Das Sehsystem des Menschen hat sich durch die Evolution an die natürlich wechselnden Sonnenlichtverhältnisse über den Tag und das Jahr angepasst. Aus diesem Grund sollte die Beleuchtung im Büro ebenfalls nicht statisch sein. Durch mehrkanalige Leuchten und deren Möglichkeit zur Veränderung der Beleuchtungsstärke sowie der Farbtemperatur lassen sich solche dynamischen Bedingungen in Büros realisieren. Da das Licht für den Menschen dargestellt wird, sollten die Präferenzen des Benutzers bei der Auswahl der dynamischen Lichtszenarien zusätzlich berücksichtigt werden. Bedingt durch die Tatsache, dass jeder Mensch durch unterschiedliche psychologische und physiologische Zustände eine andere Wahrnehmung der aktuellen Umgebung hat, muss die dynamische Präferenz mit den dazugehörigen Einflussparametern ermittelt werden. Es stellt sich die Frage, wie ein System beschaffen sein muss, dass die individuellen Lichtpräferenzen von Menschen in Abhängigkeit von verschiedenen Einflussparametern modelliert und welches die beeinflussenden Parameter sind. Um diesen Fragen nachzugehen, wurde in dieser Dissertation eine 32-monatige Langzeit-Feldstudie mit 30 in der Forschungsphase entwickelten Stehleuchten vorgestellt. Durch die spezielle Hard- und Software waren die Teilnehmenden in der Lage, den aktuellen Befindlichkeitszustand und die aktuelle Lichtpräferenz mit einer Beleuchtungsstärke- und Farbtemperaturauswahl aus 100 Kombinationen in einem Webinterface einzutragen. Darüber hinaus wurden Umgebungsdaten des Raumes sowie die vorherrschenden Wetterbedingungen während des Nutzungszeitraumes erfasst. Um den psychologisch bewerteten Lichtspektrenraum zu erweitern, wurde jeden Tag ein neuer Satz von 100 Weißlicht-Einstellungen aus 5,781 vorselektierten Spektren automatisch an die Nutzenden der Stehleuchte übertragen. Vielfältigere Licht-Spektren konnten in einem so genannten Trainingsprozess bewertet werden, bei dem die Teilnehmenden jeden Tag eine selbst durchgeführte Probandenstudie mit fünf verschiedenen Lichteinstellungen absolvierten. Der somit maximierte Raum der bewerteten Lichteinstellungen bildete in Kombination mit der aktuellen Stimmung, Innenraumsensorwerten und Wetterdaten den Grunddatensatz für die weitere Auswertung. Während der Evaluierung wurde ein neuartiges statisches und ein dynamisches Präferenzbeleuchtungsmodell (PLM) definiert. Das statische PLM führt zwei Gleichungen ein, eine für die Beleuchtungsstärke und eine für die korrelierte Farbtemperatur (CCT), welche mit einer geringen Datenmenge an die Präferenzen jedes einzelnen Teilnehmenden angepasst werden können. Dabei wird die Beleuchtungsstärkepräferenz lediglich mit der Tageszeit modelliert, während die CCT-Präferenz Tageszeit, Kalenderwoche, Raumtemperatur und Luftfeuchtigkeit integriert. Auf diese Weise berücksichtigen die Modelle das dynamische Lichtpräferenzverhalten eines Nutzenden in Abhängigkeit von verschiedenen Umgebungsparametern. Das dynamische PLM basiert hingegen auf einem datengesteuerten Ansatz. Als Hauptkomponente ist ein kontextbezogener mehrarmiger Bandit (CMAB) mit 32 Umgebungsmerkmalen festgelegt. Da mehrarmige Banditen nur die aktuelle Umgebung in die Vorhersage einer Lichteinstellung einbeziehen, werden die Umgebungssensor- und Wetterdaten auf Basis der Zeitreiheneigenschaften der letzten sechs Stunden in Gruppen eingeordnet. Mithilfe dieses Ansatzes werden die Lichtspektren mit der höchsten Präferenz in der jeweiligen Umgebung vorhergesagt. Die Vorhersage erfolgt für jeden Nutzenden individuelle auf Grundlage der gesammelten Daten in der Langzeit-Feldstudie. Eine neuartige Belohnungsfunktion für den Beleuchtungsbereich bildet die Hauptkomponente für die Schätzung der Nutzerbewertung innerhalb des CMABs. Diese Schätzung von nicht vorhandener Nutzerbewertungen ermöglicht einen vollautomatischen Lernprozess des CMABs und ermöglicht die Erstellung eines verallgemeinerten Nutzermodells, das auf Änderungen in der Lichtpräferenzen reagieren kann. Darüber hinaus wird eine neuartige Präferenzbewertungsfunktion definiert, die eine Vergleichbarkeit zwischen den Nutzenden ermöglicht, indem die absolute Lichtbewertung mit Quantilbereichen abstrahiert und Nutzungsparameter mit einbezogen werden. Die drei berücksichtigten Parameter sind hierbei: (i) Zehn Quantilbereiche der individuellen Nutzerbewertungen, (ii) die Beleuchtungsdauer jedes Spektrums sowie (iii) die Häufigkeit, wie oft ein Spektrum beleuchtet wurde, um das individuelle Bewertungsverhalten jedes Nutzenden in einer Präferenzfunktion zu erfassen. Weiterhin wird durch den Verzicht auf die absoluten Nutzerbewertungen eine vollständig nutzungsbasierte Berechnung der Präferenzbewertung ermöglicht. Ein vollautomatischer Lernprozess ohne jegliche Nutzerinteraktion ist somit realisierbar. Als Anwendung ist diese Präferenzbewertungsfunktion in einem benutzerbasierten, kollaborativen Filteransatz integriert, der Lichtbewertungen basierend auf anderen Teilnehmenden mit ähnlichem Lichtverhalten in einer gewissen Umgebung vorschlägt. Mithilfe dieses Ansatzes wird das Wissen über die Ähnlichkeit von Lichtbewertungen zwischen Nutzenden in einer Umgebung aufgezeigt. Als Ergebnis können Lichtpräferenzen von anderen Nutzenden mit einer ähnlichen Lichtpräferenz in einer gewissen Umgebung genutzt werden, um Lichteinstellungen vorzuschlagen und den Lernprozess des dynamischen PLM zu verbessern. Die gefitteten statischen PLM-Gleichungen aus der Kombination von zehn Nutzenden aus der Langzeitstudie mit den Stehleuchten ergaben ein hohes Bestimmtheitsmaß. Die Beleuchtungsstärke und die CCT-Gleichung wiesen ein R2 = 0.97 bzw. R2 = 0.98 auf und belegen die Aussagekraft dieser Funktionen. Ein viermonatiges Evaluierungsexperiment mit dem trainierten dynamischen PLM ergab, dass für Spektren, die länger als zehn Minuten beleuchtet wurden, qualitativ hochwertige Lichtvorschläge generiert wurden. Die Qualität der Vorhersage wurde dadurch begründet, dass die zwei CMAB-Strategien im Median eine höhere Bewertung aufweisen als die zuvor von den Nutzenden manuell eingestellten Lichteinstellungen. Weiterhin zeigten die manuellen Lichteinstellungen, die während der Studie aufgenommen wurden, einen ähnlichen Medianwert wie die intelligenten Vorhersagen des CMAB und begründeten ebenfalls, dass die Aussagen ähnlich gut, wie die selbst gewählten Lichteinstellungen waren. Die Zufriedenheit der Teilnehmenden sowie die Aussagekraft der Vorhersagen in einer realen Umgebung wurde somit nachgewiesen. Die Machbarkeit des benutzerbasierten, kollaborativen Filteransatzes, der durch die hohe Anzahl von 24.261 gesammelten Lichtbewertungsdaten ermöglicht wurde, wird mit Lichtvorschlägen für die Teilnehmenden in einer bestimmten Umgebung demonstriert. In den 33 am besten bewerteten Umgebungen wurden für die zehn Benutzer mithilfe des kollaborativen Filteransatzes durchschnittlich fünf Lichtbewertungen vorhergesagt. Dieser Ansatz ermöglichte somit einen aktiven Lernprozess von neuen, ungesehenen Lichteinstellungen für Nutzende der gleichen Lichtpräferenzgruppe pro Umgebung. Mit dem vorgestellten Konzept und den Ansätzen dieser Dissertation ist es möglich, dynamisch wechselnde Beleuchtungsstärken und Farbtemperaturen in Bezug auf beeinflussende Umgebungsparameter auch bei sehr geringer Datenmenge für einen Nutzenden auf Basis des statischen PLM vorherzusagen. Besteht daraufhin ein größer Datensatz mit mehreren Nutzern, kann der benutzerbasierte kollaborative Filteransatz zur aktiven Verbesserung der vorgeschlagenen Lichteinstellungen herangezogen werden. Mithilfe einer ausreichenden Datenmenge ist daraufhin das vorgestellte dynamische Präferenzbeleuchtungsmodell (PLM) in der Lage, bevorzugte Lichteinstellungen auf der Grundlage weiterer Umweltfaktoren vorherzusagen und dynamisch variierende Beleuchtungspräferenzen pro Nutzenden zu erlernen. Aufgrund der neuartigen Lichtpräferenz-Bewertungsfunktion, die ebenfalls nur die Nutzung der Leuchte mit einbeziehen kann, wird ein minimalinvasives System geschaffen, bei dem die Probanden die Lampe lediglich mit den bereitgestellten Vorhersagen verwenden oder sie manuell an spezielle Bedingungen anpassen können. Keine weiteren Bewertungseingaben sind erforderlich und bei manuellen Eingaben wird der CMAB dynamisch an diese neuen Präferenzen adaptiert. Als Ergebnis dieser Dissertation wird ein umfassendes System für die Vorhersage und Bereitstellung von Lichtspektren für den Einzelnutzenden in Bezug auf sich dynamisch verändernde Umgebungsparameter und individuelle Präferenzen bereitgestellt.