ist in Abbildung 9 dargestellt. Jeder Teil des Flugstreifens trägt eine spezifische
Information über das Flugzeug. Außerdem ist der Streifen „[…] a shared note pad conveying to
the members of the team what actions have been taken with respect to particular aircraft […]“
(Bentley et al., 1992, S. 126).
Als zweites wichtiges Hilfsmittel und primäre Informationsquelle dient die Außensicht, über die
alle Informationen über die aktuelle Verkehrssituation durch einen Blick auf den Flughafen
erhalten werden können. Zur direkten Kommunikation mit den Führern der betreffenden
Luftfahrzeuge steht außerdem ein Funkgerät zur Verfügung. Weitere Hilfsmittel sind das
Bodenradar, welches die Flugzeugbewegungen am Boden darstellt, ein Luftradar auf dem
landende und alle Flugzeuge in der näheren Umgebung des Flughafens dargestellt werden (für
Abbildung 9: Beispiel für einen Flugstreifen (eigene Darstellung)
68
den TWR controller), ein Flight Data Processing System (FDP), welches diejenigen Daten anzeigt,
die den jeweiligen Flug betreffen (z.B. Rufzeichen, Flugzeugtyp, time slot, zugeordnete RWY
usw.), ein Interface zur Steuerung der Beleuchtungssysteme, ein Wetterinformationsdisplay, sowie
ein Telefon. (Tavanti, 2006b; vgl. auch Manske, von Schlippe, & Möhlenbrink, 2013). Für die
Modellierung werden hierbei nur die primären Informationsquellen Außensicht, Funk-
kommunikation und Flugstreifen betrachtet, da diese als am Wichtigsten anzusehen sind. Alle
anderen Hilfsmittel sind eher von geringerer Wichtigkeit (vgl. Pinska & Bourgois, 2005; Pinska &
Tijus, 2007; Pinska, 2006, 2008).
4.4.3 POSITION TOWERLOTSE (TWR)
Neben den Hilfsmitteln sind die Zuständigkeiten der beiden bereits beschriebenen Positionen
für die Modellierung von Bedeutung, um zu definieren, auf welche Bereiche sich die
Verantwortung erstreckt und welche Besonderheiten es zu beachten gilt. Die Bezeichnung der
Position des Towerlotsen (TWR) ist dabei etwas irreführend, denn alle Lotsen am Flughafen
sitzen schließlich im Tower. Ist allerdings von der Position TWR die Rede, sind diejenigen Lotsen
gemeint, die speziell für die Handhabung von Ankünften und Abflügen, sprich Starts- und
Landungen zuständig sind. Laut der ICAO4444 (2007) ist die TWR-Position „normally
responsible for the operations on the runway and aircraft flying within the area of responsibility of
the aerodrome control tower” (S.7-1). Das bedeutet, dass die Aufgabe der TWR-Position darin
besteht, ankommende Flugzeuge in einen flüssigen und geordneten Ablauf zu bringen und
ausgehenden Verkehr in diesen Ablauf einzuordnen, sodass ausreichend Staffelung zwischen
den landenden und startenden Flugzeugen eingehalten wird (Nolan, 2011). Der TWR-Lotse ist
zuständig für: 1) die landenden Flugzeuge bis diese die Landebahn verlassen, 2) die
ausgehenden Flüge von der Halteposition zum Start bis das Flugzeug zur APP-Position
übergeben wird (Tavanti, 2006b). Der TWR ist die erste Anlaufstelle für ankommende Flüge
direkt nach der APP-Position. Er gibt die Landefreigabe („cleared to land“) bzw. die Startfreigabe
(„cleared for take off“) bei ausgehendem Verkehr, sowie Informationen über Wetter- und
Windverhältnisse. Der TWR muss die Zustände und den Status aller Start-/Landebahnen
kennen. Der Belegungsstatus der Piste wird durch direkte Beobachtung (Außensicht) und das
Radar kontrolliert. Hat ein ausgehendes Flugzeug den Zuständigkeitsbereich des Flughafens
verlassen, leitet der TWR das Flugzeug zur APP-Position weiter. In Koordination mit der APP-
Position ist der TWR für die Definition der angemessenen Runway-Konfiguration
verantwortlich: „the runway or runways that, at a particular time, are considered by the
aerodrome control tower to be the most suitable for use by the types of aircraft expected to land or
take off at the aerodrome” (ICAO4444, 2007, S.7-2). Außerdem ist diese Position für die
Erstellung der Sequenz ausgehender Flüge zuständig (für die Erstellung der Sequenz
ankommender Flüge ist die APP-Position zuständig.). Für diese Aufgabe ist die Kenntnis der
69
sogenannten Wirbelschleppenkategorie des Flugzeugs oder dessen Typ, sowie der Beziehungen
zu den vorausgegangenen und nachfolgenden Flugzeugen von enormer Wichtigkeit. Nach der
ICAO4444 (2007, S.4-11) werden drei Kategorien von Flugzeugen unterschieden:
(1) HEAVY (H) – alle Flugzeuge mit einem Gewicht von 136.000 kg und mehr
(2) MEDIUM (M) – alle Flugzeuge mit einem Gewicht von weniger als 136.000 kg, aber mehr
als 7.000 kg
(3) LIGHT (L) – alle Flugzeuge mit einem Gewicht von 7.000 kg oder weniger.
Die Staffelung zwischen Flugzeugen berücksichtigt das Auftreten dieser Wirbelschleppen. Daher
werden abhängig vom Flugzeugtyp, der Runway-Konfiguration und der Route, die das Flugzeug
fliegen wird, unterschiedliche Abstände zwischen den Flugzeugen eingehalten. In Abhängigkeit
der genannten Einschränkungen bestehen zahlreiche Regeln, welche die
Wirbelschleppenstaffelung bestimmen. Eine ausführliche Beschreibung der
Wirbelschleppenstaffelungsminima können in ICAO4444 (2007) nachgelesen werden. Offene
Interviews von Tavanti (2006b) mit Lotsen des Fiumicino Flughafens in Rom weisen außerdem
darauf hin, dass der TWR-Lotse auch darauf achtet, dass ausreichend Abstand zwischen den
ankommenden Flugzeugen eingehalten wird.
4.4.4 ABWICKLUNGSPRIORITÄTEN UND STAFFELUNGSMINIMA DES TWR
Die Priorität der Bearbeitung von Ankünften und Abflügen liegt eindeutig auf ankommendem
Verkehr: „An aircraft landing, or in the final stages of an approach to land shall normally have
priority over an aircraft intending to depart from the same or an intersecting rumway“
(ICAO4444, 2007, S.7-13). Ferner dürfen Flugzeuge nicht näher an eine Start-/Landebahn
heranrollen als bis zum Haltepunkt. Für Luftfahrzeuge, die dieselbe Piste benutzen, gelten
folgende Regeln (DFS, 2002):
„Startende Luftfahrzeuge sind von anderen, dieselbe Piste benutzenden Luftfahrzeugen zu
staffeln, indem sichergestellt wird, dass sie ihren Startlauf nicht beginnen, bevor eine der folgenden
Bedingungen erfüllt ist: Das vorher gestartete Luftfahrzeug hat das Ende der Piste überflogen oder
hat abgehoben und eine Kurve eingeleitet, die eine Staffelungsunterschreitung ausschließt; das
vorher gelandete Luftfahrzeug hat die Piste verlassen.“ (S.32-2).
„Landende Luftfahrzeuge sind von anderen, dieselbe Piste benutzenden Luftfahrzeugen zu staffeln,
indem sichergestellt wird, dass sie den Anfang der Piste nicht überfliegen, bevor eine der folgenden
Bedingungen erfüllt ist: Das vorher gestartete Luftfahrzeug hat das Ende der Piste überflogen oder
hat abgehoben und eine Kurve eingeleitet, die eine Staffelungsunterschreitung ausschließt; das
vorher gelandete Luftfahrzeug hat die Piste verlassen.“ (S. 32-2)
Wenn ein Flugzeug landet, dürfen andere Flugzeuge solange nicht am Ende einer aktiven
Runway aufrollen und halten, bis das landenden Flugzeug den Haltepunkt passiert hat (Tavanti,
70
2006b). Ein landendes Flugzeug darf solange das Ende der Runway nicht passieren, bis das
vorhergehende abfliegende Flugzeug das Ende der Runway überschritten hat oder begonnen hat
zu drehen oder das vorhergehende landende Flugzeug die Runway verlassen hat. Ebenso darf
ein abfliegendes Flugzeug nicht mit dem Startlauf beginnen, bis das vorausgehende abfliegende
Flugzeug das Ende der Runway passiert hat oder begonnen hat zu drehen oder das
vorausgehende landende Flugzeug die Runway verlassen hat (Tavanti, 2006b).
Wenn ein Flugzeug gelandet ist und die Runway verlassen hat, übergibt der TWR das Flugzeug
zur GND-Position. Die Übergabe ist gekennzeichnet durch die Kommunikation mit dem Piloten,
der aufgefordert wird die Funk-Frequenz zu wechseln und GND zu kontaktieren, sowie durch
den physischen Transfer des Kontrollstreifens von TWR zu GND. Derselbe Ablauf wird bei
abfliegendem Verkehr mit der APP-Position eingehalten (Tavanti, 2006b).
4.4.5 POSITION ROLLVERKEHRSLOTSE (GROUND; GND)
Diese Position ist nach ICAO4444 (2007, S. 7-1) „normally responsible for traffic on the
manoeuvring area with the exception of runways”. Sie ist also für die Staffelung von Flugzeugen
und Fahrzeugen, welche auf dem Vorfeld, den Rollwegen und inaktiven Start- und Landebahnen
operieren, verantwortlich. Dies erstreckt sich auf Flugzeuge, die zum Start rollen, Flugzeuge, die
nach der Landung zum Terminal rollen und alle Bodenfahrzeuge auf der Movement Area (Nolan,
2011). Der Pilot kontaktiert den Rollverkehrslotsen für die Push-Back- und die Rollfreigabe.
Nach der Zustimmung des Rollverkehrslotsen wird das Flugzeug durch die Manoeuvring Area
geleitet bis es den Haltepunkt nahe der Start-/Landebahn erreicht hat. Anschließend wird das
Flugzeug an den Towerlotsen übergeben (Tavanti, 2006b). Der Rollverkehrslotse überwacht
und leitet alle Bewegungen am Boden. Er übermittelt dem Piloten die Rollrouten und achtet
dabei darauf, dass Kollisionen mit anderen Flugzeugen oder Objekten vermieden und das Risiko,
dass Flugzeuge auf eine aktive Start-/Landebahn, aufrollen minimiert werden. Der
Rollverkehrslotse weist sowohl ankommenden als auch abfliegenden Flügen Prioritäten zur
Rollwegsnutzung zu. Die Position von Flugzeugen auf der Manoeuvring Area kann der
Rollverkehrslotse durch direkte Beobachtung über die Außensicht, das Bodenradar oder durch
Funkkommunikation bestimmen (er kann den Piloten nach dessen exakten Position fragen). Der
Rollverkehrslotse kann einem Flugzeug erlauben auf eine aktive Start-/Landebahn aufzurollen,
was allerdings mit dem Towerlotsen koordiniert werden muss und dessen Zustimmung bedarf
(Tavanti, 2006b).
4.4.6 PRIORITÄTEN DES GND
Grundlegend wird die Sequenz des GND nach der Regel „wer zuerst kommt mahlt zuerst“
(„first come, first served“) festgelegt (Tavanti, 2006b). Oder mit anderen Worten: „departures
shall normally be cleared in the order in which they are ready to take off” (ICAO4444, 2007, S. 7-
71
13). Ausnahmen von dieser Regel können gemacht werden, sofern damit die höchste Zahl an
Abflügen mit der geringsten Durchschnittsverspätung erreicht wird, wobei allerdings bestimmte
Faktoren berücksichtigt werden müssen (ICAO4444, 2007):
1) Flugzeugtypen und ihre relative Leistung
2) Routen, denen nach dem Start gefolgt werden muss
3) jedes festgelegte minimale Abflugsinterval zwischen den Starts
4) die Notwendigkeit, Wirbelschleppen-Staffelungsminima einzuhalten
5) Flugzeuge, denen Priorität zugesprochen werden sollte
Der Rollverkehrslotse kann in Übereinstimmung mit den Begrenzungen der Slots über die
Abflugsequenz entscheiden und auf diese Weise Prioritäten zuweisen, um den Towerlotsen mit
einer „eleganten“ Sequenz zu versorgen.
4.5 EINORDNUNG IN UND ERSTELLUNG DES THEORETISCHEN MODELLS
Die Erstellung eines theoretischen Modells erfolgt durch Systematisierung der in Kapitel 4.3
vorgestellten Aufgabenanalyse anhand der Phasen der Handlungsregulation, die u.a. von Hacker
(1986) formuliert wurden (vgl. Dörner & Schaub, 1995; Frese & Zapf, 1994)26. Zum besseren
Verständnis der einzelnen Handlungen und Prozesse innerhalb der einzelnen Phasen, wurden
die in den Aufgabenanalysen beschriebenen Haupt- und Unteraufgaben in einen prototypischen
Arbeitsablauf der beiden Lotsenpositionen (TWR und GND) integriert. Hierbei wurde vor allem
die Aufgabenanalyse von Cox (1994a, 1994b) verwendet, da diese den nötigen Detailgrad der
hierarchischen Dekomposition aufweist (vgl. Kapitel 4.3.7). Die Handlungsregulationstheorie
nach Hacker (1986) stellt die ausführlichste Theorie kognitiver Handlungsregulation dar und ist,
anders als die meisten kognitiven Theorien und Informationsverarbeitungsansätze, durch ihre
Verbundenheit mit dem Verhalten in realen Arbeitskontexten und Arbeitsresultaten eine starke
Theorie zur makrokognitiven Modellierung (Frese & Zapf, 1994). Grundsätzlich kann der
Handlungsprozess in sechs Phasen eingeteilt werden (vgl. Abbildung 10):
(1) Zielbildung
(2) Informationssammlung und Orientierung
(3) Plangenerierung
(4) Entscheidung für eine Handlungsalternative
(5) Handlungsausführung
26 Eine ausführliche Beschreibung von Theorien der Entstehung menschlicher Handlungen ist nicht im
Sinne dieser Arbeit. Daher sei hier auf Hacker (2005), Miller, Galanter und Pribram (1960), Rasmussen
(1983), sowie für eine Übersicht auf Jürgensohn (1997), sowie Nerdinger, Blickler und Schaper (2008)
verwiesen.
72
(6) Feedbackverarbeitung.
Abbildung 10: Aufgaben von Towerlotsen eingebettet in die Phasen der Handlungsregulation nach Hacker (1986) (nach Smieszek,
Huber & Jürgensohn, 2011)
Die Phase der Zielbildung wird nicht vom Lotsen selbst durchgeführt. So ist das oberste Ziel in
der Flugverkehrskontrolle mit der sicheren und flüssigen Abwicklung des Luftverkehrs und der
Vermeidung von Zusammenstößen am Boden und in der Luft bereits vordefiniert (ICAO4444,
2007). Die Unterziele für den Lotsen werden durch die Anfragen von Flugzeugen auf die
Erteilung bestimmter Freigaben definiert (Werther, Möhlenbrink, & Rudolph, 2007; Werther,
2006a). Die Phase der Informationsaufnahme und Orientierung beschreibt den Aufbau eines
adäquaten Situationsbildes durch die Aufnahme der notwendigen Informationen aus der
Umgebung. Dafür stehen dem Lotsen verschiedene Informationsquellen zur Verfügung, die
bereits in Kapitel 4.4 beschrieben wurden. Hierdurch können Informationen über die aktuelle
Verkehrssituation erhalten werden (vgl. Smieszek, Huber, & Jürgensohn, 2011; Smieszek & Karl,
2012; Smieszek, 2011). Auf Basis des generierten Situationsbildes erfolgt die Vorhersage und
Planung der Verkehrssituation, welche in der Phase der Plangenerierung zur Erstellung eines
Staffelungsplanes führt (Smieszek et al., 2011). In der Phase der Entscheidungsfindung erfolgt die
Entscheidung für eine Handlungsalternative, welche anschließend in der Phase der
Handlungsausführung durch die nötigen Aktionen implementiert wird. Die so entstehende neue
Verkehrssituation wird anschließend in der Phase der Feedbackverarbeitung mit dem erstellten
73
Plan verglichen und eventuelle Diskrepanzen, wie Konflikte oder Planabweichungen, erkannt.
Diese Phase erfolgt hierbei implizit wiederum durch die Aufnahme neuer Informationen und
der Integration dieser in den neuen Handlungsablauf.
Im nächsten Schritt wurden die aus den Aufgabenanalysen extrahierten Haupt- und
Unteraufgaben von Towerlotsen in die beschriebenen Handlungsphasen eingeordnet.
Abbildung 11: Zuordnung der acht Hauptaufgaben des Rollverkehrslotsen (TWR) nach Cox (1994b) zu den Phasen der
Handlungsregulation nach Hacker (1986) (nach Smieszek, 2011)
Ferner beinhaltet die Übergabe an die nächste Kontrollposition nur einen Arbeitsschritt und
wurde daher in die jeweils vorgelagerten Aufgaben integriert. Die Hauptaufgabe vier „Führung
der Abflüge zur Startbahn“ nach Cox (1994b) wurde aufgrund ihrer Komplexität nochmals in
zwei Unteraufgaben unterteilt. Hierbei ist zunächst die Aufgabe „Initiieren des Push-Back“ und
im Anschluss „Führung der Abflüge zur Startbahn“ auszuführen (vgl. Smieszek, 2011). Für den
Rollverkehrslotsen (GND) wurden die folgenden vier Hauptaufgaben weiter betrachtet (vgl.
Smieszek, 2011):
1. Formulierung eines Plans zur Integration der Bewegungen der Ankünfte und Abflüge
2. Führung der Ankünfte zum Stand,
3. Initiieren des Push-Back,
4. Führung der Abflüge zur Startbahn.
74
Abbildung 12 auf Seite 75 stellt beispielhaft den Grafen der Hauptaufgabe zwei „Führen der
Ankünfte zum Stand“ dar, der die nötigen Aktionen beschreibt, welche der Lotse ausführen
muss, um die Unteraufgabe zu bearbeiten: Nachdem der Pilot des betreffenden Flugzeugs das
Verlassen der Landebahn bestätigt hat, muss zunächst auf Grundlage der in Hauptaufgabe eins
getätigten Beobachtungen und Planungen geprüft werden, ob die Verkehrssituation es zulässt,
die gesamte Route freizugeben. Ist dies der Fall, kann die Übermittlung der Freigabe erfolgen.
Der Pilot bestätigt daraufhin den Erhalt der Freigabe durch einen Readback27, welcher vom
Lotsen zu überwachen ist. Ist eine Übermittlung der gesamten Route auf Grund der
Verkehrssituation nicht möglich, so muss diese Notwendigkeit zunächst erkannt und
anschließend überprüft werden, welcher Teil der Gesamtroute sicher ist. Dann erst kann der
erste Teil der Freigabe übermittelt werden, wobei wiederum der Readback des Piloten
überprüft werden muss. Während das LFZ die Route abrollt, werden dessen Position und
Richtung vom Lotsen beobachtet und die Routen der übrigen Flugzeuge mental projiziert. So
können mögliche Konflikte vorhergesehen und der Plan entsprechend angepasst werden, bevor
der nächste Teil der Route übermittelt wird. Dieser Prozess der Informationssammlung bis zur
Übermittlung der neuen Route erfolgt solange, bis das Flugzeug den Stand erreicht hat und die
Hauptaufgabe damit erfüllt ist.
Für den Towerlosen (TWR) wurden nach Cox (1994b) ebenfalls sieben Hauptaufgaben
berichtet:
1. Formulierung eines Plans zur Integration der Bewegungen der Ankünfte und Abflüge
2. Führung der Abflüge
3. Führung der Ankünfte
4. Durchführung von Routineaufgaben
5. Übergabe der Kontrolle über die Abflüge an die nächste Behörde
6. Übergabe der Kontrolle über die Ankünfte an den Rollverkehrslotsen
7. Handlungen nachdem Flugzeug Zuständigkeitsbereich verlassen hat.
Hierbei sind sowohl die Routineaufgaben (Aufgabe 4) und die Handlungen nach Verlassen des
Zuständigkeitsbereiches (Aufgabe 7) nicht mit berücksichtigt worden. Ferner wurde, wie oben
beschrieben, die Übergabe an die nächste Kontrollposition wiederum in die jeweils vorgelagerte
Hauptaufgabe integriert, so dass drei Hauptaufgaben detailliert betrachtet wurden:
27 Als Readback wird die Wiederholung der Anweisung des Lotsen durch den Piloten bezeichnet. Sie dient
der Bestätigung, dass der Pilot die Anweisung des Lotsen exakt verstanden hat.
75
Abbildung 12: Unteraufgaben zur Ausführung der Hauptaufgabe 3 des Rollverkehrslotsen "Führen der Ankünfte zum Stand" (vgl. Smieszek, 2011)
76
1. Formulierung eines Plans zur Integration der Bewegungen der Ankünfte und Abflüge
2. Führung der Abflüge
3. Führung der Ankünfte
Die Grafen aller Hauptaufgaben sind im Anhang beigefügt.
Auf diese Weise wurden die Ergebnisse der vier in Kapitel 4.3 vorgestellten Aufgabenanalysen
zusammengefasst und ein prototypischer Arbeitsablauf der beiden Lotsenpositionen geschaffen,
sowie ein Einblick in die zur Aufgabenausführung nötigen kognitiven Prozesse gegeben. Diese
prototypischen Arbeitsabläufe dienen als Richtlinie für die Implementierung eines ablauffähigen
Modells, welches in Kapitel 5 ausführlich beschrieben wird. da nicht alle Unteraufgaben im
gleichen Detailgrad, wie in der Aufgabenanalyse beschrieben in die Modellbildung einfließen
können, müssen an verschiedenen Stellen Vereinfachungen vorgenommen, sowie zur
Beschreibung der zur Aufgabenausführung nötigen kognitiven Prozesse kognitions-
psychologische Theorien umgesetzt werden (vgl. Kapitel 5). Im folgenden Kapitel wird zunächst
auf das Beschreibungsmittel eingegangen, welches zur Modellimplementierung verwendet
wurde.
4.6 AUSWAHL DES BESCHREIBUNGSMITTELS
Allgemein steht für die modellhafte Beschreibung eine Vielzahl von Beschreibungsmitteln zur
Verfügung, da die Modellierung menschlichen Verhaltens hochgradig interdisziplinär erfolgt und
sowohl aus dem Methodenrepertoire der Kognitionswissenschaft und Psychologie, als auch aus
den Ingenieurwissenschaften geschöpft werden kann (vgl. Kapitel 3.2.2). Ruckdeschel (1997)
erstellt eine recht ausführliche Zusammenfassung einschlägiger Methoden verschiedenster
Disziplinen (z.B. Logik, Regelungstheorie, Modellierung verteilter Systeme), die zur
Modellierung menschlichen Verhaltens in Mensch-Maschine-Systemen verwendet werden
können und vergleicht diese hinsichtlich folgender Merkmale:
• Linearität im Sinne der Regelungstheorie: quasilinear/nichtlinear
• Zeitbegriff im Sinne der Regelungstheorie: zeitdiskret/zeitkontinuierlich
• Modellierungsmächtigkeit im Sinne verteilter Systeme: sequentiell/parallel (nebenläufig)
• Klassifikation des Wissens im Sinne wissensbasierter Systeme
• Möglichkeit, die drei Verhaltensarten nach Rasmussen (1983) abzubilden (fertigkeits-,
regel- und wissensbasiertes Verhalten)
Der Anspruch einer ganzheitlichen makrokognitiven Beschreibung des Mensch-Maschine-
Systems Flughafenverkehrskontrolle erweist sich zur Eingrenzung der Methodenvielfalt
dahingehend als nützlich, da mikrokognitive Methoden der kognitiven Modellierung, vor allem
kognitive Architekturen und Produktionensysteme, diesem Anspruch nicht, oder zumindest nur
77
beschränkt gerecht werden können. Vor allem die Schwierigkeit kognitive Architekturen an
Simulationen der Außenwelt anzukoppeln, die in der Lage sind, die Aufgaben von Operateuren
in komplexen Mensch-Maschine-Systemen adäquat abzubilden und die Prozesse nicht nur sehr
abstrahiert darstellen (z.B. bei der Verwendung von Mikrowelten) stellt ein großes Problem dar
(vgl. Kapitel 3.2).
Da diese Anbindung allerdings ein zentrales Ziel der hier beschriebenen Modellierung und Teil
der Problemstellung ist, sollte ein „ideales“ Beschreibungsmittel in der Lage sein, sowohl die
menschliche Kognition, als auch den zu kontrollierenden Prozess gleichermaßen beschreiben zu
können, sie also in einer „Sprache“ abbilden zu können, um aufwändige Schnittstellen-
implementierung zwischen Lotsen- und Flughafenmodell zu vermeiden. Daraus ergibt sich die
Notwendigkeit, dass ein solches Beschreibungsmittel die Nebenläufigkeit von Prozessen, also
das gleichzeitige Ablaufen mehrerer Prozesse, adäquat abbilden kann, da Mensch und Flughafen
teilweise unabhängig voneinander agieren und sich nur zeitweise synchronisieren (vgl. Kapitel
4.2). Diese Eigenschaft ist nach Ruckdeschel (1997) vor allem bei Methoden zur Modellierung
verteilter Systeme und hier vor allem unter Verwendung von Petrinetzen realisierbar.
Petrinetze, entwickelt von Petri (1962), dienen zur Erstellung von Modellen nebenläufiger
Systeme und werden hauptsächlich in der Informatik verwendet. Sie eignen sich allerdings zur
Modellierung und Analyse jeglicher Systeme, bei denen Nebenläufigkeit und Kommunikation
Schlüsselsrollen einnehmen (Jensen & Kristensen, 2009). Hierbei kann ein Petrinetz als „a
directed graph with two kinds of nodes, interpreted as places and transitions, such that no arc
connects two nodes of the same kind” (Desel & Juhás, 2001, S. 5) definiert werden. Eine
Erweiterung klassischer Petrinetze stellen farbige Petrinetze (Coloured Petri Nets, CPN;
definiert bei Jensen, 1997) dar. Diese Erweiterung dient der Verbindung der grafischen
Modellierung von Systemen einfacher Petrinetze (Petri, 1962; Reisig, 1982) mit den
Möglichkeiten einer höheren Programmiersprache (Jensen & Kristensen, 2009). Bei farbigen
Petrinetzen handelt es sich (wie auch bei klassischen Petrinetzen) um ein ereignisdiskretes
Modellierungswerkzeug, welches eine grafische Darstellung von Prozessen ermöglicht, wobei
ein Netz generell aus zwei verschiedenen Gruppen von Elementen (sogenanntem Knoten)
besteht: Plätze und Transitionen (werden im Petrinetz als Kreise bzw. Vierecke dargestellt).
Ein System ist dabei als eine Menge von Zuständen oder Bedingungen und
Zustandsübergängen definiert und wird über die beiden grafischen Elemente abgebildet (vgl.
Abbildung 13). Plätze (dargestellt als Kreise oder Ovale; mit P1 und P2 bezeichnet) stellen dabei
Zustände dar, die das System annehmen kann. Diese werden über Kanten – gerichtete Pfeile,
über die gedanklich abstrakte Beziehungen zwischen den Komponenten dargestellt werden –
mit Transitionen (Rechtecke; mit T1 bezeichnet) verbunden, welche die Zustandsübergänge
darstellen. Dabei sind Plätze passive Elemente des Netzes und dienen dem Speichern von
78
Informationen. Diese Informationen werden als sogenannte Marken (Token; als schwarzer
Punkt auf P1 dargestellt) auf den entsprechenden Plätzen abgelegt und beschreiben dabei die
Erfüllung oder Nichterfüllung bestimmter, durch den Platz modellierter Bedingungen. Plätze, die
einer Transition vorgeschaltet sind werden als Vorplätze (P1), der Transition nachgeschaltete
Plätze als Nachplätze (P2) bezeichnet. Pfeile, die zu einem Knoten hin gerichtet sind, werden als
Input-Pfeile (Input-Arcs), von einem Knoten weg gerichtete Pfeile als Output-Pfeile (Output-
Arcs) bezeichnet.
Abbildung 13: Beispiel für ein einfaches Petrinetz
Als aktive Elemente des Netzes sind Transitionen in der Lage Marken auf direkt mit ihnen
verbundenen Plätzen durch schalten oder „feuern“ zu verändern. Das Vorhandensein einer
Marke beschreibt hierbei das Erfüllt sein einer durch P1 modellierten Bedingung. Durch das
Schalten einer Transition werden Marken auf den Vorplätzen konsumiert und auf den
Nachplätzen der Transition erzeugt. Bei klassischen Petrinetzen ist es dabei nur möglich eine
einzige Art von Marken (sogenannte „schwarze Marken“) zu verwenden. Es können lediglich
mehrere gleiche Marken dargestellt werden, indem auf einem Platz mehrere schwarze Punkte
eingetragen werden, oder, bei einer sehr großen Anzahl Marken, einfach die Anzahl der Marken
als Zahl auf den Platz geschrieben wird. Für die Modellierung komplexer Systeme stellt dies eine
starke Einschränkung dar.
Die Entwicklung farbiger Petrinetze ermöglichte es, unterschiedliche Arten von Marken, also
Marken mit unterschiedlichem Dateninhalt und Eigenschaften zu verwenden (unterschiedlich
farbige Marken28). Die funktionale Programmiersprache CPN ML, die auf der Sprache Standard
ML aufbaut, stellt dabei die nötigen Routinen zur Verfügung, um Datentypen zu definieren,
Datenmanipulation zu beschreiben und kompakte parametrisierbare Modelle zu erstellen
(Jensen & Kristensen, 2009). Hierdurch wird es ermöglicht, dass eine Marke beispielsweise ein
Flugzeug (mit Typ, Rufzeichen, Ziel usw.) repräsentieren kann (Manske, Smieszek, Hasselberg, &
Möhlenbrink, 2013).
Die Abbildung 14 stellt ein einfaches farbiges Petrinetz dar, welches den Landeanflug eines
Flugzeuges beschreibt. Hierbei sind die Plätze „Final“ und „Landed“ jeweils als Zustände des
Flugzeuges vor (im Landeanflug: Final) bzw. nach (gelandet: Landed) der Landung anzusehen.
28 Die Farbe einer Marke beschreibt ihren Dateninhalt und steht in keinerlei Zusammenhang zur
farblichen Gestaltung von Netzen in CPN-Tools.
79
Die Transition „Landing“ beschreibt den Prozess des Landens selbst. Das betreffende Flugzeug
ist als Marke modelliert, die in der Abbildung 14 als grüner Punkt dargestellt ist. Es ist zu
erkennen, dass Marken nicht mehr nur als schwarze Punkte dargestellt werden, sondern
einerseits durch die Ziffer „1“ dargestellt wird, wie viele gleichartige Marken vorhanden sind,
und andererseits, welchen Dateninhalt die jeweilige Marke besitzt (im Fall des Flugzeuges das
Rufzeichen „BER123“). Ein Colorset ist vergleichbar mit den Variablen einer normalen
Programmiersprache.
Abbildung 14: Beispiel für ein einfaches farbiges Petrinetz für einen Landeprozess
Auf den Plätzen des Colorsets „AC“ können somit nur Marken präsent sein, die genau von
diesem Colorset sind. Eine weitere Marke ist auf dem Platz „RWY“ zu erkennen. Diese beschreibt
das Vorhandensein einer Start-/ Landebahn mit der Bezeichnung „RWY25R“ und verwendet das
Colorset „RWY“. Diese Marke besitzt weiterhin die Besonderheit, dass sie Zeitinformationen
beinhaltet, was an dem angefügten „@0“ zu erkennen ist. Diese Symbolik gibt Aufschluss
darüber, zu welchem Modellzeitpunkt die Marke für die angeschlossene Transition zur
Verfügung steht. Solange der Wert der Modellzeit kleiner als der hier angegebene Zeitwert ist,
gilt die Marke als noch nicht verfügbar und steht nicht für die Transition zur Verfügung.
Durch das Feuern der Transition „Landing“, wird der Ablauf eines Landeprozesses modelliert
und die Verteilung der Marken im Netz (die sogenannte Markierung) verändert. Dabei werden
die betreffenden Marken auf den Vorplätzen verbraucht und auf den Nachplätzen die jeweiligen
Marken generiert. Hat die Transition gefeuert, wird ein neuer Systemzustand erreicht.
Abbildung 15 stellt das obige Petrinetz nach Auftreten der Transition „Landing“ dar. Es ist zu
erkennen, dass die Marke, die das Flugzeug modelliert, vom Platz „Final“ auf den Platz „Landed“
versetzt worden ist (das Flugzeug ist gelandet).
80
Abbildung 15: Das Petrinetz aus Abbildung 14 nach einmaligem feuern der Transition "Landing"
Gleichermaßen wurde die Zeit der Start-/Landebahn heraufgesetzt und zwar um den Betrag,
der an der Transition „Landing“ angegeben ist (im Beispiel 240 Zeitschritte, dargestellt durch
„@+240“an der Transition). Es wurde damit festgelegt, dass bei einer Landung die Start-/
Landebahn für 240 Zeitschritte nicht von anderen Flugzeugen verwendet werden darf. Die
Marke „RWY“ steht demnach 240 Zeitschritte nicht für eine andere Landung zur Verfügung.
Da Modelle komplexer dynamischer Systeme sehr schnell unübersichtlich und verwirrend
werden können, wurde das Konzept der hierarchischen Petrinetze eingeführt. Komplexe CPN-
Modelle können dabei in Sub-Module unterteilt werden, um dem Modellierer eine Arbeit auf
unterschiedlichen Abstraktionsebenen zu ermöglichen (Jensen & Kristensen, 2009). Mit Hilfe
dieser hierarchischen Struktur ist es möglich, ein großes Modell zu erstellen, indem eine Vielzahl
kleinerer Modelle kombiniert wird. Um Sub-Module darzustellen, werden sogenannte
Substitutions-Transitionen eingeführt, welche als Rechteck mit doppeltem Rahmen dargestellt
werden.
Abbildung 16: Beispiel für eine Substitutions-Transition in einem hierarchischen Petrinetz
In Abbildung 16 ist dies beispielhaft für die Transition „Landing“ umgesetzt. Auf der gezeigten
Ebene wird nicht dargestellt, was exakt bei der Landung passiert. Jedoch kann bei Bedarf die
81
hierarchisch darunterliegende Ebene (auch Seite genannt) aufgerufen werden, welche den
Prozess der Landung im Detail beschreibt29.
Zusätzlich zu der bereits besprochenen Möglichkeit, die Nebenläufigkeit des Flughafen-
verkehrskontrollsystems adäquat abzubilden, bieten farbige Petrinetze eine Reihe weiterer
Vorteile: So kann mit dieser Modellierungsmethode die angestrebte Beschreibung aller drei
Modellteile (Flughafen-, Interaktions- und Lotsenmodell) gewährleistet werden. Farbige
Petrinetze sind darüber hinaus mathematisch definiert und analysierbar, für die Anwendung ist
aber lediglich ein Verständnis der Syntax und Semantik notwendig. Die Modularisierbarkeit und
hierarchische Unterteilung von Modellen bietet zusätzlich eine gute Handhabung der
Komplexität des zu modellierenden Prozesses und ermöglicht die individuelle Erweiterung und
damit die Wiederverwendbarkeit von Modellen. Dem kommt auch die relative Stabilität von
Modellen gegenüber kleineren Änderungen entgegen (Jensen, 1997a), so dass Erweiterungen
oder Änderungen an Modellen relativ schnell und ohne viel Aufwand möglich sind. Farbige
Petrinetze bieten zudem die Möglichkeit der Einbindung von Zeit (wie oben beschrieben), um so
Abhängigkeiten in der Zeit beschreiben zu können, die für die Flughafenverkehrskontrolle von
essentieller Bedeutung sind. Zusätzlich bietet die relativ intuitive grafische Darstellung den
Vorteil einer anschaulichen Beschreibung und einer einfachen Nachvollziehbarkeit und
„Sichtbarmachung“ von Prozessen, was die Transparenz und den wissenschaftlichen Austausch
der erstellten Modelle erleichtert.
Nicht unerheblich ist ebenso die Tatsache, dass Petrinetze und vor allem farbige Petrinetze
bereits mehrfach erfolgreich angewendet wurden, um verschiedene Problemstellungen in der
Luftfahrt (Davidrajuh & Lin, 2011; Kovács, Németh, & Hangos, 2005; Lesire & Tessier, 2005;
Oberheid & Söffker, 2008; Oberheid, 2006; Stütz, 2000; Vidosavljević & Toŝić, 2010), sowie
menschliches Verhalten (Möhlenbrink & Friedrich, 2009; Möhlenbrink et al., 2012; Möhlenbrink,
2011; Ruckdeschel & Onken, 1994; Ruckdeschel, 1997; Werther et al., 2007; Werther, 2006a,
2006b) zu modellieren und zu analysieren. Nichtsdestotrotz ist die Anwendung farbiger
Petrinetze zur Beschreibung menschlichen Verhaltens bisher auf die Erstellung formaler
Modelle beschränkt. Die Modellierung kognitiver Funktionen stellt damit einen innovativen
Ansatz dar.
29 Eine ausführliche Einführung in Petrinetze kann beispielsweise bei Baumgarten (1996) oder Reisig
(2010) gefunden werden. Eine Kurzdarstellung des Konzeptes beschreiben Desel und Juhás (2001). Eine
ausführliche Einführung in farbige Petrinetze geben Jensen (1997a, 1997b, 1997c), Jensen (1998), sowie
Jensen und Kristensen (2009).
82
Nicht zuletzt ist auch die Tatsache, dass einschlägige Computertools vorhanden sind, um die
Modellierung, Simulation und Analyse von Petrinetzmodellen zu gewährleisten, ein
ausschlaggebender Punkt für deren Verwendung. Eines der bekanntesten und mächtigsten
Werkzeuge stellt hier zweifelsohne CPN-Tools dar, welches auch zur Erstellung des
vorliegenden Modells verwendet wurde (CPN-Tools, o.J.; Jensen, Kristensen, & Wells, 2007;
Ratzer et al., 2003). Für die Erstellung des Modells und zur Lösung der beschriebenen
Problemstellung fiel die Entscheidung aus folgenden Gründen zugunsten der Verwendung
farbiger Petrinetze als Beschreibungsmittel aus:
• Möglichkeit sowohl den Flughafenprozess als auch die kognitiven Prozesse und das
Verhalten des Lotsen in einer „Sprache“ abzubilden
• Keine Schnittstellenimplementierung zwischen kognitiver Simulation und dem zu
kontrollierenden Prozess
• Berücksichtigung der Nebenläufigkeit von Prozessen
• Gute Handhabung der Komplexität und individuelle Erweiterbarkeit durch
Modularisierbarkeit und hierarchische Strukturierung
• Relative Stabilität von Modellen gegenüber kleineren Änderungen
• Möglichkeit der Einbindung von Zeit
• Intuitive Darstellung und damit Nachvollziehbarkeit und Transparenz
• Vorhandensein einschlägiger Computertools zur Modellierung, Simulation und Analyse
von Petrinetzmodellen
• Mehrfache erfolgreiche Verwendung zur Modellierung von Problemstellungen in der
Luftfahrt, Flugverkehrskontrolle sowie der Beschreibung kognitiver Prozesse und
menschlichen Verhaltens.
4.7 KAPITELZUSAMMENFASSUNG
Bei der Durchführung der theoretischen Vorarbeiten zur Entwicklung eines makrokognitiven
Modells mentaler Beanspruchung von Towerlotsen dienten die sechs von Cacciabue (1998b)
definierten Schritte für die Entwicklung kognitiver Simulationen als Richtlinie. Hierbei wurde
argumentiert, dass die bestehenden Richtlinien um einen siebten, essentiellen Schritt der
Modellbildung ergänzt werden müssen: die Validierung, also der Verglich von Modellverhalten
mit experimentellen Daten. Es ist die Aufgabe des Modellierers, über die Validierung den Bezug
zwischen dem Modell und dem realen Untersuchungsgegenstand herzustellen (Möhlenbrink,
2011; vgl. auch Bub & Lugner, 1992) (vgl. Kapitel 4.1). Die ersten fünf Schritte der Cacciabue-
Richtlinien können als theoretische Vorarbeiten gesehen werden und wurden im
vorangegangenen Kapitel näher erläutert: So wurden zunächst als Simulationsziel die
modellhafte Beschreibung und Quantifizierung mentaler Beanspruchung definiert. Um einen
83
Rahmen für die Modellerstellung zu schaffen und nötige Vereinfachungen zu definieren, wurden
Problemgrenzen festgelegt: So wird eine Dreiteilung des Modells in Flughafen-, Interaktions- und
Lotsenmodell abgestrebt, um eine ganzheitliche Beschreibung des Mensch-Maschine-Systems
und der mentalen Beanspruchung gewährleisten zu können. Dabei werden aufbauend auf den
Arbeiten von Koros et al. (2003) diejenigen Einflussfaktoren berücksichtigt, die Lotsen als am
wichtigsten bewerten. Vor allem wird der Einfluss des Verkehrsaufkommens auf die mentale
Beanspruchung des Lotsen abgebildet (vgl. Kapitel 4.2). Zur Erlangung eines intensiven
Verständnisses der Aufgaben und des Systems wurden anschließend fünf bestehende
Aufgabenanalysen hinsichtlich ihrer Verwendbarkeit zur Erstellung eines Aufgabenmodells
überprüft und zusammengefasst (vgl. Kapitel 4.3). Hierbei wurden Haupt- und Unteraufgaben
der beiden Positionen TWR und GND identifiziert, wobei sich die Aufgabenanalyse von Cox
(1994a, 1994b) als sehr detailliert erwies, sodass diese vorrangig für die Erstellung des
theoretischen Models verwendet wurde. Im nächsten Schritt wurde das System
Flughafenverkehrskontrolle sowohl durch eigene Feldbeobachtungen als auch durch Analyse von
Vorschriftenwerken und Regularien analysiert und somit bestehende Regeln der
Flughafenverkehrskontrolle, die Zuständigkeiten der Lotsen, der Aufbau des
Lotsenarbeitsplatzes, sowie wichtige Hilfsmittel analysiert. Als wichtigste Informationsquellen
konnten die Außensicht, die Funkkommunikation, sowie die Flugstreifen identifiziert werden,
die auch in der Modellierung Berücksichtigung finden sollen. Ferner werden in der Praxis zwei
Positionen (TWR und GND) mit unterschiedlichen Zuständigkeiten eingesetzt, wovon im
vorliegenden Modell aus Gründen der Einfachheit nur ein Lotsenmodell erstellt werden wird,
welches für beide Positionen zuständig ist. (vgl. Kapitel 4.4). Die so erlangten Erkenntnisse
wurden in ein theoretisches Modell implementiert, welches prototypische Arbeitsabläufe von
Rollverkehrs- und Towerlotsen anhand der Phasen der Handlungsregulation nach Hacker
(1986) systematisiert, welche einerseits die nötigen auszuführenden Handlungen und
andererseits die zur Handlungsausführung nötigen kognitiven Prozesse beschreiben (vgl.
Kapitel 4.5). Als geeignetes Beschreibungsmittel, welches in der Lage ist, die im Kapitel 4.2
definierten Ziele und Problemgrenzen hinreichend zu beschreiben, wurden farbige Petrinetze
ausgewählt. Diese bringen insbesondere die nötige Flexibilität mit sich, um die Komplexität des
Systems zu beherrschen und die drei Modellteile in einer „Sprache“ abbilden zu können. Darüber
hinaus sind einschlägige Computertools zur Modellierung und Analyse vorhanden. Es wurde
weiterhin eine grundlegende Einführung in farbige Petrinetze gegeben (vgl. Kapitel 4.6). Mit den
hier getätigten Analysen wurden die ersten fünf Schritte des Cacciabue-Frameworks bearbeitet.
Die Schritte sechs und sieben werden in den folgenden Kapiteln (5 und 6) behandelt.
84
5 BESCHREIBUNG UND IMPLEMENTIERUNG DES ENTWICKELTEN MODELLS
Das vorliegende Kapitel beschreibt die Umsetzung der in Kapitel 4 vorgestellten theoretischen
Vorarbeiten in eine lauffähige kognitive Simulation. Hierzu werden im Abschnitt 5.1 zunächst
allgemeine Anmerkungen zum Modell gemacht. Im Kapitel 5.2 wird anschließend das
Flughafenmodell zunächst theoretisch, anschließend dessen Implementierung im Petrinetz
genauer erläutert. Kapitel 5.3 beschäftigt sich auf gleiche Weise mit dem Interaktionsmodell.
Fokus des Kapitels 5.4 liegt auf der Implementierung des Lotsenmodells, wobei zu den einzelnen
Sub-Modulen perceive (Kapitel 5.4.2 und 5.4.3), plan (Kapitel 5.4.4 und 5.4.5), decide
(Kapitel 5.4.6 und 5.4.7), act (Kapitel 5.4.8 und 5.4.9), sowie Working_Memory (Kapitel
5.4.10 und 5.4.11) jeweils erst die theoretischen Überlegungen und anschließend die
Implementierung im Modell vorgestellt werden. Kapitel 5.5 beschreibt die Simulation und
Analyse des Petrinetzmodells, Kapitel 5.6 fasst das Kapitel zusammen.
5.1 ALLGEMEINE ANMERKUNGEN ZUM MODELL
Aufbauend auf den in Kapitel 4 beschriebenen Analysen und theoretischen Vorarbeiten erfolgt
die Erstellung des holistischen Flughafen-Lotsen-Modells mit farbigen Petrinetzen als
Beschreibungsmittel in der Modellierungs- und Simulationssoftware CPN Tools (Jensen et al.,
2007). Die aktuellen Modellversionen (1.8 und 1.9) sind auf der CD im Anhang zu finden. Sie
wurde in der CPN Tools-Version 4.0 erstellt, und sind nicht mehr mit den CPN Tools-Versionen
3.4 und darunter kompatibel. Die hier dargelegten Ausführungen gelten für das Modell in seiner
Version 1.9, anhand derer auch das Validierungsexperiment durchgeführt wurde. Hierbei
wurden im Vergleich zur Version 1.8 einige Modifikationen vorgenommen, um das
experimentelle Setting adäquat abzubilden.
Die Modellierung vor allem der physischen Bewegungen des Lotsen erfolgt in Version 1.8
anhand eines fiktiven Lotsenarbeitsplatzes. Dieser wurde in Version 1.9 an das im Versuch
verwendete experimentelle Setting angepasst. So war beispielsweise die Entnahme von
Flugstreifen aus dem Drucker und der Einsortierung in die Stripbay nicht Bestandteil der
Aufgabe der Versuchspersonen. Hierdurch entfallen in Version 1.9 alle damit verbundenen
physischen Bewegungen. Es wird an den entsprechenden Stellen nochmals explizit auf die
Unterschiede hingewiesen.
Die Erstellung des holistischen Mensch-Maschine-Modells der Flughafenverkehrskontrolle
(hier mit MATriCS, Model of Airport TRaffIc Control System bezeichnet) erfolgte anhand der von
Jensen (1997a, S.32 ff.) beschriebenen zwölf Schritte zur Erstellung von CPN-Modellen (vgl.
Smieszek & Karl, 2012):
85
1. Beginne damit, die wichtigsten Elemente des zu
modellierenden Systems zu identifizieren
2. Beachte den Zweck deines Modells und bestimme
einen angemessenen Detailgrad
3. Versuche gute mnemonische Namen für Objekte,
Prozesse, Zustände und Aktionen zu finden
4. Versuche nicht alle Aspekte des Systems bereits in der
ersten Modellversion abzudecken
5. Wähle einen der Prozesse des zu modellierenden
Systems und versuche ein isoliertes Netz für diesen
Prozess zu erstellen
6. Benutze die Netzstruktur um Regeln und die
Netzinschriften um Datenmanipulation zu
modellieren
7. Unterscheide zwischen verschiedenen Arten von
Marken
8. Verwende unterschiedliche Arten von Colorsets
9. Erweitere das Prozessnetz durch die Beschreibung der Kommunikation und Interaktion
des Prozesses mit anderen Prozessen
10. Ermittele, ob ähnliche Prozesse vorhanden sind
11. Kombiniere die Unternetze der einzelnen Prozesse zu einem großen Modell
12. Die Erstellung eines CPN-Modells ähnelt sehr der Erstellung eines Computerprogrammes.
Das Modell ist, wie bereits beschrieben, in Anlehnung an Cacciabue (1998b) und Werther
(2006a) in drei Hauptmodelle unterteilt: Das Flughafenmodell, das Interaktionsmodell und das
Lotsenmodell. Eine schematische Darstellung des Modellaufbaus zeigt Abbildung 17. Die
Abbildung 18 auf Seite 86 zeigt die konkrete hierarchische Struktur des Modells mit allen
untergeordneten Ebenen. Der obersten Ebene (Aerodrome_ATC) direkt untergeordnet sind
die Sub-Module Airport_Process, TWR_Controller und Interaction mit ihren
jeweiligen Sub-Modulen. Im Airport_Process sind die jeweiligen ablaufenden Prozesse als
Unterebenen umgesetzt: Taxiing, Enter_RWY, Leave_RWY, On_Block, Off_Block30,
Landing, Take_off, Aerodrome. Die genaue Bedeutung und Umsetzung wird im
Abschnitt 5.2 beschrieben. Das Interaktionsmodell besitzt keine weiteren Unterebenen. Hier
wird der Informationsaustausch zwischen Lotsen- und Flughafenmodell über die zur
Verfügung stehenden Hilfsmittel dargestellt.
30 On-Block und Off-Block bezeichnet das auf- und abrollen von den Parkpositionen.
Abbildung 17: Darstellung der drei Teile des Petri-
Netz-Modells (Flughafen-, Interaktions- und
Lotsenmodell) und deren Verbindungen (nach
Smieszek et al., 2013)
86
Abbildung 18: Schematische Darstellung der hierarchischen Stuktur des MATriCS-Modells
87
Eine genauere Erläuterung erfolgt im Kapitel 5.3. Im Lotsenmodel sind die Phasen der
Handlungsregulation als Sub-Module umgesetzt: Perceive, Plan, Decide, Act. Zusätzlich ist
ein Sub-Modul Working_Memory (WM) implementiert. Alle drei Hauptteile des Modells sind
wichtig für die holistische Abbildung des Flughafenverkehrskontrollsystems; der Fokus liegt
allerdings auf der modellhaften Beschreibung der menschlichen Kognition, im Hinblick auf die
Replikation mentaler Beanspruchung von Towerlotsen vor allem auf der Komponente
Arbeitsgedächtnis.
5.2 DAS FLUGHAFENMODELL
5.2.1 THEORETISCHE ERLÄUTERUNGEN
Das Flughafenmodell ist ein in Zusammenarbeit mit dem Deutschen Zentrum für Luft- und
Raumfahrt (DLR) in Braunschweig entwickeltes generisches Petri-Netz-Modell (vgl. Manske,
Smieszek, et al., 2013), welches zunächst beispielhaft für den Flughafen Braunschweig-
Wolfsburg (ICAO-Code: EDVE) umgesetzt wurde. Die große Stärke des Modells ist seine einfache
Anpassbarkeit zur Modellierung weiterer Flughäfen, was Manske, Smieszek, et al. (2013) anhand
des Berliner Flughafens BER (ICAO-Code: EDDB) demonstrieren konnten. Dies ist vor allem
wichtig für den durchgeführten Validierungsversuch (vgl. Kapitel 6).
Abbildung 19: Elemente der invariablen Prozesslogik (eigene Darstellung nach Manske, Smieszek, Hasselberg & Möhlenbrink, 2013)
Um diese einfache Anpassbarkeit zu erreichen, wurde die Modellentwicklung auf Basis der
Feststellung angegangen, dass einige wenige Orte gleicher Funktionalität an jedem Flugplatz
gegeben sind (Manske, 2013). Diese sind: Eine oder mehrere Start- und Landebahnen, An- und
Abflugbereiche, Rollwege und Stellplätze für Luft- und andere Fahrzeuge. Im Petri-Netz sind
diese allgemeinen Orte daher als Plätze modelliert. Diese werden durch Transitionen
miteinander verbunden, welche diejenigen Bewegungen beschreiben, die die auf dem Flughafen
befindlichen Objekte ausführen können, um sich von Ort zu Ort zu bewegen. Zusammen bilden
88
sie die invariable Prozesslogik (siehe Abbildung 19). Stark abstrahiert folgt jeder Flugplatz dieser
Struktur (Manske, 2013).
Unterschiede, die hinsichtlich des Aussehens und der Komplexität auftreten, werden durch die
variable Prozessstruktur beschrieben. Die Grundstruktur des Netzes ist so allgemein gehalten,
dass ohne eine Veränderung der Netzstruktur verschiedene Flugplätze beschrieben werden
können. Die Informationen über die Struktur des jeweiligen Flugplatzes im Besonderen, sind
unabhängig von der beschriebenen Grundlogik und werden über Marken eingelesen. Hierin sind
die Informationen enthalten, welche Rollwege, Stellplätze und Pisten im Speziellen vorhanden
sind, wie diese bezeichnet werden und wie sie orientiert sind (z.B. RWY, A, 26, Std steht zum
Beispiel für eine Start-/ Landebahn mit der Bezeichnung A, der Ausrichtung 26, welche in
Standardrichtung verwendet wird). Zusätzlich sind auch die Verknüpfungen und Verbindungen
der einzelnen Flughafenteile untereinander hinterlegt. Dies sind zum Beispiel die Verbindungen
verschiedener Rollwege untereinander (siehe Abbildung 20, Rollweg B ist mit der Piste, sowie
mit Rollweg C verbunden, nicht aber mit Rollweg A). Dritter Bestandteil des Flughafenmodells
sind die dynamischen Objekte. Diese beschreiben welche Luft- und Bodenfahrzeuge sich auf dem
Flugplatz an welchen Positionen befinden und welche Freigaben und Intentionen sie besitzen.
Im Folgenden wird das Petrinetz-Modell des Flughafens im Detail vorgestellt.
Abbildung 20: Layout eines exemplarischen Flughafens (eigene Darstellung)
5.2.2 DAS PETRINETZ-MODELL IM DETAIL
Die obere Ebene des Modells besteht aus fünf Plätzen und acht Transitionen (in Abbildung 21
auf Seite 89 gelb dargestellt31), welche die invariable Prozesslogik darstellen, sowie zwei
weiteren Plätzen, welche die variable Prozessstruktur (Location), sowie die dynamischen
Objekte (Vehicles) beschreiben (in Abbildung 21 auf Seite 89 blau dargestellt). Die fünf Plätze
der invariablen Prozesslogik repräsentieren die allgemeinen Orte des Flughafens: Stands32,
Taxiways (TWYs), Runways (RWYs), welche die Parkpositionen, die Rollwege und
31 Die farbliche Gestaltung des Netzes dient lediglich der Übersichtlichkeit und hängt nicht mit den
Colorsets der einzelnen Plätze zusammen.
32 „Stand“ bezeichnet die Parkpositionen.
89
Abbildung 21: Oberste Ebene des Flughafenmodells
90
die Start-/Landebahnen bezeichnen sowie Airborne33 und Final, welche die Umgebung in
der Luft um den Flughafen bezeichnen. Auf den Plätzen der invariablen Prozesslogik sind
Marken enthalten, welche Repräsentationen derjenigen Objekte (Vehicle) darstellen, die sich
entsprechend ihrer Intention und Freigabe über die acht Transitionen bewegen (Manske, 2013).
Diese Transitionen beschreiben die Bewegungen, die die auf dem Flughafen befindlichen
dynamischen Objekte ausführen können: On_Block/Off_Block (rollen an die Parkposition
oder von der Parkposition weg), Leave_RWY/Enter_RWY (auf- und abrollen auf/von der
Start-/Landebahn), Landing/Takeoff (Landung und Start), Aerodrome (Bewegungen in der
Luft). Sie sind jeweils nochmals hierarchisch unterteilt, um die genaue Markenveränderung bei
Auftreten einer Aktion beschreiben zu können.
Am Beispiel des Rollens (Taxiing) soll die Implementierung der variablen Prozessstruktur
erklärt werden: In Abbildung 23 auf Seite 91 sind die beim Rollen verbundenen Elemente
dargestellt (vgl. Manske, 2013). Die Transition Taxiing sowie der Platz TWYs sind Bestandteil
der invariablen Prozesslogik. Die Plätze Location, Connections und Duration sind
Bestandteil der variablen Prozessstruktur und werden im Folgenden erläutert. Die auf ihnen
gespeicherten Marken definieren das Layout des Flughafens (Manske, 2013).
Der Platz Location enthält Informationen über alle Teile des Flughafens, also seine Pisten,
Rollwege, Stellplätze usw. Um die Bewegung der Luftfahrzeuge über das Rollfeld und die
sukzessive Fortbewegung der Luftfahrzeuge im ereignisdiskreten Modellierungssystem des
Petrinetzes simulieren zu können, werden die Rollwege weiter in kleinere, möglichst aber
gleichgroße, Abschnitte unterteilt. Hierbei wird beispielsweise Rollweg C in C1, C2 usw.
unterteilt (vgl. Abbildung 22).
Abbildung 22: Einzelne Teile eines exemplarischen Flughafens (eigene Darstellung nach Manske, 2013)
Auf diesen Abschnitten kann sich jeweils nur ein Objekt zur gleichen Zeit befinden, sodass diese
Abschnitte auch als Ressourcen des Flughafens verstanden werden können (Manske, 2013). Sie
sind daher für die Zeit, in der ein Objekt diese benutzt, „verbraucht“. Die Dauer dieser Belegung
wird auf dem Platz Duration als Standardzeit für jeden Rollwegsabschnitt festgelegt. Es sollte
33 „Airborne“ bezeichnet den Luftraum um den Flughafen.
91
Abbildung 23: Umsetzung der Substitutionstransition Taxiing (Rollen) im Petrinetz
92
allerdings darauf geachtet werden, dass diese Rollzeiten logisch festgelegt werden. Das bedeutet,
dass die tatsächlichen Rollgeschwindigkeiten der Objekte auf einem Flughafen durch das Setzen
der Duration auf dem gleichnamigen Platz möglichst genau approximiert werden sollte34. Als
dritten Teil der variablen Prozessstruktur enthält der Platz Connections Informationen
darüber, welche Teile des Flugplatzes wie miteinander verbunden sind (vgl. Abbildung 24). Erst
hierdurch wird die Struktur des Flughafens hinreichend definiert (Manske, 2013).
Abbildung 24: Verbindungen zwischen den einzelnen Teilen eines exemplarischen Flugplatzes (eigene Darstellung nach Manske,
2013).
Damit die Bewegung von Objekten über den Flughafen gewährleistet wird, sind die
dynamischen Objekte, die sich innerhalb eines bestimmten Szenarios auf dem Flughafen
bewegen sollen, auf dem Platz Vehicles abgelegt. Hierbei sind alle Informationen der Objekte
repräsentiert, die sich in ähnlicher Weise auf dem Flugstreifen eines Lotsen finden lassen.
Zusätzlich sind die jeweilige Position, die direkte Intention35 und die jeweilige Freigabe
enthalten. Dies ist im nächsten Abschnitt genauer beschrieben.
Das Rollen eines Objektes erfolgt nun durch das Feuern der Transition Taxiing entsprechend
der Freigabe und der zuvor definierten Rolldauer. Hierbei wird geprüft, ob eine Freigabe für den
gegebenen Rollwegsabschnitt (im Colorset Vehicle) enthalten sowie, ob der nächste zu
benutzende Rollwegsabschnitt bereits frei ist (Vorhandensein der Marke, die den
Rollwegsabschnitt repräsentiert auf dem Platz Location). Feuert die Transition, werden die
Ortsangaben im Colorset Vehicle hinsichtlich des neuen Ortes aktualisiert, sowie die Zeit, zu
der die Marke wieder zur Verfügung steht, in Abhängigkeit der definierten Rolldauer
heraufgesetzt. Zusätzlich wird der Rollwegsabschnitt, der verwendet wird, als belegt markiert
(durch Hochsetzen der Locationzeit).
34 Diese Approximation kann gemeinhin anhand der vorgeschriebenen Rollgeschwindigkeit von 20
Knoten auf dem Vorfeld, bis maximal 30 Knoten auf dem Rollfeld (Huber, 2012) bzw. 10 Knoten in Kurven
(Ferdinand Behrendt, persönliches Gespräch am 27.03.2013) sowie unter Berücksichtigung der jeweiligen
Länge des Rollwegsabschnittes erfolgen.
35 Die Intention beschreibt das Vorhaben eines Luftfahrzeuges, also beispielsweise zu landen.
93
5.2.3 COLORSETS UND EINLESEN DER INITIALEN MARKIERUNG
Zusätzlich zu den Standard-Colorsets, die CPN-Tools bereitstellt, werden eine Vielzahl weiterer
luftfahrtspezifischer Colorsets definiert (Manske, 2013), mit denen auch das Lotsenmodell
arbeitet. Die Wichtigsten sollen im Folgenden kurz erläutert werden. Diese können in der
Modelldatei im Programmierbereich unter Declarations Airport Colsets
gefunden werden.
Jeder Flughafenabschnitt (colset Location) ist zunächst durch vier Informationen
charakterisiert: Typ, Bezeichnung, Nummer und Betriebsrichtung. Dieses setzt sich aus dem
Produkt der Colorsets LocationType, LocationName, LocationNumber und Direction
zusammen.
LocationType beschreibt hierbei die Funktion eines Elements z.B. Rollweg oder Stellplatz.
Die wichtigsten sind hierbei:
• TWY: Rollweg
• Stand: Stellplatz
• RWY: Piste / Start- und Landebahn
• Final: Letzer Teil des Anfluges
• Crosswind: Querabflug bei einer Platzrunde36
• Downwind: Gegenanflug bei einer Platzrunde
• Base: Queranflug bei einer Platzrunde
• Departure: Abflug / nach dem Start
• Sky: Ein LFZ hat den Luftraum der Kontrollzone verlassen, bzw. befindet sich
in weiterer Umgebung um den Flughafen.
LocationName weist jedem Abschnitt einen Namen zu, anhand dessen verschiedene
Elemente des gleichen Typs unterschieden werden können z.B. TWY, A für den Rollweg A. Für
die Start-/Landebahnen wird hauptsächlich die Lage verwendet (links L, rechts R), der Name
kann hier aber prinzipiell frei gewählt werden.
Durch die Unterteilung der einzelnen Rollwege in kleinere Abschnitte, wird jedem Abschnitt
eine Nummer zugeordnet (LocationNumber). Diese Nummerierung kann selbst festgelegt
werden, sollte aber sinnvoll sein. Die Verbindungen zwischen den einzelnen Abschnitten werden
aber nicht anhand der Nummern festgelegt, sondern anhand der Connections. Im Fall der
Start-/Landebahnen wird die Nummer anhand der Pistenausrichtung vergeben (am Platz EDVE
entspricht Ausrichtung 26 einer westlichen Richtung von 260°; Manske, 2013).
Über das Colorset Direction wird die Betriebsrichtung der Pisten eines Flughafens
festgelegt. Die Betriebsrichtung Std wird anhand der primären Betriebsrichtung festgelegt,
36 Platzrunde bezeichnet ein standardisiertes An- und Abflugverfahren von Flügen nach Sichtflugregeln
(VFR) und dient u. A. der Einleitung eines sicheren Landeanfluges.
94
welche sich nach der häufig vorherrschenden Windrichtung richtet. Am Platz EDVE ist dies die
Ausrichtung 26, in die meistens gestartet und gelandet wird. Hierdurch erhalten die Rollwege
ebenfalls eine primäre Betriebsrichtung. Im Petrinetz wird zwischen Std (standard), Rev
(reverse/entgegengesetzt) und Both (beide Richtungen) unterschieden. Diese Unterscheidung
ist für die Verbindung der einzelnen Rollwegsabschnitte wichtig. Zwei nebeneinander liegende
Rollwege können in zwei Richtungen befahren werden, wodurch sich andere Verbindungen
ergeben.
Zur Bestimmung der dynamischen Objekte, die sich auf dem Flughafen bewegen, wird das
Colorset Vehicle definiert. Dies enthält alle Informationen zu einem Luftfahrzeug, ähnlich
einem Flugstreifen und wie sie auch durch die Analyse von Human-Factors-Consult (2009)
beschrieben wurden:
• Identification: Rufzeichen
• Type: Flugzeugtyp bzw. Fahrzeug z.B. A319; Car
• Location: Aktuelle Position des Luftfahrzeuges
• Rules: Flugregeln (IFR oder VFR)
• WTC: Wirbelschleppenkategorie (Light, Medium, Heavy, Super)
• S_Time: Geplante Abflug- oder Ankunftszeit
• Location: Zielort; bei abfliegenden Flugzeugen zunächst der
Haltepunkt der Piste, anschließend „Sky“; bei
ankommenden Flugzeugen die Parkposition
• Aim: Ziel; primär An- und Abflug (Arrival; Departure) aber auch
Auftanken (Refuel) oder Check (Überprüfen der Piste; für
Wartungsfahrzeuge) möglich
• Intention: Absichten, die das Fahrzeug verfolgt, z.B. Rollen zur
Startbahn, Start, Landung. Diese teilt das Flugzeug dem
Lotsen mit, der daraufhin seine Freigabe erteilt.
• LocationList: Freigegebene Flughafenabschnitte; enthält eine Liste von
Flughafenabschnitten, die das Luftfahrzeug nach Freigabe
des Lotsen verwenden darf bzw. in die es einfliegen darf.
• Status: Gibt an, welche Art Freigabe ein Luftfahrzeug besitzt z.B.
zum Rollen oder Starten
Das Einlesen der initialen Markierungen aller genannten Plätze des Flughafenmodells erfolgt
durch die Einbindung der externen Textdateien Scenario.txt sowie Layout.txt37. Durch
37 Beispiele für diese Dateien befinden sich im Anhang.
95
die Verwendung sogenannter Structured Colorsets werden die über ein Flugzeug zur Verfügung
stehenden Informationen in das Colorset vehicle eingebunden, wobei z.B. genau beschrieben
werden kann, wo sich welches Luftfahrzeug auf dem Flughafen befindet, welche Aktionen dieses
ausführen möchte und welche Freigaben es bereits besitzt.
Mit dem Befehl val vehicles wird hierbei die Konstante vehicles definiert und
festgelegt, welche Marken (also welche konkreten Flugzeuge) diese enthalten soll. Hierbei
werden alle Informationen über das Szenario gegeben, also z.B. welche Flugzeuge auftreten
sollen, wo diese sich bei Szenario-Beginn befinden, wann diese ihre Anfrage stellen, usw.
Weiterhin werden auf die gleiche Weise die Konstanten twys, stands, rwys, airborne und
final bestimmt, welche die initiale Markenbelegung der gleichnamigen Plätze der invariablen
Prozesslogik bestimmen.
Die Layout.txt enthält alle Informationen über den Aufbau des Flughafens. Vor allem wird
hier definiert, welche Rollwege der Flughafen besitzt und wie diese in Abschnitte unterteilt sind
(val location), mit welchen anderen Rollwegen der betreffende Abschnitt jeweils
verbunden ist (val connections) und wie lange das Überqueren des einzelnen
Rollwegsabschnittes dauert (val taxiDuration). Bei der Erstellung eines Flughafenmodells
ist daher im Vorfeld anhand der Flughafendiagramme genau festzulegen, welche Locations
definiert werden sollen, wie diese in Abschnitte unterteilt werden und wie diese mit anderen
Locations verbunden sind. Ferner ist zu berechnen, wie lange ein Luftfahrzeug jeweils benötigt,
um einen bestimmten Rollwegsabschnitt zu überqueren/ zu durchfahren38.
5.3 DAS INTERAKTIONSMODELL
5.3.1 THEORETISCHE ERLÄUTERUNG
Das Interaktionsmodell dient dem Austausch von Informationen zwischen dem Lotsen und
dem Flughafen. Hierbei wurden die aus der Feldstudie der Arbeitsumgebung wichtigsten
Informationsquellen modelliert: Die Außensicht (bei schlechter Sicht auch Radar39), die (neu
erhaltenen) Flugstreifen, sowie der Funkkanal. Eine Interaktion kann hierbei von beiden Seiten
initiiert werden. Der Prozess kann dem Lotsen Informationen zur Verfügung stellen, wie auch
der Lotse dem Prozess Informationen geben kann. Hierbei kann der Lotse vom Prozess
Informationen geliefert bekommen (Information Push; e.g. Cybenko & Brewington, 1999), kann
aber auch aktiv Informationen anfordern (Information Pull). Der Informationsfluss vom Prozess
zum Lotsen (Push) erfolgt einerseits durch das Drucken neuer Flugstreifen und andererseits
38 In der Version 1.9 wurde die Zeit anhand der zulässigen Rollwegsgeschwindigkeit von 20 Knoten auf
geraden und 10 Knoten auf Kurvenabschnitten (Ferdinand Behrendt, persönliches Gespräch am
27.03.2013) und einer durchschnittlichen Länge der Rollwegsabschnitte von 100 m approximiert.
39 Das Radar wurde in der vorliegenden Modellversion lediglich als Ersatz der Außensicht bei schlechter
Sicht eingefügt. Es werden bei beiden redundante Informationen zur Verfügung gestellt.
96
durch das Stellen von Requests über den Funkkanal. Beide führen zu einer gezielten Reaktion
des Lotsenmodells (siehe Abschnitt 5.4). Zusätzlich kann und muss das Lotsenmodell gezielt
Informationen aus dem Interaktionsmodell abrufen, um seine Aufgabe erfüllen zu können (Pull).
So müssen über die Außensicht (bzw. bei schlechter Sicht das Radar) Informationen über die
Zustände bestimmter Locations eingeholt werden, damit das Lotsenmodell entscheiden kann, ob
eine Freigabe gegeben werden kann oder nicht (vgl. Abschnitt 5.4.6).
Der Funkkanal wird außerdem vom Lotsenmodell verwendet, um seinerseits Informationen
an den Prozess zu senden. Konkret bedeutet dies, dass vom Lotsen Freigaben an das jeweilige
Luftfahrzeug übermittelt werden. Neben dem Komplexitätsfaktor Verkehrsaufkommen, der über
das Flughafenmodell beeinflusst werden kann, werden hier zwei weitere Komplexitätsfaktoren
implementiert: Die Sichtbedingungen (die in der vorliegenden Untersuchung keine Rolle
spielen), sowie die Belastung der Funkfrequenz, die einerseits vom Verkehrsaufkommen und
andererseits der Länge der jeweiligen Kommunikation abhängig ist (vgl. Kapitel 4.2).
5.3.2 DAS PETRINETZ-MODELL IM DETAIL
Im Zentrum des Interaktionsmodells steht der Platz Vehicles (vgl. Abbildung 25 auf Seite
97). Hiervon ausgehend erfolgen alle Aktionen, die aus dem Flughafenmodell heraus
angestoßen werden. Hierbei handelt es sich um das Drucken der Flugstreifen über die
Transition print_Flightstrip, sowie das Stellen von Anfragen über die Transition
Requesting_TWR. Hierbei ist definiert, dass die Transition print_Flightstrip erst dann
feuern kann, wenn die Zeit @x40 einer Marke auf dem Platz Vehicles den Wert der Modellzeit
erreicht hat (das Token steht zur Verfügung; vgl. Kapitel 4.6). Ferner muss die Marke, die ein
Flugzeug repräsentiert den Status Airborne, Waiting oder Approaching enthalten. Ist dies
gegeben, so wird der Druck eines Flugstreifens ausgelöst. Durch die direkte Rückgabe der Marke
auf den Platz Vehicles wird der Status der Marke, die das jeweilige Flugzeug repräsentiert, auf
Flightstrip_printed gesetzt, so dass verhindert wird, dass ein weiterer Flugstreifen für
dasselbe Flugzeug gedruckt wird. Ferner bietet dies die Möglichkeit, dem Flugzeug eine
Zeitverzögerung hinzuzufügen41.
Die Transition Requesting_TWR kann nun als nächstes auftreten, sofern folgende
Bedingungen erfüllt sind: Eine eventuelle zusätzliche Verzögerungszeit ist verstrichen (@x ≤
Modellzeit), der Status wurde auf Flightstrip_printed aktualisiert und es ist eine Marke
40 x Bezeichnet hierbei eine beliebige Zahl.
41 Um zu simulieren, dass der Flugstreifen etwa fünf Minuten vor dem eigentlichen Eintreffen eines
Flugzeuges gedruckt wird, wurde der Transition print_Flightstrip in früheren Modellversionen
eine Zeitverzögerung von @+300 (+300 Sekunden; vgl. Kapitel 4.6) hinzugefügt. In Version 1.9, die zur
Modellvalidierung diente, entfällt diese Verzögerung, da die Versuchspersonen die Flugstreifen bereits vor
sich liegen haben. Das Modell erhält den Flugstreifen unverzüglich bei Eintreffen des jeweiligen
Flugzeuges.
97
Abbildung 25: Das Interaction-Modell im Petrinetz
98
auf dem Platz Frequency_occupied vorhanden, dessen Zeit gleich der Modellzeit ist (@x ≤
Modellzeit). Letzteres beschreibt die serielle Verwendung des Funkkanales. Ist dies gegeben,
wird damit eine Marke auf dem Platz Acoustic_Output_TWR generiert, welche die Anfrage
eines Flugzeuges symbolisiert. Darüber hinaus wird die Zeit der Marke auf dem Platz
Frequency_occupied erhöht. Die Länge dieser Zeit entspricht damit der Länge einer
einzelnen Anfrage bzw. Anweisung und wird konstant mit einer Länge von fünf Sekunden
modelliert, was in etwa der mittleren Länge aller Anfragen und Anweisungslängen des
Validierungsversuches entspricht.
Nach der Verarbeitung aller nötigen Informationen und dem Treffen einer Entscheidung durch
das Lotsenmodell erscheint auf dem Platz Radio_TWR eine Marke, welche das Vorhandensein
einer Freigabe symbolisiert. Ist zusätzlich die Zeit der Marke auf dem Platz
Frequency_occupied gleich oder kleiner der Modellzeit, so kann die Transition Clearance
feuern und die Freigabe wird an das Flughafenmodell (das Flugzeug) übermittelt. Hierbei
werden alle nötigen Einträge in der jeweiligen Marke auf dem Platz Vehicles aktualisiert (also
beispielsweise, um welche Freigabe es sich handelt und für welche Locations die Freigabe gilt).
Für das Treffen von Entscheidungen muss das Lotsenmodell bestimmte Informationen sammeln.
Hierzu gehören Informationen über den Zustand bestimmter Locations des Flughafenmodells
beispielsweise, ob die Start-/Landebahn frei oder belegt ist. Mit einem Blick aus dem
modellierten Fenster kann das Lotsenmodell diese Information aufnehmen.
Liegt die visuelle Aufmerksamkeit auf der Außensicht, erscheint eine Marke auf dem Platz
Attention_on_FV (FV für far view – Außensicht). Bei guten Sichtbedingungen, die über den
Platz Visibility eingestellt werden können, kann ein direkter Abruf der Zustände der
benötigten Location durch feuern der Transition Check_Location vom Platz Location
erfolgen. Für den Fall, dass die Location (z.B. die Start-/Landebahn) frei ist, wird eine Marke auf
dem Platz Visual_Output generiert, welcher die Informationen enthält, welchen Status die
jeweilige Location besitzt (also z.B. RWY, free, wenn die Piste frei ist). Ist die Piste belegt, so
wird zusätzlich zu der Marke auf dem Platz Visual_Output eine weitere Marke auf dem Platz
Vehicle_on_Loc erstellt, um zu symbolisieren, welches Luftfahrzeug sich auf der jeweiligen
Location befindet. Gleichzeitig wird in die Marke auf Visual_Output geschrieben, dass die
Location belegt ist (also z.B. RWY, occpied). Je nachdem, welcher Satus hierbei generiert und
an das Lotsenmodell weitergeleitet wird, werden unterschiedliche Handlungen vom
Lotsenmodell erforderlich. Dies wird im folgenden Abschnitt näher erläutert.
99
5.4 DAS LOTSENMODELL
5.4.1 THEORETISCHE ERLÄUTERUNGEN
Das Lotsenmodell stellt die eigentliche kognitive Simulation dar und bildet die kognitiven
Prozesse des Lotsen ab. Zusätzlich werden aber auch kognitive Ressourcen modelliert, welche
für den vorliegenden Anwendungsfall speziell von Interesse sind.
Grundlegend orientiert sich das Lotsenmodell an der Handlungsregulationstheorie (Hacker,
1986), sowie an der in Kapitel 4.3 durchgeführten Aufgabenanalyse und dem in Kapitel 4.5
beschriebenen theoretischen Modell. Dabei wurde das Lotsenmodell nicht exakt in dem
Detailgrad und der Tiefe umgesetzt, wie in der Aufgabenanalyse und dem theoretischen Modell
beschrieben, sondern nur so detailliert wie nötig.
Die einzelnen Phasen der Handlungsregulation (wie in Kapitel 4.5 beschrieben) wurden im
Modell als Sub-Module umgesetzt. Als zusätzliches Sub-Modul wurde ein Arbeitsgedächtnis-
Modul (working_memory) abgebildet, welches die Speicherung und den Abruf von
Informationseinheiten beschreibt und eine begrenzte Kapazität besitzt.
In Anlehnung an die Handlungsregulationstheorie nach Hacker (1986) wurden die Phasen
Wahrnehmung (perceive; Abschnitt 5.4.2 und 5.4.3), Planung (plan; Abschnitt 5.4.4 und
5.4.5), Entscheidung (decide; Abschnitt 5.4.6 und 5.4.7) und Handlungsausführung (act;
Abschnitt 5.4.8 und 5.4.9) als Sub-Module realisiert (vgl. Abbildung 26 auf Seite 100), nach
denen auch die einzelnen Unteraufgaben und kognitiven Prozesse im theoretischen Modell
systematisiert worden sind. Wie im theoretischen Modell beschrieben, dient die Phase der
Wahrnehmung der Aufnahme aller relevanten Informationen, die Phase der Planung beschreibt
die Einordnung der Flüge in die Stripbay anhand ihrer Ankunfts bzw. Abflugszeit. In der
Entscheidungsphase wird auf Grundlage der aufgenommen Informationen und der Planung
festgelegt, welchem Flugzeug als nächstes welche Freigabe erteilt wird. Diese wird in der Phase
der Handlungsausführung übermittelt.
Da die Phasen, wie bereits beschrieben und aus der Aufgabenanalyse ersichtlich, nicht streng
sequentiell ablaufen, sind Sprünge zwischen den einzelnen Phasen möglich. So müssen z.B. auch
für die Phase der Planung Handlungen ausgeführt werden; zur Entscheidung sind Informationen
nötig, die erst aktiv aufgenommen werden, wenn die jeweilige Entscheidung getroffen werden
muss. Im Folgenden werden die einzelnen Phasen im Detail vorgestellt.
100
Abbildung 26: Das Lotsenmodell im Petrinetz
101
5.4.2 PHASE DER INFORMATIONSAUFNAHME
Die Phase der Informationsaufnahme (perceive) dient der Aufnahme aller relevanten
Informationen, wie sie durch die Aufgabenanalysen beschrieben werden. Die aktive Aufnahme
von Informationen wird hierbei durch das Eintreffen von Informationen aus dem zu
kontrollierenden Prozess getriggert. Das Sub-Modul perceive ist seinerseits nochmals in zwei
weitere Sub-Module unterteilt, welche die Aufnahme von Informationen mittels verteilter
(devided) und fokussierter (focused) Aufmerksamkeit darstellen (Annahme 1). Diese
Unterteilung orientiert sich an der Annahme von Wickens (2002), dass neben den
verschiedenen Modalitäten (auditiv und visuell) zwei Aspekte der visuellen Verarbeitung, focal
und ambient, existieren. Visuelle Stimuli können in beiden Aspekten aufgenommen werden
(verteilt und fokussiert), wobei sich der Informationsgehalt der aufnehmbaren Stimuli
unterscheidet. Fokussierte Aufmerksamkeit wird benötigt, um Details und Muster zu erkennen,
verteilte Aufmerksamkeit hingegen dient der Hinwendung zu Objekten (Wickens, 2002;
Annahme 2). Auditive Stimuli werden hier als in nur einem Aspekt aufnehmbar modelliert,
welcher hier ebenfalls als verteilte Aufmerksamkeit bezeichnet wird, einerseits da der Hörsinn
ein Fernsinn ist. Andererseits kann davon ausgegangen werden, dass der Lotse aufgrund der
Wichtigkeit des Funkkanales permanent seine auditive Aufmerksamkeit willentlich auf den
Funkkanal gerichtet hat (vgl. Broadbent, 1954, 1958; Treisman, 1960; Annahme 3).
Im Sub-Modul devided wurden daher zwei Stimuli modelliert, welche mit verteilter
Aufmerksamkeit aufgenommen werden können: Diese sind 1) die Information, dass ein
Flugstreifen gedruckt wurde über beide Kanäle (auditiv und visuell) und 2) die Anfrage
(request) eines Piloten über den auditiven Kanal. Die Information über den Druck eines
Flugstreifens ist hierbei eine sehr einfache Information, welche vornehmlich dazu dient, eine
visuelle Aufmerksamkeitsverschiebung zu initiieren, also die Hinwendung zu einem Objekt zu
triggern, weshalb sie mit verteilter Aufmerksamkeit wahrgenommen werden kann (vgl.
Wickens, 2002). Die Information darüber, dass ein Flugstreifen gedruckt wurde, kann hierbei
sowohl auditiv als auch visuell wahrgenommen werden, sodass bei Belegung eines Kanals der
jeweils andere die Information dennoch extrahieren kann. Das Bemerken eines Flugstreifens,
der gedruckt wird, stellt hierbei einen Bottom-Up42-Trigger zur Aufmerksamkeitsverschiebung
dar. Um den vollen Informationsgehalt des gedruckten Flugstreifens, also die detaillierten darauf
enthaltenen Informationen zu erfassen, ist eine Verschiebung der visuellen Aufmerksamkeit auf
den Flugstreifen notwendig (Fokussierung). Wird diese auf den Flugstreifen gerichtet, muss er
zunächst aus dem Drucker entnommen werden (vgl. auch Kapitel 5.4.8. und 5.4.9), bevor die
42 Als Bottom-Up werden Handlungen bezeichnet, welche hauptsächlich durch das Auftreten von externen
Hinweisreizen und eingehenden Informationen initiiert werden (Kallus et al., 1999).
102
Informationen extrahiert werden können und sie für den Planungsprozess zur Verfügung
stehen. Wie der Prozess im Detail modelliert wurde wird im folgenden Abschnitt 5.4.3 erläutert.
Die Wahrnehmung der Anfrage eines Piloten über den Funkkanal wird über den auditiven Kanal
erfüllt. Wie bereits oben beschrieben, wird hier nicht von einer Unterscheidung zwischen
fokussierter und verteilter Aufmerksamkeit ausgegangen, sodass die Informationen, die über
diesen Kanal kommen bereits vollständig extrahiert werden, ohne dass eine aktive
Aufmerksamkeitsverschiebung notwendig ist. Dies stellt hierbei bereits die Aufnahme des
kompletten Chunks dar. Unter der Voraussetzung, dass das SEEV-Modell43 (Wickens & McCarley,
2008; Wickens et al., 2007; Wickens, Helleberg, Goh, Xu, & Horrey, 2001) auch für auditive Reize
gilt, kann man davon ausgehen, dass für diese eine vergleichsweise hohe Wahrscheinlichkeit
besteht, dass ihnen Aufmerksamkeit geschenkt wird. Dies ergibt sich dadurch, dass die Salienz
(Salience) sehr hoch ist, während der Aufwand einer Aufmerksamkeitsverschiebung (Effort)
sehr gering ist. Weiterhin ist die Erwartung, auf diesem Kanal wichtige Informationen zu
erhalten (Expectancy), sowie auch dessen Wert (Value) sehr hoch. Zusätzlich ergibt sich aus der
Beobachtung, dass der Lotse permanent seinen Kommunikationskanal mit dem Piloten
überwacht und dieser eine der wichtigsten Informationsquellen des Lotsen darstellt.
Aufmerksamkeitsverschiebungen, wie sie eben beschrieben wurden, können allerdings auch
Top-Down44 initiiert werden, wenn bestimmte Informationen für einen Entscheidungsprozess
benötigt werden. So wurde festgelegt, dass für den Entscheidungsprozess drei Informationen
vonnöten sind (Annahme 4): Die Anfrage eines Piloten, der korrespondierende Flugstreifen aus
der Stripbay, sowie die Information über den Zustand der jeweiligen zu verwendenden
Location durch einen Blick nach draußen. Hierbei werden für den Abruf der Informationen
aus dem Flugstreifen und der Außensicht zwei Top-Down Trigger geschaltet, welche die
Aufmerksamkeitsverschiebung zur Stripbay und zur Außensicht initiieren. Die Außensicht hat
hierbei Priorität. Durch die ablaufenden Prozesse werden die benötigten Informationen aus der
Außensicht und der Stripbay zunächst im Arbeitsgedächtnis gespeichert und anschließend dem
nachfolgenden Entscheidungsprozess zur Verfügung gestellt (mehr hierzu im Abschnitt 5.4.7).
5.4.3 DAS PERCEIVE-MODELL IM PETRINETZ
Das Perceive-Modell besteht aus 21 Plätzen und fünf Transitionen. Die Aufnahme der
Informationen aus dem Interaktionsmodell erfolgt zunächst über zwei Plätze im devided Sub-
43 Mit dem SEEV-Modell beschreiben Wickens und Kollegen, wie Menschen ihre (visuelle)
Aufmerksamkeit auf verschiedene handlungsrelevante Reize verteilen. Hierbei kann in Abhängigkeit von
vier Haupteinflussfaktoren (Salience, Effort, Expectancy, Value) bestimmt werden, wie hoch die
Wahrscheinlichkeit ist, dass einem bestimmten Reiz Aufmerksamkeit zugewendet wird: P(A) = sS – efEF +
(exEX + vV) (Wickens & McCarley, 2008, S. 56)
44 Als Top-Down werden Prozesse bezeichnet, welche vornehmlich auf Plänen, Intentionen und Regeln
beruhen. Es wird damit Verhalten beschrieben, was hauptsächlich durch Kognition entsteht (Kallus et al.,
1999).
103
Modul (siehe Abbildung 27), welche wie bereits beschrieben die Aufmerksamkeits-
verschiebungen des Modells steuern und tiggern: die Information über den Druck eines
Flugstreifens (FS_Print) und eine Anfrage (Request) (in Abbildung 27 und Abbildung 28 auf
Seite 104 jeweils rot dargestellt). Hierbei wird ein einfaches Modell zugrunde gelegt, welches die
Informationen vor der Aufnahme (Plätze FS_Print und Request), sowie nach ihrer
Aufnahme (Plätze FS_Print_noticed und Auditory_Buffer) beschreibt. Zusätzlich
werden durch die Plätze visual_attention und auditory_attention die jeweiligen
Aufmerksamkeitsressourcen modelliert. Diese sind als gezeitete (timed) Marken abgebildet,
sodass diese bei Aufnahme von Informationen für eine bestimmte Zeit gebunden werden, bevor
neue Informationen aufgenommen werden können.
Abbildung 27: Das Devided-Sub-Modul im Petrinetz
Die Transitionen ambient_visual_perception, ambient_auditory_perception_1,
sowie ambient_ auditory_perception_2 stellen hierbei jeweils den Prozess der
eigentlichen Informationsaufnahme dar. Der Einfachheit halber wurden hier zwei Plätze für die
verschiedenen Informationen, sowie zwei Transitionen für die auditive Informationsaufnahme
modelliert45.
45 Eine etwas elegantere Modellierung hätte die Verwendung eines Union Platzes erfordert, wobei hier der
Aufwand der Implementierung eines solchen Platzes nicht im Verhältnis zu seinem Nutzen steht.
104
Abbildung 28: Das Perceive-Sub-Modul im Petrinetz
105
Die so aufgenommenen Informationen werden auf den nachgeschalteten Plätzen abgelegt und
stehen dann den nachfolgenden Prozessen zur Verfügung. Diese sind working_memory bei
auditory_buffer (siehe Abschnitt 5.4.10), sowie der Aufmerksamkeitsverschiebung (im
Sub-Modul perceive) bei FS_Print_noticed.
Der Prozess der Aufmerksamkeitsverschiebung zum gedruckten Flugstreifen ist im
hierarchisch darüber angeordneten percieve Modul modelliert (Abbildung 28 auf Seite 104)
und wird durch die Transition switch_attention_to_FS abgebildet. Diese Transition
konkurriert jeweils um die visuelle Aufmerksamkeit mit drei weiteren Areas of Interest (AOIs):
der Stripbay (switch_attention_to_SB), der Außensicht (switch_attention_to_FV)
und dem Radar (switch_attention_to_Radar). Diese Aufmerksamkeitsverschiebungen
werden, wie bereits erwähnt, jeweils durch Top-Down-Prozesse angestoßen, so dass weitere
Bedingungen für deren Auftreten erfüllt sein müssen. So muss für eine
Aufmerksamkeitsverschiebung zur Stripbay die Planung abgeschlossen sein, sowie die
Informationen aus der Stripbay für eine Entscheidung benötigt werden (der Transition
vorgeschaltete Plätze planning_completed und get_Info_from_SB). Für eine
Verschiebung der Aufmerksamkeit zur Außensicht, sowie zum Radar muss ebenfalls die
jeweilige Information für eine Entscheidung benötigt werden (vorgeschaltete Plätze
check_Loc_status und check_Radar). Hierbei wird wiederum in Anlehnung an das SEEV-
Modell (Wickens & McCarley, 2008; Wickens et al., 2007, 2001) sowie an Untersuchungen von
Pinska und Bourgois (2005) sowie Pinska (2008) der Außensicht und dem Radar eine höhere
Priorität zugeordnet, dass die Aufmerksamkeit dorthin verschoben wird, sollte die Auswahl
zwischen mehreren AOIs bestehen. Dies ergibt sich insbesondere daraus, dass der
Informationsgehalt (Value) welcher aus der Außensicht bzw. dem Radar erhalten wird (ein
Überblick über die aktuelle Verkehrssituation), sowie die Erwartung, auf diesem Kanal wichtige
Informationen zu erhalten (Expectancy), als höher angenommen werden kann, als es bei den
anderen beiden AOIs der Fall ist (Annahme 5). Die Salienz und der Aufwand können hierbei als
gleich angesehen werden. Die Zuordnung einer solchen Priorität erfolgt qualitativ46 durch das
Setzen des Prioritätswertes der Transitionen switch_attention_to_FV und switch_
attention_to_Radar auf P_HIGH, welcher in CPN-Tools voreingestellt ist. Die beiden
anderen Transitionen behalten ihren Wert P_NORMAL (wird in CPN-Tools nicht extra
angezeigt).
46 Das Setzen der Priorität könnte prinzipiell auch quantitativ erfolgen, wenn man die exakte Wahrscheinlichkeit für
eine Aufmerksamkeitsverschiebung z.B. nach dem SEEV-Modell genau berechnet und diese anstatt der Standard
Priorities in CPN-Tools übernimmt. Ebenso können die bei Pinska und Bourgois (2005), Pinska und Tijus (2007)
sowie Pinska (2008) gegebenen Wahrscheinlichkeiten für die Übergänge zwischen einzelnen Informationsquellen
übernommen werden.
106
Abbildung 29: Das focused-Sub-Modul im Petrinetz
107
Im Anschluss an die Aufmerksamkeitsverschiebung können die jeweiligen Prozesse im
focused Sub-Modul ablaufen (siehe Abbildung 29 auf Seite 106).
Je nachdem, wohin die Aufmerksamkeit im vorangegangenen Schritt verschoben wurde,
können dann die spezifischen Informationen extrahiert werden. Durch die Verschiebung zum
neu gedruckten Flugstreifen können beispielsweise die genauen darauf enthaltenen
Informationen extrahiert werden. Hierbei können immer nur die Informationen von genau
einem Flugstreifen in der Liste extrahiert werden, wobei es sich immer um das erste Element
der geordneten Liste, die auf dem Platz FS_Info liegt, handelt. Bei vorhandenem Flugstreifen
führt die Aufmerksamkeitsverschiebung zum neu gedruckten Flugstreifen zur Aktivierung der
Transition look_at_flightstrip, wodurch einerseits die extrahierte Information in den
nachgeschalteten Platz Visual_Buffer gelegt wird und andererseits der Trigger zur
Initiierung der Verkehrsplanung gesetzt wird (nachgeschalteter Platz initiate_
planning)47. Hierbei wird eine Verzögerung von 3,9 Sekunden hinzuaddiert, was der mittleren
Zeit entspricht, die Lotsen in Felduntersuchungen für den Blick auf die Flugstreifen benötigen
(Pinska, 2008; Annahme 6).
Die Aufmerksamkeitsverschiebungen zu den anderen AOIs erfolgt durch Top-Down-Trigger.
Hierbei wird jeweils auf den Plätzen check_Loc_status, sowie get_Info_from_SB eine
Marke generiert. Bei freier visueller Aufmerksamkeit auf dem Platz visual_Attention,
sowie abgeschlossener Planung (Marke auf dem Platz planning_completed) können die
Transitionen switch_attention_to_FV und switch_attention_to_SB feuern, wobei
switch_attention_to_FV wie bereits beschrieben eine höhere Priorität zugeordnet ist. Ist
die Aufmerksamkeit verschoben, so werden im focused Sub-Modul Marken auf die Plätze
attention_on_FV bzw. attention_on_SB generiert, wodurch die nachgeschalteten
Transitionen look_outside bzw. choose_next_vehicle feuern können. Bei Auftreten der
Transition look_outside wird eine Marke auf den nachgeschalteten Plätzen look_outside
sowie visual_attention generiert, wobei beiden eine Verzögerung von 7,2 Sekunden
hinzugefügt wird (Annahme 7). Dieser in Felduntersuchungen ermittelte Wert entspricht der
mittleren Zeit, die ein Lotse für den Blick aus dem Fenster benötigt (Pinska, 2008). Die visuelle
Aufmerksamkeit ist damit für 7,2 Sekunden für den Prozess des „aus-dem-Fenster-Schauens“
gebunden. Durch das Erscheinen einer Marke auf dem Platz look_outside wird auf dem Platz
Attention_on_FV im Interaction-Modell eine Marke abgelegt, so dass der Prozess des
Informationsabrufes aus dem Flughafenmodell, wie er in Kapitel 5.3.2 beschrieben ist, erfolgen
kann. Sind diese Prozesse ausgeführt, werden je nach Zustand der überprüften Location eine
47 In Version 1.8 ist vor der Aufmerksamkeitsverschiebung zunächst durch vorgeschaltete motorische
Aktionen der Flugstreifen aus dem Drucker zu entnehmen und in die Leseposition zu führen.
108
Marke auf dem Platz Far_View und Vehicle_on_Loc generiert. Bei freier Location wird
dabei eine Marke auf dem Platz Far_View generiert, welche unter anderem den Status „free“
der Location beinhaltet. Bei belegter Location wird eine Marke auf dem Platz Far_View
generiert, welche den Status „occupied“ enthält. Zusätzlich wird auf dem Platz
Vehicle_on_Loc eine Marke generiert, welche die Information enthält, welches Luftfahrzeug
die Location gerade besetzt. Die so erhaltenen Informationen werden im Anschluss durch das
Feuern der Transitionen get_loc_status bzw. Get_Vehicle_on_Loc in den
Visual_Buffer überführt. Bei Auftreten der Transition choose_next_vehicle wird der
auf dem Platz Stripbay vorhandenen geordneten Liste derjenige Flugstreifen entnommen, der
für den momentanen Entscheidungsprozess von Interesse ist und auf dem Platz
next_Vehicle abgelegt48. Die verbleibende Liste wird wieder auf dem Platz Stripbay
abgelegt. Wurde das Luftfahrzeug ausgewählt, können die zugehörigen Informationen vom
Flugstreifen extrahiert werden und die visuelle Aufmerksamkeit wird zurückgegeben, wobei
hierbei wiederum eine Verzögerung von 3,9 Sekunden für den Blick auf den Flugstreifen addiert
wird (Annahme 8). Die visuelle Aufmerksamkeit ist demnach für 3,9 Sekunden für diesen
Prozess gebunden (Pinska, 2008). Die extrahierte Information wird im Anschluss auf dem Platz
Visual_Buffer abgelegt.
Durch das Ablegen aller aufgenommenen Informationen in den Plätzen Visual_Buffer bzw.
Auditory_Buffer, werden diese dem nachgeschalteten Working-Memory-Modul zur
Verfügung gestellt, welches in den Abschnitten 5.4.10 und 5.4.11 behandelt wird (vgl. auch
Kapitel 3.4). Durch das Auftreten der Transition look_at_flightstrip wird außerdem die
Planung initiiert, welche der folgende Abschnitt behandelt.
5.4.4 PHASE DER PLANUNG
Die Phase der Handlungsplanung ist im MATriCS-Modell sehr stark anwendungsbezogen und
reduziert umgesetzt, da der Hauptfokus des Modells auf den kognitiven Ressourcen und dem
Arbeitsgedächtnis liegt.49.
Das Planungsmodul der vorliegenden Version 1.9 (siehe Abbildung 30) beschreibt die
Entnahme der Flugstreifen aus dem Drucker und anschließende Sortierung und Einordnung in
die Stripbay. Die Planung wird hierbei in Anlehnung an Smieszek et al. (2011) global als
Erstellung eines Staffelungs- bzw. Verkehrsplanes betrachtet. Das Modul beschreibt demnach
48 Dies erfolgt über die Standard-ML-Funktion List.filter (fn(v)=> #id(v)=ident)
flightstriplist am output-arc der Transition choose_next_vehicle. .
49 Es ist allerdings jederzeit möglich, beispielsweise für die Untersuchung anderer Schwerpunkte, das Sub-
Modul sehr viel detaillierter zu modellieren. Beispielsweise wäre die Planung weniger
anwendungsbezogen und allgemeiner als kognitive Aufgabe der Koordination von Handlungszielen
umsetzbar.
109
die Einordnung der neu erhaltenen, sowie der vom Lotsen selbst markierten Flugstreifen und
deren Sortierung anhand ihrer geplanten Ankunftszeit in die Stripbay. Der Erhalt eines
Flugstreifens triggert hier, wie bereits im vorherigen Kapitel beschrieben, die Planungsphase.
Hierzu müssen zunächst die Informationen, die der Flugstreifen enthält gelesen und mental
repräsentiert werden. Dabei wird ein Chunk im Arbeitsgedächtnis erstellt. Es wird damit die
Enkodierung der Informationen beschrieben, die für den Planungsprozess nötig sind. Konkret
bedeutet dies, dass der Lotse die geplante Ankunfts- oder Abflugszeit vom Flugstreifen abrufen
muss, um zu wissen, an welcher Stelle der Stripbay der Flugstreifen einzusortieren ist
(Annahme 9).
Abbildung 30: Das Planungsmodul im Petrinetz
5.4.5 DAS PLAN-MODELL IM PETRINETZ
Das Plan-Sub-Modul ist aufgrund dessen, dass der Fokus der Arbeit auf anderen Aspekten der
Lotsenarbeit liegt, dementsprechend simpel gestaltet. Es besteht aus sieben Plätzen und drei
Transitionen, wobei nochmals zwei unterschiedliche Prozesse abgebildet sind. Die Initiierung
der Planung erfolgt wie beschrieben im Perceive-Modell. Hierdurch wird eine Marke des
110
Colorsets UNIT auf den Platz initiate_planning abgelegt, wodurch die Transition
retrieve_FS_info aktiviert wird. Diese bewirkt, dass die Informationen des Flugstreifens
aus dem Arbeitsgedächtnis abgerufen werden (vgl. auch Abschnitt 5.4.11). Da angenommen
wird, dass ein Chunk eines Lotsen alle wichtigen Informationen zu einem Flugzeug enthält, also
alle, die auf einem Flugstreifen (sprich im colorset Vehicle) enthalten sind, werden auch alle
Informationen im Petrinetz repräsentiert, obwohl für die in diesem Sub-Modul abgebildete
Aufgabe nur die geplante Ankunftszeit von Interesse wäre. Dies bringt ebenso den Vorteil einer
einfacheren Umsetzung mit sich: Die Kommunikation mit dem Interaktionsmodell gestaltet sich
hierdurch sehr viel einfacher, wenn ein Colorset verwendet wird (hier FS_Info), welches dem
Colorset Vehicle gleicht, als wenn zwischen mehreren Colorsets mit verschiedenen
Dateninhalten gewechselt werden müsste.
Durch den Abruf der Information aus dem Arbeitsgedächtnis wird eine Marke auf dem Platz
stored_FS_info erstellt, wodurch die Transition add_flightstrip aktiviert wird,
vorausgesetzt, die Marke auf dem Platz WM_Capacity gibt an, dass Arbeitsgedächtniskapazität
zur Verfügung steht50, um den Prozess kognitiv auszuführen51. Durch das Feuern der Transition
wird der bereits auf dem Platz Stripbay enthaltenen Liste das Element auf dem Platz
stored_FS_info hinzugefügt52. Das eigentliche Sortieren anhand der geplanten Ankunftszeit
(Variable s_time) wird anschließend auf die um das neue Element ergänzte Liste angewendet.
Dies wird durch mehrere Standard-ML Funktionen (fun insert; fun sort; fun
orderFlightstriplist) übernommen, welche am Output-Arc der Transition
add_filghtstrip definiert sind. Diese erzeugen dann die geordnete Liste aller Flugstreifen
auf dem Platz Stripbay. Zusätzlich wird auf dem Platz planning_completed eine Marke
erzeugt, welche Voraussetzung dafür ist, dass eine Top-Down getriggerte
Aufmerksamkeitsverschiebung zur Stripbay erfolgen kann53.
5.4.6 PHASE DER ENTSCHEIDUNGSFINDUNG
Entscheiden beschreibt den Prozess des Auswählens aus mehreren Alternativen z.B. die
Entscheidung für eine bestimmte Vorgehensweise (Roske-Hofstrand & Murphy, 1998). Dies
50 Die Marke auf dem Platz WM_Capacity kann Zahlenwerte zwischen 0 und 10 (Anzahl der Chunks)
annehmen, wobei bei einem Wert von 10 keine weiteren Chunks im Arbeitsgedächtnis speicherbar sind.
51 In der Version 1.8 sind für das Hinzufügen des Flugstreifens motorische Handlungen auszuführen, die
durch den Wegfall des Planungsschrittes im Validierungsexperiment in Version 1.9 entfernt wurden.
52 Initial ist diese Liste leer.
53 Als weitere Vereinfachung wurde die Stripbay im „Kopf des Lotsen“ modelliert – wohl wissend, dass sie
ein externes Hilfsmittel darstellt. Da sie aber nicht dem Informationsaustausch zwischen Lotsen und
Flughafen dient, wurde sie nicht im Interaktionsmodell modelliert, da die Erstellung der nötigen
Verbindungen zwischen Lotsen- und Interaktionsmodell sehr komplex wären. Die Auswirkungen auf die
Performanz (Arbeitsgedächtnisbelegung, manuelle Handlungen) sind allerdings bei beiden Varianten der
Umsetzung gleich.
111
kann in der Flugverkehrskontrolle beispielsweise die Entscheidung sein, welchem Luftfahrzeug
zuerst eine Freigabe erteilt werden sollte. Dieser Prozess ist oft mit Unsicherheiten verbunden
und kann von individuellen Einstellungen, Erwartungen und kognitiven Tendenzen (Biases)
beeinflusst werden. Roske-Hofstrand und Murphy (1998) beschreiben, dass es in der
Flugverkehrskontrolle wahrscheinlich ist, dass Entscheidungen anhand von Regeln getroffen
werden (Entscheidungsheuristiken), die in der Vergangenheit gut funktionierten (vgl.
Kahnemann, Slovic, & Tversky, 1982; Wickens, 1992). Die Effizienz und Effektivität der
Entscheidungen wird dabei unter Anderem von der erforderlichen Anstrengung, der zur
Verfügung stehenden Zeit im Vergleich zur benötigten Zeit, den Erwartungen sowie
Begrenzungen der Aufmerksamkeit und des Arbeitsgedächtnisses eingeschränkt. Simon (1955)
beschreibt, dass Menschen oft möglichst schnell, mit begrenztem Wissen und begrenzter
Informationsverarbeitung Entscheidungen treffen müssen. In klassischen Entscheidungs-
situationen wenden Menschen daher Entscheidungsheuristiken an, um ihren begrenzten
Informationsverarbeitungsressourcen Rechnung zu tragen (Gigerenzer et al., 1999; Simon, 1955,
1956). Solche Heuristiken ignorieren häufig die Regeln der Wahrscheinlichkeit und wurden
daher lange Zeit als Verzerrungen (Biases) oder Abweichungen von rationalen Entscheidungen
angesehen. Moray (1986) beschreibt 25 solcher Biases, welche allerdings tatsächlich adaptive
Strategien zum Umgang mit Kapazitätsbegrenzungen darstellen.
Hollnagel (2012) beschreibt das Treffen von Entscheidungen als eine Ausprägung des ETTO-
Prinzips (vgl. Kapitel 1). Bereits Lindblom (1959) beschreibt das kognitive Verhalten von
Menschen als eine Reihe von Trade-Offs. Um mit diesen Trade-Offs umgehen zu können, legen
Menschen ein Verhalten an den Tag, das er mit „Muddeling-Through“ („sich durchwursteln“)
umschreibt (vgl. auch Dörner, 2000, S. 84; Hollnagel, 1992). Entscheidungen können daher in
vier Schritte unterteilt werden: (1) Definiere das prinzipielle Ziel. (2) Umreiße ein paar
offensichtliche Alternativen. (3) Wähle eine Alternative aus, die einen vernünftigen Kompromiss
zwischen Kosten und Nutzen darstellt. (4) Wiederhole das Vorgehen, wenn das Resultat
unbefriedigend ist (Hollnagel, 2012). Das gezeigte Verhalten wird hierbei allerdings nicht mit
begrenzter Informationsverarbeitungskapazität erklärt, sondern durch eine Anpassung an die
Umgebungsbedingungen. Einigkeit besteht allerdings darüber, dass Menschen nicht nach
optimalen Entscheidungen streben, sondern dass Entscheidungen eher so getroffen werden,
dass sie den Ansprüchen genügen (Simon, 1955). Ein solches Vorgehen bei Entscheidungen wird
auch mit Naturalistic Decision Making bezeichnet (Klein, 2008; Todd & Gigerenzer, 2001;
Zsambok & Klein, 1997). Möhlenbrink (2011) untersucht in diesem Zusammenhang, inwiefern
Fluglotsen Entscheidungsheuristiken anwenden, um den Flugverkehr effizient zu bearbeiten. Er
implementiert verschiedene solcher Heuristiken in ein holistisches Flughafen-Lotsenmodell (vgl.
Werther, 2006a), um diejenigen Handlungsstrategien abzubilden, die Probanden in einer
112
experimentellen Untersuchung in einer Mikrowelt prinzipiell verfolgen können. Hierbei
implementierte er sowohl die einfachste „first come, first served“-Heuristik, als auch einstufige
Hierarchien (z.B. Land > TakeOff > TaxiIn > Push > TaxiOut > TaxiInA) und zweistufige
Hierarchien (z.B. (TaxiIn > Land > TakeOff) > (TaxiOut > TaxiInA > Push)) (vgl. Möhlenbrink,
2011).
Die starke Reglementierung der Flugverkehrskontrolle sieht zusätzlich für viele Eventualitäten
und komplexitätserhöhende Faktoren sogenannte Standard Operating Procedures (SOPs) vor.
Aus Koros et al. (2006) geht hervor, dass Lotsen hauptsächlich nach diesen SOPs handeln und
ihre Entscheidungen danach treffen. Eine situationsbedingte Entscheidung muss der Lotse
beispielsweise treffen, wenn zwei Luftfahrzeuge gleichzeitig eine Flughafen-Ressource (z.B. die
Start-/Landebahn) verwenden wollen. Hierfür besagt die SOP beispielsweise, dass ankommende
Flüge immer Vorrang vor abfliegenden haben sollten (vgl. Kapitel 4.4.4). Die Schwierige Aufgabe
des Lotsen ist es dabei, zu evaluieren, ob und wie viel Zeit besteht, um beispielsweise zwischen
zwei ankommenden Flügen einem abfliegenden die Starterlaubnis zu erteilen. Eine solche
Evaluation ist bisher noch nicht im MATriCS-Modell umgesetzt worden.
Da der Fokus des hier vorliegenden Modells auf der Beschreibung der kognitiven Ressourcen
Aufmerksamkeit und Arbeitsgedächtniskapazität liegt und weniger auf der Implementierung
adäquater Entscheidungsalgorithmen oder Heuristiken, wurde die einfache „first come, first
served“-Heuristik nach Möhlenbrink (2011) implementiert (Annahme 10). Es wird dabei davon
ausgegangen, dass alle Informationen, die in den vorangegangenen Phasen aufgenommen,
gespeichert und bearbeitet worden sind, im Entscheidungsmodell zusammenlaufen. Aus der
Annahme, dass ein Lotse allein für einen Flughafen zuständig ist, ergibt sich außerdem eine
weitere Unterteilung des Entscheidungsprozesses in drei Unterprozesse, welche zunächst als
parallel ablaufend angesehen werden (Annahme 11): Das Lotsenmodell kann auf Basis seiner
Informationen entscheiden ob (1) eine Start- oder Landefreigabe gegeben werden muss/kann
(Location_Free_Landing _and_ Takeoff); (2) eine Rollfreigabe gegeben werden
muss/kann (Location_Free_ Taxi) oder (3) eine Freigabe zum Abrollen von der Start-
/Landebahn hin zur Parkposition gegeben werden kann/muss (Location_Occupied) (siehe
Abbildung 31 auf Seite 113). Dieser Entscheidungsprozess basiert dabei ausschließlich auf der
momentanen Situation und dem momentanen Status der betreffenden Location. Für
Entscheidungen, die die Start-/ Landebahn betreffen ist dieser Prozess ausreichend. Der Zustand
der Piste (frei; belegt) wird ständig im mentalen Modell des Lotsenmodells repräsentiert und
wenn nötig durch das Auftreten von Handlungen oder externen Ereignissen aktualisiert.
113
Abbildung 31: Das Entscheidungs-Modul im Petrinetz
114
Entscheidungen, die das Rollen betreffen, müssen allerdings den Zustand aller
Rollwegsabschnitte der angefragten Rollroute beinhalten. Die Entscheidungen des Lotsen
müssen außerdem nicht nur die aktuellen Zustände dieser Abschnitte, sondern auch deren
mögliche zukünftige Zustände berücksichtigen. Bereits aus den Aufgabenanalysen geht hervor,
dass der Lotse die Situation in die nahe Zukunft projizieren, sie mental simulieren muss (Klein &
Crandall, 1995; Klein, Moon, & Hoffmann, 2006, vgl. Kapitel 4.3.7 und 4.5). Die theoretischen
Grundlagen für die Implementierung eines solchen Entscheidungsmodells beschreiben Smieszek
und Joeres (2013). Sie identifizieren aber auch, dass zwar die mentalen Prozesse, die bei der
Schätzung von Zeitintervallen eine Rolle spielen, recht gut untersucht sind (vgl. Rußwinkel,
Urbas, & Thüring, 2011), jedoch ist die Übertragung dieser Prozesse auf die Projektion von
Routen noch nicht ausreichend erforscht. Ferner ist es ein ebenso wenig triviales Unterfangen zu
bestimmen, wie hoch der Bedarf an kognitiven Ressourcen für eine solche mentale Simulation
ist. Aus diesen Gründen wurden die Abläufe, die für Entscheidungen, die die Start-/Landebahn
betreffen, auch für Entscheidungen über die Rollwege übernommen (Annahme 12), wohl
wissend, dass hierbei sehr viel komplexere Prozesse involviert sind (vgl. Smieszek & Joeres,
2013). Die kognitive Beanspruchung ist dabei lediglich von der Anzahl der zutreffenden
Entscheidungen und damit der hierfür aufzunehmenden und zu speichernden Informationen
abhängig, nicht aber von der Komplexität der jeweiligen Entscheidung54 und dem mit dem
mentalen Simulationsprozess verbundenen Ressourcenbedarf (Annahme 13).
5.4.7 DAS ENTSCHEIDUNGSMODELL IM PETRINETZ
Das Entscheidungsmodell besteht aus 16 Plätzen und sechs Transitionen, wobei auf den
darunterliegenden Ebenen nochmals jeweils zwölf Plätze und zwei Transitionen hinzukommen.
Grundlegend wird davon ausgegangen, dass jeder der Entscheidungsabläufe durch die Anfrage
eines Piloten getriggert wird. Dabei wird immer diejenige Freigabe zuerst abgearbeitet, welche
zuerst den Lotsen erreicht hat („first come, first served“-Heuristik anhand der Variable
reqTime). Es können allerdings gleichzeitig Entscheidungsprozesse, die Start und Landung und
das Rollen betreffen, getriggert werden. Für das Treffen einer Entscheidung werden weitere
Informationen benötigt: der korrespondierende Flugstreifen aus der Stripbay, sowie die
Information über den Zustand der jeweiligen zu verwendenden Location durch einen Blick nach
draußen (vgl. auch Kapitel 5.4.2). Durch die Begrenzung der kognitiven Ressourcen (vor allem
visuelle Aufmerksamkeit) wird ein serielles Abarbeiten zweier gleichzeitig zu treffender
54 Prinzipiell ist anzunehmen, dass eine Entscheidung über eine Freigabe für ein Flugzeug sehr viel
einfacher, mit geringerem kognitivem Aufwand, zu treffen ist, wenn es sich allein auf dem Flughafen
befindet, als wenn mehrere andere Flugzeuge die gleichen Rollwegsabschnitte zu bestimmten Zeitpunkten
ebenfalls nutzen wollen. Hierbei ist zu bestimmen, wann welche Rollwegsabschnitte belegt sein werden,
wann es potentiell zu Kollisionen kommen kann und ob eventuell nur eine teilweise Freigabe gegeben
werden sollte (vgl. Kapitel 4.5).
115
Entscheidungen erreicht. So kann immer nur eine Information gleichzeitig visuell enkodiert
werden, während die visuelle Aufmerksamkeit für einen Prozess gebunden ist. Ferner können
bestimmte Entscheidungsprozesse nicht abgeschlossen werden, solange die benötigte Location
(z.B. die Start-/Landebahn) belegt ist (es wird z.B. keine Freigabe erteilt, solange die Start-
/Landebahn belegt ist). Wenn dies der Fall ist, muss zunächst der Prozess
Location_Occupied ablaufen, um die Location wieder frei zu machen bzw. die
Nachfolgefreigabe (das Rollen zur Parkposition) für das okkupierende Luftfahrzeug zu erteilen.
Über das Perceive-Modul und das Arbeitsgedächtnis-Modul werden dabei die eingehenden
Anfragen aus dem Flughafenmodell in das Entscheidungsmodul decide weitergeleitet. Es
werden alle zu einem Zeitpunkt anstehenden Anfragen auf dem Platz stored_Request
abgelegt. Diese Anfragen können dabei als Unterziele des Lotsen verstanden werden. Durch die
Funktionen listFilter_Landing_Takeoff(aimlist) und listFilter_Taxi
(aimlist)an den Output-Arcs der Transition split_requests werden diese anschließend
in Anfragen zum Starten und Landen, sowie für das Rollen aufgeteilt. Hierbei entsteht jeweils
eine anhand der Variable reqTime geordnete Liste aller Anfragen auf den nachgeschalteten
Plätzen Landing_or_Takeoff und Taxi. Diese stehen dann jeweils für die gezielten
Entscheidungsprozesse in den Substitutions-Transitionen Location_Free_Landing_
and_Takeoff (siehe Abbildung 32 auf Seite 116) und Location_Free_Taxi zur Verfügung.
Beide Sub-Module sind dabei ähnlich aufgebaut, da sich, wie oben beschrieben, das
Entscheidungsmodell für Rollfreigaben am Modell für Start- und Landefreigeben orientiert. Bei
Vorliegen einer Anfrage sind zunächst verschiedene Bedingungen zu überprüfen bzw.
Informationen zu sammeln, um zu entscheiden, ob eine Freigabe gegeben werden kann. Hierzu
feuert zunächst die Transition check_constraints, wenn die notwendigen
Eingangsbedingungen erfüllt sind. Für die gegebene Intention des Luftfahrzeuges muss daher
zunächst eine entsprechende Freigabe vorgesehen sein. Das bedeutet, dass in der Marke, welche
die Anfrage beschreibt, für die aktuelle Location, die Ziellocation und die gegeben Intention des
anfragenden Luftfahrzeuges eine entsprechende Freigabe auf dem Platz possible_
Clearances vorhanden sein muss. Dieser Platz kann als Teil des Langzeitgedächtnisses55 des
Lotsen angesehen werden, in dem Informationen darüber abgelegt sind, für welche Intentionen
von welchen Ausgangspunkten prinzipiell welche Freigaben erteilt werden können.
Für die Erteilung von Start- und Landefreigaben muss außerdem gewährleistet sein, dass eine
Marke für die entsprechende Start-/Landebahn auf dem Platz Locations_to_assign
vorhanden ist. Dieser Platz kann
55 Ein Langzeitgedächtnis wurde nicht explizit modelliert, sodass hier diese beiden beschriebenen Plätze
stellvertretend die Informationen enthalten, die prinzipiell in einem Langzeitgedächtnis gespeichert
wären.
116
Abbildung 32: Entscheidungs-Sub-Modul für Starts- und Landungen im Petrinetz
117
ebenfalls als Teil des Langzeitgedächtnisses angesehen werden, welcher Informationen darüber
enthält, welche Start-/Landebahnen prinzipiell existieren. Durch das Feuern der Transition
check_constraints werden eine Reihe Marken auf den nachgeschalteten Plätzen generiert,
welche einerseits die Top-Down Trigger für die aktive Informationsaufnahme darstellen,
andererseits die Voraussetzungen für den Abruf dieser Informationen aus dem
Arbeitsgedächtnis darstellen (vgl. Kapitel 5.4.3 und 5.4.11). Auf dem Platz get_Info_from_SB
wird eine Marke abgelegt, welche die Aufmerksamkeitsverschiebung zur Stripbay gewährleistet,
um die Informationen des Flugstreifens abzurufen. Die Aufmerksamkeitsverschiebung zur
Außensicht wird durch Ablage einer Marke auf dem Platz check_loc_status initiiert, welche
im Weiteren zum Abruf der Informationen über den Zustand der Location dient (vgl. Kapitel
5.3). Die Generierung jeweils einer Marke auf den Plätzen retrieve_SB_Info und
retrieve_Loc_Status dient der Vorbereitung des Abrufes der aufgenommenen
Informationen aus dem Arbeitsgedächtnis. Sind diese Informationsaufnahme- und
Abrufprozesse abgeschlossen, so wird auf den Plätzen stored_SB_info und
stored_Info_from_Far_View jeweils eine Marke abgelegt, die die betreffenden
Informationen des Flugstreifens bzw. über den Zustand der Location (free oder occupied)
enthält. Ist der Zustand der Location „free“, sowie der korrespondierende Flugstreifen
abgerufen, so wird die Entscheidung gefällt, dass eine Freigabe erteilt werden kann. Über die
Funktion locStateInMMFree(mental_model, clearAct) an der Transition give_
clearance wird hierbei die Voraussetzung überprüft, dass die benötigte Location auf dem
Platz stored_Info_from_Far_View den Status „free“ enthält. Ist dies der Fall, so kann die
Transition feuern. Dabei werden alle zuvor aufgenommenen Informationen integriert, um diese
Entscheidung zu generieren. Durch das Feuern der Transition give_clearance wird eine
Marke, welche die Freigabe enthält, auf dem Platz clearance erstellt.
Ist die betreffende Location auf dem Platz stored_Info_from_Far_View mit dem Status
„occupied“ versehen, so kann die Transition nicht feuern, da zunächst der Prozess
location_occupied ablaufen muss. Dieser wird im Anschluss an die Informationsaufnahme
aus der Außensicht getriggert. Das Modell stellt hierbei fest, dass die Location (z.B. die Piste)
noch von einem anderen Luftfahrzeug belegt ist (Platz vehicle_on_loc im Interaktions-
modell; vgl. Kapitel 5.3), welches zunächst eine Freigabe erhalten muss, damit die Piste wieder
frei ist. Hierbei wird der erhaltene Trigger im Arbeitsgedächtnis gespeichert und steht dem
Entscheidungsprozess dann auf dem Platz stored_ac_on_Loc zur Verfügung. Für die
Ausführung dieser Entscheidung müssen nur noch die Informationen des zugehörigen
Flugstreifens abgerufen werden, da die Information über die Belegung der Location bereits
vorhanden ist. Wurde die Flugstreifeninformation abgerufen, so kann die Transition
118
give_clearance feuern, womit die Freigabe zum Abrollen von der Piste und zum Rollen zur
Parkposition erteilt wird. Es wird ebenso eine Marke auf dem Platz clearance erstellt.
Weiterhin wird durch das Treffen von Entscheidungen jeweils Kapazität im Arbeitsgedächtnis
freigegeben (Platz WM_Capacity). Die freigegebene Kapazität richtet sich dabei danach, welche
Aktionen im Anschluss noch ausgeführt werden müssen und welche Informationen daher noch
weiter im Arbeitsgedächtnis aufrechterhalten werden müssen (Annahme 14; Zeigarnik-Effekt;
Zeigarnik, 1927). Beispielsweise muss bei einer Rollanfrage zur Piste nach der Erteilung der
Freigabe der Flugstreifen markiert und wieder in die Stripbay einsortiert werden, wobei so
lange Informationen aufrecht erhalten werden müssen, bis dieser Prozess abgeschlossen ist56.
Die auf die Entscheidung folgenden Prozesse sind im nachfolgenden Abschnitt erläutert.
5.4.8 PHASE DER HANDLUNGSAUSFÜHRUNG
Hat der Lotse eine Entscheidung getroffen, so muss er sie an den Piloten übermitteln. Die
geschieht über die Funkkommunikation. Zusätzlich müssen weitere Handlungen ausgeführt
werden, wie beispielsweise das Markieren der Flugstreifen, das Entnehmen des Flugstreifens
oder die Weitergabe des Flugstreifens an die nächste Kontrollposition (Handover). Neben der
Aufnahme und der Verarbeitung von Informationen muss der Lotse motorische Bewegungen
ausführen. Zusätzlich zu den kognitiven Prozessen und den extern ablaufenden Verkehrs-
prozessen werden auch diese motorischen Prozesse und die damit verbundenen
Zeitverzögerungen im Modell abgebildet. Die Zeit, die ein Lotse für die von ihm durchgeführten
Bewegungen benötigt, lässt sich dabei auf zwei Prozesse aufteilen: Zum einen müssen
motorische Prozesse vorbereitet und initiiert, zum anderen physisch ausgeführt werden
(Annahme 15). Die Dauer der physischen Bewegungen lassen sich anhand von Fitts’ Law (Fitts,
1954) approximieren (Annahme 16). Da es sich bei den hier betrachteten Bewegungen von
Lotsen um Bewegungen im dreidimensionalen Raum handelt, etwa das Greifen nach oder das
Ablegen von Flugstreifen, wird zur Abschätzung der Dauer dieser Greifbewegungen die
allgemeine Form von Fitts' Law nach Welford (Welford, 1960, 1968; vgl. McKenzie, 1992)
angewendet:
𝑇=𝑎+𝑏 ∙log2�𝐴
𝑊+ 0,5�
Dabei beschreibt A die relative Entfernung, die bei einer Bewegung zurückgelegt wird. W
beschreibt die relative Zielbreite (vgl. Abbildung 33).
56 Hierbei sei nochmals darauf hingewiesen, dass in der aktuellen Version kein zeitlicher Decay von
Informationen implementiert wurde, die Informationen also solange bestehen bleiben, bis sie „aktiv“
vergessen werden.
119
Abbildung 33: Relative Zielbreite (eigene Darstellung nach Preim und Dachselt, 2010)
Diese ist abhängig von der Richtung, aus der ein Ziel angesteuert wird. In diesem Fall ist die
relative Zielbreite minimal, wenn das Zielfeld mit einem Winkel von α = 90° angesteuert wird
und maximal, wenn α = arctan(h/w) ist. Für dreidimensionale Armbewegungen wurden die
Koeffizienten a und b experimentell von Kerr und Langolf (1977) ermittelt, die die folgende
Gleichung aufstellen:
𝑇=78 ∙log2�𝐴
𝑊+ 0,5�−10𝑚𝑚
Um alle möglichen Bewegungen zu beschreiben, müssen also die Entfernung und die relative
Zielbreite zwischen jedem motorischen Startpunkt A und Zielpunkt B bestimmt werden. Zu
diesem Zweck werden motorische Locations definiert, die der Lotse im Laufe seiner Arbeit
erreichen muss. Diese Locations basieren dabei in der vorliegenden Modellversion nicht auf dem
realen Arbeitsplatz eines Towerlotsen, sondern auf dem experimentellen Setting (vgl. Kapitel
6.1.2), in dem das Gesamtmodell validiert wurde. Diese können aber jederzeit an das Layout
realer Towerarbeitsplätze angepasst werden. Hierzu kann die im Anhang befindliche Datei
„Zeitberechnung_manual_Welford_v1.8.xlsx“ verwendet werden.
Aus dem Arbeitsablauf des Towerlotsen, bzw. der Versuchspersonen im Experiment, ergeben
sich fünf Locations:
• Ein Bereich, in dem die unterschiedlichen Stifte für verschiedene Aufgabenteile liegen
(pens/default).
• Die Stripbay (SB), die zur Aufnahme und zur Markierung der Flugstreifen angesteuert
wird.
• Der Ablagekorb, in den die Flugstreifen abgearbeiteter Flugzeuge gelegt werden (HO).
• Die Sprechtaste des Funkgerätes (Radio).
• Der Fragebogen zur Erhebung der momentanen mentalen Beanspruchung (rsme)57.
57 Die hier definierten motorischen Loctaions basieren auf dem Arbeitsplatz der Versuchspersonen im
Validierungsversuch. Für einen realen Lotsenarbeitsplatz wurden in MATriCS-Version 1.8 folgende
Locations definiert: Stripbay/Default, Flugstreifen-Drucker (FS-Printer), Leseposition für Flugstreifen
(Read), Funkgerät (Radio) und Handover.
120
Jede dieser Locations wird als Quader definiert, in den die Hand hineinbewegt werden muss. Die
Hand wird dabei vereinfacht als geometrischer Punkt betrachtet. Diese Quader liegen in einem
Koordinatensystem, dessen Ursprung in der vorderen linken Kante des Arbeitstisches liegt. Die
y-Achse zeigt dabei in Blickrichtung des
Lotsen, die x-Achse (vom Lotsen aus) nach
rechts und die z-Achse nach oben (vgl.
Abbildung 34).
Jede Location wird durch zwei Vektoren
beschrieben. Der erste Vektor ( 𝑃𝑃𝑆𝐴
�
�
�
�
�
�
�
�
�
�
)
beschreibt dabei die Position des Quaders, der
zweite Vektor ( 𝑆𝑆𝑆𝑆𝐴
�
�
�
�
�
�
�
�
�
�
�
�
) beschreibt die
Ausdehnung in den drei
Koordinatenrichtungen. Bei fünf Locations
ergibt sich eine Anzahl von 𝑛𝑚𝑚𝑚 = 2 ∙ (4 + 3 + 2 + 1)= 20 möglichen Bewegungen. Dabei ist
zu beachten, dass Bewegungen zwischen den gleichen Locations aber mit umgekehrter Richtung
getrennt betrachtet werden müssen (𝐴→𝐵 ≠𝐵 →𝐴). Es ergibt sich also für jede mögliche
Bewegung von einem beliebigen Punkt A zu einem beliebigen Punkt B:
• Für den relativen Abstand: 𝐴 = | 𝑃𝑃𝑆𝐵
�
�
�
�
�
�
�
�
�
�
�
− 𝑃𝑃𝑆𝐴
�
�
�
�
�
�
�
�
�
�
|
• Für die relative Zielbreite: 𝑊= 2 ∙� 𝑃𝑃𝑆𝐵
�
�
�
�
�
�
�
�
�
�
�
− 𝑆𝐴𝐵
�
�
�
�
�
�
�
Wobei 𝑆𝐴𝐵
�
�
�
�
�
�
der Schnittpunkt der Geraden durch 𝑃𝑃𝑆𝐵
�
�
�
�
�
�
�
�
�
�
�
und 𝑃𝑃𝑆𝐴
�
�
�
�
�
�
�
�
�
�
mit dem Quader um die
Location B ist. Für die Berechnung der Bewegungsdauer wurde die im Anhang befindliche Datei
„Zeitberechnung_manual_Welford_v1.9.xlsx“ verwendet.
Für die Dauer der Bewegungsvorbereitung werden an dieser Stelle die Berechnungs-
mechanismen der kognitiven Architektur ACT-R zugrunde gelegt (Bothell, 2007). Hier wird
angenommen, dass die Vorbereitungsdauer einer Bewegung von ihrer Komplexität abhängig ist.
Die Komplexität ist wiederum abhängig von der Anzahl der Features, anhand derer die
Bewegung definiert wird. Jedes Feature ist eine elementare Information über die entsprechende
Bewegung, wie etwa die Bewegungsart, die verwendete Hand, evtl. verwendete Finger, sowie die
Bewegungsrichtung und –weite (Annahme 17).
Dabei werden fünf verschiedene Bewegungsarten unterschieden, die in Bothell (2007, S.309 f)
beschrieben werden. Für jedes Feature, das zu einer Bewegung gehört, wird eine
Vorbereitungsdauer von 50 ms veranschlagt. Tabelle 2 zeigt die Features, die den fünf
definierten Locations zugeordnet werden und die daraus resultierenden Vorbereitungszeiten.
Zusätzlich zur jeweiligen Vorbereitungsdauer wird eine Initiation-Dauer von 50ms
berücksichtigt.
Abbildung 34: Koordinatensystem am Lotsenarbeitsplatz
121
Tabelle 2: Bewegungstypen, die damit verbundene Anzahl der Features und die sich daraus ergebende Vorbereitungszeit für die
definierten Ziel-Locations
Bewegungstyp /
Ziel-Location
Notwendige Features Vorbereitungs-
dauer
Griff nach einem
neuen Stift ( pens)
• Motion Style: Point-hand
•
Hand: right58
• Direction
• Distance
• Motion Style: Peck [als Greifersatz]
• Hand: right45
• Finger: index
•
Finger: thumb
6 Features
250ms + 50ms
Bewegung zur
Stripbay ( SB)
• Motion Style: Point-hand
•
Hand: right46
• Direction
•
Distance
3 Features
150ms + 50ms
Übergeben der FS
(HO)
• Motion Style: Ply
•
Hand: right46
• Direction
• Distance
• Motion Style: Peck [als Ersatz für Loslassen]
• Hand: right46
•
Finger: index
5 Features
250ms + 50ms
Aktivieren des
Funkgerätes (radio)
•
Motion Style: Point hand
•
Hand: righ46
• Direction
• Distance
• Motion Style: Peck
• Hand: right46
•
Finger: index
5 Features
250ms + 50ms
Bewegung zum
Fragebogen (rsme)
• Motion Style: Ply
•
Hand: right46
• Direction
•
Distance
3 Features
150ms + 50ms
5.4.9 DAS HANDLUNGS-MODELL IM PETRINETZ
Das Act-Modul besteht aus 18 Plätzen und sieben Transitionen, sowie nochmals fünf Plätzen
und zwei Transitionen um Manual-Modul. Motorische Prozesse treten im Modell immer dann
auf, wenn der Lotse Flugstreifen modifiziert oder weiter gibt, wenn er Fragebögen ausfüllt, oder
den Sprechfunk aktiviert. Diese Operationen sind im Modell-Modul act angesiedelt (siehe
Abbildung 35 auf Seite 122). Zeitlich können motorische Handlungen allerdings auch parallel zu
den ablaufenden kognitiven Prozessen ausgeführt werden
58 Die ausführende Hand und damit das entsprechende Feature ist immer dasselbe. Aus diesem Grund darf
das Feature nicht mitgezählt werden.
122
Abbildung 35: Das Act-Modul im Petrinetz
123
(Wickens, 1984; vgl. Kapitel 2.1; Annahme 18) und somit kann das act-Modul auch Trigger
enthalten, die aus allen anderen Modulen stammen. Dies ist immer dann der Fall, wenn für die
Ausführung kognitiver Aufgaben zunächst motorische Handlungen erforderlich sind (z.B. das
Entnehmen von Flugstreifen aus dem Drucker59). Motorische Aktionen sind vorwiegend im
Anschluss an die Entscheidung notwendig. Durch das Ablegen einer Marke auf dem Platz
clearance werden dabei nacheinander diejenigen Prozesse aktiviert, welche motorische
Handlungen erfordern. Diese sind das Aktivieren des Funkgerätes zur Übermittlung der
Freigabe (Transition activate_Radio), die Markierung des Flugstreifens (Transition
mark_Flightstrip) und das Ablegen des Flugstreifens in der Stripbay bzw. die Übergabe
zur nächsten Kontrollposition (Transition Add_FS_to_SB_or_handover). Zusätzlich ist für
die präzise Abbildung der Bedingungen des Validierungsexperimentes ein weiterer Trigger
implementiert, welcher das Ausfüllen des Fragebogens modelliert. Hierbei wird durch den Platz
peep (simuliert den Piepton, der die Versuchspersonen aufforderte, den Fragebogen
auszufüllen) alle 60 Modellzeitschritte (also alle 60 Sekunden) die Transition
Fill_in_Questionaire aktiviert, welche eine Anfrage für die entsprechende Bewegung an
das manuelle Modul stellt.
Beim Schalten der genannten Transitionen werden auf dem Platz Manual_Action jeweils die
zugehörigen Anfragen an das motorische Modul (siehe Abbildung 36) abgelegt, bevor sie (wie
weiter unten erläutert) von diesem verarbeitet werden. Wird zurzeit keine motorische
Operation ausgeführt, liegt auf dem Platz Hand_Free eine Marke des Colorset UNIT, welche
anzeigt, dass das motorische Modul gerade frei ist. Der Platz Manual_Executed dient als
Output-Kanal des motorischen Moduls an das übergeordnete act-Modul und zeigt an, wenn
eine motorische Bewegung ausgeführt ist. Das Vollenden einer motorischen Aktion ist meist
Voraussetzung für weitere Simulationsschritte.
Wird von einer der oben genannten Transitionen eine Anfrage gestellt, gelangt diese über den
Platz Manual_Action an das motorische Modul. Derartige Anfragen werden in einer Liste auf
dem gleichnamigen Platz abgelegt und umfassen eine komplette Aktion, wie z.B. „Mark_FS“
(markieren eines Flugstreifens). Diese wird im motorischen Modul in einzelne Teilbewegungen
aufgespalten: Im ersten Schritt (Transition Interpret_Action) wird dabei die Aktion, die in
der Request-Liste an erster Stelle steht, entsprechend der Funktion manual_request in ihre
Bewegungsbestandteile „zerlegt“ und der eigentliche motorische Prozess gestartet.
Voraussetzung hierfür ist, dass auf dem Platz Hand_Free eine Marke liegt, d.h. zu diesem
59 In der vorliegenden Modellversion sind keine Tirgger des motorischen Moduls aus anderen Modulen
vorhanden, da das Aufnehmen von Flugstreifen aus dem Drucker und aus der Stripbay im durchgeführten
Validierungsexperiment nicht Teil der Aufgabe der Versuchspersonen war. Die Version 1.8, die auf einem
fiktiven Towerarbeitsplatz beruht, enthält allerdings diese Trigger.
124
Zeitpunkt also keine weiteren motorischen Prozesse laufen. In der Funktion manual_request
ist für jede auftretende Aktion festgehalten, welche Locations für diese Aktion angesteuert
werden. Auf den nachfolgenden Platz Manual_Request wird damit eine Liste abgelegt, in der
alle Locations, die im Rahmen der Aktion angesteuert werden, aufgeführt sind.
Die folgende Transition Move_Hand gibt die Position der Hand nach Abschluss der gesamten
Operation aus. Zusätzlich wird an dieser Stelle die Gesamtdauer der Operation berechnet. Diese
Berechnung erfolgt anhand der Funktion man_req_time. Wie bereits erwähnt, dient als Input
eine Liste aller Locations, die im Laufe der Operation angesteuert werden. Hierbei liegt die
Annahme zugrunde, dass es sich um sehr gut geübte Bewegungen handelt, sodass alle
Teilbewegungen in einer Gesamtbewegung zusammengefasst werden (Annahme 19). Bei
unbekannten bzw. wenig geübten Bewegungen wäre davon auszugehen, dass Teilbewegungen
einzeln repräsentiert werden. Die rekursive Funktion man_req_time ermittelt die Dauer jeder
daraus resultierenden Einzelbewegung und kumuliert diese. Die Dauer jeder möglichen
Einzelbewegung ist entsprechend Kapitel 5.4.8 berechnet und in der Funktion manual_time
aufgeführt.
Eine Ausnahme stellt hierbei die Bewegung „mark“ dar, die das Markieren von Flightstrips
oder einen Eintrag in den RSME-Fragebogen darstellt. Diese lässt sich nicht auf Grundlage von
Abbildung 36: Das Manual-Modul im Petrinetz
125
Fitts’ Law berechnen, da es sich nicht um eine klassische, zielende Bewegung handelt. Aus
diesem Grund wurde die Dauer für einen mark-Vorgang auf 2s festgelegt (Annahme 20). Die
Hand selbst wird beim Feuern der Transition Move_Hand noch nicht freigegeben (keine Marke
auf Hand_Free). Die Freigabe dieser Kapazität erfolgt auf der übergeordneten act-Ebene
durch die jeweiligen Transitionen, welche die motorischen Bewegungen beschreiben (z.B.
Send_Clearance) sowie Addition der Zeit, die durch das Manual-Modul berechnet wurde.
Sind die motorischen Bewegungen ausgeführt, so werden auf den jeweiligen nachgeschalteten
Plätzen im act-Modul Marken generiert, welche die nachfolgenden Prozesse initiieren. Die
Aktivierung des Funkgerätes initiiert damit, dass die Transition Send_Clearance feuern kann
und damit eine Marke auf dem Platz Radio_TWR generiert wird, welche an das Interaktions-
Modell übertragen wird und die Freigabe so an das Flughafenmodell übermittelt (vgl. Kapitel
5.3). Zusätzlich wird in Abhängigkeit der gegebenen Freigabe ein erneutes Überprüfen der
freigegebenen Location, sowie das Abrufen der Information über den Zustand dieser Location
(free oder occupied) initiiert (Plätze check_Loc_status und Retrieve_Loc_status).
Zusätzlich wird über den Platz Frequency_occupied die Verwendung des Funkgerätes für
eine gewisse Zeit geblockt (im Modell mit 5s festgelegt; mittlere Dauer einer Anfrage/Freigabe;
vgl. Kapitel 5.3; Annahme 21). Außerdem wird wiederum in Abhängigkeit der zu erteilenden
Freigabe Arbeitsgedächtniskapazität freigegeben (vgl. Annahme 14) .
Durch die Generierung einer Marke auf dem Platz Clearance_delivered wird das
nachfolgende Markieren des Flugstreifens ermöglicht (Transition Mark_Flightstrip). Diese
greift hierbei, ebenso wie die Transition Fill_In_Questionaire, auf die visuelle
Aufmerksamkeit zu, da für die Bearbeitung dieser Aufgabe visuelle Ressourcen benötigt werden.
Diese wird nach Abschluss der Flugstreifenmarkierung (Platz Flightstrip_marked) durch
die nachgeschaltete Transition Add_FS_to_SB_or_handover wieder freigegeben. Zusätzlich
wird hierbei je nachdem, ob weitere Aktionen des Luftfahrzeuges bearbeitet werden müssen,
bestimmt, ob ein Handover stattfindet (Platz Handover) oder der Flugstreifen wieder in die
Stripbay einsortiert wird (Platz new_FS_Info). Die Notwendigkeit des Einsortierens eines
Flugstreifens löst wiederum den plan-Prozess aus (vgl. Kapitel 5.4.4 und 5.4.5).
5.4.10 DAS ARBEITSGEDÄCHTNISMODELL
Das Arbeitsgedächtnismodell stellt für die in dieser Arbeit vorliegende Problemstellung die
zentrale Komponente des Modells dar. Es wird dazu verwendet, eine quantitative Einschätzung
der mentalen Beanspruchung des Lotsenmodells über die Zeit bereitzustellen. Das Modell selbst
orientiert sich an den in Kapitel 2.2 vorgestellten Theorien des Arbeitsgedächtnisses. Aufgrund
der zahlreichen ungeklärten Mechanismen und offenen Fragestellungen, vor allem zur
126
Ressourcenbegrenzung der einzelnen Teilsysteme, die im Zusammenhang mit Baddeleys Multi-
Komponenten-Theorie (Baddeley & Hitch, 1974; Baddeley, 2012) stehen, wurde hier allerdings
von einer einfachen Single-Limited Capacity Theory ausgegangen (vgl. Kapitel 2.2 und 3.4;
Annahme 22). Es werden demnach keine unabhängigen Systeme für auditiv-verbale und
räumlich-visuelle Informationen angenommen, sondern lediglich ein einzelner Speicher mit
einer einzelnen begrenzten Kapazität (vgl. Kahnemann, 1973; Miller, 1956). Die Speicherung der
Informationen erfolgt direkt nach der Informationsaufnahme aus dem auditory und visual
buffer im WM_storage-Prozess (vgl. Abbildung 37).
Es wurde außerdem entscheiden, keine Modellierung eines wie bei Cowan (1999)
beschriebenen zeitlichen „decay“ der Informationen (Chunks) vorzunehmen, da seine
Umsetzung im ereignisdiskreten Petrinetz einige Schwierigkeiten mit sich bringt: Einerseits
müsste festgelegt werden, in welchen Zeitabständen ein in jedem Chunk enthaltener
Aktivierungs-Wert diskret verringert wird, und zwar so lange, bis der Chunk vollständig
verblasst (also vergessen) ist. Die Umsetzung eines solchen decay, selbst wenn er im
Sekundenbereich läge, würde zu erheblichen Performanzeinbrüchen der Simulation führen.
Abbildung 37: Das Working-Memory-Modul (WM) im Petrinetz
Weiterhin besteht das Problem, dass die im Arbeitsgedächtnis vorhandenen Chunks Trigger
für nachfolgende Prozesse des kognitiven Modells darstellen (Marken als Vorbedingungen für
das Schalten bestimmter Transitionen). Würde ein Chunk daher vollständig vergessen werden
(Verschwinden der Marke), würde das Petrinetz in ein Deadlock laufen und das Netz damit tot
sein. Es wird daher davon ausgegangen, dass die Informationen (Chunks) so lange im Speicher
127
liegen bleiben, bis alle kognitiven Prozesse, die in irgendeiner Weise die in ihnen enthaltenen
Informationen benötigen, abgeschlossen sind. Erst im Anschluss daran können die Chunks
„vergessen“ werden, was mit einer Freigabe der Arbeitsgedächtniskapazität einhergeht
(WM_Capacity).
Der Abruf der Chunks (WM_retrieval) erfolgt erst dann, wenn die Information tatsächlich
benötigt wird. Die Beschreibung eines solchen Abrufprozesses kann entfernt mit der bei Cowan
(2001) beschriebenen Verschiebung eines Focus of Attention auf die jeweils benötigte
Information verglichen werden. Hierbei wird allerdings nicht explizit davon ausgegangen, dass
es einen einzelnen Focus of Attention gibt, der eine begrenzte Kapazität besitzt (vgl. auch
McElree, 2001; Oberauer & Bialkova, 2009). Vielmehr wird lediglich der Prozess des Abrufens
beschrieben, unter der Bedingung, dass vorgeschaltete Prozesse, die diese Information
benötigen, bereits abgelaufen sind. Die genauen Abläufe und der Aufbau des
Arbeitsgedächtnismoduls wird im folgenden Abschnitt beschrieben.
5.4.11 ARBEITSGEDÄCHTNIS IM PETRINETZMODELL
Das Petrinetzmodell des Arbeitsgedächtnisses (WM) besteht aus 13 Plätzen und zwei
Transitionen und ist nochmals in zwei Sub-Module, die die Speicherung (WM_storage) und den
Abruf (WM_retrieval) der Chunks beschreiben, unterteilt. Diese bestehen jeweils nochmals
aus sechs Pläzen und Transitionen (WM_storage) bzw. neun Plätzen und fünf Transitionen
(WM_retrieval). Die in der Phase der Informationsaufnahme erhaltenen Informationen
werden in Form von Marken jeweils auf den Eingangsplätzen Auditory_Buffer und
Visual_Buffer abgelegt und dem WM_storage-Modul zur Verfügung gestellt (siehe
Abbildung 38 auf Seite 128). Hierbei werden die auf den Buffer-Plätzen abgelegten
Informationen durch das Schalten der jeweiligen Transition (z.B. store_aud für die
Speicherung auditiver Informationen, also der Anfrage) in den Speicher (Storage)
verschoben. Dabei wird für jede Information (Chunk) auf dem Platz WM_Capacity die Anzahl
der hier gespeicherten Elemente erhöht. Dies wird durch eine Marke vom colorset int
realisiert, welcher bei Initialisierung des Netzes ein Wert von „0“ zugewiesen wird. Mit jedem
gespeicherten Chunk (Auftreten einer store-Transition) wird dieser Wert um 1 erhöht. Ein
Chunk wird dabei mit einer Marke gleichgesetzt, welche weitere Items enthält. Hierbei können
unterschiedliche Marken unterschiedlich komplexe Chunks enthalten (siehe Beschreibung der
Colorsets Kapitel 5.2.3). Beispielsweise enthält die Marke vom Typ Aim_List auf dem Platz
auditory_buffer die Informationen, die einer Anfrage entsprechen: Anfragendes Flugzeug
(Rufzeichen), letzte Position dieses Flugzeuges, Zielposition des Flugzeuges, Intention und die
Zeit, zu der die Anfrage gestellt wurde.
128
Abbildung 38: Das WM_Storage-Modul im Petrinetz
129
Der Platz visual_buffer kann einerseits Informationen von den Flugstreifen, andererseits
Informationen aus der Außensicht enthalten. Informationen von Flugstreifen sind sehr komplex
- sie enthalten im Modell die Informationen zu einem Flugzeug:
• Rufzeichen
• Flugzeugtyp (z.B. A319)
• letzte Position
• nach welchen Regeln das Flugzeug unterwegs ist (IFR oder VFR)
• wie die Wirbelschleppenkategorie des Flugzeuges ist (wtc)
• die geplante Ankunfts- bzw. Abflugszeit
• Zielposition
• Ziel (z.B. Arrival oder Departure)
• Intention (z.B. Taxi_to_RWY oder Taxi_on_Block)
• bisherige vorliegende Freigabe
• letzter Status (z.B. cleared_to_land)
Die Übernahme der kompletten Colorsets als Chunks beruht dabei auf der Annahme, dass
Lotsen alle Informationen über ein Flugzeug in einem Chunk abspeichern (Annahme 23). In der
Realität ist allerdings davon auszugehen, dass der Lotse nur diejenigen Informationen eines
Chunks verwendet, die er tatsächlich für die Bearbeitung seiner Aufgabe benötigt (z.B. nur die
geplante Ankunftszeit bei sortieren der Flugstreifen oder nur das Rufzeichen, sowie die
Intention, die letzte Position und die beabsichtigte Zielposition bei Landungen). Diese
Vorgehensweise hat zusätzlich auch praktische Gründe. Bei Veränderung der Colorsets (z.B.
Verringerung der Informationsanzahl innerhalb des Colorsets) würden bei der Übergabe an das
Interaktionsmodell Informationen fehlen. Im Sinne einer reibungslosen Kommunikation der
einzelnen Modellteile untereinander ist es daher sinnvoll, die vollständigen Colorsets zu
belassen und alle Informationen durch das gesamte Lotsenmodell weiterzureichen.
Das gleiche Problem besteht auch, würde man individuelle Unterschiede in der Fähigkeit
Chunks zu bilden abbilden wollen. Hierbei wäre auch eine Veränderung der Colorsets nötig,
indem Informationen begrenzt werden. Da festgestellt wurde, dass nicht nur die Anzahl der
Items innerhalb eines Chunks, sondern auch die maximale Anzahl der Chunks mit steigender
Expertise steigt (vgl. Kapitel 2.2), kann über die flexibel anpassbare Arbeitsgedächtniskapazität
zumindest die maximale Anzahl speicherbarer Chunks verändert werden. Die Konstante val
wm_capacity, im CPN-Tools-Programmierbereich unter Controller Variables zu
finden, kann hierbei auf beliebige Werte festgelegt werden. Es sollte allerdings psychologische
Plausibilität gewährleistet sein. Für den zur Modellvalidierung durchgeführten Versuch wurde
130
die Kapazität auf zehn Chunks festgelegt, da zahlreiche Befunde mit Lotsen von einer maximalen
Kapazität von zehn Chunks ausgehen (Bainbridge, 1975; Bisseret, 1971; Sperandio, 1969).
Zusätzlich zu den flugsicherungsspezifischen Informationen enthält das zusammengesetzte
Colorset Aim_List das einfache Colorset load. Dieses dient der Selbstregulation des Modells.
Wie Sperandio (1978) beschreibt, und wie aus der Handlungsregulationstheorie (Hacker, 1986)
hervorgeht, verfügen Menschen über spezielle Regulationsmechanismen, welche sie dazu
befähigen, die richtigen Handlungen auszuführen, um ein antizipiertes Ziel zu erreichen (vgl.
auch Desmond & Hoyes, 1996; Loft et al., 2007).
Einen solchen Regulationsmechanismus beschreibt Sperandio (1978), der in einer
Untersuchung herausfand, dass Lotsen in Abhängigkeit ihrer mentalen Beanspruchung ihre
Handlungsstrategien anpassen. Die mentale Beanspruchung dient hierbei als unabhängige
Variable, welche zu einer Anpassung der Arbeitsmethoden führt, um kognitive Überlastung zu
verhindern und die Situation zeitlich nach hinten zu verschieben.
Ein solcher low risk action regulation mechanism (vgl. Smieszek et al., 2013) wurde in das
Modell implementiert, um eine Überlastung des Modells und damit auch ein Deadlock des
Petrinetzes zu verhindern. Das Modell wird dabei bei einer festgelegten Anzahl an Chunks
(wm_capacity – 3) im Arbeitsgedächtnis keine weiteren Anfragen bearbeiten, sondern den
anfragenden Flugzeugen lediglich mitteilen, dass sie in einigen Minuten erneut anfragen sollen.
Für den durchgeführten Validierungsversuch spielt dieser Mechanismus allerdings keine Rolle,
da die maximale kritische Anzahl Chunks im Modell nicht erreicht wird.
Sind die Chunks im Speicher (Platz storage) abgelegt, stehen sie dem nachfolgenden
Abrufprozess (WM_retrieval; siehe Abbildung 39) zur Verfügung. Hier werden die im
Speicher abgelegten Informationen über die jeweilige retrieval-Transition abgerufen, wenn sie
für weitere Informationsverarbeitungsprozesse (z.B. Entscheidungen) benötigt werden. Hierbei
wird davon ausgegangen, dass Bottom-Up Informationen (Anfrage eines Flugzeuges; Transition
retrieve_req, sowie Feststellen eines Flugzeuges auf der Start-/Landebahn, das eine
Folgefreigabe benötigt; Transition retrieve_vhl_on_loc) ohne weitere Voraussetzung
sofort abgerufen werden. Alle anderen Informationen benötigen Top-Down Trigger
(Transitionen und gleichnamige Plätze retrieve_RWY_status; retrieve_FS_info;
retrieve_SB_info). Ist der retrieval-Prozess abgeschlossen, stehen die Informationen für
die nachfolgenden Verarbeitungsschritte (plan; siehe Kapitel 5.4.4; decide, siehe Kapitel
5.4.6) zur Verfügung.
131
Abbildung 39: Der WM_retrieval-Prozess im Petrinetz
5.5 SIMULATION UND ANALYSE DES PETRINETZMODELLS
Wie im vorherigen Kapitel erwähnt, erfolgt die Quantifizierung
der mentalen Beanspruchung des Lotsenmodells anhand der
Anzahl der Chunks im Arbeitsgedächtnis. Bei der Simulation
des Petrinetzmodells erfolgt dabei die Ausgabe von Logdateien
in Form von *.txt files. Um diese Dateien während der
Simulation online erstellen zu können, bietet CPN-Tools die
Möglichkeit sogenannte Monitore60 an die gewünschten Plätze
und Transitionen anzuhängen. Diese ermöglichen es Daten aus
dem Modell auszulesen und sie in *.txt-files zu speichern. Für
die Ausgabe der Arbeitsgedächtniskapazität wurde ein
einfacher write-in-file Monitor am Platz WM_Capacity
definiert, welcher für jeden Modellschritt die jeweilige Modellzeit sowie die momentane
Arbeitsgedächtnisbelegung (als Markenbelegung) ausgibt (siehe Abbildung 40).
60 Für eine genauere Beschreibung der Monitore sei hier auf Jensen und Kristensen (2009), sowie die CPN-
Tools Homepage www.cpntools.org verwiesen.
Abbildung 40: Ausgabe des WM_
Capacity-Monitors in einer Textdatei
132
Darüber hinaus wurden noch zwei weitere Monitore an den Transitionen Requesting_TWR
im Interaktions-Modell, sowie Send_Clearance im act-Modul des Lotsenmodells definiert.
Diese schreiben jeweils beim Schalten der Transition den Inhalt der jeweiligen transportierten
Marke in eine Textdatei (vgl. Abbildung 41).
Abbildung 41: Ausgabe des Requesting_TWR-Monitors in einer Textdatei
Diese Dateien geben Aufschluss darüber, wann eine Anfrage aus dem Flughafenmodell das
Lotsenmodell erreicht hat und wann das Lotsenmodell mit der entsprechenden Freigabe
geantwortet hat. Sie können demnach als eine Art Funkprotokoll des MATriCS-Modells
angesehen werden.
5.6 KAPITELZUSAMMENFASSUNG
Die Entwicklung des MATriCS-Modells erfolgte unter Berücksichtigung der zwölf Schritte zur
Erstellung von CPN-Modellen nach Jensen (1997a) und ist mit der Erstellung eines
Computerprogramms vergleichbar. Es erfolgte zunächst eine Dreiteilung des Modells auf
oberster Ebene in Flughafen-, Interaktions- und Lotsenmodell in Anlehnung an Cacciabue
(1998b) und Werther (2006a).
Das Flughafenmodell wurde in Zusammenarbeit mit dem Deutschen Zentrum für Luft- und
Raumfahrt in Braunschweig als generisches Modell entwickelt und ist in der Lage nahezu jeden
beliebigen Flughafen und jedes beliebige Verkehrsszenario zu beschreiben (vgl. Kapitel 5.2). Der
Austausch von Informationen zwischen dem Flughafenmodell und dem Lotsenmodell erfolgt
über das Interaktionsmodell, in dem die wichtigsten Informationsquellen für den Lotsen
(Funkkommunikation, Außensicht, Radar und Flugstreifen) modellhaft abgebildet sind (vgl.
Kapitel 5.3).
Das Lotsenmodell stellt die eigentliche kognitive Simulation dar und bildet daher die kognitiven
Prozesse des Lotsen ab (vgl. Kapitel 5.4). Zusätzlich werden auch kognitive Ressourcen
modelliert, welche für den vorliegenden Anwendungsfall speziell von Interesse sind.
Grundlegend orientiert sich das Lotsenmodell an der Handlungsregulationstheorie (Hacker,
1986), sowie an der in Kapitel 4.3 durchgeführten Aufgabenanalyse und dem in Kapitel 4.5
beschriebenen theoretischen Modell. Dabei wurde das Lotsenmodell nicht exakt in dem
133
Detailgrad und der Tiefe umgesetzt, wie diese in der Aufgabenanalyse und dem theoretischen
Modell beschrieben wurden, sondern nur so detailliert wie nötig.
Die einzelnen Phasen der Handlungsregulation wurden im Modell als Sub-Module umgesetzt.
Eingehende Informationen werden über das Perceive-Modul aufgenommen, wobei hierbei
begrenzte Aufmerksamkeitsressourcen für visuelle und auditive Indformationsaufnahme
angenommen werden (vgl. Wickens, 1984). Eine Verschiebung der visuellen Aufmerksamkeit
erfolgt anhand festgelegter Prioritäten nach dem SEEV-Modell (Wickens & McCarley, 2008;
Wickens et al., 2007, 2001) hin zu verschiedenen Areas of Interest (Außensicht, Radar,
Flugstreifen). Priorität liegt dabei auf der Außensicht und dem Radar (vgl. Kapitel 5.4.2 und
5.4.3). Die so erhaltenen Informationen werden im nachfolgenden Working-Memory-Modul
gespeichert. Die gespeicherten Informationen stehen den nachfolgenden Planungs- und
Entscheidungsprozessen zur Verfügung. Die Planung beschreibt das Sortieren der Flugstreifen
anhand der geplanten Ankunftszeit (vgl. Kapitel 5.4.4 und 5.4.5). Für die Entscheidungsfindung
wurde eine einfache „first come, firtst served“-Heuristik implementiert (vgl. Möhlenbrink,
2011), wobei in Entscheidungen für Starts und Landungen, sowie das Rollen unterschieden wird
(vgl. Kapitel 5.4.6 und 5.4.7). Die getroffene Entscheidung wird in der Phase der
Handlungsausführung durch Übermittlung der Freigabe an das Flughafenmodell weitergegeben.
Hierbei sind physische Bewegungen notwendig (z.B. zum Aktivieren des Funkgerätes oder
Markieren der Flugstreifen), die ebenfalls im motorischen Modul abgebildet sind (vgl. Kapitel
5.4.8 und 5.4.9). Die Speicherung und zentrale Verarbeitung der Informationen erfolgt im Sub-
Modul Working Memory, welches die Speicherung und den Abruf von Informationseinheiten
beschreibt und eine begrenzte Kapazität besitzt. Letzteres ist für die Quantifizierung der
mentalen Beanspruchung zentral, weshalb das Auslesen der Arbeitsgedächtnisbelastung
während der Simulation in diesem Sub-Modul erfolgt (vgl. Kapitel 5.4.10 und 5.4.11). Ferner
können außerdem Funkdaten aus dem Modell ausgelesen werden, welche die Zeitpunkte des
Auftretens von Anfragen und Freigaben protokollieren. Mit der Implementierung des Modells
wurde der sechste Schritt des Cacciabue-Frameworks bearbeitet. Der in Kapitel 4.1 hinzugefügte
siebte Schritt der Modellvalidierung wird im folgenden Kapitel beschrieben.
134
6 VALIDIERUNG
Wie bereits in Kapitel 4.1 beschrieben besteht die Aufgabe des Modellierers nicht nur darin,
Modelle zu erstellen, sondern ebenso über die Validierung den Bezug zwischen dem Modell und
dem realen Untersuchungsgegenstand nachzuweisen (Bub & Lugner, 1992; Möhlenbrink, 2011).
Hierbei sind durch empirische Studien Daten zu generieren, welche mit den Modelldaten
verglichen werden können, um Informationen über die Modellgüte zu erhalten.
Eine solche Studie wurde im August 2013 in den Räumlichkeiten des Institutes für Psychologie
und Arbeitswissenschaften der TU Berlin durchgeführt. Ziel der Studie war die Erhebung von
Daten zur Testung des Modellansatzes und der Modellgüte, sowie die Replikation von Befunden
mentaler Beanspruchung in Abhängigkeit des Verkehrsaufkommens. Bei der Studie ging es
darum zu testen, wie gut das entwickelte Modell die bei den Versuchspersonen erhobenen Daten
zur mentalen Beanspruchung bei einer Lotsenaufgabe abbildet. Daher wurden verschiedene
Beanspruchungsmaße erhoben (vgl. Kapitel 2.4). Als Beanspruchungsmaße wurden sowohl
unidimensionale als auch multidimensionale subjektive Fragebogendaten erhoben, sowie als
objektives Maß das EKG gemessen, woraus als Beanspruchungsmaß die Herzrate, gemessen in
Inter-Beat-Intervallen, abgeleitet wurde (siehe Kapitel 2.4 zur Erfassung mentaler
Beanspruchung). Als Leistungsmaß wurde die Anzahl der Fehler gemessen. Zur Quantifizierung
der Modellgüte wurden die so erhobenen Maße mentaler Beanspruchung mit den Modelldaten
verglichen und Goodness-Of-Fit-Maße berechnet. Zur Überprüfung der experimentellen
Manipulation (Replikation der Befunde zu mentaler Beanspruchung in Abhängigkeit des
Verkehrsaufkommens) wurden statistische Tests durchgeführt.
Im Methodenkapitel 6.1 werden zunächst die Teilnehmercharakteristika (6.1.1), anschließend
der Simulator und das Material (6.1.2), das Versuchsdesign (6.1.3), die Hypothesen (6.1.4) und
der Versuchsablauf (6.1.5) beschrieben. Es folgt die Darstellung der Ergebnisse geordnet nach
Hypothesen (Kapitel 6.2), sowie im Anschluss die Interpretation der gewonnenen Ergebnisse
entsprechend der Hypothesen (Kapitel 6.3). Zum Schluss wird die Studie im Kapitel 6.4
zusammengefasst.
6.1 METHODIK
Um die Beanspruchungsdaten zu erheben, hatten Versuchsteilnehmer in einer Tower-
simulation vier verschiedene 15-minütige Verkehrsszenarien zu bearbeiten. Ihre Aufgabe
bestand darin, den Verkehr, also Landungen und Starts, sowie das Rollen am Boden, an einem
kleinen Flughafen zu regulieren. Hierbei war es vor allem wichtig, die Aufgabe für die
Versuchsteilnehmer so realistisch wie möglich abzubilden, dass also die verwendete
Towersimulation ein möglichst realistisches Abbild des Arbeitsplatzes von Towerlotsen
135
ermöglicht, wobei gleichzeitig gewährleistet sein musste, dass die Aufgaben in der Studie den im
Modell abgebildeten Aufgaben gleichen. Nur wenn dies gewährleistet ist, ist es möglich einen
fairen Vergleich der Beanspruchungsdaten von Modell und Lotse anzustellen.
6.1.1 TEILNEHMER/STICHPROBE
Da es sich als äußerst schwierig erwies eine größere, für die Studie benötigte, Anzahl
Towerlotsen für den Versuch zu rekrutieren und die finanziellen Mittel begrenzt waren, wurde
der Versuch anhand einer Laien-Stichprobe durchgeführt. Dabei wurde gewährleistet, dass die
Versuchspersonen durch ausführliche Instruktion und Training möglichst viel Routine und
Übung erhielten. Die Verwendung einer Laienstichprobe erweist sich außerdem dahingehend als
sinnvoll, als dass nicht alle Regeln der Flugverkehrskontrolle bei der Versuchsdurchführung
adressiert werden mussten, da auch im Modell nur vereinfachte Regeln umgesetzt wurden.
Der größte Teil der Teilnehmer für die Studie wurden über den Probandenserver des
Graduiertenkollegs prometei gewonnen. Ein geringer Teil wurde über schriftliche
Ausschreibungen an den Instituten der TU Berlin gewonnen. Die Stichprobengröße wurde
anhand der von Bortz und Döring (2006, S. 615) beschriebenen Tabelle anhand einer
einfaktoriellen Varianzanalyse festgelegt. Hierbei empfehlen Bortz und Döring (2006) für eine
einfaktorielle Varianzanalyse mit Messwiederholung mit drei Freiheitsgraden und einem
Signifikanzniveau von α = 0,05, einer durchschnittlichen Korrelation von 𝑟 = 0,5 (1-β = 0,8) und
einem mittleren zu erwartenden Effekt eine Stichprobengröße von 23 Versuchspersonen. Um
die vollständige Permutation aller Szenarien zu gewährleisten (vgl. Kapitel 6.1.3) wurde die
Anzahl der benötigten Versuchspersonen auf 24 festgelegt.
Insgesamt nahmen 24 Versuchspersonen am Experiment teil. Hiervon waren 11 weiblich und
13 männlich mit einem durchschnittlichen Alter von 26,95 Jahren (Spannweite von 22 – 39
Jahren; s = 4,69). Der größte Teil der Teilnehmer waren Studenten (17), weitere fünf Personen
waren Berufstätig, eine Person war Schüler, ein weiterer machte keine Angabe. Weiterhin gaben
fast alle (23) der Versuchspersonen an, keinerlei Erfahrung mit Flug- oder Towersimulationen
zu besitzen. Nur eine Versuchsperson gab an viel Erfahrung mit Flugsimulatoren zu besitzen. 14
Versuchspersonen verwendeten keine Sehhilfe, neun benötigten eine Sehhilfe und verwendeten
diese auch. Eine Versuchsperson machte keine Angabe hierzu. Weiterhin waren 20
Versuchspersonen Rechtshänder, zwei Linkshänder, zwei machten hierzu keine Angabe.
136
6.1.2 SIMULATOR UND MATERIAL
Da kein High-Fidelity-Towersimulator61 zur Verfügung stand, musste als Simulationssoftware
auf Simulatoren für Privatanwender zurückgegriffen werden (Mid-Fidelity-Simulation). Röbig,
König und Hofmann (2010) untersuchten einige solcher Simulatoren auf Ihre Nutzung zum
Aufbau eines „low-cost Towersimulators“. Hierbei werden unter anderem die Simulation Tower
Simulator (Wilco Publishing, 2008), Microsoft Flight Simulator und ATC Airport Tower
Simulator beschrieben.
Die Simulation hatte hierbei folgende Kriterien zu erfüllen:
• Möglichst realistisches Abbild der Aufgaben von Towerlotsen
• Hohe Übereinstimmung mit den im Modell abgebildeten Aufgaben
• Vorhandensein eines Flughafens mit einfachem Layout
• Einfache Erstellung und individuelle Anpassung von Verkehrsszenarien
• Vorhandensein einer Single-Player-Umgebung (keine Notwendigkeit von pseudo-
Piloten und eines damit verbundenen komplexen Versuchsaufbaus)
• Direkte Kommunikation zwischen Versuchspersonen und Simulation über
Spracherkennung
• Möglichkeit der Erzeugung einer hohen mentalen Beanspruchung
Die Simulation „Tower Simulator“ wird bei Röbig, König und Hofmann (2010) als sehr
realistisch beschrieben. Sie ermöglicht dem Anwender das Arbeiten als Towerlotse an fünf
verschiedenen Flughäfen mit unterschiedlich komplexem Layout, wobei zwei Flughäfen mit
wenig komplexem Layout vorhanden sind. Als Arbeitsmittel stehen Boden- und Luftradar, sowie
eine Außensicht zur Verfügung, wobei die Darstellung letzterer unter heutigen Gesichtspunkten
veraltet scheint. Die Anfragen von Piloten werden über ankommende Funksprüche und
Textnachrichten dargeboten. Die Kommunikation des Anwenders mit der Simulation findet über
eine Texteingabebox mit Hilfe standardisierter Befehle statt. Prinzipiell soll die Software die
Anbindung einer Stimmerkennungssoftware unterstützen, was sich im vorliegenden Fall
allerdings als technisch nicht möglich herausstellte. Ein großer Vorteil des Tower Simulator
besteht darin, dass der Aufwand, eine Multiplayerumgebung aufzubauen, entfällt (die
beispielsweise bei Microsoft Flight Simulator nötig ist). Zusätzlich ist die Erstellung individueller
Flugpläne sehr leicht durch die Anpassung der vorgegebenen Default-Flugpläne der jeweiligen
Flughäfen zu gewährleisten.
61 Als High-Fidelity-Simulation wird eine Simulation angesehen, die es ermöglicht die Aufgaben und
Arbeitsumgebung von Operateuren hochgradig realistisch dazustellen, im Gegensatz zu einer Mid-
Fidelity-Simulation, bei der einige Vereinfachungen gemacht werden müssen.
137
Als problematisch stellte sich allerdings eine Eigenschaft des Tower Simulator heraus: Trotz
der einfachen Erstellung von Flugplänen und der darin enthaltenen Angabe zum Zeitpunkt des
Erscheinens der Flugzeuge (Setzen der erwarteten Ankunftszeit), konnten mit der Simulation
keine standardisierten Szenarien erstellt werden. Zwar konnte in jedem Szenario für jedes
Flugzeug eine erwartete Ankunftszeit angegeben werden, und somit ein einheitlicher Flugplan
für alle Versuchspersonen zugrunde gelegt werden. Dieser galt für die Software allerdings nur
als Richtwert, sodass das tatsächliche Auftauchen eines Flugzeuges bei laufender Simulation
zufällig um diesen angegebenen Zeitpunkt variierte (± ca. 2 Minuten um den im Flugplan
angegebenen Zeitpunkt)62.
Abbildung 42: Arbeitsplatz der Versuchspersonen
Eine absolute Standardisierung der Szenarien wäre allerdings ohnehin nicht möglich gewesen,
da auf Grund der Realitätsnähe der Aufgabe die Versuchspersonen selbst durch ihre Aktionen
während der Szenarien Veränderungen an denselben vornehmen. Das bedeutet, dass je
nachdem wie die Versuchsperson das Szenario abarbeitet und welche Entscheidungen sie trifft,
das Szenario einen anderen Ablauf erhält. Dies stellt einen Trade-off zwischen der Kontrolle
62 Eine Kontaktaufnahme mit dem Entwickler sowie dem Publisher der Software ergab leider keine
Abhilfe für dieses Problem, da der Support schon seit längerem völlig eingestellt wurde und die
Zuständigkeit von jeder Seite an die jeweils andere Seite verwiesen wurde. Es galt daher mit den
Gegebenheiten bestmöglich umzugehen und die Auswertung der Daten dementsprechend zu gestalten
(vgl. Kapitel 6.1.4).
138
aller Variablen und der Übereinstimmung mit der Realität dar, der zugunsten der
Übereinstimmung mit der Realität entschieden wurde. Bei beiden Problemen erweist sich
allerdings die Flexibilität des Flughafenmodells als äußerst hilfreich, da es möglich ist, aus den
Funkprotokollen der Versuchspersonen exakt diejenigen Szenarien zu rekonstruieren, welche
die konkrete Versuchsperson erlebt hat. Das heißt, es ist möglich, die Flugzeuge in den
Modellszenarien exakt zu denselben Zeitpunkten erscheinen zu lassen, wie es bei den
Versuchspersonen der Fall war. Diese können individuell in das Szenario eingelesen werden, so
dass das Modell exakt das gleiche Szenario bearbeitet, wie die Versuchsperson.
Zusätzlich zu dem vom Simulator zur Verfügung gestellten Radarbildschirmen hatten die
Versuchspersonen eine physische Stripbay mit Flugstreifen zur Verfügung, sowie ein Headset
zur Funkkommunikation, wobei immer dann, wenn die Versuchspersonen sprechen wollten,
eine blau markierte Taste auf einem Nummernpad gedrückt gehalten werden musste. Nicht
mehr benötigte Flugstreifen (abgearbeitete Flugzeuge) konnten in einem Körbchen „entsorgt“
werden. Den ganzen Versuch über standen außerdem eine Karte des Flughafens, sowie zur
Gedankenstütze eine Übersicht über mögliche auftretende Anfragen und dazugehörige
Freigaben zur Verfügung. Da das Flughafenlayout ebenfalls einen Komplexitätsfaktor darstellt,
der sich auf die mentale Beanspruchung der Versuchspersonen auswirken kann (vgl. Kapitel
2.3), wurde ein Flughafen mit geringer Komplexität ausgewählt, um eine Überforderung der
Versuchspersonen durch zu viele Informationen und parallele Aufgaben (wie es zum Beispiel
beim Kontrollieren von zwei Start-/Landebahnen der Fall wäre) zu vermeiden. Zusätzlich wird
in der Realität die Kontrolle größerer Flughäfen (mit zwei Start-/Landebahnen) nie einem
einzigen Lotsen überlassen. Die Kontrolle eines kleinen Flughafens kann jedoch, vor allem bei
Regionalflughäfen, auch durch einen Lotsen erfolgen (vgl. Kapitel 4.3.6). Als
Simulationsflughafen wurde daher der in der Software enthaltene Flughafen Santa-Ana,
Kalifornien, USA (ICAO-Code: KSNA) verwendet, da dieser nur eine Start-/Landebahn und einen
Hauptrollweg von und zu den Parkpositionen besitzt.
6.1.3 VERSUCHSDESIGN
Das Forschungsziel der Studie lag darin, herauszufinden, ob es mit dem entwickelten Modell
möglich ist, die erlebte Beanspruchung der Versuchspersonen während verschiedener
Verkehrsszenarien zu replizieren. Die Versuchspersonen hatten hierbei die Aufgabe, den
Verkehr, also Landungen und Starts, sowie das Rollen von Flugzeugen zur Startbahn und zur
Parkposition an einem kleinen Flughafen zu koordinieren (näheres dazu in Kapitel 6.1.5). Da die
Belastung für die Versuchspersonen sonst zu hoch geworden wäre, wurde außerdem
entschieden, die als Nebenaufgabe anzusehende Verkehrsplanung (Annahme der Flugstreifen
aus dem „Flugstreifendrucker“ sowie Einsortierung in die Stripbay) mittels der Flugstreifen
139
nicht umzusetzen. Sie hatten allerdings die zusätzliche Aufgabe, jede Minute den RSME-
Fragebogen auszufüllen. Die Flugstreifen wurden daher bereits vor dem Szenario in der Stripbay
vorsortiert, sodass das Notizen-machen auf den Flugstreifen und ihr Nutzen als Gedankenstütze
dabei für die Versuchspersonen erhalten blieb.
Hinsichtlich der Versuchsdurchführung ist anzumerken, dass es bei zwei Versuchspersonen zu
Fehlfunktionen des Simulators kam. Bei einer Versuchsperson stürzte die Simulation nach zwei
Minuten ab, sodass das Szenario erneut begonnen werden musste. Bei einer zweiten
Versuchsperson traten aufgrund der Fehlfunktion nur sechs der geplanten zehn Flugzeuge auf.
Für die Einzelfallanalysen wurden diese Versuchspersonen aufgrund fehlender
Beanspruchungsratings ohnehin aus der Untersuchung ausgeschlossen. Bei einer Überprüfung
der Daten der beiden Versuchspersonen im Vergleich zur restlichen Stichprobe wurden jedoch
keine Auffälligkeiten festgestellt, sodass für die Analyse der mittleren Beanspruchungshöhe
beide Versuchspersonen in der Analyse belassen wurden. Ein weiterer Versuchsdurchlauf
musste abgebrochen werden, da die Versuchsperson auch nach zwei kompletten
Versuchsszenarien die Aufgabe nicht vollkommen verstanden hatte. Dieser Versuchsdurchlauf
wurde vollkommen aus der Analyse ausgeschlossen und mit einer anderen Versuchsperson
nacherhoben.
Als unabhängige Variable wurde das Verkehrsaufkommen (die Anzahl der Flugzeuge, die
innerhalb des Szenarios starten, landen und rollen möchten) zweistufig variiert, wobei jede
Versuchsperson beide Faktorstufen durchlief (Within-Subjects-Design). Hohes
Verkehrsaufkommen wurde mit 20 Flugzeugen pro 15 Minuten (ca. 1,3 Bewegungen/Minute)
bestimmt, niedriges Verkehrsaufkommen mit 10 Flugzeugen pro 15 Minuten (ca. 0,6
Bewegungen/Minute) 63 . Zusätzlich wurde für jede Faktorstufe eine Messwiederholung
durchgeführt (insgesamt 3 Messwiederholungen für jede AV), so dass die Versuchspersonen vier
15-minütige Verkehrsszenarien zu bearbeiten hatten. Die Szenarien 1 und 3 hatten dabei ein
hohes Verkehrsaufkommen, die Szenarien 2 und 4 ein geringes (vgl. Tabelle 3). Die Szenarien 1
und 2 unterschieden sich dabei lediglich in der Anzahl der abzufertigenden Flugzeuge
voneinander, während die Reihenfolge des Auftauchens, sowie die Rufzeichen konstant gehalten
wurden. Zur Erstellung der Szenarien 3 und 4 wurden aus den Szenarien 1 und 2 jeweils die
Rufzeichen, sowie geringfügig die Verteilung der Flugzeuge über die Zeit verändert. Um
63 Bei der Festlegung der Anzahl der Flüge pro Zeiteinheit wurde sich an realen Daten orientiert. Da das
Ziel die Erzeugung einer hohen Beanspruchung war, wurde hohes Verkehrsaufkommen anhand der Werte
des stark frequentierten Flughafens Frankfurt a. M. festgelegt, an dem 2009 etwa 83 Bewegungen (Starts
und Landungen) pro Stunde die Regel waren (ca. 1,3 Bewegungen/Minute). Ab 2011 ist durch den Zubau
einer weiteren Landebahn sogar 126 Bewegungen/Stunde (2,1 Bewegungen/Minute) erreicht worden
(Huber, 2012). Geringes Verkehrsaufkommen wurde anhand der bei Huber (2012) gegebenen Werte von
36 Bewegungen pro Stunde festgelegt (0,6 Bewegungen/Minute). Diese Werte wurden zusätzlich in
Vorversuchen überprüft.
140
Reihenfolgeeffekte auszuschließen und Lerneffekte besser kompensieren zu können wurden die
Szenarien über alle Versuchspersonen permutiert.
Tabelle 3: Übersicht über die Szenarienbezeichnung und der mit ihnen einhergehenden Belastung
Hohes Verkehrs-
aufkommen
Niedriges Verkehrs-
aufkommen
Gruppe 1
Szenario 1
Szenario 2
Gruppe 2
Szenario 3
Szenario 4
Dabei ergaben sich 4! = 24 mögliche Anordnungen der Szenarien hintereinander. Diese sind in
Tabelle 4 dargestellt. So erhielt Versuchsperson 14 beispielsweise zuerst das Szenario 3 (hohes
Verkehrsaufkommen), dann 4 (niedriges Verkehrsaufkommen), anschließend die Szenarien 1
(hohes Verkehrsaufkommen) und 2 (niedriges Verkehrsaufkommen).
Tabelle 4: Permutation der Szenarien für die 24 Versuchspersonen
Als abhängige Variablen wurden für die Erhebung der subjektiven mentalen Beanspruchung
während der Szenarien die modifizierte Rating Scale Mentel Effort RSMEmod (Kosicki, 2011; im
Folgenden nur mit RSME bezeichnet; siehe Anhang) verwendet. Hierbei waren die
Möglichkeit Reihenfolge der
Verkehrsszenarien
Möglichkeit Reihenfolge der
Verkehrsszenarien
1
1, 2, 3, 4
13
3, 4, 2, 1
2
1, 2, 4, 3
14
3, 4, 1, 2
3
1, 3, 2, 4
15
3, 2, 1, 4
4
1, 3, 4, 2
16
3, 2, 4, 1
5
1, 4, 2, 3
17
3, 1, 2, 4
6
1, 4, 3, 2
18
3, 1, 4, 2
7
2, 3, 4, 1
19
4, 3, 2, 1
8
2, 3, 1, 4
20
4, 3, 1, 2
9
2, 4, 3, 1
21
4, 2, 3, 1
10
2, 4, 1, 3
22
4, 2, 1, 3
11
2, 1, 3, 4
23
4, 1, 2, 3
12
2, 1, 4, 3
24
4, 1, 3, 2
141
Versuchspersonen aufgefordert, jede Minute eine Einschätzung ihrer aktuellen mentalen
Beanspruchung auf der RSME-Skala abzugeben.
Zusätzlich wurde am Ende jedes Szenarios der NASA-TLX erfasst (siehe Anhang), in dem die
Versuchspersonen ihre Beanspruchung über das gesamte Szenario einschätzen sollten. Hiermit
sollte nochmals kontrolliert werden, ob die Manipulation im Experiment geglückt ist, sprich, ob
die Versuchspersonen die Szenarien mit hohem Verkehrsaufkommen als stärker beanspruchend
empfanden als diejenigen Szenarien mit geringem Verkehrsaufkommen. Weiterhin bestand
hierdurch die Möglichkeit eines Vergleiches zwischen den Bewertungen der mittleren
Beanspruchung des NASA-TLX und der RSME-Skala, um die höhere Diagnostizität
multidimensionaler Skalen auszunutzen.
Als Leistungsmaß wurde außerdem die Fehlerzahl herangezogen, zu deren Ermittlung
Funkprotokolle aufgenommen wurden, aus denen die Fehler herausgelesen werden konnten. Als
Fehler wurden dabei folgende Aktionen und Ereignisse eingestuft:
• Verzögerungen, die nicht durch die Verkehrssituation induziert waren: z.B. wenn nach einer
Anfrage zu lang gewartet wird, um die Freigabe zu erteilen, obwohl die Verkehrssituation es
zulässt, diese früher zu erteilen.
• Zu geringe Staffelungen auf den Rollwegen: d.h., wenn durch eine zu enge Erteilung von
Freigaben, die Flugzeuge zu dicht hintereinander herrollen.
• Freigabeverwechslungen/falsche Freigaben: wenn z.B. statt „rollen zum Terminal“ „rollen
zur Piste“ gegeben wird; es folgt darauf keine Aktion des Flugzeuges, sondern eine
Wiederholung der Anfrage.
• Rufzeichen- und/oder Flugzeugverwechslung: Der Proband gibt eine Freigabe für Flugzeug
Y, meint aber das Flugzeug X.
• Keine Freigabeerteilung: Auf Anfragen von Flugzeugen wird schlichtweg nicht reagiert,
obwohl es die Verkehrssituation zulässt. Landende Flugzeuge müssen durchstarten,
Flugzeuge am Gate können dieses nicht verlassen und es kommt zu starken Verzögerungen.
• Zusammenstoß in der Luft: Benötigt einen vorherigen Fehler des Probanden, dass die
Landefreigabe nicht erteilt wird; dadurch startet das landende Flugzeug durch und es kann
passieren, dass es mit einem gerade startenden Flugzeug in der Luft kollidiert.
• Stau an der Start-/Landebahn: Vor dem Haltepunkt ist gerade so viel Platz, dass zwei
Flugzeuge hintereinander an der Startbahn auf eine Startfreigabe warten können. Warten
mehr als zwei Flugzeuge, so stauen sich die Wartenden auf den Hauptrollweg zurück,
welcher für das Rollen zum Terminal anderer Flugzeuge benötigt wird. Hierdurch kommt es
zu starken Verzögerungen.
142
• Vorziehen eines Starts, obwohl ein Flugzeug eine Landeanfrage gestellt hat: Laut
Instruktion sind Landungen Starts immer vorzuziehen. Starts können nur erfolgen, wenn
die Verkehrssituation es zulässt d.h. wenn genügend Abstand zwischen dem startenden und
dem landenden Flugzeug gewährleistet ist und sie sich nicht gleichzeitig auf der Start-/
Landebahn befinden.
• Staffelungsunterschreitung auf der Start-/Landebahn: Es befinden sich gleichzeitig zwei
Flugzeuge auf der Start-/Landebahn, stoßen aber nicht zusammen.
• Runway Incursion: Zwei Flugzeuge stoßen auf den Rollwegen oder der Start-/Landebahn
zusammen; z.B. die Freigabe wird so gegeben, dass ein Flugzeug von der Parkposition auf
den Rollweg aufrollt, obwohl sich dort gerade ein anderes Flugzeug befindet.
• Proaktive Freigabeerteilung: Der Proband wartet die Anfrage von Flugzeugen nicht ab,
sondern erteilt eine Freigabe an ein Flugzeug bereits bevor dieses Kontakt zu ihm
aufgenommen hat.
Das Auftreten von Fehlern hatte dabei für die Versuchspersonen keine gravierenden
Auswirkungen. Es kam lediglich zu leichten Verzögerungen bzw. dazu, dass sich z.B. bei
Zusammenstößen kurzzeitig zwei Flugzeugsymbole auf dem Radardisplay überlagerten. Die
Simulation lief ansonsten ganz normal weiter.
Zusätzlich zu den subjektiven Ratingskalen wurde während der gesamten Szenarien als
physiologisches Beanspruchungsmaß das EKG der Versuchspersonen gemessen, woraus die
Herzrate, gemessen als Länge der Abstände zwischen zwei Herzschlägen (Inter Beat Intervalle in
ms; ms IBI), extrahiert wurde, um einen weiteren Beanspruchungsindikator zu erhalten. Eine
Fragestellung ist hierbei, ob sich die subjektiven Ratings von den objektiven EKG Daten
unterscheiden, d.h. die EKG-Daten eventuell eine andere Verteilung der Beanspruchung
erkennen lassen. Außerdem sollte zur Testung der Modellgüte eine Korrelation der EKG-Daten
mit den Modelldaten erfolgen. Nicht zuletzt ist es daher auch interessant zu vergleichen, wie gut
die Modelldaten mit den subjektiven Fragebogendaten und den objektiven EKG Daten
korrelieren und ob es Unterschiede gibt (vgl. Kapitel 6.1.4).
Als Kontrollvariable wurde außerdem ein d2-R Aufmerksamkeitstest durchgeführt
(Brickenkamp, Schmidt-Atzert, & Liepmann, 2010). Der Test dient der Messung der
Konzentration bei Aufgaben, die Aufmerksamkeit verlangen (konzentrierte Aufmerksamkeit). Er
erfasst die Konzentrationsfähigkeit der Testperson sowie die Schnelligkeit und Genauigkeit bei
der Unterscheidung ähnlicher visueller Reize (Detail-Diskrimination). Dies diente der Erhebung
einer Kontrollvariablen für die Fähigkeit der Versuchspersonen, schwierige Aufgaben schnell
und gründlich zu bearbeiten. Da anzunehmen ist, dass das Abschneiden im d2-R Test und die
damit verbundene Schnelligkeit und Genauigkeit der Aufgabenbearbeitung einen Einfluss auf die
143
Fehlerzahl und die Bewertung der mentalen Beanspruchung hat, ist eine Testung angedacht, in
wieweit die Versuchspersonen anhand ihres d2-R Ergebnisses in Gruppen eingeteilt werden
können, die sich signifikant hinsichtlich ihrer Fehlerzahl bzw. der abgegebenen
Beanspruchungseinschätzung unterscheiden (vgl. Kapitel 6.1.4).
6.1.4 HYPOTHESEN
Die zur Untersuchung stehenden Hypothesen betreffen jeweils das verwendete
Messinstrument für mentale Beanspruchung und sind ihrerseits nochmals in Unterhypothesen
unterteilt. Es wurden zunächst zwei Hypothesen formuliert, von denen das weitere Vorgehen
zur Auswertung der Daten abhängt. Einerseits galt es feststellen, ob ein Einfluss des
Abschneidens im d2-R-Test auf die Fehlerzahl und die Beanspruchungsratings vorliegt.
Aufgrund der unklaren Befundlage zur Herzrate sollte im Weiteren untersucht werden, ob im
vorliegenden Experiment mit der Herzrate eine Unterscheidung zwischen den
Belastungsbedingungen möglich ist oder ob der Effekt bestätigt wurde, dass lediglich die
Experimentalbedingungen von der Baseline-Bedingung zu unterscheiden ist (Nickel et al., 2002).
Beide Hypothesen haben Auswirkungen auf die dann folgende Vorgehensweise bei der
Auswertung der übrigen Hypothesen.
So beschäftigt sich die erste Hypothese mit dem Zusammenhang zwischen dem Abschneiden
im d2-R-Test und der Höhe der mittleren Fehlerzahl bzw. der mittleren Beanspruchungsratings.
Ziel ist es dabei festzustellen, ob sich die Versuchspersonen anhand ihres d2-R-Wertes in
Gruppen einteilen lassen, die sich signifikant in der Anzahl der gemachten Fehler, sowie der
angegebenen Beanspruchungshöhe unterscheiden. Allgemein ist davon auszugehen, dass die
Gründlichkeit und Effizienz bzw. der Effizienz-Gründlichkeits-Tradeoff, mit dem
Versuchspersonen kognitive Aufgaben bearbeiten, einen Einfluss darauf hat, wie hoch die
Beanspruchung bei der Aufgabenbearbeitung eingeschätzt wird. Tendiert die Versuchsperson
beispielsweise dazu, sehr gründlich zu überlegen, so schlägt sich dies in einer langsamen
Bearbeitungszeit nieder (im d2-R durch die Anzahl bearbeiteter Zielobjekte (BZO) erfasst).
Übertragen auf die Aufgaben der Flugverkehrskontrolle bedeutet dies, dass Freigaben ggf. zu
spät erteilt werden und es damit zu Konflikten bzw. Verzögerungen kommen kann. Auf der
anderen Seite bedeutet ein sehr schnelles Abarbeiten, dass Zielobjekte übersehen werden (im
d2-R wiedergegeben durch die Anzahl an Auslassungs- und Verwechslungsfehlern (AF und VF)).
Es ist daher davon auszugehen, dass mit steigendem d2-R-Wert der Versuchsperson (besserem
Abschneiden im Test), die Fehlerzahl abnimmt. Gleichzeitig ist anzunehmen, dass der Tradeoff
zwischen Effizienz und Gründlichkeit weniger Aufwand benötigt, wodurch auch die
Beanspruchung mit steigendem d2-R-Wert als geringer eingeschätzt werden sollte (Hypothese
1).
144
Hypothese (1): Versuchspersonen mit besserem Abschneiden im d2-R-Test, machen auch in
der Fluglotsenaufgabe im Mittel weniger Fehler und schätzen die mentale Beanspruchung
(RSME und NASA-TLX) im Mittel geringer ein.
a. Mit steigendem d2-R-Wert werden weniger Fehler gemacht.
b. Mit steigendem d2-R-Wert wird die Beanspruchung als geringer eingeschätzt.
Ergibt sich das in Hypothese 1 erwartete Bild, so ist für die weiteren Auswertungsschritte zur
Fehlerzahl und den Beanspruchungsratings jeweils der Einfluss des Abschneidens im d2-R-Test
als Kontrollvariable herauszurechnen. Gilt die Nullhypothese (es gibt keinen Einfluss des d2-R-
Tests), so kann davon ausgegangen werden, dass kein Einfluss vorliegt und der d2-R-Wert für
die weitere Auswertung nicht berücksichtigt werden muss.
Die zweite Hypothese beschäftigt sich mit den Befunden zur Sensitivität der Herzrate.
Aufgrund der unklaren Befundlage zur Herzrate gilt es daher zu testen, ob sich die beiden
Experimentalbedingungen (hohes vs. niedriges Verkehrsaufkommen) signifikant voneinander
unterscheiden oder ob nur die Baseline-Bedingung von den beiden Experimentalbedingungen
zu unterscheiden ist (Nickel et al., 2002). Da die Herzrate im vorliegenden Fall nicht in Beats Per
Minute, sondern die Länge der Inter-Beat-Intervalle in Millisekunden gemessen wurde, ergibt
sich folgender Zusammenhang: Es ist davon auszugehen, dass eine Erhöhung der Belastung und
damit der mentalen Beanspruchung mit einer Erhöhung der Herzrate (in bpm) einhergeht. Eine
erhöhte Herzrate ergibt eine erhöhte Anzahl an Beats Per Minute, wodurch sich die Abstände
zwischen den einzelnen Herzschlägen verringern, was zu einer geringeren Dauer der Inter-Beat-
Intervalle (in ms) führt. Hierbei gilt, dass die Dauer der Inter-Beat-Abstände bei hohem
Verkehrsaufkommen am geringsten, in der Baseline-Bedingung am größten ist (Hypothese 2).
Hypothese (2): Die Herzrate der beiden Experimentalbedingungen (hohes vs. niedriges
Verkehrsaufkommen), gemessen in Millisekunden Dauer der Inter-Beat-Intervalle, ist signifikant
geringer als die der Baseline-Bedingung. Die mittleren IBI der Szenarien mit hohem
Verkehrsaufkommen (1 und 3) sind geringer, als die mittleren IBI der Szenarien mit geringem
Verkehrsaufkommen (2 und 4).
a. Die mittleren IBI der Szenarien mit hohem Verkehrsaufkommen (1 und 3) sind geringer
als die der Baseline Bedingung.
b. Die mittleren IBI der Szenarien mit geringem Verkehrsaufkommen (2 und 4) sind
geringer als die der Baseline Bedingung.
c. Die mittleren IBI der Szenarien mit hohem Verkehrsaufkommen (1 und 3) sind geringer
als die der Szenarien mit geringem Verkehrsaufkommen (2 und 4).
145
Zeigt sich, dass die Unterscheidung zwischen den beiden Experimentalbedingungen möglich
ist, so kann im Weiteren davon ausgegangen werden, dass sich die Experimentalbedingungen
hinreichend stark voneinander unterscheiden, so dass die Sensitivität der Herzrate ausreicht,
um auch Unterschiede zwischen den Szenarien festzustellen. Es ist daher mit einer Verringerung
der Dauer der Inter-Beat-Intervalle bei steigender mentaler Beanspruchung zu rechnen
(Hypothese 3). Hierbei sollte sich zeigen, dass die Inter-Beat-Abstände bei hoher Belastung
(hohes Verkehrsaufkommen) geringer sind, als bei geringer Belastung (geringes
Verkehrsaufkommen). Somit sollten die Versuchspersonen für die Szenarien mit hohem
Verkehrsaufkommen (Szenarien 1 und 3) geringere mittlere Inter-Beat-Abstände aufweisen, als
in Szenarien mit niedrigem Verkehrsaufkommen (Szenarien 2 und 4). Die Inter-Beat-Abstände
der beiden Szenarien mit hohem Verkehrsaufkommen (1 und 3) und mit niedrigem
Verkehrsaufkommen (2 und 4) untereinander sollten sich allerdings nicht signifikant
unterscheiden. Zeigt sich in Hypothese 2, dass keine Unterscheidung der
Experimentalbedingungen möglich ist, so ist die Herzrate aus der weiteren Auswertung
auszuschließen, da kein Informationsgewinn zu erwarten ist.
Hypothese (3): Die Herzrate, gemessen in Millisekunden Dauer der Inter-Beat-Intervalle, ist bei
hohem Verkehrsaufkommen signifikant geringer als bei niedrigem Verkehrsaufkommen (3a –
d). Dagegen unterscheidet sich die Herzrate von Szenarien mit gleich hohem
Verkehrsaufkommen nicht (3e – f).
a. Die mittleren IBI sind in Szenario 1 geringer als in Szenario 2.
b. Die mittleren IBI sind in Szenario 1 geringer als in Szenario 4.
c. Die mittleren IBI sind in Szenario 3 geringer als in Szenario 2.
d. Die mittleren IBI sind in Szenario 3 geringer als in Szenario 4.
e. Die mittleren IBI der Szenarien 1 und 3 unterscheiden sich nicht.
f. Die mittleren IBI der Szenarien 2 und 4 unterscheiden sich nicht.
Hierbei ist darauf hinzuweisen, dass bei den Hypothesen 3e und 3f die Forschungshypothese
als Nullhypothese formuliert wurde, die Hypothesen 3a – d als Alternativhypothesen. Dies ist
beim Setzen des α-Niveaus zu beachten. So wurde das α-Niveau der Alternativhypothesen
traditionell auf α = 0,05 gesetzt. Für den Fall, dass Nullhypothesen als Forschungshypothesen
verwendet werden, plädieren Bortz und Döring (2006) dafür das α-Niveau mindestens auf α =
0,10 festzulegen, um die Teststärke zu erhöhen und somit das Risiko eines β-Fehlers zu senken.
146
Bortz (2005) plädiert sogar für ein Niveau von α = 0,20, was auch hier verwendet werden soll,
wobei zweiseitig getestet wird64.
Die vierte Hypothese beschäftigt sich mit der subjektiven Beurteilung der mentalen
Beanspruchung, die durch die RSME-Skala erhoben wurde. Hierbei wurde davon ausgegangen,
dass es zu höheren Beanspruchungs-Ratings kommt, wenn die Belastung durch die Erhöhung
der Anzahl der Flugzeuge zunimmt. Durch die zusätzlich zu bearbeitenden Flugzeuge müssen
mehr Informationen im Arbeitsgedächtnis behalten werden, um adäquate Entscheidungen zu
treffen, was zu einer höheren Belastung der kognitiven Ressourcen und damit zu höheren
Beurteilungen in den RSME-Skalen führt (Hypothese 4). Hierbei sollte sich zeigen, dass die
Beanspruchung bei hoher Belastung (hohes Verkehrsaufkommen) höher eingeschätzt wird als
bei geringer (geringes Verkehrsaufkommen). Somit sollten die Versuchspersonen für die
Szenarien mit hohem Verkehrsaufkommen (Szenarien 1 und 3) die mentale Beanspruchung als
signifikant höher einschätzen, als in Szenarien mit niedrigem Verkehrsaufkommen (Szenarien 2
und 4). Die Bewertungen der mentalen Beanspruchung der beiden Szenarien mit hohem
Verkehrsaufkommen (1 und 3) und mit niedrigem Verkehrsaufkommen (2 und 4) untereinander
sollten sich allerdings nicht signifikant unterscheiden. Daraus ergeben sich die folgenden sechs
Unterhypothesen:
Hypothese (4): Die subjektiven Bewertungen der mentalen Beanspruchung, erhoben mit der
RSME-Skala, sind bei hohem Verkehrsaufkommen signifikant höher als bei niedrigem (4a – d).
Die Bewertungen von Szenarien mit gleich hohem Verkehrsaufkommen unterscheiden sich nicht
voneinander (4e – f).
a. Die subjektive Bewertung ist in Szenario 1 höher als in Szenario 2.
b. Die subjektive Bewertung ist in Szenario 1 höher als in Szenario 4.
c. Die subjektive Bewertung ist in Szenario 3 höher als in Szenario 2.
d. Die subjektive Bewertung ist in Szenario 3 höher als in Szenario 4.
e. Die subjektiven Bewertungen der Szenarien 1 und 3 unterscheiden sich nicht.
f. Die subjektiven Bewertungen der Szenarien 2 und 4 unterscheiden sich nicht.
64 Ein hohes α-Niveau sorgt dafür, dass nicht signifikante Ergebnisse unwahrscheinlicher werden und
damit die Annahme der H0 erschwert wird. Es ist weiterhin darauf hinzuweisen, dass auch bei nicht
signifikanten Ergebnissen und einer damit verbundenen Annahme der Nullhypothese, diese jedoch nicht
als „bestätigt“ anzusehen ist. Auch bei hoher Teststärke bedeutet ein nicht signifikantes Ergebnis, dass die
H1 mit niedriger β-Fehlerwahrscheinlichkeit fälschlicherweise abgelehnt wird (Bortz & Döring, 2005). Da
die Nullhypothese besagt, dass es keinen Effekt gibt, bedeutet ein nicht signifikantes Ergebnis aber nicht,
dass kein Effekt vorliegt. Es bedeutet lediglich, dass der Effekt so klein ist, dass er durch Zufall zustande
gekommen sein könnte (Field, 2009).
147
Auch hier gilt für die beiden als Nullhypothese formulierten Forschungshypothesen 4e und 4f
das erhöhte α-Niveau von α = 0,20.
Für die Erhebung der mentalen Beanspruchung mit Hilfe des NASA-TLX wurde in Hypothese
fünf analog verfahren wie oben und dieselben Hypothesen geprüft.
Hypothese (5): Die subjektiven Bewertungen der mentalen Beanspruchung, erhoben mit dem
NASA-TLX (Sub-Skala geistige Anstrengung), sind bei hohem Verkehrsaufkommen signifikant
höher als bei niedrigem (5a – d). Die Bewertungen von Szenarien mit gleich hohem
Verkehrsaufkommen unterscheiden sich nicht voneinander (5e – f).
a. Die subjektive Bewertung ist in Szenario 1 höher als in Szenario 2.
b. Die subjektive Bewertung ist in Szenario 1 höher als in Szenario 4.
c. Die subjektive Bewertung ist in Szenario 3 höher als in Szenario 2.
d. Die subjektive Bewertung ist in Szenario 3 höher als in Szenario 4.
e. Die subjektiven Bewertungen der Szenarien 1 und 3 unterscheiden sich nicht.
f. Die subjektiven Bewertungen der Szenarien 2 und 4 unterscheiden sich nicht.
Auch hier gilt für die beiden als Nullhypothese formulierten Forschungshypothesen 5e und 5f
das erhöhte α-Niveau von α = 0,20.
Als weitere abhängige Variable wurde als Leistungsmaß die Fehlerzahl erhoben, welche in
Hypothese sechs untersucht wird. Es wird hierbei davon ausgegangen, dass bei höherer
Belastung (Anzahl der abzufertigen Flugzeuge) auch die Belastung des Arbeitsgedächtnisses
zunimmt. Dies führt dazu, dass einerseits mehr Vergessensfehler auftreten (es werden
Flugzeuge nicht oder zu spät abgefertigt; schlichtweg vergessen). Andererseits wird
angenommen, dass es vermehrt zu schlechten Entscheidungen kommt, die zu kritischen
Situationen (Zusammenstößen, Durchstarten von Flugzeugen) führen. Hierbei ist erneut davon
auszugehen, dass sich auch die Fehlerzahlen der Szenarien mit hohem Verkehrsaufkommen
(Szenarien 1 und 3) von den Fehlerzahlen der Szenarien mit niedrigem Verkehrsaufkommen
(Szenarien 2 und 4) signifikant voneinander unterscheiden. Hingegen sollten sich die
Fehlerzahlen der beiden Szenarien mit hohem Verkehrsaufkommen (1 und 3) und der beiden
Szenarien mit niedrigem Verkehrsaufkommen (2 und 4) untereinander nicht signifikant
unterscheiden.
Hypothese (6): Die Fehlerzahlen sind bei hohem Verkehrsaufkommen signifikant höher als bei
niedrigem. Die Fehlerzahlen von Szenarien mit gleich hohem Verkehrsaufkommen
unterscheiden sich nicht signifikant voneinander.
a. Die mittlere Fehlerzahl ist in Szenario 1 höher als in Szenario 2.
148
b. Die mittlere Fehlerzahl ist in Szenario 1 höher als in Szenario 4.
c. Die mittlere Fehlerzahl ist in Szenario 3 höher als in Szenario 2.
d. Die mittlere Fehlerzahl ist in Szenario 3 höher als in Szenario 4.
e. Die mittlere Fehlerzahl ist der Szenarien 1 und 3 unterscheiden sich nicht.
f. Die mittlere Fehlerzahl ist der Szenarien 2 und 4 unterscheiden sich nicht.
Auch hier gilt für die beiden als Nullhypothese formulierten Forschungshypothesen 6e und 6f
das erhöhte α-Niveau von α = 0,20. Alle zur Überprüfung der Experimentellen Manipulation
aufgestellten Hypothesen sind nochmals in Tabelle 5 zusammengefasst.
Tabelle 5: Übersicht der Hypothesen zur Überprüfung der experimentellen
Manipulation und Erhebung von Validierungswerten
Versuchspersonen (experimentelle Manipulation)
Nr. Hypothese
Einfluss d2-R
1
Ein höherer d2-R-Wert führt zu weniger Fehlern und
geringeren Beanspruchungswerten.
a. Mit steigendem d2-R-Wert werden weniger Fehler
gemacht.
b. Mit steigendem d2-R-Wert wird die
Beanspruchung als geringer eingeschätzt.
Physiologisches Maß
2
Herzrate (ms IBI) sinkt mit steigender Belastung.
Baseline > low load > high load
3
Die Herzrate (ms IBI) ist bei hohem Verkehrsaufkommen
geringer als bei niedrigem Verkehrsaufkommen.
SZN 1, 3 < SZN 2, 4; SZN 1 = SZN 3; SZN 2 = SZN 4
Subjektive Maße
4
Die RSME-Ratings sind bei hohem Verkehrsaufkommen
höher als bei niedrigem.
SZN 1, 3 > SZN 2, 4; SZN 1 = SZN 3; SZN 2=SZN 4
5
Die NASA-TLX Ratings (Sub-Skala „geistige Anstrengung“)
sind bei hohem Verkehrsaufkommen höher als bei
niedrigem.
149
SZN 1, 3 > SZN 2, 4; SZN 1 = SZN 3; SZN 2=SZN 4
Leistungsmaß
6
Die Fehlerzahl ist bei hohem Verkehrsaufkommen höher
als bei niedrigem.
SZN 1, 3 > SZN 2, 4; SZN 1 = SZN 3; SZN 2 = SZN 4
Neben der Abbildung der Befunde zum Einfluss des Verkehrsaufkommens auf die mentale
Beanspruchung ist das Hauptziel der Studie die Überprüfung der Modellgüte. Diese erfolgt
durch den Vergleich zwischen realen (hier experimentell ermittelten) Beanspruchungsdaten mit
den Beanspruchungsdaten des Modells. Die Beurteilung der Güte eines Modells erfolgt
gemeinhin durch die Berechnung sogenannter Goodness-of-Fit-Maße. Schunn und Wallach
(2005) beschreiben eine Reihe solcher Maße. Die Berechnung dieser Goodness-of-Fit-Maße
erfolgt meist durch einen Vergleich des Verlaufes der aggregierten Daten (Experimental- und
Modelldaten) über die Zeit. Da eine Standardisierung der Szenarien auf Grund der
Beschaffenheit der Simulationssoftware nicht möglich war, ist eine solche Berechnung eines
mittleren zeitlichen Verlaufes aus den Rohwerten des RSME sowie der Modellwerte nicht
angebracht, sodass Einzelfallanalysen durchgeführt werden. Daher soll die Überprüfung und
Berechnung dieser Maße im vorliegenden Fall für jede Versuchsperson individuell durchgeführt
werden. Dies bringt zwar den Nachteil mit sich, dass eine Menge Rauschen auf den Daten liegt,
da individuelle Unterschiede und Ausreißer stärker ins Gewicht fallen, hat aber den Vorteil, dass
der Fit des Modells anhand jedes Einzelfalles ermittelt werden kann. Einzelfallanalysen bieten
darüber hinaus sehr viel mehr Aufschluss über bestimmte Muster der Daten und individuelle
Verhaltensweisen und/oder Eigenschaften der Versuchspersonen (Sarris & Reiß, 2005;
Thorngate & Edmonds, 2012). Zusätzlich kann auf Grund der Einzelfallanalysen bei einem guten
Fit der Modelldaten auf die Experimentaldaten von einem starken Modell gesprochen werden,
da trotz des Rauschens ein guter Fit nachgewiesen werden kann.
Schunn und Wallach (2005) beschreiben drei „Säulen“ der Goodness-Of-Fit-Prüfung: Einen
qualitativen visuellen Vergleich der Verläufe, sowie die quantitative Berechnung von Maßen des
relativen Trends und der Abweichung vom exakten Punkt. Vor dem Hintergrund dessen, was das
Modell replizieren soll und kann, soll zunächst eine visuelle Überprüfung des Fits angewendet
werden (Schunn & Wallach, 2005; Thorngate & Edmonds, 2012). Dieser kann für den
vorliegenden Versuch zum einen durch einen Vergleich der mittleren Beanspruchungshöhe der
subjektiven Daten mit den Modelldaten innerhalb der einzelnen Szenarien erfolgen; zum
anderen durch visuelle Überprüfung der Ähnlichkeit von Verläufen von Modell- und
experimentellen Daten. Letzterer soll für jede Versuchsperson individuell durchgeführt werden
150
(Einzelfallbetrachtungen). Hierbei wird einerseits durch Streudiagramme ein visueller Eindruck
über den Zusammenhang der Modell- und Experimentaldaten gewonnen. Auf der anderen Seite
kann anhand der zeitlichen Verläufe der abhängigen Variablen RSME-Bewertung, ms IBI, sowie
der Modelldaten (Anzahl der Chunks im Arbeitsgedächtnis) festgestellt werden, wie gut gewisse
Trends, sowie Gipfel und Täler von Modell- und Versuchspersonendaten übereinstimmen. Dabei
ist es vor allem von Interesse, herauszufinden, ob das Modell Beanspruchungs-Gipfel replizieren
kann, da ein wesentliches Ziel des Modells die Aufdeckung solcher Zeiträume hoher
Beanspruchung darstellt.
Ferner kann statistisch überprüft werden, ob sich für die mittlere Beanspruchungshöhe in
jedem Szenario ein ähnliches Bild ergibt, wie bereits bei den Hypothesen zu den subjektiven
Bewertungen und dem Leistungsmaß dargelegt wurde: Eine höhere Belastung sollte mit
höheren Beanspruchungswerten des Modells einhergehen, geringere Belastung im
Umkehrschluss mit geringeren Beanspruchungswerten. Es ergibt sich Hypothese 7 äquivalent
zu den Hypothesen 4, 5 und 6:
Hypothese (7): Die mittleren Beanspruchungswerte des Modells (gemessen über die Anzahl der
Chunks im Arbeitsgedächtnis des Modells) sind bei hohem Verkehrsaufkommen signifikant
höher als bei niedrigem. Die mittleren Beanspruchungswerte des Modells von Szenarien mit
gleich hohem Verkehrsaufkommen unterscheiden sich nicht voneinander.
a. Die mittlere Beanspruchungshöhe des Modells ist in Szenario 1 höher als in Szenario 2.
b. Die mittlere Beanspruchungshöhe des Modells ist in Szenario 1 höher als in Szenario 4.
c. Die mittlere Beanspruchungshöhe des Modells ist in Szenario 3 höher als in Szenario 2.
d. Die mittlere Beanspruchungshöhe des Modells ist in Szenario 3 höher als in Szenario 4.
e. Die mittleren Beanspruchungshöhen des Modells der Szenarien 1 und 3 unterscheiden
sich nicht.
f. Die mittleren Beanspruchungshöhen des Modells der Szenarien 2 und 4 unterscheiden
sich nicht.
Wiederum gilt hier für die beiden als Nullhypothese formulierten Forschungshypothesen 7e
und 7f das erhöhte α-Niveau von α = 0,20.
Ferner sollen verschiedene quantitative Goodness-of-Fit-Maße berechnet werden, um die Güte
des Modells quantitativ beschreiben zu können. Schunn und Wallach (2005) beschreiben zwei
Arten von Goodness-of-Fit-Maßen: Einerseits Maße, die die Abweichung von einem exakten
Punkt wiedergeben und andererseits Maße, die den relativen Trend wiedergeben. Jedes Maß
deckt hierbei immer nur eine der beiden Informationen ab (Schunn & Wallach, 2005). Als Maße
151
des relativen Trends schlagen sie die Anwendung von Pearson’s r und r² vor, falls
Verhältnisskalenniveau vorliegt. Da dieses bei den erhobenen Fragebogendaten nicht
angenommen werden kann, weil die Skala u.a. nicht äquidistant ist (Annett, 2002; Bortz &
Lienert, 2008; Fleid, 2009; Schunn & Wallach, 2005), schlagen Schunn und Wallach (2005) die
Verwendung der Rangkorrelationskoeffizienten Spearman’s ρ und Kendall’s τ vor. Spearman’s ρ
gleicht dabei in der mathematischen Berechnung Pearson’s r und ist damit mit r vergleichbar.
Die Berechnung beruht allerdings nicht auf den tatsächlichen Messwerten, sondern auf deren
Rängen. Spearman’s ρ ist außerdem sinnvoll, weil die abhängige Variable des Modells (in diesem
Fall Anzahl der Chunks im Arbeitsgedächtnis) nur sehr lose mit der abhängigen Variable der
Realdaten (RSME-Bewertung) verwandt ist (Schunn & Wallach, 2005). Ferner wird ρ häufiger
angewendet und gewährleistet so Vergleichbarkeit zwischen verschiedenen Befunden.
Als zweiter Kennwert kann Kendall’s τ berechnet werden, welcher auf einem anderen
Berechnungsverfahren beruht als Pearson’s r und Spearman’s ρ. Auch wenn Schunn und Wallach
(2005) keinen Grund dafür sehen, dass Kendall’s τ Spearman’s ρ vorgezogen werden sollte, so
soll dieser hier doch berechnet werden. Dies ist in der Tatsache begründet, dass Kendall‘s τ als
weitaus mächtiger angesehen werden kann als andere Korrelationskoeffizienten, da alle
Wertepaare untereinander verglichen werden und nicht nur jeweils die zwei Wertepaare eines
Paares. Hierdurch ist τ meist etwas konservativer und somit die Gefahr Ergebnisse
überzuinterpretieren damit etwas eingegrenzt. Im Gegensatz zu ρ wird anstatt der quadrierten
Rangdifferenzen die Fehlordnung der Paare untereinander ausgewertet, wodurch Kendall’s τ
unempfindlicher gegenüber Ausreißern ist (Newton, 2002).
Eine weitere Möglichkeit, den Fit von Modell- und Realdaten speziell von ordinal skalierten
Variablen zu berechnen, entwickelte Thorngate (1987; vgl. auch Thorngate & Edmonds, 2012,
2013). In Anlehnung seine Methode der Ordinal Pattern Analysis (OPA) kann eine Auswertung
des relativen Trends der Daten erfolgen. So wird eine Kennzahl (der sogenannte Index of
Observed Fit; IOF) erhalten, die aussagt, wie oft der Trend von einem Datenpunkt zum anderen
Datenpunkt in den Modelldaten den Trend vom selben Datenpunkt zum nächsten in den
Realdaten abbildet. Problematisch ist hierbei allerdings anzumerken, dass die Änderung der
RSME-Daten innerhalb kleiner Bereiche liegen kann (wenige Zentimeter), was vom Modell nicht
repliziert wird. Das bedeutet, dass die Änderung der Bewertungshöhe einer Versuchsperson von
einem Zeitpunkt zum nächsten sehr klein sein kann, während das Modell solche feinen
Unterschiede nicht abbilden kann (konkret bedeutet das, der Modellwert von Zeitpunkt 1 zu
Zeitpunkt 2 würde gleich bleiben). Es kann zudem nicht ausgeschlossen werden, dass diese
Differenz in der subjektiven Bewertung zufällig zustande kommt. Zusätzlich ist bei einem Scope
von 1, also wenn für jeden Messwert auch ein Modellwert vorliegt, der Index of Observed Fit
152
äquivalent zu Kendall’s τ (vgl. Thorngate & Edmonds, 2012), welcher ohnehin berechnet wird,
so dass kein Gewinn an Informationen zustande kommt.
Es soll daher zunächst ein Vergleich der Trends der mittleren Beanspruchungshöhe von
Modelldaten und subjektiven Daten bzw. Leistungsmaß über die vier Szenarien durchgeführt
werden. Verglichen über die vier Szenarien sollte das Modell denselben Trend widerspiegeln,
wie die subjektiven Maße und das Leistungsmaß (starke Korrelation (> 0,6); Hypothese 8).
Hypothese (8): Es besteht eine starke Korrelation (ρ; τ > 0,6) zwischen der mittleren
Beanspruchungshöhe der subjektiven (RSME und NASA-TLX) und der Modelldaten über die vier
Szenarien.
Weiterhin können jeweils die zeitlichen Verläufe, also die Einschätzungen der mentalen
Beanspruchung mittels RSME eines Szenarios über die 15 Messzeitpunkte mit den dazu-
gehörigen Modelldaten verglichen werden. Bei vier Szenarien pro Versuchsperson ergeben sich
somit vier Korrelationskoeffizienten mit den Modellwerten, bei 24 Versuchspersonen also 96
Korrelationskoeffizienten. Der mittlere Korrelationskoeffizient eines Szenarios wird
anschließend aus den erhaltenen individuellen Korrelationskoeffizienten für jede
Versuchsperson mit Hilfe einer Fischer Z-Transformation ermittelt (Bortz & Schuster, 2010). Es
wird hierbei ein positiver Zusammenhang zwischen den Modelldaten und den Bewertungen der
mentalen Beanspruchung erwartet (Hypothese 9). Das bedeutet, wenn die
Beanspruchungsbewertung der Versuchspersonen steigt, gleichermaßen auch die Modellwerte
steigen. Sinken die Beanspruchungsbewertungen der Versuchspersonen, so sinken auch die
Modellwerte.
Hypothese (9): Es besteht ein positiver Zusammenhang zwischen den zeitlichen Verläufen der
RSME- und Modelldaten.
Für den Fall, dass die Hypothesen 2 und 3 bestätigt werden können, können darüber hinaus in
gleicher Weise korrelative Zusammenhänge zwischen Modell und der Herzrate (in ms IBI)
untersucht werden. Hier ist allerdings der Korrelationskoeffizient Pearson’s r anwendbar, da
sowohl die Modelldaten, als auch die Herzdaten intervallskaliert sind. Es ist zu erwarten, dass
ein negativer Zusammenhang zwischen den Modelldaten und der Herzrate, gemessen in ms IBI,
besteht (Hypothese 10). Das bedeutet, dass bei steigenden Inter-Beat-Intervallen sinkende
Modellwerte zu erwarten sind. Gleichermaßen sind bei sinkenden Inter-Beat-Intervallen
steigende Modellwerte zu erwarten.
Hypothese (10): Es besteht ein negativer Zusammenhang zwischen den zeitlichen Verläufen
der Herzrate (in ms IBI) und den Modelldaten.
153
Als zweite Art der Godness-of-Fit-Maße beschreiben Schunn und Wallach (2005) die Maße der
Abweichung von einem exakten Punkt. Hierbei soll sichergestellt werden, dass nicht nur der
relative Trend eines Datensatzes, sondern auch die Größe der individuellen Messwerte
hinreichend gut durch das Modell abgebildet wird. Selbst wenn der Trend eines Datensets gut
abgebildet wird, so können die absoluten Werte um einige Größenordnungen voneinander
abweichen, was einen schlechten Fit bedeuten würde. Dies bedeutet, dass entweder der Anstieg
oder die Konstante einer Regressionsfunktion, die die Modelldaten auf die experimentellen
Daten anpasst, abweichen (Schunn & Wallach, 2005). Als Maße werden hier meist die mittlere
quadratische Abweichung (MSD; mean squared deviation) oder die Wurzel der mittleren
quadratischen Abweichung (RMSD; root mean squared deviation) verwendet. Hierbei ist
allerdings darauf zu achten, ob die Berechnung solcher Kennwerte für das vorliegende Datenset
überhaupt Sinn macht.
Für die Einzelfallanalysen der Versuchspersonen sind Berechnungen von bspw. RMSD nicht
möglich, da diese mit Hilfe der Versuchspersonenmittelwerte, der Modellmittelwerte und der
Standardfehler dieser Mittelwerte durchgeführt werden müssen. Diese Berechnung findet bei
Einzelfallanalysen allerdings nicht statt. Eine solche Mittelwertberechnung müsste über die
Messzeitpunkte erfolgen, um damit einen mittleren zeitlichen Verlauf über alle
Versuchspersonen zu erhalten. Dies ist allerdings auf Grund der fehlenden Standardisierung der
Szenarien nicht als sinnvoll zu erachten, da durch das relativ zufällige Erscheinen der Flugzeuge
innerhalb eines Szenarios die Höhe der Belastung zu den einzelnen Messzeitpunkten zwischen
den Versuchspersonen variiert (vgl. Kapitel 6.1.2). Aus diesen Gründen kann die Messung der
mittleren quadratischen Abweichung der exakten Lage von Datenpunkten zumindest für die
zeitlichen Verläufe der Daten nicht erfolgen.
Für die Berechnung von Abweichungsmaßen der mittleren Beanspruchungshöhe innerhalb der
vier Szenarien ergeben sich weitere Probleme: Zuallererst besteht das Problem der Skalierung
der abhängigen Variablen (Schunn & Wallach, 2005): Im vorliegenden Experiment kann das
Skalenniveau des Messinstrumentes (RSME-Fragebogen) nur als ordinal eingestuft werden. In
diesem Fall sind Mittelwerte quantitativer Abweichungen von der exakten Lage des
Datenpunktes nicht aussagekräftig, da die Bedeutung einer bestimmten Abweichung über die
Skala hinweg variiert (die Skala ist nicht äquidistant). Bereits der Vergleich zweier
Versuchspersonen würde starke Abweichungen ergeben, die auch jeweils beim Vergleich mit
dem Modell auftreten würden. Diese Abweichungen sind allerdings nicht auf die Modellgüte
zurückzuführen, sondern hängen mit der Subjektivität der Messskala zusammen.
Zusätzlich besteht das Problem, dass die mentale Beanspruchung über eine relativ arbiträre
Skala gemessen wird, deren Messwerte sozusagen willkürlich festgelegt wurden. Es ist äußerst
schwierig mit einem verbalen Anker zu beschreiben, welche Bedeutung ein Wert von „50“ auf
154
der RSME-Skala besitzt. Darüber hinaus wäre die absolute Position der Punkte in Bezug auf das
Modell willkürlich, da zwei verschiedene Skalen verwendet werden (die RSME Skala von 0 bis
150 mit Ankerpunkten, die Modellskala von 0 bis 10 für die Chunks, die im Arbeitsgedächtnis
prinzipiell vorhanden sein können). Durch eine Umformung der beiden Skalen in Prozentwerte
kann zwar die Umwandlung in gleiche Einheiten erreicht werden, die Bedeutung der einzelnen
Werte bleibt dennoch subjektiv und nicht äquidistant. In beiden Fällen bezeichnen Schunn und
Wallach (2005) die Messung der exakten Lage von Datenpunkte als nicht informativ. Ebenso ist
die festgelegte Maximalkapazität des Arbeitsgedächtnisses des Modells von zehn Chunks relativ
willkürlich. Es kann angenommen werden, dass auch dieser Wert schwankt, wobei die
prozentuale Beanspruchungshöhe vom Maximalwert abhängig ist, der festgelegt wurde.
Bei der Erhebung mentaler Beanspruchung ist daher die absolute Position eines Messwertes
nicht so entscheidend wie der Trend der einzelnen Messwerte. Selbst bei absolut
standardisierten Versuchsbedingungen und identischen Aufgaben und Belastungen können
Versuchspersonen unterschiedliche Einschätzungen ihrer mentalen Beanspruchung abgeben,
was von einem Modell, welches die individuellen Unterschiede der Personen nicht oder nur
begrenzt betrachtet, nicht abgebildet werden kann.
Um dennoch eine Einschätzung der Unterschiede zwischen Modell- und Realdaten
abgeben zu können, soll die absolute Abweichung (absolute deviation; AD) und mittlere absolute
Abweichung (mean absolute deviation; MAD oder mean absolute error MAE) der mittleren
Beanspruchungshöhe innerhalb jedes Szenarios angegeben werden. Diese Werte sind allerdings
unter Beachtung der geschilderten Einschränkungen zu beurteilen. Daher wird auch keine
Hypothese formuliert, sondern nur ein exploratives Vorgehen gewählt.
Exploratives Vorgehen: Berechnung der absoluten (AD) und mittleren absoluten Abweichung
(MAD) der mittleren Beanspruchungshöhe des Modells von den experimentellen Daten (RSME
und NASA-TLX) innerhalb jedes Szenarios.
Allgemein ist festzuhalten, dass bei der Erhebung mentaler Beanspruchung der relative Trend
zwischen mehreren Versuchsbedingungen als sehr viel bedeutungsvoller einzuschätzen ist als
die exakte Lage der Datenpunkte. Das bedeutet konkret, dass vor allem die qualitative Aussage,
ob Szenario 1 (oder die Belastung zum Zeitpunkt 1) als höher beanspruchend empfunden wird
als Szenario 2 (oder die Belastung zum Zeitpunkt 2) oder ob in Szenario 1 bereits die
Belastungsgrenzen erreicht werden, von Bedeutung ist. Weniger informativ und auch schwer zu
interpretieren ist dagegen die Aussage, dass die Belastung im Szenario 1 mit 20 %, in Szenario 2
aber nur mit 15 % eingeschätzt wurde, da aufgrund der subjektiven Natur der Messmethode
nicht eindeutig festzulegen ist, was ein Beanspruchungswert von 20 % für eine Versuchsperson
bedeutet.
155
Als Ergänzung zu den rein quantitativen Dimensionen beschreiben Schunn und Wallach (2005)
auch die Fähigkeit des Modells auf neue Datensätze zu generalisieren. Diese Fähigkeit kann
ermittelt werden, indem exakt dasselbe Modell (ohne Anpassung von Parametern) auf andere
Datensätze (z.B. andere Stichproben oder andere Szenarien) angewendet wird. So kann im
vorliegenden Experiment durch die Anwendung zweier Verkehrsszenarien für die beiden
Belastungsstufen eine Generalisierbarkeit des Modells auf verschiedene Szenarien überprüft
werden. Eine Überprüfung der Generalisierbarkeit auf eine weitere Stichprobe konnte aufgrund
der fehlenden Ressourcen nicht stattfinden, sollte aber für folgende Forschung in Betracht
gezogen werden. Ebenso sind die relative Komplexität und Falsifizierbarkeit des Modells
Kriterien, welche in die Goodness-of-Fit Betrachtung einbezogen werden sollte.
Als weiteres, sozusagen hybrides Maß (qualitativ und quantitativ) für die Modellgüte kann die
relative Häufigkeit von Fehlern der Versuchspersonen in vom Modell replizierten
Beanspruchungsgipfeln herangezogen werden. Hierbei soll als explorative Untersuchung
überprüft werden, ob ein aufgetretener Fehler in einem lokalen Maximum liegt, bzw. innerhalb
eines lokalen Maximums mit einer Toleranz von ± 1 Minute. Zusätzlich zu diesem Kriterium
kann außerdem definiert werden, dass, sollte der Modellwert fünf oder höher erreichen (>5
Chunks im Arbeitsgedächtnis), von einer erheblichen Beanspruchung ausgegangen werden
kann, die auch Fehler wahrscheinlicher machen sollte.
Exploratives Vorgehen: Berechnung der relativen Häufigkeit, mit der Fehler von Versuchs-
personen zu Zeitpunkten auftreten, in denen das Modell eine hohe Beanspruchung vorhersagt.
Alle Hypothesen und Untersuchungen zur Testung der Modellgüte sind in Tabelle 6
zusammengefasst.
Tabelle 6: Übersicht der Hypothesen zur Überprüfung der Modellgüte
Modelldaten
Nr. Hypothese
Maße der Modellgüte
7
Die mittleren Beanspruchungswerte des Modells sind bei
hohem Verkehrsaufkommen signifikant höher als bei
niedrigem.
SZN 1, 3 > SZN 2, 4; SZN 1 = SZN 3; SZN 2 = SZN 4
8
Für den Vergleich der mittleren Beanspruchungshöhe
über die 4 Szenarien von Modell, subjektiven Maßen und
Leistungsmaß besteht eine starke Korrelation (> 0,6).
9
Es besteht ein positiver Zusammenhang zwischen den
156
Beanspruchungsratings über die Zeit erfasst mit dem
RSME und den Modelldaten.
10
Es besteht ein negativer Zusammenhang zwischen den
Beanspruchungsdaten über die Zeit erfasst durch das EKG
(in ms IBI) und den Modelldaten.
explorativ
Berechnung der absoluten und mittleren absoluten
Abweichung (MAD) der mittleren Beanspruchungshöhe
des Modells von den Realdaten (RSME und NASA-TLX)
explorativ
Berechnung der relativen Häufigkeit, mit der Fehler von
Versuchspersonen zu Zeitpunkten auftreten, in denen das
Modell eine hohe Beanspruchung vorhersagt.
6.1.5 VERSUCHSABLAUF
Nach einer kurzen Begrüßung durch den Versuchsleiter wurden die Probanden zunächst
allgemein über den Versuchsablauf und den Zweck der Studie informiert. Anschließend füllten
die Versuchspersonen den demografischen Fragebogen, sowie die Einverständniserklärung aus.
Es folgte die Instruktion des d2-R Tests, sowie im Anschluss daran seine Bearbeitung. Dabei
wurden die Versuchspersonen alle 20 Sekunden durch einen Piep-Ton aufgefordert, mit der
nächsten Zeile zu beginnen. Im Anschluss an den d2-R Test erfolgte eine allgemeine Instruktion
zur Flugverkehrskontrolle. Hierbei erhielten die Versuchspersonen Informationen über die
generellen Aufgaben von Towerlotsen, sowie den Aufbau des Flughafens und der für Sie
wichtigen Bereiche. Außerdem wurden der Ablauf der Funkkommunikation und die
Verwendung der Phraseologie erläutert. Da, wie bereits erwähnt, die Verbindung der
Simulationssoftware mit einer Spracherkennungssoftware nicht möglich war, wurde für die
Spracherkennung ein Wizard-of-Oz Design verfolgt. Hierbei erhielt nur der Versuchsleiter die
Anfragen der Flugzeuge aus der Simulation durch die vordefinierten Standardanfragen (in
Englisch) und leitete diese per simulierter Funkkommunikation umgehend an die
Versuchspersonen weiter (in Deutsch). Diese antworteten ebenfalls mündlich per
Funkkommunikation mit der jeweiligen Freigabe, die dann vom Versuchsleiter per Tastenkürzel
in den richtigen Text-Befehl für die Simulation übersetzt wurde. Hierbei bestand zusätzlich der
Vorteil, dass die Versuchspersonen keine englischen Kommandos verwenden mussten, sondern,
da es sich um Laien handelte, in Anlehnung an die englischen, auch in der Realität verwendeten
Kommandos, selbst festgelegte deutsche Anfragen und Freigaben-Kommandos definiert werden
konnten. Die Funkkommunikation erfolgte dabei mit Hilfe der Voice-over-IP Kommunikations-
Software „Team Speak“, wobei die Versuchspersonen immer, wenn sie sprechen wollten, eine
157
markierte Taste auf einem Nummernpad gedrückt halten mussten (Push-to-Talk), was die
Aktivierung des Mikrofons bei echten Lotsen abbildete. Es folgte die Instruktion der
Hauptaufgabe, sowie die Beschreibung jeder einzelnen Anfrage und Freigabe. Diese umfasste die
Erklärung aller drei auftretenden Anfragen von Flugzeugen („Fertig zum Rollen“, „Fertig zum
Abflug“, „Bin bei Ihnen“ (Anfrage zum Landen)), sowie die dazugehörigen Freigaben („Rollen zur
Piste“, „Startfreigabe“, „Landefreigabe“ und „Rollen zum Terminal“). Für das „Rollen zum
Terminal“ wurde dabei keine spezifische Anfrage durch die Flugzeuge gegeben. Vielmehr
mussten die Versuchspersonen selbst erkennen, wann ein Flugzeug von der Start-/Landebahn
abgerollt und bereit war, eine weitere Freigabe zu erhalten, so wie es auch im Modell umgesetzt
war. Als Gedankenstütze stand den Versuchspersonen den ganzen Versuch über eine Übersicht
der Anfragen und der dazugehörigen Freigaben zur Verfügung.
Abbildung 43: Arbeitsplatz der Versuchspersonen mit den zur Verfügung stehenden Radarbildschirmen (links Luftradar, rechts
Bodenradar)
Nachdem die Hauptaufgabe instruiert war, erfolgte eine Beschreibung der Hilfsmittel. Hierbei
standen einerseits die von der Simulation zur Verfügung gestellten Radarbildschirme für Boden-
und Luftverkehr (vgl. Abbildung 43), andererseits nach realem Vorbild selbst erstellte
Flugstreifen in einer Stripbay zur Verfügung (vgl. Abbildung 44). Auf dem Luftradar waren dabei
die Flugbewegungen in einiger Entfernung um den Flughafen zu erkennen. Das Bodenradar
stellte eine Karte des Flughafens mit den jeweiligen Positionen der rollenden Luftfahrzeuge dar.
158
Die Flugstreifen wurden in der Stripbay vor jedem Szenario vorsortiert und standen den
Versuchspersonen zum Vermerk von Notizen zu jedem Flugzeug zur Verfügung. Es wurde
entschieden, die Flugstreifen in der Stripbay vorzusortieren, da sonst die Beanspruchung der
Versuchspersonen zu hoch gewesen wäre.
Im Anschluss an die ausführliche Instruktion wurden die EKG-Elektroden gesetzt und die
Versuchspersonen aufgefordert die von ihnen auszuführende Aufgabe nochmals kurz mit
eigenen Worten zusammenzufassen. Anschließend begann eine 5-minütige Trainingsphase, in
der ein Verkehrsszenario bearbeitet wurde, in dem alle Anfragen und Freigaben einmal
auftraten. Um die Versuchsbedingungen möglichst genau zu trainieren, wurden die
Versuchspersonen hier bereits jede Minute durch einen Piep-Ton aufgefordert, mittels RSME-
Fragebogen eine Einschätzung ihrer momentanen mentalen Beanspruchung abzugeben, sowie
am Ende des Szenarios mittels NASA-TLX eine Einschätzung ihrer mentalen Beanspruchung
über das gesamte Szenario abzugeben.
Abbildung 44: Die den Versuchspersonen zur Verfügung stehende Stripbay mit einigen Flugstreifen
Im Anschluss startete der eigentliche Versuch. Hierbei hatten alle Versuchspersonen alle vier
15-minütigen Verkehrsszenarien zu bearbeiten. Vor jedem Szenario wurde außerdem eine 5-
minütige Baselinemessung des EKG durchgeführt. Der gesamte Versuch dauerte zwei Stunden.
Innerhalb der Szenarien erhielten die Versuchspersonen jeweils Anfragen von Flugzeugen (vom
159
Versuchsleiter) auf die sie die richtigen Freigaben erteilen mussten, um den flüssigen und
sicheren Verkehr am Flughafen zu gewährleisten. Dabei wurden die Versuchspersonen
ausdrücklich instruiert, dass die Abfertigung von Landeanfragen, sowie das Abrollen von der
Piste mit Priorität zu behandeln ist und dass es daher möglich ist, Flugzeuge an der Parkposition
oder am Haltepunkt der Start-/Landebahn warten zu lassen. Nichtsdestotrotz sollten die
Versuchspersonen die wartenden Flugzeuge flüssig abwickeln, falls die Verkehrssituation es
zulässt. Im Hinblick auf eine sichere Abwicklung der Flüge, wurde definiert, dass sich zu keiner
Zeit zwei Flugzeug auf der Start-/Landebahn aufhalten dürfen, dass aber durchaus zwei
Freigaben für diese vorliegen können, sofern das eine Flugzeug die Piste verlassen hat, bevor das
andere auf diese aufsetzt oder aufrollt. Für den Bodenverkehr galt ebenso, dass die Rollfreigaben
so erteilt werden sollten, dass es nicht zu Kollisionen kommt.
Nachdem alle vier Szenarien bearbeitet waren, wurden die EKG-Elektroden entfernt und die
Versuchspersonen wurden verabschiedet. Für die Teilnahme erhielten sie eine
Aufwandentschädigung von 20 €.
6.2 ERGEBNISSE
Die Darstellung der Ergebnisse erfolgt in der Reihenfolge der beschriebenen Hypothesen 1 – 10.
6.2.1 ZUSAMMENHANG D2-R ERGEBNIS UND FEHLERZAHL BZW. HÖHE DER
BEANSPRUCHUNGSRATINGS (HYPOTHESE 1)
Hypothese (1): Versuchspersonen mit besserem Abschneiden im d2-R-Test, machen auch
in der Fluglotsenaufgabe insgesamt weniger Fehler und schätzen die mentale
Beanspruchung (RSME und NASA-TLX) insgesamt als geringer ein.
Mit dieser Analyse sollte festgestellt werden, ob das Abschneiden der Versuchsperson im d2-R-
Test einen Einfluss auf die Anzahl der gemachten Fehler und der abgegebenen subjektiven
Beanspruchungseinschätzung hat. Hierzu wurden anhand der im d2-R-Test vorgegebenen
Einteilung folgende Gruppen anhand der Gesamtpunktzahl definiert: hoher d2-R-Wert (KL ≥
106), durchschnittlicher d2-R-Wert (94 < KL < 106) und geringer d2-R-Wert (KL ≤ 94). Somit
wurden drei Gruppen erhalten, wobei acht Versuchspersonen in die Gruppe „hoher d2-R-Wert“
eingeordnet werden konnten, weitere sechs Versuchspersonen in die Gruppe „geringer d2-R-
Wert“ und zehn Versuchspersonen in die Gruppe „durchschnittlicher d2-R-Wert“. Die Abbildung
45 lässt zumindest deskriptiv einen Unterschied zwischen den einzelnen Gruppen und der
mittleren Fehlerrate erkennen. Aufgrund der Tatsache, dass die Fehlerzahlen nicht
normalverteilt sind (Kolmogorov-Smirnoff-Test auf Normalverteilung der Daten liefert für die
Reihen der Szenarien 2 und 4 signifikante Ergebnisse), wurde eine Friedmann-ANOVA
durchgeführt. Diese überschritt knapp das Signifikanzniveau von α = 0,05 (χ² = 6,333; df 2; p =
160
0,052), so dass kein signifikanter Zusammenhang zwischen den Fehlerzahlen und dem
Abschneiden im d2-R-Test angenommen werden kann.
Abbildung 45: Mittlere Fehlerzahl der drei Gruppen nach ihrem Abschneiden im d2-R-Test
Abbildung 46: Mittlere Beanspruchungshöhe (laut RSME) der drei Gruppen nach d2-R-Ergebiniss
0
5
10
15
20
25
Niedrig Durchschnittlich Hoch
Mittlere Fehlerzahl
D2-R Wert
0,00
5,00
10,00
15,00
20,00
25,00
30,00
35,00
40,00
45,00
50,00
Niedrig Durchschnittlich Hoch
Mittlere Beanspruchungshöhe [RSME in %]
D2-R Wert
161
Weiterhin wurde untersucht, ob ein Zusammenhang zwischen dem Abschneiden im d2-R-Test
und der subjektiven Beanspruchungshöhe erfasst mit dem RSME und dem NASA-TLX (Sub-Skala
geistige Anstrengung (g. A.)) besteht. Laut Abbildung 46 und Abbildung 47 ist hier deskriptiv zu
erkennen, dass diejenigen Versuchspersonen mit einem hohen d2-R-Wert die Beanspruchung im
Mittel am höchsten einschätzten, die mit durchschnittlichem Abschneiden am niedrigsten. Das
gleiche Bild ergibt sich bei den Bewertungen mittels NASA-TLX (g. A.)65. Aufgrund des
Skalenniveaus der Daten (nur Ordinalskalenniveau kann angenommen werden) wurde auch hier
eine Friedmann-ANOVA durchgeführt.
Abbildung 47: Mittlere Beanspruchungshöhe (laut NASA-TLX g. A.) der drei Gruppen nach d2-R-Ergebiniss
Diese gelangte für beide Maße zu keinen signifikanten Ergebnissen (RSME: χ² < 1,000; df 2; p =
0,704; NASA-TLX g. A.: χ² < 0,333, df 2; p = 0,956). Für die weitere Auswertung der subjektiven
Maße sowie des Leistungsmaßes kann daher ein Einfluss des Abschneidens im d2-R-Test und
damit des Effizienz-Geschwindigkeits-Tradeoff auf die Beanspruchungsbewertungen
ausgeschlossen werden.
Tabelle 7: Ergebnisse der Testung der Hypothese 1
Hypothese Getätigte Annahme Ergebnis
Hypothese 1a
Mit steigendem d2-R-Wert werden weniger Fehler gemacht.
Nicht
bestätigt
65 Die absoluten Skalenwerte der subjektiven Maße wurden zur besseren Vergleichbarkeit jeweils in
Prozentwerte überführt.
0,00
10,00
20,00
30,00
40,00
50,00
60,00
70,00
Niedrig Durchschnittlich Hoch
Mittlere Beanspruchungshöhe [NASA TLX g. A. in %]
D2-R Wert
162
Hypothese 1b
Mit steigendem d2-R-Wert wird die Beanspruchung als geringer
eingeschätzt.
Nicht
bestätigt
6.2.2 BEWERTUNG DER SENSITIVITÄT DER HERZRATE (HYPOTHESE 2)
Hypothese (2): Die Herzrate, gemessen in Millisekunden Dauer der Inter-Beat-Intervalle,
der beiden Experimentalbedingungen (hohes vs. niedriges Verkehrsaufkommen) ist
signifikant geringer als die der Baseline-Bedingung. Die mittleren IBI der Szenarien mit
hohem Verkehrsaufkommen (1 und 3) sind geringer, als die mittleren IBI der Szenarien
mit geringem Verkehrsaufkommen (2 und 4).
Um festzustellen, ob im vorliegenden Experiment eine genügend hohe Sensitivität der Herzrate
zur Unterscheidung zweier Experimentalbedingungen vorlag, wurden die Experimental-
bedingungen mit der Baseline-Bedingung verglichen. Die Stufe der Belastung diente hierbei als
Faktorstufe. Daher wurden die drei Stufen hohe Belastung (Szenarien 1 und 3), niedrige
Belastung (Szenarien 2 und 4) und Baseline definiert. Deskriptiv kann hierbei ein leichter
Anstieg der mittleren Dauer der Inter-Beat-Intervalle von der Bedingung mit hoher Belastung
mit 𝑆𝐵𝑆 = 747,65 ms (s = 61,25 ms), über niedrige Belastung mit 𝑆𝐵𝑆 = 752,96 ms (s = 58,95 ms)
bis zur Baseline mit 𝑆𝐵𝑆 = 771,77 ms (s = 62,76 ms) festgestellt werden (vgl. Abbildung 48).
Abbildung 48: Mittlere IBI (in ms) der beiden Experimentalbedingungen (hohe und geringe Belastung) und der Baselinebedingung
Da für die EKG-Daten (Herzrate in IBI) Intervallskalierung, sowie Normalverteilung
(Kolmogorov-Smirnoff-Test nicht signifikant) und Varianzhomogenität (Lavenes Test nicht
0
100
200
300
400
500
600
700
800
900
Hohe Belastung Geringe Belastung Baseline
Mittlere IBI [ms]
Bedingung
163
signifikant) gegeben war, wurde zur Signifikanztestung eine Messwiederholungs-ANOVA mit
geplanten Kontrasten für die drei Bedingungen durchgeführt. Die Hauptanalyse ergab, dass die
Länge der Inter-Beat-Intervalle hoch signifikant von der Belastung beeinflusst wird; F(2, 94) =
15,4, p < 0,001. Eine gesamte Effektstärke von 0,299 (partielles η²) zeigt, dass etwa 30 % der
Varianz auf die veränderte Belastung zurückgeführt werden kann. Die paarweisen Vergleiche
ergaben, dass die Inter-Beat-Intervalle in der Baseline-Bedingung signifikant länger sind als in
beiden Experimentalbedingungen (hohe Belastung Mittelwertsdifferenz 0,252; p < 0,001;
CI(95%) 0,117-0,387; geringe Belastung Mittelwertsdifferenz 0,199; p < 0,001; CI(95%) 0,089-
0,309). Die Länge der Inter-Beat-Intervalle der beiden Experimentalbedingungen unterscheidet
sich allerdings nur minimal (Mittelwertsdifferenz 0,053; p = 0,691). So können die Hypothesen
2a und 2b nicht widerlegt werden, während die Hypothese 2c abgelehnt wird.
Es kann somit davon ausgegangen werden, dass die Herzrate nicht in der Lage ist, feine
Beanspruchungsunterschiede aufzudecken, wodurch sie aus den weiteren Betrachtungen
ausgeschlossen werden muss, da kein Informationsmehrwert zu erwarten ist.
Tabelle 8: Ergebnisse der Testung der Hypothese 2
Hypothese Getätigte Annahme Ergebnis
Hypothese 2a
Die mittleren IBI der Szenarien mit hohem Verkehrsaufkommen
(1 und 3) sind geringer als die der Baseline Bedingung
(Mittelwertsdifferenz 0,252; p < 0,001; CI(95%) 0,117-0,387).
Bestätigt
Hypothese 2b
Die mittleren IBI der Szenarien mit geringem Verkehrsaufkommen
(2 und 4) sind geringer als die der Baseline Bedingung
(Mittelwertsdifferenz 0,199; p < 0,001; CI(95%) 0,089-0,309).
Bestätigt
Hypothese 2c
Die mittleren IBI der Szenarien mit hohem Verkehrsaufkommen
(1 und 3) sind geringer als die der
Szenarien mit geringem
Verkehrsaufkommen (2 und 4)
(Mittelwertsdifferenz 0,053;
p = 0,691).
Nicht
bestätigt
6.2.3 BEWERTUNG DER MITTLEREN MENTALEN BEANSPRUCHUNG MITTELS HERZRATE
(HYPOTHESEN 3A- F)
Hypothese (3): Die Herzrate, gemessen in Millisekunden Dauer der Inter-Beat-Intervalle,
ist bei hohem Verkehrsaufkommen signifikant geringer als bei niedrigem
Verkehrsaufkommen. Dagegen unterscheidet sich die Herzrate von Szenarien mit gleich
hohem Verkehrsaufkommen nicht.
Aufgrund der zur Überprüfung der Hypothese 2 durchgeführten Analysen kann durch die
geringe Sensitivität der Herzrate keine Aussage bezüglich der Hypothese 3 gemacht werden. In
164
der Analyse zu Hypothese 2 zeigte sich bereits, dass keine signifikanten Unterschiede in der
Herzrate innerhalb der beiden Experimentalbedingungen bestehen. Damit kann die Herzrate
nicht als verlässlicher Indikator für Beanspruchungsunterschiede in den
Experimentalbedingungen betrachtet und im Weiteren nicht als Maß zur Hypothesenprüfung
eingesetzt werden.
6.2.4 BEWERTUNG DER MITTLEREN MENTALEN BEANSPRUCHUNG MITTELS RSME
(HYPOTHESEN 4A – F)
Hypothese (4): Die subjektiven Bewertungen der mentalen Beanspruchung, erhoben mit
der RSME-Skala, sind bei hohem Verkehrsaufkommen signifikant höher als bei
niedrigem. Die Bewertungen von Szenarien mit gleich hohem Verkehrsaufkommen
unterscheiden sich nicht voneinander.
In den Szenarien 1 und 3 (hohes Verkehrsaufkommen) schätzten die Probanden die
Beanspruchung im Mittel mit MedianSZN1 = 25,06 % (MD66 = 10,30 %) respektive MedianSZN3 =
29,39 % (MD = 11,08 %) ein. In den Szenarien 2 und 4 wurde die Beanspruchung im Mittel mit
MedianSZN2 = 16,52 % (MD = 10,15 %) bzw. MedianSZN4 = 17,29 % (MD = 9,85 %) eingeschätzt
(vgl. Abbildung 49). Es ist deskriptiv also zu erkennen, dass die mentale Beanspruchung auch in
Szenarien mit gleicher Belastung leicht unterschiedlich bewertet worden ist.
Abbildung 49: Mittlere Beanspruchungshöhe jedes Szenarios (in %) erfasst mit dem RSME
66 MD: Mittlere Abweichung vom Median.
0,00
5,00
10,00
15,00
20,00
25,00
30,00
35,00
40,00
45,00
1324
Mittlere Beanspruchungshöhe [%]
Szenario
hohe Belastung
niedrige Belastung
165
Aufgrund des Ordinalskalenniveaus wurde eine Friedmann-ANOVA durchgeführt, welche auf
hoch signifikante Unterschiede zwischen den Bedingungen hindeutete (χ2 = 33,734, df 3, p <
0,001). Für die paarweisen Vergleiche der Szenarien untereinander wurden post-hoc Wilcoxon-
Tests durchgeführt, wobei sowohl vier Alternativhypothesen, als auch zwei Nullhypothesen als
Forschungshypothesen formuliert worden sind. Dies ist beim Setzen des α-Niveaus zu
berücksichtigen (vgl. Kapitel 6.1.4). Für die Testung der Alternativhypothesen ist bei der
Berechnung von sechs post-hoc Wilcoxon-Tests eine Bonferroni-Korrektur durchzuführen, um
eine Inflation des α-Fehlers zu vermeiden. Für die vier Alternativhypothesen gilt bei einseitiger
Testung damit ein α-Niveau von α = 0,05
6 = 0,0083. Für die Bestätigung der Nullhypothesen wird
hingegen ein konservatives Vorgehen gewählt, wobei das α-Niveau auf α = 0,20 gesetzt und
keine Bonferroni-Korrektur vorgenommen wird, um eine hohe Teststärke zu erhalten und somit
die Annahme der Nullhypothese zu erschweren. Für die vier Alternativhypothesen ergaben sich
folgende Ergebnisse:
Tabelle 9: Ergebnisse der Testung der Alternativhypothesen von Hypothese 4
Hypothese Getätigte Annahme Ergebnis
Hypothese 4a
Die RSME-Ratings von SZN 1 sind signifikant höher als von SZN 2
(T = 25, p < 0,001, r = 0,496)
Bestätigt
Hypothese 4b
Die RSME-Ratings von SZN 1 sind signifikant höher als von SZN 4
(T = 30, p < 0,001, r = -0,495)
Bestätigt
Hypothese 4c
Die RSME-Ratings von SZN 3 sind signifikant höher als von SZN 2
(T = 13, p < 0,001, r = -0,565)
Bestätigt
Hypothese 4d
Die RSME-Ratings von SZN 3 sind signifikant höher als von SZN 4
(T = 15, p < 0,001, r = -0,557)
Bestätigt
Die vier Alternativhypothesen (4a – d) gelten damit.
Für die Nullhypothesen 4e – f ergaben sich folgende Ergebnisse:
Tabelle 10: Ergebnisse der Testung der Nullhypothesen von Hypothese 4
Hypothese Getätigte Annahme Ergebnis
Hypothese 4e
Die RSME-Werte von SZN 1 und SZN 3 unterscheiden sich nicht
(T = 103,5, p (2-seitig) = 0,190, r = -0,192)
Nicht
bestätigt
Hypothese 4f
Die RSME-Werte von SZN 2 und SZN 4 unterscheiden sich nicht
(T = 99, p (2-seitig) = 0,384, r = -0,192)
Bestätigt
166
Die Hypothese 4e unterschreitet knapp das für die Testung der Nullhypothese gesetzte
Signifikanzniveau von 0,20 (p = 0,19), sodass hier davon ausgegangen werden kann, dass ein
Unterschied in den Bewertungen besteht. Für die Nullhypothese 4f werden keine signifikanten
Ergebnisse erhalten und damit gilt diese ebenfalls.
6.2.5 BEWERTUNG DER MITTLEREN MENTALEN BEANSPRUCHUNG MITTELS NASA-TLX
DIMENSION GEISTIGE ANSTRENGUNG (HYPOTHESEN 5A – F)
Hypothese (5): Die subjektiven Bewertungen der mentalen Beanspruchung, erhoben mit
dem NASA-TLX (Sub-Skala geistige Anstrengung), sind bei hohem Verkehrsaufkommen
signifikant höher als bei niedrigem. Die Bewertungen von Szenarien mit gleich hohem
Verkehrsaufkommen unterscheiden sich nicht voneinander.
In den Szenarien 1 und 3 (hohes Verkehrsaufkommen) schätzten die Probanden die
Beanspruchung im Mittel mit MedianSZN1 = 63,54 % (MD = 20,24 %) respektive
MedianSZN3 = 50,93 % (MD = 21,40 %) ein. In den Szenarien 2 und 4 wurde die Beanspruchung
im Mittel mit MedianSZN2 = 34,51 % (MD = 19,38 %) bzw. MedianSZN4 = 31,47 % (MD = 20,41 %)
eingeschätzt (vgl. Abbildung 50).
Abbildung 50: Mittleren Beanspruchungshöhe jedes Szenarios (in %) erfasst mit dem NASA-TLX (Dimension geistige Anstrengung)
Es ist deskriptiv also zu erkennen, dass die mentale Beanspruchung auch in Szenarien mit
gleicher Belastung leicht unterschiedlich bewertet worden ist. Es ist ebenfalls zu erkennen, dass
0,00
10,00
20,00
30,00
40,00
50,00
60,00
70,00
80,00
90,00
1324
Mittlere Beanspruchungshöhe [%]
Szenario
hohe Belastung
niedrige Belastung
167
die Beanspruchung mit dem NASA-TLX sehr viel höher (etwa doppelt so hoch67) eingeschätzt
worden ist, als mit dem RSME (vgl. Hypothese 4, Kapitel 6.2.4). Ferner ist zu erkennen, dass im
Vergleich zum RSME die Beanspruchungshöhe der einzelnen Szenarien unterschiedlich
eingeschätzt worden ist. So ist mit dem RSME beispielsweise das Szenario 3 am höchsten
bewertet worden, mit dem NASA-TLX hingegen das Szenario 1.
Eine Friedmann-ANOVA deutete auf hoch signifikante Unterschiede zwischen den
Bedingungen hin (χ2 = 29,038, df 3, p < 0,001). Die Berechnung des α-Niveaus ergibt sich analog
den Erläuterungen im vorangegangenen Kapitel für die Alternativhypothesen zu α = 0,0083 und
die Nullhypothesen zu α = 0,20. Die Testung der vier Alternativhypothesen (2a – 2d) führen zu
folgenden Ergebnissen:
Tabelle 11: Ergebnisse der Testung der Alternativhypothesen von Hypothese 5
Hypothese Getätigte Annahme Ergebnis
Hypothese 5a
Das NASA-TLX-Rating von SZN 1 ist signifikant höher als von SZN 2
(T = 24, p < 0,001, r = -0,519)
Bestätigt
Hypothese 5b
Das NASA-TLX-Rating von SZN 1 ist signifikant höher als von SZN 4
(T = 6, p < 0,001, r = -0,549)
Bestätigt
Hypothese 5c
Das NASA-TLX-Rating von SZN 3 ist signifikant höher als von SZN 2
(T = 37, p = 0,001, r = -0,419)
Bestätigt
Hypothese 5d
Das NASA-TLX-Rating von SZN 3 ist signifikant höher als von SZN 4
(T = 44, p = 0,001, r = -0,437)
Bestätigt
Die vier Alternativhypothesen 5a –d gelten damit.
Für beide Nullhypothesen 5e – f ergaben sich folgende Ergebnisse:
Tabelle 12: Ergebnisse der Testung der Nullhypothesen von Hypothese 5
Hypothese Getätigte Annahme Ergebnis
Hypothese 5e
Das NASA-TLX-Ratings von SZN 1 und SZN 3 unterscheiden sich
nicht (T = 114,5, p (2-seitig) = 0,320, r = -0,146)
Bestätigt
Hypothese 5f
Das NASA-TLX-Ratings von SZN 2 und SZN 4 unterscheiden sich
nicht (T = 134,5, p (2-seitig) = 0,923, r = -0,015)
Bestätigt
Es werden keine signifikanten Ergebnisse erhalten, womit diese weiterhin gelten.
67 Aufgrund der Überführung der Skalenwerte des NASA-TLX und des RSME in Prozentwerte ist zwar ein
Vergleich der Beanspruchungshöhe möglich, dieser ist allerdings unter Berücksichtigung der in Kapitel
6.1.4 gemachten Einschränkungen zu bewerten.
168
6.2.6 FEHLERZAHL (HYPOTHESEN 6A – F)
Hypothese (6): Die Fehlerzahlen sind bei hohem Verkehrsaufkommen signifikant höher
als bei niedrigem. Die Fehlerzahlen von Szenarien mit gleich hohem Verkehrsaufkommen
unterscheiden sich nicht voneinander.
Die Anzahl der Fehler wurde als Leistungsmaß erhoben. Deskriptiv ist zu erkennen, dass die
Häufigkeit, mit der Fehler gemacht wurden, in den Szenarien mit hohem Verkehrsaufkommen
sehr viel höher ist als bei geringem Verkehrsaufkommen (Abbildung 51).
Abbildung 51: Mittlere Gesamtfehlerzahl pro Szenario
Es wurde überprüft, ob sich die Fehlerzahlen der einzelnen Szenarien signifikant voneinander
unterscheiden. Laut Hypothesen 6a – f sollte dies bei den Vergleichen von Szenario 1 und 2, 1
und 4, 3 und 2 sowie 3 und 4 der Fall sein, bei den Szenarien 1 und 3 sowie 2 und 4 jeweils nicht.
Aufgrund der Tatsache, dass die Fehlerzahlen nicht normalverteilt waren (Kolmogorov-
Smirnoff-Test auf Normalverteilung der Daten lieferte für die Reihen der Szenarien 2 und 4
signifikante Ergebnisse), wurde zunächst eine Friedmann-ANOVA verwendet und mit post-hoc
Wilcoxon Tests die einzelnen Fälle verglichen. Im Mittel machten die Versuchspersonen im
Szenario 1 MWSZN1 = 4,54 Fehler (s = 2,89), im Szenario 2 MWSZN2 = 2,00 Fehler (s = 1,56), im
Szenario 3 MWSZN3 = 4,63 Fehler (s = 3,16) und im Szenario 4 MWSZN4 = 1,25 Fehler (s = 1,26).
Eine Friedmann-ANOVA lieferte hoch signifikante Ergebnisse (χ2 = 26,294, df 3, p < 0,001). Die
Berechnung des α-Niveaus der post-hoc Wilcoxon-Tests ergibt sich analog den Erläuterungen im
vorangegangenen Kapitel für die Alternativhypothesen zu α = 0,0083 und die Nullhypothesen zu
α = 0,20. Die Testung der vier Alternativhypothesen (3a – d) führten zu signifikanten
Ergebnissen:
0
1
2
3
4
5
6
7
8
9
1324
Mittlere Fehlerzahl
Szenario
hohe Belastung
niedrige Belastung
169
Tabelle 13: Ergebnisse der Testung der Alternativhypothesen von Hypothese 6
Hypothese Getätigte Annahme Ergebnis
Hypothese 6a
Die mittlere Fehlerzahl von SZN 1 ist höher als von SZN 2
(T = 24,5, p < 0,001, r = -0,500)
Bestätigt
Hypothese 6b
Die mittlere Fehlerzahl von SZN 1 ist höher als von SZN 4
(T = 10,5, p < 0,001, r = -0,547)
Bestätigt
Hypothese 6c
Die mittlere Fehlerzahl von SZN 3 ist höher als von SZN 2
(T = 20, p < 0,001, r = -0,519)
Bestätigt
Hypothese 6d
Die mittlere Fehlerzahl von SZN 3 ist höher als von SZN 4
(T = 1,5, p < 0,001, r = -0,530)
Bestätigt
Somit gelten die Alternativhypothesen 6a – d.
Für beide Nullhypothesen 6e – f ergaben sich folgende Ergebnisse:
Tabelle 14: Ergebnisse der Testung der Nullhypothesen von Hypothese 6
Hypothese Getätigte Annahme Ergebnis
Hypothese 6e
Die mittlere Fehlerzahlen von SZN 1 und SZN 3 unterscheiden sich
nicht (T = 113,5, p (2-seitig) = 0,953, r = -0,101)
Bestätigt
Hypothese 6f
Die mittlere Fehlerzahlen von SZN 2 und SZN 4 unterscheiden sich
nicht (T = 45,5, p (2-seitig) = 0,045, r = -0,292)
Nicht
Bestätigt
Für die Nullhypothese 6e wird kein signifikantes Ergebnis erhalten, sodass diese weiterhin gilt.
Die Hypothese 6f unterschreitet das Signifikanzniveau von α = 0,20; es kann hier davon
ausgegangen werden, dass ein Unterschied in der mittleren Anzahl der Fehler besteht, sodass
die Nullhypothese verworfen werden muss.
6.2.7 MITTLERE BEANSPRUCHUNGSHÖHE DES MODELLS (HYPOTHESE 7)
Hypothese (7): Die mittleren Beanspruchungswerte des Modells sind bei hohem
Verkehrsaufkommen signifikant höher als bei niedrigem. Die mittleren
Beanspruchungswerte des Modells von Szenarien mit gleich hohem Verkehrsaufkommen
unterscheiden sich nicht voneinander.
Für die Modelldaten wurde das gleiche Bild erwartet, wie es auch in den subjektiven
Bewertungen gezeigt werden konnte. Im Mittel ergab das Modell für die beiden Szenarien mit
hoher Belastung höhere Werte von MWSZN1 = 33,92 % (s = 6,31 %) für Szenario 1 und MWSZN3 =
24,56 % (s = 5,20 %) für Szenario 3 und für die beiden Szenarien mit niedriger Belastung
170
geringere Werte mit MWSZN2 = 12,28 % (s = 3,57 %) für Szenario 2 und
MWSZN4 = 8,14 % (s = 2,38 %) (vgl. Abbildung 52). Ein Kolmogorov-Smirnoff Test auf
Normalverteilung, sowie ein Levene‘s Test auf Varianzhomogenität der Modelldaten ergaben
keine signifikanten Ergebnisse, sodass Normalverteilung und Varianzhomogenität angenommen
werden können. Eine Messwiederholungs-ANOVA wurde durchgeführt, bei der die einzelnen
Szenarien als vier Stufen für die Beanspruchung angesehen wurden.
Abbildung 52: Mittleren Beanspruchungshöhe jedes Szenarios (in %) des Modells
Die Hauptanalyse ergab, dass sich die Beanspruchung hoch signifikant unterschiedet (F(3, 69) =
153,79; p < 0,001). Der Vergleich aller Szenarien untereinander mit Hilfe der geplanten
Kontraste ergab hoch signifikante Unterschiede zwischen allen mittleren
Beanspruchungswerten des Modells (p jeweils < 0,001).
Tabelle 15: Ergebnisse der Testung der Alternativhypothesen von Hypothese 7
Hypothese Getätigte Annahme Ergebnis
Hypothese 7a
Die mittlere Beanspruchungshöhe des Modells von SZN 1 ist höher
als von SZN 2
(Mittelwertsdifferenz 21,639, p < 0,001, CI(95%)
17,463-25,815)
Bestätigt
Hypothese 7b
Die mittlere Beanspruchungshöhe des Modells von SZN 1 ist höher
als von SZN 4 (Mittelwertsdifferenz 25,778, p < 0,001, CI(95%)
21,960-29,596)
Bestätigt
0,00
5,00
10,00
15,00
20,00
25,00
30,00
35,00
40,00
45,00
1324
Mittlere Beanspruchungshöhe des Modells [%]
Szenario
hohe Belastung
niedrige Belastung
171
Hypothese 7c
Die mittlere Beanspruchungshöhe des Modells von SZN 3 ist höher
als von SZN 2 (Mittelwertsdifferenz 12,278, p < 0,001, CI(95%)
8,191-16,364)
Bestätigt
Hypothese 7d
Die mittlere Beanspruchungshöhe des Modells von SZN 3 ist höher
als von SZN 4 (Mittelwertsdifferenz 16,417, p < 0,001, CI(95%)
12,810-20,024)
Bestätigt
Es gelten damit die Alternativhypothesen 7a – d. Für die Überprüfung der Nullhypothesen
wurde das α-Niveau analog zu oben wiederum mit α = 0,20 festgelegt. Es ergaben sich folgende
Ergebnisse:
Tabelle 16: Ergebnisse der Testung der Nullhypothesen von Hypothese 7
Hypothese Getätigte Annahme Ergebnis
Hypothese 7e
Die mittlere Beanspruchungshöhe des Modells von SZN 1 und
SZN 3 unterscheiden sich nicht (Mittelwertsdifferenz 9,361, p <
0,001, CI(95%) 4,716-14,006)
Nicht
Bestätigt
Hypothese 7f
Die mittlere Beanspruchungshöhe des Modells von SZN 2 und
SZN 4 unterscheiden sich nicht (Mittelwertsdifferenz 4,139, p =
0,001, CI(95%) 1,591-6,687)
Nicht
Bestätigt
Die Nullhypothesen 7e und f, bei denen angenommen wurde, dass sich die Szenarien mit
gleicher Belastung nicht signifikant voneinander unterscheiden, müssen abgelehnt werden, so
dass auch hier Unterschiede in der mittleren Beanspruchung, die durch das Modell ermittelt
wurde, bestehen.
6.2.8 TRENDVERGLEICH DER MITTLEREN BEANSPRUCHUNGSHÖHE (HYPOTHESE 8)
Hypothese (8): Es besteht eine starke Korrelation (ρ; τ > 0,6) zwischen der mittleren
Beanspruchungshöhe der subjektiven (RSME und NASA-TLX) und der Modelldaten über
die vier Szenarien.
Zum visuellen Vergleich der Trends der mittleren Beanspruchungshöhe über die Szenarien
wurden die Prozentwerte der NASA-TLX-Sub-Skala geistige Anstrengung und der RSME-
Bewertungen im Vergleich zu den Modelldaten dargestellt (vgl. Abbildung 53). Da bereits in
Hypothese 5 (vgl. Kapitel 6.2.5) festgestellt wurde, dass sich die Trends über die Szenarien des
NASA-TLX g.A. und des RSME unterschieden, wurde zusätzlich noch der Gesamtwert des NASA-
TLX (Raw Task Load Index nach Byers et al., 1989; NASA-RTLX) bestimmt, um zu überprüfen, ob
sich die Trends des RSME und des NASA-RTLX stärker ähneln. Hiermit sind Rückschlüsse auf die
Diagnostizität des RSME möglich. Es ist zu erkennen, dass die absolute Beanspruchungshöhe
172
vom Modell zwar meist unterschätzt wird, sie sich aber in etwa auf der Höhe der mittleren
Beanspruchungshöhe, die mit dem RSME erreicht wurde, befindet. Es ist ferner zu erkennen,
dass der Trend, den die subjektive Bewertung mit der Sub-Skala „geistige Beanspruchung“ des
NASA-TLX ergab, auch durch das Modell abgebildet werden kann (Szenario 1 > Szenario 3 >
Szenario 2 > Szenario 4), was sich auch in einer hohen Korrelation zwischen den beiden
Messskalen widerspiegelt (ρ = 1,00; τ = 1,00).
Abbildung 53: Mittlere Beanspruchungshöhe des Modells (Anzahl Chunks) verglichen mit der mittleren Beanspruchungshöhe des
RSME, des NASA-TLX (g.A.), sowie des NASA-RTLX (jeweils in %)
In ähnlicher Weise wird auch der Trend der mittleren Fehlerzahlen durch das Modell
abgebildet (vgl. Kapitel 6.2.3; Szenario 3 > Szenario 1 > Szenario 2 > Szenario 4; ρ = 0,800; τ =
0,667). Die Trends des NASA-RTLX, sowie der RSME-Ratings bildet das Modell hingegen
schlechter ab (RTLX: ρ = 0,800; τ = 0,667; RSME: ρ = 0,600; τ = 0,333). Es ist außerdem zu
erkennen, dass der Trend des NASA-RTLX eher mit dem Trend der RSME-Bewertungen
überreinstimmen (NASA-RTLX: Szenario 3 > Szenario 1 > Szenario 2 > Szenario 4; RSME:
Szenario 3 > Szenario 1 > Szenario 4 > Szenario 2; ρ = 0,800; τ = 0,667). Beide korrelieren
allerdings schlechter mit der Sub-Skala „geistige Anstrengung“: (TLX g.A. – RTLX: ρ = 0,800, τ =
0,667; TLX g.A. – RSME: ρ = 0,600, τ = 0,333).
Die Hypothese 8, nämlich, dass eine starke Korrelation bezüglich der subjektiven und der
Modelldaten über die vier Szenarien zu erwarten ist, gilt daher für den NASA-TLX g. A., die
Fehlerzahl, sowie den NASA-RTLX. Mit beiden Koeffizienten ergaben sich starke Korrelationen
(> 0,6). Lediglich für den RSME ergab sich mit Kendall’s τ nur eine schwache Korrelation, sodass
0,00
10,00
20,00
30,00
40,00
50,00
60,00
70,00
1324
Mittlere Beanspruchungshöhe (VP) bzw. ANzahl
Chunks (Modell) [%]
Szenario
NASA-TLX g.A. NASA-RTLX RSME Modell
hohe Belastung
niedrige Belastung
173
hier ein weniger starker Zusammenhang besteht. Tabelle 17 gibt einen Überblick über die
einzelnen Zusammenhänge.
Tabelle 17: Übersicht der Korrelationskoeffizienten der einzelnen Messskalenvergleiche
Vergleich Spearman’s ρ Kendall’s τ
Modell – NASA-TLX g,A.
1,000
1,000
Modell – Fehlerzahl
0,800
0,667
Modell – NASA-RTLX
0,800
0,667
Modell – RSME
0,600
0,333
NASA-RTLX – RSME
0,800
0,667
NASA-TLX g.A. – NASA-RTLX
0,800
0,667
NASA-TLX g.A. – RSME
0,600
0,333
6.2.9 ÜBERPRÜFUNG DER MODELLGÜTE MITTELS EINZELFALLANALYSEN (HYPOTHESE 9)
Hypothese (9): Es besteht ein positiver Zusammenhang zwischen den zeitlichen Verläufen
der RSME- und Modelldaten.
Für die Beurteilung des Zusammenhanges zwischen den subjektiven Einschätzungen (mittels
RSME) der einzelnen Versuchspersonen und den Modelldaten wurden zunächst visuelle
Überprüfungen der zeitlichen Verläufe von Modelldaten und RSME-Daten sowie
Streudiagramme herangezogen68. Die Quantifizierung wurde mit Hilfe der Korrelations-
koeffizienten Kendall’s τ und Spearman’s ρ berechnet, wie in Kapitel 6.1.4 beschrieben. Hierzu
sind Einzelfallanalysen der Versuchspersonenratings (alle Minuten-Werte eines Szenarios)
durchgeführt und mit den Einzelfallsimulationen des Modells verglichen worden. Somit kann für
jedes Versuchspersonenrating ein eigener visueller Vergleich, sowie ein eigener
Korrelationskoeffizient erhalten werden. Dies dient einerseits der besseren Möglichkeit,
bestimmte Besonderheiten der Ratings zu identifizieren, andererseits werden Hinweise
erhalten, wie die Vorhersagegüte des Modells durch individuelle Unterschiede in den
Versuchspersonendaten variiert. Weiterhin war die Einzelfallbetrachtung notwendig, da die
Simulationssoftware es nicht erlaubte, exakt standardisierte Szenarien zu erstellen.
Stellvertretend soll hier das Streudiagramm und der Vergleich der zeitlichen Verläufe der
Beanspruchung für die Versuchsperson 24 im Szenario 1 dargestellt werden. Die Abbildung 54
stellt das Streudiagramm der Versuchsperson 24 im Szenario 1 dar. Aus der Abbildung lässt sich
ein hoher positiver korrelativer Zusammenhang erwarten. Abbildung 55 stellt die zeitlichen
68 Ein zeitlicher Verlauf der mentalen Beanspruchung innerhalb der Szenarien wurde nur mit dem RSME
erfasst, nicht mit dem NASA-TLX. Daher ist auch nur der Vergleich zwischen RSME und Modell möglich.
174
Verläufe der subjektiven Bewertungen sowie der Modelldaten ebenfalls für Versuchsperson 24
im Szenario 1 dar. Es ist zu erkennen, dass die Versuchsperson 24 gut durch das Modell
abgebildet wird, sowohl der allgemeine Trend der Kurven, als auch Täler und Gipfel in den
subjektiven Bewertungen.
Abbildung 54: Streudiagramm Modell-RSME der Versuchsperson 24 im Szenario 1
Abbildung 55: Zeitliche Verläufe der subjektiven Beanspruchungswerte (blau) sowie der Modellwerte (rot) der Versuchsperson 24
im Szenario 1
Es sieht allerdings so aus, dass das Modell auf Belastungsunterschiede stärker zu reagieren
scheint, als die Versuchsperson. Somit ist die Kurve der Versuchsperson etwas flacher als die des
Modells. Zu Zeiten hoher Belastung reagiert das Modell meist mit höherer Beanspruchung und
höheren Ausschlägen, als es bei der Einschätzung der Versuchsperson der Fall ist. Es ist
ebenfalls zu erkennen, dass zum Ende des Szenarios die Kurven etwas auseinanderdriften. Alle
0
10
20
30
40
50
60
70
80
90
0,00 5,00 10,00 15,00 20,00 25,00 30,00 35,00 40,00
Modell [%]
RSME [%]
0,00
10,00
20,00
30,00
40,00
50,00
60,00
70,00
80,00
90,00
12345678910 11 12 13 14 15
Beanspruchungshöhe [%]
t [min]
RSME Modell
175
anderen 95 Streudiagramme und Verläufe sind den im Anhang beigefügten Exceldateien zu
entnehmen69.
Tabelle 18: Zusammenfassung aller möglichen Korrelationen zwischen Modell und RSME pro Zeitreihe des Szenarios 1
VP
Kendall’s τ
Spearman’s ρ
4
-0,500
-0,679
5
0,322
0,445
6
0,565
0,734
11
0,493
0,634
13
0,618
0,732
14
0,617
0,792
15
0,418
0,530
16
0,060
0,103
17
0,279
0,368
18
0,325
0,496
19
0,269
0,366
20
0,411
0,514
21
0,663
0,810
22
0,382
0,516
24
0,640
0,751
Mittelwert 0,392 0,518
Es wurde anschließend für jede Versuchsperson individuell die zu den 15 Messzeitpunkten
erhobenen subjektiven Bewertungen mit den Modellwerten der korrespondierenden 15
Modellzeitpunkte korreliert. Hierbei galt es allerdings eine Einschränkung zu machen: Einige der
Fragebögen sind von den Versuchspersonen nicht ausgefüllt worden, weshalb diese aus der
Analyse ausgeschlossen wurden70. Für jedes Szenario wurde daher beschrieben, wie viele der 24
möglichen Korrelationen tatsächlich in die Auswertung mit einbezogen werden konnten.
69 Die in den Exceldateien enthaltenen Diagramme der zeitlichen Verläufe sind aufgrund der besseren
Vergleichbarkeit und der Möglichkeit, die Zeitpunkte zu denen Fehler auftraten mit darzustellen, auf Basis
z-standardisierter Daten erstellt worden, da wie bereits argumentiert die absolute Beanspruchungshöhe
nicht so erheblich ist, wie der Beanspruchungsverlauf.
70 Die Versuchspersonen waren angehalten, bei jedem auftretenden Piep-Ton den Fragebogen auszufüllen.
Sollten sie auf Grund der Überlagerung des Piep-Tones mit Kommunikation oder durch zu hohe
Beanspruchung einmal einen Fragebogen nicht angekreuzt haben, so kam es zu einer Auslassung der
vornummerierten Bögen. Dies resultierte darin, dass eine Versuchsperson in Minute 5 Bogen 4 ausgefüllt
hat und damit in Minute 6 Bogen 5 usw. Da während der Versuche keine Beobachtung der
Versuchspersonen erfolgte, kann nicht rekonstruiert werden, an welcher Stelle der Zeitreihe sich der
fehlende Wert tatsächlich befindet.
176
Repräsentativ für das erste Szenario sind die Korrelationskoeffizienten der Zeitreihen der
einzelnen Versuchspersonen in Tabelle 18 dargestellt.
Die Tabellen der anderen Szenarien, sowie die ausführlichen Korrelationstabellen befinden
sich im Anhang. Es kann festgehalten werden, dass für die subjektiven Bewertungen über alle
Szenarien in ca. 2
3 der Fälle Korrelationen berechenbar waren (64 von 96 insgesamt möglichen;
66,67 %). Von diesen berechenbaren Korrelationen zeigten 92,19 % (τ) bzw. 90,63 % (ρ) einen
positiven Zusammenhang zwischen den Versuchspersonenratings und den Modelldaten.
Lediglich 5 (7,81 %; τ) bzw. 6 (9,38 %; ρ) der berechenbaren Korrelationen waren negativ. Die
Anzahl der möglichen, sowie der positiven Korrelationen sind in Tabelle 19 zusammengefasst.
Tabelle 19: Zusammenfassung der möglichen und positiven Korrelationen pro Szenario
und insgesamt, sowie deren prozentualer Anteil
Szenario
Anzahl möglicher
Korrelationen
Anzahl positiver
Korrelationen (τ)
Anzahl positiver
Korrelationen (ρ)
1
15
14
14
2
18
16
15
3
13
12
12
4
18
17
17
Gesamt 64 59 58
Prozentualer Anteil
(gesamt)
66,67 92,19 90,63
Die Berechnung der mittleren Korrelationen für jedes Szenario erfolgte mit Hilfe einer Fisher
Z-Transformation (vgl. Bortz & Schuster, 2010), so dass sich jeweils eine schwach bis mittlere
Korrelation zwischen dem RSME und den Modelldaten ergab (vgl. Tabelle 20).
Tabelle 20: Mittlere Korrelationen aller Zeitreihen pro Szenario, sowie über alle Szenarien
Szenario
Kendall’s τ
Spearman’s ρ
1
0,392
0,518
2
0,243
0,305
3
0,323
0,410
4
0,382
0,461
Mittelwert 0,336 0,427
Im Mittel über alle Szenarien besteht nach Spearman’s ρ ein mittlerer Zusammenhang (ρ =
0,427), nach Kendall’s τ ein schwacher Zusammenhang (τ = 0,392). Damit gilt die Hypothese 9.
Aufgrund der in Hypothese 2 festgestellten geringen Sensitivität der Herzrate kann für die
177
Korrelation zwischen den Modelldaten und den EKG-Daten davon ausgegangen werden, dass
kein Zusammenhang besteht, da die Hypothese 10 nicht mehr valide ist.
6.2.10 EXPLORATIVE ANALYSE: ABSOLUTE ABWEICHUNG DER MODELLDATEN
Exploratives Vorgehen: Berechnung der absoluten (AD) und mittleren absoluten
Abweichung (MAD) der mittleren Beanspruchungshöhe des Modells von den Realdaten
(RSME und NASA-TLX) innerhalb jedes Szenarios.
Um die Abweichung der Modelldaten von den experimentellen Daten bestimmen zu können,
soll im Folgenden zunächst für jedes Szenario die absolute Abweichung sowie die mittlere
absolute Abweichung (MAD) berechnet werden. Dies soll für beide subjektive Maße erfolgen.
Wie bereits in der Abbildung 53 (vgl. Kapitel 6.2.8) zu erkennen war, liegen die Modellwerte
eher auf Höhe des RSME. Die absolute Abweichung ergibt sich aus der Differenz der Mittelwerte
(bzw. Mediane) zwischen Modell- und subjektiven Daten. Die absolute Abweichung des Modells
vom RSME beträgt für Szenario 1 ADSZN1 = 11,99 %, für Szenario 2 ADSZN2 = -0,02 %, für
Szenario 3 ADSZN3 = -2,60 % und für Szenario 4 ADSZN4 = 6,82 %. Die mittlere absolute
Abweichung ergibt sich nach der Formel (vgl. Schunn & Wallach, 2005, S. 24):
𝑀𝐴𝑀 =∑|𝑚𝑖−𝑑𝑖|
𝑘
𝑖=1 𝑘 ,
wobei 𝑚𝑖 den Modellmittelwert jedes Szenarios i, 𝑑𝑖 den Datenmittelwert jedes Szenarios und
k die Anzahl der verglichenen Szenarien wiedergibt. Die mittlere absolute Abweichung der
Modellwerte vom RSME ergibt sich damit zu MAD = 5,36 %. Die absolute Abweichung von NASA-
TLX g. A. und Modell beträgt für Szenario 1 ADSZN1 = -29,62 %, für Szenario 2 ADSZN2 = -22,24 %,
für Szenario 3 ADSZN3 = -26,37 % und für Szenario 4 ADSZN4 = -23,34 %. Die mittlere absolute
Abweichung ergibt sich zu MAD = -25,39 %. Die mittlere Beanspruchungshöhe, die mit dem
NASA-TLX g. A. erreicht wurde, wird damit vom Modell weit unterschätzt, wobei die Werte des
RSME recht gut abgebildet werden können.
Tabelle 21: Absolute und mittlere Absolute Abweichung der Modelldaten von den subjektiven Daten (RSME und NASA-TLX)
Szenario Absolute Abweichung
RSME [%]
Absolute Abweichung
NASA-TLX [%]
1
11,99
-29,62
2
-0,02
-22,24
3
-2,60
-26,37
4
6,82
-23,34
Mittlere absolute Abweichung
5,36
25,39
178
6.2.11 EXPLORATIVE ANALYSE: FEHLER UND BEANSPRUCHUNGSPEAKS
Exploratives Vorgehen: Berechnung der relativen Häufigkeit, mit der Fehler von
Versuchspersonen zu Zeitpunkten auftreten, in denen das Modell eine hohe
Beanspruchung vorhersagt.
Die explorative Analyse geht davon aus, dass eine erhöhte Fehlerwahrscheinlichkeit besteht,
wenn die Beanspruchung der Versuchspersonen hoch ist. Hierbei galt es festzustellen, ob
aufgetretene Fehler häufig innerhalb solcher Beanspruchungsgipfel liegen. Es ist dabei möglich
eine Vierfeldertafel laut Signalentdeckungstheorie (Green & Sweets, 1966) aufzustellen (vgl.
Tabelle 22). Dabei ist allerdings zu beachten, dass ein Beanspruchungsgipfel nicht zwangsläufig
mit einem Fehler einhergehen muss, sondern sich lediglich seine Auftretenswahrscheinlichkeit
erhöht. Es stellt sich damit als schwierig heraus, sowohl falsche Alarme (false Alarm) als auch
korrekte Zurückweisungen (correct rejection) zu beurteilen. Informativ ist daher nur der Anteil
an Treffern (Hit) und Auslassungen (Miss). Außerdem ist zu beachten, dass nur in 20 % der Zeit
Fehler gemacht wurden. 24 Versuchspersonen arbeiteten jeweils vier Szenarien mit je 15
Minuten Dauer ab, was 1440 Minuten entspricht. Insgesamt wurden dabei von allen
Versuchspersonen in allen Szenarien 300 Fehler gemacht.
Tabelle 22: Vierfeldertafel der Signalentdeckungstheorie bezogen auf die Fehlerzahl in Versuch und Modell
VP\Modell
Fehler Kein Fehler
Peak
Treffer
falscher Alarm
Kein Peak
Auslassung
korrekte Zurückweisung
Die Wahrscheinlichkeit eines Treffers (pHit; probability of hit) ergibt sich dabei aus der Anzahl
an Treffern, geteilt durch die Anzahl an Treffern plus der Anzahl an Auslassungen (𝑝𝑝𝑝𝑝 =
𝐻𝑖𝐻
𝐻𝑖𝐻𝐻+𝑀𝑖𝐻𝐻). Wobei sich die Wahrscheinlichkeit einer Auslassung durch 1-Treffer ergibt. Es wurde
zur Auswertung folgende Kriterien festgelegt und untersucht: Anhand der aufgetretenen Fehler
wurde untersucht, ob dieser innerhalb eines lokalen Maximums, bzw. innerhalb eines lokalen
Maximums mit einer Toleranz von ± 1 Minute der Modelldaten liegt. Zusätzlich zu diesem
Kriterium, wurde definiert, dass ein Modellwert über fünf (> 5 Chunks im Arbeitsgedächtnis)
eine erhebliche Beanspruchung bedeutet, wodurch sich hier auch die Wahrscheinlichkeit des
Auftretens von Fehlern im Experiment erhöhen sollte. Es wurde daher festgelegt, dass immer
wenn ein Fehler der Versuchsperson auftritt und entweder eines der beiden oder beide
Kriterien zugleich erfüllt waren, dies als Treffer gezählt wurde. Alles andere galt als Auslassung.
Es konnte dabei festgestellt werden, dass im Szenario 1 57 % der Fehler innerhalb von
Beanspruchungsgipfeln liegen. Das bedeutet im Umkehrschluss, dass 43 % der Fehler nicht
innerhalb solcher Gipfel liegen. Im Szenario 2 konnten sogar 67 % der Fehler innerhalb von
179
Beanspruchungsgipfeln festgestellt werden (33 % nicht). Die Szenarien 3 und 4 ergaben jeweils
62 % (38 % nicht) bzw. 58 % (42 % nicht).
Dies bedeutet, dass im Mittel 61 % der Fehler innerhalb von Beanspruchungsgipfeln lagen, die
das Modell vorhersagte, 39 % der Fehler allerdings nicht. Es konnten also 183 der insgesamt
300 Fehler vorhergesagt werden. Die Ergebnisse sind in Tabelle 23 zusammengefasst.
Tabelle 23: Zusammenfassung der Ergebnisse: Fehler innerhalb von Beanspruchungsgipfeln
Szenario
In Beanspruchungs-
gipfeln
Nicht in Bean-
spruchungsgipfeln
1
57 %
43 %
2
67 %
33 %
3
62 %
38 %
4
58 %
42 %
Mittel
61 %
39 %
6.3 DISKUSSION DER ERGEBNISSE
6.3.1 ZUSAMMENHANG D2-R ERGEBNIS UND FEHLERZAHL BZW. HÖHE DER
BEANSPRUCHUNGSRATINGS (HYPOTHESE 1)
Allgemein wurde davon ausgegangen, dass der Effizienz-Gründlichkeits-Tradeoff, mit dem
Versuchspersonen kognitive Aufgaben bearbeiten, einen Einfluss darauf hat, wie viele Fehler in
den Szenarien gemacht werden bzw. wie hoch die Beanspruchung bei der Aufgabenbearbeitung
eingeschätzt wird. Es wurde angenommen, dass mit steigendem d2-R-Wert der
Versuchspersonen (besserem Abschneiden im Test) die Fehlerzahl abnimmt. Gleichzeitig wurde
vermutet, dass der Effizient-Gründlichkeits-Tradeoff besser gelingt, wodurch auch die
Beanspruchung mit steigendem d2-R-Wert als geringer eingeschätzt werden würde.
Hinsichtlich der Fehlerzahl ergibt sich zumindest deskriptiv das argumentierte Bild. Es konnte
gezeigt werden, dass mit steigendem d2-R-Wert die Fehlerzahl abnimmt. Zwar ist dieses
Ergebnis nicht statistisch signifikant, es weist aber dennoch darauf hin, dass zumindest ein
kleiner Zusammenhang besteht. Wie in der Hypothese angenommen, gelingt es den
Versuchspersonen, die im d2-R Test gut abschneiden anscheinend auch in der Fluglotsenaufgabe
die relevanten Zielreize schnell zu selektieren und ebenso schnell zu guten Entscheidungen zu
kommen. Versuchspersonen mit schlechterem d2-R Ergebnis hingegen brauchen länger zur
Selektion der relevanten Reize, wodurch öfter kritische Situationen entstehen, die zu Fehlern
führen.
Beim Vergleich der drei Gruppen (hoher, durchschnittlicher und geringer d2-R-Wert)
hinsichtlich ihrer abgegebenen Beanspruchungsbewertungen ist mit sehr viel höherer Sicherheit
180
davon auszugehen, dass kein statistisch bedeutsamer Unterschied der
Beanspruchungsbewertungen der drei Gruppen vorliegt. Interessant ist hierbei allerdings das
deskriptive Ergebnis, dass die Gruppe mit durchschnittlichem d2-R-Wert die Beanspruchung im
Mittel als geringer einschätzte als die beiden anderen Gruppen (durchschnittlich < niedrig <
hoch). Die Versuchspersonen mit durchschnittlichem d2-R-Wert fühlten sich in der
Fluglotsenaufgabe also am wenigsten beansprucht. Dieses Bild ergab sich für beide subjektiven
Maße. Die Aufgaben in der simulierten Fluglotsenaufgabe sind dabei mit den Aufgaben des
Konzentrationstests zu vergleichen: Es muss auf (relativ) einfache Reize reagiert werden, die
eindeutig wahrnehmbar sind, wobei einfache Regeln anzuwenden und Teilhandlungen so
schnell wie möglich zu koordinieren sind. Hierbei kann vermutet werden, dass die
Versuchspersonen mit hohem d2-R-Wert eine andere Strategie verfolgten als die anderen
beiden Gruppen. So könnten die Versuchspersonen mit geringem, als auch mit
durchschnittlichem Abschneiden im d2-R-Test den Flugverkehr nach den vorgegebenen Regeln
abgearbeitet haben, was mit relativ geringem kognitivem Aufwand zu erfüllen ist. Die Gruppe
mit durchschnittlichem d2-R-Wert empfand dabei das Reagieren auf die Reize und die
Anwendung der Regeln als weniger beanspruchend als die Gruppe mit geringem d2-R-Wert,
aufgrund der Tatsache, dass relevante Zielreize unter Zeitdruck besser extrahiert werden
konnten.
Für die Versuchspersonen mit hohem d2-R-Wert kann vermutet werden, dass ihnen die reine
Selektion der Zielreize und Regelanwendung noch leichter fällt und sie damit über mehr freie
kognitive Ressourcen verfügen. Sie sind daher in der Lage, diese freien Ressourcen zu
verwenden, um komplexere Problemlösestrategien anzuwenden und beispielsweise
Verkehrssituationen in die Zukunft zu projizieren, um bessere Entscheidungen treffen zu
können. Da diese Strategie allerdings einen größeren Ressourcenbedarf erfordert, ist die
empfundene mentale Beanspruchung dieser Versuchspersonen höher, als die Beanspruchung
der Versuchspersonen, die lediglich durch die Anwendung einfacher Regeln auf Reize reagieren.
Hiermit kann auch wiederum die geringe Fehlerzahl der Versuchspersonen mit hohem d2-R-
Wert erklärt werden. Da aufgrund der angewendeten Strategie kritische Situationen
vorhergesehen werden können, werden bessere Entscheidungen getroffen, wodurch weniger
Fehler entstehen, als bei reiner Regelanwendung.
Das Abschneiden im d2-R-Test wurde aufgrund der nicht signifikanten Ergebnisse nicht als
Kontrollvariable mit in die folgenden Analysen einbezogen.
6.3.2 BEWERTUNG DER SENSITIVITÄT DER HERZRATE (HYPOTHESE 2)
Bei den Untersuchungen zur Hypothese 2 konnte festgestellt werden, dass die Herzrate nicht
sensitiv genug ist, um zwischen zwei Experimentalbedingungen zu unterscheiden. Allgemein
181
wurde angenommen, dass die Unterschiede in der Belastung der Szenarien mit hohem und
niedrigem Verkehrsaufkommen groß genug seien, dass die Herzrate in der Lage ist, diese
Beanspruchungsunterschiede zu differenzieren. Wie sich zeigte ist dies nicht der Fall, wodurch
die Befunde, welche Nickel et al. (2002) berichten, bestätigt werden konnten. Auch hier wurde
gezeigt, dass die Herzrate nicht zwischen verschiedenen Belastungsbedingungen sensitiv
unterscheiden kann, sondern nur zwischen Belastungs- und Baselinebedingungen. Ein Nutzen
der Herzrate für weitere Analysen ist damit nicht gegeben, da kein Informationsgewinn zu
erwarten ist.
Die Ursachen für die geringe Sensitivität könnten darin liegen, dass die kardiovaskulären
Reaktionen der Versuchspersonen auf die experimentelle Manipulation, womöglich sogar auf
mentale Beanspruchung, sehr unterschiedlich sind. Gemeinhin wird angenommen, dass mit
steigender mentaler Beanspruchung eine Steigerung der Herzschläge pro Minute (bpm) und
damit ein Absinken der Abstände der Herzschläge (IBI) einhergeht, wie es auch in Hypothese 2
formuliert worden ist (Manzey, 1998; Roscoe, 1992, 1993; Vogt et al., 2006). Befunde sprechen
allerdings auch dafür, dass die längere Exposition in einer Aufgabe zu einer Art
Adaptionsreaktion führt, die ein Absinken der Herzschläge pro Minute und damit einen Anstieg
der Inter-Beat-Abstände zur Folge hat (Hörhold & Walschburger, 1998; Hörhold, 1994). Durch
die 15-minütige Dauer eines jeden Szenarios könnte eine solche Anpassungsreaktion
aufgetreten sein, sodass das initiale Absinken der Inter-Beat-Abstände durch den Anstieg im
Verlauf des Szenarios neutralisiert worden ist und somit im Mittel keine Veränderungen der
Inter-Beat-Abstände beobachtet werden können.
Ebenso kann auch die sogenannte Laceys Intake-Rejection-Hypothese (Lacey & Lacey, 1978;
Lacey, 1967) eine Erklärung für diese Ergebnisse sein. Diese besagt, dass die Aufnahme von
Informationen aus der Umwelt (visuelle Wahrnehmung, Hören) mit einer Abnahme, die
Verarbeitung und Abgabe von Informationen (Kopfrechnen, Gedächtnisabruf, Problemlösen) mit
einem Anstieg der Herzrate verbunden ist (vgl. Kramar, 1993; Ribback, 2003). Beide Effekte
könnten sich somit gegenseitig aufgehoben haben.
Es kann weiterhin davon ausgegangen werden, dass die Beanspruchung von Lotsen an ihrem
realen Arbeitsplatz sehr viel höher ist, als es in einer simulierten Umgebung der Fall ist (De
Waard, 1996). Ebenso kann es möglich sein, dass die Herzrate durch andere Faktoren
beeinflusst wurde. Neben physischer Anstrengung, die im vorliegenden Versuch eher gering
war, können hier vor allem auch emotionale Faktoren eine Rolle gespielt haben. Große
Verantwortung oder die Angst Fehler zu machen, wie sie bei Jorna (1992) berichtet werden,
können auch im vorliegenden Versuch eine Rolle gespielt haben. Es kann davon ausgegangen
werden, dass beide emotionale Faktoren in allen Szenarien gleichermaßen vorlagen und somit
182
die Herzrate der Versuchspersonen beeinflussten, wobei diese den Effekt der mentalen
Beanspruchung zu einem gewissen Grad überlagert haben könnten.
6.3.3 BEWERTUNG DER MITTLEREN MENTALEN BEANSPRUCHUNG ERFASST DURCH DIE
RSME-SKALA (HYPOTHESE 4)
Die Hypothesentestung zur Feststellung der experimentellen Manipulation mit dem RSME
kann als erfolgreich angesehen werden. So gelten alle Alternativhypothesen. Eine der beiden
Nullhypothesen ergab signifikante Ergebnisse, so dass festgestellt wurde, dass sich Szenario 1
und 3 in ihrer Beanspruchung unterscheiden. Auch zwischen den Szenarien 2 und 4 sind
deskriptiv Unterschiede zu erkennen. Die Ursache dafür, dass geringfügige Unterschiede der
Bewertung mentaler Beanspruchung in Szenarien mit gleicher Belastung (gleiche Anzahl
Flugzeuge insgesamt) auftreten, könnten in der Unterschiedlichen Verteilung der Flugzeuge
über die Zeit liegen. So könnten hierdurch unterschiedlich schwere Verkehrssituationen
zustande gekommen sein, die von den Versuchspersonen mit veränderter Beanspruchungshöhe
wahrgenommen wurden. Während also in einem Szenario die Flugzeuge so verteilt waren, dass
sich beispielsweise meist nur zwei Flugzeuge, in größerer Entfernung voneinander gleichzeitig
auf dem Flughafen befanden, könnten im anderen Szenario häufiger Situationen aufgetreten
sein, in dem sich zwei Flugzeuge in einer potentiellen Konfliktsituation befanden. Es liegt hierbei
eine Konfundierung der Variablen „Anzahl Flugzeuge“ mit Variablen wie „Anzahl
Anfragen/Freigaben“, „Anzahl zu treffender Entscheidungen“ oder „Schweregrad der
Entscheidungen“ vor, welche allerdings nicht ohne weiteres aufzulösen ist. Durch eine Erhöhung
des Verkehrsaufkommens oder einer veränderten Verteilung der Flugzeuge über die Zeit,
kommt es zwangsläufig immer dazu, dass mehr Kommunikation stattfindet, mehr
Entscheidungen zu treffen sind und mehr potentielle Konfliktsituationen auftreten können. Die
Verteilung der Flugzeuge über die Zeit war allerdings einerseits durch die Beschaffenheit der
Simulation, andererseits aber auch durch den Einfluss der Versuchspersonen auf den Ablauf des
Szenarios äußerst schwer zu kontrollieren.
6.3.4 BEWERTUNG DER MITTLEREN MENTALEN BEANSPRUCHUNG ERFASST DURCH DEN
NASA-TLX (HYPOTHESE 5)
Die Hypothesentestung zur Feststellung der experimentellen Manipulation mit dem
NASA-TLX g. A. kann ebenfalls als erfolgreich angesehen werden. Hierbei gelten alle Alternativ-
sowie Nullhypothesen. Es konnte festgestellt werden, dass hypothesenkonform, diejenigen
Szenarien mit hoher Belastung auch zu höheren Beanspruchungsratings führten als Szenarien
mit niedriger Belastung. Szenarien mit gleicher Belastung unterscheiden sich deskriptiv, jedoch
nicht statistisch signifikant. Auch hierbei kann die unterschiedliche Beanspruchungshöhe der
183
Szenarien mit gleicher Belastung durch die veränderte Verteilung der Flugzeuge erklärt werden.
Die Argumentation ergibt sich analog zu oben.
Interessant ist das Ergebnis, dass sich mit dem NASA-TLX g. A. eine etwas andere Einschätzung
der mittleren mentalen Beanspruchung über die vier Szenarien ergibt, als mit dem RSME. So ist
beispielsweise mit dem NASA-TLX das Szenario 1 als am beanspruchendsten eingeschätzt
worden, mit dem RSME jedoch das Szenario 3. Dieses Ergebnis wird in der Diskussion zu
Hypothese 8 (Kapitel 6.3.7) ausführlich diskutiert.
Ebenfalls fällt auf, dass die Beanspruchung sehr viel höher (meist doppelt so hoch)
eingeschätzt wurde, als mit dem RSME. Dies kann einerseits durch die Instruktion und
andererseits durch den unterschiedlichen Erhebungszeitpunkt der beiden Skalen erklärt
werden. Die Versuchspersonen waren instruiert mit der RSME-Skala ihre aktuelle
Beanspruchung einzuschätzen, die sie zu dem bestimmten Zeitpunkt innerhalb des Szenarios
empfanden, an denen der Piep-Ton ertönte. Mit dem NASA-TLX sollten sie allerdings einen
Gesamteindruck ihrer Beanspruchung über das gesamte Szenario widergeben. Hierbei ist es
wahrscheinlich, dass die Versuchspersonen das gesamte Szenario als hoch beanspruchend
bewerteten, jede einzelne Bewertung innerhalb des Szenarios allerdings eher im mittleren
Bereich ausfiel. Ebenso können Verzerrungen dadurch aufgetreten sein, wie häufig bzw. in
welcher Reihenfolge die Fragebögen angewendet wurden. Es wäre interessant gewesen auch
den Gesamteindruck über das Szenario nochmals mit der RSME-Skala bewerten zu lassen, um
einen Vergleich zu erhalten und so Rückschlüsse daraus ziehen zu können, ob die entstandenen
Unterschiede durch unterschiedliche Messzeitpunkte und die unterschiedliche Instruktion zu
erklären sind oder ob durch die Art der angewendeten Skala unterschiedliche Bewertungen
zustande gekommen sind.
Letzteres kann ebenso die unterschiedlichen Ergebnisse erklären: Beim NASA-TLX wird eine
100 mm lange Skala ohne Ziffernangeben mit nur zwei verbalen Ankern (gering und hoch) an
den jeweiligen Skalenenden verwendet. Beim RSME hingegen wird eine 244 mm lange Skala mit
einer Ziffernkodierung in Zehnerschritten von 0 bis 150 verwendet. Zusätzlich ist die Skala mit
zehn verbalen Ankern versehen und farblich kodiert (zunehmender Rotton je höher die
Zahlenwerte werden). Die Präsentation von Zahlenwerten und verbalen Ankern könnte dazu
geführt haben, dass die Versuchspersonen besser71 in der Lage waren, die von ihnen
empfundene Beanspruchungshöhe einzuordnen. Die Länge der RSME-Skala könnte hierbei dazu
geführt haben, dass die Versuchspersonen ihre Beanspruchung genauer differenzieren konnten.
71 Ob die Versuchspersonen wirklich besser in der Lage waren ihre Beanspruchung mit dem RSME
einzuschätzen wird lediglich vermutet. Sicher ist allerdings, dass die genannten Unterschiede in der
Beschaffenheit der Skalen auch Unterschiede in der Bewertungshöhe mit sich bringen, sodass die
Versuchspersonen ihre Beanspruchung auf andere Weise einschätzen.
184
Auch die farbliche Gestaltung könnte eine zusätzliche Hilfe gewesen sein, die Beanspruchung
besser einzuordnen.
Die Unterschiede können aber ebenso auf die Berechnungs- und Erfassungsmethode der
mittleren Beanspruchungshöhe des jeweiligen Maßes zurückgeführt werden. Während der
NASA-TLX nur ein Mal pro Szenario (nämlich am Ende) erfasst wurde, ermitteln sich die
mittleren Beanspruchungswerte der RSME-Skala aus dem Median aller Versuchspersonen zu
allen Messzeitpunkten, wobei es sich um eine „echte“ mittlere Beanspruchung handelt. Beim
RSME fließen einerseits mehr Messwerte in die Berechnung ein (15 pro Versuchsperson),
andererseits treten sowohl hohe als auch geringe Werte auf, die im Mittel eine mäßige
Beanspruchung für das Gesamtszenario ergeben. Beim NASA-TLX wird die mittlere
Beanspruchung nur durch den einen pro Versuchsperson ermittelten Messwert widergespiegelt,
der am Ende des Szenarios durch die Versuchspersonen abgegeben wurde. Es kann weiterhin
vermutet werden, dass in die einzelne Bewertung jedes Szenarios mittels NASA-TLX Zeiten
hoher Beanspruchung innerhalb eines Szenarios stärker in die Gesamtbewertung der
Versuchspersonen einfließen, als Zeiten geringer Beanspruchung. Hierbei sind beanspruchende
Situationen, die innerhalb des Szenarios auftraten am Ende stärker repräsentiert, als wenig
beanspruchende.
6.3.5 BEWERTUNG DER MITTLEREN FEHLERZAHL (HYPOTHESE 6)
Auch hinsichtlich der Fehlerzahl kann die Hypothesentestung zur Feststellung der
experimentellen Manipulation als erfolgreich betrachtet werden. So gelten alle
Alternativhypothesen, sowie eine Nullhypothese. Für die Hypothese 6f muss davon ausgegangen
werden, dass sich die mittlere Fehlerzahl der Szenarien 2 und 4 unterscheiden.
Grund hierfür, dass geringfügige Unterschiede der Fehlerzahl in Szenarien mit gleicher
Belastung (gleiche Anzahl Flugzeuge insgesamt), ebenso wie bei den subjektiven Bewertungen,
entstehen, kann auch hier in der unterschiedlichen Verteilung über die Zeit liegen. So könnten
durch die unterschiedliche Verteilung der Flugzeuge unterschiedlich schwere
Verkehrssituationen zustande gekommen sein, die von einigen Versuchspersonen nicht adäquat
gelöst werden konnten, sodass es zu Fehlern kam. Die Argumentation ergibt sich analog zum
Kapitel 6.3.3.
Interessant ist hierbei wiederum das Ergebnis, dass sich mit den mittleren Fehlerzahlen eine
etwas andere Einschätzung der mittleren mentalen Beanspruchung ergibt, als mit dem RSME
und dem NASA-TLX. So sind im Szenario 3 die meisten Fehler gemacht worden, im Szenario 4
die wenigsten (Szenario 3 > Szenario 1 > Szenario 2 > Szenario 4). Die Bewertungen sowohl mit
dem NASA-TLX g. A. als auch mit dem RSME zeigen ein etwas anderes Bild (Szenario 1 >
Szenario 3 > Szenario 2 > Szenario 4 mit NASA-TLX g. A.; Szenario 3 > Szenario 1 > Szenario 4 >
185
Szenario 2 mit RSME). Hierbei kann vermutet werden, dass durch die Fehlerzahl andere
Faktoren mentaler Beanspruchung abgebildet werden, als sie mit den subjektiven Methoden
(RSMA und NASA-TLX g. A.) erfasst worden sind. Tatsächlich ergab sich durch die explorative
Auswertung der NASA-TLX-Skala „Frustration“ das gleiche Bild, wie es sich in den Fehlerzahlen
widerspiegelt (Szenario 3 > Szenario 1 > Szenario 2 > Szenario 4). Es kann daher vermutet
werden, dass die Fehlerzahl wiederum einen anderen Aspekt der Beanspruchung und nicht
explizit mentale Beanspruchung widerspiegelt. Hierbei könnte durch die Fehlerzahlen eher eine
Art Überforderung abgebildet werden, was eventuell sogar auf die maximale
Arbeitsgedächtniskapazität der Versuchspersonen hinweisen könnte. Dies ist allerdings etwas
schwierig zu beurteilen, da auch Unterforderung zu Fehlern führen kann. So konnte während
der Versuchsdurchführung beobachtet werden, dass einzelne Versuchspersonen innerhalb eines
gering belastenden Szenarienabschnittes Fehler machten. Diese könnten durch Unachtsamkeit
entstanden sein, die mit der geringen Belastung einherging. Es konnte weiterhin bei einer
Versuchsperson beobachtet werden, dass sie sich, unabhängig von der Instruktion, in Phasen
geringer Belastung eine Nebenaufgabe suchte, indem sie den Versuchsleitern mitteilte, welche
Flugzeuge ihre auf dem Flugstreifen ausgewiesene Ankunfts- oder Abflugzeit bereits
überschritten hatten und damit verspätet eintreffen würden. Die Versuchsperson könnte
hiermit eine Strategie angewendet haben, um einer eventuellen Unterforderung
entgegenzusteuern. Dieses Verhalten kann aber ebenso zu Fehlern geführt haben, wenn die
Aufmerksamkeit der Versuchsperson auf der irrelevanten Nebenaufgabe liegt und für die
Versuchsperson unerwartet wieder auf die Hauptaufgabe gerichtet werden muss. Hierdurch
kann die aktuelle Verkehrssituation nicht mehr genügend repräsentiert sein, sodass es zu
Fehlern kommt. So ist zu erklären, dass das Szenario 2 mit dem NASA-TLX g. A. als am geringsten
mental beanspruchend bewertet worden ist, aber mehr Fehler auftraten als in Szenario 4.
6.3.6 MITTLERE BEANSPRUCHUNGSHÖHE DER MODELLDATEN (HYPOTHESE 7)
Eine Signifikanzprüfung der Modelldaten brachte signifikante Unterschiede für alle Szenarien
hervor, so dass die Unter-Hypothesen 7a-d gelten, die Hypothesen 7e und f abgelehnt werden
müssen. In den Modelldaten unterschieden sich demnach auch die Szenarien mit gleicher
Belastung signifikant in ihrer Beanspruchung. Diese Unterschiede können allerdings einerseits
mit Unterschieden in der Verteilung der Flugzeuge über die Zeit innerhalb der Szenarien,
andererseits mit der geringeren Varianz der Modelldaten erklärt werden. Bei geringer Varianz
kann die einfaktorielle Varianzanalyse mit Messwiederholung bereits bei kleineren
Mittelwertsunterschieden signifikante Ergebnisse hervorbringen. Die geringe Varianz der
Modelldaten liegt darin begründet, dass keine interindividuellen Unterschiede, wie
unterschiedliches Wissen, Strategien oder Arbeitsgedächtniskapazität, abgebildet werden,
sondern ein- und dasselbe Modell aller Szenarien abarbeitet.
186
Deskriptiv waren diese Unterschiede zwischen den Szenarien auch in den Fragebogendaten zu
erkennen, wobei sie mit der vorliegenden Stichprobengröße meist nicht die Signifikanzgrenze
erreichten. Dieselben Unterschiede sind auch im Modell erkennbar, sodass geschlussfolgert
werden kann, dass auch das Modell nicht nur die Unterschiede in der Beanspruchung aufdeckt,
die durch die Anzahl der Flugzeuge entstehen, sondern auch die Unterschiede, die durch die
veränderte Verteilung der Flugzeuge über die Zeit zustande kommen.
6.3.7 TRENDVERGLEICH DER DURCH SUBJEKTIVE UND LEISTUNGSBASIERTE METHODEN
ERFASSTEN BEANSPRUCHUNGSHÖHE MIT DEM MODELL (HYPOTHESE 8)
Für die Modelldaten konnte ein vergleichbarer Trend festgestellt werden, wie er durch die
Auswertung der Sub-Skala „geistige Anstrengung“ des NASA-TLX widergespiegelt wird, was
auch die hohe Korrelation (ρ und τ = 1,00) bestätigen konnte. Außerdem ist ein ähnlicher Trend
wie bei den mittleren Fehlerzahlen ersichtlich. Es kann geschlussfolgert werden, dass das Modell
in der Lage ist, mentale Beanspruchung diagnostisch abzubilden.
Hinweise hierauf konnten durch den Vergleich mit den Daten des NASA-RTLX gefunden
werden: Hierbei wird der Trend des NASA-RTLX durch das Modell weniger gut wiedergegeben
(geringere Korrelation) als der des NASA-TLX g. A. Da mit dem NASA-RTLX auch andere
Beanspruchungsarten erfasst werden (z.B. werden körperliche Anforderungen durch ein Item
erfasst), ist der Zusammenhang sowohl mit dem NASA-TLX g. A. als auch mit den Modelldaten
geringer. Es ist weiterhin zu erkennen, dass der Trend der RSME-Bewertungen eher mit dem des
NASA-RTLX übereinstimmt, aber weniger mit dem NASA-TLX g. A. Dies könnte ein Hinweis
darauf sein, dass bei der Bewertung mittels RSME-Skala nicht nur die mentale Beanspruchung
durch die Versuchspersonen bewertet wird, sondern hierbei auch andere Faktoren, die die
wahrgenommene mentale Beanspruchung beeinflussen (z.B. Zeitdruck) mit in die Bewertung
einfließen, da die Versuchspersonen nicht in der Lage sind dies in der Belastungssituation zu
differenzieren. Nach diesem Ergebnis wäre von einer geringeren Diagnostizität der RSME-Skala
für mentale Beanspruchung auszugehen als ursprünglich angenommen. Hiermit lässt sich auch
der geringe Zusammenhang zwischen Modell und RSME über die vier Szenarien erklären. Die
beschriebenen Zusammenhänge zwischen den einzelnen Messskalen konnten auch durch
Korrelationen bestätigt werden. Somit konnte gezeigt werden, dass das Modell diagnostisch für
mentale, nicht aber andere Beanspruchungsarten wie beispielsweise motorische Beanspruchung
ist, was Ziel der Modellentwicklung war.
6.3.8 ÜBERPRÜFUNG DER MODELLGÜTE MITTELS EINZELFALLANALYSEN (HYPOTHESE 9)
Bei der Überprüfung der Modellgüte mittels Korrelationen der Einzelfälle ergab sich das
eindeutige Bild, dass ein positiver Zusammenhang zwischen den Modelldaten und den
subjektiven Bewertungen der mentalen Beanspruchung mittels RSME innerhalb der Szenarien
187
besteht. Es ergaben sich wenige negative Korrelationen und Nullkorrelationen (5 bzw. 6). In den
grafischen Darstellungen aller Versuchspersonen mit negativer Korrelation ist zu erkennen, dass
die subjektiven Bewertungen dieser Versuchspersonen über die Zeit niedriger ausfallen. Es kann
angenommen werden, dass hierbei der Anker für die subjektive Bewertung zunächst höher
angesetzt wurde und im Verlauf des Szenarios ein Lern- und Gewöhnungseffekt einsetzten, so
dass die Versuchspersonen ihre Bewertungen nach unten korrigierten. Derartige Effekte werden
über das Modell nicht abgebildet. Zusätzlich könnte auch hier durch das Vorsortieren der
Flugstreifen in der Stripbay ein Priming der Versuchspersonen stattgefunden haben, wodurch
aufgrund der Erwartung höherer Belastung in den ersten Minuten der Szenarien mit hoher
Belastung höhere Bewertungen vorgenommen wurden als in den Szenarien mit niedriger
Belastung, weil eine höhere Anzahl vorsortierter Flugstreifen eine höhere Belastung vermuten
lässt. Ebenso könnte gegen Ende des Szenarios die Erwartung, dass das Szenario bald zu Ende
ist, ein Absinken der subjektiven Beanspruchungsbewertung zur Folge haben.
Weiterhin fiel allerdings auf, dass zwei der Versuchspersonen, für die sich negative
Korrelationen bzw. Nullkorrelationen ergaben, über alle Szenarien hinweg und für fast alle
Messzeitpunkte das Kreuz für ihre Bewertung auf ein- und demselben verbalen Anker der
RSME-Skala setzten, so dass eine sehr geringe Variabilität der Messwerte zustande kommt. Eine
Erklärung hierfür könnte sein, dass die Versuchspersonen eine Strategie anwendeten, in der sie
der Bewertung als Nebenaufgabe eine sehr geringe Priorität zuordneten, um der Hauptaufgabe
so viel Aufmerksamkeit wie möglich widmen zu können. Die Versuchspersonen könnten
allerdings auch tatsächlich keinen Unterschied in der mentalen Beanspruchung empfunden
haben. Ebenso könnte es daran liegen, dass die Versuchspersonen nicht ausreichend motiviert
waren, um wirklich valide Bewertungen ihrer mentalen Beanspruchung abzugeben.
Bei den visuellen Vergleichen der Verläufe fiel auf, dass die Bewertungen mittels RSME und die
Modelldaten zum Ende des Szenarios teilweise auseinanderdriften. Auch dies kann mit der
Erwartung der Versuchspersonen erklärt werden, dass das Szenario bald zu Ende ist, wodurch
die Bewertungen nach unten korrigiert werden. Ferner können aber auch Unterschiede in der
Abarbeitung der Flugzeuge von Modell und Versuchspersonen dafür verantwortlich sein.
Hierbei kann es passieren, dass die Versuchspersonen bestimmte Flugzeuge nicht oder anders
abarbeiten als das Modell (d.h. die Versuchspersonen Flugzeuge entweder warten lassen, sie
ignorieren oder es durch Fehler zu einer veränderten Belastung kommt, z.B. wenn ein Flugzeug
durchstarten muss oder Freigaben zu früh/zu spät gegeben werden), was sich auf den Ablauf
des weiteren Szenarios auswirkt und die Belastung verringert bzw. verändert (Folgeanfragen
treten beispielsweise später oder früher auf als im Modell). Allgemein kann davon ausgegangen
werden, dass bei einer Standardisierung der Szenarien und der damit verbundenen Möglichkeit
zur Aggregation der Daten eine höhere Korrelation und ein besserer Fit der Kurven zu erwarten
188
wäre, da Ausreißer und individuelle Unterschiede nicht so stark ins Gewicht fallen. Letzten
Endes wäre aber auch bei einem Einsatz des Modells in der Realität davon auszugehen, dass die
Beanspruchung von Einzelpersonen und nicht die eines Personenkollektives im Fokus des
Interesses steht, so dass das hier getätigte Vorgehen als sehr viel realitätsnaher anzusehen ist
und die erhaltene Höhe der Korrelationskoeffizienten vor diesem Hintergrund als sehr gut
einzuschätzen ist.
Für die Höhe der Korrelationen könnte allerdings eine mögliche geringe Diagnostizität der
RSME-Skala für mentale Beanspruchung ein Problem dargestellt haben, wie sie die Ergebnisse
der mittleren Beanspruchungshöhe (vgl. Kapitel 6.3.7) vermuten lassen. Sollten bei den
Bewertungen mittels RSME-Skala tatsächlich andere Beanspruchungsarten bzw. Faktoren,
welche die wahrgenommene Beanspruchung beeinflussen, mit abgebildet werden, könnte auch
dies ein Grund für die relativ geringen Korrelationen sein. Die mit der RSME-Skala erfassten
Daten würden somit nicht nur die reine mentale Beanspruchung wiedergeben sondern eher
einen Gesamteindruck der Beanspruchung, sodass der Zusammenhang mit dem Modell, welches
ausschließlich mentale Beanspruchung widerspiegelt, geringer ist, als wenn das Maß
diagnostisch für mentale Beanspruchung ist.
Ebenso bestand die Schwierigkeit, dass beide Messskalen (also die des RSME und des Modells)
relativ abstrakt und willkürlich festgelegt sind. Eine 1:1 Umsetzung der Modellskala zur
Erfassung der mentalen Beanspruchung der Versuchspersonen wäre sinnvoll. Dabei könnte
einerseits das Instantanious Self Assessment (ISA; Tattersall & Foord, 1996) als Vorbild dienen
(z.B. auch durch eine Erweiterung der ISA-Skala von 5 auf 10 Punkte). Ebenso könnte die Sub-
Skala „geistige Beanspruchung“ des NASA-TLX als Erfassungsskala während der Szenarien
verwendet werden (die NASA-TLX-Skala ist zehnstufig). Hierfür spricht u.a. dass gute
Korrelationen über die Szenarien hinweg erzielt wurden. Auch kann eine höhere Diagnostizität
für mentale Beanspruchung angenommen werden, dies allerdings nur unter der Voraussetzung,
dass auch die anderen Sub-Skalen ausgefüllt werden. Trotzdem besteht bei nahezu allen
subjektiven Verfahren das Problem der nicht gegebenen Äquidistanz der Skala.
Die Anwendung des ISA oder der Durchführung der subjektiven Bewertungen am Rechner
könnte zusätzlich das Problem der fehlenden Ratings lösen (vgl. S. 175). Mit diesem vorgehen
wäre erfassbar, zu welchem Zeitpunkt eine Bewertung ausgelassen wurde und damit zu
welchem Zeitpunkt der jeweilige Wert fehlt. So können auch bei fehlenden Werten die zeitlichen
Verläufe erstellt sowie die Korrelationskoeffizienten berechnet werden.
Eine analoge Betrachtung der Korrelation zwischen Herzrate und Modelldaten (Hypothese 10)
konnte aufgrund der in Hypothese 2 festgestellten geringen Sensitivität nicht erfolgen.
189
6.3.9 EXPLORATIVE ANALYSE: ABSOLUTE ABWEICHUNG DER MODELLDATEN
Für die Modelldaten wurde festgestellt, dass diese die mittlere Beanspruchung im Vergleich zu
den subjektiven Daten, vor allem bei geringer Belastung, tendenziell eher unterschätzen. Sie
spiegeln allerdings annähernd die Werte der RSME-Skala wider, was durch eine geringe mittlere
absolute Abweichung belegt werden konnte. Die durch die RSME-Skala und das Modell erhobene
mittlere Beanspruchungshöhe ist ferner meist nur halb so hoch, wie die des NASA-TLX g. A. Dies
kann, wie bereits in Kapitel 6.3.4 erläutert, einerseits durch die Instruktion, andererseits durch
den unterschiedlichen Erhebungszeitpunkt des NASA-TLX erklärt werden. Hierbei kann
wiederum die Berechnungsmethode der mittleren Beanspruchungshöhe eine Rolle spielen. Wie
beim RSME wird auch beim Modell die mittlere Beanspruchungshöhe aus den zu den 15
Messzeitpunkten ausgelesenen Beanspruchungshöhen errechnet. Hierbei gehen geringe und
hohe Beanspruchung gleichermaßen ein. Für den NASA-TLX gilt allerdings analog zu oben die
Annahme, dass bei der Bewertung des Gesamtszenarios Zeiträume höherer Belastung stärker in
das Gesamturteil einfließen als Zeiträume geringerer Belastung, sodass höhere
Beanspruchungsbewertungen zustande kommen. Ebenso können Unterschiede in den Skalen
dafür verantwortlich sein, dass die Versuchspersonen mit der RSME-Skala ihre mentale
Beanspruchung besser einschätzen können (vgl. Kapitel 6.3.4).
Es ist allerdings schwierig zu beurteilen, ob die Versuchspersonen bei Abgabe der RSME-
Bewertung tatsächlich ihre aktuell empfundene Beanspruchung einschätzten, oder ob sie nicht
doch eher einen Eindruck der Beanspruchung der gesamten vergangenen Minute abgaben.
Dabei kann wiederum angenommen werden, dass hohe Beanspruchung innerhalb einer Minute
stärker in die Bewertung mit einfließt als niedrige.
Allgemein ist anzunehmen, dass eine weitere systematische Verzerrung die mittlere subjektive
Beanspruchungsbewertung der Versuchspersonen beeinflusste: So kann durch das Vorsortieren
der Flugstreifen in der Stripbay ein Priming der Versuchspersonen stattgefunden haben,
wodurch anhand der Anzahl der Flugstreifen eine höhere Bewertung der Gesamtbeanspruchung
mittels NASA-TLX impliziert worden sein könnte.
6.3.10 EXPLORATIVE ANALYSE: FEHLER UND BEANSPRUCHUNGSPEAKS
Zunächst ist darauf hinzuweisen, dass diese Analyse keine Standardmethodik darstellt,
sondern lediglich der Sichtbarmachung der oben getätigten Annahme dienen soll, dass Fehler
vor allem zu Zeiten hoher Belastung und Beanspruchung wahrscheinlicher sind. Es gilt zu
berücksichtigen, dass ein Beanspruchungsgipfel des Modells nicht zwangsläufig mit einem
Fehler der Versuchspersonen zum selben Zeitpunkt einhergehen muss, sondern sich lediglich
seine Auftretenswahrscheinlichkeit erhöht, wodurch es schwierig ist falsche Alarme als auch
korrekte Zurückweisungen zu beurteilen.
190
Es konnte gezeigt werden, dass 61 % der von den Versuchspersonen gemachten Fehler
innerhalb von Beanspruchungspeaks lagen, die auch das Modell vorhersagte. Wird also ein
Beanspruchungspeak vom Modell für ein bestimmtes Szenario vorhergesagt, so kann mit 61
prozentiger Sicherheit davon ausgegangen werden, dass auch ein Fehler innerhalb dieses Peaks
auftreten wird. 183 der insgesamt 300 Fehler konnten vom Modell vorhergesagt werden.
Problematisch bei dieser Art der Beschreibung ist, dass nur Treffer eindeutig beschrieben
werden können. Es können einerseits ebenso Fehler zu Zeiten geringer Beanspruchung
auftreten (was zu Auslassungen führen würde), sowie auch in Beanspruchungspeaks innerhalb
derer keine Fehler beobachtet wurden (falsche Alarme), die Wahrscheinlichkeit für Fehler
erhöht gewesen sein. Daher ist das vorliegende Ergebnis schwierig zu interpretieren.
Andererseits ist für die Beurteilung der Modellgüte prinzipiell auch zu beachten, inwieweit zu
Zeitpunkten ohne Beanspruchungspeaks auch keine Fehler auftreten (korrekte
Zurückweisungen). Es ist davon auszugehen, dass Fehler auch auftreten können, wenn geringe
Belastung und/oder Beanspruchung vorliegen, z.B. durch Unterforderung. Solche
Zusammenhänge sind im Modell bisher nicht implementiert und können daher nicht abgebildet
werden. Auch ist das Modell nicht explizit darauf ausgelegt Fehler vorherzusagen oder Fehler zu
machen. Der Informationsgehalt des Anteils an Treffern und Auslassungen ist daher kritisch zu
beurteilen. Dennoch kann anhand der Ergebnisse festgehalten werden, dass das Modell
prinzipiell auch in der Lage ist, Fehler vorherzusagen und damit ein Indiz für die Güte des
Modells auch auf der Mikroebene gegeben werden kann. Der erreichte Wert liegt zwar nur 11 %
über der Ratewahrscheinlichkeit von 50 %, allerdings ist dieses Ergebnis, vor dem Hintergrund,
dass nur Treffer eindeutig beschrieben werden können, als gut zu beurteilen.
6.4 KAPITELZUSAMMENFASSUNG
In der Studie zur Validierung des erstellten Modells wurden Beanspruchungsdaten von 24
Versuchspersonen in einer Towersimulation erhoben und mit den Modelldaten verglichen. Jede
Versuchsperson hatte dabei für vier 15-minütige Verkehrsszenarien die Aufgaben eines
Towerlotsen an einem kleinen Flughafen zu übernehmen, also Landungen und Starts, sowie das
Rollen von Flugzeugen durch die Erteilung der richtigen Freigaben zu koordinieren (vgl. Kapitel
6.1). Zunächst konnte kein Einfluss des Abschneidens im d2-R-Test und damit des Effizienz-
Gründlichkeits-Tradeoff auf die Fehlerzahl und die subjektive Beanspruchungsbewertung
festgestellt werden (vgl. Kapitel 6.2.1).
Die Auswertung der Herzrate ergab, dass deren Sensitivität nicht ausreichte, um zwischen
verschiedenen Belastungsbedingungen zu unterscheiden. Es konnten aber Unterschiede
zwischen den beiden Experimentalbedingungen und der Baseline-Bedingung nachgewiesen
werden. Hierdurch wurden Befunde von Nickel et al. (2002) bestätigt, dass die Herzrate nicht
191
sensitiv genug ist, um „feiner72 abgestufte Belastungsgrade“ (S. 33) aufzudecken, sondern
lediglich in der Lage ist, eine Experimental- von einer Baseline-Bedingung zu unterscheiden (vgl.
Kapitel 6.2.2). Hierdurch erweist sich die Herzrate für weitere Untersuchungen als nicht
sinnvoll.
Die statistische Auswertung erfolgte zunächst hinsichtlich der experimentellen Manipulation.
Es konnte festgestellt werden, dass die durch subjektive Methoden erfasste mentale
Beanspruchung in den meisten Fällen auf die höhere Anzahl Flugzeuge zurückgeführt werden
konnte, da bei einer größeren Anzahl Flugzeuge die Beanspruchung signifikant höher
eingeschätzt wurde, als bei einer geringeren Anzahl Flugzeuge. Zusätzlich unterschied sich die
Beanspruchungshöhe bei gleicher Belastung in der Mehrzahl der Fälle nicht signifikant. Nur
vereinzelt konnten auch Unterschiede bei gleicher Belastung festgestellt werden, was auf eine
unterschiedliche Verteilung der Flugzeuge über die Zeit und damit eventuell zustande
kommende unterschiedliche schwierige Verkehrssituationen zurückgeführt werden kann
(Kapitel 6.2.4 und 6.2.5). Auch die Ergebnisse der Auswertung der Fehlerzahl können dies
untermauern (Kapitel 6.2.6).
Durch die Analysen der mittleren Beanspruchungshöhe der subjektiven Maße sowie der
mittleren Fehlerzahl konnte eine erfolgreiche experimentelle Manipulation nachgewiesen
werden. Es wurde festgestellt, dass Szenarien mit unterschiedlicher Belastung zu signifikant
unterschiedlichen Bewertungen führen. Szenarien mit gleicher Belastung führen zu keinen
signifikanten Unterschieden in den Bewertungen. Ein analoger Hypothesentest der Modelldaten
konnte dieses Bild nicht vollständig replizieren. Hier wurden Unterschiede zwischen allen
Szenarien (also auch zwischen denen mit gleicher Belastung) signifikant. Die Ursache wird in
der geringen Varianz der Modelldaten gesehen, wodurch die Varianzanalyse bereits bei kleinen
Mittelwertsunterschieden signifikante Ergebnisse lieferte (vgl. Kapitel 6.2.7 und 6.3.6).
Im Trend der Mittleren Beanspruchungsratings über alle vier Szenarien konnte festgestellt
werden, dass das Modell nahezu exakt den Trend, der mit dem NASA-TLX g. A. erhoben wurde,
abbildet. Die Trends des NASA-RTLX sowie des RSME werden schlechter vom Modell repliziert.
Hierbei wird vermutet, dass mittels RSME nicht ausschließlich mentale Beanspruchung erfasst
wird, sondern andere Beanspruchungsarten und Faktoren, die die wahrgenommene
Beanspruchung der Versuchspersonen beeinflussen, mit in die Bewertung einfließen, da hier die
Korrelation zum NASA-RTLX höher ist als zum NASA-TLX g. A. (vgl. Kapitel 6.2.8 und 6.3.7). Die
gute Übereinstimmung des Modells mit dem NASA-TLX g. A. kann als Beleg für die Diagnostizität
des Modells für mentale Beanspruchung gesehen werden.
72 In der vorliegenden Studie kann sogar davon ausgegangen werden, dass erhebliche Unterschiede in der
Belastung bestanden (10 vs. 20 Flugzeuge pro 15 Minuten), wobei auch diese erheblichen Unterschiede
mittels Herzrate nicht aufgedeckt werden konnten.
192
Zur weiteren Überprüfung der Modellgüte wurden Einzelfallanalysen für alle 96
Versuchspersonenszenarien durchgeführt (4 Szenarien x 24 Versuchspersonen) und die
zeitlichen Verläufe der RSME-Erfassung mit den zugehörigen zeitlichen Verläufen der
Modellsimulationen sowohl visuell als auch korrelativ verglichen. Einige Vergleiche wurden
aufgrund fehlender Messwerte aus der Betrachtung ausgeschlossen. Hierbei konnte für die
überwältigende Mehrzahl der Versuchspersonen ein positiver Zusammenhang zwischen
Modelldaten und subjektiven Beanspruchungsdaten gezeigt, sowie im Mittel ein schwach bis
mittlerer korrelativer Zusammenhang festgestellt werden (vgl. Kapitel 6.2.9 und 6.3.8).
Der explorative Vergleich der mittleren Beanspruchung aus den Modelldaten mit den
subjektiven Beanspruchungsdaten zeigt ferner, dass das Modell die absolute Höhe der mittleren
Beanspruchung des NASA-TLX g. A. meist um etwa den Faktor 2 unterschätzt. Die absolute Höhe
der Modelldaten stimmt aber gut mit denen des RSME überein (MAD = 5,36 %; vgl. Kapitel
6.2.10 und 6.3.9).
Die weitere explorative Analyse ergab außerdem, dass gut 61 % der von den
Versuchspersonen gemachten Fehler innerhalb von Beanspruchungspeaks des Modells lagen
(vgl. Kapitel 6.2.11), wodurch das Modell prinzipiell auch in der Lage ist, Fehler vorherzusagen
und ein Indiz für die Gültigkeit des Modells auf der Mikroebene geschaffen werden konnte (vgl.
Kapitel 6.3.10).
193
7 DISKUSSION DER ARBEIT
Im Folgenden wird die Arbeit anhand der in Kapitel 1.3 gesetzten Forschungsziele diskutiert.
7.1 BEITRAG ZUR ABLEITUNG EINER GEEIGNETEN MODELLIERUNGSFORM DES
KONSTRUKTES MENTALER BEANSPRUCHUNG (FORSCHUNGSZIEL 1)
Das Forschungsziel der Ableitung einer geeigneten Modellierungsform des Konstruktes
mentaler Beanspruchung kann anhand der im Kapitel 2 vorgestellten Theorien bewertet
werden. Hierbei wurde zunächst analysiert, welche theoretischen Vorstellungen von mentaler
Beanspruchung existieren. Zwei einschlägige Theorien, die sich mit dem theoretischen
Konstrukt befassen, wurden vorgestellt, wobei für die vorliegende Arbeit insbesondere die
aufmerksamkeitstheoretischen Modelle als Basis für die Modellierung mentaler Beanspruchung
verwendet wurden. Auch wenn die meisten Definitionen mentaler Beanspruchung
aufmerksamkeitstheoretische Modelle zugrunde legen, so können sie doch nicht erklären,
warum mentale Beanspruchung durch die Ableitung physiologischer Indikatoren erfassbar sein
soll. Dies gelingt erst durch die Integration aktivierungs- und aufmerksamkeitstheoretischer
Modelle.
Da aus der Untersuchung der Theorien aufmerksamkeitstheoretischer Modelle hervorgeht,
dass vor allem die Begrenzungen des Arbeitsgedächtnisses eine entscheidende Rolle spielt,
wurde diese, als für das basale Modell zunächst wichtigster Einflussfaktor mentaler
Beanspruchung, in das Modell übernommen. Hierbei wurde die mentale Beanspruchung über
die momentan vorhandene Anzahl der Chunks im Arbeitsgedächtnis abgebildet. Im Gegensatz zu
Annahmen über das Arbeitsgedächtnis, wie sie Theorien der Produktionensysteme tätigen, die
keine explizite Arbeitsgedächtnisstruktur annehmen, sondern das Arbeitsgedächtnis als aktiven
Teil des Langzeitgedächtnisses ansehen, wird hier die Ansicht vertreten, dass Operateure zur
Aufgabenbearbeitung Informationen im Arbeitsgedächtnis aufrechterhalten müssen. Es wurde
eine Single-Limited-Capacity Theorie des Arbeitsgedächtnisses verwendet, die eine einzelne
Ressource mit einer Obergrenze beschreibt. Zwar sprechen neuere Untersuchungsergebnisse
dafür, dass auch das Arbeitsgedächtnis über multiple Ressourcen verfügt. Es existieren
verschiedene Modellvorstellungen über den Aufbau des Arbeitsgedächtnisses, die alle
experimentell sehr gut belegbar sind. Allerdings ist es schwierig zu sagen, welche Theorie die
richtige oder zumindest „richtiger“ ist. Ferner existieren, obwohl die Untersuchung des Aufbaus
und der Funktion der einzelnen Strukturen des Arbeitsgedächtnisses sehr weit fortgeschritten
ist, bis heute wenige gesicherte Erkenntnisse darüber, wie die einzelnen Strukturen in ihrer
Kapazität begrenzt sind. Die konkretesten und wohl auch naheliegendsten Annahmen hierzu
macht Cowan (1998), der eine zeitliche, weniger eine absolute Begrenzung des
194
Arbeitsgedächtnisses nahelegt, wie sie auch in der kognitiven Architektur ACT-R implementiert
ist. Die Annahme einer solchen zeitlichen Begrenzung ist allerdings wiederum an Theorien der
Produktionensysteme angelehnt. Ferner ist eine solche Begrenzung im ereignisdiskreten
Modellierungssystem Petrinetz sehr schwer umzusetzen (vgl. Kapitel 5.10). Cowan (2001)
beschreibt weiterhin auch eine absolute Begrenzung von vier Chunks, welche im Fokus of
Attention liegt. Hierbei ist unklar, wie diese Befunde einer Kapazität von vier Chunks (Oberauer
und Bialkova (2009) sprechen sogar nur von einem Chunk) mit anderen Befunden von Miller
(1956) mit fünf bis neun Chunks oder Bisseret (1971) und Sperandio (1969) mit zehn Chunks
bei Lotsen in Einklang zu bringen sind. Um die Quantifizierung mentaler Beanspruchung zu
gewährleisten, erweist sich daher die einfache Annahme einer Single-Limited-Capacity Theorie
des Arbeitsgedächtnisses als sehr nützlich.
Aus dem zur Validierung des Modells durchgeführten Experiment lässt sich nur schwer sagen,
welche maximale Arbeitsgedächtniskapazität vorliegt, da kein Test der Arbeitsgedächtnis-
kapazität durchgeführt wurde. Anzunehmen ist aber, dass das Auftreten von Fehlern im
Experiment mit einem Erreichen der Obergrenze der speicherbaren Chunks zusammenhängt. So
können bei erreichen der Obergrenze nicht mehr alle nötigen Informationen ausreichend
repräsentiert werden, weshalb schlechtere Entscheidungen getroffen werden. Die Annahme
einer maximalen Kapazität von zehn Chunks ist dabei kritisch zu reflektieren. Da das Modell die
Performanz von Experten abbilden soll, ist es sinnvoll sich an der maximalen Kapazität zu
orientieren, die bei Experten angenommen wird. Es ist aber einerseits anzunehmen, dass auch
bei Experten diese Obergrenze nach oben und unten schwankt (z.B. 10 ± 2 Chunks), da es sich
um einen Mittelwert handelt. Andererseits ist fraglich, ob diese Obergrenze auch im getätigten
Validierungsversuch angenommen werden kann, da diese mit einer Laienstichprobe
durchgeführt wurde. So ist anzunehmen, dass die Obergrenze bei den Versuchspersonen schon
früher erreicht wird, als im Modell. Es wurde jedoch versucht, die Aufgabe recht einfach zu
gestalten und den Versuchspersonen einen gewisser Grad an Expertise zu übermitteln.
Auch wenn für das Arbeitsgedächtnis eine Single-Limited-Capacity Theorie implementiert
wurde, so sind aber auch Ansätze multipler Ressourcen in das Modell eingeflossen. Visuelle und
auditive Aufmerksamkeitsressourcen, sowie die motorische Handlungsausführung sind
beispielsweise als vom Arbeitsgedächtnis relativ unabhängige Ressourcen modelliert. Diese
fließen zwar nicht direkt in die Quantifizierung mentaler Beanspruchung ein, sorgen allerdings
für eine relativ serielle Aufnahme von Chunks in das Arbeitsgedächtnis und Abarbeitung
motorischer Aufgaben und berücksichtigen die dafür benötigte Zeit. Diese Betrachtung
gewährleistet, dass visuelle Aufmerksamkeit jeweils nur auf einer bestimmten
Informationsquelle liegen kann, bzw. nur eine motorische Handlung gleichzeitig ausgeführt
werden kann.
195
Wenig geklärt ist dabei allerdings, welche Rolle Begrenzungen des perzeptiven Apparates bei
der subjektiven Bewertung mentaler Beanspruchung spielen und wie diese das empfinden
mentaler Beanspruchung beeinflussen können. Es ist damit sehr schwierig zu bestimmen, wie
die einzelnen Phasen der Informationsverarbeitung zusammenwirken und das Empfinden
mentaler Beanspruchung hervorbringen. Hierbei ist weitere intensive Grundlagenforschung
nötig, um diese Fragen beantworten zu können und eine Möglichkeit zu finden, auch die
Prozesse der Informationsaufnahme, in die Bestimmung eines Beanspruchungsindex mit
aufzunehmen.
Insgesamt wird der Ansatz, die mentale Beanspruchung in Abhängigkeit des Verhältnisses von
maximal verfügbaren zu bereits verbrauchten Informationsverarbeitungsressourcen (Anzahl
Chunks im Arbeitsgedächtnis) zu modellieren, als sehr vielversprechend angesehen. Es konnte
ein theoretisch fundierter und psychologisch plausibler Ansatz gefunden werden mentale
Beanspruchung zu quantifizieren, der so bisher nicht vorlag.
7.2 BEITRAG ZUR VERFOLGUNG EINES MAKROKOGNITIVEN MODELLIERUNGSANSATZES
UND VERBINDUNG MIT MIKROKOGNITIVEN ANSÄTZEN (FORSCHUNGSZIEL 2)
In der vorliegenden Arbeit wurde die Verbindung mikro- und makrokognitiver Ansätze
angestrebt um Nachteile beider auszugleichen und Vorteile nutzen zu können. Hierbei sind reine
makrokognitive und rein mikrokognitive Ansätze, sowie die Anwendung des Downscaling zur
Einbettung mikrokognitiver Funktionen in ein makrokognitives Modell zu diskutieren.
Der in dieser Arbeit verfolgte makrokognitive Ansatz kann vor allem für stark
anwendungsbezogene Problemstellungen als angemessen angesehen werden. Durch die
anwendungsnahe Betrachtung des Mensch-Maschine-Systems Flugverkehrskontrolle können
mit Hilfe des Modells ökologisch sehr valide Vorhersagen gemacht werden. Die recht grobe
Betrachtungsweise kognitiver Prozesse ist hierbei allerdings kritisch zu diskutieren. Die
makrokognitive Betrachtungsweise hat zum Ziel, Modelle zu erstellen, die dasselbe Verhalten
zeigen und dieselbe Performanz erbringen, wie es der Mensch tun würde. Dabei werden
allerdings kognitive Prozesse nicht im Detail betrachtet, was im Gegensatz zu kognitiven
Architekturen steht. Es gilt darum, zu beachten, dass durch das „Weglassen“ von Details im
Hinblick auf kognitive Prozesse keine „Black-Box-Modelle“ entstehen. Prozesse sollten daher so
detailliert wie nötig betrachtet werden, um eine große Korrespondenz zwischen Modell und
Wirklichkeit gewährleisten zu können. Probleme, die die Entstehung der menschlichen
Performanz und des menschlichen Verhaltens auf Grundlage kognitiver Prozesse untersuchen
sollen, können daher mit rein makrokognitiven Betrachtungsweisen nicht untersucht werden.
Rein mikrokognitive Betrachtungsweisen hingegen, können das Verständnis über die
Entstehung kognitiver Prozesse und menschlichen Verhaltens fördern, die Verknüpfung zu
196
anwendungsorientierten Problemstellungen gestaltet sich allerdings meist schwierig. Die Gefahr
besteht hierbei darin, dass immer kleinere Problembereiche erforscht werden (wir also „immer
mehr über immer weniger wissen“; Kindsmüller et al., 2004, S. 10) und der Anwendungsbezug
damit noch stärker verloren geht.
Da die Unterscheidung in Mikro- und Makrokognition keine Schwarz-weiß-Kategorien
darstellt, sondern beide eher als die zwei Endpunkte eines Kontinuums anzusehen sind, wurde
für diese Arbeit an einigen Stellen durch Downscaling eine Verbindung zwischen
makrokognitiver und mikrokognitiver Modellierung vorgenommen. So wurde das Modell zwar
stark anwendungsorientiert auf die Aufgaben von Lotsen im Flughafentower ausgelegt, aber
dennoch zahlreiche kognitionspsychologische Theorien der Informationsverarbeitung in die
Beschreibung der kognitiven Prozesse des modellierten Lotsen einbezogen. So orientiert sich
beispielsweise das Wahrnehmungsmodell vor allem am Multiple-Ressource-Modell von Wickens
(1984).
Dennoch ist, wie auch die recht grobe makrokognitive Betrachtungsweise kognitiver Prozesse,
die Übertragung mikrokognitiver Theorien zur Beschreibung von kognitiven Vorgängen in einer
Anwendungsdomäne kritisch zu reflektieren. Die Annahmen einer Theorie werden vor allem
durch Laborexperimente, meist in Isolation und unter starker Kontrolle mit relativ homogenen
Stichproben (meist Studenten) beobachtet. Hierbei kann es möglich sein, dass Verhalten
beobachtet und Prozesse entdeckt werden, welche sich in einer natürlichen Umgebung und
unter natürlichen Bedingungen mit Experten als Akteuren nicht zeigen würden oder eine
verschwindend kleine Rolle spielen.
Durch die Verbindung von Theorie und Anwendungsdomäne wurde versucht, die im Fokus
stehenden Prozesse hinreichend detailliert abzubilden, wodurch ein Modell im Sinne des
„Minimal Modelling Manifesto“ erhalten werden kann (Hollnagel, 1993b, S. 379 vgl. auch
Hollnagel, 1993a): „A Minimal Model is a representation of the main principles of control and
regulation that are established for a domain – as well as for the capabilities and limitations of the
controlling system.“
Im Hinblick auf eine weitere Verbesserung der modellhaften Beschreibung mentaler
Beanspruchung sind weitere Downscaling-Prozesse notwendig, um beispielsweise die zur
Entscheidungsfindung von Lotsen nötigen Prozesse noch adäquater abbilden zu können. So ging
bereits aus der Aufgabenanalyse hervor, dass vor allem Entscheidungen, die mit dem Rollen von
Flugzeugen zutun haben, hochgradig auf mentalen Simulationsprozessen beruhen, welche dazu
dienen, zukünftige Verkehrssituationen vorauszusehen. Die im vorliegenden Modell umgesetzte
Entscheidungsfindung auf Grundlage der aktuellen Verkehrssituation, wird daher weder der
Komplexität der Aufgabe, noch der damit verbundenen kognitiven Prozesse gerecht. Die
197
Schwierigkeiten, die die Implementierung detaillierterer Entscheidungsprozesse für die
Modellierung mit sich bringt, beschreiben Smieszek und Joeres (2013), weshalb auf Grund
fehlender Grundlagenforschung in der vorliegenden Modellversion vereinfachte Annahmen
getroffen werden mussten.
Die Vorgehensweise des Downscaling kann alternativ durch die Annäherung von der
mikrokognitiven Ebene zur makrokognitiven Ebene (Upscaling) erfolgen. So konnten West et al.
(2013) zeigen, dass es möglich ist, makrokognitive Funktionen mit Hilfe einer mikrokognitiven
Architektur zu beschreiben. Dies beschränkt sich allerdings bisher auf wenige makrokognitive
Funktionen, die auch in Isolation betrachtet wurden. Weitere Forschung ist notwendig, um hier
ein adäquates Upscaling möglich zu machen.
In der vorliegenden Arbeit kann das Downscaling und damit die Verbindung von mikro- und
makrokognitiver Modellierung als gelungen angesehen werden. Kognitive Prozesse wurden
soweit möglich und nützlich für die Problemstellung auf ein Mikroniveau heruntergebrochen,
andere Prozesse die für die vorliegende Problemstellung weniger wichtig sind wurden klassisch
makrokognitiv betrachtet. Aber auch durch die Identifizierung weiteren Forschungspotentiales
innerhalb der Grundlagenforschung konnte eine Verbindung zwischen makro- und
mikrokognitiven Ansätzen geschaffen werden. Die Entwicklung des makrokognitiven Modells
MATriCS hat dazu beigetragen, dass Forschungspotential identifiziert wurde, welches zunächst
mikrokognitiv zu untersuchen ist.
7.3 BEITRAG HINSICHTLICH DER ERSTELLUNG EINES MODELLS ZUR QUANTITATIVEN
BESCHREIBUNG MENTALER BEANSPRUCHUNG VON TOWERLOTSEN IN ABHÄNGIGKEIT
VERSCHIEDENER EINFLUSSFAKTOREN (FORSCHUNGSZIEL 3)
Das Forschungsziel der Erstellung eines Modells zur quantitativen Beschreibung mentaler
Beanspruchung von Towerlotsen in Abhängigkeit verschiedener Einflussfaktoren ist zunächst
hinsichtlich der Umsetzung der identifizierten Theorien mentaler Beanspruchung, sowie der
Studien zu Einflussfaktoren mentaler Beanspruchung zu diskutieren. Ferner sind getätigte
Vereinfachungen des Modells kritisch zu reflektieren. Ebenso ist die Verwendung Farbiger
Petrinetze als Beschreibungsmittel zu bewerten.
Es konnte gezeigt werden, dass mit Hilfe des erstellten Modells die mentale Beanspruchung
von Towerlotsen über die Anzahl der im Arbeitsgedächtnis gespeicherten Chunks
operationalisiert und sichtbar gemacht werden kann. Durch das Auslesen der Anzahl der Chunks
aus dem Modell können kontinuierliche Verläufe der Arbeitsgedächtnisbelastung von Lotsen bei
der Arbeit erhalten werden. Hierbei wurde im vorliegenden Modell der wichtigste
Beanspruchungsfaktor, die Anzahl der zu bearbeitenden Flugzeuge (vgl. Koros et al., 2003)
verwendet. Nichtsdestotrotz stellt dieser Faktor nur einen von vielen Faktoren dar, die die
198
mentale Beanspruchung beeinflussen. Neben einer Vielzahl objektiver Faktoren, wie
beispielsweise das „Kreuzen der aktiven Runway“, „Überlastungen der Frequenz“,
„unterschiedliche Leistungscharakteristika von Flugzeugen“, „Sichtbedingungen“ (vgl. Koros et
al., 2003; Kapitel 4.2) spielen auch subjektive Faktoren eine Rolle, wovon in dieser Arbeit nur die
maximale Arbeitsgedächtniskapazität mit einbezogen wurde. Viele weitere subjektive Faktoren
können allerdings einen Einfluss auf das subjektive Beanspruchungsempfinden besitzen, wie
beispielsweise die Motivation, das Training, kognitiven Strategien oder Regulations-
mechanismen mentaler Beanspruchung. Sperandio (1978) beschreibt beispielsweise, dass sich
Lotsen über ihre Beanspruchungshöhe durchaus bewusst sind und somit bei drohender
Überlastung ihre Strategie anpassen, um dieser Überlastung entgegenzuwirken (vgl. auch Loft et
al., 2007). Eine solche Strategieanpassung kann beispielsweise das einfache Verschieben von
Flügen sein auf einen späteren Zeitpunkt sein (vgl. Smieszek et al., 2013). Dennoch ist auch das
Bewusstsein des Lotsen über seine eigene Beanspruchung kein Garant dafür, dass rechtzeitig
eine Strategieanpassung vorgenommen wird. Es kann bereits zu spät sein, wenn die
Strategieanpassung erfolgt. Ferner ist anzunehmen, dass bei einer Strategieanpassung eher an
Gründlichkeit eingespart wird (Verwendung von Short-Cuts), um das Effizienzziel
aufrechtzuerhalten, als das ein low risk action regulation mechanism angewendet wird.
Ebenso bleibt im Modell unberücksichtigt, wie der Anstieg der mentalen Beanspruchung die
Güte der Entscheidungsfindung beeinflussen kann. Zwar sind einige der genannten Variablen
bereits im Modell implementiert worden (z.B. „Belastung der Funkfrequenz“ oder
„Sichtbedingungen“) – diese sind aber bei der Validierung des Modells nicht berücksichtigt
worden, um einen adäquaten experimentellen Rahmen zu schaffen. Dennoch spielt der Einfluss
all dieser Variablen eine mehr oder weniger entscheidende Rolle bei der Entstehung mentaler
Beanspruchung. Zusätzlich kann auch durch die Interaktion zwischen diesen Variablen ein
erheblicher Einfluss auf die mentale Beanspruchung entstehen. Durch die genauere Betrachtung,
vor allem subjektiver Variablen im Modell, kann die Fähigkeit des Modells, individuelle
Versuchspersonen-Beanspruchung abzubilden, erhöht werden.
Auch ist bereits erwähnt worden, dass der Prozess der Entscheidungsfindung recht einfach
abgebildet worden ist. Hierbei wird lediglich die aktuelle Verkehrssituation zugrunde gelegt. Es
wurde jedoch klar, dass mentale Simulationsprozesse vorgenommen werden, welche hochgradig
die mentale Beanspruchung des Lotsen beeinflussen (Smieszek & Joeres, 2013). Diese müssen
durch das Modell berücksichtigt werden. Hierzu sind zunächst grundlagenwissenschaftliche
Fragen zu klären.
Eng damit verbunden ist auch die Umsetzung des Arbeitsgedächtnismodells. Smieszek und
Joeres (2013) sehen als Folge eines veränderten, komplexeren Entscheidungsprozesses auch die
Notwendigkeit eines veränderten Arbeitsgedächtnismodells. Dies legt auch die Existenz
199
zahlreicher Befunde nahe, wie es bereits in Kapitel 7.1 diskutiert worden ist. Die Umsetzung
eines solchen Arbeitsgedächtnismodells erscheint prinzipiell sinnvoll, wobei bisher ungeklärt
ist, wie Informationen in einem solchen Arbeitsgedächtnis repräsentiert werden (vgl. auch
Kapitel 7.1).
Die Verwendung farbiger Petrinetze als Beschreibungsmittel zur Modellierung menschlichen
Verhaltens und menschlicher Kognition kann als sehr vielversprechend, vor allem für die
makrokognitive Modellierung bzw. für ein Downscaling von der makrokognitiven zur
mikrokognitiven Ebene bezeichnet werden: So können kognitive Prozesse und Verhalten nicht
nur abgebildet und simuliert, sondern auch sichtbar gemacht werden, wobei gleichzeitig die
Komplexität der modellierten Systeme sehr gut beherrschbar ist. Gleichzeitig besteht, im
Gegensatz zu kognitiven Architekturen, die Möglichkeit, dass Prozesse, die nicht im Fokus der
Problemstellung stehen, vereinfacht dargestellt oder gar weggelassen werden können.
Zusätzlich können auch bei im Fokus stehenden Prozessen zunächst vereinfachte Annahmen
gemacht werden, um festzustellen, wie gut bereits einfache Modellannahmen in der Lage sind,
experimentelle Daten abzubilden, so wie es beispielsweise beim Prozess der
Entscheidungsfindung geschehen ist. Darüber hinaus ist die Möglichkeit die modellhafte
Beschreibung des Mensch-Maschine-Systems auf ganzheitliche Weise vornehmen zu können von
unschätzbarem Wert. Durch die Flexibilität des generischen Flughafenmodells, war es möglich,
Schwächen, die die Simulationssoftware aufwies, ausgleichen zu können. Die Verwendung einer
kognitiven Architektur hätte hierbei entweder die Anbindung an die vorhandene oder die
Erstellung einer eigenen Simulationssoftware erfordert.
Die Verwendung eines ereignisdiskreten Modellierungswerkzeuges zur Beschreibung vielerlei
kontinuierlicher Prozesse stellte sich hierbei allerdings als eher ungeeignet heraus (z.B. zur
Modellierung der Rollprozesse am Flughafen oder des zeitlichen Verfalls von Informationen im
Arbeitsgedächtnis, wie in Kapitel 5.4.10 beschrieben; vgl. Cowan, 1998). Hier könnten neuere
Methoden, wie Real-Time Coloured Petri Nets (RTCP-nets; Szpyrka, 2006, 2008) oder
Continuous und Hybrid Petri Nets (David & Alla, 2010) eine vielversprechende Alternative
darstellen. Für diese Methoden fehlt es allerdings noch weitestgehend an Computer-Tools für
die Erstellung lauffähiger Modelle, die von ihrer Stärke her mit dem für Coloured Petri Nets zur
Verfügung stehenden CPN-Tools vergleichbar wären. Die grafische Darstellung und die damit
verbundene Sichtbarmachung kognitiver Prozesse, die alle Arten von Petrinetzen mit sich
bringen, birgt große Vorteile hinsichtlich der Transparenz von Modellen (vgl. Gore, Hooey, Foyle,
& Scott-Nash, 2008). Ebenso ist die relativ intuitive Darstellung sehr hilfreich für die
Verständigung und den Austausch mit anderen Wissenschaftlern.
Das Forschungsziel der Erstellung eines basalen Modells der Lotsenbeanspruchung kann damit
als erreicht angesehen werden.
200
7.4 BEITRAG HINSICHTLICH DER VALIDIERUNG DES ERSTELLTEN MODELLANSATZES
MITTELS STATISTISCHER METHODEN (FORSCHUNGSZIEL 4)
Neben der Erstellung des Modells war es ebenso wichtig, einen Nachweis darüber zu
erbringen, dass das Modell in der Lage ist, adäquat die mentale Beanspruchung realer
Versuchspersonen in realen Aufgabensituationen abzubilden. Hierbei kann vor allem die
Übertragbarkeit der Studie durch die Verwendung einer Mid-Fidelity Simulation mit Laien als
Versuchspersonen sowie die Versuchsdurchführung diskutiert werden. Hinsichtlich des Modell-
Daten-Vergleiches können verschiedene Problematiken identifiziert werden. Es ist die
Schwierigkeit mit Hilfe der Simulation standardisierte Szenarien zu generieren zu diskutieren,
wodurch die Komplexität der Verkehrssituationen unterschiedlich ausfiel. Auf die Beschaffenheit
der subjektiven Skalen sind vor allem Probleme hinsichtlich der Berechnung von
Abweichungsmaßen aber auch die Notwendigkeit der Anwendung nonparametrischer
statistischer Verfahren zurückzuführen. Ferner ist die Sensitivität der Herzrate zu beurteilen.
Zur Erhebung von Daten mentaler Beanspruchung für einen Modell-Daten-Vergleich wurde ein
Simulationsexperiment im August 2013 durchgeführt. Das Ziel bestand vor allem darin, zu
überprüfen, ob das Modell in der Lage ist die von Versuchspersonen in den
Simulationsszenarien abgegebenen Bewertungen ihrer mentalen Beanspruchung zu replizieren.
Für die Übertragbarkeit der Studie und damit des Modells auf die Realität kann speziell die
Verwendung einer Mid-Fidelity-Simulation und einer Laienstichprobe kritisch gesehen werden.
Zwar wurde gewährleistet, dass die Simulation möglichst realistisch war, dennoch bestehen
einige Unterschiede zu realen Arbeitssituationen: Beispielsweise haben echte Lotsen neben der
Kommunikation mit den Piloten zahlreiche Absprachen mit Kollegen, Vorgesetzten und anderen
Einrichtungen über das Telefon zu erledigen, die weder im Modellansatz noch im Experiment
betrachtet wurden. Ebenso war die Aufgabe der Versuchspersonen recht einfach gehalten, da
auf die Anfrage eines Flugzeuges nach Überblicken der Verkehrssituation lediglich mit der
dazugehörigen Freigabe geantwortet werden musste. Die reale Kommunikation zwischen Lotse
und Pilot gestaltet sich jedoch wesentlich komplexer. Diese Vereinfachungen waren einerseits
der Komplexitätsreduktion im Modellansatz, andererseits der Verwendung von Laien als
Versuchspersonen geschuldet. Zwar wurde gewährleistet, dass die Versuchspersonen durch
ausführliche Instruktion und Training einige Erfahrung sammeln konnten, dennoch kann der
Erfahrungsschatz echter Lotsen niemals innerhalb einer zweistündigen Sitzung an Laien
übermittelt werden. Aufgrund dessen wäre auch eine maximale Arbeitsgedächtniskapazität von
weniger als zehn Chunks anzunehmen (vgl. Bisseret, 1971; Kapitel 2.2 und 7.1). Für eine erste
Validierungsstudie wird der Ansatz dennoch als zielführend angesehen, da so, mit relativ
geringem Ressourceneinsatz, ein erster Nachweis der Güte des Modells erbracht werden konnte.
201
Nun gilt es im Weiteren, diese Befunde mit echten Lotsen in einer High-Fidelity-Simulation zu
überprüfen.
Eine Schwierigkeit, welche die Simulation mit sich brachte, bestand darin, dass Szenarien nicht
standardisierbar waren. Zwar konnten Zeiten definiert werden, zu denen Flugzeuge auftauchen
sollten, die exakte Zeit variierte allerdings um diesen definierten Zeitpunkt herum. Durch die
Flexibilität des Modells konnte zwar gewährleistet werden, dass das Modell immer genau das
Szenario abarbeitete, was auch die Versuchsperson bearbeitet hatte – die Aggregation eines
mittleren Verlaufes sowohl der Versuchspersonen- als auch der Modelldaten war dennoch nicht
sinnvoll. Allgemein wird erwartet, dass bei standardisierten Szenarien die Versuchspersonen
noch stärker in ihren Urteilen übereinstimmen, sodass die Korrelation von
Versuchspersonenratings und Modelldaten höher ausfallen. Ferner ließe sich über die
Aggregation der zeitlichen Verläufe ein mittlerer zeitlicher Verlauf erhalten. Hierbei wird
einerseits erwartet, dass die Korrelation höher ausfallen wird, da individuelle Unterschiede und
Ausreißer nicht so sehr ins Gewicht fallen, andererseits entsteht hierdurch die Möglichkeit, auch
Abweichungsmaße für den zeitlichen Verlauf berechnen zu können. Nichtsdestotrotz ist durch
diese relative Unvorhersehbarkeit der Verkehrssituation eine größere Übereinstimmung mit der
Realität vorhanden, da es in realen Kontrollsituationen auch zu Verspätungen oder Flugausfällen
kommen kann.
Die unstandardisierten Szenarien führten weiterhin zur Entstehung unterschiedlich komplexer
Situationen. Durch ein verändertes Auftauchen von Flugzeugen können bei einigen
Versuchspersonen Konfliktsituationen entstehen, die bei anderen Versuchspersonen nicht
entstanden. Diese Situationen können zu höherem kognitiven Aufwand und damit zu
veränderten Bewertungen der Beanspruchung führen. Verschieden komplexe
Verkehrssituationen könnten aber auch bereits durch ein verändertes Verhalten der
Versuchspersonen während der Szenarien entstehen. Dieses Problem besteht aufgrund der
Konfundierung der Variablen „Verkehrsaufkommen“ und „Anzahl kritischer Situationen“. Daher
wäre als ein besseres Maß für die Belastung die Anzahl der zu treffenden Entscheidungen oder
die Anzahl der kritischen Situationen heranzuziehen. Der Zusammenhang zwischen der Schwere
der Entscheidung und der mentalen Beanspruchung ist allerdings im Modell noch nicht
abgebildet. Es ist unter Umständen sinnvoll, nur sehr kurze Szenarien zu verwenden (etwa eine
Minute), die eine bestimmte Anzahl Entscheidungen erfordern, wobei im Anschluss an das
Szenario die Beanspruchung bewertet wird.
Mit Hilfe korrelativer Maße als auch mit Hilfe des visuellen Vergleiches der Verläufe konnte ein
Nachweis der Modellgüte erbracht werden. Als problematisch stellte sich hierbei allerdings die
Aussagekraft von Maßen der Abweichung vom exakten Punkt heraus. Das Konstrukt mentale
Beanspruchung, welches im Zentrum der Untersuchungen stand, ist eine hochgradig subjektive
202
Variable. Zwar sollen mit dem Modellansatz sowohl externe als auch personenspezifische
Variablen betrachtet werden. Im vorliegenden basalen Modell wurden individuelle Unterschiede
allerdings nur sehr vereinfacht (anhand der maximalen Arbeitsgedächtniskapazität) betrachtet.
Der Vergleich absoluter Abweichungen der subjektiven Größe sollte daher mit Vorsicht
geschehen, da die festgelegte Maximalkapazität des Arbeitsgedächtnisses ebenso willkürlich
sein kann. Ferner besteht das Problem, dass die Erfassung der absoluten Ausprägung mentaler
Beanspruchung mit Hilfe konstruierter Skalen recht willkürlich ist. Es ist schwer zu sagen,
welches Gefühl der Beanspruchung die Versuchsperson mit einem Wert von 50 auf der RSME-
Skala verband. Eine andere Versuchsperson könnte dieselbe Belastung mit einem anderen
Beanspruchungswert einschätzen.
Hierbei besteht vor allem auch das Problem, dass die Skalen nicht äquidistant sind, das
bedeutet, dass kleinere Belastungsunterschiede im unteren Bereich der Skala bereits zu
Unterschieden in den Beanspruchungsratings führen können, während im oberen Bereich sehr
viel größere Belastungsunterschiede nötig sind, um das Beanspruchungsratig zu verändern.
Ferner besteht der Trend, dass mehrheitlich im unteren bis mittleren Bereich der Skala
angekreuzt und nur selten der obere Bereich genutzt wird. Es konnte ebenfalls gezeigt werden,
dass unterschiedliche Erfassungsmethoden zu unterschiedlichen Zeitpunkten zu unterschiedlich
hohen Beanspruchungsbewertungen führen können. So wurden mit dem NASA-TLX im
Anschluss an ein Szenario absolut gesehen viel höhere Bewertungen abgegeben, als mit dem
RSME während der Szenarien. Es gilt hierbei zu prüfen, ob diese Unterschiede durch den
Messzeitpunkt (im Nachhinein vs. während) oder durch die unterschiedliche Skala zustande
kamen.
Ein weiteres Problem ergibt sich, will man die Skala der subjektiven Maße und des Models
ineinander umformen d.h. sie auf gleiche Einheiten bzw. Längen Transformieren (z.B.
Prozentwerte). Die Anwendung einer subjektiven Skala, welche ebenso viele Stufen, wie die
Modellskala hat, könnte hier Abhilfe schaffen. Für die Annahme einer zehnstufigen Modellskala
(zehn chunks maximal im Arbeitsgedächtnis speicherbar) wäre die Anwendung der
zehnstufigen Skala des NASA-TLX denkbar. Nichtsdestotrotz konnte auch bei der RSME-Skala
durch Umformung der absoluten Werte in Prozent-Werte ein Vergleich mit der Modellskala
erreicht werden. Das Problem der nicht gegebenen Äquidistanz bleibt allerdings für alle
subjektiven Skalen bestehen. Die Modellskala kann hingegen als äquidistant angesehen werden.
Es gilt demnach zu prüfen, inwiefern beispielsweise durch die Anpassung der Modellskala auf
die verbalen Anker der RSME-Skala eine bessere Übereinstimmung der Skalen zu erreichen ist.
Die mehrheitliche Anwendung nonparametrischer Verfahren und Rangkorrelationskoeffizienten
ergab sich ebenso aus der Beschaffenheit der Daten. Da die subjektiven Beanspruchungsdaten
nur als ordinalskaliert betrachtet werden können, sind andere als nonparametrische Verfahren
203
nicht zulässig. Es existieren zahlreiche Beträge darüber, dass beispielsweise die ANOVA robust
gegenüber moderaten Verletzungen der Voraussetzungen (wie Normalverteilung, Schiefe und
Kurtosis) ist (DeCarlo, 1997; Glass, Peckham, & Sanders, 1972; Harwell, Rubinstein, Hayes, &
Olds, 1992), das Skalenniveau gehört allerdings nicht dazu. Dennoch existieren zahlreiche
Studien, in denen parametrische Verfahren auf Beanspruchungsdaten angewendet werden, die
mit subjektiven Skalen wie NASA-TLX oder RSME erfasst wurden. Dies geht sogar soweit, dass
Daten, die über Likert-Skalen erhoben wurden und somit eindeutig nur Ordinalskalenniveau
besitzen, mit parametrischen Verfahren ausgewertet werden. Vor allem beim NASA-TLX aber
auch beim RSME mag zwar der Eindruck einer Intervallskalierung vermittelt werden, sodass
nicht auf den ersten Blick eindeutig ist, welches Skalenniveau tatsächlich vorliegt. Bei
zweifelhafter Kardinalskalenqualität sind allerdings nach Bortz und Lienert (2008) immer
nonparametrische Verfahren anzuwenden. Wenn nicht davon ausgegangen werden kann, dass
„äquidistante Zahlenabstände auf einer Skala gleiche Merkmalsunterschiede abbilden“ (Bortz &
Lienert, 2008, S. 28), wie es sowohl bei der NASA-TLX als auch der RSME-Skala der Fall ist, kann
für diese Erfassungsmethoden nur ordinales Skalenniveau angenommen werden. Da die
Teststärke nonparametrischer Verfahren gemeinhin etwas geringer ist als die parametrischer
Verfahren, kann es passieren, dass kleinere Effekte nicht aufgedeckt werden. Dies gilt vor allem
hinsichtlich der Testung der Nullhypothesen und der Abhängigkeit der Fehlerzahl vom d2-R
Ergebnis. Ähnliches gilt für die Berechnung von Rangkorrelationskoeffizienten. Gemeinhin sind
die Rangkorrelationskoeffizienten Spearman’s ρ aber vor allem Kendall’s τ konservativer als
Pearson’s r, wodurch geringere Korrelationskoeffizienten zustande kommen. Es wurde
allerdings als wichtiger angesehen, nur dann parametrische Verfahren anzuwenden, wenn die
notwendigen Voraussetzungen erfüllt waren (so bei der Herzrate und den Modelldaten
geschehen).
Die Schwierigkeiten mit Hilfe der Herzrate sensitiv zwischen zwei Belastungsbedingungen
unterscheiden zu können bestand auch in der vorliegenden Studie. Es konnte lediglich gezeigt
werden, dass die Belastungsbedingungen von der Baseline-Bedingung unterschieden werden
konnten. Es ist daher nicht zielführend, die Herzrate als Vergleichsmaß für die Überprüfung der
Modellgüte weiterzuverwenden, da auch größere Belastungsunterschiede, nicht aufgedeckt
werden konnten. Es gilt daher zu prüfen, ob sich andere physiologische Methoden hierbei als
sensitiver und damit geeigneter erweisen.
Der Nachweis der Gültigkeit des Modells konnte durch Zusammenhangsmaße sowohl für die
mittlere Beanspruchungshöhe innerhalb der Szenarien, als auch der einzelnen
Versuchspersonen erbracht werden. Ferner konnte durch explorative Untersuchungen gezeigt
werden, dass auch die absolute mittlere Beanspruchungshöhe innerhalb der Szenarien gut
abgebildet werden konnte.
204
8 AUSBLICK
Die Entwicklung und Validierung des hier vorgestellten Modells konnte in vielerlei Hinsicht
zum Erkenntnisgewinn beitragen. Einerseits erfordert es eine intensive Beschäftigung mit der
Theorie mentaler Beanspruchung und der Generierung einer adäquaten Möglichkeit zur
Modellierung und leistet damit einen Beitrag zum theoretischen Erkenntnisgewinn hinsichtlich
des Konstruktes. Andererseits konnte durch die Übertragung der Theorie auf einen
Anwendungsfall ein erster Schritt getan werden, mentale Beanspruchung von Towerlotsen zu
quantifizieren, zu replizieren und sogar vorherzusagen. Nichtsdestotrotz ist es von großer
Bedeutung, zunächst eine einheitliche Definition mentaler Beanspruchung vorzulegen, um
einheitliche Standards zu schaffen. Es ist allerdings schwer zu sagen, ob es jemals möglich sein
wird, eine einheitliche Definition aufzustellen: „Is an agreed definition of workload ever possible?“
(Brooker, 2003, S. 4).
Ebenso problematisch wie die einheitliche theoretische Fundierung mentaler Beanspruchung
ist ihre Erfassung. Da mentale Beanspruchung keiner direkten Erfassung zugänglich ist, ist es
schwierig, über Erfassungsmethoden Rückschlüsse auf die Beanspruchung zu ziehen. Alle
Erfassungsmethoden haben Schwachstellen, die den direkten Vergleich zwischen den mit diesen
Methoden erfassten Daten und den Modelldaten stark erschweren. So ist die Herzrate zwar als
relativ objektiv zu bezeichnen, sie ist allerdings nicht sensitiv genug. Subjektive
Fragebogenmethoden und Skalen zur Erfassung haben einerseits das Problem, dass
kontinuierliche Messung ohne Interferenz praktisch nicht möglich ist. Andererseits bestehen
bereits große Probleme in der Reliabilität und Validität der Messinstrumente selbst, so dass es
schwer ist eine geeignete Vergleichsmethodik zu finden. So bleibt die Frage, ob eventuell andere
Erfassungsmethoden, wie beispielsweise Pupillometrie, EEG oder sogar Nahinfrarot-
spektroskopie wie sie z.B. Ayaz et al. (2010) verwenden, geeignetere Vergleichskriterien sein
können oder ob letztendlich sogar die gesamte Problematik der Erfassung mentaler
Beanspruchung ad absurdum zu führen ist (Schmidtke, 2002; vgl. auch Dekker & Hollnagel,
2004; Dekker & Woods, 2002; Hollnagel & Woods, 2005).
In beiden Fällen kann nur von ersten Schritten gesprochen werden. Die Theorie mentaler
Beanspruchung ist immer noch recht vage und auch wenn durch die Integration der beiden
herausragenden Modellvorstellungen ein Schritt in diese Richtung getan wurde, liegt bis heute
keine einheitliche Modellvorstellung vor. In dieser Arbeit wurde mentale Beanspruchung durch
die Begrenzungen der perzeptiv-kognitiven Verarbeitungsstufe, vor allem des
Arbeitsgedächtnisses, gesehen. Dabei wurde die Begrenzung der Perzeption zwar mit
modelliert, jedoch bei der Quantifizierung zunächst nicht mit betrachtet. Hierbei ist die Frage
essentiell, ob und inwieweit die Begrenzungen des perzeptiven Apparates zum subjektiven
205
Gefühl des Angestrengtseins und damit zum Empfinden mentaler Beanspruchung beitragen und
wie diese durch Interaktion mit dem Arbeitsgedächtnis zustande kommt. Dies gilt insbesondere,
wenn man dem Modell die Fähigkeit verleihen möchte, Verkehrssituationen konstant
überwachen zu können und nicht nur punktuell Informationen über die Verkehrssituation
abrufen zu können. Dies ist vor allem auch dann wichtig, wenn die Aufmerksamkeitsverteilung
von Towerlotsen modellhaft beschrieben werden soll (vgl. Manske, von Schlippe, et al., 2013).
Das gilt vor allem auch hinsichtlich einer Erweiterung des Prozesses der
Entscheidungsfindung. Im vorliegenden Modell wurde lediglich auf Grundlage der aktuellen
Verkehrssituation entschieden, ob eine Freigabe gegeben werden kann oder nicht. Es geht aber
bereits aus der Aufgabenanalyse hervor, dass Lotsen die aktuelle Verkehrssituation in die
Zukunft projizieren, diese also „mental simulieren“ (Klein & Crandall, 1995; Klein et al., 2006;
vgl. auch Endsley, 1995) um eventuelle Konflikte vorhersehen zu können und dementsprechend
prospektiv ihre Freigaben erteilen zu können. Smieszek und Joeres (2013) greifen diese
Problematik auf und identifizieren auch hier, dass weitere Grundlagenforschung nötig ist,
einerseits hinsichtlich der kognitiven Mechanismen bei solchen mentalen Simulations- und
Zeitschätzprozessen (vgl. Peterken, Brown, & Bowman, 1991; Rußwinkel et al., 2011; Zakay &
Block, 1997), andererseits hinsichtlich des damit verbundenen Bedarfs an kognitiven
Ressourcen und des Umfanges der dafür benötigten Chunks.
Es ist ferner davon auszugehen, dass die einfache Modellvorstellung eines Single-Limited-
Capacity Systems nicht mehr ausreichend ist, um komplexere kognitive Prozesse zu
beschreiben. Neuere Theorien des Arbeitsgedächtnisses gehen zwar von einem Multi-
Komponenten-Arbeitsgedächtnis aus, bei dem verschiedene Komponenten relativ unabhängig
für verschiedene Kodierungen von Informationen arbeiten, dennoch konnte das Zusammenspiel
dieser Komponenten bisher nicht geklärt werden. Hierbei ist es vor allem schwierig, die
Kapazitätsbegrenzungen der einzelnen Komponenten zu quantifizieren und exakt zuzuordnen.
Im Zuge einer Modellerweiterung erscheint es dennoch sinnvoll, aktuelle Theorien des
Arbeitsgedächtnisses zu berücksichtigen, wobei auch hier darauf hinzuweisen ist, dass, bevor
eine solche Modellerweiterung stattfinden kann, einschlägige Grundlagenforschung notwendig
ist, um die aufgeworfenen Fragenstellungen beantworten zu können.
Ebenso wie das Modell verwendet wurde, um mentale Beanspruchung zu quantifizieren, so ist
es auch vorstellbar, das Modell einzusetzen, um zuverlässig verschiedene andere
Beanspruchungsarten zu erfassen. So kann das motorische Modul beispielsweise verwendet
werden, um motorische Beanspruchung zu erheben, ebenso wie das Working-Memory-Modul
verwendet wurde, um mentale Beanspruchung zu erfassen.
206
Für eine Erweiterung der praktischen Anwendungsmöglichkeiten des Modells ist durch dessen
modularen Aufbau beispielsweise die Erweiterung auf zwei Lotsen möglich, um so ein
realistischeres Abbild der Rollenverteilung im Tower zu erhalten und auch die Interaktionen
zwischen den beiden Arbeitspositionen mit in Untersuchungen einfließen lassen zu können.
Letztendlich wäre damit auch denkbar, Phänomene wie Teamwork oder Shared Cognition
(Hopp & Hayne, 2002; Kiekel & Cooke, 2004) zu untersuchen.
Ebenso ist die Erweiterung des Modells hinsichtlich der sogenannten Remote-Control
(Fürstenau et al., 2009; Öhme & Schulz-Rückert, 2010), also der Bearbeitung zweier kleinerer
Flughäfen durch einen einzelnen Lotsen, möglich, um Untersuchungen hinsichtlich mentaler
Beanspruchung von Lotsen bei der Bearbeitung mehrerer Flughafen zu ermöglichen.
Im Hinblick auf die Verwendung farbiger Petrinetze zur Beschreibung kognitiver Prozesse und
menschlichen Verhaltens konnte ein weiterer Schritt getan werden. Es wurde nicht nur formale
Abläufe beschrieben, sondern auch kognitive Prozesse, Ressourcen und Strukturen. Aus den
Erfahrungen dieser Arbeit ist auch eine kombinierte Verwendung farbiger Petrinetze und
kognitiver Architekturen, wie ACT-R, denkbar. Hierbei könnten farbige Petrinetze dazu dienen
den Prozess abzubilden, die kognitive Architektur liefert die nötigen Voraussetzungen zur
Beschreibung menschlicher Kognition. Prinzipiell kann es sinnvoll sein, nur bestimmte
Funktionen, die sehr detailliert abgebildet werden sollen, an die kognitive Architektur
auszulagern, die restlichen Vorgänge aber im Petrinetz zu belassen. Darüber hinaus ist auch die
Erstellung einer kognitiven Architektur auf der Basis farbiger Petrinetze denkbar, wie sie bereits
Werther (2006b) in Ansätzen vorgestellt.
Mit der hier getätigte Modellierungs- und Validierungsarbeit hinsichtlich einer hoch brisanten
Fragestellung, sollte ein Anstoß gegeben werden, den Bedarf an der weiteren Forschungsarbeit
zu erkennen, sich den weiteren Herausforderung zu stellen und sich dazu ermutigt fühlen sich
der offenen Fragestellungen anzunehmen und Lösungen durch die engagierte Zusammenarbeit
von vielerlei Seiten in Angriff zu nehmen.
207
LITERATURVERZEICHNIS
Ackerman, P. L. (1988). Determinants of individual differences during skill acquisition: cognitive
abilities and information processing. Journal of Experimental Psychology: General, 117(3),
288–318.
Ackerman, P. L. (1990). A correlational analysis of skill specifity: learning abilities, and
individual differences. Journal of Experimental Psychology: Learning, Memory, and Cognition,
16(5), 883–901.
Adams, J. A. (1989). Human factors engineering. New York: Macmillan.
Alexander, J. R., Alley, V. L., Ammerman, H. L., Fairhurst, W. S., Hostetler, C. M., Jones, G. W., &
Rainey, C. L. (1989). FAA Air Traffic Control Operations Concepts Volume 7: ATCT Tower
Controllers. Oklahoma City: Federal Aviation Administration.
Alexander, J. R., Alley, V. L., Ammerman, H. L., Hostetler, C. M., & Jones, G. W. (1988). FAA Air
Traffic Control Operations Concepts Volume 3: ISSS En Route Controllers. Oklahoma City:
Federal Aviation Administration.
Ammerman, H. L., Becker, E. S., Bergen, L. G., Claussen, C. A., Davies, D. K., Inman, E. E., & Jones, G.
W. (1988). FAA Air Traffic Control Operations Concepts Volume 5: ATCT/TCCC Tower
Controllers. Oklahoma City: Federal Aviation Administration.
Ammerman, H. L., Fairhurst, W. S., Hostetler, C. M., & Jones, G. W. (1988). FAA Air Traffic Control
Operations Concepts Volume 1: ATC Background and Analysis Methodology. Oklahoma
City: Federal Aviation Administration.
Anderson, J. R., Bothell, D., Byrne, M. D., Douglass, S., Lebiere, C., & Qin, Y. (2004). An integrated
theory of the mind. Psychological Review, 111(4), 1036–1060.
Anderson, J. R., & Lebiere, C. (1998). The atomic conponents of thought. Mahwah, NJ: Lawrence
Erlbaum.
Anderson, J. R., Reder, L. M., & Lebiere, C. (1996). Working memory: activation limitations on
retrieval. Cognitive Psychology, 30(3), 221–56. doi:10.1006/cogp.1996.0007
Annett, J. (2002). Subjective rating scales: science or art ? Ergonomics, 45(14), 966–987.
Athènes, S., Averty, P., Puechmorel, S., Delahaye, D., & Collet, C. (2002). ATC Complexity and
Controller Workload: Trying to Bridge the Gap. Artificial Intelligence, (56), 56–60.
Ayaz, H., Willems, B., Bunce, S., Shewokis, P. A., Izzetoglu, K., Hah, S., … Onaral, B. (2010).
Cognitive Workload Assessment of Air Traffic Controllers Using Optical Brain Imaging
Sensors. In T. Marek, W. Karwowski, & V. Rice (Eds.), Advances in Understanding Human
Performance: Neuroergonomics, Human Factors Design, and Special Populations (pp. 21–
32). CRC Press.
Baddeley, A. D. (1976). The Psychology of Memory. New York: Basic Books.
Baddeley, A. D. (1986). Working Memory. Oxford, UK: Oxford University Press.
208
Baddeley, A. D. (1990). Human Memory: Theory and Practice. Hove: Lawrence Erlbaum
Associates.
Baddeley, A. D. (1994). The Magical Number Seven: Still Magic After All These Years?, 101(2),
353–356.
Baddeley, A. D. (2000). The episodic buffer: a new component of working memory? Trends in
Cognitive Sciences, 4(11), 417–423.
Baddeley, A. D. (2012). Working memory: theories, models, and controversies. Annual Review of
Psychology, 63, 1–29.
Baddeley, A. D., Grant, W., Wight, E., & Thomson, N. (1975). Imagery and visual working memory.
In P. M. A. Rabbitt & S. Dornic (Eds.), Attention and Performance V (pp. 205–217). London:
Academic Press.
Baddeley, A. D., & Hitch, G. (1974). Working Memory. In G. A. Bower (Ed.), Recent advances in
learning and motivation, Vol. 8. New York: Academic Press.
Bainbridge, L. (1975). Working Memory in air traffic control. Unpublished note. Retrieved
October 30, 2012, from http://www.bainbrdg.demon.co.uk/Papers/WMemory.html
Baumgarten, B. (1996). Petri-Netze: Grundlagen und Anwendungen (2nd ed.). Heidelberg, Berlin,
Oxford: Spektrum, Akademischer Verlag.
Beatty, J. (1982). Task-Evoked Pupillary Responses, Processing Load, and the Structure of
Processing Resources. Psychological Bulletin, 91(2), 276–292.
Bentley, R., Hughes, J. A., Randall, D., Rodden, T., Sawyer, P., Shapiro, D., & Sommerville, I. (1992).
Ethnographically-informed systems design for air traffic control. In Proceedings of the 1992
ACM conference on Computer-supported cooperative work (pp. 123–129). ACM Press.
Bergé, P. (2005). Initial EMMA Air-Ground Operational Service and Environmental Description
(OSED Initial), Document No. D1.3.1. EUROCONTROL.
Berndtsson, J., & Normark, M. (1999). The Coordinative Functions of Flight Strips: Air Traffic
Control Work Revisited. In Proceedings of the international ACM SIGGROUP conference on
supporting group work (pp. 101–110). Phoenix, Arizona.
Bisseret, A. (1970). A Mémoire opérationelle et structure du travail. Bulletin de Psychologie, 24,
280–294.
Bisseret, A. (1971). Analysis of mental processes involved in air traffic control. Ergonomics,
14(5), 565–570.
Bortz, J. (2005). Statistik (6th ed.). Berlin: Springer.
Bortz, J., & Döring, N. (2006). Forschungsmethoden und Evaluation: für Human- und
Sozialwissenschaftler (4th ed.). Heidelberg: Springer.
Bortz, J., & Lienert, G. A. (2008). Kurzgefasste Statistik für die Klinische Forschung. Heidelberg:
Springer.
209
Bortz, J., & Schuster, C. (2010). Statistik für Human- und Sozialwissenschaftler (7th ed.). Berlin,
Heidelberg: Springer.
Bothell, D. (2007). Act-R 6.0 Reference Manual - Working Draft. Retrieved September 23, 2013,
from http://act-r.psy.cmu.edu/actr6/reference-manual.pdf
Boucsein, W. (1991). Arbeitspsychologische Beanspruchungsforschung heute - eine
Herausforderung für die Psychophysiologie. Psychologische Rundschau, 42, 129–144.
Brickenkamp, R., Schmidt-Atzert, L., & Liepmann, D. (2010). d2-R: Test d2-Revision
Aufmerksamkeits- und Konzentrationstest. Göttingen: Hogrefe. Retrieved from
http://www.testzentrale.de/programm/media/downloads/0141301/0141301.pdf
Broadbent, D. E. (1954). The role of auditory localization in attention and memory span. Journal
of Experimental Psychology, 47, 191–196.
Broadbent, D. E. (1958). Perception and communication. London: Pergamon Press.
Broadbent, D. E. (1975). The magical number seven after fifteen years. In A. Kennedy & A. Wilkes
(Eds.), Studies in long term memory (pp. 3–18). Bristol: John Wiley & Sons.
Brooker, P. (2003). Control workload, airspace capacity and future systems. Human Factors and
Aerospace Safety, 3(1), 1–23.
Brookhuis, K. A., & De Waard, D. (2001). Assessment of driver’s workload: Performance and
subjective and physiological indexes. In P. A. Hancock & P. A. Desmond (Eds.), Stress,
workload, and fatigue. Mahwah, NJ: Lawrence Erlbaum.
Brookings, J. B., Wilson, G. F., & Swain, C. R. (1996). Psychophysiological responses to changes in
workload during simulated air traffic control. Biological Psychology, 42(3), 361–77.
Bub, W., & Lugner, P. (1992). Systematik der Modellbildung. In Verein Deutscher Ingenieure
(Ed.), Modellbildung für Regelung und Simulation (pp. 1–43). Düsseldorf: VDI-Verlag.
Buck, S., Biemans, M. C. H., Hilburn, B. G., & Van Woerkom, P. T. L. M. (1996). Synthesis of
functions (NLR Report TR-970545L). Amsterdam: NLR.
Büttner, P. (2010). “Hello Java!” Linking ACT-R 6 with a Java simulation. In D. D. Salvucci & G.
Gunzelmann (Eds.), Proceedings of the 10th International Conference on Cognitive Modeling
(pp. 289–290). Philadelphia: Drexel University.
Byers, J. C., Bittner, A. C., & Hill, S. G. (1989). Traditional and raw task load index (TLX)
correlations: are paired comparisons necessary? In A. Mital (Ed.), Advances in industrial
ergonomics and safety, I (pp. 481–485). London: Taylor & Francis.
Cacciabue, P. C. (1998a). Modelling and simulation of human behaviour for safety analysis and
control of complex systems. Safety Science, 28(2), 97–110.
Cacciabue, P. C. (1998b). Modelling and Simulation of Human Behaviour in System Control.
London: Springer.
210
Cacciabue, P. C., & Hollnagel, E. (1995). Simulation of Cognition: Applications. In J.-M. Hoc, P. C.
Cacciabue, & E. Hollnagel (Eds.), Expertise and Technology: Cognition & Human-Computer
Cooperation (pp. 43–54). Hillsdale, New Jersey: Lawrence Erlbaum Associates Ltd.
Card, S. K., Moran, T. P., & Newell, A. (1983). The Psychology of Human Computer Interaction.
Hillsdale, NJ: Lawrence Erlbaum Associates.
Card, S. K., Moran, T. P., & Newell, A. (1986). The Model Human Processor - An Engineering
Model of Human Performance. In K. R. Boff, L. Kaufmann, & J. P. Thomas (Eds.), Handbook of
Perception and Human Performance, Vol. 2: Cognitive Processes and Performance (pp. 1–35).
Casali, J., & Wierwille, W. (1983). A comparison of rating scale, secondary-task, physiological and
primary task workload estimation techniques in simulated flight task emphazizing
communications load. Human Factors, 25, 623–642.
Chase, W. G., & Simon, H. A. (1973). Perception in chess. Cognitive Psychology, 4, 55–81.
Costa, G. (1993). Evaluation of workload in air traffic controllers. Ergonomics, 36(9), 1111–1120.
Courboulay, M., & Kahn, J. (1996). ATHOS CDG Airport Tower Controller Task Analysis, WP3,
ATHOS/SOF-TEC-W3-006-R1, TR 1005. EUROCONTROL.
Cowan, N. (1998). Visual and auditory working memory capacity. Trends in Cognitive Sciences,
2(3), 77–78.
Cowan, N. (1999). An Embedded-processes Model of Working Memory. In A. Miyake & P. Shah
(Eds.), Models of Working Memory (pp. 62–101). Cambridge: Cambridge University Press.
Cowan, N. (2001). The magical number 4 in short-term memory: a reconsideration of mental
storage capacity. The Behavioral and Brain Sciences, 24(1), 87–114.
Cowan, N. (2010). The Magical Mystery Four: How is Working Memory Capacity Limited, and
Why? Current Directions in Psychological Science, 19(1), 51–57.
Cox, M. (1994a). Task Analysis of selected operating Positions within UK Air Traffic Control Volume
1: Main Report. Farnborough, Hampshire: Royal Air Force Institute of Aviation Medicine.
Cox, M. (1994b). Task Analysis of selected operating Positions within UK Air Traffic Control Volume
2: Appendices. Farnborough, Hampshire: Royal Air Force Institute of Aviation Medicine.
CPN-Tools. (n.d.). The CPN-Tools Webpage. Retrieved from http://cpntools.org/
Crandall, B., Klein, G., & Hoffman, R. R. (2006). Working Minds: A Practioneer’s Guide to Cognitive
Task Analysis. Cambridge: MIT Press.
Cybenko, G., & Brewington, B. (1999). The Foundations of Information Push and Pull. In G.
Cybenko, D. P. O’Leary, & J. Rissanen (Eds.), The Mathematics of Information Coding,
Extraction and Distribution (The IMA Volumes in Mathematics and its Applications Volume
107) (pp. 9–30). New York: Springer.
Daams, J., Blom, H. A. P., & Nijhuis, H. B. (2001). Modelling Human Reliability in Air Traffic
Management (NLR-TP-2001-629). Amsterdam, The Netherlands: National Aerospace
Laboratory NLR.
211
Daneman, M., & Carpenter, P. A. (1980). Individual Differences in Working Memory and Reading.
Journal of Verbal Learning and Verbal Behavior, 19, 450–466.
David, R., & Alla, H. (2010). Discrete, Continuous, and Hybrid Petri Nets. Berlin, Heidelberg:
Springer.
Davidrajuh, R., & Lin, B. (2011). Exploring airport traffic capability using Petri net based model.
Expert Systems with Applications, 38(9), 10923–10931.
De Groot, A. D. (1965). Thought and choice in chess. Mouton: The Hauge.
De Waard, D. (1996). The Measurement of Drivers ’ Mental Workload. Doctoral Dissertation:
University of Groningen.
De Waard, D., Jessurun, M., Steyvers, F. J., & Ragatt, P. T. F. (1995). Effect of road layout and road
environment on driving performance, drivers’ physiology and road appreciation.
Ergonomics, 38(7), 1395–1407.
DeCarlo, L. T. (1997). On the meaning and use of kurtosis. Psychological Methods, 2(3), 292–307.
Dekker, S. W. A., & Hollnagel, E. (2004). Human factors and folk models. Cognition, Technology &
Work, 6(2), 79–86.
Dekker, S. W. A., & Woods, D. D. (2002). MABA-MABA or Abracadabra? Progress on Human-
Automation Co-ordination. Cognition, Technology & Work, 4(4), 240–244.
Desel, J., & Juhás, G. (2001). What is a Petri Net? - Informal Answers for the Informed Reader. In
H. Ehrig & G. Juhás (Eds.), Lecture Notes in Computer Science 2128 (pp. 1–25). Berlin:
Springer.
Desmond, P. A., & Hoyes, T. W. (1996). Workload variation, intrinsic risk and utility in a
simulated air traffic control task: Evidence for compensatory effects. Saftey Science, 22(1),
87–101.
DFS. (2002). Betriebsanweisung Flugverkehrskontrolle. Offenbach am Main: Deutsche
Flugsicherung.
DFS. (2006). Betriebsanweisung Flugverkehrskontrolle. Offenbach am Main: Deutsche
Flugsicherung.
DFS. (2013). Air Traffic Statistics - Annual Summary 2013. Offenbach am Main: Deutsche
Flugsicherung.
Dittmann, A., Kallus, K. W., & Van Damme, D. (2000). Integrated Task and Job Analysis of Air
Traffic Controllers - Phase 3: Baseline Reference of Air Traffic Controller Tasks and Cognitive
Processes in the ECAC Area. EUROCONTROL.
Dörner, D. (2000). Die Logik des Mißlingens - Strategisches Denken in komplexen Situationen
(13th ed.). Reinbek bei Hamburg: Rowohlt Taschenbuch Verlag GmbH.
Dörner, D., & Schaub, H. (1995). Handeln in Unbestimmtheit und Komplexität.
Organisationsentwicklung, 14, 34–47.
212
Duffy, E. (1951). The concept of energy mobilization. Psychological Review, 58, 30–40.
Durso, F. T., Batsakes, P. J., Crutchfield, J. M., Braden, J. B., & Manning, C. a. (2004). The Use of
Flight Progress Strips While Working Live Traffic: Frequencies, Importance, and Perceived
Benefits. Human Factors: The Journal of the Human Factors and Ergonomics Society, 46(1),
32–49.
Durso, F. T., & Manning, C. A. (2008). Air Traffic Control. In M. C. Carswell (Ed.), Reviews of human
factors and Ergonomics, Volume 4 (pp. 195–244). Human Factors and Ergonomics Society.
Dzaack, J. (2008). Analyse Kognitiver Benutzermodelle für die Evaluation von Mensch-Maschine-
Systemen. Doctoral Dissertation: Technische Universität Berlin.
Eggemeier, F. T., & Wilson, G. F. (1991). Performance-based and subjective assessment of
workload in multi-task environments. In D. L. Damos (Ed.), Multiple-task performance (pp.
217–278). London: Taylor & Francis.
Eilers, K., Nachreiner, F., & Hänecke, K. (1986). Entwicklung und Überprüfung einer Skala zur
Erfassung subjektive erlebter Anstrengung. Zeitschrift Für Arbeitswissenschaft, 40(4), 215–
224.
Embrey, D., Humphreys, P., Rosa, E., Kirwan, B., & Rea, K. (1984). SLIM-MAUD: An Approach to
Assessing Human Error Probabilities Using Structured Expert Judgment [NUREG/CR-3518].
New York: Nuclear Regulatory Commission.
Endsley, M. R. (1995). Towards a theory of Situation Awareness in dynamic systems. Human
Factors, 37(1), 32–64.
Endsley, M. R., & Rodgers, M. D. (1994). Situation Awareness Information Requirements for en-
route Air Traffic Control. Oklahola City: Federal Aviation Administration.
Engell, S. (1992). Modellgüte und Regelgüte. In Verein Deutscher Ingenieure (Ed.), Modellbildung
für Regelung und Simulation (pp. 189–207). Düsseldorf: VDI Verlag.
Ericsson, K. A., & Chase, W. G. (1982). Exceptional Memory. American Scientist, 70, 607–615.
ETACHIP. (1996). Model for Task and Job Descriptions of Air Traffic Controllers.
HUM.ET1.ST10.DEL-01: EUROCONTROL.
Fahrenberg, J. (1983). Psychophysiologische Methodik. In K. J. Groffmann & L. Michel (Eds.),
Enzyklopädie der Psychologie. Psychologische Diagnostik (Bd. 4) (pp. 1–192). Göttingen:
Hogrefe.
Federal Aviation Administration. (2011). Air Traffic Control. Federal Aviation Administration.
Fields, B., Amaldi, P., & Tassi, A. (2003). Representing collaborative work: The Airport as Common
Information Space. Technical Report IDC-TR-2003-003.
Fitts, P. M. (1954). The information capacity of the human motor system in controlling the
amplitude of movement. Journal of Experimental Psychology, 47, 381–391.
213
Flach, J. M. (2008). Mind the Gap: A skeptical view of Macrocognition. In J. M. Schraagan, L. G.
Militello, T. Ormerod, & R. Lipshitz (Eds.), Naturalistic Decision Making and Macrocognition
(pp. 27–40). Aldershot: Ashgate.
Fleid, A. (2009). Discovering Statistics using SPSS (3rd ed.). London: SAGE Publications Ltd.
Flemisch, F., Meier, S., Neuhöfer, J., Baltzer, M., Altendorf, E., & Özyurt, E. (2012). Kognitive und
kooperative Systeme in der Fahrzeugführung: Selektiver Rückblick über die letzten
Dekaden und Spekulation über die Zukunft. In D. Soeffker & A. Kluge (Eds.), Kognitive
Systeme. Duisburg: DuEPublico, Duisburg-Essen Publication.
Frese, M., & Zapf, D. (1994). Action as the Core of Work Psychology - A German Approach. In H. C.
Triandis, M. D. Dunnette, & L. M. Hough (Eds.), Handbook of Industrial and Organizational
Psychology (2nd ed., pp. 272–340). Palo Alto, CA: Consulting Psychologists Press.
Fürstenau, N., Schmidt, M., Rudolph, M., Möhlenbrink, C., Papenfuß, A., & Kaltenhäuser, S. (2009).
Steps Towards the Virtual Tower: Remote Airport Traffic Control Center (RAiCe). In ENRI
International Workshop on ATM/CNS. Tokyo, Japan.
Gigerenzer, G., Todd, P. M., & ABC Research Group. (1999). Simple heuristics that make us smart.
Oxford: Oxford University Press.
Glass, G. V., Peckham, P. D., & Sanders, J. R. (1972). Consequences of failure to meet assumptions
underlying the fixed effects analyses of variance and covariance. Review of Educational
Research, 42, 237–228.
Gopher, D., & Donchin, E. (1986). Workload - An examination of the concept. In K. R. Boff, L.
Kaufman, & J. P. Thomas (Eds.), Handbook of perception and human performance (pp. 41–1–
41–49). New York: Wiley.
Gore, B. F., Hooey, B. L., Foyle, D. C., & Scott-Nash, S. (2008). Meeting the Challenge of Cognitive
Human Performance Model Interpretability Through Transparency : MIDAS v5 . x. In 2nd
International Conference on Applied Human Factors and Ergonomics. Las Vegas.
Gray, W. D., John, B. E., & Atwood, M. E. (1992). The Precis of Project Ernestine or An Overview of
a Validation of GOMS. In Proceedings of the CHI 1992 (pp. 307–312).
Green, D. M., & Sweets, J. A. (1966). Signal Detection Theory and Psychophysics. New York: Wiley.
Hacker, W. (1986). Arbeitspsychologie. Berlin: VEB Deutscher Verlag der Wissenschaften.
Hacker, W. (2005). Allgemeine Arbeitspsychologie. Psychische Regulation von Arbeitstätigkeiten
(2nd ed.). Bern: Huber.
Hagemann, T. (2000). Belastung, Beanspruchung und Vigilanz in der Flugsicherung - unter
besonderer Berücksichtigung der Towerlotsentätigkeit. Frankfurt am Main: Lang.
Halbrügge, M. (2013). ACT-CV: Bridging the Gap between Cognitive Models and the Outer World.
In E. Brandenburg, L. Doria, A. Gross, T. Günzler, & H. Smieszek (Eds.), Tagungsband der 10
Berliner Werkstatt Mensch-Maschine-Systeme (pp. 204–210). Berlin: Universitätsverlag der
Technischen Universität Berlin.
214
Hanson, E. K. S., Schellekens, J. M. H., Veldman, J. B. P., & Mulder, L. J. M. (1993). Psychomotor and
cardiovascular consequences of mental effort and noise. Human Movement Science, 12(6),
607–626.
Hart, S. G., & Staveland, L. E. (1986). Development of NASA-TLX (Task Load Index): Results of
Empirical and Theoretical Research. Moffett Field, CA: NASA-Ames Research Center.
Harwell, M. R., Rubinstein, E. N., Hayes, W. S., & Olds, C. C. (1992). Summarizing monte carlo
results in methodological research: The one- and two-factor fixed effects ANOVA cases.
Journal of Educational and Behavioral Statistics, 17(4), 315–339.
Henderson, P. R., Bakal, D. A., & Dunn, B. E. (1990). Cardiovascular response pattern and speech:
a study of air traffic controllers. Psychosomatic Medicine, 52, 17–26.
Heuer, H. (1996). Doppeltätigkeiten. In O. Neumann & F. Sanders (Eds.), Aufmerksamkeit.
Enzyklopädie der Psychologie. BandC/II/2 (pp. 163–218). Göttingen: Hogrefe.
Hockey, G. R. J. (1997). Compensatory control in the regulation of human performance under
stress and high workload: A cognitive-energetical framework. Biological Psychology, 45, 73–
93.
Hockey, R. (1984). Varieties of attentional state: The effect of environment. In R. Parasuraman &
D. R. Davies (Eds.), Varieties of Attention1 (pp. 449–484). Orlando: Academic Press.
Hollnagel, E. (1992). Coping, Coupling and Control - The Modelling of Muddling Through. In 2nd
Interdisciplinary Workshop on Mental Models. Robinson College, Cambridge, UK.
Hollnagel, E. (1993a). Human Reliability Analysis: Context and Control. London: Academic Press
Ltd.
Hollnagel, E. (1993b). Requirements for dynamic modelling of man-machine interaction. Nuclear
Engineering and Design, 144, 375–384.
Hollnagel, E. (1998). Cognitive Reliabiliy and Error Analysis Method - CREAM (1st ed.). Oxford:
Elsevier Science Ltd.
Hollnagel, E. (2009). The ETTO Principle: Efficiency-Thoroughness Trede-Off – Why things that go
right sometimes go wrong. Farnham: Ashgate.
Hollnagel, E. (2012). The ETTO principle as ETTOing – or Occam ’ s Razor redux. In D. De Waard,
K. Brookhuis, F. Dehais, C. Weikert, S. Röttger, D. Manzey, … P. Terrier (Eds.), Human
Factors: a view from an integrative perspective (Proceedings HFES Europe Chapter
Conference Toulouse).
Hollnagel, E., & Woods, D. D. (1983). Cognitive Systems Engineering: New wine in new bottles.
International Journal of Man-Machine Studies, 18, 583–600.
Hollnagel, E., & Woods, D. D. (2005). Joint Cognitive Systems - Foundations of Cognitive Systems
Engineering. Boca Raton: Taylor & Francis.
Hollnagel, E., Woods, D. D., & Leveson, N. G. (2006). Resilience Engineering - Concepts & Percepts.
Aldershot: Ashgate.
215
Hope, R. M., Schoelles, M. J., & Gray, W. D. (2013). Connecting ACT-R to the World with JSON over
TCP. In R. West & T. Stewart (Eds.), Proceedings of the 12th International Conference on
Cognitive Modeling (pp. 354–355). Ottawa: Carleton University.
Hopp, P., & Hayne, S. C. (2002). Literature Review of Shared Cognition. College of Business,
Colorado State University, Fort Collins, CO.
Hörhold, M. (1994). Zur Psychophysiologie der Belastungsreaktion. Verlaufsanalysen zum Einfluss
psychologischer versus physikalischer Situationsmerkmale und psychologischer versus
physiologischer Personenmerkmale. Frankfurt am Main, Berlin, Bern: Lang.
Hörhold, M., & Walschburger, P. (1998). Depressive Störung als Ausdruck misslingender
Handlungskontrolle. Überprüfung einer psychophysiologischen Belastungsdiagnostik.
Zeitschrift Für Klinische Psychologie, 26(1), 31–37.
Huber, S. (2012). Optimierung des Funktionsumfanges von Airport Moving Maps durch Analyse
von Runway Incursions. Doctoral Dissertation: Technische Universität Berlin.
Human-Factors-Consult. (2009). Virtual Control Tower Research Study: Bericht AP1 –
Aufgabenanalyse. Deutsche Flugsicherung.
ICAO4444. (2007). Air Traffic Management - procedures for air navigation services (Document
444 ATM/501) (15th ed.). International Civil Aviation Organisation.
ICAO-9426. (1984). Air traffic services planning manual (1st ed.). International Civil Aviation
Organisation.
Jackson, A. (1989). The role of the controller in future ATC systems with enhanced information
processing capabilities (EEC Report No 224).
Jensen, K. (1997a). Coloured Petri Nets - Basic Concepts, Analysis Methods and Practical Use
Volume 1: Basic Concepts (2nd ed.). Berlin, Heidelberg: Springer.
Jensen, K. (1997b). Coloured Petri Nets - Basic Concepts, Analysis Methods and Practical Use
Volume 2: Analysis Methods (2nd ed.). Berlin, Heidelberg: Springer.
Jensen, K. (1997c). Coloured Petri Nets - Basic Concepts, Analysis Methods and Practical Use
Volume 3: Practical Use (2nd ed.). Berlin, Heidelberg: Springer.
Jensen, K. (1998). An introduction to the practical use of coloured Petri Nets. Lecture Notes in
Computer Science Volume, 1492, 237–292.
Jensen, K., & Kristensen, L. M. (2009). Coloured Petri Nets: Modelling and Validation of Concurrent
Systems. Berlin Heidelberg: Springer.
Jensen, K., Kristensen, L. M., & Wells, L. (2007). Coloured Petri Nets and CPN Tools for modelling
and validation of concurrent systems. International Journal on Software Tools for
Technology Transfer, 9(3-4), 213–254.
Johannsen, G., Moray, N., Pew, R., Rasmussen, J., Sanders, A., & Wickens, C. (1979). Final Report of
the Experimental Psychology Group. In N. Moray (Ed.), Mental Workload (vol. 8). New York:
Plenum Press.
216
John, B. E., & Kieras, D. E. (1994). The GOMS Family of Analysis Techniques : Tools for Design and
Evaluation. In ACM Transactions on Computer-Human Interaction.
Jorna, P. G. A. M. (1992). Spectral analysis of heart rate and psychological state: A review of its
validity ans a workload index. Biological Psychology, 34, 237–257.
Jürgensohn, T. (1997). Hybride Fahrermodelle. Sinzheim: Pro Universitate.
Jürgensohn, T. (2002). Bedienermodellierung. In K.-P.- Timpe, T. Jürgensohn, & H. Kolrep (Eds.),
Mensch-Maschine-Systemtechnik (pp. 107–149). Düsseldorf: Symposion.
Jürgensohn, T., Niessen, C., & Leuchter, S. (2002). Bedienermodellierung: Beispiele. In K.-P.
Timpe, T. Jürgensohn, & H. Kolrep (Eds.), Mensch-Maschine-Systemtechnik (pp. 149–177).
Symposion.
Kahnemann, D. (1973). Attention and Effort. Englewood Cliffs, N.J.: Prentice Hall.
Kahnemann, D., Slovic, P., & Tversky, A. (1982). Judgement under uncertainty: Heuristics and
biases. New York: Cambridge University Press.
Kallus, K. W., Van Damme, D., & Dittmann, A. (1999). Integrated Task and Job Analysis of Air
Traffic Controllers - Phase 2: Task Analysis of En-route Controllers (HUM.ET1.ST01.1000-REP-
04). EUROCONTROL.
Kantowitz, B. H., & Sorkir, R. D. (1983). Human factors: Understanding people-system
relationships. New York: Wiley.
Karrer-Gauß, K. (2012). Prospektive Bewertung von Systemen zur Müdigkeitserkennung:
Ableitung von Gestaltungsempfehlungen zur Vermeidung von Risikokompensation aus
empirischen Untersuchungen. Doctoral Dissertation: Technische Universität Berlin.
Kerr, B. A., & Langolf, G. D. (1977). Speed of Aiming Movements. Quarterly Journal of
Experimental Psychology, 29, 475–481.
Kiekel, P. A., & Cooke, N. J. (2004). Human Factors Aspects of Team Cognition. In L. V. Kim-
Phuong & R. W. Proctor (Eds.), Handbook of Human Factors in Web Design (pp. 107–126).
Boca: CRC Press.
Kieras, D. E. (1996). A Guide to GOMS Model Usability Evaluation using NGOMSL.
Kieras, D. E., & Meyer, D. E. (1997). An overview of the EPIC architecture for cognition and
performance with application to human-computer interaction. Human-Computer
Interaction, 12, 391–438.
Kindsmüller, M. C., Leuchter, S., Schulze-Kissing, D., & Urbas, L. (2004). Modellierung und
Simulation menschlichen Verhaltens als Methode der Mensch-. MMI-Interaktiv, (7), 4–16.
Kirwan, B., & Ainsworth, L. K. (1992). A Guide to Task Analysis. London: Taylor & Francis.
Klapp, S. T., Marshburn, E. A., & Lester, P. T. (1983). Short-term memory does not involve the
“working memory” of information processing: The demise of a common assumption.
Journal of Experimental Psychology: General, 112, 240–264.
217
Klein, D. E., Klein, H. A., & Klein, G. (2000). Macrocognition: Linking Cognitive Psychology and
Cognitive Ergonomics. In Proceedings of the 5th International Conference on Human
Interactions with Complex Systems (pp. 173–177). Urbana-Champaign: University of Illinois
Urbana-Champaign.
Klein, G. (2008). Naturalistic Decision Making. Human Factors: The Journal of the Human Factors
and Ergonomics Society, 50(3), 456–460.
Klein, G., & Crandall, B. W. (1995). The role of mental simulation in naturalistic decision making.
In J. M. Flach, P. Hancock, J. Caird, & K. Vicente (Eds.), The ecology of human-machine
systems (pp. 324–358). Hillsdale, NJ: Lawrence Erlbaum Associates.
Klein, G., Moon, B., & Hoffmann, R. R. (2006). Making sense of sensemaking 2: A macrocognitive
model. In IEEE Intelligent Systems (pp. 88–92).
Klein, G., Ross, K. G., Moon, B. M., Klein, D. E., Hoffman, R. R., & Hollnagel, E. (2003).
Macrocognition. IEEE Intelligent Systems, 81–85.
Knuth, D. E. (1997). The Art of Computer Programming, Vol. 1 - Fundamental Algorithms (3rd ed.).
Amsterdam: Addison-Wesley.
Koros, A., Della Rocco, P. S., Panjwani, G., Ingurgio, V., & D’Arcy, J.-F. (2003). Complexity in Air
Traffic Control Towers: A Flied Study. Part 1. Complexity Factors (DOT/FAA/CT-TN03/14).
Atlantic City: Federal Aviataion Administration.
Koros, A., Della Rocco, P. S., Panjwani, G., Ingurgio, V., & D’Arcy, J.-F. (2006). Complexity in Airport
Traffic Control Towers: A Field Study. Part 2. Controller Strategies and Information
Requirements (DOT/FAA/TC-06/22). Atlantic City: Federal Aviataion Administration.
Kosicki, D. (2011). Der Einfluss von Testszenarien auf die Bewertung von Usability. Thesis:
Philipps-Universität Marburg.
Kovács, A., Németh, E., & Hangos, K. M. (2005). Modeling and Optimization of Runway Traffic
Flow Using Coloured Petri Nets. In International Conference on Control and Automation
(ICCA) (pp. 881–886). Budapest, Hungary.
Kramar, A. F. (1993). Physiological metrics of Mental Workload: A review of recent progress. In
Psychophysiology of Mental Workload (Schriftenreihe der Bundesanstalt für Arbeitsmedizin,
Sonderschrift 2) (pp. 2–34).
Kramar, A. F., & Spinks, J. (1991). Capacity views of human information processing. In J. R.
Jennings & M. Coles (Eds.), Handbook of cognitive psychology: Central and autonomic
nervous system approaches (pp. 179–249). New York: Wiley.
Lacey, J. I. (1967). Somatic response patterning and stress: Some revisions of activation theory.
In M. Appley & R. Trumbull (Eds.), Psychological stress: Issues in research. New York:
Appleton Century Crofts.
Lacey, J. I., & Lacey, B. C. (1978). Two-way communication between the heart and the brain:
Significance of time within the cardiac circle. In E. Meyer & J. Brady (Eds.), Research in the
psychology of human behavior. Baltimore: John Hopkins University Press.
Laird, J. E. (2012). The Soar Cognitive Architecture. Massachusetts Institute of Technology.
218
Laird, J. E., Newell, A., & Rosenbloom, P. S. (1987). SOAR: An Architecture for General
Intelligence. Artifical Intelligence, 33, 1–64.
Langley, P., Laird, J. E., & Rogers, S. (2006). Cognitive Architectures: Research Issues and
Challenges, Computational Learning. Laboratory, CSLI: Stanford University.
Laurig, W., Becker-Biskaborn, G. U., & Reiche, D. (1971). Software problems in analyzing
physiological and work study data. Ergonomics, 14, 625–631.
Lebiere, C., & Anderson, J. R. (2001). Multi-Tasking and Cognitive Workload in an ACT-R Model of
a Simplified Air Traffic Control Task. In Proceedings of the Tenth Conference on Computer
Generated Forces and Behavioral Representation (pp. 1–8).
Lee, K., Feron, E., & Pritchett, A. (2007). Air Traffic Ccomplexity: An Input-Output Approach. In
American Control Conference 2007 ACC07 (pp. 474–479).
Lesire, C., & Tessier, C. (2005). Particle Petri Nets for Aircraft Procedure Monitoring Under
Uncertainty. In G. Ciardo & P. Darondeau (Eds.), ICATPN 2005, LNCS 3536 (pp. 329–348).
Berlin Heidelberg: Springer.
Leuchter, S. (2009). Software Engineering Methoden für die Bedienermodellierung in dynamischen
Mensch-Maschine-Systemen. Doctoral Dissertation: Technische Universität Berlin.
Lim, K. Y., & Long, J. B. (1994). The MUSE Method for Usability Engineering. Cambridge:
Cambridge University press.
Lindblom, C. E. (1959). The science of “muddling through.” Public Administration Quarterly, 19,
79–88.
Lindsley, D. B. (1951). Emotions. In S. Stevens (Ed.), Handbook of experimental psychology. New
York: Wiley.
Loft, S., Sanderson, P., Neal, A., & Mooij, M. (2007). Modeling and Predicting Mental Workload in
En Route Air Traffic Control - Critical Review and Broader Implications. Human Factors,
49(3), 376–399.
Logie, R. H. (1986). Visuo-spatial processing in working memory. Quarterly Journal of
Experimental Psychology A, 38, 229–274.
Mackay, W. E. (2000). Is Paper Safer ? The Role of Paper Flight Strips in Air Traffic Control.
Aviation, 6(4), 311–340.
Manning, C., Fox, C., & Pfleiderer, E. (2003). Relationships between Measures of Air Traffic
Controller Voice Communications, Taskload and Traffic Complexity. In Proceedings of the
5th USA/Europe Air Traffic Management R&D Seminar.
Manning, C., Mills, S., Fox, C., Pfleiderer, E., & Mogilka, H. (2001). The Relationship Between Air
Traffic Control Communication Events and Measures of Controller Taskload and Workload.
In Proceedings of the 4th USA/Europe Air Traffic Management R&D Seminar.
Manske, P. (2013). Generic Airport Petri Net Model (Unveröffentlichter Report). Braunschweig:
Deutsches Zentrum für Luft- und Raumfahrt.
219
Manske, P., Smieszek, H., Hasselberg, A., & Möhlenbrink, C. (2013). Entwicklung eines
generischen Flughafen-Modells für die effizientere Makrokognitive Modellierung des
Mensch-Maschine-Systems der Flughafenverkehrskontrolle mit farbigen Petri-Netzen. In E.
Brandenburg, L. Doria, A. Gross, T. Günzler, & H. Smieszek (Eds.), Proceedings of the 10th
Berlin Workshop on Human-Machine Systems: Foundations and Applications of Human-
Machine Interaction (pp. 497–504). Berlin: Universitätsverlag der Technischen Universität
Berlin.
Manske, P., von Schlippe, M., Lange, M., & Möhlenbrink, C. (2013). Expertenbefragung: Erfassung
der situationsbezogenen Wichtigkeit von Informationsquellen am Towerlotsenarbeitsplatz.
In E. Brandenburg, L. Doria, A. Gross, T. Günzler, & H. Smieszek (Eds.), Tagungsband der 10
Berliner Werkstatt Mensch-Maschine-Systeme (pp. 490–496). Berlin: Universitätsverlag der
Technischen Universität Berlin.
Manzey, D. (1988). Determinanten bei Doppeltätigkeiten und ressourcentheoretische
Modellvorstellung in der kognitiven Psychologie (DFVL-FB 88.). Köln: Deutsche
Forschungsanstalt für Luft- und Raufahrt.
Manzey, D. (1998). Psychophysiologie mentaler Beanspruchung. In F. Rösler (Ed.), Ergebnisse
und Anwendungen der Psychophysiologie (Enzyklopädie der Psychologie), C, Serie I, Bd. 5)
(pp. 799–864). Göttingen: Hogrefe.
Marti, P. (1998). Structured task analysis in complex domains. Ergonomics, 41(11), 1664–1677.
Marti, P. (2000). The Choice of the Unit of Analysis for Modelling Real Work Settings. Cognition,
Technology & Work, 2(2), 62–74.
McElree, B. (2001). Working Memory and Focal Attention. Journal of Experimental Psychology:
Learning, Memory and Cognition, 27(3), 817–835.
McKenzie, I. S. (1992). Fitts’ Law as a Research and Design Tool in Human-Computer Interaction.
Human-Computer Interaction, 7, 91–193.
Mensen, H. (2004). Moderne Flugsicherung: Organisation, Verfahren, Technik. Berlin: Springer.
Merz, W. (2007). Flugsicherung – was ist das? (Praktikantenhandbuch). Deutsche Flugsicherung.
Metalis, S. A. (1991). Heart Period as a Useful Index of Pilot Workload in Commercial Transport
Aircraft. The International Journal of Aviation Psychology, 1(2), 107–116.
Meyer, D. E., & Kieras, D. E. (1997). A computational theory of executive control processes and
human multiple-task performance: Part 1. Basic Mechanisms. Psychological Review, 104, 3–
65.
Miller, G. A. (1956). The Magical Number Seven, Plus or Minus Two: Some Limits on our Capacity
for Processing Information. Psychological Review, 62, 81–97.
Miller, G. A., Galanter, E. G., & Pribram, K. H. (1960). Plans and the structure of behaviour. New
York: Rinehart and Winston.
Miller, S. (2001). Workload Measures. University of Iowa.
220
Mogford, R. H., Guttman, J. A., Morrow, S. L., & Kopardekar, P. (1995). The complexity construct in
air traffic control: A review and synthesis of the literature (DOT/FAA/CT-TN95/22). Federal
Aviataion Administration.
Möhlenbrink, C. (2011). Modellierung und Analyse von menschlichen Entscheidungsheuristiken
mit farbigen Petrinetzen. Doctoral Dissertation: Technische Universität Braunschweig.
Möhlenbrink, C., & Friedrich, M. (2009). RemoteCenter: Eine Mikrowelt zur Analyse der
mentalen Repräsentation von zwei Flughäfen während einer Lotsentätigkeitsaufgabe. In 8.
Berliner Werkstatt Mensch-Maschine-Systeme (pp. 361–366).
Möhlenbrink, C., Manske, P., & Kirlik, A. (2012). An analysis of a ground traffic control decision
support system based on the 3-step principle of heuristic decision making. In D. de Waard,
K. Brookhuis, F. Dehais, C. Weikert, S. Röttger, D. Manzey, … P. Trrier (Eds.), Human Factors:
a view from an integrative perspective (Proceedings HFES Europe Chapter Conference
Toulouse).
Moray, N. (1979). Models and Measures of Mental Workload. In N. Moray (Ed.), Mental Workload
(Vol. 8.). New York: Plenum Press.
Moray, N. (1986). Modeling Cognitive Activities: Human Limitations in Relation to Computer
Aids. In E. Hollnagel, G. Mancini, & D. D. Woods (Eds.), Intelligent Decision Support in Process
Environments (NATO Advanced Study Institute F21) (pp. 273–291). Berlin: Springer.
Muckler, F. A., & Seven, S. A. (1992). Selecting performance measures: “objective” versus
“subjective” measurement. Human Factors, 34, 441–455.
Mulder, G. (1980). The heart and mental effort. Groningen: University of Groningen.
Myung, J. (2000). The importance of complexity in model selection. Journal of Mathematical
Psychology, 44(1), 190–204.
Navon, D., & Gopher, D. (1979). On the economy of the human-processing system. Psychological
Review, 26, 117–163.
Neisser, U. (1979). Kognition und Wirklichkeit. Stuttgart: Klett.
Nerdinger, F. W., Blickler, G., & Schaper, N. (2008). Arbeits- und Organisationspsychologie.
Heidelberg: Springer.
Newell, A. (1990). Unified Theories of Cognition. Cambridge, MA: Harvard University Press.
Newton, R. (2002). Parameters dehind “nonparametric” statistics: Kendall’s tau, Somers' D and
median differences. The Stata Journal, 2(1), 45–64.
Nickel, P., Eilers, K., Seehase, L., & Nachreiner, F. (2002). Zur Reliabilität, Validität, Sensitivität
und Diagnostizität von Herzfrequenz- und Herzfrequenzvariabilität als Indikatoren
pyschischer Beanspruchung. Zeitschrift Für Arbeitswissenschaft, (56), 22–36.
Niessen, C., & Eyferth, K. (2001). A model of the air traffic controller’s picture. Safety Science, 37,
187–202.
221
Niessen, C., Eyferth, K., & Bierwagen, T. (1999). Modelling cognitive processes of experienced air
traffic controllers. Ergonomics, 42(11), 1507–1520.
Niessen, C., Leuchter, S., & Eyferth, K. (1998). A Psychological Model of Air Traffic Control and Its
Implementation. In Proceedings of the Second European Conference on Cognitive Modelling
(ECCM) (pp. 104–111). Berlin: Nottingham University Press.
Nolan, M. S. (2011). Fundamentals of Air Traffic Control (5th Ed.). Belmont, USA: Brooks/Cole -
Thomson Learning.
Norman, D., & Bobrow, D. (1975). On data-limited and ressource-limited processes. Journal of
Cognitive Psychology, 7, 44 – 64.
O’Donnell, R. D., & Eggemeier, F. T. (1986). Workload assessment methodology. In K. R. Boff, L.
Kaufman, & J. P. Thomas (Eds.), Handbook of perception and human performance. Volume II,
cognitive processes and performance. (pp. 42/1–42/49). New York: Wiley.
Oberauer, K., & Bialkova, S. (2009). Accessing information in working memory: can the focus of
attention grasp two elements at the same time? Journal of Experimental Psychology:
General, 138(1), 64–87.
Oberauer, K., Süß, H.-M., Schulze, R., Wilhelm, O., & Wittmann, W. W. (2000). Working memory
capacity - facets of a cognitive ability construct. Personality and Individual Differences, 29,
1017–1045.
Oberauer, K., Süß, H.-M., Wilhelm, O., & Wittman, W. W. (2003). The multiple faces of working
memory : Storage, processing, supervision, and coordination. Intelligence, 31, 167–193.
Oberheid, H. (2006). A coloured Petri net model of cooperative arrival planning in air traffic
control. In CPN’06 - Seventh Workshop and Tutorial on Practical Use of Coloured Petri Nets
and CPN Tools. Aarhus, Denmark.
Oberheid, H., & Söffker, D. (2008). Cooperative Arrival Management in Air Traffic Control - A
Coloured Petri Net Model of Sequence Planning. In K. M. van Hee & R. Valk (Eds.), Petri Nets
(pp. 348–367). Berlin, Heidelberg: Springer.
Öhme, A., & Schulz-Rückert, D. (2010). Distant Air Traffic Control for Regional Airports. In F.
Vanderhaegen (Ed.), 11th IFAC, IFIP, IFORS, IEA Symposium on Analysis, Design, and
Evaluation of Human-Machine Systems (pp. 141–145). Université de Valenciennes et du
Hainaut Cambrésis, France.
Paul, S., Zografos, K., & Hesselink, H. (2000). MANTEA Final report MANTEA/ISR-DOC-D83-137-
R1, TR 1036.
Pawlak, W. S., Brinton, C. R., Crouch, K., & Lancaster, K. M. (1996). A Framework for the
Evaluation of Air Traffic Control Complexity. In Proceedings of the AIAA Guidance,
Navigation and Control Conference. San Diego.
Peterken, C., Brown, B., & Bowman, K. (1991). Predicting the future position of a moving target.
Perception, 20, 5–16.
Petri, C. A. (1962). Kommunikation mit Automaten. Bonn: Institut für Instrumentelle Mathematik,
Schriften des IIM Nr. 2.
222
Pinska, E. (2006). An investigation of the head-up time at tower and ground control positions. In
5th Eurocontrol Innovative Research Workshop (pp. 81–86).
Pinska, E. (2008). Analysis of Visual Attention in Augmented Reality Environments for Airport
Tower Control. Doctoral Dissertation: École Pratique des Hautes Études.
Pinska, E., & Bourgois, M. (2005). Behavioural Analysis of the Tower Controller Activity. Brétigny-
sur-Orge, France.
Pinska, E., & Tijus, C. (2007). Augmented Reality Technology For Control Tower Analysis Of
Applicability Based On The Field Study. In 1st CEAS European Air and Space Conference (pp.
573–580).
Polson, M. C., & Friedman, A. (1988). Task-sharing within and between hemispheres: A multiple-
resources approach. Human Factors, 30, 633–643.
Pompanon, C., & Raufaste, E. (2009). The Intervention Trigger Model: Computational Modelling
of Air Traffic Control. In Proceedings of the 2009 Annual Meeting of the Cognitive Science
Society (pp. 2262–2267).
Posner, M. I., Snyder, C. R., & Davidson, B. J. (1980). Attention and the detection of signals. Journal
of Experimental Psychology: General, 109, 160–174.
Preim, B., & Dachselt, R. (2010). Interaktive Systeme - Band 1. Heidelberg: Springer.
Pribram, M. C., & McGuniess, D. (1975). Arousal, activation and effort in the control of attention.
Psychological Review, 82, 116–149.
Rantanen, E. M., & Nunes, A. (2005). Hierarchical Conflict Detection in Air Traffic Control. The
International Journal of Aviation Psychology, 15(4), 339–362.
Rasmussen, J. (1983). Skills, Rules, and Knowledge; Signals, Signs, and Symbols, and Other
Distinctions in Human Performance Models. IEEE Transactions on Systems, Man, and
Cybernetics, 13(3), 257–266.
Ratzer, A. V., Wells, L., Lassen, H. M., Laursen, M., Qvortrup, J. F., Stissing, M. S., … Jensen, K.
(2003). CPN Tools for Editing, Simulating, and Analysing Coloured Petri Nets. Lecture Notes
in Computer Science, 2679, 450–462.
Raufaste, E. (2006). ATC in ACT-R: A model of conflict detection between planes. In Proceedings
of the thirteenth annual ACT-R workshop (pp. 102–107). Pittsburgh.
Reason, J. (1991). Human Error. Cambridge: Cambridge University Press.
Redding, R. E., & Seamster, T. L. (1994). Cognitive task analysis in air traffic controller and
aviation crew training. In N. Johnston, N. McDonald, & R. Fuller (Eds.), Aviation Psychology
in Practice (pp. 190–222). Aldershot: Averbury Technical.
Reisig, W. (1982). Petri Nets: An Introduction. Berlin, Heidelberg, New York: Springer.
Reisig, W. (2010). Petrinetze: Modellierungstechnik, Analysemethoden, Fallstudien. Wiesbaden:
Vieweg + Teubner.
223
Ribback, S. (2003). Psychophysiologische Untersuchung mentaler Beanspruchung in simulierten
Mensch-Maschine-Interaktionen. Doctoral Dissertation: Universität Potsdam.
Richter, P., Wagner, T., Heger, R., & Wiese, G. (1998). Psychophysiological analysis of mental load
during driving on rural roads: A quasi-experimentel field study. Ergonomics (Special Issue:
Psychophysiology in Erfonomics), 41(5), 593–609.
Robbins, T. W. (1997). Arousal systems and attentional. Biological Psychology, 45, 57–71.
Robbins, T. W., & Everitt, B. J. (1994). Arousal systems and attention. In M. S. Gazzaniga (Ed.), The
cognitive neurosciences (pp. 703–720). London: MIT Press.
Roberts, S., & Pashler, H. (2000). How persuasive is a good fit? A comment on theory testing.
Psychological Review, 107(2), 358–367.
Röbig, A., König, C., & Hofmann, T. (2010). Entwicklung eines Low-Cost-Towersimulators zur
Evaluation arbeitswissenschaftlicher Fragestellungen. In USEWARE 2010 - Grundlagen,
Methoden, Technologien (pp. 67–76). Baden-Baden: VDI-Berichte 2009.
Rohmert, W. (1984). Das Belastungs-Beanspruchungs-Konzept. Zeitschrift Für
Arbeitswissenschaft, 38, 193–200.
Rohmert, W., & Rutenfranz, J. (1972). Benutzerhandbuch zu den Untersuchungen zur
psychophysiologischen Belastung und Beanspruchung von Fluglotsen. Institut für
Arbeitswissenschaft: Technische Hochschule Darmstadt.
Roscoe, A. H. (1992). Assessing Pilot Workload - Why measure Heart-Rate, HRV and Respiration.
Biological Psychology, 34(2-3), 223–228.
Roscoe, A. H. (1993). Heart-Rate as a Psychophysiological Measure for in-Flight Workload
Assessment. Ergonomics, 36(9), 1055–1062.
Rose, R. M., & Fogg, L. F. (1993). Definition of a responder. Analysis of behavioral, cardiovascular
and endocrine response to varied workload in air traffic controllers. Psychosomatic
Medicine, 55, 325–338.
Roske-Hofstrand, R. J., & Murphy, E. D. (1998). Human Information Processing in Air Traffic
Control. In M. W. Smolensky & E. S. Stein (Eds.), Human Factors in Air Traffic Control (pp.
65–114). San Diego: Academic Press.
Rossi, M., Gonnord, C., Paul, S., Darche, N., Mariano, P., Paggio, R., … Naves, P. (1996). MANTEA
Domain Models, WP3, MANTEA/ALE-TEC-D3.2-014-R4, TR 1036, Telematics Application
Programme, (Transport/Air).
Rouse, W. B., Edwards, S. L., & Hammer, J. M. (1993). Modelling the dynamics of mental workload
and human performance in complex systems. IEEE Transactions on Systems, Man, and
Cybernetics, 23, 1662–1671.
Ruckdeschel, W. (1997). Modellierung regelbasierten Pilotenverhaltens mit Petrinetzen.
Düsseldorf: VDI Verlag.
224
Ruckdeschel, W., & Onken, R. (1994). Modelling of Pilot Behaviour Using Petri Nets. In R. Valette
(Ed.), Lecture Notes in Computer Science Vol. 815: Application and Theory of Petri Nets (pp.
436–453). Berlin Heidelberg: Springer.
Russwinkel, N., Urbas, L., & Thüring, M. (2011). Predicting temporal errors in complex task
environments: A computational and experimental approach. Cognitive Systems Research,
12(3-4), 336–354.
Salvucci, D. D., & Lee, F. J. (2003). Simple cognitive modeling in a complex cognitive architecture.
In Proceedings of the conference on Human factors in computing systems - CHI ’03. New York,
New York, USA: ACM Press.
Sanders, A. F. (1983). Towards a model of stress and human performance. Acta Psychologica, 53,
61–97.
Sanders, M. S., & McCormick, E. J. (1993). Human factors in engineering and design. New York:
McGraw-Hill.
Sarris, V., & Reiß, S. (2005). Kurzer Leitfaden der Experimentalpsychologie. München: Pearson
Studium.
Schmidt, D. K. (1976). On modeling ATC workload and sector capacity. Journal of Aircraft, 13(7),
531–537.
Schmidt, M., Rudolph, M., Werther, B., & Fürstenau, N. (2006). Remote Airport Tower Operation
with Augmented Vision Video Panorama HMI. In 2nd International Conference Research in
Air Transportation ICRAT (pp. 221–230). Belgrade, Serbia.
Schmidtke, H. (1976). Handbuch der Ergonomie. München: Carl Hanser Verlag.
Schmidtke, H. (2002). Vom Sinn und Unsinn der Messung psychischer Belastung und
Beanspruchung. Zeitschrift Für Arbeitswissenschaft, (56), 4–9.
Schunn, C. D., & Wallach, D. (2005). Evaluating Goodness-of-Fit in Comparison of Models to Data.
In Psychologie der Kognition: Reden and Vorträge anlässlich der Emeritierung von Werner
Tack (pp. 115–154). Saarbrücken: University of Saarland Press.
Schwer, H., Furedy, J. J., & Heslegrave, R. (1984). Phasic T-wave and heart rate changes as indices
of mental effort and task incentive. Psychophysiology, 21(3), 326–333.
Shiffrin, R. M., & Schneider, W. (1977). Controlled and automatic human information processing:
II. Perceptual learning, automatic attending and a general theory. Psycological Review, 84,
127–190.
Simon, H. A. (1955). A behavioral model of rational choice. Quarterly Journal of Ergnonimics, 69,
99–118.
Simon, H. A. (1956). Rational choice and the structure of the environment. Psychological Review,
63, 129–138.
Simon, H. A. (1974). How Big Is Chunk ? Science, 183(4124), 482–488.
225
Smieszek, H. (2011). Erstellung eines integrativen Prozessmodells der Aufgaben von
Rollverkehrslotsen auf Grundlage bestehender Aufgabenanalysen. In 1. interdisziplinären
Workshop “Kognitive Systeme”: Mensch, Teams, Systeme, Automaten. Duisburg: Universität
Duisburg-Essen.
Smieszek, H., Huber, S., & Jürgensohn, T. (2011). Ein integratives Prozessmodell der
Hauptaufgaben von Rollverkehrslotsen als Grundlage zur Modellierung und Simulation. In
9. Berliner Werkstatt Mensch-Maschine-Systeme: Reflexionen und Visionen der Mensch-
Maschine-Interaktion (pp. 429–432). Berlin, Düsseldorf: VDI Verlag.
Smieszek, H., & Joeres, F. (2013). Prospective decision making in a macro-cognitive model of
airport traffic control system (MATriCS) based on coloured petri nets. In E. Brandenburg, L.
Doria, A. Gross, T. Günzler, & H. Smieszek (Eds.), Proceedings of the 10th Berlin Workshop on
Human-Machine Systems: Foundations and Applications of Human-Machine Interaction (pp.
505–512). Berlin: Universitätsverlag der Technischen Universität Berlin.
Smieszek, H., & Karl, C. (2012). An approach to cognitive simulation of air traffic controllers
based on coloured petri nets. In D. Soeffker & A. Kluge (Eds.), Kognitive Systeme. Duisburg:
DuEPublico, Duisburg-Essen Publication.
Smieszek, H., Manske, P., Hasselberg, A., Russwinkel, N., & Möhlenbrink, C. (2013). Cognitive
Simulation of Limited Working Memory Capacity Applied to an Air Traffic Control Task. In
R. West & T. Stewart (Eds.), Proceedings of the 12th International Conference on Cognitive
Modeling (pp. 227–232). Ottawa, Canada: Carleton University.
Smieszek, H., & Russwinkel, N. (2013). Micro-cognition and macro-cognition: trying to bridge the
gap. In E. Brandenburg, L. Doria, A. Gross, T. Günzler, & H. Smieszek (Eds.), Proceedings of
the 10th Berlin Workshop on Human-Machine Systems: Foundations and Applications of
Human-Machine Interaction (pp. 335–341). Berlin: Universitätsverlag der Technischen
Universität Berlin.
Smith, R. C. (1980). Stress, Anxiety and the Air Traffic Control Specialist. Some Conclusions from a
Decade of Research. Oklahoma City: Federal Aviation Administration.
Soede, M., Coeterier, J. F., & Stassen, H. G. (1971). Time analyses of the tasks of approach
controllers in ATC. Ergonomics, 14(5), 591–601.
Sperandio, J.-C. (1969). Les variations du partage des taches entre un operater et son assistant,
en fonction de la charge de travail du systeme. Bulletin Du CERP, 18, 81–98.
Sperandio, J.-C. (1978). The Regulation of Working Methods as a Function of Workload among
Air Traffic Controllers. Ergonomics, 21(3), 195–202.
Staal, M. A. (2004). Stress, Cognition, and Human Performance: A Literature Review and
Conceptual Framework. Moffett Field, CA: National Aeronautics and Space Administration.
Stein, E. S. (1998). Human Operator Workload in Air Traffic Control. In M. W. Smolensky & E. S.
Stein (Eds.), Human Factors in Air Traffic Control (pp. 155–183). San Diego: Academic Press.
Stein, E. S., Garland, D. J., & Muller, J. K. (2010). Air-Traffic Controller Memory. In J. A. Wiese, D. V.
Hopkin, & D. J. Garland (Eds.), Handbook of Aviation Human Factors. Boca Raton: CRC Press.
226
Stroeve, S. H., Everdij, M. H. C., & Blom, H. A. P. (2011). Studying hazards for resilience modelling
in ATM - Mathematical Approach towards Resilience Engineering in ATM (MAREA). In 1st
SESAR Innovation Days (pp. 1–8).
Stubbe, T. (2011). Kommunikationssysteme in der Flugverkehrskontrolle. Technische Universität
Berlin: Bachelorarbeit.
Stütz, P. (2000). Adaptive Modellierung des regelbasierten Pilotenverhaltens in
Cockpitassistenzsystemen. Berlin: Dr. Köster.
Sun, R. (2006). The CLARION Cognitive Architecture: Extending Cognitive Modeling to Social
Simulation. In Cognition and Multy-Agent Interaction. New York: Cambridge University
Press.
Svenmarck, P., & Dekker, S. W. A. (2003). Decision support in fighter aircraft: from expert
systems to cognitive modelling. Behaviour & Information Technology, 22(3), 175–184.
Swain, A., & Guttman, H. (1983). Handbook of Human Reliability Analysis with Emphasis on
Nuclear Power Plant Applications [NUREG/CR-1278]. New York: Nuclear Regulatory
Commission.
Szpyrka, M. (2006). Analysis of RTCP-nets with reachability graphs. Fundamenta Informaticae,
74(2-3), 375 – 390.
Szpyrka, M. (2008). Modelling and Analysis of Real-time Systems with RTCP-nets. In V. Kordic
(Ed.), Petri Nets: Theory and Applications (pp. 17–40). Vienna, Austria: I-Tech.
Taatgen, N. A. (2001). A model of individual differences in learning air traffic control. In
Proceedings of the 4th International Conference on Cognitive Modeling (pp. 361–371).
Taatgen, N. A. (2002). A Model of Individual Differences in Skill Acquisitin in the Kanfer-
Ackerman Air Traffic Control Task. Cognitive Systems Research, 3(1), 103–112.
Tattersall, A. J., & Foord, P. S. (1996). An experimental evaluation of instantaneous self-
assessment as a measure of workload. Ergonomics, 39(5), 740–748.
Tavanti, M. (2006a). Control Tower Operations: A Literature Review of Task Analysis Studies.
Roma, Italy: EUROCONTROL.
Tavanti, M. (2006b). Control Tower Operations: Roles Description. Brétigny-sur-Orge Cedex,
France: EUROCONTROL Experimental Centre.
Thonrnhill, W. S. (1995). The controller capacity computer programm: Measuring controller
workload. Unpublished Report.
Thorngate, W. (1987). Ordinal Pattern Analysis: A Method for Assessing Theory-Data Fit. In W. J.
Baker, M. E. Hyland, H. van Rappard, & A. W. Staats (Eds.), Current Issues in theoretical
Psychology (pp. 345–364). Amsterdam: Elsevier.
Thorngate, W., & Edmonds, B. (2012). Ordinal Pattern Analysis : A simple method for assessing
simulation-observation fit (CPM Report No.: CPM-12-216).
227
Thorngate, W., & Edmonds, B. (2013). Measuring Simulation-Observation Fit: An Introduction to
Ordinal Pattern Analysis. Journal of Artificial Societies and Social Simulation, 16(2).
Timpe, K.-P., & Kolrep, H. (2002). Das Mensch-Maschine-System als Interdisziplinärer
Gegenstand. In K.-P. Timpe, T. Jürgensohn, & H. Kolrep (Eds.), Mensch-Maschine-
Systemtechnik (pp. 9–40). Düsseldorf: Symposion.
Todd, P., & Gigerenzer, G. (2001). Putting Naturalistic Decision Making into the Adaptive
Toolbox. Journal of Behavioral Decision Making, 14, 381–383.
Treisman, A. (1960). Contextual cues in selective listening. Quarterly Journal of Experimental
Psychology, 12, 242–248.
Truitt, T. R. (2005). Implementing electronic flight data in airport traffic control towers.
Proceedings 13th International Symposium Aviation.
Truitt, T. R. (2006). Electronic Flight Data in Airport Traffic Control Towers: Literature Review.
Atlantic City: Federal Aviation Administration.
Urbas, L., Heinath, M., Schaft, T., & Leuchter, S. (2007). Die Bewertungsmethode Multitasking
GOMS und ihre Anwendung für die Bewertung von In-Vehicle Information Systems. In
Mensch & Computer 2007 Workshopband (pp. 63–66). Weimar: Verlag der
Bauhausuniversität Weimar.
Urbas, L., & Leuchter, S. (2008). Usability Engineering of “In Vehicle Information Systems” With
Multi-Tasking GOMS. In Dachkongress Patientensicherheit und Medizintechnik.
Van der Linden, M. (1998). The relationships between working memory and long-term memory.
Académie Des Science, 321, 175–177.
Vicente, K. J. (1999). Cognitvie Work Analysis. Mahwah, NJ: Lawrence Erlbaum.
Vidosavljević, A., & Toŝić, V. (2010). Modeling of turnaround process using petri nets. In
Proceedings (CD) of the 14th ATRS World Conference (pp. 1–13). Porto, Portugal.
Vingelis, P. J., Schaeffer, E., Stringer, P., Gromelski, S., & Ahmed, B. (1990). Air Traffic Controller
Memory Enhancement: Literature Review and Proposed Memory Aids (DOT/FAA/CT-
TN90/38). Atlantic City: Federal Aviation Administration Technical Center.
Vogt, J., Hagemann, T., & Kastner, M. (2006). The lmpact of Workload on Heart Rate and Blood
Pressure in En-Route and Tower Air Traffic Control. Journal of Psychophysiology, 20(4),
297–314.
Vogt, J., & Kastner, M. (2001). Psychophysiological Monitoring of air traffic controllers:
Exploration, simulation, validation. In Progress in Ambulatory Assessment. Computer-
assisted psychological and psychophysiological Methods in Monitoring and Field Studies.
Bern, Göttingen: Hogrefe & Huber Publishers.
Wandmacher, J. (2002). GOMS-Analysen mit GOMSED. Darmstadt.
Wastell, D., Sauer, J., & Hockey, R. (2003). Using Micro-worlds in research on distributed
Cognition in complex dynamic worlds: A ten Year Retrospective on the Cabin Air
Management System (CAMS). In G. C. van der Veer & J. F. Hoorn (Eds.), Proceedings of the
228
9th European Conference on Cognitive Science Approaches to Process Control (pp. 145–150).
Amsterdam.
Welford, A. T. (1960). The measurement of sensory-motor performance: Survey and reappraisal
of twelve years’ progress. Ergonomics, 3, 189–230.
Welford, A. T. (1968). Fundamentals of skill. London: Methuen.
Werther, B. (2006a). Colored Petri net based modeling of airport control processes. In
International Conference on Computational Intelligence for Modeling Control and Automation
and International Conference on Intelligent Agents, Web Technologies and Internet
Commerce.
Werther, B. (2006b). Kognitive Modellierung mit Farbigen Petrinetzen zur Analyse menschlichen
Verhaltens. Doctoral Dissertation. Technische Universität Braunschweig.
Werther, B., Möhlenbrink, C., & Rudolph, M. (2007). Colored Petri Net Based Formal Airport
Control Model for Simulation and Analysis of Airport Control Processes. In V. G. Duffy (Ed.),
Digital Human Modeling (pp. 1027–1036). Berlin Heidelberg: Springer.
West, R. L., Hancock, E., Somers, S., MacDougall, K., & Jeanson, F. (2013). The Macro Architecture
Hypothesis: Applications to Modeling Teamwork, Conflict Resolution, and Literary Analysis.
In R. West & T. Stewart (Eds.), Proceedings of the 12th International Conference on Cognitive
Modeling. Ottawa: Carleton University.
West, R. L., & Pronovost, S. (2009). Modeling SGOMS in ACT-R: Linking Macro- and
Microcognition. Journal of Cognitive Engineering and Decision Making, 3(2), 194–207.
Wickens, C. D. (1980). The structure of attentional Ressources. In R. Nickerson (Ed.), Attention
and performance (pp. 239–257). Hillsdale, NJ: Lawrence Erlbaum.
Wickens, C. D. (1984). Processing Ressources in Attention. In R. Parasuraman & D. R. Davies
(Eds.), Varieties of Attention. Orlando: Academic Press.
Wickens, C. D. (1991). Processing Ressources and attention. In D. Damos (Ed.), Multiple task
performance (pp. 3–34). London: Taylor & Francis.
Wickens, C. D. (1992). Engineering psychology and human performance. New York: HarperCollins.
Wickens, C. D. (1999). Aerospace Psychology. In P. A. Hancock (Ed.), Human Performance and
Ergonomics (2nd ed., pp. 195–242). San Diego: Academic Press.
Wickens, C. D. (2002). Multiple resources and performance prediction. Theoretical Issues in
Ergonomic Science, 3(2), 157–177.
Wickens, C. D., Helleberg, J., Goh, J., Xu, X., & Horrey, W. J. (2001). Pilot Task Management: Testing
an Attentional Expected Value Model of Visual Scanning. Aviation Research Lab, Institute of
Aviation.
Wickens, C. D., Mavor, A. S., & McGee, J. P. (1997). Flight to the Future - Human Factors in Air
Traffic Control. Washington D.C.: National Academy Press.
Wickens, C. D., & McCarley, J. S. (2008). Applied Attention Theory. Boca Raton: Taylor & Francis.
229
Wickens, C. D., McCarley, J. S., Alexander, A., Thomas, L., Ambinder, M., & Zheng, S. (2007).
Attention-situation awareness (A-SA) model of pilot error. In D. Foyle & B. Hooey (Eds.),
Pilot performance models (pp. 213–240). Mahwah, NJ: Lawrence Erlbaum.
Wierwille, W., Rahimi, M., & Casali, J. (1985). Evaluation of workload using a simulated flight task
in a moving base aircraft simulator. Human Factors, 27, 489–502.
Wilco Publishing. (2008). Tower Simulator. Retrieved July 12, 2013, from
http://www.towersimulator.com/
Wittbrodt, N., & Thüring, M. (2010). Identification of Performance Parameters in Complex and
Dynamic Work Environments: The Example of Aerodrome Air Traffic Control. In D. de
Waard, M. B. Axelsson, B. Peters, & C. Weikert (Eds.), Human Factors: A system view of
human, technology and organisation (pp. 313–326). Maastricht, Netherlands: Shaker
Publishing.
Yerkes, R. M., & Dodson, J. D. (1908). The relation of strength of stimulus to rapidity of habit-
formation. Journal of Comparative Neurology and Psychology, 18, 459–482.
Zakay, D., & Block, R. A. (1997). Temporal Cognition. Current Directions in Psychological Science,
6(1), 12–16.
Zeigarnik, B. W. (1927). Das Behalten erledigter und unerledigter Handlungen. In K. Lewin (Ed.),
Untersuchungen zur Handlungs- und Affektpsychologie (pp. 1–85). Berlin: Psychologisches
Institut der Universität Berlin.
Zijlstra, F. R. H., & Van Doorn, L. (1985). The construction of a scale to measure perceived effort.
Delft, The Netherlands: Department of Philosophy and Social Sciences, Delft University of
Technology.
Zsambok, C. R., & Klein, G. (1997). Naturalistic Decision Making. Mahwah, NJ: Lawrence Erlbaum
Associates.
