---

Ecological Momentary Assessment (EMA) ist eine Forschungsmethode, mit der Echtzeitdaten von Menschen mitten in ihrem Alltag erhoben werden. Statt jemanden ins Labor zu bitten oder einen Fragebogen darüber ausfüllen zu lassen, wie er sich letzte Woche gefühlt hat, bittet EMA die Person, ihre aktuellen Gedanken, Gefühle und Verhaltensweisen jetzt gerade in ihrer natürlichen Umgebung zu berichten.

Die Ursprünge des Ecological Momentary Assessment

Ecological Momentary Assessment (EMA) hat die Verhaltenswissenschaft revolutioniert, indem es die Forschung aus den künstlichen Beschränkungen des Labors in die reale Welt verlagert hat.

Um EMA zu verstehen, lohnt ein Blick auf seinen Vorläufer: die Experience-Sampling-Methode (ESM).

Die in den 1970er-Jahren von Mihaly Csikszentmihalyi (berühmt für seine Arbeiten zum „Flow“) entwickelte ESM stützte sich ursprünglich auf Pager und Papiertagebücher, um die subjektive Qualität des Alltagserlebens zu untersuchen. Die Teilnehmenden wurden „angepiept“ und gebeten, auf einem Papierformular festzuhalten, was sie gerade taten und fühlten.

In den 1990er-Jahren prägten die Forscher Arthur Stone und Saul Shiffman den Begriff Ecological Momentary Assessment (EMA). Sie verschoben den Fokus leicht in Richtung Gesundheitsverhalten und Psychopathologie und betonten zwei zentrale Säulen:

1. Ökologische Validität: Daten in der realen Welt erfassen (der „Ökologie“ der untersuchten Person).
2. Momentane Messung: Auf unmittelbare Zustände fokussieren, um die für retrospektive Befragungen typischen Erinnerungsfehler zu vermeiden.

Heute hat sich EMA dank mobiler Technologie von Pagern und Klemmbrettern zu ausgereiften Plattformen wie ExpiWell weiterentwickelt, die reichhaltige Einblicke in Echtzeit erfassen.

Was sind die wichtigsten Vorteile des Ecological Momentary Assessment (EMA)?

Genauere Daten

Der wichtigste Vorteil von EMA: Es beseitigt die Abhängigkeit vom menschlichen Gedächtnis und macht die Daten dadurch genauer. Wenn Forschende Teilnehmende bitten, sich zu erinnern, wie sie sich in der vergangenen Woche oder im vergangenen Monat gefühlt haben, sind die Daten häufig durch den Recall-Bias verzerrt.

Ein Beispiel: Ein Patient mit überwiegend leichten Schmerzen könnte einen hohen Wochendurchschnitt angeben, nur weil er gestern einen schweren Schub hatte — eine Erinnerungsverzerrung, bekannt als Peak-End-Regel. EMA verhindert das, indem es die tatsächlich niedrigen Werte in Echtzeit protokolliert — Ärztinnen und Ärzte erhalten so einen präzisen Verlauf der Medikamentenwirksamkeit statt einer Erinnerung, die ein einziger schlechter Tag verzerrt hat.

Hohe ökologische Validität

Laborstudien sind künstlich. Teilnehmende verhalten sich in einem ruhigen Universitätslabor womöglich anders als an einem chaotischen Arbeitsplatz oder in einem lebhaften Zuhause. EMA erfasst Daten in der natürlichen Umgebung der Teilnehmenden — ihrer „Ökologie“.

Erkennt Auslöser und Muster

EMA erkennt Auslöser und Muster, indem es einen präzisen Zeitverlauf von Ereignissen etabliert und die Forschung so über bloße Korrelationen hinausführt. Eine klassische Befragung mag zeigen, dass eine Person sowohl „gestresst“ ist als auch „sich schlecht ernährt“ — aber nicht, was wovon verursacht wird. EMA löst das, indem es über den Tag verteilt Datenpunkte erfasst und die zeitliche Abfolge belegt — es zeigt genau, was zuerst geschah.

Ein Szenario: In einer Ernährungsstudie protokolliert ein Teilnehmer namens David um 10:00 Uhr die Stimmung „ängstlich“ und um 10:30 Uhr „zuckerhaltigen Snack gegessen“. Weil die EMA-App diese Einträge mit Zeitstempeln versieht, können Forschende eindeutig belegen, dass die Angst das Snacken ausgelöst hat — und eine gezielte Intervention entwerfen, die den Stress angeht, bevor das Verhalten auftritt, statt über den Zusammenhang zwischen beiden nur zu spekulieren.

Höheres Engagement der Teilnehmenden

EMA steigert das Engagement, indem es lange, ermüdende Fragebögen durch kurze, mobile „Mikro-Interaktionen“ ersetzt, die sich nahtlos in den Tagesablauf der Teilnehmenden einfügen. Unmittelbares Feedback und Datenvisualisierungen machen die Teilnehmenden zu aktiven Partnern und fördern Eigenverantwortung und intrinsische Motivation. Funktionen wie smarte Benachrichtigungen und spielerische Serien („Streaks“) stupsen die Teilnehmenden zusätzlich zum Antworten an und halten die Compliance auf einem Niveau, das Papiertagebücher nicht erreichen.

Maximale Studien-Adhärenz

EMA löst das Problem geringer Compliance, indem es die Forschung in den Alltag der Teilnehmenden integriert und belastende Befragungen in reibungslose, mundgerechte Aufgaben mit minimalem Aufwand verwandelt. Statt sich etwa darauf zu verlassen, dass Teilnehmende von sich aus an das Logbuch denken, fordern proaktive Auslöser wie Push-Benachrichtigungen zu sofortigen Antworten auf — die Daten werden konsistent erhoben, ohne die Nutzenden zu überfordern.

Unerreichte Flexibilität im Studiendesign

EMA bietet unerreichte Flexibilität: Forschende können verschiedene Erhebungsstrategien — zufällige Abfragen, ereignisbasierte Auslöser und passives Sensor-Tracking — in einer einzigen Studie kombinieren und exakt auf ihre Forschungsfrage zuschneiden. Ein Beispiel aus der Insomnie-Forschung: Die App sendet jeden Morgen um 8:00 Uhr eine feste „Schlaftagebuch“-Abfrage, während die Teilnehmenden tagsüber jederzeit freiwillig ein „Stressprotokoll“ auslösen können, wenn sie sich ängstlich fühlen — Routine und Unvorhersehbares werden so in einem schlanken Protokoll erfasst.

Wo wird EMA eingesetzt?

Ecological Momentary Assessment (EMA) ist eine vielseitige Methodik und kommt überall dort zum Einsatz, wo menschliches Verhalten, Physiologie oder Erleben im Kontext verstanden werden muss. Entstanden in der Psychologie, hat sie sich längst in Medizin, Wirtschaft und Bildung verbreitet.

1. Psychische Gesundheit und Psychologie Therapie ist nicht nur die eine Stunde in der Praxis — es geht um die übrigen 167 Stunden der Woche. EMA hilft Klinikerinnen und Klinikern, rasche Stimmungsschwankungen bei Erkrankungen wie einer bipolaren Störung oder Depression zu verfolgen und Warnzeichen zu erkennen, die eine Wochenzusammenfassung oft übersieht.

2. Chronische Schmerzen und körperliche Gesundheit Schmerzniveaus verändern sich ständig mit der Aktivität. Durch die Echtzeit-Protokollierung der Symptome sehen Forschende genau, welche Alltagsaktivitäten — etwa Sitzen am Schreibtisch vs. Gehen — Schübe auslösen. Das ermöglicht individuellere Behandlungspläne als eine Standard-Schmerzskala von 1 bis 10.

3. Sucht und Substanzkonsum Ein Rückfall ist selten zufällig — er hat Auslöser. Mit EMA können Forschende die spezifischen Umgebungsreize kartieren (etwa das Alleinsein oder den Besuch einer bestimmten Bar), die das Verlangen ansteigen lassen — und Interventionen entwerfen, die genau dann greifen, wenn Patientinnen und Patienten am verletzlichsten sind.

4. Wohlbefinden und Leistung am Arbeitsplatz Unternehmen nutzen EMA gegen Burnout und zur Messung von Flow-Zuständen. Statt eines Jahresgesprächs beantworten Beschäftigte etwa nach einem Meeting eine kurze Abfrage zu ihrer Energie — und decken so versteckte Produktivitätskiller wie „Zoom-Müdigkeit“ in Echtzeit auf.

5. Ernährung und Diätetik Ernährungstagebücher sind wegen Vergesslichkeit oder Schuldgefühlen notorisch ungenau. EMA erfasst Ernährungsentscheidungen im Moment — oft per Foto der Mahlzeit — und unterscheidet so zwischen echtem körperlichem Hunger und emotionalem Essen.

6. Marktforschung und UX Marken nutzen EMA (oft Mobile Ethnography genannt), um den „Path to Purchase“ zu verstehen. Statt einer Fokusgruppe nehmen Kundinnen und Kunden Videotagebücher genau in dem Moment auf, in dem sie sich für ein Produkt entscheiden — und offenbaren die emotionalen Sekundenentscheidungen, die Käufe antreiben.

Sie möchten EMA in Aktion sehen? Stöbern Sie hier in unserer Sammlung realer Fachartikel und Fallstudien: (Link)

Welche EMA-Typen gibt es?

1. Signalgesteuert

Die Teilnehmenden erhalten Abfragen zu zufälligen Zeitpunkten innerhalb eines festgelegten Zeitfensters.

Ideal, um das „Sich-gut-Darstellen“ zu verhindern und eine wirklich repräsentative Stichprobe des Alltags zu gewinnen.

Szenario: Statt dass sich ein Patient um 17:00 Uhr ausgeruht für eine angekündigte Befragung zurechtsetzt, erwischen ihn zufällige Abfragen auf frischer Tat — ob er tatsächlich ruht oder heimlich Besorgungen macht.

2. Intervallgesteuert

Die Teilnehmenden erhalten Abfragen zu festen, vorhersehbaren Zeitpunkten (z. B. täglich um 8:00 Uhr).

Ideal für: Routine-Tracking oder Tageszusammenfassungen, bei denen das Timing zählt.

Szenario: Eine Schlafstudie fragt exakt 30 Minuten nach dem Aufwachen nach. Die Frage „Wie haben Sie geschlafen?“ zufällig um 15:00 Uhr zu stellen, ergäbe ungenauere Daten als ein fester Morgen-Check-in.

3. Ereignisgesteuert

Die App bleibt still, bis die Teilnehmenden die Befragung selbst starten.

Ideal für: unvorhersehbare Ereignisse wie Panikattacken, Craving-Momente oder Streit.

Szenario: Ein Zigarettenverlangen lässt sich nicht terminieren. In einer Raucherstudie tippen die Teilnehmenden in dem Moment auf „Verlangen melden“, in dem der Drang auftritt — und erfassen den genauen Kontext (z. B. „Ich bin in einer Bar“), der ihn ausgelöst hat.

4. Passive Sensorik

Die App sammelt automatisch Daten über die Sensoren des Smartphones (GPS, Beschleunigungssensor), ohne Fragen zu stellen.

Ideal für: objektive Daten ohne jeden Aufwand für die Nutzenden.

Szenario: Eine Depressionsstudie verfolgt GPS-Bewegungen. Selbst wenn ein Teilnehmer angibt, es gehe ihm „gut“, können die Daten zeigen, dass er seit 72 Stunden den Radius seines Schlafzimmers nicht verlassen hat — ein Hinweis auf eine mögliche depressive Episode.

Wie analysiert man EMA-Daten?

EMA-Studien erzeugen reichhaltige, aber komplexe Datensätze, in denen wiederholte Beobachtungen in den Teilnehmenden „geschachtelt“ sind — das verletzt die Unabhängigkeitsannahmen klassischer statistischer Verfahren wie der ANOVA. Diese hierarchische Struktur führt in Kombination mit ungleichen Teilnahmequoten — die Compliance variiert von Person zu Person — zu „unbalancierten“ Datensätzen, die spezialisierte Analyseansätze erfordern, um irreführende Ergebnisse zu vermeiden.

Forschende nutzen dafür Mehrebenenmodelle (Multilevel Modeling, MLM), die diese Schachtelung explizit berücksichtigen, indem sie die Varianz in intraindividuelle (Ebene 1) und interindividuelle (Ebene 2) Komponenten zerlegen. MLM schätzt Effekte auch bei fehlenden Daten oder variierenden Antwortquoten präzise und wird üblicherweise mit robusten Statistikpaketen wie R, Mplus, Stata oder HLM umgesetzt, damit die Ergebnisse valide und verlässlich bleiben.

Ecological Momentary Assessment mit ExpiWell

Warum Forschende ExpiWell wählen

ExpiWell ist nicht bloß ein Befragungstool, sondern ein umfassendes Ökosystem, das für die Komplexität moderner EMA-Forschung gebaut ist. Diese herausragenden Funktionen machen es zum Branchenstandard.

Geolokalisierung und „geografisches“ EMA

Kontext ist alles. Mit Geofencing-Funktionen können Sie in ExpiWell Befragungen ortsabhängig auslösen. Sie möchten Teilnehmende genau in dem Moment befragen, in dem sie ihr Büro verlassen oder ein Fitnessstudio betreten? Unsere standortbasierte Auslösung erfasst Daten genau dort, wo sie entstehen.

Nahtlose Wearable-Integration

Verlassen Sie sich nicht allein auf Selbstauskünfte. ExpiWell integriert sich direkt mit Apple Watch und Fitbit. So können Sie subjektive Stimmungsdaten mit objektiven physiologischen Markern wie Herzfrequenz, Schlafphasen und Aktivitätsniveau korrelieren — alles in einem Dashboard.

Intelligente, anpassbare Benachrichtigungen

Begegnen Sie der „Alert Fatigue“ mit Präzision. ExpiWell gibt Ihnen die volle Kontrolle über Ihre Benachrichtigungspläne: Häufigkeit, Timing und Text Ihrer Abfragen lassen sich frei anpassen. So stupsen Sie Teilnehmende wirksam an, ohne sie zu überfordern.

Echtzeit-Monitoring und einfache Exporte

Warten Sie nicht bis zum Studienende, um zu sehen, ob alles funktioniert.

• Echtzeit-Dashboard: Verfolgen Sie Antworten und Compliance-Raten, während sie eintreffen — und greifen Sie früh ein, wenn Teilnehmende zurückfallen.
• Universelle Exporte: Für die Analyse laden Sie Ihre Daten sofort in den Formaten CSV, TSV und XML herunter — direkt bereit für SPSS, R oder Excel.

Sicherheit auf Enterprise-Niveau

Ihre Daten sind sensibel — unsere Sicherheit ist rigoros. Die Compliance-Kontrollen von ExpiWell werden fortlaufend überwacht für:

• HIPAA-Compliance: der höchste Schutzstandard für Gesundheitsdaten.
• DSGVO-Konformität: Prozesse, die die strengen Datenschutzanforderungen für Kunden in Großbritannien und der EU erfüllen.

Werden Sie unser Partner

Wir haben weltweit Tausende Forschende dabei unterstützt, wegweisende EMA-Studien in Psychologie, Medizin, Organisationsforschung und Experience Sampling durchzuführen.

Wenn Sie erfahren möchten, wie ExpiWell Ihre nächste Studie voranbringen kann, melden Sie sich gerne bei uns. Wir vereinbaren ein persönliches Strategiegespräch mit einem unserer Research Strategists, um Ihre spezifischen Anforderungen an die Datenerhebung zu besprechen.

Vereinbaren Sie noch heute eine Demo oder schreiben Sie uns an sales@expiwell.com