Content

Nadine Kleine, Max-R. Ulbricht, Karsten Weber, Frank Pallas, Participatory Sensing und Wearable Technologies als partizipative Formen der Datengenerierung im Internet of Things: Potenziale, Herausforderungen und erste Lösungsansätze in:

Michael Decker, Ralf Lindner, Stephan Lingner, Constanze Scherz, Mahshid Sotoudeh (Ed.)

"Grand Challenges" meistern, page 245 - 258

Der Beitrag der Technikfolgenabschätzung

1. Edition 2018, ISBN print: 978-3-8487-4057-4, ISBN online: 978-3-8452-8356-2, https://doi.org/10.5771/9783845283562-245

Series: Gesellschaft - Technik - Umwelt, vol. 20

Bibliographic information
Citation download Share
Nadine Kleine, Max-R. Ulbricht, Karsten Weber, Frank Pallas Participatory Sensing und Wearable Technologies als partizipative Formen der Datengenerierung im Internet of Things: Potenziale, Herausforderungen und erste Lösungsansätze Einleitung Im Zuge der Digitalisierung betrifft die allgegenwärtige Aufnahme, Analyse und Kommunikation unterschiedlichster Daten mittlerweile nahezu sämtliche Lebensbereiche. Neue Formen der Generierung und Nutzung von Daten spannen dabei ein hochkomplexes Netz aus gesellschaftlich hochrelevanten Möglichkeiten und Herausforderungen auf, die – im Sinne einer Grand Challenge – insbesondere auch der soziotechnischen Auseinandersetzung bedürfen. In diesem Beitrag liegt der Fokus auf zwei Technologien, die als Elemente des Internet of Things (IoT) einen spezifischen, nämlich (potenziell) partizipativen Ansatz der Datengenerierung verfolgen: Participatory Sensing und Wearable Technologies. Diese noch relativ neuen technischen Formen der Datengewinnung bringen einerseits eine breite Palette an Möglichkeiten zur Generierung gesellschaftlichen Mehrwerts mit sich, auf der anderen Seite bergen sie jedoch auch soziale Herausforderungen und Problemstellungen, die von individueller Langzeitmotivation bis hin zu Fragen des Datenschutzes reichen und die es zu lösen gilt. Der Beitrag stellt beide Ansätze, die ihnen innewohnenden Konzepte sowie einige sich ergebende Herausforderungen vor. Ebenso werden mögliche Lösungsansätze betrachtet. Die Idee des Internet of Things Die Nutzung von PCs am Arbeitsplatz ebenso wie in Privathaushalten führte zu einer klaren Vorstellung der Mensch-Computer-Beziehung: Der Mensch sitzt vor dem Bildschirm, der als entscheidende Benutzerschnittstelle zwischen Mensch und Technik fungiert, und betritt darüber eine zweite Welt, den virtuellen Raum. Dieses Bild, in dem der Computer im Fokus steht und von NutzerInnen aktiv bedient wird, stand bereits seit den 1980er und frühen 1990er Jahren 1 2 in der Kritik – am prägnantesten vermutlich durch Mark Weiser, der für eine neue Sichtweise auf Informations- und Kommunikationstechnologien plädierte. Der Computer sollte in den Hintergrund treten und dem Menschen, der eigentlich im Fokus stehen sollte, im Alltag assistieren (vgl. Weiser 1991 sowie retrospektiv bspw. Friedewald et al. 2010, S. 33-36). Dieser Vorstellung von Ubiquitous Computing, also der „Allgegenwärtigkeit von Informationstechnik und Computerleistung […], die in prinzipiell alle Alltagsgegenstände eindringen“ (ebd., S. 9) folgten in den letzten Jahren zahlreiche technische Entwicklungen, die heute das Bild des Internet of Things charakterisieren: – dezentrale, miteinander vernetzte Systeme, – Einbettung der Technik in alltägliche Gegenstände, – Unterstützung für mobile NutzerInnen, – Anpassungsfähigkeit an Umgebung und Situation, – proaktive, automatische Funktionalität (vgl. ebd.). Voraussetzung hierfür ist die Sammlung, Analyse und Kommunikation von Daten, die die notwendigen Informationen liefern: Mithilfe von Sensoren werden Daten generiert, die dann zusammengenommen auf relevante Muster hin ausgewertet werden. Im Vergleich mit bereits etablierten Vorgehensweisen der Sensordatennutzung gewinnt in diesem Kontext aktuell insbesondere die Partizipation Einzelner an Bedeutung: Alle, die Technik nutzen, welche im Sinne des Internet of Things Daten generiert, können potenziell zum Informationsgewinn beitragen.1 Das gesellschaftliche Nutzungspotenzial der Informationen ist jedoch hochgradig abhängig von der Art der Geräte und Kontexte; der nutzbare Erkenntnisgewinn durch einen „intelligenten“ Toaster bspw. ist sicherlich geringer als der durch eine Brücke, deren Zustand beständig durch Sensoren vermessen wird (vgl. Schneider et al. 2015). Zwei Technologien sind durch ihre Anwendungsmöglichkeiten hinsichtlich der partizipativen Datengenerierung besonders interessant und werden im Folgenden näher betrachtet: Participatory Sensing, das insbesondere Daten der Umgebung produziert, und Wearable Technologies, die in erster Linie nutzerzentrierte Daten generieren.2 1 Wir werden im Folgenden daher nicht mehr von „NutzerInnen“ sprechen, sondern von „Prosumern“, weil jene Personen, die Participatory Sensing und Wearable Technologies nutzen, meist gleichzeitig etwas produzieren – bspw. Sensordaten (vgl. bspw. Grinnell 2009). 2 Die Unterscheidung von Participatory Sensing (Umgebungsdaten) und Wearable Technologies (primär nutzerbezogene Daten) ist analytischer Natur, die zum besseren Verständnis herangezogen wurde. Im praktischen Anwendungsfeld ist diese nicht trennscharf; so zählen Christin et al. 246 Nadine Kleine, Max-R. Ulbricht, Karsten Weber, Frank Pallas Participatory Sensing Participatory Sensing bezeichnet zum einen eine Technologie zur Datensammlung und ‑analyse; zum anderen realisiert sie die Idee, BürgerInnen und Kommunen in den Prozess der Erfassung und Dokumentation von Umgebungsbedingungen mit einzubeziehen (Goldman et al. 2009, S. 3 f.). Der partizipative Charakter ist, wie der Name unschwer erkennen lässt, grundlegender Natur. Die technischen Umsetzungen sind vielfältig und umfassen sowohl stationäre Geräte als auch mobile Sensoren. Stationäre Geräte kommen insbesondere dann zum Einsatz, wenn Veränderungen eines bestimmten Ortes nachvollzogen werden sollen. Ein Beispiel hierfür ist das Oxford Flood Network: Kostengünstige Sensoren werden so an den Flüssen Themse und Cherwell angebracht, dass der Pegelstand kontinuierlich erfasst wird (vgl. Abbildung 1: Sensor zur Messung von Flusspegelständen). Durch die Übermittlung der an verschiedenen Stellen aufgenommenen Daten an ein Netzwerk können Informationen zu Überflutungsrisiken gewonnen und an die Öffentlichkeit kommuniziert werden, sodass diesen schnell entgegengewirkt werden kann (vgl. Flood Network o. J.). 1 Sensor zur Messung von Flusspegelständen 3 Abbildung 1: Sensor zur Messung von Flusspegelständen Quelle: Flood Network o. J. Eine weitere stationäre Umsetzung stellt das Air Quality Egg dar, das, z. B. montiert am eigenen Haus, den Stickstoffdioxid-, Kohlenstoffmonoxid- oder Feinstaubgehalt der Umgebung erfassen kann. Diese Geräte sind mittlerweile in vielen verschiedenen Ländern in Gebrauch; die generierten Daten sind online auf einer Karte einsehbar (vgl. Air Quality Egg o. J.). Mobiles Participatory Sensing kommt zum Einsatz, wenn es nicht um die beständige Messung und Auswertung ortsbezogener Werte geht, sondern um die Momentaufnahme einer Situation mithilfe verschiedener, möglichst zahlreicher Datenquellen. Dies funktioniert meist über Sensoren, die in mobilen Endgeräten verbaut sind. Eine Anwendungsmöglichkeit ist das Erfassen von Verkehrssituationen: An verkehrstechnisch relevanten Standorten verbaute Basisstationen kommunizieren mit vorbeikommenden Sensoren in Mobiltelefonen und Fahrzeugen (vgl. Abbildung 2: Mobile Sensoren im Straßenverkehr 2). Somit kann in Echtzeit nachvollzogen werden, wie viele Fahrzeuge sich mit welcher Geschwindigkeit in einem bestimmten Streckenabschnitt bewegen. Diese Informationen können, z.B. in Form von Stauwarnungen und Alternativroutenvorschlägen sowohl an die mobilen Endgeräte von VerkehrsteilnehmerInnen als auch über intelligente Straßenschilder kommuniziert werden (vgl. BlipTrack o. J.; Carstens 2016). Abbildung 2: Mobile Sensoren im Straßenverkehr Quelle: Flood Network o. J. 2.1 Abbildung 1: (2011) bspw. Sensoren, die in Turnschuhen verbaut sind, zum nutzerzentrierten Participatory Sensing, während sie hier zu Wearable Technologies zugeordnet werden würden. Participatory Sensing und Wearable Technologies 247 Eine weitere stationäre Umsetzung stellt das Air Quality Egg dar, das, z. B. montiert am eigenen Haus, den Stickstoffdioxid-, Kohlenstoffmonoxid- oder Feinstaubgehalt der Umgebung erfassen kann. Diese Geräte sind mittlerweile in vielen verschiedenen Ländern in Gebrauch; die generierten Daten sind online auf einer Karte einsehbar (vgl. Air Quality Egg o. J.). Mobiles Participatory Sensing kommt zum Einsatz, wenn es nicht um die beständige Messung und Auswertung ortsbezogener Werte geht, sondern um die Momentaufnahme einer Situation mithilfe verschiedener, möglichst zahlreicher Datenquellen. Dies funktioniert meist über Sensoren, die in mobilen Endgeräten verbaut sind. Eine Anwendungsmöglichkeit ist das Erfassen von Verkehrssituationen: An verkehrstechnisch relevanten Standorten verbaute Basisstationen kommunizieren mit vorbeikommenden Sensoren in Mobiltelefonen und Fahrzeugen (vgl. Abbildung 2: Mobile Sensoren im Straßenverkehr ). Somit kann in Echtzeit nachvollzogen werden, wie viele Fahrzeuge sich mit welcher Geschwindigkeit in einem bestimmten Streckenabschnitt bewegen. Diese Informationen können, z.B. in Form von Stauwarnungen und Alternativroutenvorschlägen sowohl an die mobilen Endgeräte von VerkehrsteilnehmerInnen als auch über intelligente Straßenschilder kommuniziert werden (vgl. BlipTrack o. J.; Carstens 2016). 2 Mobile Sensoren im Straßenverkehr 3 Geräte sind mittlerweile in vielen verschiedenen Ländern in Gebrauch; die generierten Daten sind online auf einer Karte einsehbar (vgl. Air Quality Egg o. J.). Mobiles Participatory Sensing kommt zum Einsatz, wenn es nicht um die beständige Messung und Auswertung ortsbezogener Werte geht, sondern um die Momentaufnahme einer Situation mithilfe verschiedener, möglichst zahlreicher Datenquellen. Dies funktioniert meist über Sensoren, die in mobilen Endgeräten verbaut sind. Eine Anwendungsmöglichkeit ist das Erfassen von Verkehrssituationen: An verkehrstechnisch relevanten Standorten verbaute Basisstationen kommunizieren mit vorbeikommenden Sensoren in Mobiltelefonen und Fahrzeugen (vgl. Abbildung 2: Mobile Sensoren im Straßenverkehr 2). Somit kan in Echtzeit nachvollzogen werden, wie iele Fahrz uge sich mit welcher Geschwindi keit in einem bestimmt n Streckenabschnitt bewegen. Diese Informationen können, z.B. in Form von Stauwarnungen u d Alternativroutenvorschlägen sowohl an die mobilen Endgeräte von VerkehrsteilnehmerInnen als auch über intelligente Straßenschilder kommuniziert werden (vgl. BlipTrack o. J.; Carstens 2016). Abbildung 2: Mobile Sensoren im Straßenverkehr Quelle: Carstens 2016 Ein anderes Beispiel für mobiles Participatory Sensing ist die Messung von Lärmbelastung via Smartphone-Sensoren: Auf Grundlage von Messungen durch möglichst viele Prosumer soll eine Lärmkarte angefertigt werden, die sowohl BürgerInnen als auch administrative und wissenschaftliche Stellen über die Geräuschentwicklung informiert (vgl. Maisonneuve et al. 2009; Noise Tube o. J.). 2.2 Wearable Technologies Wearable Technologies umfassen alle Sensoren und Geräte, die am Körper getragen werden und ständig im Einsatz sind, ohne dass sie aktiv bedient werden müssen (vgl. Starner 2014). Hierbei können im Wesentlichen vier Funktionen unterschieden werden: Tracking (physiologischer) Daten, Monitoring ebendieser, Kommunikation der Informationen an andere Geräte und/oder Prosumer sowie die Bereitstellung zusätzlicher, kontextbezogener Informationen durch Augmentation. Wearables finden sich in verschiedenen Anwendungsfeldern, wenngleich sie für die Aufzeichnung physiologischer Daten insbesondere im Gesundheits- und Fitnessbereich genutzt werden. Die Auswahl Quelle: Carstens 2016 Abbildung 2: 248 Nadine Kleine, Max-R. Ulbricht, Karsten Weber, Frank Pallas Ein anderes Beispiel für mobiles Participatory Sensing ist die Messung von Lärmbelastung via Smartphone-Sensoren: Auf Grundlage von Messungen durch möglichst viele Prosumer soll eine Lärmkarte angefertigt werden, die sowohl BürgerInnen als auch administrative und wissenschaftliche Stellen über die Geräuschentwicklung informiert (vgl. Maisonneuve et al. 2009; Noise Tube o. J.). Wearable Technologies Wearable Technologies umfassen alle Sensoren und Geräte, die am Körper getragen werden und ständig im Einsatz sind, ohne dass sie aktiv bedient werden müssen (vgl. Starner 2014). Hierbei können im Wesentlichen vier Funktionen unterschieden werden: Tracking (physiologischer) Daten, Monitoring ebendieser, Kommunikation der Informationen an andere Geräte und/oder Prosumer sowie die Bereitstellung zusätzlicher, kontextbezogener Informationen durch Augmentation. Wearables finden sich in verschiedenen Anwendungsfeldern, wenngleich sie für die Aufzeichnung physiologischer Daten insbesondere im Gesundheits- und Fitnessbereich genutzt werden. Die Auswahl an Geräten ist dabei ausgesprochen vielfältig; exemplarisch sollen hier lediglich drei Wearable-Arten vorgestellt werden, die seit Jahren existieren und paradigmatisch für die wichtigsten Benutzerschnittstellen stehen: Intelligente Armbänder, Kleidungsstücke sowie Brillen (vgl. Abbildung 3: Beispiele von relevanten Wearable-Arten). Intelligente Armbänder, bspw. Fitnesstracker und Smartwatches, sind die am weitesten verbreitete Wearable-Art. Durch verschiedene Sensoren können u.a. der Standort, die bewältigte Schrittanzahl und der Kalorienverbrauch der TrägerInnen aufgenommen und somit die körperliche Verfassung bzw. physische Aktivitäten festgehalten und ggf. in sozialen Netzwerken mit anderen verglichen werden (vgl. Garmin Connect o.J.). In Kleidung vernähte Sensoren sind noch nicht allgemein verbreitet, werden jedoch besonders im medizinischen und Fitnessbereich zunehmend genutzt. Hierbei können Sensoren, bspw. in eine Säuglingssocke vernäht, physiologische Daten wie Herzfrequenz, Temperatur oder Sauerstoffzufuhr kontinuierlich messen und Anomalien melden, sodass der Gesundheitszustand jederzeit und überall kontrolliert werden kann (vgl. Owlet Care o.J.). 2.2 Participatory Sensing und Wearable Technologies 249 Beispiele von relevanten Wearable-Arten 4 Quellen: Garmin Connect o.J., Owlet Care o.J., Vuzix o.J. Auch wenn die Idee der intelligenten Brillen und Head Mounted Displays seit Jahrzehnten existiert, sind Geräte für EndnutzerInnen, nicht zuletzt aufgrund ihres Preises, noch wenig verbreitet. Sie haben jedoch großes Potenzial, dem Menschen mittels Augmentation zu assistieren: Bei der Betrachtung der unmittelbaren Umgebung durch das See-Through-Display werden den TrägerInnen zum Kontext passende Informationen, bspw. Wegbeschreibungen, angezeigt (vgl. Nguyen et al. 2014; Sapargaliyev 2015). Außerdem ist es möglich, das eigene Blickfeld per Kamerasensor aufzunehmen und mit anderen zu teilen (vgl. Vuzix o.J.). 3 Gesellschaftliche Potenziale der partizipativen Datengenerierung Die meisten der oben vorgestellten Technologien sind mit relativ niedrigen Einstiegshürden verbunden: Die Geräte gibt es meist schon in kostengünstiger Form (so sind einfache Fitnesstracker mittlerweile für unter 30€ erhältlich) und die Handhabung ist simpel und intuitiv gestaltet. Participatory Sensing und Wearable Technologies sind in der Regel ohne viel Vor- oder Fachwissen nutzbar, sodass im Grunde jede interessierte Person sie verwenden und somit ein aktiver Teil des Datengenerierungsprozesses werden kann. Da es auch in wachsendem Ausmaß offene Lösungen zur gemeinsamen Datennutzung gibt und die verfügbare Technik damit unabhängig von proprietären und meist intransparenten Plattformen genutzt werden kann, steht dem Teilen von Daten kaum mehr etwas entgegen (solange man zunächst einmal bspw. von Bedenken bezüglich Datenmissbrauchs absieht). Auf diese Weise können partizipative Technologien einen Beitrag zu einer offenen Wissenschaft (Open Science) mit starker Bürgerbeteiligung (Citizen Science) leisten (zur Definition vgl. bspw. Fecher/Friesike 2014; GEWISS 2016). Die so gewonnenen Daten verfügen über das Potenzial, neue Erkenntnisse über die Prosumer und deren Umwelt zu liefern. Bereits die Daten einzelner Sensoren bzw. die Daten einzelner Personen lassen Aussagen über Aktivitäten und Zustände zu. Werden Daten darüber hinaus von verschiedenen Sensoren über einen längeren Zeitraum gemeinsam gesammelt und in Kombination ausgewertet, ist es möglich, Zusammenhänge und Muster zu erkennen. Der daraus resultierende Informationsgewinn umfasst, je nach Art und Menge der Daten, konkrete bis allgemeingültige Aussagen über den Zustand von Menschen und ihrer Umwelt. Quellen: Garmin Connect o.J., Owlet Care o.J., Vuzix o.J. Auch wenn die Idee der intelligenten Brillen und Head Mounted Displays seit Jahrzehnten existiert, sind Geräte für EndnutzerInnen, nicht zuletzt aufgrund ihres Preises, noch wenig verbreitet. Sie haben jedoch großes Potenzial, den Menschen mittels Augmentation zu assistieren: Bei der Betrachtung der unmitt lbaren Umgebung durch as See-Through-D splay werden den TrägerInnen zum Kontext passende Informationen, bspw. Wegbeschreibungen, angezeigt (vgl. Nguyen et al. 2014; Sapargaliyev 2015). Außerdem ist es möglich, das eigene Blickfeld per Kamerasensor aufzunehmen und mit anderen zu teilen (vgl. Vuzix o.J.). Gesellschaftliche Potenziale der partizipativen Datengenerierung Die meisten der oben vorgestellten Technologien sind mit relativ niedrigen Einstiegshürden verbunden: Die Geräte gibt es meist schon in kostengünstiger Form (so sind einfache Fitnesstracker mittlerweile für unter 30€ erhältlich) und die Handhabung ist simpel und intuitiv gestaltet. Participatory Sensing und Abbildung 3: 3 250 Nadine Kleine, Max-R. Ulbricht, Karsten Weber, Frank Pallas Wearable Technologies sind in der Regel ohne viel Vor- oder Fachwissen nutzbar, sodass im Grunde jede interessierte Person sie verwenden und somit ein aktiver Teil des Datengenerierungsprozesses werden kann. Da es auch in wachsendem Ausmaß offene Lösungen zur gemeinsamen Datennutzung gibt und die verfügbare Technik damit unabhängig von proprietären und meist intransparenten Plattformen genutzt werden kann, steht dem Teilen von Daten kaum mehr etwas entgegen (solange man zunächst einmal bspw. von Bedenken bezüglich Datenmissbrauchs absieht). Auf diese Weise können partizipative Technologien einen Beitrag zu einer offenen Wissenschaft (Open Science) mit starker Bürgerbeteiligung (Citizen Science) leisten (zur Definition vgl. bspw. Fecher/Friesike 2014; GEWISS 2016). Die so gewonnenen Daten verfügen über das Potenzial, neue Erkenntnisse über die Prosumer und deren Umwelt zu liefern. Bereits die Daten einzelner Sensoren bzw. die Daten einzelner Personen lassen Aussagen über Aktivitäten und Zustände zu. Werden Daten darüber hinaus von verschiedenen Sensoren über einen längeren Zeitraum gemeinsam gesammelt und in Kombination ausgewertet, ist es möglich, Zusammenhänge und Muster zu erkennen. Der daraus resultierende Informationsgewinn umfasst, je nach Art und Menge der Daten, konkrete bis allgemeingültige Aussagen über den Zustand von Menschen und ihrer Umwelt. Da diese Informationen dank schneller Datenverarbeitungsprozesse ohne (größere) Zeitverzögerung vorliegen, ist es möglich, auf deren Grundlage schnell zu reagieren. So können physiologische Daten bspw. im Gesundheitsbereich für die Prognose und ggf. Einleitung von Präventivmaßnahmen von Grippewellen herangezogen werden. Auch unerwartete Situationen in der Umwelt, wie z.B. ein erhöhtes Smogrisiko, werden schneller aufgedeckt. Im größeren Kontext ist es möglich, Erkenntnisse über Zusammenhänge zwischen erfassten Daten und anderen Sachverhalten zu gewinnen. Dies könnte u.a. interessant für Versicherungen sein: Eine Hausratsversicherung könnte bspw. unter der Berücksichtigung des lokalen Hochwasserrisikos individuell anstatt nach verallgemeinernden Schätzungen berechnet werden. Prosumer können nicht nur den Aufwand der Datenaufnahme und ‑verarbeitung an intelligente Systeme abgeben und somit eigene Ressourcen einsparen, sondern haben dadurch zudem die Möglichkeit, neue Erkenntnisse über sich und ihre Umwelt zu gewinnen und ihr Leben dementsprechend bewusster zu gestalten. Gesamtgesellschaftlich kann sowohl der Informationsgewinn als auch die gesellschaftliche Teilhabe daran ebenfalls zu einem Mehrwert führen: Je mehr Daten zusammenkommen und je mehr Menschen sich an deren Sammlung beteiligen, desto größer ist deren Aussagekraft – und desto besser können die Erkenntnisse genutzt werden, um das Leben aller zu verbessern. Was zunächst nur nach erhöhter Effizienz und gesellschaftlichem Mehrwert aussieht, Participatory Sensing und Wearable Technologies 251 kann zudem die Autonomie der Prosumer erhöhen und zu deren Empowerment beitragen, da sie selbstbestimmt und eigenverantwortlich an Prozessen teilhaben können, die ansonsten spezifischen und meist abgeschlossenen Subsystemen der Gesellschaft (z.B. Wissenschaft, Verwaltung) vorbehalten sind. Soziale Herausforderungen der partizipativen Datengenerierung Die bisher beschriebene partizipative Nutzung der vorgestellten Technologien beruht auf der Annahme, dass viele Menschen dauerhaft motiviert sind, die zu Grunde liegenden Daten durch Nutzung bzw. Betrieb möglichst vieler Sensoren zu erzeugen und bereitzustellen. Gelingt es nicht, diese Motivation langfristig aufrecht zu erhalten und die Bereitstellung von Sensordaten zu sichern, so bricht die Grundlage der beschriebenen partizipativen Ansätze weg. Eine weitere Schwierigkeit ist die Sicherstellung der Validität der Daten. Dies betrifft insbesondere zwei Aspekte: Fehlerhafte Technik und fehlerhafte Bedienung. Gerade im Fall von Selbstbaugeräten für das Participatory Sensing sind Fehler im Aufbau, bei der Kalibrierung oder auch bei der Aufstellung denkbar. Wearable Technologies sind in der Regel zwar so gestaltet, dass die Bedienung sehr leicht fällt, doch auch hier können Daten verfälscht werden, bspw. wegen durch Kleidung verdeckter Sensoren oder fehlerhafter Kalibrierung. Darüber hinaus kann das Bewusstsein, dass die aufgezeichneten Daten eine bestimmte Aussage implizieren, ein Anreiz sein, die Daten bewusst zu manipulieren. Wenn bspw. die Beitragshöhe der Hausratversicherung davon abhängt, welches Überflutungsrisiko sich aus den Daten der Sensoren am nahe gelegenen Fluss ableiten lässt, gäbe es für den Hausbesitzer durchaus den Anreiz, diese Daten, z.B. durch eine veränderte Anbringung der Geräte, zu verfälschen.3 Selbst wenn die Datenqualität gesichert wäre, birgt die Erhebung zudem nicht zu unterschätzende Gefahren für den Datenschutz: Durch die Aufzeichnung verschiedener Daten des menschlichen Körpers sowie dessen direkter und erweiterter Umgebung ist es möglich, ein recht genaues personenbeziehbares Profil zu erstellen. Auch die in diesem Kontext oftmals angeführte Anonymisierung von Daten kann dieses Risiko nicht überzeugend eliminieren: wird bspw. aufgezeichnet, dass eine Person jeden Morgen ungefähr zur gleichen Uhrzeit von Haus A (ausgestattet mit stationären Sensoren) mit einem Auto des Modells B über die immer gleiche (intelligente) Straße zu Haus C fährt (wel- 4 3 Damit sind Motive zur Kompromittierung von Daten und Sensoren sicherlich nicht ausgeschöpft; Cyberattacken wie Hacking um des Hackens willen, Vandalismus, die gezielte Zerstörung von Infrastrukturen u.Ä. sind ebenfalls denkbare Gefährdungen. 252 Nadine Kleine, Max-R. Ulbricht, Karsten Weber, Frank Pallas ches ebenfalls mit Sensoren ausgestattet ist), um dort insgesamt 40 Stunden in der Woche zu verweilen, so lässt sich durch die verknüpfende Analyse der Daten der im Haus A lebenden, im Haus C arbeitenden und das Automodell B besitzende Personen mit hoher Wahrscheinlichkeit der Prosumer identifizieren4. Abgesehen von der unerwünschten De-Anonymisierung bergen die erhobenen Daten zudem die Gefahr, bestimmte soziale Gruppen zu diskriminieren. Wenn z.B. eine spezifische Umgebung durch beständig mindere Luftqualität als schlecht konnotiert wird und die dort lebenden Personen bei Abschluss privater Zusatzkrankenversicherungen benachteiligt werden, kann die Abhängigkeit der Versicherungsbeiträge von den Umweltdaten für viele Menschen nachteilig werden. Die hier skizzierten Herausforderungen zeigen, dass einige Voraussetzungen, die zur effektiven partizipativen Nutzung von Technologien notwendig sind, nicht ohne weiteres gegeben sind. Auch birgt die Datengewinnung nicht nur das Potenzial, Menschen ein besseres oder sinnstiftendes Leben zu ermöglichen, sondern auch das Risiko, sie in ihrem Verhalten zu überwachen oder gar zu beeinflussen. Mögliche Lösungsansätze Die Motivation potenzieller Prosumer kann durch verschiedene Anreize gesteigert werden: Zum einen könnte die intrinsische Motivation durch niedrig gehaltene Einstiegshürden (sinkende Preise, leichtere Handhabung) und dem Verdeutlichen der positiven Aspekte für die Prosumer selbst gefördert werden. Zum anderen ist es denkbar, extrinsische Anreize zu schaffen, bspw. in Form von Reputation, Rabatten bei Versicherungen oder auch Micropayments (vgl. Restuccia et al. 2016). Dies sollte dazu führen, dass sowohl die Nutzungsdauer als auch die Anzahl verwendeter Sensoren zunimmt. Etwaigen Problemen in Hinblick auf die Datenqualität werden üblicherweise technische Lösungsansätze entgegengesetzt; dies sind in erster Linie kryptografische Methoden (vgl. Kothmayr et al. 2013; Ukil et al. 2011), die algorithmische Repräsentation von Vertrauen und Vertrauenswürdigkeit5 (zum Überblick vgl. Atzori et al. 2011, zu Lösungsansätzen Nitti et al. 2012; Nitti et al. 5 4 Dass zur De-Anonymisierung weit weniger Datenpunkte als im skizzierten Szenario nötig sind, haben verschiedene Studien eindrucksvoll verdeutlicht (vgl. bspw. de Montjoye et al. 2013; Narayanan/Shmatikov 2008). 5 Im sog. Sozialen Internet der Dinge können auch Sensoren verschiedene Formen von Beziehungen zueinander haben, sodass sich diesen konkrete Werte für Vertrauenswürdigkeit zuordnen lassen. Diese basieren unter anderem auf Erfahrungen früherer Zusammenarbeit sowie Erfah- Participatory Sensing und Wearable Technologies 253 2014; Nitti et al. 2015) sowie Fehlerkorrekturverfahren (vgl. Faltings/Radanovic 2017; Javed/Wolf 2012; Quan et al. 2012). Darüber hinaus wäre es vorstellbar, durch soziale Sensorvalidierung die notwendigen Qualitätsstandards zu sichern. Hierfür könnte auf Konzepte der Open Source-Kultur wie die Commons Based Peer Production zurückgegriffen werden und/oder auf bestimmte Tugenden des Teilens und des Teilnehmens aufgebaut werden (vgl. Benkler/Nissenbaum 2006). Dies setzt voraus, dass alle Beteiligten sich bestimmten moralischen Werten und gemeinsamen Zielen verpflichtet fühlen und funktionierende soziale Sanktionsmechanismen existieren, die Fehlverhalten effektiv bestrafen und Wohlverhalten belohnen. Ob diese Form der Regulierung jenseits von Markt und Staat ganz ohne harte Sanktionsmechanismen, bspw. Gesetze, funktionieren kann, kann nur empirisch beantwortet werden. Open Source funktioniert in vielen Fällen, denn bei ernsten Konflikten, bspw. bei Verletzung der Softwarelizenz, kann dort auf die Urheberrechtsgesetzgebung zurückgegriffen werden. Andere Beispiele wie die Wikipedia zeigen jedoch, dass Konflikte sehr langwierig und deren Schlichtung sehr umstritten sein können. Das Thema Datenschutz stellt darüber hinaus eine ganz eigene Grand Challenge dar (vgl. Ulbricht/Weber 2017). So muss gewährleistet werden, dass die Nutzenden anonym agieren können und ihre Daten weder ungewollt weitergegeben noch für nicht-autorisierte Zwecke verwendet werden. Um dies zu gewährleisten, konzentrieren sich aktuelle Forschungsvorhaben6 auf die Entwicklung von technischen Verfahren für Spezifikation, Management und Durchsetzung von mit Sensordaten verknüpften, differenzierten Privatsphäreneinstellungen und darüber hinausgehenden Nutzungsrechten (vgl. Ulbricht/Pallas 2016). Fazit Aus dem Potenzial von Participatory Sensing und Wearable Technologies einen Mehrwert für Individuen und Gesellschaft zu generieren, ergeben sich soziale Herausforderungen, für die es noch keine tragfähigen Lösungen gibt. Wo bereits Lösungsansätze existieren, stehen diese zudem oftmals in Konflikt mit den eigentlich intendierten Zielen und schaffen somit neue Herausforderungen: Bie- 6 rungswerten der ‚befreundeten‘ Sensoren und des Dienstanbieters. So werden Beobachtungen des Verhaltens und der gelieferten Daten eines Sensors (in der Vergangenheit) genutzt, um die Vertrauenswürdigkeit aktueller und zukünftiger Werte dieses Sensors abzuschätzen bzw. zu berechnen. 6 Vgl. bspw. das Projekt Einwilligungsmanagement für das Internet der Dinge, an dem zwei der Autoren dieses Beitrags beteiligt sind: http://www.ise.tu-berlin.de/menue/projekte/emidd/ (aufgesucht am 18.05.2017). 254 Nadine Kleine, Max-R. Ulbricht, Karsten Weber, Frank Pallas tet man materielle Anreize für Participatory Sensing, müssen diese irgendwie generiert werden – ein Weg hierzu ist eine Form der Kommerzialisierung von Participatory Sensing, die jedoch einigen Auffassungen von Open und Citizen Science widerspricht. Setzt man auf soziale Sensorvalidierung, kann eine möglicherweise teure Regulierungsstruktur gespart werden, aber der Aufwand, insbesondere der negativen Sanktionierung von Fehlverhalten, erzeugt Kosten bei allen anderen Beteiligten und verursacht potenziell ein Trittbrettfahren zweiter Ordnung. Die oben genannten Beispiele für partizipative Technologien, deren Herausforderungen und Lösungsansätze belegen die Ambivalenz des Themas Internet of Things: Verschiedene Ansprüche, ungewisse Entwicklungen und nicht-intendierte Technikfolgen sind hiermit verknüpft. Participatory Sensing und Wearable Technologies haben sich zwar bislang noch nicht auf breiter gesellschaftlicher Ebene durchgesetzt; da aber davon ausgegangen werden kann, dass die Datengenerierung im Internet of Things in Zukunft deutlich zunehmen wird, ist die Auffassung dieses Themas als Grand Challenge der Technikfolgenabschätzung durchaus gerechtfertigt und eine breite Auseinandersetzung damit dringend geboten. Literatur Air Quality Egg (o.J.): Community-led sensing network. http://airqualityegg.com/ (aufgesucht am 10.05.2017) Atzori, L.; Iera, A.; Morabito, G. (2011): SIoT: Giving a social structure to the Internet of Things. In: IEEE Communications Letters 15(11), S. 1193-1195 Benkler, Y.; Nissenbaum, H. (2006): Commons-based peer production and virtue. In: Journal of Political Philosophy 14(4), S. 394-419 BlipTrack (o.J.): Road Traffic Solutions. https://blipsystems.com/traffic/ (aufgesucht am 12.05.2017) Carstens, C. (2016): Your mobile phone can help predict traffic jams. https://www.move-forward.co m/your-mobile-phone-can-help-predict-traffic-jams/ (aufgesucht am 12.05.2017) Christin, D.; Reinhardt, A.; Kanhere, S.S.; Hollick; M. (2011): A survey on privacy in mobile participatory sensing applications. In: Journal of Systems and Software 84(11), S. 1928-1946 de Montjoye, Y.-A.; Hidalgo, C.A.; Verleysen, M.; Blondel, V.D. (2013): Unique in the Crowd: The privacy bounds of human mobility. Scientific Reports 3, Art.No. 1376. https://www.nature.co m/articles/srep01376 (aufgesucht am 18.05.2017) Faltings, B.; Radanovic, G. (2017): Mechanismen zur Beschaffung korrekter Daten. In: Informatik Spektrum 40(1), S. 64-74 Fecher, B.; Friesike, S. (2014): Open science: One term, five schools of thought. In: Bartling, S.; Friesike, S. (Hg.): Opening Science. Cham, S. 17-48 Participatory Sensing und Wearable Technologies 255 Flood Network (o.J.): How it works. https://flood.network/how-it-works/ (aufgesucht am 09.05.2017) Friedewald, M.; Raabe, O.; Georgieff, P.; Koch, D. J.; Neuhäusler, P. (2010): Ubiquitäres Computing: Das „Internet der Dinge“ – Grundlagen, Anwendungen, Folgen. Berlin Garmin Connect (o.J.): Funktionen. https://connect.garmin.com/de-DE/features/ (aufgesucht am 12.05.2017) GEWISS (2016): Grünbuch Citizen Science Strategie 2020 für Deutschland. Berlin: Projekt „Bürger schaffen Wissen – Wissen schafft Bürger“ (GEWISS). https://www.leibniz-gemeinschaft.d e/fileadmin/user_upload/downloads/Forschung/Citizen_Science/Gruenbuch_Citizen_Science. pdf (aufgesucht am 01.05.2017) Goldman, J; Shilton, K.; Burke, J.; Estrin, D.; Hansen, M.; Ramanathan, N.; Reddy, S.; Samanta, V.; Srivastava, M.; West, R. (2009): Participatory Sensing. A citizen-powered approach to illuminating the patterns that shapes our world. https://www.wilsoncenter.org/sites/default/files/p articipatory_sensing.pdf (aufgesucht am 06.05.2017) Grinnell, C.K. (2009): From Consumer to Prosumer to Produser: Who Keeps Shifting My Paradigm? (We Do!). In: Public Culture 21(3), S. 577-598 Javed, N.; Wolf, T. (2012): Automated sensor verification using outlier detection in the Internet of Things. In: 32nd International Conference on Distributed Computing Systems Workshops. IEEE, S. 291-296 Kothmayr, T.; Schmitt, C.; Hu, W.; Brünig, M.; Carle, G. (2013): DTLS based security and twoway authentication for the Internet of Things. In: Ad Hoc Networks 11(8), S. 2710-2723 Maisonneuve, N.; Stevens, M.; Niessen, M.E.; Steels, L. (2009): Noise Tube: Measuring and mapping noise pollution with mobile phones. In: Athanasiadis, I.N.; Rizzoli, A.E.; Mitkas, P.A.; Goméz, J.M. (Hg.) (2009): Information Technologies in Environmental Engineering. Berlin, Heidelberg, S. 215-228 Narayanan, A.; Shmatikov, V. (2008): Robust de-anonymization of large sparse datasets. In: IEEE Symposium on Security and Privacy, S. 111-125 Nguyen, E.; Modak, T.; Dias, E.; Yu, Y.; Huang, L. (2014): Fitnamo: Using Bodydata to Encourage Exercise Through Google Glass. In: CHI’14 Extended Abstracts on Human Factors in Computing Systems. ACM, S. 239-244 Nitti, M.; Atzori, L.; Cvijikj, I.P. (2015): Friendship selection in the social internet of things: challenges and possible strategies. In: IEEE Internet of Things Journal 2(3), S. 240-247 Nitti, M.; Girau, R.; Atzori, L. (2014): Trustworthiness Management in the Social Internet of Things. In: IEEE Transactions on Knowledge and Data Engineering 26(5), S. 1253-1266 Nitti, M.; Girau, R.; Atzori, L.; Iera, A.; Morabito, G. (2012): A subjective model for trustworthiness evaluation in the social internet of things. In: IEEE 23rd International Symposium on Personal Indoor and Mobile Radio Communications (PIMRC), S. 18-23 Noise Tube (o.J.): Turn your mobile phone into an environmental sensor and participate in the monitoring of noise pollution. http://www.noisetube.net/ (aufgesucht am 10.05.2017) Owlet Care (o.J.): Peace of Mind with Smart Sock 2. http://www.owletcare.com/ (aufgesucht am 13.05.2017) 256 Nadine Kleine, Max-R. Ulbricht, Karsten Weber, Frank Pallas Quan, Z.; Gui, F.; Xiao, D.; Tang, Y. (2012): Trusted architecture for farmland wireless sensor networks. In: IEEE 4th International Conference on Cloud Computing Technology and Science (CloudCom), S. 782-787 Restuccia, F.; Das, S.K.; Payton, J. (2016): Incentive mechanisms for Participatory Sensing: Survey and research challenges. In: ACM Transactions on Sensor Networks 12(2), Article No. 13 Sapargaliyev, D. (2015): Learning with Wearable Technologies: A Case of Google Glass. In: Brown, T.H.; van der Merwe, H.J. (Hg.): The Mobile Learning Voyage – From Small Ripples to Massive Open Waters: 14th World Conference on Mobile and Contextual Learning (MLearn). Cham, S. 343-350 Schneider, R.; Fischer, J.; Straub, D.; Thöns, S.; Bügler, M.; Borrmann, A. (2015): Intelligente Bauwerke: Prototyp zur Ermittlung der Schadens- und Zustandsentwicklung für Elemente des Brückenmodells. Bremen Starner, T.E. (2014): How Wearables Worked their Way into the Mainstream. In: IEEE Pervasive Computing 13(4), S. 10-15 Ukil, A.; Sen, J.; Koilakonda, S. (2011): Embedded security for Internet of Things. In: 2nd National Conference on Emerging Trends and Applications in Computer Science (NCETACS). IEEE, S. 1-6 Ulbricht, M.-R.; Pallas, F. (2016): CoMaFeDS: Consent Management for Federated Data Sources. In: 2nd International IEEE Workshop on Legal and Technical Issues in Cloud Computing and the Internet of Things (CLaw), International Conference on Cloud Engineering Workshop Proceedings, S. 106-111 Ulbricht, M.R.; Weber, K. (2017): Adieu Einwilligung? In: Friedewald, M.; Lamla, J.; Roßnagel, A. (Hg.): Informationelle Selbstbestimmung im digitalen Wandel. Wiesbaden, S. 265-286 Vuzix (o.J.): View the Future. https://www.vuzix.com/Products/m100-smart-glasses (aufgesucht am 15.05.2017) Weiser, M. (1991): The Computer for the 21st Century. In: Scientific American 265, S. 94-104 Participatory Sensing und Wearable Technologies 257

Chapter Preview

References
Air Quality Egg (o.J.): Community-led sensing network. <http://airqualityegg.com/> (aufgesucht am 10.05.2017)
Atzori, L.; Iera, A.; Morabito, G. (2011): SIoT: Giving a social structure to the Internet of Things. In: IEEE Communications Letters 15(11), S. 1193-1195 https://doi.org/10.1109/LCOMM.2011.090911.111340
Benkler, Y.; Nissenbaum, H. (2006): Commons-based peer production and virtue. In: Journal of Political Philosophy 14(4), S. 394-419 https://doi.org/10.1111/j.1467-9760.2006.00235.x
BlipTrack (o.J.): Road Traffic Solutions. <https://blipsystems.com/traffic/> (aufgesucht am 12.05.2017)
Carstens, C. (2016): Your mobile phone can help predict traffic jams. <https://www.move-forward.com/your-mobile-phone-can-help-predict-traffic-jams/> (aufgesucht am 12.05.2017)
Christin, D.; Reinhardt, A.; Kanhere, S.S.; Hollick; M. (2011): A survey on privacy in mobile participatory sensing applications. In: Journal of Systems and Software 84(11), S. 1928-1946 https://doi.org/10.1016/j.jss.2011.06.073
de Montjoye, Y.-A.; Hidalgo, C.A.; Verleysen, M.; Blondel, V.D. (2013): Unique in the Crowd: The privacy bounds of human mobility. Scientific Reports 3, Art.No. 1376. <https://www.nature.com/articles/srep01376> (aufgesucht am 18.05.2017) https://doi.org/10.1038/srep01376
Faltings, B.; Radanovic, G. (2017): Mechanismen zur Beschaffung korrekter Daten. In: Informatik Spektrum 40(1), S. 64-74 https://doi.org/10.1007/s00287-016-1010-5
Fecher, B.; Friesike, S. (2014): Open science: One term, five schools of thought. In: Bartling, S.; Friesike, S. (Hg.): Opening Science. Cham, S. 17-48 https://doi.org/10.1007/978-3-319-00026-8_2
Flood Network (o.J.): How it works. <https://flood.network/how-it-works/> (aufgesucht am 09.05.2017)
Friedewald, M.; Raabe, O.; Georgieff, P.; Koch, D. J.; Neuhäusler, P. (2010): Ubiquitäres Computing: Das „Internet der Dinge“ - Grundlagen, Anwendungen, Folgen. Berlin https://doi.org/10.5771/9783845269955-186
Garmin Connect (o.J.): Funktionen. <https://connect.garmin.com/de-DE/features/> (aufgesucht am 12.05.2017)
GEWISS (2016): Grünbuch Citizen Science Strategie 2020 für Deutschland. Berlin: Projekt „Bürger schaffen Wissen - Wissen schafft Bürger“ (GEWISS). <https://www.leibniz-gemeinschaft.de/fileadmin/user_upload/downloads/Forschung/Citizen_Science/Gruenbuch_Citizen_Science.pdf> (aufgesucht am 01.05.2017)
Goldman, J; Shilton, K.; Burke, J.; Estrin, D.; Hansen, M.; Ramanathan, N.; Reddy, S.; Samanta, V.; Srivastava, M.; West, R. (2009): Participatory Sensing. A citizen-powered approach to illuminating the patterns that shapes our world. <https://www.wilsoncenter.org/sites/default/files/participatory_sensing.pdf> (aufgesucht am 06.05.2017)
Grinnell, C.K. (2009): From Consumer to Prosumer to Produser: Who Keeps Shifting My Paradigm? (We Do!). In: Public Culture 21(3), S. 577-598 https://doi.org/10.1215/08992363-2009-009
Javed, N.; Wolf, T. (2012): Automated sensor verification using outlier detection in the Internet of Things. In: 32nd International Conference on Distributed Computing Systems Workshops. IEEE, S. 291-296 https://doi.org/10.1109/ICDCSW.2012.78
Kothmayr, T.; Schmitt, C.; Hu, W.; Brünig, M.; Carle, G. (2013): DTLS based security and two-way authentication for the Internet of Things. In: Ad Hoc Networks 11(8), S. 2710-2723 https://doi.org/10.1016/j.adhoc.2013.05.003
Maisonneuve, N.; Stevens, M.; Niessen, M.E.; Steels, L. (2009): Noise Tube: Measuring and mapping noise pollution with mobile phones. In: Athanasiadis, I.N.; Rizzoli, A.E.; Mitkas, P.A.; Goméz, J.M. (Hg.) (2009): Information Technologies in Environmental Engineering. Berlin, Heidelberg, S. 215-228
Narayanan, A.; Shmatikov, V. (2008): Robust de-anonymization of large sparse datasets. In: IEEE Symposium on Security and Privacy, S. 111-125 https://doi.org/10.1109/SP.2008.33
Nguyen, E.; Modak, T.; Dias, E.; Yu, Y.; Huang, L. (2014): Fitnamo: Using Bodydata to Encourage Exercise Through Google Glass. In: CHI’14 Extended Abstracts on Human Factors in Computing Systems. ACM, S. 239-244 https://doi.org/10.1145/2559206.2580933
Nitti, M.; Atzori, L.; Cvijikj, I.P. (2015): Friendship selection in the social internet of things: challenges and possible strategies. In: IEEE Internet of Things Journal 2(3), S. 240-247 https://doi.org/10.1109/JIOT.2014.2384734
Nitti, M.; Girau, R.; Atzori, L. (2014): Trustworthiness Management in the Social Internet of Things. In: IEEE Transactions on Knowledge and Data Engineering 26(5), S. 1253-1266 https://doi.org/10.1109/TKDE.2013.105
Nitti, M.; Girau, R.; Atzori, L.; Iera, A.; Morabito, G. (2012): A subjective model for trustworthiness evaluation in the social internet of things. In: IEEE 23rd International Symposium on Personal Indoor and Mobile Radio Communications (PIMRC), S. 18-23 https://doi.org/10.1109/PIMRC.2012.6362662
Noise Tube (o.J.): Turn your mobile phone into an environmental sensor and participate in the monitoring of noise pollution. <http://www.noisetube.net/> (aufgesucht am 10.05.2017)
Owlet Care (o.J.): Peace of Mind with Smart Sock 2. <http://www.owletcare.com/> (aufgesucht am 13.05.2017)
Quan, Z.; Gui, F.; Xiao, D.; Tang, Y. (2012): Trusted architecture for farmland wireless sensor networks. In: IEEE 4th International Conference on Cloud Computing Technology and Science (CloudCom), S. 782-787 https://doi.org/10.1109/CloudCom.2012.6427496
Restuccia, F.; Das, S.K.; Payton, J. (2016): Incentive mechanisms for Participatory Sensing: Survey and research challenges. In: ACM Transactions on Sensor Networks 12(2), Article No. 13 https://doi.org/10.1145/2888398
Sapargaliyev, D. (2015): Learning with Wearable Technologies: A Case of Google Glass. In: Brown, T.H.; van der Merwe, H.J. (Hg.): The Mobile Learning Voyage - From Small Ripples to Massive Open Waters: 14th World Conference on Mobile and Contextual Learning (MLearn). Cham, S. 343-350 https://doi.org/10.1007/978-3-319-25684-9_25
Schneider, R.; Fischer, J.; Straub, D.; Thöns, S.; Bügler, M.; Borrmann, A. (2015): Intelligente Bauwerke: Prototyp zur Ermittlung der Schadens- und Zustandsentwicklung für Elemente des Brückenmodells. Bremen https://doi.org/10.1002/suco.201500014
Starner, T.E. (2014): How Wearables Worked their Way into the Mainstream. In: IEEE Pervasive Computing 13(4), S. 10-15 https://doi.org/10.1109/MPRV.2014.66
Ukil, A.; Sen, J.; Koilakonda, S. (2011): Embedded security for Internet of Things. In: 2nd National Conference on Emerging Trends and Applications in Computer Science (NCETACS). IEEE, S. 1-6 https://doi.org/10.1109/NCETACS.2011.5751382
Ulbricht, M.-R.; Pallas, F. (2016): CoMaFeDS: Consent Management for Federated Data Sources. In: 2nd International IEEE Workshop on Legal and Technical Issues in Cloud Computing and the Internet of Things (CLaw), International Conference on Cloud Engineering Workshop Proceedings, S. 106-111 https://doi.org/10.1109/IC2EW.2016.30
Ulbricht, M.R.; Weber, K. (2017): Adieu Einwilligung? In: Friedewald, M.; Lamla, J.; Roßnagel, A. (Hg.): Informationelle Selbstbestimmung im digitalen Wandel. Wiesbaden, S. 265-286
Vuzix (o.J.): View the Future. <https://www.vuzix.com/Products/m100-smart-glasses> (aufgesucht am 15.05.2017)
Weiser, M. (1991): The Computer for the 21st Century. In: Scientific American 265, S. 94-104 https://doi.org/10.1038/scientificamerican0991-94

Zusammenfassung

Der schillernde Begriff der Grand Challenges ist in aller Munde und Grund für eine kritische Auseinandersetzung mit diesem forschungsleitenden Konzept. Die Buchbeiträge widmen sich dem Thema sowohl in theoretischer Hinsicht, als auch mit Blick auf die Domänen Gesundheit, Digitalisierung und Umwelt.