Allgemeine Einführung

In den letzten Jahren hat sich KI von der Datenklassifizierung hin zur Inhaltserzeugung weiterentwickelt (Strobel et al., 2024; Banh & Strobel, 2023). Generative AI (kurz GenAI) hat nicht nur neue Anwendungsfelder erschlossen, sondern auch bestehende Märkte revolutioniert. Gleichzeitig hat der Einsatz von KI die Robotik entscheidend vorangetrieben – etwa durch Fortschritte in der Objekterkennung, der Bewegung in verschiedenen Umgebungen und der autonomen Navigation. Dennoch fehlt es diesen Systemen an Intelligenz, um vollständig autonom zu agieren und universell einsetzbar zu sein.

Eine vielversprechende Lösung bietet „Embodied GenAI“, der Einsatz von GenAI in physischen Systemen. Einerseits kann GenAI die notwendige Intelligenz für Umgebungswahrnehmung, Aufgabenplanung und Aufgabenausführung bereitstellen. Andererseits würde die physische Verkörperung GenAI auf eine höhere Intelligenzstufe heben, da wahre kognitive Fähigkeiten aus der Verknüpfung von Wahrnehmung, Handlung, kontinuierlichem Lernen und physischer Präsenz entstehen (Duan et al., 2022).

Die Verbindung von Generativität und physischer Präsenz eröffnet völlig neue Anwendungsfelder – von Assistenzrobotern bis hin zu autonomen Systemen in kritischen Infrastrukturen. Gleichzeitig bringt die physische Integration von GenAI neue Herausforderungen mit sich, insbesondere in den Bereichen Sicherheit, Akzeptanz und der technischen Umsetzung realweltlicher Interaktionen (Larson, 2010).

Vor diesem Hintergrund stellt sich die zentrale Frage, wie Embodied Generative AI in spezifischen Anwendungsbereichen gestaltet werden kann, um ihr Potenzial optimal zu nutzen und bestehende Herausforderungen gezielt zu adressieren.

Anwendungsfeld

Wasserunfälle stellen Rettungskräfte vor enorme Herausforderungen, da schnelle Entscheidungen und präzise Maßnahmen über Leben und Tod entscheiden können. Embodied Generative AI in Form autonomer Roboter zu Land, Wasser und in der Luft könnten Gewässer bewachen, Hilfebedürftige lokalisieren und Rettungseinsätze effektiv koordinieren. Durch ihre Fähigkeit, unter schwierigen Bedingungen zuverlässig zu arbeiten, könnten solche Systeme die Wasserrettung revolutionieren und entscheidend zur Rettung von Menschenleben beitragen.

Zielsetzung

Die Entwicklung von Embodied Generative AI für unterschiedliche Anwendungsbereiche erfordert eine fundierte wissenschaftliche Basis, um geeignete Design Principles zu identifizieren und systematisch abzuleiten (Wache et al., 2022; Chandra et al., 2015; Weisz et al., 2024). Ziel dieser Arbeit ist es, ein strukturiertes Forschungsdesign zur Datenerhebung zu nutzen, um praxisrelevante Design Principles für die Entwicklung und Implementierung von Embodied Generative AI-Systemen in spezifischen Anwendungsfeldern zu formulieren.

Hierzu sollen systematische Datenerhebungsmethoden kombiniert werden, um die relevanten Anforderungen, Herausforderungen und Potenziale von Embodied Generative AI zu erfassen. Für diese Arbeit relevant können dementsprechend je nach individueller Absprache sein:

• Systematische Literaturrecherche, um den aktuellen Forschungsstand zu erheben und bestehende theoretische Grundlagen für Embodied Generative AI zu identifizieren (vom Brocke et al., 2009; Webster & Watson, 2002).

• Experteninterviews mit Fachpersonen aus relevanten Domänen (z.B. DLRG oder Wasserwacht), um praxisnahe Anforderungen und Designüberlegungen zu ermitteln (Gioia et al., 2012; Myers & Newman, 2007).

• Fragebogenbasierte Umfragen, um Einschätzungen potenzieller Nutzer und Stakeholder zu erfassen und quantitative Erkenntnisse zur Akzeptanz und den Anforderungen an Embodied Generative AI zu gewinnen.

Startliteratur

• Banh, L., & Strobel, G. (2023). Generative artificial intelligence. Electronic Markets, 33(1), 63. DOI

• L. Chandra, S. Seidel and S. Gregor, "Prescriptive Knowledge in IS Research: Conceptualizing Design Principles in Terms of Materiality, Action, and Boundary Conditions," 2015 48th Hawaii International Conference on System Sciences, Kauai, HI, USA, 2015, pp. 4039-4048. DOI

• Duan, J., Yu, S., Tan, H. L., Zhu, H., & Tan, C. (2021). A Survey of Embodied AI: From Simulators to Research Tasks. IEEE Transactions on Emerging Topics in Computational Intelligence, 6(2), 230-244. DOI

• Gioia, D. A., Corley, K. G., & Hamilton, A. L. (2012). Seeking Qualitative Rigor in Inductive Research: Notes on the Gioia Methodology. Organizational Research Methods, 16(1), 15-31. DOI

• Larson, D. A. (2010). Artificial Intelligence: Robots, avatars, and the demise of the human mediator. Ohio St. J. on Disp. Resol., 25, 105. DOI

• Myers, M. D., & Newman, M. (2007). The qualitative interview in IS research: Examining the craft. Information and Organization, 17(1), 2-26. DOI

• Paolo, G., Gonzalez-Billandon, J., & Kégl, B. (2024). Position: A Call for Embodied AI. Proceedings of the Forty-first International Conference on Machine Learning. DOI

• Strobel, G., Banh, L., Möller, F., & Schoormann, T. (2024). Exploring Generative Artificial Intelligence: A Taxonomy and Types. Proceedings of the 57th Hawaii International Conference on System Sciences. DOI

• vom Brocke, J., Simons, A., Niehaves, B., Riemer, K., Plattfaut, R., & Cleven, A. (2009). Reconstructing the Giant: On the Importance of Rigour in Documenting the Literature Search Process. Proceedings of the 17th European Conference on Information Systems. DOI

• Wache, H., et al. (2022). Design Principles for Embodied Generative AI Systems. Journal of Artificial Intelligence Research, 75, 123-145. DOI

• Webster, J., & Watson, R. T. (2002). Analyzing the Past to Prepare for the Future: Writing a Literature Review. MIS Quarterly, 26(2), xiii-xxiii. DOI

• Weisz, J. D., He, J., Muller, M., Hoefer, G., Miles, R., & Geyer, W. (2024, May). Design Principles for Generative AI Applications. In Proceedings of the CHI Conference on Human Factors in Computing Systems (pp. 1-22). DOI

Weitere Informationen

Das Thema kann sowohl als Bachelor- als auch als Masterarbeit in Deutsch oder Englisch bearbeitet werden. Bei Interesse melden Sie sich bitte per Mail bei mir und nach gemeinsamer Absprache gilt es ein Exposé zu erarbeiten. Ich freue mich auf Ihre Nachricht.

Allgemeine Einführung

In den letzten Jahren hat sich KI von der Datenklassifizierung hin zur Inhaltserzeugung weiterentwickelt (Strobel et al., 2024; Banh & Strobel, 2023). Generative AI (kurz GenAI) hat nicht nur neue Anwendungsfelder erschlossen, sondern auch bestehende Märkte revolutioniert. Gleichzeitig hat der Einsatz von KI die Robotik entscheidend vorangetrieben – etwa durch Fortschritte in der Objekterkennung, der Bewegung in verschiedenen Umgebungen und der autonomen Navigation. Dennoch fehlt es diesen Systemen an Intelligenz, um vollständig autonom zu agieren und universell einsetzbar zu sein.

Eine vielversprechende Lösung bietet „Embodied GenAI“, der Einsatz von GenAI in physischen Systemen. Einerseits kann GenAI die notwendige Intelligenz für Umgebungswahrnehmung, Aufgabenplanung und Aufgabenausführung bereitstellen. Andererseits würde die physische Verkörperung GenAI auf eine höhere Intelligenzstufe heben, da wahre kognitive Fähigkeiten aus der Verknüpfung von Wahrnehmung, Handlung, kontinuierlichem Lernen und physischer Präsenz entstehen (Duan et al., 2022).

Die Verbindung von Generativität und physischer Präsenz eröffnet völlig neue Anwendungsfelder – von Assistenzrobotern bis hin zu autonomen Systemen in kritischen Infrastrukturen. Gleichzeitig bringt die physische Integration von GenAI neue Herausforderungen mit sich, insbesondere in den Bereichen Sicherheit, Akzeptanz und der technischen Umsetzung realweltlicher Interaktionen (Larson, 2010).

Vor diesem Hintergrund stellt sich die zentrale Frage, wie Embodied Generative AI in spezifischen Anwendungsbereichen gestaltet werden kann, um ihr Potenzial optimal zu nutzen und bestehende Herausforderungen gezielt zu adressieren.

Anwendungsfeld

Naturkatastrophen und Brände stellen Rettungskräfte vor enorme Herausforderungen, da schnelle Entscheidungen und präzise Maßnahmen über Leben und Tod entscheiden können. Embodied Generative AI in Form autonomer Löschroboter, amphibischer Hochwasserschutzdrohnen oder Such- und Rettungseinheiten könnte gefährliche Bereiche erkunden, Überlebende lokalisieren und Rettungseinsätze koordinieren. Durch ihre Fähigkeit, in extremen Bedingungen zu agieren, könnten solche Systeme den Katastrophenschutz revolutionieren und Menschenleben retten.

Zielsetzung

Die Entwicklung von Embodied Generative AI für unterschiedliche Anwendungsbereiche erfordert eine fundierte wissenschaftliche Basis, um geeignete Design Principles zu identifizieren und systematisch abzuleiten (Wache et al., 2022; Chandra et al., 2015; Weisz et al., 2024). Ziel dieser Arbeit ist es, ein strukturiertes Forschungsdesign zur Datenerhebung zu nutzen, um praxisrelevante Design Principles für die Entwicklung und Implementierung von Embodied Generative AI-Systemen in spezifischen Anwendungsfeldern zu formulieren.

Hierzu sollen systematische Datenerhebungsmethoden kombiniert werden, um die relevanten Anforderungen, Herausforderungen und Potenziale von Embodied Generative AI zu erfassen. Für diese Arbeit relevant können dementsprechend je nach individueller Absprache sein:

• Systematische Literaturrecherche, um den aktuellen Forschungsstand zu erheben und bestehende theoretische Grundlagen für Embodied Generative AI zu identifizieren (vom Brocke et al., 2009; Webster & Watson, 2002).

• Experteninterviews mit Fachpersonen aus relevanten Domänen, um praxisnahe Anforderungen und Designüberlegungen zu ermitteln (Gioia et al., 2012; Myers & Newman, 2007).

• Fragebogenbasierte Umfragen, um Einschätzungen potenzieller Nutzer und Stakeholder zu erfassen und quantitative Erkenntnisse zur Akzeptanz und den Anforderungen an Embodied Generative AI zu gewinnen.

Startliteratur

• Banh, L., & Strobel, G. (2023). Generative artificial intelligence. Electronic Markets, 33(1), 63. DOI

• L. Chandra, S. Seidel and S. Gregor, "Prescriptive Knowledge in IS Research: Conceptualizing Design Principles in Terms of Materiality, Action, and Boundary Conditions," 2015 48th Hawaii International Conference on System Sciences, Kauai, HI, USA, 2015, pp. 4039-4048. DOI

• Duan, J., Yu, S., Tan, H. L., Zhu, H., & Tan, C. (2021). A Survey of Embodied AI: From Simulators to Research Tasks. IEEE Transactions on Emerging Topics in Computational Intelligence, 6(2), 230-244. DOI

• Gioia, D. A., Corley, K. G., & Hamilton, A. L. (2012). Seeking Qualitative Rigor in Inductive Research: Notes on the Gioia Methodology. Organizational Research Methods, 16(1), 15-31. DOI

• Larson, D. A. (2010). Artificial Intelligence: Robots, avatars, and the demise of the human mediator. Ohio St. J. on Disp. Resol., 25, 105. DOI

• Myers, M. D., & Newman, M. (2007). The qualitative interview in IS research: Examining the craft. Information and Organization, 17(1), 2-26. DOI

• Paolo, G., Gonzalez-Billandon, J., & Kégl, B. (2024). Position: A Call for Embodied AI. Proceedings of the Forty-first International Conference on Machine Learning. DOI

• Strobel, G., Banh, L., Möller, F., & Schoormann, T. (2024). Exploring Generative Artificial Intelligence: A Taxonomy and Types. Proceedings of the 57th Hawaii International Conference on System Sciences. DOI

• vom Brocke, J., Simons, A., Niehaves, B., Riemer, K., Plattfaut, R., & Cleven, A. (2009). Reconstructing the Giant: On the Importance of Rigour in Documenting the Literature Search Process. Proceedings of the 17th European Conference on Information Systems. DOI

• Wache, H., et al. (2022). Design Principles for Embodied Generative AI Systems. Journal of Artificial Intelligence Research, 75, 123-145. DOI

• Webster, J., & Watson, R. T. (2002). Analyzing the Past to Prepare for the Future: Writing a Literature Review. MIS Quarterly, 26(2), xiii-xxiii. DOI

• Weisz, J. D., He, J., Muller, M., Hoefer, G., Miles, R., & Geyer, W. (2024, May). Design Principles for Generative AI Applications. In Proceedings of the CHI Conference on Human Factors in Computing Systems (pp. 1-22). DOI

Weitere Informationen

Das Thema kann sowohl als Bachelor- als auch als Masterarbeit in Deutsch oder Englisch bearbeitet werden. Bei Interesse melden Sie sich bitte per Mail bei mir und nach gemeinsamer Absprache gilt es ein Exposé zu erarbeiten. Ich freue mich auf Ihre Nachricht.

Allgemeine Einführung

In den letzten Jahren hat sich KI von der Datenklassifizierung hin zur Inhaltserzeugung weiterentwickelt (Strobel et al., 2024; Banh & Strobel, 2023). Generative AI (kurz GenAI) hat nicht nur neue Anwendungsfelder erschlossen, sondern auch bestehende Märkte revolutioniert. Gleichzeitig hat der Einsatz von KI die Robotik entscheidend vorangetrieben – etwa durch Fortschritte in der Objekterkennung, der Bewegung in verschiedenen Umgebungen und der autonomen Navigation. Dennoch fehlt es diesen Systemen an Intelligenz, um vollständig autonom zu agieren und universell einsetzbar zu sein.

Eine vielversprechende Lösung bietet „Embodied GenAI“, der Einsatz von GenAI in physischen Systemen. Einerseits kann GenAI die notwendige Intelligenz für Umgebungswahrnehmung, Aufgabenplanung und Aufgabenausführung bereitstellen. Andererseits würde die physische Verkörperung GenAI auf eine höhere Intelligenzstufe heben, da wahre kognitive Fähigkeiten aus der Verknüpfung von Wahrnehmung, Handlung, kontinuierlichem Lernen und physischer Präsenz entstehen (Duan et al., 2022).

Die Verbindung von Generativität und physischer Präsenz eröffnet völlig neue Anwendungsfelder – von Assistenzrobotern bis hin zu autonomen Systemen in kritischen Infrastrukturen. Gleichzeitig bringt die physische Integration von GenAI neue Herausforderungen mit sich, insbesondere in den Bereichen Sicherheit, Akzeptanz und der technischen Umsetzung realweltlicher Interaktionen (Larson, 2010).

Vor diesem Hintergrund stellt sich die zentrale Frage, wie Embodied Generative AI in spezifischen Anwendungsbereichen gestaltet werden kann, um ihr Potenzial optimal zu nutzen und bestehende Herausforderungen gezielt zu adressieren.

Anwendungsfeld

In der Polizeiarbeit spielen Zeit und Präzision eine entscheidende Rolle. Embodied Generative AI könnte als kriminaltechnischer Assistent agieren, Tatorte analysieren, Spuren sichern oder Verdächtige per multimodaler Sensorik verfolgen. Während humanoide Systeme zur direkten Interaktion mit Ermittlern beitragen könnten, wären animalische Roboter für Geländeeinsätze oder funktionale Drohnen für Luftüberwachung besonders wertvoll. Solche autonomen Systeme könnten Ermittlungen beschleunigen und gleichzeitig die Sicherheit der Einsatzkräfte erhöhen.

Zielsetzung

Die Entwicklung von Embodied Generative AI für unterschiedliche Anwendungsbereiche erfordert eine fundierte wissenschaftliche Basis, um geeignete Design Principles zu identifizieren und systematisch abzuleiten (Wache et al., 2022; Chandra et al., 2015; Weisz et al., 2024). Ziel dieser Arbeit ist es, ein strukturiertes Forschungsdesign zur Datenerhebung zu nutzen, um praxisrelevante Design Principles für die Entwicklung und Implementierung von Embodied Generative AI-Systemen in spezifischen Anwendungsfeldern zu formulieren.

Hierzu sollen systematische Datenerhebungsmethoden kombiniert werden, um die relevanten Anforderungen, Herausforderungen und Potenziale von Embodied Generative AI zu erfassen. Für diese Arbeit relevant können dementsprechend je nach individueller Absprache sein:

• Systematische Literaturrecherche, um den aktuellen Forschungsstand zu erheben und bestehende theoretische Grundlagen für Embodied Generative AI zu identifizieren (vom Brocke et al., 2009; Webster & Watson, 2002).

• Experteninterviews mit Fachpersonen aus relevanten Domänen, um praxisnahe Anforderungen und Designüberlegungen zu ermitteln (Gioia et al., 2012; Myers & Newman, 2007).

• Fragebogenbasierte Umfragen, um Einschätzungen potenzieller Nutzer und Stakeholder zu erfassen und quantitative Erkenntnisse zur Akzeptanz und den Anforderungen an Embodied Generative AI zu gewinnen.

Startliteratur

• Banh, L., & Strobel, G. (2023). Generative artificial intelligence. Electronic Markets, 33(1), 63. DOI

• L. Chandra, S. Seidel and S. Gregor, "Prescriptive Knowledge in IS Research: Conceptualizing Design Principles in Terms of Materiality, Action, and Boundary Conditions," 2015 48th Hawaii International Conference on System Sciences, Kauai, HI, USA, 2015, pp. 4039-4048. DOI

• Duan, J., Yu, S., Tan, H. L., Zhu, H., & Tan, C. (2021). A Survey of Embodied AI: From Simulators to Research Tasks. IEEE Transactions on Emerging Topics in Computational Intelligence, 6(2), 230-244. DOI

• Gioia, D. A., Corley, K. G., & Hamilton, A. L. (2012). Seeking Qualitative Rigor in Inductive Research: Notes on the Gioia Methodology. Organizational Research Methods, 16(1), 15-31. DOI

• Larson, D. A. (2010). Artificial Intelligence: Robots, avatars, and the demise of the human mediator. Ohio St. J. on Disp. Resol., 25, 105. DOI

• Myers, M. D., & Newman, M. (2007). The qualitative interview in IS research: Examining the craft. Information and Organization, 17(1), 2-26. DOI

• Paolo, G., Gonzalez-Billandon, J., & Kégl, B. (2024). Position: A Call for Embodied AI. Proceedings of the Forty-first International Conference on Machine Learning. DOI

• Strobel, G., Banh, L., Möller, F., & Schoormann, T. (2024). Exploring Generative Artificial Intelligence: A Taxonomy and Types. Proceedings of the 57th Hawaii International Conference on System Sciences. DOI

• vom Brocke, J., Simons, A., Niehaves, B., Riemer, K., Plattfaut, R., & Cleven, A. (2009). Reconstructing the Giant: On the Importance of Rigour in Documenting the Literature Search Process. Proceedings of the 17th European Conference on Information Systems. DOI

• Wache, H., et al. (2022). Design Principles for Embodied Generative AI Systems. Journal of Artificial Intelligence Research, 75, 123-145. DOI

• Webster, J., & Watson, R. T. (2002). Analyzing the Past to Prepare for the Future: Writing a Literature Review. MIS Quarterly, 26(2), xiii-xxiii. DOI

• Weisz, J. D., He, J., Muller, M., Hoefer, G., Miles, R., & Geyer, W. (2024, May). Design Principles for Generative AI Applications. In Proceedings of the CHI Conference on Human Factors in Computing Systems (pp. 1-22). DOI

Weitere Informationen

Das Thema kann sowohl als Bachelor- als auch als Masterarbeit in Deutsch oder Englisch bearbeitet werden. Bei Interesse melden Sie sich bitte per Mail bei mir und nach gemeinsamer Absprache gilt es ein Exposé zu erarbeiten. Ich freue mich auf Ihre Nachricht.

Allgemeine Einführung

In den letzten Jahren hat sich KI von der Datenklassifizierung hin zur Inhaltserzeugung weiterentwickelt (Strobel et al., 2024; Banh & Strobel, 2023). Generative AI (kurz GenAI) hat nicht nur neue Anwendungsfelder erschlossen, sondern auch bestehende Märkte revolutioniert. Gleichzeitig hat der Einsatz von KI die Robotik entscheidend vorangetrieben – etwa durch Fortschritte in der Objekterkennung, der Bewegung in verschiedenen Umgebungen und der autonomen Navigation. Dennoch fehlt es diesen Systemen an Intelligenz, um vollständig autonom zu agieren und universell einsetzbar zu sein.

Eine vielversprechende Lösung bietet „Embodied GenAI“, der Einsatz von GenAI in physischen Systemen. Einerseits kann GenAI die notwendige Intelligenz für Umgebungswahrnehmung, Aufgabenplanung und Aufgabenausführung bereitstellen. Andererseits würde die physische Verkörperung GenAI auf eine höhere Intelligenzstufe heben, da wahre kognitive Fähigkeiten aus der Verknüpfung von Wahrnehmung, Handlung, kontinuierlichem Lernen und physischer Präsenz entstehen (Duan et al., 2022).

Die Verbindung von Generativität und physischer Präsenz eröffnet völlig neue Anwendungsfelder – von Assistenzrobotern bis hin zu autonomen Systemen in kritischen Infrastrukturen. Gleichzeitig bringt die physische Integration von GenAI neue Herausforderungen mit sich, insbesondere in den Bereichen Sicherheit, Akzeptanz und der technischen Umsetzung realweltlicher Interaktionen (Larson, 2010).

Vor diesem Hintergrund stellt sich die zentrale Frage, wie Embodied Generative AI in spezifischen Anwendungsbereichen gestaltet werden kann, um ihr Potenzial optimal zu nutzen und bestehende Herausforderungen gezielt zu adressieren.

Anwendungsfeld

Die Sicherheit von Gebäuden beruht zunehmend auf KI-gestützten Überwachungssystemen, doch klassische Kameras und Sensoren sind oft statisch und reaktiv. Embodied Generative AI kann als autonom agierender Wachroboter Bedrohungen frühzeitig erkennen, flexibel durch Gebäude navigieren und mit Sicherheitssystemen interagieren. Ob humanoid zur Interaktion mit Menschen, animalisch für Agilität oder funktional als Drohne zur Überwachung großer Flächen – Embodied Generative AI bietet neue Möglichkeiten für proaktive Gebäudesicherheit.

Zielsetzung

Die Entwicklung von Embodied Generative AI für unterschiedliche Anwendungsbereiche erfordert eine fundierte wissenschaftliche Basis, um geeignete Design Principles zu identifizieren und systematisch abzuleiten (Wache et al., 2022; Chandra et al., 2015; Weisz et al., 2024). Ziel dieser Arbeit ist es, ein strukturiertes Forschungsdesign zur Datenerhebung zu nutzen, um praxisrelevante Design Principles für die Entwicklung und Implementierung von Embodied Generative AI-Systemen in spezifischen Anwendungsfeldern zu formulieren.

Hierzu sollen systematische Datenerhebungsmethoden kombiniert werden, um die relevanten Anforderungen, Herausforderungen und Potenziale von Embodied Generative AI zu erfassen. Für diese Arbeit relevant können dementsprechend je nach individueller Absprache sein:

• Systematische Literaturrecherche, um den aktuellen Forschungsstand zu erheben und bestehende theoretische Grundlagen für Embodied Generative AI zu identifizieren (vom Brocke et al., 2009; Webster & Watson, 2002).

• Experteninterviews mit Fachpersonen aus relevanten Domänen, um praxisnahe Anforderungen und Designüberlegungen zu ermitteln (Gioia et al., 2012; Myers & Newman, 2007).

• Fragebogenbasierte Umfragen, um Einschätzungen potenzieller Nutzer und Stakeholder zu erfassen und quantitative Erkenntnisse zur Akzeptanz und den Anforderungen an Embodied Generative AI zu gewinnen.

Startliteratur

• Banh, L., & Strobel, G. (2023). Generative artificial intelligence. Electronic Markets, 33(1), 63. DOI

• L. Chandra, S. Seidel and S. Gregor, "Prescriptive Knowledge in IS Research: Conceptualizing Design Principles in Terms of Materiality, Action, and Boundary Conditions," 2015 48th Hawaii International Conference on System Sciences, Kauai, HI, USA, 2015, pp. 4039-4048. DOI

• Duan, J., Yu, S., Tan, H. L., Zhu, H., & Tan, C. (2021). A Survey of Embodied AI: From Simulators to Research Tasks. IEEE Transactions on Emerging Topics in Computational Intelligence, 6(2), 230-244. DOI

• Gioia, D. A., Corley, K. G., & Hamilton, A. L. (2012). Seeking Qualitative Rigor in Inductive Research: Notes on the Gioia Methodology. Organizational Research Methods, 16(1), 15-31. DOI

• Larson, D. A. (2010). Artificial Intelligence: Robots, avatars, and the demise of the human mediator. Ohio St. J. on Disp. Resol., 25, 105. DOI

• Myers, M. D., & Newman, M. (2007). The qualitative interview in IS research: Examining the craft. Information and Organization, 17(1), 2-26. DOI

• Paolo, G., Gonzalez-Billandon, J., & Kégl, B. (2024). Position: A Call for Embodied AI. Proceedings of the Forty-first International Conference on Machine Learning. DOI

• Strobel, G., Banh, L., Möller, F., & Schoormann, T. (2024). Exploring Generative Artificial Intelligence: A Taxonomy and Types. Proceedings of the 57th Hawaii International Conference on System Sciences. DOI

• vom Brocke, J., Simons, A., Niehaves, B., Riemer, K., Plattfaut, R., & Cleven, A. (2009). Reconstructing the Giant: On the Importance of Rigour in Documenting the Literature Search Process. Proceedings of the 17th European Conference on Information Systems. DOI

• Wache, H., et al. (2022). Design Principles for Embodied Generative AI Systems. Journal of Artificial Intelligence Research, 75, 123-145. DOI

• Webster, J., & Watson, R. T. (2002). Analyzing the Past to Prepare for the Future: Writing a Literature Review. MIS Quarterly, 26(2), xiii-xxiii. DOI

• Weisz, J. D., He, J., Muller, M., Hoefer, G., Miles, R., & Geyer, W. (2024, May). Design Principles for Generative AI Applications. In Proceedings of the CHI Conference on Human Factors in Computing Systems (pp. 1-22). DOI

Weitere Informationen

Das Thema kann sowohl als Bachelor- als auch als Masterarbeit in Deutsch oder Englisch bearbeitet werden. Bei Interesse melden Sie sich bitte per Mail bei mir und nach gemeinsamer Absprache gilt es ein Exposé zu erarbeiten. Ich freue mich auf Ihre Nachricht.

Allgemeine Einführung

In den letzten Jahren hat sich KI von der Datenklassifizierung hin zur Inhaltserzeugung weiterentwickelt (Strobel et al., 2024; Banh & Strobel, 2023). Generative AI (kurz GenAI) hat nicht nur neue Anwendungsfelder erschlossen, sondern auch bestehende Märkte revolutioniert. Gleichzeitig hat der Einsatz von KI die Robotik entscheidend vorangetrieben – etwa durch Fortschritte in der Objekterkennung, der Bewegung in verschiedenen Umgebungen und der autonomen Navigation. Dennoch fehlt es diesen Systemen an Intelligenz, um vollständig autonom zu agieren und universell einsetzbar zu sein.

Eine vielversprechende Lösung bietet „Embodied GenAI“, der Einsatz von GenAI in physischen Systemen. Einerseits kann GenAI die notwendige Intelligenz für Umgebungswahrnehmung, Aufgabenplanung und Aufgabenausführung bereitstellen. Andererseits würde die physische Verkörperung GenAI auf eine höhere Intelligenzstufe heben, da wahre kognitive Fähigkeiten aus der Verknüpfung von Wahrnehmung, Handlung, kontinuierlichem Lernen und physischer Präsenz entstehen (Duan et al., 2022).

Die Verbindung von Generativität und physischer Präsenz eröffnet völlig neue Anwendungsfelder – von Assistenzrobotern bis hin zu autonomen Systemen in kritischen Infrastrukturen. Gleichzeitig bringt die physische Integration von GenAI neue Herausforderungen mit sich, insbesondere in den Bereichen Sicherheit, Akzeptanz und der technischen Umsetzung realweltlicher Interaktionen (Larson, 2010).

Vor diesem Hintergrund stellt sich die zentrale Frage, wie Embodied Generative AI in spezifischen Anwendungsbereichen gestaltet werden kann, um ihr Potenzial optimal zu nutzen und bestehende Herausforderungen gezielt zu adressieren.

Anwendungsfeld

Blinde und sehbehinderte Menschen sind im Alltag oft auf externe Hilfsmittel oder menschliche Assistenz angewiesen. Embodied Generative AI kann als autonomer Begleiter in humanoider oder animalischer Form agieren und durch sensorbasierte Umgebungserfassung Hindernisse erkennen, Wegbeschreibungen geben und nonverbale Hinweise interpretieren. Durch die Kombination von Sprachverarbeitung, Computer Vision und taktiler Interaktion könnte eine solche KI-basierte Assistenz die Unabhängigkeit und Mobilität Betroffener erheblich verbessern.

Zielsetzung

Die Entwicklung von Embodied Generative AI für unterschiedliche Anwendungsbereiche erfordert eine fundierte wissenschaftliche Basis, um geeignete Design Principles zu identifizieren und systematisch abzuleiten (Wache et al., 2022; Chandra et al., 2015; Weisz et al., 2024). Ziel dieser Arbeit ist es, ein strukturiertes Forschungsdesign zur Datenerhebung zu nutzen, um praxisrelevante Design Principles für die Entwicklung und Implementierung von Embodied Generative AI-Systemen in spezifischen Anwendungsfeldern zu formulieren.

Hierzu sollen systematische Datenerhebungsmethoden kombiniert werden, um die relevanten Anforderungen, Herausforderungen und Potenziale von Embodied Generative AI zu erfassen. Für diese Arbeit relevant können dementsprechend je nach individueller Absprache sein:

• Systematische Literaturrecherche, um den aktuellen Forschungsstand zu erheben und bestehende theoretische Grundlagen für Embodied Generative AI zu identifizieren (vom Brocke et al., 2009; Webster & Watson, 2002).

• Experteninterviews mit Fachpersonen aus relevanten Domänen, um praxisnahe Anforderungen und Designüberlegungen zu ermitteln (Gioia et al., 2012; Myers & Newman, 2007).

• Fragebogenbasierte Umfragen, um Einschätzungen potenzieller Nutzer und Stakeholder zu erfassen und quantitative Erkenntnisse zur Akzeptanz und den Anforderungen an Embodied Generative AI zu gewinnen.

Startliteratur

• Banh, L., & Strobel, G. (2023). Generative artificial intelligence. Electronic Markets, 33(1), 63. DOI

• L. Chandra, S. Seidel and S. Gregor, "Prescriptive Knowledge in IS Research: Conceptualizing Design Principles in Terms of Materiality, Action, and Boundary Conditions," 2015 48th Hawaii International Conference on System Sciences, Kauai, HI, USA, 2015, pp. 4039-4048. DOI

• Duan, J., Yu, S., Tan, H. L., Zhu, H., & Tan, C. (2021). A Survey of Embodied AI: From Simulators to Research Tasks. IEEE Transactions on Emerging Topics in Computational Intelligence, 6(2), 230-244. DOI

• Gioia, D. A., Corley, K. G., & Hamilton, A. L. (2012). Seeking Qualitative Rigor in Inductive Research: Notes on the Gioia Methodology. Organizational Research Methods, 16(1), 15-31. DOI

• Larson, D. A. (2010). Artificial Intelligence: Robots, avatars, and the demise of the human mediator. Ohio St. J. on Disp. Resol., 25, 105. DOI

• Myers, M. D., & Newman, M. (2007). The qualitative interview in IS research: Examining the craft. Information and Organization, 17(1), 2-26. DOI

• Paolo, G., Gonzalez-Billandon, J., & Kégl, B. (2024). Position: A Call for Embodied AI. Proceedings of the Forty-first International Conference on Machine Learning. DOI

• Strobel, G., Banh, L., Möller, F., & Schoormann, T. (2024). Exploring Generative Artificial Intelligence: A Taxonomy and Types. Proceedings of the 57th Hawaii International Conference on System Sciences. DOI

• vom Brocke, J., Simons, A., Niehaves, B., Riemer, K., Plattfaut, R., & Cleven, A. (2009). Reconstructing the Giant: On the Importance of Rigour in Documenting the Literature Search Process. Proceedings of the 17th European Conference on Information Systems. DOI

• Wache, H., et al. (2022). Design Principles for Embodied Generative AI Systems. Journal of Artificial Intelligence Research, 75, 123-145. DOI

• Webster, J., & Watson, R. T. (2002). Analyzing the Past to Prepare for the Future: Writing a Literature Review. MIS Quarterly, 26(2), xiii-xxiii. DOI

• Weisz, J. D., He, J., Muller, M., Hoefer, G., Miles, R., & Geyer, W. (2024, May). Design Principles for Generative AI Applications. In Proceedings of the CHI Conference on Human Factors in Computing Systems (pp. 1-22). DOI

Weitere Informationen

Das Thema kann sowohl als Bachelor- als auch als Masterarbeit in Deutsch oder Englisch bearbeitet werden. Bei Interesse melden Sie sich bitte per Mail bei mir und nach gemeinsamer Absprache gilt es ein Exposé zu erarbeiten. Ich freue mich auf Ihre Nachricht.

Artificial neural networks (ANNs) denote a popular class of models used within machine learning. An ANN typically consists of multiple layers of simple processing units, so-called artificial neurons. Most current ANNs involve multiple layers of these processing units, hence the term deep learning is sometimes applied to describe them. Historically, they emerged from a neurophysiological inspiration to express the processing of mammal neurons in mathematical terms (cf. McCulloch and Pitts 1943). There exists a plethora of different approaches to the design of ANNs, some variations include the number of artificial neurons in a layer, the activation function applied, or the connection of artificial neurons between layers. From these variations have emerged several classes of ANN architectures, such as Multi-Layered Perceptrons (MLPs), Generative Adversial Networks (GANs), Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs), or more recently Transformers. It is conspicuous that many papers, which discuss a particular ANN architecture, represent them in some diagrammatic form. This diagrammatic representation, however, does not follow any unified structure. This results in two challenges: First, ANNs are not visually comparable through an analysis of their diagrammatic representations. Second, the depicted diagrams of ANNs might lack relevant information, overseen by the original researchers. In short: It appears that the depiction of ANNs lack a conceptual modeling language.

The present thesis should adress this gap. Therefore, it is relevant to expound on the foundations and variations of ANNs as well as to explore the fundamentals of conceptual modeling languages. Based on an analysis of the design, evaluation, and application of ANNs, requirements for a corresponding modeling method should be derived. Thereupon, these insights should be used to specify a conceptual modeling method for ANNs.

Literature:

• Aggarwal CC (2018) Neural Networks and Deep Learning: A Textbook. Springer International Publishing: Cham
• Du K-L, Swamy MNS (2014) Neural Networks and Statistical Learning. Springer-Verlag: London
• Frank U (2013) Domain-Specific Modeling Languages – Requirements Analysis and Design Guidelines. In: Reinhartz-Berger I, Sturm A, Clark T, Wand Y, Cohen S, Bettin J (eds.) Domain Engineering: Product Lines, Conceptual Models, and Languages. Springer: Cham, pp. 133-157
• Kelleher JD (2019) Deep Learning. The MIT Press: Cambridge, MA, London
• McCulloch WS, Pitts W (1943) A Logical Calculus of the Ideas Immanent in Nervous Activity. Bulletin of Mathematical Biophysics 5:115-133

If language shapes our reality, changing our language might lead to a different, potentially preferable reality. This thought is echoed throughout a variety of philosophical schools and can, in different variations, with different assumptions, and with different implications, be found in the writings of Ludwig Wittgenstein, Richard Rorty, Friedrich Nietzsche, Immanuel Kant, or Humberto Maturana. Recently, the discussion has received more widespread attention. Motivated in part from feminist philosophy of the 1990s, philosophers have combined their research efforts towards the improvement of language under the moniker of conceptual engineering and conceptual ethics. The amelioration of concepts and language is faced with several theoretical and practical challenges. What makes a concept “better” than another? How could a new concept be adopted by respective language users?

Information systems development is essentially concerned with language development (clarification and sources per request). Broadly, this poses the question if information systems can support conceptual engineering and, if so, in what regards. Machine learning (ML) might be a fruitful first step to guide this analysis. Contemporary ML approaches are inductive (cf. Rescher 1980): they generate potentially novel generalizations based on a set of observations. Researchers like Rees (2022) therefore suggest that they might guide the development of novel concepts.

This master’s thesis should explore the capabilities of ML to support conceptual engineering. You should identify potential tasks of conceptual engineering and what requirements they face. Then you should investigate how different ML approaches (we can disucss which in our first meetings) can serve to address these requirements.

Literature:

• Burgess A, Cappelen H, Plunkett D (eds) (2020) Conceptual Engineering and Conceptual Ethics. Oxford University Press: Oxford
• Butlin P (2021) Sharing Our Concepts with Machines. Erkenntnis
• Cappelen H, Dever J (2019) Bad Language. Oxford University Press: Oxford
• Haslanger S (2012) Resisting Reality: Social Construction and Social Critique. Oxford University Press: Oxford
• Medin DL, Smith EE (1984) Concepts and Concept Formation. Annual Review of Psychology 35(35):113–138
• Montemayor C (2021) Language and Intelligence. Minds and Machines 31:471–486
• Ontañón S, Dellunde P, Godo L, Plaza E (2012) A Defeasible Reasoning Model of Inductive Concept Learning from Examples and Communication. Artificial Intelligence 193:129–148
• Rees T (2022) Non-Human Words: On GPT-3 as a Philosophical Library. Daedalus 151(2):168–182
• Rescher N (1980) Induction: An Essay on the Justification of Inductive Reasoning. Basil Blackwell: Oxford

Die Welt lässt sich als eine Menge interagierender Objekte betrachten. Diese Prämisse liegt der objektorientierten (OO) Programmierung zugrunde. Spätestens mit der Veröffentlichung von Smalltalk in den 1980er-Jahren hat sich die OO-Programmierung wachsender Beliebeit erfreut. Das hatte auch die Entwicklung von einer Vielzahl an OO-Modellierungssprachen und OO-Modellierungsmethoden zur Folge, die 1997 in die Standardisierung der UML mündete. Ein Kernkonzept der Objektorientierung ist dabei die sogennante “Klasse”. Eine Klasse dient als Schablone für Objekte; Objekte werden fachsprachlich von einer Klasse instanziiert. In gängigen Programmierungssprachen wie Java oder Python muss die Definition einer Klasse daher immer vor der Instanziierung von Objekten erfolgen. Dieser Schritt wird jedoch kritisiert: Für Menschen sei primär der Umgang mit Objekten natürlich - die Definition von Klassen stelle eine Herauforderung dar (vgl. Bergstein and Lieberherr 1991).

In den letzten Jahren hat in der konzeptuellen Modellierung die sog. “flexible Modellierung” oder auch “Bottom-Up-Modellierung” vermehrt an Resonanz erfahren. Auch hier wird die Notwendigkeit der strikten Top-Down-Modellierung kritisiert: Intuitiver sei es, Nutzern die Modellierung auf niedrigeren Ebenen zu ermöglichen. Der Bedarf nach Klassifikation von Objekten ist dabei nur einer von vielen Problembereichen.

Diese Bachelor-Thesis soll sich dem Problem der automatisierten Klassen-Induktion für die konzeptuelle Modellierung annähern. Technische Schwierigkeiten die bei der Programmierung aufkommen würden sind auszuklammern. Dabei kann entweder eine vergleichende Untersuchung existierender Ansätze vorgenommen werden oder es kann ein eigener Ansatz zur Klasseninduktion entwickelt werden. Für Letzteres könnten wir Ressourcen bereitstellen, auf denen aufgebaut werden kann. Details und genaue Themenausrichtung sind in Betreuungsgesprächen zu klären. In jedem Fall steht die Identifiaktion von Herausforderungen und eine Identifikation und Bewertung möglicher Gegenmaßnahmen im Kern der Thesis.

Literatur:

• Bergstein PL, Lieberherr KJ (1991) Incremental Class Dictionary Learning and Optimization. ECOOP '91 European Conference on Object-Oriented Programming: Geneva, Switzerland, July 15-19, 1991. Proceedings, pp 377–396
• Façanha RL, Cavalcanti MC (2014) On the Road to Bring Government Legacy Systems Data Schemas to Public Access. Proceedings of the 1st Joint Workshop ONTO.COM / ODISE on Ontologies in Conceptual Modeling and Information Systems Engineering co-located with 8th International Conference on Formal Ontology in Information Systems
• Guerra E, de Lara J (2018) On the Quest for Flexible Modelling. MODELS '18: 18th Intenational ACM/IEEE Conference on Model Driven Engineering Languages and Systems, pp 23–33
• Kessentini W, Alizadeh V (2022) Semi-Automated Metamodel/Model Co-Evolution: A Multi-Level Interactive Approach. Software and Systems Modeling 21:1853–1876
• Töpel. Daniel, Kaczmarek-Heß M (2022) Towards Flexible Creation of Multi-Level Models: Bottom-Up Change Support in the Modeling and Programming Environment XModeler. MODELS '22: Proceedings of the 25th International Conference on Model Driven Engineering Languages and Systems: Companion Proceedings, pp 404–413

Unternehmen setzen zunehmend auf digitale, plattformbasierte Geschäftsmodelle, die Werttransaktionen zwischen komplementären Akteuren, etwa Produzenten und Konsumenten, koordinieren. Diese Verlagerung der Wertschöpfungskette nach außen erfordert eine gezielte Orchestrierung der Anbieter, um das Leistungsversprechen des Ökosystems zu verwirklichen.

Da Komplementäre meist nicht exklusiv an eine einzelne Plattform gebunden sind, müssen Plattformbetreiber strategische Verbindungs- und Koordinierungsmechanismen einsetzen, um das Ökosystem zu gestalten und zu steuern – ohne auf direkte Befehls- und Kontrollmaßnahmen zurückzugreifen. Hierzu implementieren Plattformbetreiber Governance-Mechanismen, die die Ressourcen der Komplementäre gezielt einbinden. Eine unzureichende Governance kann dagegen strukturelle Lücken im Ökosystem verursachen, wodurch das Wertschöpfungspotenzial sinkt und Netzwerkeffekte beeinträchtigt werden könnten.

Trotz der hohen Relevanz der Plattform-Governance ist der wissenschaftliche Diskurs in diesem Bereich noch begrenzt. Die vorliegende Arbeit adressiert diese Forschungslücke, indem sie den aktuellen Forschungsstand durch eine systematische Literaturrecherche aufarbeitet und darauf aufbauend eine Forschungsagenda ableitet.

Forschungsfragen:

• RQ1: Was sind die zentralen Themen der IS-Forschung im Kontext von Plattformen bzw. Ökosystemen und Governance?
• RQ2: Welche Aspekte der Plattform Governance sollten künftig erforscht werden?

Methodisches Vorgehen: Systematische Literaturrecherche in führenden Fachzeitschriften (Basket of Eight) und auf Konferenzen (ICIS, ECIS, PACIS, AMCIS, HICSS).

Zielsetzung: Die Generativität von Plattformen wird maßgeblich durch Governance-Mechanismen beeinflusst. Um diese Zusammenhänge zu verstehen, soll die Arbeit den aktuellen Forschungsstand systematisch aufarbeiten. Dabei sollen die verschiedenen Forschungsströme der inter- und intraorganisationalen Governance erfasst und im wissenschaftlichen Diskurs eingeordnet werden.

Auf Basis der analysierten Literatur soll ein Governance-Framework entwickelt werden, das zentrale Konzepte sowie deren Relationen darstellt. Dabei soll insbesondere berücksichtigt werden, welche Governance-Mechanismen in unterschiedlichen Domänen und Plattformtypen erforscht wurden. Die Ergebnisse dieser Analyse sollen als Grundlage für die Ableitung einer Forschungsagenda dienen.

Startliteratur:

• Hein, Andreas (2020): Digital Platform Ecosystems: Emergence and Value Co-Creation Mechanisms. Technischen Universität München, München.
• Jacobides, Michael G.; Cennamo, Carmelo; Gawer, Annabelle (2018): Towards a theory of ecosystems. In Strat. Mgmt. J. 39 (8), pp. 2255–2276. DOI: 10.1002/smj.2904.
• Tiwana, Amrit (2014): Platform Ecosystems: Elsevier, Kapitel 6
• Hein, Andreas; Schreieck, Maximilian; Wiesche, Manuel; Krcmar, Helmut (2016): Multiple-Case Analysis on Governance Mechanisms of Multi-Sided Platforms. In : Multikonferenz Wirtschaftsinformatik. Ilmenau, Germany.
• Staub, Nicola; Haki, Kazem; Aier, Stephan; Winter, Robert (2022): Governance Mechanisms in Digital Platform Ecosystems: Addressing the Generativity-Control Tension. In Communications of the Association for Information Systems 51 (1), pp. 906–939. DOI: 10.17705/1CAIS.05137.
• Bandara, Wasana; Furtmueller, Elfi; Gorbacheva, Elena; Miskon, Suraya; Beekhuyzen, Jenine (2015): Achieving Rigor in Literature Reviews: Insights from Qualitative Data Analysis and Tool-Support. In CAIS 37. DOI: 10.17705/1CAIS.03708.
• vom Brocke, Jan; Simons, Alexander; Niehaves, Björn; Riemer, Kai; Plattfaut, Ralf; Cleven, Anne (2009): Reconstructing the giant: On the importance of rigour in documenting the literature search process. In : 17th European Conference on Information Systems (ECIS 2009). Verona, Italy, pp. 2206–2217. Available online at aisel.aisnet.org/ecis2009/161.
• Webster, Jane; Watson, Richard T. (2002): Analyzing the Past to Prepare for the Future: Writing a Literature Review. In MIS Quarterly 26 (2), pp. xiii–xxiii.

If language shapes our reality, changing our language might lead to a different, potentially preferable reality. This thought is echoed throughout a variety of philosophical schools and can, in different variations, with different assumptions, and with different implications, be found in the writings of Ludwig Wittgenstein, Richard Rorty, Friedrich Nietzsche, Immanuel Kant, or Humberto Maturana. Recently, the discussion has received more widespread attention. Motivated in part from feminist philosophy of the 1990s, philosophers have combined their research efforts towards the improvement of language under the moniker of conceptual engineering and conceptual ethics. The amelioration of concepts and language is faced with several theoretical and practical challenges. What makes a concept better than another? How could a new concept be adopted by respective language users?

Information systems development is essentially concerned with language development (clarification and sources per request). Broadly, this poses the question if information systems can support conceptual engineering and, if so, in what regards. Machine learning (ML) might be a fruitful first step to guide this analysis. Contemporary ML approaches are inductive (cf. Rescher 1980): they generate potentially novel generalizations based on a set of observations. Researchers like Rees (2022) therefore suggest that they might guide the development of novel concepts.

This master’s thesis should explore the capabilities of ML to support conceptual engineering. You should identify potential tasks of conceptual engineering and what requirements they face. Then you should investigate how different ML approaches (we can disucss which in our first meetings) can serve to address these requirements.

Literature

• Burgess A, Cappelen H, Plunkett D (eds) (2020) Conceptual Engineering and Conceptual Ethics. Oxford University Press: Oxford
• Butlin P (2021) Sharing Our Concepts with Machines. Erkenntnis
• Cappelen H, Dever J (2019) Bad Language. Oxford University Press: Oxford
• Haslanger S (2012) Resisting Reality: Social Construction and Social Critique. Oxford University Press: Oxford
• Medin DL, Smith EE (1984) Concepts and Concept Formation. Annual Review of Psychology 35(35):113–138
• Montemayor C (2021) Language and Intelligence. Minds and Machines 31:471–486
• Ontañón S, Dellunde P, Godo L, Plaza E (2012) A Defeasible Reasoning Model of Inductive Concept Learning from Examples and Communication. Artificial Intelligence 193:129–148
• Rees T (2022) Non-Human Words: On GPT-3 as a Philosophical Library. Daedalus 151(2):168–182
• Rescher N (1980) Induction: An Essay on the Justification of Inductive Reasoning. Basil Blackwell: Oxford

Die Welt lässt sich als eine Menge interagierender Objekte betrachten. Diese Prämisse liegt der objektorientierten (OO) Programmierung zugrunde. Spätestens mit der Veröffentlichung von Smalltalk in den 1980er-Jahren hat sich die OO-Programmierung wachsender Beliebeit erfreut. Das hatte auch die Entwicklung von einer Vielzahl an OO-Modellierungssprachen und OO-Modellierungsmethoden zur Folge, die 1997 in die Standardisierung der UML mündete. Ein Kernkonzept der Objektorientierung ist dabei die sogennante “Klasse”. Eine Klasse dient als Schablone für Objekte; Objekte werden fachsprachlich von einer Klasse instanziiert. In gängigen Programmierungssprachen wie Java oder Python muss die Definition einer Klasse daher immer vor der Instanziierung von Objekten erfolgen. Dieser Schritt wird jedoch aus verschiedenen Sichtweisen kritisiert: Für Menschen sei primär der Umgang mit Objekten natürlich - die Definition von Klassen stelle eine Herauforderung dar (vgl. Bergstein and Lieberherr 1991).

In den letzten Jahren hat in der konzeptuellen Modellierung die sog. “flexible Modellierung” oder auch “Bottom-Up-Modellierung” vermehrt an Resonanz erfahren. Auch hier wird die Notwendigkeit der strikten Top-Down-Modellierung kritisiert: Intuitiver sei es, Nutzern die Modellierung auf niedrigeren Ebenen zu ermöglichen. Der Bedarf nach Klassifikation von Objekten ist dabei nur einer von vielen Problembereichen.

Diese Bachelor-Thesis soll sich dem Problem der automatisierten Klassen-Induktion für die konzeptuelle Modellierung annähern. Technische Schwierigkeiten die bei der Programmierung aufkommen würden sind auszuklammern. Dabei kann entweder eine vergleichende Untersuchung existierender Ansätze vorgenommen werden oder es kann ein eigener Ansatz zur Klasseninduktion entwickelt werden. Für Letzteres könnten wir Ressourcen bereitstellen, auf denen aufgebaut werden kann. Details und genaue Themenausrichtung sind in Betreuungsgesprächen zu klären. In jedem Fall steht die Identifiaktion von Herausforderungen und eine Identifikation und Bewertung möglicher Gegenmaßnahmen im Kern der Thesis.

Literatur:

• Bergstein PL, Lieberherr KJ (1991) Incremental Class Dictionary Learning and Optimization. ECOOP '91 European Conference on Object-Oriented Programming: Geneva, Switzerland, July 15-19, 1991. Proceedings, pp 377–396
• Façanha RL, Cavalcanti MC (2014) On the Road to Bring Government Legacy Systems Data Schemas to Public Access. Proceedings of the 1st Joint Workshop ONTO.COM / ODISE on Ontologies in Conceptual Modeling and Information Systems Engineering co-located with 8th International Conference on Formal Ontology in Information Systems
• Guerra E, de Lara J (2018) On the Quest for Flexible Modelling. MODELS '18: 18th Intenational ACM/IEEE Conference on Model Driven Engineering Languages and Systems, pp 23–33
• Kessentini W, Alizadeh V (2022) Semi-Automated Metamodel/Model Co-Evolution: A Multi-Level Interactive Approach. Software and Systems Modeling 21:1853–1876
• Töpel. Daniel, Kaczmarek-Heß M (2022) Towards Flexible Creation of Multi-Level Models: Bottom-Up Change Support in the Modeling and Programming Environment XModeler. MODELS '22: Proceedings of the 25th International Conference on Model Driven Engineering Languages and Systems: Companion Proceedings, pp 404–413

Artificial neural networks (ANNs) denote a popular class of models used within machine learning. An ANN typically consists of multiple layers of simple processing units, so-called artificial neurons. Most current ANNs involve multiple layers of these processing units, hence the term deep learning is sometimes applied to describe them. Historically, they emerged from a neurophysiological inspiration to express the processing of mammal neurons in mathematical terms (cf. McCulloch and Pitts 1943). There exists a plethora of different approaches to the design of ANNs, some variations include the number of artificial neurons in a layer, the activation function applied, or the connection of artificial neurons between layers. From these variations have emerged several classes of ANN architectures, such as Multi-Layered Perceptrons (MLPs), Generative Adversial Networks (GANs), Convolutional Neural Networks (CNNs), or Recurrent Neural Networks (RNNs). It is conspicuous many papers, which discuss a particular ANN architecture,represent them in some diagrammatic form. This diagrammatic representation, however, does not follow any unified structure. This results in two challenges: First, ANNs are not visually comparable through an analysis of their diagrammatic representations. Second, the depicted diagrams of ANNs might lack relevant information, overseen by the original researchers. In short: It appears that the depiction of ANNs lack a conceptual modeling language.

The present thesis should adress this gap. Therefore, it is relevant to expound on the foundations and variations of ANNs as well as to explore the fundamentals of conceptual modeling languages. Based on an analysis of the design, evaluation, and application of ANNs, requirements for a corresponding modeling method should be derived. Thereupon, these insights should be used to specify a conceptual modeling method for ANNs.

Introductory Literature:

• Aggarwal CC (2018) Neural Networks and Deep Learning: A Textbook. Springer International Publishing: Cham
• Du K-L, Swamy MNS (2014) Neural Networks and Statistical Learning. Springer-Verlag: London
• Frank U (2013) Domain-Specific Modeling Languages – Requirements Analysis and Design Guidelines. In: Reinhartz-Berger I, Sturm A, Clark T, Wand Y, Cohen S, Bettin J (eds.) Domain Engineering: Product Lines, Conceptual Models, and Languages. Springer: Cham, pp. 133-157
• Kelleher JD (2019) Deep Learning. The MIT Press: Cambridge, MA, London
• McCulloch WS, Pitts W (1943) A Logical Calculus of the Ideas Immanent in Nervous Activity. Bulletin of Mathematical Biophysics 5:115-133

Vacant master thesis seeks to investigate and assess how municipal enterprises’ innovation culture influences the effectiveness of digital innovation activity

Against the backdrop of climate change and digitalization, cities all over the world are facing the need for a radical transformation towards “smartness” (Gimpel et al., 2021). To meet the increasing amount of customer expectations that cities are facing, municipal enterprises – such as electricity suppliers or waste management services – are continuously working on modernizing their digital service offerings and business models (Hosseini et al., 2018; Mora et al., 2019). Sometimes those offerings represent the replacement of analog tasks with digital tasks, for example, online appointment scheduling or the application of IoT sensors to enhance processes or estimate waiting times[1]. Such novel digital services are often the result of digital innovation activities (Hjalmarsson & Rudmark, 2012). Those innovation activities may be internally and externally driven, and in light of the smart city context, the complexity of the innovation process is increasing (Hjalmarsson & Rudmark, 2012).

This is among the reasons why digital innovations are increasingly critical to the success of municipal enterprises. Yet, the municipal sector could be characterized as rather non-innovative and reluctant to change (Hawlitschek, 2021). While the need for digital innovation is widely acknowledged, implementing the right measures (e.g., competence building, structural adjustments, new processes, and new forms of collaboration) is still a challenge to municipal enterprises. Further, measuring innovativeness is a challenging task (Hinings et al., 2018; Van Looy, 2021).

All those challenges as well as the rapid environmental developments are creating a very demanding situation for municipal companies, which are often characterized by highly bureaucratic processes, a strict matrix organization, and using static workflow processes that remain unchanged possibly even for decades. To this end, research finds that the innovation culture significantly impacts the degree of organizations’ innovativeness (Dobni, 2008; Dodge et al., 2017). However, less attention has been devoted to grasp the influence of municipal enterprises’ innovation culture on (digital) innovativeness. To address those challenges, municipal enterprises may benefit from a systematic approach to evaluate their innovation culture’s maturity level as well as degree of digital innovativeness and compare their maturity level to similar organizations.

To address this issue, we are looking for an engaged student who will address this topic within the scope of a master thesis. First, the student is expected to conduct a profound literature review and gather relevant findings from academia and practice. Further, those findings are to be extended by conducting interviews with representatives from German municipal enterprises to define and uncover the nature and relationships of municipal enterprises’ innovation culture and digital innovativeness. Subsequently, the student is expected to develop a measurement instrument (i.e., survey) that later allows measuring municipal enterprises’ innovation culture, its maturity level as well as its impact on the effectiveness of digital innovation activity.

References

Dobni, C. B. (2008). Measuring innovation culture in organizations: The development of a generalized innovation culture construct using exploratory factor analysis. European journal of innovation management.

Dodge, R., Dwyer, J., Witzeman, S., Neylon, S., & Taylor, S. (2017). The Role of Leadership in Innovation: A quantitative analysis of a large data set examines the relationship between organizational culture, leadership behaviors, and innovativeness. Research-Technology Management, 60(3), 22-29.

Gimpel, H., Graf-Drasch, V., Hawlitschek, F., & Neumeier, K. (2021). Designing smart and sustainable irrigation: A case study. Journal of Cleaner Production, 315, 128048.

Hawlitschek, F. (2021). Interview with Benjamin Scheffler on “The future of waste management”. Business & Information Systems Engineering, 63(2), 207-211.

Hinings, B., Gegenhuber, T., & Greenwood, R. (2018). Digital innovation and transformation: An institutional perspective. Information and Organization, 28(1), 52-61.

Hjalmarsson, A., & Rudmark, D. (2012). Designing digital innovation contests. In International Conference on Design Science Research in Information Systems (pp. 9-27). Springer, Berlin, Heidelberg.

Hosseini, S., Frank, L., Fridgen, G., & Heger, S. (2018). Do not forget about smart towns. Business & Information Systems Engineering, 60(3), 243-257.

Mora, L., Deakin, M., & Reid, A. (2019). Strategic principles for smart city development: A multiple case study analysis of European best practices. Technological Forecasting and Social Change, 142, 70-97.

Van Looy, A. (2021). A quantitative and qualitative study of the link between business process management and digital innovation. Information & Management, 58(2), 103413.

[1] Example: www.wbd-innovativ.de/projekte/intelligenter-recyclinghof

Motivation

Reference models are conceptual models which focus commonalities of organizations, within or across industries and/or application domains (Thomas, 2005) . Reference models hold several promises, like capitalizing on already encoded domain expertise instead of developing a domain model from scratch. As a result, reference models remain a topic of active interest for both practice and academia, as reflected in relatively recent industry reference models like the NISTIR 7628 for smart grid cybersecurity (NIST Smart Grid Cybersecurity Panel, 2010).

However, the creation of reference models comes with several challenges.

As pointed out in de Kinderen & Kaczmarek-Heß (2019) these challenges partly can be traced to the language architecture underlying reference models. In particular these language architectures often do not treat abstraction as a first class citizen. As a result, to model reference models with multiple levels of abstraction, which is typical for industry reference models like the NISTIR 7628, requires (i) workarounds, and (ii) in general comes with a set of inherent limitations which inhibit capitalizing on the full potential of reference modeling.

Objective

The purpose of this master thesis is to make a systematic comparison between conventional meta modeling approaches and multi-level modeling approaches for the purposes of reference modeling. To this end, based upon a motivated selection of a conventional and multi-leveling approach of choice for a well-documented reference model you draw a systematic comparison – specifically as this pertains the specificities of reference models.

As a point of departure, initially the focus will be on NISTIR 7628, which is a well-established reference model for smart grid cybersecurity. However, in discussion with the supervisor, another reference model can also be selected.

Einstiegsliteratur:

U. Frank, “Multilevel modeling – toward a new paradigm of conceptual modeling and information systems design,” BISE, vol. 6, no. 6, pp. 319–337, 2014.

de Kinderen, S., & Kaczmarek-Heß, M. (2019, July). Multi-level Modeling as a Language Architecture for Reference Models: On the Example of the Smart Grid Domain. In 2019 IEEE 21st Conference on Business Informatics (CBI) (Vol. 1, pp. 174-183). IEEE.

NIST Smart Grid Cybersecurity Panel: NISTIR 7628-guidelines for smart grid cyber security vol. 1-3 (2010)

Fettke, P., Loos, P.: Perspectives on reference modeling. In Fettke, P., Loos, P., eds.: Reference Modeling for Business Systems Analysis. (2007) 1-21

Thomas, O.: Understanding the term reference model in information systems research: history, literature analysis and explanation. In: International Conference on Business Process Management, Springer (2005) 484-496

U. Frank, “Evaluation of reference models,” in Reference modeling for business systems analysis. IGI Global, 2007, pp. 118–140.

In der Physik wird schon seit geraumer Zeit die Idee, eine neue, auf der Quantenmechanik basierende Rechnerarchitektur zu entwickeln, diskutiert. Die technische Realisierung ist jedoch mit großen Herausforderungen verbunden. Erst in jüngster Zeit sind Anzeichen dafür erkennbar, dass Quantenrechner in absehbarer Zukunft verfügbar sein werden, so dass sich für eine wachsende Zahl von Unternehmen die Frage stellt, ob und in welcher Form diese Technologie für sie einsetzbar ist und welche Wettbewerbsvorteile sich damit realisieren lassen. In dieser Masterarbeit soll die prinzipielle Funktionsweise von Quantenrechnern untersucht werden. Dazu ist eine Auseinandersetzung mit den physikalischen Grundlagen erforderlich. Darauf aufbauend sollen die wesentlichen Verheißungen dieser Technologie begründet dargestellt werden. Anschließend ist zu untersuchen, für welche Einsatzszenarien in Unternehmen Quantenrechner besonders attraktiv erscheinen.

In practice and academia a wide variety of methods for different classes of typical business informatics problems exists, developed by consultancy agencies, standardization bodies, software companies, universities, and public-private partnerships. Such methods include agile software development methods (Qumer, 2008), or methods for enterprise architecture design and management (Winter et al, 2010). The wide variety of methods is not surprising, as in addressing a particular problem (e.g., developing a new piece of software) the adoption of an appropriate method allows one to, roughly speaking, capitalize on codified experiences with similar problems encountered in the past. Thus, one does not have to start from scratch.  Yet, to be effective the method often needs to be adapted to the context of use (Henderson-Sellers et al (2011)). Here, a major challenge is that there is no uniform view of what are the constituents of a method. For one, whereas agile software development methods are characterized by adherence to a set of principles (from the agile manifesto (Fowler et al, 2001)), enterprise architecture methods typically aim at offering a set of different perspectives (sometimes also called layers, or dimensions (cf. Winter et al, 2006)), with concepts that are relevant for describing each perspective. This hints at what actually characterizes a method in practice can be quite diverse, in terms of adhering to a common way of thinking, providing a process,  a process and a modeling language, or all of the above complemented with heuristics and guidelines. In the end, this lack of a uniform method conception inhibits the systematic adaptation of methods to a given enterprise’s context of use.

The aim of this master’s thesis is to construct a method for constructing methods - i.e., a meta-method. This meta-method shall at the very least consist of a meta-model which describes the core elements of a method and a process, and corresponding guidelines, for instantiating the method, so that the meta-method at hand can be used to create or adapt a method to the situation at hand. To showcase the meta-methods fitness for use, you use it for the construction of a method for a domain/context of choice.

Einstiegsliteratur

Strecker, Stefan, David Heise, and Ulrich Frank. "RiskM: A multi-perspective modeling method for IT risk assessment." Information Systems Frontiers 13.4 (2011): 595-611.

Henderson-Sellers, Brian, and Jolita Ralyté. "Situational method engineering: state-of-the-art review." Journal of Universal Computer Science (2010).

Qumer, Asif, and Brian Henderson-Sellers. "An evaluation of the degree of agility in six agile methods and its applicability for method engineering." Information and software technology 50.4 (2008): 280-295.

Winter, Katharina, et al. "Investigating the State-of-the-Art in Enterprise Architecture Management Methods in literature and Practice." MCIS (2010).

Winter, Robert, and Ronny Fischer. "Essential layers, artifacts, and dependencies of enterprise architecture." Enterprise Distributed Object Computing Conference Workshops, 2006. EDOCW'06. 10th IEEE International. IEEE, 2006.

Fowler, Martin, and Jim Highsmith. "The agile manifesto." Software Development 9.8 (2001): 28-35.

A method aims at solving a class of problems, and typically consists of a linguistic artifact and a process for using it (Strecker et al, 2010). An example following this definition is RiskM (Strecker et al, 2010), a method for IT risk assessment which consists of a conceptual modeling language called RiskM, and a process model plus various heuristics.

In practice a wide variety of methods for different classes of typical business informatics problems exists, developed by consultancy agencies, standardization bodies, and software companies. Such methods include agile software development methods (Qumer, 2008), or methods for enterprise architecture design and management (Winter et al, 2010). The wide variety of methods is not surprising, as in addressing a particular problem (e.g., developing a new piece of software) the adoption of an appropriate method allows one to, roughly speaking, capitalize on codified experiences with similar problems encountered in the past. Thus, one does not have to start from scratch. However, the effectiveness of a method to a large extent depends on how well it fits with the context of use. For one, while there is currently a hype to develop all software in an agile manner, anecdotal remarks from software developers in the banking industry hint that agile methods do not lend themselves well to the nature of the banking domain, as often concerns such as security and stability of a system take prevalence over its quick “agile” development.

Furthermore, even if there is a fit of a method with the domain of use, to be effective the method often needs to be adapted to the context of use (Henderson-Sellers et al (2011)). Here, a major challenge is that there is no uniform view of what are the constituents of a method. For one, whereas agile software development methods are characterized by adherence to a set of principles (from the agile manifesto (Fowler et al, 2001)), enterprise architecture methods typically aim at offering a set of different perspectives (sometimes also called layers, or dimensions (cf. Winter et al, 2006)), with concepts that are relevant for describing each perspective. This hints at what actually characterizes a method in practice can be quite diverse, in terms of adhering to a common way of thinking, providing a process,  a process and a modeling language, or all of the above complemented with heuristics and guidelines. In the end, this lack of a uniform method conception inhibits the systematic adaptation of methods to a given enterprise's context of use.

The aim of this bachelor thesis is to describe and compare methods. In particular, your aim is to observe similarities and differences between the methods being employed, so as to provide a first step towards a common description of what are the core constituencies of a method. As a point of departure for this comparison, one can use ideas from method engineering (e.g., Henderson-Sellers et al (2011)) and the understanding of a method as put forward in Strecker et al. (2010). Note that while you have a choice as to what methods are selected, the criteria for method selection must be grounded in a solid argumentation.

Einstiegsliteratur

Strecker, Stefan, David Heise, and Ulrich Frank. "RiskM: A multi-perspective modeling method for IT risk assessment." Information Systems Frontiers 13.4 (2011): 595-611.

Henderson-Sellers, Brian, and Jolita Ralyté. "Situational method engineering: state-of-the-art review." Journal of Universal Computer Science (2010).

Qumer, Asif, and Brian Henderson-Sellers. "An evaluation of the degree of agility in six agile methods and its applicability for method engineering." Information and software technology 50.4 (2008): 280-295.

Winter, Katharina, et al. "Investigating the State-of-the-Art in Enterprise Architecture Management Methods in literature and Practice." MCIS (2010).

Winter, Robert, and Ronny Fischer. "Essential layers, artifacts, and dependencies of enterprise architecture." Enterprise Distributed Object Computing Conference Workshops, 2006. EDOCW'06. 10th IEEE International. IEEE, 2006.

Fowler, Martin, and Jim Highsmith. "The agile manifesto." Software Development 9.8 (2001): 28-35.

Motivation:

The preparation of course material is a laborious task. Often, it is aimed at the creation of a sequence of slides. Such an approach, however, is unsatisfactory for various reasons. It does not account for the fact that different students may need different course materials. It is restricted to a sequence of pages including text or graphics (videos are possible, too, but are still rarely used). Furthermore, reuse is mainly restricted to copy&paste. As a consequence, this approach is not suited to create material for supporting more efficient ways of teaching and learning. In addition to that, the effort for maintaining course material is extensive.

This thesis aims at the development of a modelling method that fosters the design and management of material for university courses. For this purpose, new, individualized and interactive forms for course material need to be analyzed in order to identify relevant requirements the targeted method should satisfy. The method itself consists of a domain-specific modelling language (DSML) and a corresponding process model. In an ideal case, the DSML will be implemented with a meta-modelling tool.

Motivation:

Unternehmensmodelle müssen persistent gemacht werden. Im einfachsten

Fall werden sie dazu in Dateien abgelegt. Eine solche Repräsentation ist

allerdings mit erheblichen Nachteilen verbunden. Spezielle Repositories

bieten eine bessere Unterstützung der Modellintegrität und erlauben

zudem u.U. einen parallelen Zugriff auf Modelldaten. In der Arbeit sind

zunächst Anforderungen an Repositories zur Repräsentation von Modellen

zu analysieren. Anschließend sind auf dieser Grundlage ausgewählte

Modellrepositories vergleichend zu bewerten.

Motivation:

Die Integration von Anwendungssystemen mit korrespondierenden

Unternehmensmodellen verspricht eine überaus attraktive Perspektive für

die Gestaltung zukünftiger Unternehmenssoftware. Eine entsprechende

Vision wurde in einem Forschungsbericht (Frank, Strecker: Beyond ERP

Systems: An Outline of Self-Referential Enterprise Systems. ICB-Research

Report No. 31, 2009) skizziert. Die Realisierung selbstreferentieller

Unternehmenssoftware sieht sich einer Reihe von Herausforderungen

gegenüber. Eine besondere Schwierigkeit ist darin zu sehen, dass die

Implementierung von Modellierungswerkzeugen und Anwendungssystemen auf

unterschiedlichen Abstraktionsebenen stattfindet. Um vom Modell zum Code

zu gelangen, ist deshalb die Generierung von Code erforderlich. Dies

führt zu dem bekannten Problem Code und Modell konsistent zu halten. Die

wesentliche Ursache für das Problem ist darin zu sehen, dass gängige

Programmiersprachen nur zwei Abstraktionsebenen - Typ und Instanz -

aufweisen. Seit einiger Zeit gewinnen (Meta-) Programmiersprachen an

Bedeutung, die mehrere Abstraktionsebenen aufweisen. Eine dieser

Sprachen ist XMF. Die Arbeit ist darauf gerichtet, die Eignung der

Sprache XMF für die Synchronisation von Code und Modell zu untersuchen.

Motivation:

Die Pflege und Weiterentwicklung von Modellen führt im Zeitverlauf zu

verschiedenen Modellvarianten und -versionen. Um eine konsistente

Evolution und Variation von Modellen zu unterstützen, sind

differenzierte Konzepte von Modellversion und Modellvariante

erforderlich. Sie erlauben es, nur das Delta zwischen verschiedenen

Versionen bzw. zwischen einem Modell und seinen Varianten zu erfassen

und zu speichern. Die Definition entsprechender Konzepte ist mit

erheblichen Herausforderungen verbunden. In der Arbeit sind zunächst

Vorschläge aus der Literatur zu erfassen udn vergleichend zu evaluieren.

Anschließend sind für ausgewählte Modellarten aus dem Kontext der

Unternehmensnmodellierung geeignete Konzepte für Modellversionen und

-varianten zu spezifizieren.

Motivation:

Multiperspektivische Unternehmensmodelle sind darauf gerichtet, verschiedenen Zielgruppen im Unternehmen eine aufgabengerechte Abbildung ihrer Sicht auf das Unternehmen zu bieten und gleichzeitig einen Beitrag zur Integration dieser Sichten zu leisten. Domänenspezifische Modellierungssprachen, die u.a. eine weitgehend selbstsprechende Notation bieten sollten, sollen dabei die Verständlichkeit von Modellen fördern, den Benutzern im besten Fall einen intuitiven Zugang ermöglichen. Dieses Ziel kann allerdings nicht immer in befriedigender Weise erreicht werden. Zum einen stellen Modelle eine Abstraktion dar, die bewusst auch solche Aspekte des Kontextes ausblenden, die für ein differenziertes Verständnis von Bedeutung sind. Zum anderen mag die Repräsentation semi-formaler Modelle auf manche Akteure nicht ansprechend wirken. Deshalb ist es sinnvoll, Modelle mit natürlichsprachlichen Dokumenten zu annotieren. Allerdings sind die Erstellung und vor allem die Pflege mit einem erheblichen Aufwand verbunden. In dieser Master-Arbeit soll untersucht werden, wie die Erstellung und Pflege von natürlichsprachlichen Annotationen durch geeignete Software unterstützt werden kann. Dazu soll aufgezeigt werden, wie eine existierende Modellierungsumgebung um eine entsprechende Komponente ergänzt werden kann. Es ist zudem möglich, eine prototypische Implementierung zu erstellen.

Einstiegsliteratur:

• Clark, T., Sammut, P., Willans, J.: Applied metamodelling: a foundation for language driven development. 2nd edn., Ceteva 2008, (Online verfügbar)
  Frank, U.: Multi-Perspective Enterprise Modeling: Foundational Concepts, Prospects and Future Research Challenges. In: Software and Systems Modeling, 2013
  Leopold, H.; Mendling, J.; Polyvyanyy, A.: Generating Natural Language Texts from Business Process Models: Advanced Information Systems Engineering Lecture Notes in Computer Science Volume 7328, 2012, pp 64-79

Motivation:

Unternehmensmodelle waren zunächst vor allem darauf gerichtet, eine an den Unternehmenszielen ausgerichtete Gestaltung von Informationssystem und organisatorischem Handlungssystem zu unterstützen. Seit einigen Jahren wird zudem gefordert, Unternehmensmodelle auch zur aktiven Unterstützung des Managements einzusetzen – „Enterprise Models at Runtime“. Dazu wurden Architekturen entwickelt, die eine Integration von Modellierungsumgebungen mit Unternehmenssoftware ermöglichen. Geschäftsmodelle zielen demgegenüber darauf, wesentliche Erfolgsfaktoren eines Unternehmens in eher groben Zusammenhängen so darzustellen, dass sich daraus Schlussfolgerungen auf die Profitabilität ableiten lassen. Sie werden typischerweise vor der Gründung eines Unternehmens erstellt und richten sich nicht zuletzt an Investoren. In dieser Master-Arbeit sollen Unterschiede und Gemeinsamkeiten von Geschäftsmodellen und Unternehmensmodellen herausgearbeitet werden. Vor diesem Hintergrund soll dann am Beispiel zweier ausgewählter Ansätze aufgezeigt werden, wie eine Integration durchgeführt werden könnten und welche Synergieeffekte dabei zu erwarten sind. Dabei soll auch die Nutzung entsprechender Modelle und Werkzeuge in späteren Phasen eines Unternehmenslebenszyklus betrachtet werden.

Einstiegsliteratur:

• Frank, U.: Enterprise Modelling: The Next Steps. In: Enterprise Modelling and Information Systems Architectures. Vol. 9, No. 1, 2014, pp. 22–37
• Frank, U.; Strecker, S.: Beyond ERP Systems: An Outline of Self-Referential Enterprise Systems. ICB-Research Report, Institut für Informatik und Wirtschaftsinformatik (ICB), Universität Duisburg-Essen, No. 31, Universität Duisburg-Essen 2009OMG: Business Motivation Model. Version 1.2 (Online verfügbar)
• Osterwalder, A.; Pigneur, Y.: Business model generation. A handbook for visionaries, game changers, and challengers. Willowbrook, IL 2010

Bei "Semantisches Dokumentenmanagement auf Basis von E-Business-Standards" handelt sich es nicht im ein konkretes Thema für eine Abschlußarbeit, sondern um ein Themengebiet, in dessen Rahmen verschiedene Themen für Abschlußarbeiten entwickelt werden können. Näheres finden Sie in der Beschreibung des Themengebiets. Bei Interesse oder Fragen wenden Sie sich bitte an Herrn Jahns.