20  Experience Sampling

20.1 Folien

Folien als Vollbild | Folien als PDF

20.2 Daten zur heutigen Sitzung

Schlütz, D., Schnauber-Stockmann, A., Karnowski, V. & Naab, T. K. (in Begutachtung). Experiencing podcasts in situ: How the reception situation affects transportation. PDF in Blackboard🔒

This study examines portable audio media and their suitability for transportation, understood as a mental shift into the narrative world. We focus on true crime podcasts (TCP) as one of the most successful narrative genres that lends itself to transportation because of the suspenseful content. Research shows that transportation is highly susceptible to situational variations: media context, environmental context, and psychological states influence transportation experiences. Like many portable audio media, podcasts are used in a variety of circumstances (e.g., while commuting or multitasking), which is why they are particularly well-suited for studying situational influences on transportation. In order to adequately reflect this kind of use, we relied on repeated in situ measurement (mobile experience sampling method; 12 days, N = 104 participants, T = 2,929 protocols, 893 TCP). Our results showed that transportation was associated with variations in all three key components of the situational level: Transportation levels were higher during longer listening episodes (media context), when used at home and without co-occurring activities (environmental context), as well as with more focused attention (psychological state). Contrary to our assumption, the use of headphones (media context) did not have a supportive effect on being transported. Theoretical and methodological implications are discussed.

20.3 Code und Ausgaben aus der Vorlesung

R Skript herunterladen

Laden der relevanten Pakete

library(lme4) # Mehrebenenmodelle
Loading required package: Matrix
library(lmerTest) # Signifikanztests für Mehrebenenmodelle

Attaching package: 'lmerTest'
The following object is masked from 'package:lme4':

    lmer
The following object is masked from 'package:stats':

    step
library(performance) # Modellbeurteilung (hier vor allem ICC)
library(parameters) # Modellschätzungen extrahieren und darstellen
library(report) # Einfaches Erstellen von statistischen Berichten
library(tidyverse) # Datenmanagement und Visualisierung: https://www.tidyverse.org/
── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
✔ dplyr     1.2.0     ✔ readr     2.1.6
✔ forcats   1.0.1     ✔ stringr   1.6.0
✔ ggplot2   4.0.2     ✔ tibble    3.3.1
✔ lubridate 1.9.4     ✔ tidyr     1.3.2
✔ purrr     1.2.1     
── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
✖ tidyr::expand() masks Matrix::expand()
✖ dplyr::filter() masks stats::filter()
✖ dplyr::lag()    masks stats::lag()
✖ tidyr::pack()   masks Matrix::pack()
✖ tidyr::unpack() masks Matrix::unpack()
ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
theme_set(theme_classic(base_size = 12)) # Voreinstellung für Plots

Daten laden

# Daten aus https://osf.io/7mdbn/
# Aufbereitung nach https://osf.io/7mdbn/files/wtbx2
# Hier Auszug für Mehrebenenanalyse
# Aufbereiteter Datensatz in Blackboard
d <- readRDS(here::here("data/esm.rds")) |>
  mutate(pod_duration_total = pod_duration_total / 60) |> # In Stunden
  na.omit()

Auszug aus Datensatz

d |>
  select(serial, gender, date, time, pod_duration_total, narr_trans) |>
  group_by(serial) |>
  slice_head(n = 3) |>
  head(n = 15)
# A tibble: 15 × 6
# Groups:   serial [5]
   serial     gender date       time     pod_duration_total narr_trans
   <chr>      <fct>  <chr>      <chr>                 <dbl>      <dbl>
 1 12ASDZ9VKS female 2023-09-18 16:36:16              0.75        2.83
 2 12ASDZ9VKS female 2023-09-18 21:36:51              1.2         4   
 3 12ASDZ9VKS female 2023-09-19 17:30:45              1.7         4.17
 4 142FP9BTAB female 2023-09-18 17:51:23              0.667       3.5 
 5 142FP9BTAB female 2023-09-19 09:12:12              0.667       4   
 6 142FP9BTAB female 2023-09-19 16:53:36              0.667       4   
 7 1P7YWVKA7F female 2023-09-18 17:07:49              2.83        4.33
 8 1P7YWVKA7F female 2023-09-18 18:53:05              1.17        4.5 
 9 1P7YWVKA7F female 2023-09-18 20:17:09              0.75        4.33
10 1UP1WGURU3 female 2023-09-19 17:48:14              2           3.33
11 1UP1WGURU3 female 2023-09-20 19:34:30              1.27        2.83
12 1UP1WGURU3 female 2023-09-21 08:15:43              0.75        3.5 
13 2EQY1YMMZ4 female 2023-09-18 18:14:34              1           3.33
14 2EQY1YMMZ4 female 2023-09-26 08:58:16              1.67        3.33
15 2EQY1YMMZ4 female 2023-09-26 18:25:40              3.67        3.83

Histogramm Dauer

d |>
  ggplot(aes(pod_duration_total)) +
  geom_histogram()
`stat_bin()` using `bins = 30`. Pick better value `binwidth`.

Histogramm Transportation

d |>
  ggplot(aes(narr_trans)) +
  geom_histogram(binwidth = 0.5)

Beschreibung der Situationsvariablen

d |>
  select(pod_duration_total, narr_trans) |>
  report_table()
Variable           | n_Obs | Mean |   SD | Median |  MAD | Min | Max | Skewness
-------------------------------------------------------------------------------
pod_duration_total |   864 | 1.15 | 0.95 |   1.00 | 0.62 |   0 |   8 |     3.20
narr_trans         |   864 | 3.53 | 0.86 |   3.50 | 0.74 |   1 |   5 |    -0.35

Variable           | Kurtosis | percentage_Missing
--------------------------------------------------
pod_duration_total |    15.07 |                  0
narr_trans         |    -0.13 |                  0

Naiv Situationen Plot

d |>
  ggplot(aes(pod_duration_total, narr_trans)) +
  geom_point(position = position_jitter(), shape = 1) +
  stat_smooth(method = "lm")
`geom_smooth()` using formula = 'y ~ x'

Naiv Situationen Regression

lm(narr_trans ~ pod_duration_total, data = d) |>
  report_table(metrics = "R2_adj", include_effectsize = FALSE)
Parameter          | Coefficient |       95% CI | t(862) |      p |      Fit
----------------------------------------------------------------------------
(Intercept)        |        3.45 | [3.36, 3.54] |  75.55 | < .001 |         
pod duration total |        0.07 | [0.01, 0.13] |   2.39 | 0.017  |         
                   |             |              |        |        |         
R2 (adj.)          |             |              |        |        | 5.44e-03

Aggregieren auf Personenebene

d <- d |>
  group_by(serial) |>
  mutate(
    pmc_pod_duration_personmean = mean(pod_duration_total, na.rm = TRUE),
    pmc_narr_trans_personmean = mean(narr_trans, na.rm = TRUE)
  )

Personen Plot

d |>
  distinct(serial, .keep_all = TRUE) |>
  ggplot(aes(pmc_pod_duration_personmean, pmc_narr_trans_personmean)) +
  geom_point(position = position_jitter(), shape = 1) +
  stat_smooth(method = "lm")
`geom_smooth()` using formula = 'y ~ x'

Personen Regression

lm(pmc_narr_trans_personmean ~ pmc_pod_duration_personmean, data = distinct(d, serial, .keep_all = TRUE)) |>
  report_table(metrics = "R2_adj", include_effectsize = FALSE)
Parameter                   | Coefficient |        95% CI | t(100) |      p |       Fit
---------------------------------------------------------------------------------------
(Intercept)                 |        3.39 | [ 3.10, 3.69] |  22.92 | < .001 |          
pmc pod duration personmean |        0.07 | [-0.16, 0.29] |   0.58 | 0.562  |          
                            |             |               |        |        |          
R2 (adj.)                   |             |               |        |        | -6.59e-03

Zentrieren um Personenmittelwert

d <- d |>
  group_by(serial) |>
  mutate(
    pmc_pod_duration_total = pod_duration_total - pmc_pod_duration_personmean,
    pmc_narr_trans = narr_trans - pmc_narr_trans_personmean
  )
d |>
  select(
    serial,
    pod_duration_total,
    pmc_pod_duration_personmean,
    pmc_pod_duration_total
  ) |>
  group_by(serial) |>
  slice_head(n = 3) |>
  head(n = 15)
# A tibble: 15 × 4
# Groups:   serial [5]
   serial     pod_duration_total pmc_pod_duration_perso…¹ pmc_pod_duration_total
   <chr>                   <dbl>                    <dbl>                  <dbl>
 1 12ASDZ9VKS              0.75                     1.45                -0.702  
 2 12ASDZ9VKS              1.2                      1.45                -0.252  
 3 12ASDZ9VKS              1.7                      1.45                 0.248  
 4 142FP9BTAB              0.667                    0.670               -0.00294
 5 142FP9BTAB              0.667                    0.670               -0.00294
 6 142FP9BTAB              0.667                    0.670               -0.00294
 7 1P7YWVKA7F              2.83                     1.60                 1.23   
 8 1P7YWVKA7F              1.17                     1.60                -0.436  
 9 1P7YWVKA7F              0.75                     1.60                -0.853  
10 1UP1WGURU3              2                        1.36                 0.642  
11 1UP1WGURU3              1.27                     1.36                -0.0917 
12 1UP1WGURU3              0.75                     1.36                -0.608  
13 2EQY1YMMZ4              1                        2.03                -1.03   
14 2EQY1YMMZ4              1.67                     2.03                -0.365  
15 2EQY1YMMZ4              3.67                     2.03                 1.64   
# ℹ abbreviated name: ¹​pmc_pod_duration_personmean

Zentriert um Personenmittelwert Plot

d |>
  ggplot(aes(pmc_pod_duration_total, pmc_narr_trans)) +
  geom_point(position = position_jitter(), shape = 1) +
  stat_smooth(method = "lm")
`geom_smooth()` using formula = 'y ~ x'

Zentriert um Personenmittelwert Regression

lm(pmc_narr_trans ~ pmc_pod_duration_total, data = d) |>
  report_table(metrics = "R2_adj", include_effectsize = FALSE)
Parameter              | Coefficient |        95% CI |   t(862) |      p |  Fit
-------------------------------------------------------------------------------
(Intercept)            |    2.21e-17 | [-0.03, 0.03] | 1.26e-15 | > .999 |     
pmc pod duration total |        0.08 | [ 0.04, 0.13] |     3.58 | < .001 |     
                       |             |               |          |        |     
R2 (adj.)              |             |               |          |        | 0.01

m0 <- lmer(narr_trans ~ 1 + (1 | serial), data = d)
m0 |>
  report_table(metrics = "R2", include_effectsize = FALSE)
Parameter        | Coefficient |       95% CI | t(861) |      p | Effects
-------------------------------------------------------------------------
(Intercept)      |        3.47 | [3.34, 3.60] |  51.20 | < .001 |   fixed
                 |        0.64 |              |        |        |  random
                 |        0.55 |              |        |        |  random
                 |             |              |        |        |        
R2 (conditional) |             |              |        |        |        
R2 (marginal)    |             |              |        |        |        

Parameter        |    Group |  Fit
----------------------------------
(Intercept)      |          |     
                 |   serial |     
                 | Residual |     
                 |          |     
R2 (conditional) |          | 0.58
R2 (marginal)    |          | 0.00
icc(m0, by_group = TRUE)
# ICC by Group

Group  |   ICC
--------------
serial | 0.575

lmer(narr_trans ~ pmc_pod_duration_total + pmc_pod_duration_personmean + (1 | serial), data = d) |>
  report_table(metrics = "R2", include_effectsize = FALSE)
Parameter                   | Coefficient |        95% CI | t(859) |      p
---------------------------------------------------------------------------
(Intercept)                 |        3.40 | [ 3.11, 3.70] |  22.83 | < .001
pmc pod duration total      |        0.08 | [ 0.03, 0.13] |   3.37 | < .001
pmc pod duration personmean |        0.06 | [-0.16, 0.28] |   0.51 | 0.607 
                            |        0.64 |               |        |       
                            |        0.55 |               |        |       
                            |             |               |        |       
R2 (conditional)            |             |               |        |       
R2 (marginal)               |             |               |        |       

Parameter                   | Effects |    Group |      Fit
-----------------------------------------------------------
(Intercept)                 |   fixed |          |         
pmc pod duration total      |   fixed |          |         
pmc pod duration personmean |   fixed |          |         
                            |  random |   serial |         
                            |  random | Residual |         
                            |         |          |         
R2 (conditional)            |         |          |     0.58
R2 (marginal)               |         |          | 7.07e-03

20.4 Hausaufgabe

(Für den nächsten Durchgang der Vorlesung: Lesen Sie Kapitel 1–3 und 9 in Schnauber-Stockmann et al. (2026))

20.5 Transkript

Das folgende Transkript wurde auf Basis der Aufzeichnung der Vorlesung erstellt. Die vollständigen Aufzeichnungen inklusive der Bildschirminhalte sind in Blackboard🔒 verfügbar. Die Tonspur wurde zuerst mit Hilfe der Werkzeuge des Oral-History.Digital Projekts wörtlich transkribiert. Die wörtliche Transkription wurde in Kombination mit den Vorlesungsfolien mithilfe von Sprachmodellen (v. a. Claude Sonnet 4.5 und GPT 5.2) zu einem übersichtlichen Transkript zusammengefasst. Im Anschluss wurde das Transkript von einer studentischen Hilfskraft überprüft, geglättet und ggf. angepasst. In diesem Prozess kann es an verschiedenen Stellen zu Fehlern kommen. Im Zweifel gilt das gesprochene Wort, und auch beim Vortrag mache ich Fehler.

Ich stelle das Transkript hier als experimentelles, ergänzendes Material zur Dokumentation der Vorlesung zur Verfügung. Noch bin ich mir unsicher, ob es eine sinnvolle Ergänzung ist und behalte mir vor, es weiter zu bearbeiten oder zu löschen.

Experience Sampling

Kurze Wiederholung: Mehrebenenmodelle

Zu Beginn der Sitzung wurde die Logik der Mehrebenenmodelle wiederholt, da sie auch für die Analyse von Experience-Sampling-Daten zentral ist. Als Beispiel dienten Social-Media-Posts von Universitäten: Posts (Ebene 1, \(L1\)) sind in Universitätsseiten (Ebene 2, \(L2\)) eingebettet. Die abhängige Variable war, wie oft ein Post geteilt wird.

Das Nullmodell schätzt zunächst keinen Prädiktor, sondern zeigt nur, wie die Varianz auf die beiden Ebenen verteilt ist. Der Intraclass Correlation Coefficient (\(ICC\)) gibt an, wie viel Prozent der Gesamtvarianz auf welcher Ebene liegt. Im Beispiel lagen ca. 43 % der Unterschiede im Teilen von Posts auf \(L2\) – also daran, von welcher Uni ein Post stammt – und nicht am konkreten Inhalt des Posts.

Auf das Nullmodell folgt das eigentliche Modell mit Prädiktoren auf beiden Ebenen (z. B. Art des Post-Inhalts auf \(L1\), Anzahl der Fans und Land der Uni auf \(L2\)). Dabei bleibt der Random Intercept erhalten: Jede Uni bekommt ihren eigenen Ausgangswert.

Zusätzlich können Random Slopes eingeführt werden: Der Effekt eines \(L1\)-Prädiktors (z. B. ob ein Post über Forschung handelt) darf zwischen Universitäten variieren. Im Beispiel zeigte sich: Posts über Forschung haben insgesamt keinen eindeutigen Fixed Effect, aber je nach Uni ist der Effekt sehr unterschiedlich – für manche Seiten positiv, für andere negativ. Das ist ein substanziell nuancierteres Ergebnis als ein einfaches Fixed-Effects-Modell liefern könnte.

Klausurhinweis:

  • Kein R-Code schreiben, aber: Code und Output so lesen können, dass erkennbar ist, welches Modell geschätzt wird (z. B. Nullmodell, Random-Slope-Modell) und wie Koeffizienten zu interpretieren sind.
  • Alle Beispielanalysen stammen aus dem Kontext der Vorlesung – keine komplett neuen Studien.

Einführung: Warum In-situ-Erhebungen?

Komplexe Medienumgebungen als Ausgangspunkt

Moderne Mediennutzung ist situationsabhängig und vielschichtig. Ein typisches Alltagsszenario (aus Schnauber-Stockmann et al., 2026): In der S-Bahn läuft ein Podcast, gleichzeitig wird Instagram nach einem Geburtstagsgeschenk durchsucht und ein WhatsApp-Gruppenchat läuft nebenher. Am Bürotisch kommen E-Mails und Push-Benachrichtigungen hinzu, in der Mittagspause folgt die Lieblingsserie auf dem iPad. Solche Situationen sind heute normaler Alltag.

Früher war Mediennutzung oft an eine feste Situation gebunden (z. B. Film schauen = Sofa + Fernseher). Heute variiert die Nutzungssituation auch dann stark, wenn Medium und Inhalt gleich bleiben. Das stellt die Kommunikationswissenschaft vor neue methodische Herausforderungen.

Situative und personenbezogene Merkmale

Um Mediennutzung und Medienwirkungen zu erklären, müssen zwei Arten von Merkmalen unterschieden werden:

Situative Merkmale (variieren von Situation zu Situation):

  • Externe Kontextmerkmale: Aufenthaltsort (zu Hause, S-Bahn, Büro …)
  • Medienseitige Kontextmerkmale: verwendetes Abspielgerät (Lautsprecher, Kopfhörer, Noise-Canceling-Kopfhörer …)
  • Interne Aspekte der Nutzenden: aktuelle Stimmung, Müdigkeit, Motivationslage

Personenmerkmale (relativ stabil):

  • Ressourcen: verfügbare Abspielgeräte, Abonnements
  • Stabile Einstellungen und Eigenschaften: Medienpräferenzen, Traits wie Konzentrations- und Aufmerksamkeitsfähigkeit

Der Begriff In situ und verwandte Methoden

In situ (lateinisch: “in der Situation”) bezeichnet das Prinzip, Situationen möglichst unmittelbar während ihres Geschehens zu erfassen – statt später nach der Erinnerung zu fragen. Menschen können schlecht berichten, was sie vor längerer Zeit getan oder gefühlt haben; die Befragung direkt in der Situation oder kurz danach reduziert diese Verzerrungen erheblich.

Verfahren:

  • Experience Sampling Method (ESM) / Mobile Experience Sampling Method (MESM): In der Kommunikationswissenschaft am weitesten verbreitet. Der Begriff “Experience Sampling” verdeutlicht das Prinzip: Aus den Erfahrungen, die eine Person täglich macht, wird eine Stichprobe gezogen – nicht nur über Personen, sondern auch über Situationen pro Person. Das “Mobile” verweist auf Smartphones als technische Grundlage.
  • Ecological Momentary Assessment (EMA): Betont die ökologische (d. h. natürliche) Umgebung; häufig in klinischen Studien, z. B. zur Erfassung von Depressionssymptomen im Tagesverlauf.
  • Ambulatory Assessment (AA): Kombination von Selbstauskunft und physiologischen Messungen (z. B. Dauerblutdruckmessung); häufig in der Health Communication.

Historisch: Früher wurden Pager ausgeteilt und aus Kuverts wurden Papierfragebögen gezogen. Heute ermöglichen Smartphones eine einfache Umsetzung: Alle Teilnehmenden tragen das Gerät ständig bei sich, Forschende können sie gezielt anpingen.

Zentrale Charakteristika, Vor- und Nachteile

Kernprinzip Erfahrungen und Verhalten von Menschen werden wiederholt, in ihrer natürlichen Umgebung und mit minimaler zeitlicher Verzögerung gemessen.

Vorteile:

  • Hohe ökologische Validität: Messung im Alltag, nicht im Labor.
  • Messwiederholung: Mehrere Messungen pro Person ermöglichen im Idealfall eine repräsentative Stichprobe aller Situationen einer Person.
  • Reduzierte Erinnerungsverzerrungen: Zeitliche Nähe von Nutzung und Messung verringert Vergessen und kognitive Verzerrungen. Kurzzeitige Emotionen (z. B. kurz ärgerlich beim Lesen einer Nachricht) sind noch präsent.
  • Hohe zeitliche Auflösung: Dynamiken und Entwicklungen im Tagesverlauf (z. B. Doomscrolling-Spiralen) sind messbar.

Nachteile:

  • Stichprobengröße und Repräsentativität: Schwer erreichbar – die Bereitschaft, über mehrere Wochen an vielen täglichen Befragungen teilzunehmen, ist gering. Ähnliche Problematik wie beim Web-Tracking.
  • Reaktivität: Die Messung beeinflusst das untersuchte Phänomen. Wer mitten in einem Film nach seiner Stimmung gefragt wird, reflektiert – und die Stimmung verändert sich. Je häufiger gefragt wird, desto stärker dieser Effekt.
  • Non-Response-Bias in Situationen: Teilnehmende beantworten Pings eher in bestimmten Situationen als in anderen (z. B. seltener in stressigen Momenten).
  • Hoher Aufwand: Für Teilnehmende und Forschende (Entwicklung mehrerer Fragebogenversionen, Monitoring der Datenqualität, Incentivierung etc.).

Typen von In-situ-Designs

In-situ-Designs lassen sich in zwei Hauptkategorien einteilen: die Tagebuchmethode und die Experience Sampling Method (ESM). Die Tagebuchmethode ist streng genommen nicht vollständig in-situ, wird aber in der Kommunikationswissenschaft häufig im gleichen Kontext diskutiert.

Tagebuchmethode

Grundprinzip: Dieselben Teilnehmenden werden wiederholt (meist an aufeinanderfolgenden Tagen) per Selbstauskunft befragt. Die Erhebung bezieht sich nicht auf eine spezifische Situation, sondern auf einen Zeitabschnitt.

Tägliches Tagebuch (Daily Diary):

Einmal täglich werden Informationen abgefragt, die sich auf den gesamten Tag beziehen. Beispiel: Jeden Abend um 20 Uhr erhalten Teilnehmende eine Erinnerung und berichten, welche Medien sie an diesem Tag genutzt haben. Vorteil: geringer Reaktivitätsdruck. Nachteil: stark auf Erinnerung angewiesen.

Intervall-Tagebuch (Interval Diary):

Mehrmals täglich wird nach vordefinierten Zeitintervallen (z. B. mittags und abends) befragt. Die Fragen beziehen sich auf das jeweilige Intervall, nicht auf eine einzelne Situation. Vorteil: höhere zeitliche Auflösung als beim täglichen Tagebuch. Nachteil: immer noch keine direkte Situationserfassung.

Experience Sampling Method (ESM)

Grundprinzip: Mehrmals täglich an aufeinanderfolgenden Tagen werden konkrete Situationen oder Momente erfragt. ESM ermöglicht – anders als die Tagebuchmethode – prinzipiell eine repräsentative Stichprobe aus den Erfahrungen einer Person.

“Echtes” ESM (true ESM):

Zufällig ausgewählte Zeitpunkte; gefragt wird nach der aktuellen Situation in exakt diesem Moment. Ermöglicht theoretisch eine repräsentative Stichprobe aller Situationen. Problem: Wenn die interessierende Mediennutzung (z. B. Podcasts) selten ist, fallen viele Pings auf Momente, in denen nichts Relevantes passiert – das ist ineffizient und belastet Teilnehmende unnötig.

Quasi-ESM:

Zufällig ausgewählte Zeitpunkte; gefragt wird nicht nach dem aktuellen Moment, sondern nach der letzten relevanten Situation. Beispiel: “Hast du seit dem letzten Signal einen Podcast gehört? Wenn ja, wie war das?” Vorteil: besser geeignet für seltenere Ereignisse. Die Zeit seit dem Ereignis wird miterfasst, um Erinnerungsverzerrungen abzuschätzen.

Ereignisabhängiges ESM (event-contingent ESM):

Ein bestimmtes Ereignis löst die Befragung aus. Zwei Varianten: (1) Technisch ausgelöst: Eine Software erkennt, wann z. B. Instagram geschlossen wird, und startet (zufällig gewählt) einen Fragebogen. (2) Selbst initiiert: Teilnehmende werden gebeten, nach einem bestimmten Ereignis (z. B. nach jeder Podcast-Episode) selbst einen Fragebogen zu öffnen. Vorteil: maximale Situationsnähe; Nachteil: auf technisch beobachtbare oder selbst reportierbare Ereignisse beschränkt.

Typen von Forschungsfragen

In-situ-Designs produzieren Daten mit einer Mehrebenenstruktur: Situationen (\(L1\)) sind in Personen (\(L2\)) eingebettet. Entsprechend lassen sich Forschungsfragen auf zwei Ebenen unterscheiden.

Fragen nach interindividueller Varianz (Personenebene, \(L2\))

Interindividuell bedeutet: zwischen verschiedenen Personen. Solche Forschungsfragen interessieren sich dafür, welche Personengruppen sich voneinander unterscheiden.

Beispiele:

  • Welche Personengruppen hören häufiger oder länger Podcasts?
  • Aus welchen Motiven nutzen Personen True-Crime-Podcasts?

Wiederholte In-situ-Messungen sind für solche Fragen nicht zwingend erforderlich, verbessern aber häufig die Messqualität. Statt einmal zu fragen “Wie lange hörst du pro Woche Podcasts?” (schwer zu erinnern) werden viele einzelne Nutzungsepisoden erfasst und dann aggregiert – das ergibt eine zuverlässigere Gesamtschätzung. Auch typische Motive lassen sich besser über mehrere Situationsabfragen erschließen als über eine einmalige Globalfrage. Abwägung: Rechtfertigt die Forschungsfrage den Aufwand eines In-situ-Designs, oder würde eine Querschnittsbefragung ausreichen?

Fragen nach intraindividueller Varianz (Situationsebene, \(L1\))

Intraindividuell bedeutet: innerhalb derselben Person. Das ist die eigentliche Stärke von In-situ-Designs: Dieselbe Person wird in verschiedenen Situationen beobachtet, sodass situationsinterne Effekte von Personeneffekten getrennt werden können.

Mögliche Forschungsfragen auf Situationsebene:

  • Beschreibung situativer Variation: Wie verteilt sich Podcast-Nutzung über einen Tag oder eine Woche?
  • Situative Zusammenhänge: Beeinträchtigen Paralleltätigkeiten die Aufmerksamkeit bei der Podcastrezeption?
  • Zeitversetzte Zusammenhänge (Autokorrelationen): Erhöht das Unterhaltungserleben in einer Podcast-Episode die Wahrscheinlichkeit, dass in der nächsten Episode ein ähnlicher Inhalt gewählt wird?

Wichtig: Situationsfragen können nicht mit einer einmaligen Querschnittsbefragung beantwortet werden. Wenn jede Person nur einmal nach ihrer Podcast-Motivation gefragt wird, lässt sich nicht unterscheiden, ob eine bestimmte Antwort auf die Situation oder auf den persönlichen Stil dieser Person zurückgeht. Erst mehrere Beobachtungen pro Person erlauben diese Trennung.

Fragen zum Zusammenspiel von Personen- und Situationsmerkmalen

Analog zur Interaktion von \(L1\)- und \(L2\)-Variablen in Mehrebenenmodellen können In-situ-Designs auch Fragen beantworten, die beide Ebenen verknüpfen.

Beispiel:

Beeinträchtigen Paralleltätigkeiten (Situationsmerkmal, \(L1\)) die Aufmerksamkeit bei der Podcastrezeption stärker bei Personen mit niedrigerer allgemeiner Konzentrationsfähigkeit (Personenmerkmal, \(L2\))?

Die allgemeine Konzentrationsfähigkeit ist ein stabiles Personenmerkmal (Trait) und wird daher typischerweise nur einmal zu Beginn der Studie gemessen. Situationsmerkmale wie Paralleltätigkeiten variieren von Situation zu Situation und werden in jedem Protokoll neu erfasst. Ob eine Variable als \(L1\) oder \(L2\) gilt, ergibt sich manchmal auch erst aus den Daten: Wer in jeder Situation Kopfhörer trägt, liefert für diese Variable empirisch kein situatives Signal – sie verhält sich für diese Person wie eine Personeneigenschaft.

Beispielstudie: Transportation beim Hören von True-Crime-Podcasts

Theoretischer Hintergrund und Hypothese

Narrative Transportation (narratives Transportationserleben): Ein mentaler Prozess, bei dem die Aufmerksamkeit vollständig auf die Geschichte gerichtet ist, die reale Umgebung in den Hintergrund tritt, eine enge Beziehung zu den Figuren entsteht und lebhafte mentale Bilder gebildet werden. Vereinfacht: Man “taucht ab” in das Narrativ.

True-Crime-Podcasts (TCP) eignen sich besonders gut zur Untersuchung von Transportation, da ihr spannungsgeladener Inhalt das Eintauchen begünstigt. Gleichzeitig sind Podcasts ein typisches Unterwegsmedium, das in sehr verschiedenen Situationen gehört wird – was sie ideal für die Untersuchung situativer Einflüsse macht.

Zentrale Hypothese (\(H_1\)): Die Dauer einer Hör-Episode ist positiv mit dem Transportation-Erleben assoziiert. Begründung: Wer länger hört, kommt tiefer in die Geschichte – und/oder wer transportiert ist, hört länger. (Kausalrichtung ungeklärt.)

Studiendesign

Design: Quasi-MESM (Mobile Experience Sampling Method), 12 Tage

  • 48 Pings insgesamt pro Person (4 pro Tag), zufällig innerhalb des Zeitfensters 16-22 Uhr verteilt (definiert als “Podcasting-Primetime” nach Vorbefragung)
  • Quasi-ESM: Nicht nach der aktuellen Situation gefragt, sondern nach der letzten TCP-Episode seit dem letzten Signal
  • Durchführung über SoSci Survey; Pings und Protokolle auf dem Smartphone
  • Mindestabstand zwischen Pings eingebaut, damit Befragung nicht direkt mitten in einer Situation unterbricht

Stichprobe

Grundgesamtheit: Regelmäßige True-Crime-Podcast-Hörer*innen (mindestens 2 Höreinheiten pro Woche), 16 Jahre und älter. Rekrutierung über spezifische Social-Media-Gruppen und Snowball-Sampling (Convenience-Sample). Begründung: Eine bevölkerungsrepräsentative Stichprobe wäre zwar wünschenswert, würde aber dazu führen, dass viele Teilnehmende, die nie TCP hören, über Wochen unnötig angefragt werden.

Stichprobenkennwerte:

  • \(N = 103\) Personen (nach Abschluss der Studie; 53 % der ursprünglich Einwilligenden)
  • Durchschnittsalter: 31.7 Jahre (\(SD = 7.82\))
  • 84 % weiblich, 14 % männlich, 2 % divers
  • Im Durchschnitt 28.2 ausgefüllte Protokolle pro Person (von 48 möglich; Compliance: 58.7 %)
  • 2.929 Protokolle insgesamt; davon 893 Protokolle mit TCP-Bezug \(\rightarrow\) Basis für Situationsanalysen
  • Mittlere Bearbeitungszeit pro Protokoll: 0.56 Minuten

Messung der zentralen Variablen

Nutzungsdauer (pod_duration_total): Selbstauskunft in Stunden und Minuten: “Wie lange hat die Hör-Episode ungefähr insgesamt gedauert?” Anschließend in Stunden umgerechnet. Mittelwert: 1.15 h (\(SD = 0.95\)), stark rechtsschief (Maximum 8 h, Skewness \(3.20\)). Diese Frage kann man auf diese Weise nur in einer In-situ-Studie stellen – in einer Querschnittsbefragung wäre “Wie lange hörst du pro Woche Podcasts?” kaum sinnvoll zu beantworten.

Transportation (narr_trans): 6 Items auf einer 5-Punkt-Skala (\(1\) = stimme überhaupt nicht zu, \(5\) = stimme voll und ganz zu), zum Index gemittelt. Beispielitems: “Die Geschichte hat mich emotional berührt.”, “Ich konnte mir die Opfer des Falls lebhaft vorstellen.”, “Ich fühlte mich gedanklich in die Geschichte hineingezogen.” Mittelwert: 3.53 (\(SD = 0.86\)), annähernd normalverteilt.

Weitere Variablen im Protokoll: Aufenthaltsort, Nutzungsgerät, Kopfhörer (ja/nein), Paralleltätigkeiten, selbst eingeschätzte Aufmerksamkeit, aktuelle Stimmung, Aktivität während der Befragung.

Datenstruktur und Analyseschritte

Der Datensatz hat eine Multilevel-Struktur: Situationen (\(L1\)) sind in Personen (\(L2\)) eingebettet. Jede Zeile entspricht einem Situationsprotokoll und enthält neben der Personen-ID (serial) Datum, Uhrzeit, Nutzungsdauer und Transportation-Wert. Personenvariablen wie Geschlecht sind für alle Situationen einer Person identisch.

Schritt 1 - Naive Analyse aller Situationen:

Einfache lineare Regression: Nutzungsdauer \(\rightarrow\) Transportation. Ergebnis: Koeffizient \(0.07\) (\(p = 0.017\)). Problem: Diese Analyse behandelt alle Situationen als unabhängig – was falsch ist, da Situationen derselben Person korreliert sind. Die Voraussetzung unabhängiger Beobachtungen ist verletzt; die Inferenzstatistik ist daher verzerrt und nicht verwertbar.

Schritt 2 - Analyse auf Personenebene (Aggregation):

Für jede Person werden Mittelwerte über alle Situationen berechnet (Personenmittelwerte). Regression: mittlere Nutzungsdauer \(\rightarrow\) mittlere Transportation. Ergebnis: kein signifikanter Zusammenhang (\(p = 0.562\)). Personen, die im Durchschnitt länger hören, berichten nicht systematisch höhere Transportation.

Schritt 3 - Person-Mean-Centering (PMC):

Jeder Situationswert wird um den Personenmittelwert zentriert: pmc_pod_duration_total = Nutzungsdauer der Situation minus Personenmittelwert der Nutzungsdauer. Analoges gilt für Transportation. Damit wird entmischt, was auf Personenebene liegt (wer generell länger hört) und was auf Situationsebene liegt (wann eine Person länger als üblich hört). Die zentrierten Werte sind \(L1\)-Variablen; die Personenmittelwerte sind \(L2\)-Variablen.

Ergebnis der zentrierten Analyse (bivariate Regression): Koeffizient \(0.08\) (\(p < 0.001\)). Interpretation: Wenn dieselbe Person eine Stunde länger hört als üblich, ist ihr Transportation-Erleben in dieser Situation um \(0.08\) Skalenpunkte höher.

Schritt 4 - Mehrebenenanalyse:

Nullmodell: \(ICC = 0.58 \rightarrow\) 58 % der Varianz in Transportation liegt auf Personenebene. Das bedeutet: Wer eine Person ist, erklärt sehr viel mehr als die konkrete Situation. Ein Mehrebenenmodell ist daher zwingend erforderlich.

Vollständiges Modell mit PMC-Nutzungsdauer (\(L1\)) und Personenmittelwert der Nutzungsdauer (\(L2\)): Auf \(L1\) zeigt sich ein signifikanter positiver Effekt (\(\beta = 0.08\), \(p < 0.001\)). Auf \(L2\) kein signifikanter Effekt (\(p = 0.607\)). Das marginale \(R^2\) (nur Fixed Effects) beträgt \(0.01\) – der Effekt der Dauer erklärt also nur einen kleinen Anteil der situativen Varianz.

Ergebnisse und Interpretation

  • \(H_1\) gestützt: Es gibt einen statistisch signifikanten, positiven Zusammenhang zwischen Episodendauer und Transportation auf Situationsebene.
  • Effektgröße: Der Zusammenhang ist gering (\(\beta = 0.08\)), aber es wurden durch Person-Mean-Centering bereits alle Personenmerkmale kontrolliert. Von der verbleibenden situativen Varianz (42 %) erklärt die Dauer einen kleinen, aber realen Anteil.
  • Kausalität ungeklärt: Führt Transportation zum längeren Hören, oder führt längeres Hören zu Transportation? Oder gibt es einen gemeinsamen Confounder auf Situationsebene (z. B. Spannung der aktuellen Folge)? Person-Mean-Centering kontrolliert alle Personenvariablen, aber nicht situative Confounder wie die inhaltliche Spannung einer konkreten Folge.

Fazit

  • In-situ-Designs ermöglichen die Erfassung von Mediennutzung (und anderen Variablen) in der Situation oder zeitlich sehr nah daran.
  • Wichtige Vorteile sind vor allem die hohe ökologische Validität (Messung im Alltag), die zeitliche Auflösung sowie die Möglichkeit, situative Effekte von Personeneffekten zu trennen.
  • Der Aufwand ist erheblich – für Teilnehmende (tägliche Mehrfachbefragung über Wochen) und Forschende (Infrastruktur, Monitoring, Incentivierung).
  • Für die Datenanalyse auf Situationsebene sind Mehrebenenmodelle das geeignete Instrument, da Situationen nicht unabhängig voneinander sind (sie stammen von denselben Personen).
  • In-situ-Designs passen besonders gut zu modernen, ortsunabhängigen Mediennutzungsformen und werden in der Kommunikationswissenschaft zunehmend eingesetzt.