Portfolio
In Arbeit · Work in ProgressEvidoxa — vom Forschungsbedarf zum Produktprototyp
In Gesprächen mit Historiker:innen begegnete mir ein konkreter Bedarf: Personen, Orte, Quellen und Beziehungen gemeinsam erfassen und auswerten, ohne sich zunächst tief in technische Werkzeuge einarbeiten zu müssen. Daraus entstand Evidoxa als Eigenprojekt. Ich übernahm Produktkonzeption, Interaktionsgestaltung und KI-gestützte Entwicklung. Die Ausgangshypothese war, dass eine am Forschungsalltag orientierte Bedienung den Zugang zu strukturierten Daten erleichtern könnte.
Prozess
Phase 01
Eine Produkthypothese formulieren
Aus den Gesprächen leitete ich den Bedarf nach einer zusammenhängenden Erfassung historischer Daten ab. Das gab dem Eigenprojekt eine Richtung: fachliche Zusammenhänge abbilden und zugleich den technischen Einstieg überschaubar halten.
Phase 02
Früh mit funktionierender Software arbeiten
Mit Cursor, Next.js und MUI entwickelte ich direkt nutzbare Oberflächen. Der Code diente als Denk- und Prüfwerkzeug: Abläufe wurden erfahrbar, und ihre Grenzen zeigten sich früh. Die KI beschleunigte den Aufbau; Produktentscheidungen und Bewertung blieben bei mir.
Phase 03
Das fachliche Modell nachschärfen
Das Datenmodell wurde mehrfach grundlegend überarbeitet. Ich musste lernen, fachliche Zusammenhänge, technische Speicherung und Bedienlogik präziser zu unterscheiden. Die gewünschte Flexibilität hatte Auswirkungen auf alle drei Ebenen und ließ sich nicht allein im Interface lösen.
Phase 04
Zusammenarbeit in den Scope aufnehmen
Rückmeldungen führten zur Aufnahme kollaborativer Projekte und einer Bibliographieanbindung. Damit wuchs der Scope über die einzelne Datenerfassung hinaus. Die Erweiterung brachte das Produkt näher an gemeinsame Forschungsarbeit und erhöhte zugleich den Umfang dessen, was noch zu prüfen war.
Phase 05
Die nächste Prüfung vorbereiten
Als nächster Schritt ist eine breitere Erprobung mit Wissenschaftler:innen vorgesehen. Sie soll zeigen, ob das Produkt die Arbeit mit tatsächlichen Quellen und Beziehungen unterstützt und wo das Konzept noch an der Praxis vorbeigeht.
Methoden
KI als Entwicklungswerkzeug
KI half beim Aufbau und beim Erkunden technischer Möglichkeiten. Sie nahm mir die Entscheidung über fachliche Eignung und Produktscope nicht ab.
Fachliches Modellieren
Personen, Orte, Quellen und Beziehungen mussten fachlich sinnvoll und technisch handhabbar repräsentiert werden.
Interaktion erproben
Funktionierender Code machte Abläufe und Grenzen früher greifbar. Der Prototyp blieb ein Mittel zur Prüfung der Idee.
Scope anhand von Rückmeldungen entwickeln
Zusammenarbeit und Referenzierung kamen aufgrund konkreter Rückmeldungen hinzu. Ihr Nutzen muss sich in der weiteren Erprobung bewähren.
Visuals
Personenübersicht im MVP: ein Einstieg in die erfassten Forschungsdaten.
Darstellung von Beziehungen zwischen Personen im aktuellen Prototyp.
Key Takeaways
Ein Prototyp macht Fragen konkret
Mit nutzbaren Abläufen ließ sich präziser beurteilen, welche Produktentscheidungen schon trugen und welche noch Arbeit verlangten.
Technische Tiefe erweitert die Konzeption
Die Arbeit am Datenmodell veränderte auch mein Verständnis der fachlichen Aufgabe und ihrer möglichen Oberfläche.
Bedarf ist der Beginn der Prüfung
Ein wiederkehrender Wunsch begründet eine Produkthypothese. Ob die konkrete Lösung im Alltag trägt, muss gesondert untersucht werden.
Neue Anforderungen kosten auch Erkenntnisarbeit
Jede Erweiterung vergrößert neben der Implementierung auch die Menge der Annahmen, die noch überprüft werden müssen.
Zum dokumentierten Stand liegt ein funktionsfähiger MVP mit Nutzerverwaltung, kollaborativen Projekten, flexiblem Datenmodell und Bibliographieanbindung vor. Die breitere Prüfung im tatsächlichen Forschungskontext steht noch aus. Entscheidend wird sein, ob Forschende damit ihre eigenen Materialien und Fragestellungen über längere Zeit sinnvoll bearbeiten können. Technische Machbarkeit und erste Rückmeldungen tragen die nächste Erprobung; sie belegen noch keine dauerhafte Nutzung.