Wearable-Daten in Abschlussarbeiten: Mehr Zugang heißt noch lange nicht bessere Forschung
In diesem Beitrag
Die Smartwatch am Handgelenk misst Puls, Schlaf, Schritte und Stresslevel. Eine Gesundheits-App protokolliert Symptome und Aktivität. Ein vernetztes Fahrzeug speichert Fahrverhalten und Leistungsdaten. Für empirische Abschlussarbeiten klingt das wie ein Geschenk: reale Daten, kontinuierlich erhoben, direkt aus dem Alltag der Probandinnen und Probanden.
Doch wer Wearable- oder IoT-Daten in einer Abschlussarbeit nutzen möchte, bekommt nicht automatisch gute Forschungsdaten. Was folgt, ist zunächst ein methodisches Problem.
Der Data Act öffnet die Tür
Seit dem 12. September 2025 ist der EU Data Act anwendbar. Die Europäische Kommission beschreibt ihn als Schritt zu einer faireren und innovativeren europäischen Datenwirtschaft. Das Kernversprechen: Nutzerinnen und Nutzer vernetzter Produkte sollen auf die Daten zugreifen können, die bei der normalen Nutzung entstehen, und diese auch mit Dritten teilen dürfen.
Was genau fällt darunter? Die Bundesnetzagentur konkretisiert: vernetzte Produkte sind Objekte, die Nutzungs-, Leistungs- oder Umgebungsdaten aufzeichnen und über eine Verbindung übertragen können. Die Beispielliste ist lang: Smartwatches, Smart-Home-Geräte, vernetzte Fahrzeuge, medizinische und gesundheitsbezogene Geräte sowie industrielle und landwirtschaftliche Maschinen.
Direkter und indirekter Datenzugang
Der Zugriff kann direkt erfolgen, etwa über Gerätespeicher, Bluetooth, Kabel oder serverbasierte Schnittstellen. Ist das technisch nicht möglich, muss der Dateninhaber laut Bundesnetzagentur einen indirekten Zugang ermöglichen, zum Beispiel über ein Webportal. Ab dem 12. September 2026 gilt außerdem für neu in Verkehr gebrachte vernetzte Produkte unter bestimmten Voraussetzungen eine Produktdesignpflicht für den direkten Datenzugang.
Der Data Act gibt Nutzerinnen und Nutzern das Recht, auf Daten aus vernetzten Produkten zuzugreifen und diese mit Dritten zu teilen. Er senkt damit die Zugangshürde. Ob die Daten für Forschungszwecke geeignet sind, regelt er nicht.
Das ist ein echter Fortschritt. Die Zugangsfrage war lange ein praktisches Hindernis für empirische Arbeiten mit realen Gerätedaten. Dieses Hindernis wird kleiner.
Aber Zugang ist nicht dasselbe wie Qualität.
Was bedeutet das für Abschlussarbeiten?
Für Studierende in Psychologie, Gesundheitswissenschaften, Sportwissenschaften, Sozialwissenschaften oder angrenzenden Feldern öffnet sich ein interessantes neues Datenfeld. Wearable-Daten haben einige echte Vorteile gegenüber klassischen Selbstberichten: Sie entstehen kontinuierlich, sind weniger anfällig für retrospektive Verzerrung und bilden Verhalten direkt ab, ohne dass Befragte sich aktiv erinnern müssen.
Die neue Versuchung
Genau das macht sie verlockend. Die implizite Logik lautet: Automatisch erhobene Daten sind objektiver und deshalb besser als Fragebogendaten.
Diese Logik ist nicht falsch. Aber sie ist unvollständig. Und wer sie unreflektiert übernimmt, läuft in der Abschlussarbeit in eine Reihe methodischer Probleme, die sich schwer korrigieren lassen, wenn man erst kurz vor der Abgabe merkt, dass die Daten nicht stimmen.
Gerätedaten
Smartwatch, App, Sensor, Fahrzeug
Datenzugang
Format, Schnittstelle, Einwilligung, Datenschutz
Datenprüfung
Vollständigkeit, Bias, Selektivität, Ausreißer
Variablenbildung
Rohdaten sinnvoll operationalisieren
Auswertung
Methodisch vertretbar, dokumentiert, verteidigungsfähig
Gerätedaten werden erst durch sorgfältige Planung und Prüfung zu wissenschaftlich belastbaren Forschungsdaten.
Das eigentliche Problem: Selektivität und Bias
Eine bundesweite Beobachtungsstudie aus Deutschland liefert hier die nüchternste Einordnung. Nach Manz et al. in JMIR mHealth and uHealth besaßen lediglich 19,3 Prozent der erwachsenen Bevölkerung in Deutschland ein Consumer Wearable. Von diesen nutzten 77,8 Prozent das Gerät zur Erfassung von Gesundheitsdaten, was 15,0 Prozent der Gesamtbevölkerung entspricht.
Das ist zunächst keine schlechte Ausgangslage. Aber entscheidend ist, wer diese Menschen sind.
Wer trägt eigentlich ein Wearable?
Die Studie zeigt deutlich: Ältere Menschen, Personen mit niedrigem Einkommen und Personen mit geringerer körperlicher Aktivität waren seltener Besitzer oder Nutzer von Wearables. Die häufigsten Motive für die Nutzung waren körperliche Aktivität beobachten (85,0 Prozent), Spaß (79,0 Prozent) und Unterstützung beim Training (66,3 Prozent).
Das bedeutet: Wearable-Daten entstehen bevorzugt bei jüngeren, einkommensstarken und körperlich aktiven Menschen, die ihr Gerät gezielt zur Selbstoptimierung nutzen. Genau die Gruppen, die bei vielen gesundheitsbezogenen Forschungsfragen besonders interessant wären, also ältere Menschen, weniger aktive oder sozioökonomisch benachteiligte Personen, sind in diesen Daten systematisch unterrepräsentiert.
Wer Wearable-Daten ohne Reflexion der Stichprobenzusammensetzung auswertet, riskiert verzerrte Befunde. Die Daten beschreiben nicht die Grundgesamtheit, sondern eine spezifische, selbst selektierte Nutzergruppe. Das muss in jeder Abschlussarbeit offen diskutiert werden.
Die Gegenposition zur verbreiteten Annahme lautet also nicht: Wearable-Daten sind schlecht. Sie lautet: Wearable-Daten sind nicht neutral, nicht automatisch repräsentativ und nicht einfach interpretierbar. Sie brauchen methodisches Gerüst.
Die methodische Arbeit fängt erst jetzt an
Der Data Act senkt Zugangshürden. Das ist gut. Aber wissenschaftliche Qualität entsteht nicht durch einen Exportbutton, sondern durch die Entscheidungen danach.
Wer IoT- oder Wearable-Daten in einer Abschlussarbeit verwenden möchte, steht vor einer Reihe von Fragen, die sich nicht von selbst beantworten.
Vom Rohsignal zur Forschungsvariable
Exportierte Gerätedaten liegen oft als Zeitreihen, CSV-Dateien oder JSON-Strukturen vor. Das klingt handhabbar. Aber: Wie wird aus einem kontinuierlichen Herzfrequenzsignal eine sinnvolle Forschungsvariable? Welches Intervall, welche Aggregation, welcher Bezugszeitraum ist theoretisch begründbar?
Wer das nicht vor der Auswertung klärt, landet im Kolloquium mit einer Variablenbildung, die sich nicht verteidigen lässt.
Fehlende Werte sind keine Seltenheit
Gerätedaten sind nicht vollständig. Sensoren können ausfallen, Nutzerinnen und Nutzer tragen das Gerät nicht jeden Tag, Synchronisierungen schlagen fehl. In der JMIR-Studie trugen beispielsweise nur 47,2 Prozent der Wearable-Nutzer, die Gesundheitsdaten sammelten, das Gerät auch während des Nachtschlafs.
Das bedeutet: Fehlende Werte bei Schlafdaten entstehen nicht zufällig, sondern hängen mit dem Nutzungsverhalten zusammen. Dieser Mechanismus muss dokumentiert und methodisch begründet behandelt werden.
Technische Artefakte und Plausibilitätsprüfung
Gerätedaten enthalten gelegentlich technische Artefakte: unplausible Herzfrequenzspitzen, Bewegungsmuster, die Sensorstörungen widerspiegeln, oder Zeitstempelprobleme nach Zeitzonen- oder Softwareänderungen. Wer diese nicht prüft und dokumentiert, gibt der Betreuungsperson oder der Prüfungskommission eine unzuverlässige Datengrundlage.
Was Sie vor der Auswertung klären müssen
Die entscheidende Botschaft lautet: Wearable- und IoT-Daten sollten nicht erst kurz vor der Abgabe „zur Auswertung“ vorgelegt werden. Die methodische Planung muss früher beginnen, idealerweise bevor der erste Export stattfindet.
Checkliste: Wearable- und IoT-Daten methodisch vorbereiten
- Welche Daten werden tatsächlich exportiert, und in welchem Format liegen sie vor?
- Passen die verfügbaren Variablen zur Forschungsfrage und zu den Hypothesen?
- Wie wird aus den Rohdaten eine sinnvolle, theoretisch begründete Forschungsvariable?
- Welche Zeitintervalle, Aggregationsregeln oder Schwellenwerte werden verwendet und warum?
- Wie werden fehlende Werte behandelt, und entsteht dadurch ein systematischer Bias?
- Wurden technische Artefakte, Ausreißer und Plausibilitätsprobleme geprüft und dokumentiert?
- Ist die Stichprobe hinsichtlich Alter, Einkommen, Aktivitätsniveau und Nutzungsmotiv beschrieben und kritisch bewertet?
- Liegen Einwilligung der Teilnehmenden und ein Datenschutzkonzept vor?
- Sind alle Schritte der Datenaufbereitung nachvollziehbar dokumentiert und im Kolloquium erklärbar?
Das ist keine unrealistische Anforderungsliste. Es ist das methodische Minimum für eine empirische Arbeit, die im Kolloquium standhält.
Wo QuantExpert konkret helfen kann
In der Praxis zeigt sich allerdings, dass dieser Schritt oft unterschätzt wird. Viele Studierende beginnen mit der Datenaufbereitung zu spät oder planen die Variablenbildung nicht explizit, weil sie davon ausgehen, die Software erledige das automatisch.
Genau hier kann methodische Unterstützung den Unterschied machen: nicht als reine Auswertungshilfe am Ende, sondern als Begleitung bei Datenprüfung, Variablenbildung, Bias-Bewertung und nachvollziehbarem Reporting, unabhängig davon, ob die Auswertung in SPSS, R, Python oder einem anderen Tool erfolgt.
Wer Wearable- oder IoT-Daten verwenden möchte, sollte die methodische Planung nicht auf nach dem Datenexport verschieben. Je früher Variablenbildung, Bias-Risiken und Datenschutzfragen geklärt sind, desto weniger Korrekturbedarf entsteht kurz vor der Abgabe.
Der Data Act öffnet den Zugang zu neuen Datenquellen. Ob daraus gute Forschung wird, entscheidet aber nicht der Exportbutton, sondern die Methodik danach.
Wearables, Apps und Sensoren liefern viele Daten. Für eine gute Abschlussarbeit zählt nicht die Datenmenge, sondern die Frage, ob diese Daten sauber erhoben, verstanden, geprüft und begründet ausgewertet werden. Das ist anspruchsvoll. Aber es ist genau das, wofür empirische Wissenschaft steht.
IoT-Daten
EU Data Act
Forschungsmethoden
Datenqualität
Abschlussarbeit
