Usability-Tests mit fünf Personen: Was hinter der Faustregel steckt

Stell dir ein kleines Produktteam vor, das an „Pfotenplan“ arbeitet, einer App, mit der Menschen Termine bei ihrer Tierarztpraxis buchen. Auf der anderen Seite pflegen die Mitarbeitenden der Praxis den Terminkalender in einer Web-Anwendung. Sechs Wochen vor dem Start soll endlich getestet werden. Im Planungsmeeting fällt der Satz, der in solchen Runden fast immer fällt: „Nielsen sagt doch, fünf Testpersonen reichen.“ Aus dem Produktmanagement kommt prompt der Einwand: „Fünf Leute? Damit können wir doch nichts beweisen.“ Am Ende einigt sich das Team auf einen großen Test mit zwölf Personen, gemischt aus Tierhaltenden und Praxispersonal, kurz vor dem Launch.

Beide Positionen haben einen wahren Kern, und beide liegen in diesem Fall daneben. Die Fünf-Personen-Regel ist eine der bekanntesten Faustregeln im UX-Design und gleichzeitig eine der am häufigsten missverstandenen. Sie stammt aus einem mathematischen Modell mit klaren Annahmen. Wer diese Annahmen kennt, weiß, wann fünf Testpersonen genau richtig sind und wann sie nicht annähernd reichen.

Dieser Artikel erklärt, woher die Zahl kommt, was Kritik und Folgestudien gezeigt haben und wie du Testrunden so planst, dass sie wirklich etwas verbessern. Pfotenplan dient dabei als durchgehendes Beispiel. Es ist erfunden, aber typisch.

Woher die Fünf kommt

Ein Usability-Test ist eine Methode, bei der echte Menschen typische Aufgaben mit einem Produkt erledigen, während du beobachtest, wo sie stocken, sich irren oder aufgeben. In der qualitativen Variante geht es nicht um Statistik, sondern darum, Probleme zu finden und zu verstehen.

Die Frage, wie viele Testpersonen dafür nötig sind, beschäftigte die Forschung schon Anfang der 1990er-Jahre. Robert Virzi veröffentlichte 1992 in der Fachzeitschrift Human Factors eine Arbeit mit dem Titel „Refining the Test Phase of Usability Evaluation: How Many Subjects Is Enough?“. Sein zentraler Befund: Die ersten vier bis fünf Testpersonen decken rund 80 Prozent der Probleme auf, und schwerwiegende Probleme zeigen sich eher früh.

Ein Jahr später legten Jakob Nielsen und Thomas K. Landauer auf der Konferenz INTERCHI ’93 ein Modell vor, das bis heute zitiert wird. Sie werteten elf Studien aus und stellten fest, dass sich das Finden von Usability-Problemen gut als Zufallsprozess beschreiben lässt, sowohl bei Tests mit Nutzenden als auch bei der heuristischen Evaluation durch Fachleute. Daraus ergibt sich eine einfache Formel für den Anteil gefundener Probleme:

Gefundener Anteil = 1 − (1 − L)^n

Dabei ist n die Zahl der Testpersonen und L die Wahrscheinlichkeit, mit der eine einzelne Person ein bestimmtes Problem aufdeckt. Nielsen nannte später 31 Prozent als typischen Wert für L, gemittelt über die Projekte, die sein Team ausgewertet hatte.

Was die Rechnung ergibt

Setzt du L = 0,31 in die Formel ein, entsteht die bekannte Kurve, die erst steil ansteigt und dann abflacht:

• 1 Testperson: rund 31 Prozent der Probleme
• 3 Testpersonen: rund 67 Prozent
• 5 Testpersonen: rund 84 Prozent
• 10 Testpersonen: rund 98 Prozent
• 15 Testpersonen: fast 100 Prozent

Daher stammt die Aussage, fünf Personen fänden etwa 85 Prozent der Probleme. Jede weitere Person bringt weniger Neues, weil sie vor allem das wiederholt, was andere schon gezeigt haben.

Was Nielsen im Jahr 2000 tatsächlich empfohlen hat

Populär wurde die Regel durch Nielsens Artikel „Why You Only Need to Test with 5 Users“ aus dem Jahr 2000. Wer ihn heute liest, stellt fest, dass er deutlich differenzierter ist als die Faustregel, die daraus wurde.

Nielsen beginnt mit einer einfachen Beobachtung: Null Testpersonen bringen null Erkenntnisse. Schon die erste Person liefert fast ein Drittel dessen, was es zu lernen gibt. Danach sinkt der Ertrag. Ab der fünften Person, so Nielsen, verschwendest du Zeit, weil du dieselben Befunde immer wieder siehst.

Der entscheidende Teil kommt danach. Laut der Kurve brauchst du mindestens 15 Personen, um praktisch alle Probleme zu finden. Nielsen empfiehlt aber ausdrücklich nicht, diese 15 Personen in einem einzigen Test zu verbrauchen. Besser seien drei Tests mit je fünf Personen, mit Überarbeitungen dazwischen. Er begründet das so: Ein zweiter Test zeigt, ob die Korrekturen funktionieren, denn es gibt keine Garantie dafür. Neue Entwürfe können neue Probleme einführen. Und manche tiefer liegenden Probleme werden erst sichtbar, wenn die offensichtlichen beseitigt sind.

Zwei Einschränkungen nennt Nielsen gleich mit. Erstens gilt die Formel nur für vergleichbare Menschen, die die Website auf ähnliche Weise nutzen. Zweitens brauchst du mehr Testpersonen, wenn es mehrere deutlich verschiedene Gruppen gibt, etwa Kinder und Eltern. Für zwei Gruppen empfiehlt er drei bis vier Personen pro Gruppe, für drei oder mehr Gruppen jeweils drei.

Die Fünf war also nie als Mindestgröße für eine einmalige Prüfung gedacht. Sie ist die Größe einer Runde in einem iterativen Prozess, bezogen auf eine einheitliche Gruppe.

Was die Faustregel nicht sagt

Das häufigste Missverständnis steckt in dem Satz „Fünf Personen finden 85 Prozent aller Probleme“. Jeff Sauro und James Lewis von MeasuringU formulieren es genauer: Fünf Personen finden mit hoher Wahrscheinlichkeit die Probleme, die etwa drei von zehn Menschen betreffen. Bei selteneren Problemen sieht die Rechnung ganz anders aus.

Nimm ein Problem, auf das nur jede zehnte Person stößt. Mit derselben Formel ergibt sich:

• Mit 5 Testpersonen siehst du es mit rund 41 Prozent Wahrscheinlichkeit mindestens einmal.
• Mit 10 Testpersonen sind es rund 65 Prozent.
• Für 85 Prozent Sicherheit brauchst du rund 18 Testpersonen.

Ein Problem, das nur eine von hundert Personen trifft, bleibt mit fünf Testpersonen in rund 95 Prozent der Fälle unentdeckt. Die 31 Prozent sind ein Durchschnitt über viele Probleme. Häufige Probleme findest du schnell, seltene kaum.

Dazu kommt: L ist keine Naturkonstante. Schon Nielsen und Landauer berichteten, dass dieser Wert zwischen Studien stark schwankt. Sauro und Lewis nennen für Studien mit großen Stichproben Werte zwischen 0,03 und 0,60. Bei einer komplexen Anwendung mit vielen Funktionen kann L deutlich niedriger liegen als bei einem einfachen Bestellprozess. Und wer L aus den ersten zwei, drei Sitzungen eines Tests schätzt, überschätzt den Wert typischerweise, weil die Probleme fehlen, die bis dahin noch niemand gefunden hat.

Kritik und Folgestudien

Seit 2000 wird um die Regel gestritten. Die wichtigsten Beiträge zeigen, wo die Fünf an ihre Grenzen stößt.

Spool und Schroeder (2001): offene Aufgaben auf großen Websites

Jared Spool und Will Schroeder stellten 2001 auf der CHI-Konferenz eine kurze Arbeit mit dem zugespitzten Titel „Testing web sites: five users is nowhere near enough“ vor. Testpersonen durften auf bis zu vier Websites frei nach CDs suchen, die sie kaufen wollten, statt fest vorgegebene Aufgaben abzuarbeiten. Die Autoren folgerten, dass diese Websites deutlich mehr als fünf Testpersonen gebraucht hätten, um 85 Prozent der Probleme zu finden. Sekundärquellen berichten, dass die ersten fünf Personen nur rund 35 Prozent der Probleme aufdeckten und auch spätere Personen immer noch neue Probleme fanden.

Der Kern dieser Kritik: Bei großen Websites mit offenen Aufgaben gehen Menschen sehr unterschiedliche Wege, und die Wahrscheinlichkeit, dass zwei Personen auf dasselbe Problem stoßen, sinkt.

Faulkner (2003): Glück bei der Auswahl

Laura Faulkner von der University of Texas ging der Frage empirisch nach. Sie testete 60 Personen und zog aus diesen Daten zufällig Gruppen verschiedener Größe. Das Ergebnis zeigt, wie stark der Zufall bei kleinen Gruppen mitspielt: Manche Fünfergruppen fanden 99 Prozent der Probleme, andere nur 55 Prozent. Im Durchschnitt lagen Fünfergruppen zwar bei rund 85 Prozent und bestätigten damit Nielsens Kurve. Aber ob du in einem konkreten Test eine gute oder eine schlechte Gruppe erwischst, weißt du vorher nicht. Mit zehn Personen stieg der schlechteste Wert auf 80 Prozent, mit zwanzig auf 95 Prozent.

Faulkners Fazit: Größere Stichproben senken das Risiko, wichtige Probleme zu übersehen. Das widerspricht Nielsen nicht direkt, verschiebt aber den Blick vom Durchschnitt auf die Streuung.

Weitere Einwände: Heterogenität, Aufgaben und Auswertung

Alan Woolrych und Gilbert Cockton argumentierten 2001, dass Probleme Menschen nicht gleichmäßig treffen und ein einzelner Durchschnittswert für L deshalb in die Irre führen kann. Wonil Hwang und Gavriel Salvendy kamen 2010 in einer Metastudie auf eine andere Faustregel: Für 80 Prozent der Probleme brauche es zehn plus minus zwei Personen. Martin Schmettow von der Universität Twente hielt 2012 dagegen, dass auch diese Zahl zu optimistisch sei. Weil Probleme unterschiedlich gut sichtbar sind und viele Studien unvollständig bleiben, unterschätze die Formel den nötigen Umfang grundsätzlich. Schmettows Schluss: Die Suche nach einer magischen Zahl sei zum Scheitern verurteilt, ob fünf, zehn oder 56.

Ein weiterer Befund betrifft nicht die Zahl der Personen, sondern die Aufgaben. Gitte Lindgaard und Jarinee Chattratichart werteten 2007 Daten aus einer Vergleichsstudie aus, in der neun erfahrene Teams dieselbe Website unabhängig voneinander testeten. Obwohl jedes Team fünf oder mehr Personen testete, fanden die Teams nur 7 bis 43 Prozent der bekannten Probleme. Mit der Zahl der Testpersonen hing das Ergebnis nicht zuverlässig zusammen, wohl aber mit der Zahl der Aufgaben. Schmettow verweist außerdem auf Rolf Molichs Studienreihe „Comparative Usability Evaluation“, in der verschiedene professionelle Teams für dasselbe Produkt regelmäßig deutlich unterschiedliche Ergebnisse berichteten.

Daraus folgt eine unbequeme Wahrheit: Wie viele Probleme du findest, hängt mindestens so sehr davon ab, was du testest und wie du auswertest, wie davon, wie viele Menschen du einlädst.

Wann fünf Testpersonen reichen

Trotz aller Kritik ist die Fünf in vielen Situationen eine gute Wahl. Selbst Schmettow schreibt, dass die meisten Praxisteams weiter auf iterative Tests mit kleinem Budget setzen werden, bei denen exakte Zahlen unzuverlässig, aber auch unnötig sind. Fünf Personen passen, wenn drei Bedingungen zusammenkommen.

Du testest qualitativ. Es geht darum, Probleme zu finden und ihre Ursachen zu verstehen, nicht darum, Erfolgsquoten oder Zeiten zu messen. Wenn drei von fünf Personen an derselben Stelle hängen bleiben, brauchst du keine Statistik, um zu wissen, dass dort etwas nicht stimmt.

Du testest iterativ. Nach dem Test wird überarbeitet und erneut getestet. Was die erste Runde übersieht, hat in der zweiten und dritten eine neue Chance. Und die häufigsten Probleme, die du zuerst behebst, verdecken nicht mehr den Blick auf die selteneren.

Du testest eine einheitliche Gruppe. Alle Testpersonen haben ähnliche Ziele, ähnliches Vorwissen und nutzen denselben Teil des Produkts. Dann ist die Annahme, dass alle ähnlich auf Probleme stoßen, halbwegs erfüllt.

Nielsen selbst hat seine Empfehlung 2012 in einem weiteren Artikel bekräftigt: fünf Personen für qualitative Studien. Er erwähnt auch Abweichungen in beide Richtungen. In sehr schlanken, agilen Projekten könnten schon zwei Personen pro Runde sinnvoll sein. In Beratungsprojekten testete sein Team oft mit etwa acht Personen, auch weil größere Zahlen gegenüber der Geschäftsleitung überzeugender wirken.

Wann fünf Testpersonen nicht reichen

Wenn du Zahlen brauchst

Sobald du Kennzahlen erheben willst, etwa eine Erfolgsquote, eine Bearbeitungszeit oder einen Wert der System Usability Scale, gelten andere Regeln. Mit fünf Personen ist jede Prozentangabe extrem unsicher. Wenn vier von fünf eine Aufgabe schaffen, kann die tatsächliche Erfolgsquote in der Zielgruppe weit darunter oder darüber liegen.

Die Nielsen Norman Group empfiehlt für quantitative Studien inzwischen in den meisten Fällen 40 Personen. Raluca Budiu und Kate Moran leiten diese Zahl aus einer Stichprobenberechnung für eine Erfolgsquote ab, mit einer Fehlermarge von 15 Prozentpunkten und 95 Prozent Konfidenz. Wer eine größere Unsicherheit akzeptiert, kommt mit weniger aus. Für Vergleiche zwischen zwei Varianten, etwa in einem A/B-Test, gelten ebenfalls eigene Berechnungen.

Wenn es mehrere Gruppen gibt

Fünf Personen pro Runde gelten für eine Gruppe. Bei Pfotenplan gibt es mindestens zwei: Tierhaltende, die in der App einen Termin buchen, und Mitarbeitende der Praxis, die im Kalender Termine verwalten. Diese Gruppen haben verschiedene Aufgaben, verschiedene Geräte und verschiedenes Vorwissen. Wer sie in einen Topf wirft, testet mit jeweils nur einem Teil der Personen und erfährt über beide Gruppen zu wenig.

Nielsen empfiehlt in solchen Fällen drei bis vier Personen pro Gruppe und hat das 2012 präzisiert: Je unterschiedlicher sich die Gruppen verhalten, desto näher solltest du an fünf Personen pro Gruppe herangehen. Dafür helfen saubere Zielgruppen-Definitionen, etwa in Form von Personas.

Wenn seltene Probleme teuer sind

Die Rechnung von oben zeigt es: Probleme, die nur wenige Menschen treffen, bleiben in kleinen Tests meist unsichtbar. Bei einer Terminbuchung für Haustiere ist das ärgerlich. Bei einer Medikamentendosierung, einer Banküberweisung oder einer Steuerungsoberfläche in der Industrie kann ein seltenes Problem schwere Folgen haben. In solchen Bereichen reichen kleine Runden als einzige Absicherung nicht. Dort braucht es größere Stichproben, mehrere Methoden und eine systematische Prüfung kritischer Abläufe.

Wenn das Produkt groß ist und die Aufgaben offen

Spool und Schroeder haben gezeigt, dass offene Aufgaben auf großen Websites die Annahmen der Formel unterlaufen. Nielsen empfiehlt für große Produkte allerdings nicht, mehr Personen in einen Test zu stecken, sondern mehrere fokussierte Studien zu machen, die jeweils einen Bereich abdecken. Fünf Personen, die alle denselben Checkout testen, sagen mehr über den Checkout als fünf Personen, die sich frei durch eine ganze Website bewegen.

Wenn die Methode eine andere ist

Die Fünf gilt für qualitative Usability-Tests. Für andere Methoden nennt Nielsen andere Zahlen: Für Card Sorting empfiehlt er mindestens 15 Personen pro Gruppe, für stabile Heatmaps im Eye-Tracking 39 Personen.

Iterative Testrunden planen

Zurück zu Pfotenplan. So sah der ursprüngliche Plan aus, und so sieht er nach der Überarbeitung aus:

• Vorher: Ein Test mit zwölf Personen sechs Wochen vor dem Start, Tierhaltende und Praxispersonal gemischt. Danach ein langer Bericht mit 40 Befunden, von denen das Team bis zum Launch nur einen Bruchteil umsetzen kann. Ob die Korrekturen funktionieren, prüft niemand.
• Nachher: Drei Runden mit je fünf Tierhaltenden für die App, im Abstand von zwei Wochen. Parallel zwei Runden mit je fünf Mitarbeitenden aus Praxen für den Kalender. Zwischen den Runden setzt das Team die wichtigsten Befunde um und prüft sie in der nächsten Runde.

Das sind 25 statt 12 Testsitzungen, aber verteilt über acht Wochen und jeweils mit klarem Fokus.

1. Eine Gruppe, eine Frage pro Runde

Leg für jede Runde fest, wen du testest und welche Frage du beantworten willst. Bei Pfotenplan lautet die Frage der ersten Runde: „Finden Tierhaltende einen passenden Termin und verstehen sie, was sie gebucht haben?“ Die Aufgaben folgen daraus: einen Impftermin für die Katze buchen, einen Termin verschieben, herausfinden, was zum Termin mitzubringen ist.

Weil die Zahl der Aufgaben laut Lindgaard und Chattratichart mindestens so wichtig ist wie die Zahl der Personen, lohnt es sich, die Aufgaben sorgfältig zu wählen. Decke die wichtigsten Abläufe ab, nicht nur den einfachsten Weg.

2. Passend rekrutieren

Fünf Personen bringen nur dann etwas, wenn es die richtigen sind. Für Pfotenplan heißt das: Menschen, die tatsächlich ein Haustier haben und es regelmäßig zum Tierarzt bringen, nicht Leute aus dem eigenen Büro. Plane eine Ersatzperson ein, denn Absagen kommen vor. Wie du solche Studien grundsätzlich aufsetzt, beschreibt der Glossareintrag zu User Research.

3. Schnell auswerten, priorisieren, umsetzen

Werte jede Runde zeitnah aus, idealerweise gemeinsam im Team, das die Sitzungen beobachtet hat. Halte fest, wie viele Personen an einem Problem gescheitert sind, wie schwer die Folgen waren und wo es auftrat. Wie du aus den Beobachtungen belastbare Erkenntnisse ziehst, erklärt der Artikel Wie man wertvolles Feedback aus Usability-Tests extrahiert.

In der ersten Runde von Pfotenplan scheitern drei von fünf Personen daran, dass die Terminart „Vorsorge“ heißt, während sie nach „Impfung“ suchen. Zwei Personen buchen versehentlich in der falschen Praxis, weil die Praxisauswahl erst ganz am Ende erscheint. Beides wird bis zur nächsten Runde geändert.

4. In der nächsten Runde prüfen

Die zweite Runde testet die überarbeitete Version mit fünf neuen Personen. Hat die Umbenennung geholfen? Taucht die Praxisauswahl jetzt an der richtigen Stelle auf? In Runde zwei fällt ein Problem auf, das vorher niemand bemerkt hatte: Weil die Buchung jetzt schneller geht, übersehen zwei Personen den Hinweis, dass der Impfpass mitgebracht werden muss. Genau diesen Effekt beschreibt Nielsen: Manche Probleme werden erst sichtbar, wenn die offensichtlichen beseitigt sind.

5. Wissen, wann eine Runde fertig ist

Ein praktisches Signal: Wenn die letzten zwei Personen einer Runde kaum noch neue Probleme zeigen, sondern vor allem bekannte bestätigen, hat die Runde ihren Zweck erfüllt. Zeigen dagegen auch die vierte und fünfte Person noch ständig Neues, ist das ein Hinweis darauf, dass die Gruppe zu uneinheitlich ist, die Aufgaben zu offen sind oder das Produkt noch grundlegende Probleme hat. Dann lohnt es sich eher, nachzuschärfen, als stur weiterzutesten.

Grenzen und Fallstricke

Prozentzahlen aus kleinen Runden. „80 Prozent der Testpersonen hatten Probleme“ klingt präzise, bedeutet bei fünf Personen aber nur: vier Menschen. Schreib in Berichten lieber „vier von fünf“. Das ist ehrlicher und verhindert, dass jemand die Zahl als Messwert missversteht.

Fünf Personen als Beweis für Abwesenheit. Ein Test mit fünf Personen kann zeigen, dass es ein Problem gibt. Er kann nicht zeigen, dass es keines gibt. Wenn niemand an einer Stelle gescheitert ist, heißt das nur, dass dort kein häufiges Problem sichtbar wurde.

Nur eine Runde. Wer fünf Personen testet und danach aufhört, nutzt die Faustregel genau so, wie Nielsen sie nicht gemeint hat. Der Wert der kleinen Stichprobe entsteht erst durch die Wiederholung.

Die falschen Personen. Fünf Menschen aus dem eigenen Vertriebsteam sind keine fünf Testpersonen aus der Zielgruppe. Ihre Erwartungen und ihr Vorwissen unterscheiden sich, und die Formel setzt voraus, dass die Testpersonen die späteren Nutzenden repräsentieren.

Tests als einzige Methode. Usability-Tests finden Probleme, die Menschen beim Erledigen von Aufgaben haben. Sie ersetzen keine Expertenevaluation, keine Auswertung von Nutzungsdaten und kein Verständnis dafür, warum Menschen ein Produkt überhaupt nutzen. Die stärksten Ergebnisse entstehen, wenn mehrere Methoden zusammenspielen.

Fazit

Die Fünf-Personen-Regel ist weder ein Mythos noch ein Gesetz. Sie stammt aus einem Modell, das unter bestimmten Annahmen gut funktioniert: qualitative Tests, eine einheitliche Gruppe, Probleme, die einen nennenswerten Teil der Menschen betreffen, und vor allem mehrere Runden mit Überarbeitungen dazwischen. Nielsen selbst hat nie empfohlen, einmal mit fünf Personen zu testen und dann aufzuhören. Er hat empfohlen, das Budget für 15 Personen auf drei Runden zu verteilen.

Die Kritik von Spool und Schroeder, Faulkner, Schmettow und anderen zeigt, wo diese Annahmen brüchig werden: bei großen Produkten mit offenen Aufgaben, bei verschiedenen Gruppen, bei seltenen, aber kritischen Problemen und überall dort, wo Zahlen gefragt sind. Für das Pfotenplan-Team heißt das: kein größerer Test, sondern mehrere kleine Runden, pro Gruppe getrennt. Fünf Personen reichen, wenn du danach weitermachst.

Checkliste

• Das Ziel des Tests ist klar: Probleme finden (qualitativ) oder Kennzahlen messen (quantitativ).
• Für qualitative Runden sind etwa fünf Personen pro Runde und Gruppe eingeplant.
• Für quantitative Kennzahlen ist die Stichprobe deutlich größer und berechnet, nicht geschätzt.
• Jede deutlich verschiedene Gruppe wird getrennt getestet, mit drei bis fünf Personen pro Gruppe.
• Es sind mehrere Runden mit Überarbeitungen dazwischen eingeplant, nicht ein einziger großer Test.
• Jede Runde hat eine klare Frage und Aufgaben, die die wichtigsten Abläufe abdecken.
• Die Testpersonen gehören zur echten Zielgruppe.
• Befunde werden als „drei von fünf“ berichtet, nicht als Prozentwerte.
• Kritische, seltene Probleme werden zusätzlich mit anderen Methoden oder größeren Stichproben abgesichert.
• Die nächste Runde prüft, ob die Korrekturen der vorigen funktionieren.

Quellen

• Jakob Nielsen und Thomas K. Landauer (1993): A mathematical model of the finding of usability problems. Proceedings of INTERCHI ’93, ACM, 206 bis 213
• Jakob Nielsen (2000): Why You Only Need to Test with 5 Users. Nielsen Norman Group
• Jakob Nielsen (2012): How Many Test Users in a Usability Study? Nielsen Norman Group
• Robert A. Virzi (1992): Refining the Test Phase of Usability Evaluation: How Many Subjects Is Enough? Human Factors, 34(4), 457 bis 468
• Jared Spool und Will Schroeder (2001): Testing web sites: five users is nowhere near enough. CHI ’01 Extended Abstracts, ACM, 285 bis 286
• Laura Faulkner (2003): Beyond the five-user assumption: Benefits of increased sample sizes in usability testing. Behavior Research Methods, Instruments, & Computers, 35(3), 379 bis 383
• Martin Schmettow (2012): Sample size in usability studies. Communications of the ACM, 55(4), 64 bis 70
• Gitte Lindgaard und Jarinee Chattratichart (2007): Usability testing: what have we overlooked? Proceedings of CHI 2007, ACM, 1415 bis 1424
• Kath Straub (2007): Why „how many users“ is just the wrong question. Human Factors International
• Jeff Sauro, MeasuringU: A Brief History of the Magic Number 5 in Usability Testing
• Jeff Sauro und James R. Lewis (2020): Predicting the Number of Usability Problems Using Average Problem Occurrence. MeasuringU
• Raluca Budiu und Kate Moran (2021): How Many Participants for Quantitative Usability Studies: A Summary of Sample-Size Recommendations. Nielsen Norman Group