Lab Projekt #2 – Digitale Brücken
Soziale Isolation im Alter und Wege, um ihr entschieden entgegenzutreten
Partner
ZIM (Zentrales Innovationsprogramm Mittelstand)
2026 - 27
Themen im Fokus
Adaptive Interfaces
Artifcial Intelligence of Things (AIoT)
Digitale Soziotechnik
Künstliche Intelligenz (KI)
UX Forschung
Soziale Isolation ist ein Umstand, der gerade Menschen im fortgeschrittenen Alter betrifft. Dabei existieren viele Ursachen dieses Phänomens, die weit über rein technologisch grundierte Sachverhalte hinausgehen: Veränderungen im sozialen Umfeld, gesundheitliche Einschränkungen, Mobilitätsverlust, der Wegfall von Arbeit oder Partner:in sowie räumliche Distanz zu Familie und Freundeskreis können dazu führen, dass Kontakte seltener werden und Teilhabe schwieriger gelingt.
Vor diesem Hintergrund stellen wir uns eine zentrale Frage: Wie lassen sich digitale Brücken bauen, die Zugehörigkeit, aktive Teilhabe und gemeinschaftliches Erleben im Alter nachhaltig stärken? Und welche Stellschrauben gilt es hinsichtlich dieser Fragestellung besonders zu beachten?
Intelligente Assistenzsystzeme können bei der Bekämpfung von sozialer Isolation ein wichtiger Baustein sein: Sie sind heute weit verbreitet und versprechen Nähe über Distanz. Gleichzeitig zeigen Erfahrungen aus dem Alltag, dass digitale Kontaktmöglichkeiten nicht automatisch Verbundenheit bedeutet, besonders dann nicht, wenn etwaige Angebote an den Lebensrealitäten älterer Menschen vorbeigehen oder bestehende Hürden sogar noch verstärken.
Mit unserem Projekt “Digitale Brücken” nähern wir uns dem Thema deshalb ganzheitlich: Wir wollen verstehen, welche Faktoren soziale Isolation im Alter begünstigen, welche Ressourcen und Routinen Verbindung ermöglichen und darauf aufbauend nutzerzentrierte Interventionen gestalten, die echte Begegnung, Orientierung und soziale Einbindung fördern. Ziel ist es, echte gemeinschaftliche Erfahrung durch den konzertierten Einsatz von Technologie und entsprechendem Design zu erreichen.
Phase 1: Vom Verständnis zur Systemarchitektur
In der ersten Phase unseres Projekts legten wir das Fundament für die Entwicklung einer digitalen Assistenzlösung zur Reduzierung sozialer Isolation. Dabei ging es nicht um die vorschnelle Umsetzung einzelner Funktionen, sondern um die präzise Ausarbeitung eines tragfähigen Gesamtkonzepts. Hierzu gehörten sowohl die Schärfung der verwendeten Begriffe in Form eines kohärenten Glossars als auch erste Forschungsaktivitäten, die sich mit der Lebensrealität älterer Menschen befassten.
Welche Situationen verstärken das Gefühl von Isolation? Welche Routinen geben Halt? Welche Barrieren – physischer, sozialer oder digitaler Art – erschweren Teilhabe – und damit auch den zwischenmenschlichen Kontakt – im Alltag?
Durch eine systematische Analyse der bestehenden Forschungsliteratur wurde ein gewinnbringender Ansatz zum Zweck der Reduzierung von sozialer Isolation favorisiert, der sich nicht ausschließlich auf ältere Menschen konzentrieren darf, sondern sich vielmehr auf das Einreißen starrer Generationsgrenzen fokussieren muss.
Phase 2: Von rohen Datenpunkten zu präventivem Schutz vor sozialer Isolation
Im Fokus der zweiten Phase steht aktuell die prototypische Entwicklung eines MVPs, der über die Funktionsweise herkömmlicher Assistenzsysteme weit hinaus geht. Durch die Verknüpfung von standortbasierter IoT-Sensorik im Zusammenspiel mit adaptiven Algorithmen sollen rohe Daten in kontextbezogenes Feedback transformiert werden und so klare Effekte zeitigen. Neben dem Research hinsichtlich geeigneter Sensoren geht es immer auch um die erkenntnistheoretische Dimension der zu erhebenden Daten: Was sagen die Rohdaten über den Zustand der zu vermessenen Subjekte aus? Welche Schlüsse lassen sie zu? Und wo stoßen wir an vollzugsorientierte Grenzen?
Das antizipierte AAL-System (Ambient Assisted Living) reagiert nicht nur auf Notfälle, sondern soll proaktives Handeln im häuslichen Umfeld möglich machen. Dadurch, dass Verhaltensmuster erkannt und in Echtzeit ausgewertet werden, kann isolatorischen Tendenzen bereits dort begegnet werden, wo sie entstehen. So passt sich das System dynamisch an den individuellen Tagesrhythmus der Nutzer:innen an – immer mit dem Ziel, soziale Teilhabe aktiv zu fördern und sozialer Isolation präventiv entgegenzuwirken.
Phase 3: Austausch mit verschiedenen Stakeholdergruppen
Da die Entwicklung eines Prototypen niemals im luftleeren Raum stattfindet, sondern immer auch und gerade mit einer pluralen Gesellschaft resonieren sollte, in deren Mitte er seine Wirkung entfaltet, nahmen wir uns vor, im Rahmen drei verschiedener Veranstaltungen ein Stimmungsbild hinsichtlich des Themas der digitalen Brücken aufzunehmen.
Der Dreiklang an Events bestand aus einem Besuch bei einem Nachbarschaftstreff der Berliner Volkssolidarität, der Teilnahme am Ageing with Tech Festival der Hamburger Körber-Stiftung und der Innovationsveranstaltung Waterkant in Kiel. Jede dieser drei Veranstaltungen hatte ein anderes Publikum: die Senior:innen 70+ beim Nachbarschaftstreff, zivilgesellschaftliche Akteure und NGOs im Rahmen des Ageing with Tech Festivals und Start-Ups bzw. innovationsgetriebene Professionals beim Waterkant. So divers diese Anspruchsgruppen, so unterschiedlich waren auch ihre Reaktionen hinsichtlich technologischer Interventionen in sozialen Settings. Ganz generell lässt sich festhalten, dass Menschen, die selbst akut betroffen sind – also ältere Personen und pflegebedürftige Individuen –, ein durchweg düsteres Bild der technologisch ausgekleideten Gegenwart zeichnen als Menschen, die sich in der Blüte ihres Lebens (und Schaffens) befinden.
Phase 4: Ein Prototyp auf Basis strukturierter Fiktion
Ein AAL-System, das Brüche in Alltagsroutinen erkennen soll, benötigt belastbare Daten, die über genau diese Routinen Auskunft geben. Da solche Daten in den eigenen vier Wänden entstehen und somit den Alltag genau jener Menschen berühren, die uns in Phase 3 ein deutlich kritischeres Bild technologischer Eingriffe in ihren Alltag gezeichnet haben als alle anderen Gruppen, wollten wir kein halbgares Produkt vertesten. Einen frühen Prototypen direkt im Wohnbereich realer Personen zu erproben, wäre zu diesem Zeitpunkt also regelrecht kontraproduktiv gewesen.
In Phase 4 arbeiteten wir deshalb mit synthetischen Daten. Gemeint sind künstlich erzeugte Tagesverläufe, die das Zusammenspiel unseres Sensor-Setups (Präsenz- und Bewegungsmelder, Türkontakte, Temperatur- und Luftfeuchtesensoren sowie smarte Steckdosen) plausibel nachbilden, ohne auf eine konkrete Person zurückzugehen. Auf dieser Grundlage konnten wir Datenpipelines aufbauen, Baselines für individuelle Tagesrhythmen modellieren und durchspielen, wie das System reagiert, wenn eine Routine zu kippen droht: wenn etwa der Wasserkocher morgens kalt bleibt, die Wohnungstür tagelang geschlossen ist oder sich die Nacht schleichend in den Tag verschiebt, ist es dem System möglich eine solche Tendenz auf Grundlage umfangreicher Simulationen selbstständig zu erkennen.
Dabei war uns von Anfang an klar: Jede Simulation trägt ein Weltbild in sich, das einfach zu replizieren töricht wäre. Da jeder Mensch ein individuelles Verhalten an den Tag legt, benötigt das System regelmäßig Zeit zur Kalibrierung. Wir verstehen die synthetischen Datensätze deshalb als strukturierte Fiktion. Sie sind kontrollierbar, lassen sich variieren, stören und gezielt brechen. Über die soziale Wirklichkeit älterer Menschen sagen sie allerdings nichts Verlässliches aus. Sie weisen lediglich darauf hin, dass sich Brüche in Lebensroutinen relational ablesen lassen könnten.
Im Rahmen dieser Phase, wurden auch Gespräche mit Expert:innen des Deutschen Zentrums für Altersfragen (DZA) geführt.
Context Matters
Welche Normalität setzen wir stillschweigend voraus? Welche Abweichungen halten wir für bedeutsam, welche übersehen wir? Und wo verrät die Simulation mehr über unsere eigenen Erwartungen als über die Menschen, um die es eigentlich geht?
Für unser Leitprinzip ist diese Unterscheidung zentral. Verlässt eine Person ihre Wohnung kaum noch, kann das auf Rückzug hindeuten. Genauso gut aber auf schlechtes Wetter, auf Besuch, eine Erkältung oder schlicht auf die Entscheidung, es sich zu Hause gemütlich zu machen. Ein System erkennt Muster. Was diese Muster bedeuten, entscheidet die Person selbst. Das System ist deshalb so angelegt, dass es mit so wenig Daten wie möglich auskommt und Angebote zur Hilfe zur Selbsthilfe macht, die jederzeit abgelehnt werden können.
Was die synthetische Phase leistet, ist Vorbereitung. Sie schärft Fragen, macht implizite Annahmen sichtbar und sorgt dafür, dass wir mit einem durchdachten System in reale Testläufe gehen. Die Validierung bleibt Sache der Empirie. Warum synthetische Daten gerade bei sozialen Phänomenen nach methodischer Vorsicht verlangen, beleuchten wir ausführlich in unserem Deep Dive „Synthetische Datenanalyse: Zwischen Erkenntnisversprechen und methodischer Vorsicht“.