Nutzerzentrierte Entwicklung eines Tools für nachvollziehbares Eco-Driving Feedback im E-CarSharing

Die Bewertung des Fahrverhaltens im Eco-Driving-Kontext gewinnt durch die zunehmende Ver-breitung batterieelektrischer Fahrzeuge (BEVs) und die parallel wachsende Bedeutung des E-CarSharings an Relevanz. Während in privaten BEVs Interfaces zur Rückmeldung effizienter Fahrweise etabliert sind, fehlt eine vergleichbare Lösung im CarSharing. Nutzende erhalten nach Abschluss einer Fahrt kein dauerhaftes, nachvollziehbares Feedback zur eigenen Fahrweise. Eine solche Rückmeldung ist nur dann verhaltenswirksam, wenn sie als fair und nachvollziehbar wahr-genommen wird.
Die vorliegende Arbeit folgt dem menschzentrierten Gestaltungsprozess nach DIN EN ISO 9241-210 und untersucht, wie die wahrgenommene Gerechtigkeit von Algorithmen und ihren darstel-lenden Interfaces operationalisiert werden kann. Auf Grundlage der Organisationalen Gerechtig-keit nach Colquitt (2001), der AIM-FAIR-Skala (Ehrhardt et al., 2025) und eines Gesamtfairness-Items nach Ambrose und Schminke (2009) wurde ein achtteiliger Fragebogen zur wahrgenom-menen Fairness konstruiert; die wahrgenommene Nachvollziehbarkeit wurde mit der SIPA-Skala (Schrills & Franke, 2021) erfasst. Auf Basis dieser Operationalisierung wurden zwei Interface-Varianten zur Anzeige eines Eco-Scores für eine BEV-CarSharing-Fahrt entworfen und prototy-pisch in der bestehenden EcoSharing Enabler App umgesetzt: ein gestaffelter Ansatz mit kompo-nentenweiser Aufschlüsselung sowie ein Ansatz mit expliziter Kontextanpassung.
In einer Szenario-basierten within-subjects-Studie (N = 21) wurden beide Interfaces unter zwei Szenarien mit kontrolliertem Score verglichen. Entgegen der Erwartung, dass die elaboriertere Darstellung mit expliziter Kontextanpassung höhere Fairness- und Nachvollziehbarkeitsbewer-tungen erzeugt, wurde der strukturell einfachere gestaffelte Ansatz auf beiden Hauptmaßen sig-nifikant besser bewertet. Eine begleitende qualitative Analyse der offenen Antworten zeigt, dass die Darstellung mit expliziter Kontextanpassung die Attribution erfolgreich auf externe Bedin-gungen verschob, diese Verschiebung jedoch keine höhere wahrgenommene Nachvollziehbarkeit erzeugte. Die Ergebnisse legen nahe, dass im Kontext neuartiger Eco-Scoring-Interfaces für BEV-CarSharing eine strukturierte Komponentenaufschlüsselung mit expliziten Gewichtungen einer komplexen kontextuellen Anpassungsmechanik überlegen ist.