Viele Gewohnheiten. Ein lebendiges Netzwerk.

Das Health Habit Hub hilft Menschen, gesündere Gewohnheiten aufzubauen, und Forschenden zu verstehen, wie das gelingt. Beides passiert am selben Ort: eine App zum Mitmachen und ein Portal für die Studienleitung.

  • Verfügbar für iOS & Android
  • Daten bleiben in Europa, nach DSGVO
  • Offen und nachvollziehbar
Ein lebendiger Wissensgraph

Jede geteilte Gewohnheit wird zu einem Knoten in einem wachsenden Wissensgraphen. Mit jedem Beitrag verknüpfen sich Gewohnheiten über gemeinsame Konzepte und ordnen sich von selbst zu Clustern, die zeigen, wie reale Gewohnheiten zusammenhängen.

Ziehe einen Punkt, um ihn zu bewegen.

Illustrative Darstellung des Graphen.

Die Idee dahinter

Eine Plattform, zwei Blickwinkel.

Die meisten Gesundheits-Apps sammeln Daten, ohne dass jemand daraus lernt. Und die meiste Verhaltensforschung erreicht nie eine echte App. Das Health Habit Hub verbindet beides. Teilnehmende bekommen ein einfaches Werkzeug, um ihre Gewohnheiten zu verfolgen. Forschende bekommen sauber erhobene, anonymisierte Daten, um zu verstehen, was Menschen wirklich hilft. Jede Seite macht die andere besser.12

Der gemeinsame Wissensschatz

Aus vielen Gewohnheiten wird ein Netzwerk.

Teilnehmende können ihre Gewohnheiten anonym teilen. So entsteht nach und nach ein Graph aus tausenden echten Verhaltensweisen, in dem verwandte Gewohnheiten zusammenrücken. Für Forschende ist das eine Landkarte menschlichen Verhaltens. Für Teilnehmende ist es ein Ort, an dem sie sehen, dass sie nicht allein sind.3

So wird aus vielen einzelnen Beiträgen ein lernendes System.

Teilen
Wissensgraph
Empfehlungssystem
Gewohnheit
1

Teilen

Teilnehmende entscheiden in der App selbst, welche Gewohnheit sie anonym freigeben.

2

Wissensgraph

Jeder Beitrag verknüpft sich mit verwandten Gewohnheiten zu einem wachsenden Netzwerk.

3

Empfehlungssystem

Ein Modell lernt aus dem echten, aggregierten Verhalten tausender Menschen, nicht aus Annahmen.45

4

Gewohnheit

Aus der Empfehlung wird eine neue Gewohnheit, die sich wiederum mit dem Netzwerk verbindet, und der Kreislauf beginnt von vorn.

Datenerhebung: Teilnehmende entscheiden in der App selbst, ob sie eine Gewohnheit anonym zur Forschung teilen möchten. Freigegebene Einträge werden von persönlichen Merkmalen getrennt, nach Themen gruppiert und nur als aggregierter Graph gespeichert. Das erschwert Rückschlüsse auf einzelne Personen erheblich, denn detaillierte Einzeldaten lassen sich oft selbst ohne Namen einer Person zuordnen.67

Womit fängst du an?

Bist du hier, um mitzumachen oder um zu forschen?

Beide Wege starten hier. Dahinter wartet genau das, was du brauchst.

Quellen

  1. 1Reinsch, F., Sitzberger, M. L., Kählig, M., & Stark, J. (2026). Built for sprints, needed for marathons: Mapping the gap between science, users, and implementation in digital habit formation apps. In ECIS 2026 Proceedings. Association for Information Systems. https://aisel.aisnet.org/ecis2026/hit/hit/14
  2. 2Middelweerd, A., Mollee, J. S., van der Wal, C. N., Brug, J., & te Velde, S. J. (2014). Apps to promote physical activity among adults: A review and content analysis. International Journal of Behavioral Nutrition and Physical Activity, 11(1), Article 97. https://doi.org/10.1186/s12966-014-0097-9
  3. 3Noble, N., Paul, C., Turon, H., & Oldmeadow, C. (2015). Which modifiable health risk behaviours are related? A systematic review of the clustering of smoking, nutrition, alcohol and physical activity (‘SNAP’) health risk factors. Preventive Medicine, 81, 16–41. https://doi.org/10.1016/j.ypmed.2015.07.003
  4. 4Reinsch, F., Weimann, T., & Stark, J. (2024). Tailoring health: Contextual variables in health recommender systems. In Proceedings of the 6th International Workshop on Health Recommender Systems (HealthRecSys 2024) (CEUR Workshop Proceedings, Vol. 3823, pp. 2–15). CEUR-WS.org. https://ceur-ws.org/Vol-3823/1_Reinsch_tailoring_159.pdf
  5. 5De Croon, R., Van Houdt, L., Htun, N. N., Štiglic, G., Vanden Abeele, V., & Verbert, K. (2021). Health recommender systems: Systematic review. Journal of Medical Internet Research, 23(6), Article e18035. https://doi.org/10.2196/18035
  6. 6Rocher, L., Hendrickx, J. M., & de Montjoye, Y.-A. (2019). Estimating the success of re-identifications in incomplete datasets using generative models. Nature Communications, 10(1), Article 3069. https://doi.org/10.1038/s41467-019-10933-3
  7. 7Sweeney, L. (2002). k-Anonymity: A model for protecting privacy. International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, 10(5), 557–570. https://doi.org/10.1142/S0218488502001648