Werkzeugfinder und -beschreiber — das passende Werkzeug finden oder beschreiben

Was suchst du?

Jede Frage darf offen bleiben — je mehr du sagst, desto schärfer wird die Empfehlung. Die Reihenfolge folgt der Passung von Aufgabe und Werkzeug (Task-Technology-Fit, Goodhue & Thompson 1995), nicht deinem Typ.

Was steht an? (wirkt am stärksten)

Um welchen Gegenstand geht es?

Was willst du damit tun?

Allein oder mit anderen?

Wie viel Zeit hast du?

In deinen Worten (freiwillig)

Ein Satz genügt: „Ich muss meinem Chef eine schlechte Nachricht schreiben“, „zu viele Terminpläne“, „Vortrag üben“. Die Wörter werden gegen die Schlagworte aller Werkzeuge geprüft und die Treffer angezeigt.

Dein Motivprofil (Hexad-12)

Zwölf Aussagen, 7 Stufen, etwa eine Minute. Das Ergebnis zeigt, was dich antreibt — und wird hier ausschließlich dafür genutzt, dir den Einstieg in ein Werkzeug vorzuschlagen.

Was das Profil nicht tut: Es verändert die Rangfolge der Empfehlungen nicht. Wer Werkzeuge allein nach Nutzertyp zuschneidet, erreicht laut Hallifax et al. (2019) keine messbare Motivationswirkung — der dominante Typ genügt nicht, um Vorlieben zu erklären. Deshalb entscheidet hier der Bedarf, nicht der Typ.

Aussage	1 gar nicht	2	3	4	5	6	7 voll und ganz

Herkunft der Aussagen und ihre Grenzen

Die zwölf Aussagen sind die Hexad-12-Kurzskala von Krath, Altmeyer, Tondello & Nacke (CHI 2023), entwickelt an 882 und validiert an 1 101 Erwachsenen; interne Konsistenz Cronbach α = .67 (Erreicher) bis .80 (Geselliger). Grundlage ist die Hexad-Skala von Tondello et al. (CHI PLAY 2016, 24 Aussagen) auf Basis von Marczewski (2015) und der Selbstbestimmungstheorie (Ryan & Deci 2000). Der Wert je Motiv ist die Summe der beiden Aussagen (2–14) — genau wie im Original.

Grenzen, die die Autoren selbst nennen: validiert an Erwachsenen aus englischsprachigen Ländern; ausdrücklich nicht geeignet für Kinder, Jugendliche und Ältere. Die deutschen Formulierungen hier sind eine eigene Übersetzung und damit nicht validiert; die englischen Originale stehen je Aussage im Titel-Text (Mauszeiger).

Zwölf Aussagen sind eine Selbstauskunft von einer Minute — kein Persönlichkeitsbefund. Ein zweiter Durchlauf an einem anderen Tag kann anders ausfallen.

Empfehlung

Noch keine Empfehlung — beantworte zuerst den Bedarf.

Anforderung beschreiben

Die Form folgt der Nutzergeschichte (Cohn 2004); geprüft wird an zehn Punkten — sieben davon aus dem Quality-User-Story-Rahmen (Lucassen et al. 2016), drei aus der Erfahrung dieser Suite (Auslöser, Abgrenzung, Doppelbau). Ziel ist ein Text, aus dem ein Werkzeug gebaut und dessen Fertigstellung geprüft werden kann — nicht ein Wunschzettel.

Arbeitstitel

Kurz und gegenständlich, z. B. „Reisekosten-Abschätzer“.

Als … (Rolle)

Wer braucht es? „Projektleiter“, „Elternteil“, „Vorstand“ — keine Firmennamen.

… möchte ich … (Ziel, eine Sache)

… damit … (Nutzen — der Teil, der die Bauentscheidung trägt)

Wann hat es dir zuletzt konkret gefehlt?

Eine echte Lage, kein Beispiel: Datum, Anlass, was du stattdessen getan hast. Ohne Auslöser bleibt eine Anforderung ein Wunsch.

Was legst du hinein?

Was soll herauskommen?

Was soll es ausdrücklich nicht tun?

Die wirksamste Zeile der ganzen Anforderung — sie hält den Bau klein.

Fertig, wenn … (prüfbare Abnahmekriterien, bis zu fünf)

Jede Zeile muss von außen nachprüfbar sein. Priorität nach MoSCoW (Clegg & Barker 1994): Muss = ohne das ist es nicht fertig.

Geprüfte vorhandene Werkzeuge

Aus der Empfehlung übernommen. Der Grund der Ablehnung ist der wichtigste Satz für die Freigabe — er zeigt, dass nicht doppelt gebaut wird.

Noch keines abgelehnt. In der Empfehlung bei einem Werkzeug auf „passt nicht“ tippen — es erscheint dann hier.

Redlichkeitsprüfung

—

Kennung: —

Entstehungs- und Freigabeweg

So wird aus dieser Anforderung ein Werkzeug. Bauen und Ausrollen sind getrennt — es braucht zwei ausdrückliche Freigaben, und ohne Freigabe passiert nichts.

Was hier steht, ist ein lokaler Stand. Die Suite wird statisch ausgeliefert; diese Seite kann den Server nicht befragen. Der Stand oben ist der, den du hier einträgst — die Wahrheit liegt im Anforderungsbestand auf dem Server und in deinem Postfach.

Übergabe

Meine Anforderungen (lokal in diesem Browser)

Noch keine Anforderung übergeben.

Stände und Daten

Wie der tägliche Bau-Lauf die Mail liest

Die Mail trägt im Betreff ANFORDERUNG <kennung> und im Text einen Block zwischen --- ANFORDERUNG-JSON --- und --- ENDE ---. Ein täglicher Claude-Code-Lauf auf dem Server liest diesen Block in einen git-versionierten Bestand (~/daten/werkzeug-anforderungen/), meldet Empfang mit Kennung und Bearbeiten-Link zurück und wartet auf die Antwort FREIGABE <kennung>. Erst dann wird gebaut; ausgerollt wird erst nach AUSROLLEN <kennung>. Der Lauf prüft nicht, ob eine Anforderung sinnvoll ist — das ist der Sinn der menschlichen Freigabe.

Forschungsgrundlage

Welcher „Charakter“ sucht welche Hilfe? Drei Traditionen

Bartle (1996) beschrieb aus Beobachtung von Mehrspielerwelten vier Spielertypen (Achiever, Explorer, Socialiser, Killer) — sprachlich prägend, aber nicht empirisch konstruiert. Yee (2006) fand faktorenanalytisch drei Motivbündel (Leistung, Sozialsein, Eintauchen) und zeigte, dass dieselbe Person auf mehreren Achsen hoch liegt: Motive sind keine Schubladen. Marczewski (2015) entwarf mit Hexad sechs Typen speziell für gamifizierte Anwendungen auf Basis der Selbstbestimmungstheorie (Ryan & Deci 2000): Autonomie, Kompetenz, Verbundenheit, dazu Sinn und äußere Belohnung.

Warum die Empfehlung dem Bedarf folgt und nicht dem Typ

Das ist die unbequeme Stelle der Literatur, und dieses Werkzeug richtet sich danach:

Hallifax et al. (2019), 300 Personen: der dominante Nutzertyp genügt nicht, um Vorlieben für Spielelemente zu erklären; Wirkung hängt von Tätigkeit und Fachgebiet ab. Eine Anpassung nur nach Spielertyp zeigte keinen Effekt auf die Lernmotivation.
Klock et al. (2020), 42 Arbeiten: das Feld modelliert überwiegend Nutzer, kaum Wirkungen.
Altmeyer et al. (2022): Personalisierung wirkte auf Freude, Erleben, Vertiefung — nicht zwingend auf Leistung.
Lopez & Tucker: gegen den Typ gebaute Gamifizierung war schlechter als keine Anpassung. Die Richtung ist also nicht beliebig.
Sailer & Homner (2020), Meta-Analyse: Gamifizierung wirkt klein bis mittel (kognitiv g = 0,49; motivational g = 0,36; verhaltensbezogen g = 0,25) — stabil nur beim kognitiven Effekt.
Pashler et al. (2008) zur „Lernstil“-Lehre: die Idee „Angebot auf Typ zuschneiden“ wurde jahrzehntelang ohne belastbaren Wirkungsnachweis verbreitet. Eine Warnung, keine Fußnote.

Die Regel dieses Werkzeugs: Der Bedarf entscheidet, welches Werkzeug empfohlen wird. Das Motiv entscheidet nur, wie es dargereicht wird — also welchen Einstieg und welche Randfunktionen der Hinweis nennt. Keine Punkte, keine Serien, keine Bestenlisten.

Wie die Empfehlung rechnet

Offen nachrechenbar, keine Blackbox: 3,0 · Klasse + 2,0 · Tätigkeit + 1,5 · Anlass-Zuschläge + 1,0 · Sozialform + 0,8 · Zeitfenster + Summe der Freitext-Treffer (Schlagwort exakt 2,2 · Teilwort 1,4 · Titel 1,6 · Zwecksatz 0,9 · Klasse 0,6). Freitext wird leicht normalisiert (Kleinschreibung, Umlaute, häufige Endungen) — kein echtes Stemming, weil ein falsch gestemmtes Wort schlechter ist als ein nicht gestemmtes. Filter sind Gewichte, keine Ausschlüsse: die Liste ist nie leer. Erklärt wird jede Empfehlung mit ihren Gründen, weil Erklärungen Transparenz, Prüfbarkeit und Vertrauen tragen (Tintarev & Masthoff 2012), und weil Menschen sichtbaren „Duftspuren“ folgen (Pirolli & Card 1999).

Grenzen

Das Motivprofil ist eine Selbstauskunft von einer Minute, kein Persönlichkeitsbefund; die deutsche Fassung von Hexad-12 ist nicht validiert.
Die Empfehlung kennt nur diese Suite. Sie ist keine Marktübersicht und kein Vergleich mit fremder Software.
Der Werkzeug-Index ist ein Abbild der Registry zum Zeitpunkt der Auslieferung. Neue Werkzeuge erscheinen erst nach dem nächsten Ausrollen.
Der Freigabeweg zeigt einen lokal gepflegten Stand; diese Seite kann den Server nicht befragen.
Wer die E-Mail nicht abschickt, hat keine Anforderung abgelegt — der Browser allein erreicht niemanden.

Quellen

Bartle, R. (1996). Hearts, Clubs, Diamonds, Spades: Players Who Suit MUDs. Journal of MUD Research 1(1).
Yee, N. (2006). Motivations for Play in Online Games. CyberPsychology & Behavior 9(6), 772–775.
Marczewski, A. (2015). Even Ninja Monkeys Like to Play — User Types Hexad.
Ryan, R. & Deci, E. (2000). Self-Determination Theory … American Psychologist 55(1), 68–78.
Tondello, G. et al. (2016). The Gamification User Types Hexad Scale. CHI PLAY '16, 229–243.
Tondello, G., Mora, A., Marczewski, A. & Nacke, L. (2019). Empirical validation of the Gamification User Types Hexad scale in English and Spanish. IJHCS 127, 95–111.
Krath, J., Altmeyer, M., Tondello, G. & Nacke, L. (2023). Hexad-12. CHI '23, doi:10.1145/3544548.3580968.
Hallifax, S., Serna, A., Marty, J.-C., Lavoué, G. & Lavoué, E. (2019). Factors to Consider for Tailored Gamification. CHI PLAY '19.
Klock, A. C. T., Gasparini, I., Pimenta, M. S. & Hamari, J. (2020). Tailored gamification: A review of literature. IJHCS 144.
Altmeyer, M. et al. (2022). Do Hexad User Types Matter? PACM HCI 6, CHI PLAY.
Sailer, M. & Homner, L. (2020). The Gamification of Learning: A Meta-Analysis. Educational Psychology Review 32, 77–112.
Pashler, H., McDaniel, M., Rohrer, D. & Bjork, R. (2008). Learning Styles: Concepts and Evidence. Psychological Science in the Public Interest 9(3).
Goodhue, D. & Thompson, R. (1995). Task-Technology Fit and Individual Performance. MIS Quarterly 19(2), 213–236.
Pirolli, P. & Card, S. (1999). Information Foraging. Psychological Review 106(4), 643–675.
Tintarev, N. & Masthoff, J. (2012). Evaluating the effectiveness of explanations for recommender systems. UMUAI 22, 399–439.
Cohn, M. (2004). User Stories Applied. Addison-Wesley.
Lucassen, G., Dalpiaz, F., van der Werf, J. M. & Brinkkemper, S. (2016). Improving agile requirements: the Quality User Story framework and tool. Requirements Engineering 21(3), 383–403.
Clegg, D. & Barker, R. (1994). Case Method Fast-Track: A RAD Approach (MoSCoW).