Durch sinnvoll ausgewählte 3D-MicroMapping-Tasks lassen sich ganze 3D-Geodatensätze (z. B. 3D-Punktwolken) durch Crowdsourcing, also das Übertragen der Aufgabe an eine größere Gruppe von Personen, verarbeiten. In diesem Beitrag werden Ergebnisse einer Nutzerstudie vorgestellt, die zum Ziel hatte die Korrektheit der Resultate sowie die Bearbeitungsdauer solcher Microtasks genauer zu untersuchen und die Integration von 3D-MicroMapping in ein reCAPTCHA – eine nicht freiwillige Variante des Crowdsourcings – zu ermöglichen. Dabei wurden drei Klassifikationstiefen (Generelle Typenunterscheidung, objektspezifische Unterschiede sowie semantische Unterschiede) unterschieden, die mit einer Korrektheit von jeweils über 90 % (teils 96 %) im Mittel zwischen 15 und 20 Sekunden von den Nutzern/-innen klassifiziert wurden.

Whole 3D geodata set (e.g. from laser scanning) can be processed and analysed via crowdsourcing, i. e. sourcing out the tasks to a crowd of people, by choosing reasonable 3D micro-mapping tasks. This contribution presents results of a user study that was conducted with the goal to investigate the correctness and processing time of such micro tasks and to enable the integration of 3D-MicroMapping in a reCAPTCHA (i. e. a non-voluntary type of crowdsourcing). Three types of classification complexity (distinction between object types, object-specific differences and semantic differences) were tested, resulting in a correctness of above 90% for each type with an average processing time between 15 to 20 seconds by the users.