Modellierungsunterstützung in der LCNC-Softwareentwicklung: Hin zu einem nutzerzentrierten Framework für digitale Gesundheit und darüber hinaus

Wir führten zwei Fokusgruppen nach der World-Café-Methode durch. Die erste Gruppe bestand aus 11 Ingenieurstudierenden im Grundstudium mit aktueller LCNC-Schulung. Die zweite Gruppe umfasste drei erfahrene Entwickler von Whatscount, einem Schweizer Unternehmen, das LCNC-basierte Anwendungen für den digitalen Gesundheitsbereich entwickelt.

Beide Gruppen diskutierten drei Leitfragen zu Herausforderungen, geschätzten/abgelehnten Funktionen und unbefriedigten Bedürfnissen im Zusammenhang mit Modellierungsassistenten. Die Daten wurden mit der MoSCoW-Methode kategorisiert und priorisiert, um praxisnahe Anforderungen abzuleiten.

Zwölf zentrale Herausforderungen wurden identifiziert, darunter Modellkomplexität, Interoperabilität von Tools, Benutzerfreundlichkeit sowie fehlende Unterstützung für weniger erfahrene Nutzer:innen. Zusätzlich äußerten Teilnehmende Bedenken hinsichtlich Laufzeitleistung, Wiederverwendbarkeit und fehlender domänenspezifischer Unterstützung.
Geschätzte Funktionen waren unter anderem Debugging-Hilfen, Fehlermeldungen und grafische Modellierungshilfen. Kritisiert wurden zu technische Benutzeroberflächen und schlechte Dialoggestaltung der Assistenten.

Es wurden zehn unbefriedigte Bedürfnisse identifiziert – sechs davon als "Must-Haves", darunter Undo/Redo-Funktionen, klarere Interaktionen mit Assistenten und bessere Dokumentation.
Diese Erkenntnisse führten zur Ableitung von zwölf nutzerzentrierten Anforderungen und zur Entwicklung eines neuen Frameworks zur Modellierungsunterstützung.

Das entstehende Framework schlägt drei Unterstützungs-Module vor:

• A) Unterstützung bei der Datenerhebung: Hilft Nutzer:innen, Modelle aus unstrukturierten Quellen oder bestehenden Modellen zu erstellen – für mehr Geschwindigkeit und Klarheit.

• B) Unterstützung bei der Modellverfeinerung: Verbessert Nachverfolgbarkeit, Fehlersuche und Korrekturen.

• C) Unterstützung bei der Modellpflege: Fördert Wiederverwendbarkeit und langfristige Konsistenz von Modellen.

• Modellierungsunterstützung an Nutzerinteraktionen ausrichten – nicht nur an Automatisierung: Effektive Assistenten vereinfachen komplexe Aufgaben und bieten kontextbezogene, verständliche Unterstützung – besonders für Nicht-Programmierende wie medizinische Fachkräfte und Patient:innen in der digitalen Gesundheitsentwicklung.

• Wiederverwendbarkeit und Pflege von Modellen sicherstellen: Assistenten sollten nicht nur bei der Erstellung von Modellen helfen, sondern auch deren langfristige Qualität und Skalierbarkeit fördern – insbesondere in der digitalen Gesundheit, wo nicht-funktionale Anforderungen wie Sicherheit, Zuverlässigkeit und Nachvollziehbarkeit entscheidend sind.

• Domänenspezifische Unterstützung einplanen: Modellierungsassistenten sollten sich an die jeweilige Domäne anpassen. In Bereichen wie der digitalen Gesundheit müssen sie Kontexte richtig interpretieren und regelkonforme Hinweise geben.