5. Ausblick: Analyse des Pretests (Zitieren)

5. Ausblick: Analyse des Pretest

Zur Auswertung aller Daten, die durch die mobile Website erhoben wurden und noch erhoben werden, kommt es im Rahmen der Bachelorarbeit nicht mehr. Die geplanten Parameter die zur Untersuchung der Daten nach einigen Wochen Laufzeit dienen sollen, stehen allerdings schon fest. Vorausgesetzt ist jedoch die Notwendigkeit der Analyse nach diesen Kriterien. Das bedeutet, zeigt sich diese nicht bei der ersten Betrachtung der Daten, werden jene Kriterien nicht zur Analyse angewandt und durch andere, sinnvollere ersetzt. Daher ist bei der folgenden Auflistung der Parameter immer zu beachten, dass diese auf den Erwartungen für mögliche Ergebnisse beruhen.

5.1 Geplante Parameter zur Auswertung

5.1.1 Kongruenz schriftlichter und mündlicher Daten

Der Pretest  sollte zwei unterschiedliche Funktionen bieten, nämlich die Möglichkeit den Beleg zu schreiben als auch einzusprechen. Allerdings wird diese Soundfunktion von den mobilen Browsern noch kaum unterstützt, weswegen diese Funktion zwar möglich sein wird, allerdings erst zu einem späteren Zeitpunkt, da sich diese Umsetzung schwieriger darstellt, als zunächst abzusehen war. Sobald diese Funktion realisiert wird, könnte man folglich die Kongruenz bzw. Inkongruenz der schriftlichen und mündlichen Daten untersuchen. Genauer gesagt, könnte man die perzeptive Wahrnehmung der Sprechers untersuchen, d.h. wie der Sprecher seinen Beleg verschriftlicht. Da im besten Fall die Belege in schriftlicher und mündlicher Form vorliegen werden, ließe sich anhand dessen die gewählte Orthographie analysieren und diese mit der der anderen Usern der gleichen Gemeinde vergleichen.

Des Weiteren könnte festgestellt werden, wie die Nutzer der App/mobilen Website die unterschiedlichen Funktionen annehmen. Es wäre denkbar, dass sich Präferenzen herausbilden, welche der beiden Möglichkeit – Verschriftung oder Aufnahme – attraktiver ist oder sie beide gleich stark genutzt werden. Dies suggeriert natürlich, dass es eventuell auch keine Daten zu untersuchen geben wird, im Falle dass die Nutzer einer dieser Art der Erhebung ablehnen.

5.1.2 Auswertung der soziodemographischen Fragen

In der Annahme, dass die User die soziodemographischen Fragen beantworten (Alter und Geschlecht), könnte sich in der Analyse ein soziodemographisches Bild abzeichnen, das das Durchschnittsalter der Informanten zeigt, sowie wie viele Frauen und Männer erreicht wurden.  Weiterhin kann man diesbezüglich die Kompetenzen unter Berücksichtigung des Alters und des Geschlechts analysieren. Allerdings ist das Abfragen soziodemographischer Daten schwierig, da zumeist die Nutzer von Webistes oder Apps nicht gewillt sind, persönliche Daten – selbst in dieser anonymisierten Form – anzugeben.

5.1.2.1 Männersprache vs. Frauensprache

Dieser Parameter wird nur dann in der Praxis Anwendung finden, wenn sich das von mir erwartete Ergebnis bestätigt. Da traditioneller Weise der Senn – also der Experte für Milch- und Käseverarbeitung bzw. Almwesen und somit der wertvollste Informant für VerbaAlpina – ein Mann ist, erwarte ich Unterschiede in der Sachkompetenz zwischen Männern und Frauen, speziell im höheren Alter. Vorstellbar wäre, dass der männliche Senn bei der Produktion und in Bereichen der körperlich anstrengenden Arbeit über größere Sachkompetenz verfügen könnte als Frauen.

Diese Erwartungshaltung ergibt sich abgesehen von der Tradition auch durch den Umgang mit Karten aus Sprachatlanten wie z.B. die des AIS. Auf diesen finden sich häufig Anmerkungen des Explorators wenn sich die Frau des Senns oder ein weibliches Mitglied des Personals auf der Alm zu einem Stimulus äußert. Daher ist die Interpretation zulässig, dass der Explorator die Notwendigkeit gesehen hat, den Beleg als den eines weiblichen Informanten zu kennzeichnen, in der Annahme, dass es geschlechtsspezifische Unterschiede geben kann. Daher erhoffe ich mir, diese Annahme durch den Pretest widerlegen oder bestätigen zu können.

5.1.2.2 Durchschnittsalter der Informanten und eventuelle Auswirkungen auf die Sachkompetenz

Stets in der Annahme, dass die User bereit sind, ihre soziodemographischen Daten Preis zu geben, wird sich in der Auswertung der Daten ein Durchschnittsalter ergeben. Dies ist ein interessanter Punkt, da – wie schon im Teil zur Personenrecherche erläutert – es  bzgl. des Alters eine gewisse Schwierigkeit innerhalb der Zielgruppe zu bewältigen gibt. Der Senn ist tendenziell ein älterer Mensch, während die Menschen, die geübt im Umgang mit den neuen Medien und Crowdsourcing sind, eher zu einer jüngeren Generation gehören. Daher kann auch hier die Ausgangshaltung widerlegt werden, wenn sich kompetente User im jungen Alter oder weniger kompetente User – sowohl in Bezug auf den Dialekt als auch auf die Sachkompetenz – eines höheren Alters finden. Ferner möchte ich untersuchen, ob mit absteigendem Alter die Sach- und Dialektkompetenz abnimmt oder ob diese an den Nachwuchs weitervermittelt werden.

5.1.3 Feedback

Wie bereits gezeigt, besteht nach den ersten 10 Fragen die Möglichkeit für den Nutzer ein Feedback zu vermitteln. Dies impliziert jedoch, dass der User den Test nach diesen 10 Fragen beendet und sich sein Feedback nur auf die erste Hälfte des Pretests bezieht. Entscheidet sich der User allerdings den gesamten Test zu bearbeiten, so wird ihm die Möglichkeit des Feedbacks erst nach Abschluss angeboten.

In beiden Fällen geschieht die Vermittlung des Feedbacks über zwei Instanzen. Es gibt zunächst einen Fragebogen, in dem pauschal die wichtigsten Fragen gestellt werden.

Abbildung 20

Den größtmöglichen Nutzen würde VerbaAlpina aber aus einem persönlichen Feedback ziehen. Dies ist möglich in dem der Nutzer auf "inviare Feedback personale" klickt. Es öffnet sich ein Fenster, indem der User alles vermitteln kann, was er möchte. Dies wird direkt in einer Email an mich geschickt.  Besonders aus dieser Möglichkeit erhofft sich VerbaAlpina die bestmöglichste Gestaltung der App/mobilen Website wie auch die Veränderung oder Anpassung  bzgl. Design, sprachlicher Gestaltung, Wahl der Konzepte, Einsatz von Medien etc. zu finden, um den effizientesten Weg der Datenbeschaffung für die Crowdsourcingphase von VerbaAlpina zu finden.

5.2 Analyse am Beispiel von Colle Santa Lucia

Bisher haben sich durch die Erhebungsmethode der mobilen Website 10 Informanten aus dem Ort Colle Santa Lucia gefunden, die den Pretest bearbeitet haben. Es folgt nun eine Beispielanalyse nach den eben genannten Kriterien für diese sog. Minicrowd aus diesem Ort. Wie angenommen, bestätigt sich die Annahme heterogener Daten, wie auf folgender Tabelle zu sehen ist.

Tabelle 1

Durch die farblichen Hervorhebungen ist die Heterogenität der Antworten sofort erkennbar. Die Wahl der Farben ergibt sich aus der folgenden Überlegung. Die grün markierten Belege entsprechen durch ihre Häufigkeit dem Ausgangstyp. Je mehr sich die weiteren Belege also vom Ausgangstyp unterscheiden desto dunkler wird die Farbe (orange, braun). Da es sich bei den Fragen 9 und 10 um die Kompetenzfragen handelt, sind die korrekten Antworten dunkelgrün und die falschen Antworten rot markiert. Man erkennt also schnell, dass sich die Informanten bei der Benennung der Konzepte 1-5 relativ einig waren, während sich danach Unterschiede auftun. Außerdem lässt sich gut ablesen, dass die Informanten aus Colle Santa Lucia die Kompetenzfrage 10, in der es nur eine richtige Antwort gab, einheitlich bestanden haben. Bei der Kompetenzfrage 9 standen 3 unterschiedliche Antworten zur Auswahl, wobei maggengo die exakte Antwort gewesen wäre, alpeggio zwar richtig ist, aber das einzelnde Gebäude und nicht die Stufe auf der Alm bezeichnet und cascina diesbezüglich nicht korrekt wäre. 5 der 10 Befragten haben ihr Alter und Geschlecht angegeben. Aus diesen Daten ergibt sich folgendes Profil des "Durchschnittsinformanten" aus Colle Santa Lucia, der durch diesen Pretest erreicht wurde:

• Weiblich
• 35,8 Jahre alt
• Verfügt sowohl über eine akzeptable Dialekt- als auch Sachkompetenz

Weitet man diese Beispielanalyse also mit einer größeren Datenbasis, vielen Informanten aus der gleichen Gemeinde, sowie mit einer großen Anzahl an Informanten aus verschiedenen Orten aus, lässt sich bereits erkennen, wie effektiv diese Methode der Datenerhebung bei richtiger Anwendung sein kann.