Durch die Entwicklung eines datenorientierten Ansatzes (Analyse der Luftqualität in Innenräumen anhand von in 1007 Sitzungen gesammelter Proben) soll das Projekt schlechte Luftqualität in Innenräumen vorhersagen und verhindern sowie zugleich die Nutzerinnen und Nutzer anregen, mit dem Gebäude zu interagieren.

Zur Vorhersage der Luftqualität in Innenräumen wurden zwei Methoden entwickelt:

1) Zeitreihen, die auf den Werten der CO2-Konzentration beruhen, die in demselben Raum über einen kurzen Zeitraum aufgezeichnet wurden. Mit dieser Methode lässt sich der CO2-Wert nach 5 Minuten mit einer Genauigkeit von 92 % und nach 20 Minuten mit einer Genauigkeit von 86 % vorhersagen.

2) Hierarchisches Clustering, das eingesetzt wird, um Modelle für die Bewertung der CO2-Konzentration während einer Sitzung zu ermitteln und das Profil dieser Modelle mit verschiedenen Umgebungsparametern (drinnen und draussen), der Gestaltung des Sitzungsraums, der Anzahl der Personen usw. in Beziehung zu setzen.

Human-IST hat ein System vorgelegt, das eine Kombination dieser beiden Methoden nutzt und so Situationen mit schlechter Luftqualität in Sitzungsräumen vorhersagen und im Austausch mit den Nutzerinnen und Nutzern verhindern kann. Zur Berücksichtigung sozialer Faktoren bei Sitzungen und der Kosten von Benachrichtigungen/Unterbrechungen, hat Human-IST zwei Online-Umfragen durchgeführt, deren Ergebnisse massgeblich waren für das Interaktionsdesign und die Kommunikationsmodalitäten unseres Systems. Die Einzelheiten dieses Projekts, einschliesslich der Datenerfassung, der Analyse und des Entwurfsvorschlags, wurden im Rahmen der ACM CHI Conference on Human Factors in Computing Systems, CHI 2021 zur Veröffentlichung angenommen.