Application: https://ai.ris.uni-due.de/teaching/summer-semester-26/information-systems-project-17404/ 

Liste der möglichen konkreten Themen:

• AI-1-1, Sommersemester 2026, Betreuung: Cosima v. Uechtritz

  Mastering Video Gaming with Machine Learning and Flow Detection

  According to a 2024 Bitkom Research Survey, 91% of people aged 16–29 in Germany play video games occasionally (Bitkom, 2024). These figures highlight that gaming is a popular recreational activity, which is also growing in importance within the competitive sector. The establishment of a professional esports league around the game League of Legends in the 2010s contributed to the rise of competitive gaming, increasing viewership and sponsorship opportunities. 

  Many gamers report experiencing a state of complete immersion during gameplay, accompanied by a loss of track of time (Harmat et al., 2025). This state of optimal experience, also known as flow state, is closely related to peak performance and results in positive feelings after the activity (Harris et al., 2020). The flow state is of particular interest to game designers, seeking to evoke it to maximize player engagement, to players looking to enhance performance, and to economic stakeholders in professional esports, who profit from improved performance.

  Thus, current research focuses on measuring flow while gaming. Recent studies demonstrate an underlying relationship between flow and physiological data, such as heart or respiration rate. This enables the detection of a flow state using non-obtrusive devices, such as smartwatches or ECG chest belts. While linear associations can be identified, the underlying relationship appears to be more complex, indicating the need for more sophisticated mathematical models (Nadj et al., 2023). Machine learning methods provide a promising solution for facilitating flow classification in the gaming context.

  Project Objectives: The objective of this specific Bachelor/Master project is to classify flow states based on physiological data. To achieve this, students conduct an experimental study to collect data that will subsequently be used to train a flow classification model. The study should be designed following existing approaches, such as Harmat et al. (2015) or Rissler et al. (2020), in which participants play a computer game (e.g., Tetris or PacMan) while wearing an ECG chest belt and complete questionnaires about their flow state at predefined time intervals. The questionnaire data then serves as ground truth labels for the classification model. 

  The objectives of this specific project are the following: 

  • Review of relevant literature on flow in the gaming context
  • Development of an experimental study design to measure flow in a gaming context
  • Conducting the user study
  • Data preprocessing
  • Training and testing of different machine learning algorithms
  • Evaluation of algorithm performance in the context of relevant literature

  Project Requirements: 

  Milestone deliverables:

  • Identification of important literature
  • Design of an experimental study
  • Conducting the user study
  • Evaluation and implementation of the classification model

  Final deliverables: 

  • Project report
  • Project code
  • Project poster
  • 5-minute video illustrating your project

  Literatur

  • Bitkom (2024). www.bitkom.org/Presse/Presseinformation/Haelfte-Deutschen-zockt-Video-Computerspiele, retrieved 11.07.2025
  • Harmat, L., de Manzano, Ö., Theorell, T., Högman, L., Fischer, H., & Ullén, F. (2015). Physiological correlates of the flow experience during computer game playing. International Journal of Psychophysiology, 97(1), 1-7.
  • Harris, D. J., Allen, K. L., Vine, S. J., & Wilson, M. R. (2023). A systematic review and meta-analysis of the relationship between flow states and performance. International review of sport and exercise psychology, 16(1), 693-721.
  • Nadj, M., Rissler, R., Adam, M. T., Knierim, M. T., Li, M. X., Maedche, A., & Riedl, R. (2023). What Disrupts Flow in Office Work? The Impact of Frequency and Relevance of IT-Mediated Interruptions. MIS Quarterly, 47(4).
  • Rissler, R., Nadj, M., Li, M. X., Loewe, N., Knierim, M. T., & Maedche, A. (2020). To be or not to be in flow at work: physiological classification of flow using machine learning. IEEE transactions on affective computing, 14(1), 463-474.

• AI-1-2, Sommersemester 2026, Betreuung: Luca Gemballa

  The Illusion of Understanding: Mitigating Cognitive Bias in Interactive AI Interfaces for Medical Decision-Making

  AI for medical decision-making has gained traction over the last few years. From initial problems of algorithm aversion and lack of trust that XAI has attempted to solve, to more and more performant models that in some domains like cancer recognition rival human experts (see Sharma et al., 2024), further AI adoption throughout the healthcare sector seems imminent. Two related research streams from the XAI and VA domains however, have highlighted that high trust and high understanding are not causally related (Ha et al., 2024, Bansal et al., 2021). Rather, high trust and subjective understanding can be signs of overreliance, indicating that users might be less inclined to properly question AI recommendations. 

  This tendency can be explained through the contents of dual-process theory (Kahnemann, 2011). It proposes that humans employ the so-called System 1 in situations where they need to decide quickly and intuitively, while System 2 is used for more analytical, in-depth thinking. The reliance of System 1 on heuristics opens it up to cognitive biases with detrimental effects on decision quality. 

  Literature on how to mitigate such biases is abundant and precedes the current AI field. Proposals include changing the interaction protocol to show AI recommendations only after the human has made an initial decision, implementing a delay before showing the recommendations, or issuing a short warning, when the system finds that a user has not paid attention to the explanations (Bertrand et al., 2022). However, these conflict with goals like timely decision-making and a positive usability experience.

  Project Objectives: The objective of this Bachelor/Master project is to develop and implement an interactive interface for a medical decision-making task in oncology that incorporates strategies for bias mitigation. At the start of the project, students will conduct a scoping review on interactive interfaces in medicine and bias mitigation techniques. Based on the input from the literature, a series of expert interviews with oncologists will be conducted for requirements elicitation. The interviews for requirements elicitation will be conducted in two phases. The first phase serves to build a fundamental understanding of decision-making in oncology, the technologies used, their evaluation of the systems currently in use and the potential for improvement. In the second phase, students prepare more specific questions and the interviewees are asked to propose prototypical designs themselves and evaluate mock-ups previously created by the students. Following these steps, the students will develop and implement the interactive interface.

  The objectives of this specific project are the following: 

  • Developing an interactive interface for medical decision-making
  • Implementing a treatment response prediction model for the interactive interface
  • Investigating when clinicians exhibit low situational awareness, and how the interface can be designed to increase awareness and thus improve reliance

  Project Requirements: 

  Milestone deliverables:

  • Requirements for model selection
  • Set of ambiguous situations and recommendations for interface design
  • One-page management summary
  • Implementation of interactive interface
  • Interview transcripts

  Final deliverables: 

  • Project report
  • Project code
  • Project poster
  • 5-minute video illustrating your project

  Literatur

  • Sharma, P., Nayak, D. R., Balabantaray, B. K., Tanveer, M., & Nayak, R. (2024). A survey on cancer detection via convolutional neural networks: Current challenges and future directions. Neural Networks, 169, 637-659.
  • Ha, S., Monadjemi, S., & Ottley, A. (2024). Guided By AI: Navigating Trust, Bias, and Data Exploration in AI‐Guided Visual Analytics. In Computer Graphics Forum, 43(3), 15108-15120.
  • Bansal, G., Wu, T., Zhou, J., Fok, R., Nushi, B., Kamar, E., Ribeiro, M. T. & Weld, D. (2021). Does the whole exceed its parts? the effect of ai explanations on complementary team performance. In Proceedings of the 2021 CHI conference on human factors in computing systems (pp. 1-16).
  • Bertrand, A., Belloum, R., Eagan, J. R., & Maxwell, W. (2022). How cognitive biases affect XAI-assisted decision-making: A systematic review. In Proceedings of the 2022 AAAI/ACM Conference on AI, Ethics, and Society (pp. 78-91).
  • Kahneman, D. (2011). Thinking, fast and slow. macmillan.

• AI-1-3, Sommersemester 2026, Betreuung: Luca Gemballa

  Using Blood Sugar Forecasts to Optimize Insulins Doses

  Type 1 diabetes management (T1DM) has advanced over the last decades. Not only have insulin pumps made injecting insulin more practical, newer models have increasingly integrated automated insulin delivery (AID). While a base rate of insulin can already be delivered entirely automatically, specific situations still demand manual handling. Insulin doses for meals, e.g., need to be calculated by hand, and base rate adjustments for intense situations like competitive sports also need to be made by patients, leaving room for error. Current state-of-the-art AID systems can balance out some errors, but delays between insulin doses and observable sugar levels make this inefficient.

  To improve on these systems, researchers have proposed integrating additional measurements into T1DM algorithms. The OhioT1DM dataset represents this effort for more accurate forecasting of blood glucose levels by utilizing additional physiological measures. Provided by Marling & Bunescu (2020), the dataset contains data on galvanic skin response, skin and air temperature, heart rate, sleep times and quality, etc. as well as more common measurements like insulin intake and blood glucose levels. 

  Various researchers have trained machine learning models using different parts of the OhioT1DM data. Machine learning models used for the task of predicting blood glucose levels involve XGBoost (Midroni et al., 2018), Gated Recurrent Unit (GRU) (Giancotti et al., 2024), and more. These studies however, have applied different training procedures, preprocessing steps, and evaluation metrics. Hence, their results cannot be easily aggregated. In addition, other datasets exist that have not been applied together in a comparative benchmarking study.

  Project Objectives: The objective of this Bachelor/Master project is to conduct a benchmarking study of different machine learning models on the OhioT1DM dataset and other T1DM datasets that contain physiological features beyond insulin intake and blood glucose levels. This study contributes to the research on improving T1DM through integration of additional data into existing AID systems. To better understand this problem, students will in a first step conduct an interview with an Essen-based diabetologist and conduct a scoping review on machine learning for blood glucose level predictions. Based on these insights, they will decide on a set of machine learning models to implement and evaluate. The participating students will preprocess the datasets based on their knowledge from the first step and use them for the benchmarking study. The evaluation aims at predictive performance, but also at efficiency, prediction response times, and an assessment of which physiological features are worth including.

  The objectives of this specific project are the following: 

  • Reviewing existing approaches to ML-based forecasting of blood glucose levels
  • Implementing a selection of machine learning models for T1DM
  • Assessing the potential of machine learning and physiological data for forecasting blood glucose levels in a benchmarking study

  Project Requirements: 

  Milestone deliverables:

  • Requirements for model selection
  • Preprocessed datasets
  • Working implementation of machine learning models
  • One-page management summary
  • Study results in the form of quantitative data

  Final deliverables: 

  • Project report
  • Project code
  • Project poster
  • 5-minute video illustrating your project

  Literatur

  • Midroni, C., Leimbigler, P. J., Baruah, G., Kolla, M., Whitehead, A. J., & Fossat, Y. (2018). Predicting glycemia in type 1 diabetes patients: experiments with XGBoost. heart, 60(90), 120.
  • Marling, C., & Bunescu, R. (2020). The OhioT1DM dataset for blood glucose level prediction: Update 2020. In CEUR Workshop Proceedings, 2675, 71.
  • Giancotti, R., Bosoni, P., Vizza, P., Tradigo, G., Gnasso, A., Guzzi, P. H., Bellazzi, R., Irace, C. & Veltri, P. (2024). Forecasting glucose values for patients with type 1 diabetes using heart rate data. Computer Methods and Programs in Biomedicine, 257, 108438.

• AI-1-4, Sommersemester 2026, Betreuung: Cosima v. Uechtritz

  Your First Step in Machine Learning: Exploring Public Data through the Lens of Flow

  In recent years, machine learning (ML) has been increasingly applied across a wide range of domains. These advances have opened new possibilities for applications relying on complex pattern detection. However, a major challenge for data scientists when developing ML models, particularly advanced deep learning models, remains data scarcity (Alzubaidi et al., 2023).

  Researchers focusing on flow classification are likewise affected by this challenge. Flow, the feeling of being completely absorbed in an activity, is regarded as a desirable state due to its association with improved performance and well-being (Peifer et al., 2020). Consequently, recent research focuses on developing tools that detect the flow state with wearable devices, such as ECG chest belts, to support individuals in entering or maintaining this state. Researchers have already accomplished initial steps toward implementing such tools. For example, Rissler et al. (2020) developed a classification model that was able to distinguish between high and low flow states with 70.6% accuracy, using data from a field experiment in which software developers wore an ECG chest belt during their workday.

  Despite these advances, the limited number of publicly available datasets hinders further progress. In addition, many relevant datasets are not openly published due to data privacy regulations and are only accessible upon request. Moreover, there is no standardized platform for publishing such datasets, making existing data difficult to find and access. To address these limitations, this student project aims to identify relevant datasets and investigate their potential for developing ML models capable of classifying flow states.

  Project Objectives: The objective of this specific project is to classify flow states based on physiological data. To achieve this, students will identify publicly available datasets (e.g., BIRAFEE-dataset (Kutt et al., 2022) or PhySF (Irshad et al., 2023)), which are then used to build a flow classification model. To evaluate the effectiveness of the developed model, its performance will be compared with a rule-based classification approach (e.g., high heart rate indicating a flow state) in a small pilot study (n = 5). 

  The objectives of this specific project are the following: 

  • Review of the relevant literature on flow physiology
  • Identification of publicly available flow datasets
  • Data preprocessing
  • Training and testing of different ML algorithms
  • Design and implementation of a rule-based approach
  • Evaluation of the model performance against the rule-based approach in a small pilot study

  Project Requirements: 

  Milestone deliverables:

  • Identification of publicly available flow datasets
  • Development of a flow classification model
  • Conception and execution of the pilot study
  • Evaluation of the pilot study

  Final deliverables: 

  • Project report
  • Project code
  • Project poster
  • 5-minute video illustrating your project

  Literatur

  • Alzubaidi, L., Bai, J., Al-Sabaawi, A. et al. A survey on deep learning tools dealing with data scarcity: definitions, challenges, solutions, tips, and applications. J Big Data 10, 46 (2023). doi.org/10.1186/s40537-023-00727-2
  • Irshad, M. T., Li, F., Nisar, M. A., Huang, X., Buss, M., Kloep, L., Peifer, C., Kotzsnik, B., Pollak, A., Pyszka, A., Flak O. & Grzegorzek, M. (2023). Wearable-based human flow experience recognition enhanced by transfer learning methods using emotion data. Computers in Biology and Medicine, 166, 107489.
  • Kutt, K., Drążyk, D., Żuchowska, L., Szelążek, M., Bobek, S., & Nalepa, G. J. (2022). BIRAFFE2, a multimodal dataset for emotion-based personalization in rich affective game environments. Scientific Data, 9(1), 274.
  • Peifer, C., Syrek, C., Ostwald, V., Schuh, E., & Antoni, C. H. (2020). Thieves of flow: how unfinished tasks at work are related to flow experience and wellbeing. Journal of Happiness Studies, 21(5).
  • Rissler, R., Nadj, M., Li, M. X., Loewe, N., Knierim, M. T., & Maedche, A. (2020). To be or not to be in flow at work: physiological classification of flow using machine learning. IEEE transactions on affective computing, 14(1), 463-474.

Bewerbung: https://sitm.ris.uni-due.de/teaching/student-projects/ 

Liste der möglichen konkreten Themen:

• DIP-1-1, Sommersemester 2026, Betreuung: Falco Korn

  LUMINA:Teacher - Entwicklung eines KI-gestützten Lehrassistenten für die Hochschullehre

  Generative KI verändert die Hochschullehre grundlegend. Lehrende planen Lehrveranstaltungen, strukturieren Inhalte, entwickeln Übungen und gestalten Prüfungsformate. Diese Aufgaben sind zeitaufwändig und werden durch steigende Anforderungen weiter erschwert: heterogene Vorkenntnisse der Studierenden, wachsende Ansprüche an kompetenzorientiertes Lernen und die Notwendigkeit, Lehre kontinuierlich weiterzuentwickeln.

  Im Vorgängerprojekt LUMINA:Build wurde im vergangenen Semester ein erster Prototyp eines KI-gestützten Lernassistenten entwickelt, der Studierende direkt im Lernprozess unterstützt, beispielsweise beim Verständnis von Lehrinhalten oder bei der Prüfungsvorbereitung. LUMINA:Build adressiert damit konsequent die Perspektive der Studierenden. Was bislang fehlt, ist das Gegenstück auf der Lehrseite.

  Generische cloudbasierte KI-Systeme wie ChatGPT oder Copilot können zwar bei einzelnen Aufgaben helfen, sind aber nicht auf den konkreten Kontext einer Lehrveranstaltung ausgerichtet. Sie kennen weder die spezifischen Lernziele noch die bestehenden Materialien, berücksichtigen institutionelle Anforderungen wie Datenschutz oder inhaltliche Konsistenz nur eingeschränkt und bieten keine durchgängige Integration in bestehende Lehrworkflows.

  Zielsetzung: LUMINA:Teacher entwickelt einen KI-gestützten Lehrassistenten, der auf der bestehenden LUMINA-Plattform aufsetzt und Lehrende bei zentralen Aufgaben der Lehrveranstaltungsgestaltung unterstützt. Das Projekt verfolgt folgende Kern- und Erweiterungsziele:

  Kernziele

  1. Anforderungsanalyse: Erhebung und Strukturierung der Bedarfe von Lehrenden hinsichtlich KI-gestützter Unterstützung — welche Aufgaben sind besonders zeitaufwändig, fehleranfällig oder repetitiv? Welche Unterstützungsformen würden Lehrende tatsächlich nutzen?
  2. Funktionaler Prototyp: Entwicklung eines funktionalen Lehrassistenten auf der bestehenden LUMINA-Plattform, der mindestens zwei zentrale Use Cases abdeckt, z. B. die Generierung von Übungsaufgaben auf Basis vorhandener Lehrmaterialien, die Strukturierung von Vorlesungsinhalten oder die Erstellung von Prüfungsfragen.
  3. Kontextintegration: Der Assistent soll lehrveranstaltungsspezifische Informationen (Lernziele, vorhandene Materialien, Modulbeschreibungen) einbeziehen können, um kontextsensitive und inhaltlich konsistente Ergebnisse zu liefern.
  4. Plattformintegration: Nahtlose Einbettung in die bestehende LUMINA-Architektur, sodass Lern- und Lehrassistenz auf einer gemeinsamen technischen Basis operieren.

  Erweiterungsziele

  1. Feedbackmechanismen: Integration von Möglichkeiten, mit denen Lehrende die KI-generierten Vorschläge bewerten und iterativ verbessern können.
  2. Didaktische Leitplanken: Einbettung didaktischer Prinzipien (z. B. Bloom’sche Taxonomie, Constructive Alignment) als Orientierungsrahmen für die KI-Generierung.
  3. Nutzerevaluation: Formative Evaluation mit Lehrenden zur Bewertung von Akzeptanz, wahrgenommenem Nutzen und Verbesserungspotenzialen.

  Anforderungen:

  1. Erstellung eines Projektplans und Aufgabenverteilung innerhalb der Gruppe mithilfe geeigneter Projektmanagementmethoden.
  2. Anforderungserhebung bei Lehrenden (z. B. durch Literaturerhebung; Interviews, Befragungen oder Workshops) und Ableitung priorisierter Use Cases.
  3. Entwicklung eines funktionalen Prototyps auf der bestehenden LUMINA-Plattform
  4. Qualitative Bewertung der KI-generierten Ergebnisse hinsichtlich Relevanz, Korrektheit und didaktischer Eignung.
  5. Präsentation der Projektergebnisse in Zwischen- und Abschlusspräsentationen.
  6. Vollständige Dokumentation der technischen Umsetzung und der gewonnenen Erkenntnisse.

  Voraussetzungen:

  • Studierende der Fakultät für Informatik aus den Studiengängen Wirtschaftsinformatik oder Software Engineering auf Bachelor-Niveau (mit mindestens 90 ECTS) oder Master-Niveau
  • Grundkenntnisse in Programmierung
  • Interesse an künstlicher Intelligenz, Large Language Models oder digitalen Lerntechnologien
  • Bereitschaft zur eigenständigen Arbeit im Projektteam

  Literatur

  • Mollick, E. R., & Mollick, L. (2023). Using AI to Implement Effective Teaching Strategies in Classrooms: Five Strategies, Including Prompts. The Wharton School Research Paper.
  • Kasneci, E., Seßler, K., Küchemann, S., et al. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learning and Individual Differences, 103, 102274.
  • Biggs, J., & Tang, C. (2011). Teaching for Quality Learning at University. 4th ed., Open University Press. [Grundlage für Constructive Alignment]
  • Denny, P., Becker, B. A., et al. (2024). Computing Education in the Era of Generative AI. Communications of the ACM, 67(2), 56–63.

• DIP-1-2, Sommersemester 2026, Betreuung: Falco Korn

  DRIFT: Technische Machbarkeitsstudie für datengetriebene Interventionen gegen Prokrastination

  Bis zu 95% aller Studierenden prokrastinieren regelmäßig; und Smartphones mit algorithmisch kuratierten Social-Media-Feeds machen es ihnen leichter denn je. Akademische Prokrastination, das freiwillige Aufschieben von Lernaufgaben trotz Wissen um negative Konsequenzen, ist eine der am weitesten verbreiteten Herausforderungen im Hochschulkontext.

  Digitale Technologien eröffnen neue Möglichkeiten, diesem Verhalten durch gezielte Interventionen entgegenzuwirken: kontextsensitive Hinweise, kurze Nudges oder Reflexionsimpulse könnten Studierende genau in dem Moment unterstützen, in dem Prokrastination entsteht. Solche Interventionen setzen jedoch voraus, dass relevante Verhaltensdaten auf den Endgeräten der Nutzerinnen und Nutzer verfügbar und programmatisch zugänglich sind.

  Daten wie Bildschirmzeit, App-Nutzungsmuster, Aktivitäts- oder Standortinformationen könnten wertvolle Hinweise auf Prokrastinationsverhalten liefern. Doch Plattformen wie iOS, Android und Desktop-Betriebssysteme unterscheiden sich erheblich in dem, was sie über offizielle APIs preisgeben. Unterschiedliche Berechtigungsmodelle, Datenschutzmechanismen und technische Restriktionen bestimmen maßgeblich, welche Daten überhaupt erfasst werden können, und in welcher Granularität.

  Zielsetzung: DRIFT ist eine technische Machbarkeitsstudie, die den Lösungsraum für datengetriebene Anti-Prokrastinations-Apps systematisch aus Viability-Perspektive auslotet. Das Projekt verfolgt folgende Kern- und Erweiterungsziele:

  Kernziele

  1. Dateninventar: Systematische Analyse, welche Verhaltensdaten (Bildschirmzeit, App-Nutzung, Health-Daten, Geolocation) auf iOS und Android über offizielle APIs zugänglich sind - in welcher Granularität, mit welchen Einschränkungen und Berechtigungsmodellen.
  2. Technischer Durchstich: Entwicklung eines funktionalen Prototyps, der die jeweils maximal verfügbaren Daten auf möglichst allen gängigen – sonst ausgewählten - Plattformen erfasst und persistiert (lokal oder anonymisiert in einer Cloud-Umgebung). Dabei soll untersucht werden, ob ein cross-platform-fähiger Ansatz tragfähig ist oder ob native Einzellösungen (Kotlin/Swift) notwendig sind.
  3. Plattformvergleich: Erstellung eines strukturierten Vergleichs der Plattformen hinsichtlich Datenzugang, Granularität und technischer Restriktionen als dokumentiertes Ergebnis.

  Erweiterungsziele

  1. Dashboard: Implementierung eines Dashboards zur Visualisierung der erfassten Daten.
  2. Interventions-Mapping: Ableitung möglicher Interventionsformen (z. B. Echtzeit-Nudges beim App-Wechsel, retrospektive Reflexionsdashboards, kontextsensitive Prompts) auf Basis der tatsächlich verfügbaren Daten.

  Anforderungen:

  • Systematische Analyse von Plattform-APIs und Datenzugriffsrestriktionen (dokumentiert als strukturierter Vergleich).
  • Entwicklung eines funktionalen Prototyps zur Erfassung und Persistierung von Nutzungsdaten (gezielt cross-platform)
  • Kritische Bewertung der Prototyp-Ergebnisse hinsichtlich der Frage, welche Interventionsformen die verfügbaren Daten tatsächlich ermöglichen.
  • Präsentation der Projektergebnisse in Zwischen- und Abschlusspräsentationen.
  • Vollständige Dokumentation und Evaluation der Ergebnisse.

  Voraussetzungen:

  • Studierende der Fakultät für Informatik aus den Studiengängen Wirtschaftsinformatik oder Software Engineering auf Bachelor-Niveau (mit mindestens 90 ECTS) oder Master-Niveau (Standard / verpflichtend)
  • Grundkenntnisse in Programmierung (z. B. Python, JavaScript, Kotlin, Swift oder vergleichbare Sprachen)
  • Interesse an mobilen Systemen, Datenanalyse oder digitalen Verhaltensinterventionen
  • Bereitschaft zur eigenständigen Arbeit im Projektteam

  Literatur

  • Kirchner-Krath, J., Schmidt-Kraepelin, M., et al. (2025). Behavior Change Support Systems for Self-Treating Procrastination: Systematic Search in App Stores and Analysis of Motivational Design Archetypes. Journal of Medical Internet Research, 27, e65214.
  • Grüning, D. J., Riedel, F., & Lorenz-Spreen, P. (2023). Directing smartphone use through the self-nudge app one sec. Proceedings of the National Academy of Sciences, 120(8), e2213114120.
  • Ramadhani, E., et al. (2026). Academic procrastination: A systematic review of causal factors and interventions. Journal of Behavioral and Cognitive Therapy, 36(1), 100552.
  • Steel, P. (2007). The nature of procrastination: A meta-analytic and theoretical review of quintessential self-regulatory failure. Psychological Bulletin, 133(1), 65–94.

Bewerbung: https://epa.ris.uni-due.de/studium/projekte/online-bewerbung/ 

Liste der möglichen konkreten Themen:

• EPA-1-1, Sommersemester 2026, Betreuung: Michael D. Harr / Frederik Hendricks

  Toolentwicklung für die KI-gestützte Automatisierung systematischer Literaturrecherchen

  Systematische Literaturrecherchen (SLRs) sind ein zentraler Baustein wissenschaftlicher Forschung, weil sie eine belastbare Wissensbasis schaffen, Forschungsstände strukturieren und Forschungslücken begründet ableiten. Gleichzeitig ist der Prozess in der Praxis aufwendig: Relevante Beiträge sind über heterogene Datenbanken verteilt, deren Suchsyntax, Exportformate und Metadatenqualität variieren; API-Zugänge sind häufig limitiert oder restriktiv nutzbar. Die Folge sind hohe manuelle Aufwände, Risiken für Inkonsistenzen sowie fehlende Replizierbarkeit, wenn Such- und Selektionsschritte unzureichend dokumentiert werden (vgl. vom Brocke et al., 2009). Gleichzeitig eröffnen moderne KI-Methoden (inkl. LLMs oder KI-Agenten) neue Potenziale: Sie können Teile von Screening, Metadaten-Normalisierung, thematischer Strukturierung und Zusammenfassung unterstützen. Bibliometrische/ Toolchains wie PyBibX (siehe Pereira et al., 2025) zeigen zudem, wie sich bibliometrische Analysen mit KI-gestützten Textverfahren integrieren lassen. Ziel der Projektarbeit ist die Konzeption und Implementierung eines Tools mit geeigneter Benutzeroberfläche, das Studierende und Forschende bei der Durchführung einer SLR entlang eines anerkannten Prozessmodells unterstützt und weite Teile der Identifikation, Selektion, Analyse und Ergebnisaufbereitung automatisiert, ohne die wissenschaftliche Nachvollziehbarkeit zu verlieren. Orientierungspunkt kann dabei das SLR-Prozessmodell mit 6 Schritten und 14 Entscheidungen nach Sauer & Seuring (2023) sein, ergänzt um Anforderungen an Stringenz und Dokumentation (vom Brocke et al., 2009) sowie an die inhaltliche Qualität (Webster & Watson, 2002). Tipps für die GenAI-Unterstützung können von Tingelhoff et al. (2025) entnommen werden. Generell soll eine Anforderungserhebung stattfinden, um die verschiedenen Herausforderungen und Probleme – oben nur exemplarisch dargestellt – zu analysieren und basierend darauf eine Applikation zu entwickeln, welche diese bestmöglich adressiert.

  Zielsetzung: Am Ende soll das Tool automatisiert (a) eine bibliometrische Übersicht des finalen Samples und (b) eine inhaltliche Übersicht der untersuchten Themen erzeugen. Die inhaltliche Analyse kann zunächst grob über Topic Modeling (z. B. Latent Dirichlet Allocation (LDA) oder via BERTopic) erfolgen, sollte jedoch anschließend vertieft werden (z. B. durch LLM-gestützte thematische Verdichtung/Synthese), sodass eine SLR-typische Übersicht entsteht (inkl. Konzeptmatrix, Cluster/Stränge, zentrale Konstrukte, Befundmuster, Kontroversen, Forschungslücken, Theorien etc.).

  • Erstellung eines Tools, was die wesentlichen Schritte einer SLR automatisiert und den Anwender bei der Durchführung einer SLR unterstützt
  • Erstellung eines Projektplans und Verteilung der Aufgaben auf die Gruppenmitglieder
  • Erstellung einer umfassenden Anforderungsanalyse
  • Analyse bei welchen Schritten in der SLR ein Human-in-the.Loop zwingend notwendig ist und wie dieser vom Tool einzubinden ist.

  Anforderungen:

  • Erstellung eines Projektplans und Verteilung der Aufgaben auf die Gruppenmitglieder
  • Solides hybrides/agiles Projektmanagement
  • Erstellung von Anforderungsanalysen, Product Backlog und Priorisierungen
  • Entwicklung einer funktionstüchtigen Applikation basierend auf den Anforderungen
  • Integration von fortschrittlichen KI-basierten Analyse- und Visualisierungstechniken
  • Dokumentation und (Zwischen-)Präsentation

  Voraussetzungen:

  • Studierende der Wirtschaftsinformatik oder Software Engineering im Bachelor mit mindestens 90 CP oder im Master (Standard/Pflicht)
  • Erfahrungen mit systematischen Literaturrecherchen (z.B. durch Seminararbeit, Abschlussarbeit)
  • Programmierkenntnisse (Python) oder Interesse, sich in Python einzuarbeiten sind von Vorteil

  Literatur

  • Pereira, V., Basilio, M. P., & Santos, C. H. T. (2025). PyBibX–a Python library for bibliometric and scientometric analysis powered with artificial intelligence tools. Data Technologies and Applications, 59(2), 302-337.
  • vom Brocke, J., Simons, A., Niehaves, B., Niehaves, B., Reimer, K., Plattfaut, R., & Cleven, A. (2009). Reconstructing the giant: On the importance of rigour in documenting the literature search process.
  • Webster, J., & Watson, R. T. (2002). Analyzing the past to prepare for the future: Writing a literature review. MIS quarterly, xiii-xxiii.
  • Sauer, P. C., & Seuring, S. (2023). How to conduct systematic literature reviews in management research: a guide in 6 steps and 14 decisions. Review of Managerial Science, 17(5), 1899-1933.
  • Tingelhoff, F., Brugger, M., & Leimeister, J. M. (2025). A guide for structured literature reviews in business research: The state-of-the-art and how to integrate generative artificial intelligence. Journal of Information Technology, 40(1), 77-99.

• EPA-1-2, Sommersemester 2026, Betreuung: Pierre Maier

  Design, Implementation, and Evaluation of a Graphical Modeling Language for Specifying LLM Skills

  To tailor the results of large language models (LLMs) to a specific user needs, a variety of adaptation mechanisms exist (e.g., fine-tuning, retrieval-augmented generation). One approach, which is implemented and offered in Anthropic’s Claude models, is the specification of so-called skills. Using a descriptive mark-up language, users can specify skills and reuse these specifications across multiple use cases. Skills can also embed code snippets written in, e.g., Python, that support users in calling deterministic algorithms via a natural-language interface. 

  The specification of these skills occurs textually, potentially hampering their use by end users unfamiliar with programming and mark-up languages. To lower the entry barrier, and increase the comprehensibility and (re)usability of skills, you are asked to develop a graphical modeling language to specify LLM skills. The modeling language should be specified using the language-engineering environment XModelerML. You are also asked to develop a model-transformation tool that transforms your visual skill models into the format required by Anthropic’s Claude model.

  Note that, depending on the analysis results, it may be sufficient to create a regular type-level model (e.g., UML-like class diagram) instead of creating a meta model. Students accepted for the project will be given an introduction into language engineering with the XModelerML.

  Project Objectives: The project should produce the following results (the scope can be adjusted according to group size):

  • A meta model that expresses the (syntax and semantics of the) required/optional specification parts of LLM skills as defined by Anthropic. The meta model should be specified using the XModelerML.
  • A custom, user-friendly graphical notation for the modeling language using the Concrete Syntax Wizard of the XModelerML.
  • A transformation engine (either implemented within the XModelerML or as a small stand-alone tool) that receives graphical skill models as input and can generate the required skill files for Claude as output.
  • The documentation of the project results should, next to stating and justifying central design decisions, outline how a bidirectional pipeline (from skill model to skill files, and the other way around) may look like.

  Project Requirements:

  • Formulation of project plan
  • Elicitation and analysis of requirements
  • Prototypical development of new modeling language
  • Evaluation of modeling language that, inter alia, outlines exemplary use cases

  Prerequisites:

  • Studierende der Wirtschaftsinformatik oder Software Engineering im Bachelor mit mindestens 90 CP oder im Master (Standard/Pflicht)

  Literatur

  • Anthropic (2026) The Complete Guide to Building Skills for Claude. https://resources.anthropic.com/hubfs/The-Complete-Guide-to-Building-Skill-for-Claude.pdf, accessed 12.03.2026
  • Frank U (2013) Domain-Specific Modeling Languages: Requirements Analysis and Design Guidelines. In: Reinhartz-Berger I et al (eds). Domain Engineering: Product Lines, Languages, and Conceptual Models. Springer: Berlin, Heidelberg, pp 133–158
  • Karsai G, Krahn H, Pinkernell C, Rumpe B, Schindler M, Völkel S (2009) Design Guidelines for Domain-Specific Languages. DSM '09: Proceedings of the 9th OOPSLA Workshop on Domain-Specific Modeling, pp 7–13
  • Moody DL (2009) The “Physics” of Notation: Towards a Scientific Basis for Constructing Visual Notations in Software Engineering. IEEE Transactions on Software Engineering 35 (6), pp 756-779

• EPA-1-3, Sommersemester 2026, Betreuung: Dustin Syfuß / Michael Harr

  Smart Tender: KI-gestützte Identifikation, Vorqualifizierung und Beantwortung öffentlicher Ausschreibungen

  Öffentliche Ausschreibungen stellen für Beratungs- und IT-Dienstleistungsunternehmen eine relevante Quelle für neue Projektchancen dar. Gleichzeitig ist der Zugang zu passenden Ausschreibungen in der Praxis aufwendig: Bekanntmachungen werden über unterschiedliche Portale und Datenquellen veröffentlicht, liegen in heterogenen Formaten vor, enthalten teilweise Dubletten und sind häufig nur semistrukturiert oder als längere Freitexte verfügbar. Für Unternehmen entsteht dadurch ein hoher manueller Aufwand bei der kontinuierlichen Sichtung, Bewertung und Priorisierung eingehender Ausschreibungen (Siciliani et al., 2023, 2024). Dies gilt insbesondere dann, wenn nicht nur formale Kriterien, sondern auch fachliche Eignung, Branchenbezug und Projekterfahrung berücksichtigt werden sollen. Die Forschung zeigt, dass insbesondere fokussiertes Crawling, Information Extraction und semantische Analyse geeignet sind, um öffentliche Beschaffungsdokumente systematisch aufzubereiten und verwertbar zu machen (vgl. Bifulco et al., 2021). Zugleich reichen einfache Schlagwortsuchen für die Vorqualifizierung oft nicht aus, weil relevante Anforderungen und Unternehmenskompetenzen sprachlich unterschiedlich formuliert sein können. Verfahren der semantischen Textähnlichkeit und des informationsgetriebenen Matchings bieten daher eine geeignete Grundlage, um den „Fit“ zwischen Ausschreibung und Unternehmensprofil belastbarer zu bewerten.

  Vor diesem Hintergrund adressiert das Projekt die Frage, wie ein nachvollziehbarer End-to-End-Prozess gestaltet werden kann, der öffentliche (IT-)Ausschreibungen automatisiert aus geeigneten Quellen extrahiert, Dubletten entfernt, inhaltlich analysiert und auf Basis eines strukturierten Unternehmensprofils für einen Praxispartner vorqualifiziert. Das Unternehmensprofil umfasst unter anderem bisherige Projekte, Beratungsschwerpunkte wie Handel, Stammdatenmanagement, RPA, HR-Beratung und Digitalisierung, relevante Kompetenzen sowie Stammdaten des Unternehmens. Geeignete Ausgangsquellen sind beispielsweise offizielle Ausschreibungsportale wie TED und service.bund.de.

  Darauf aufbauend soll eine generative KI einen ersten Antwort- bzw. Angebotsentwurf erstellen, der sich an hinterlegten Unternehmensinformationen orientiert und zentrale Anforderungen der Ausschreibung adressiert. Da Unternehmensdaten in der Praxis unvollständig oder veraltet sein können, ist zusätzlich ein Human-in-the-loop-Ansatz erforderlich (vgl. Meng, 2023): Mitarbeitende sollen den generierten Entwurf prüfen, fehlende Angaben ergänzen und Unternehmensinformationen gezielt aktualisieren. Diese validierten Informationen sollen persistiert werden, sodass eine belastbare Wissensbasis für spätere Ausschreibungen entsteht. Methodisch bietet sich eine Design-Science-Research-orientierte Vorgehensweise an (z. B. Tuunanen et al., 2024), da nicht nur ein technisches Artefakt entwickelt, sondern auch dessen Nutzen, Nachvollziehbarkeit und Grenzen untersucht werden sollen.

  Zielsetzung: Ziel des Projekts ist die Konzeption, prototypische Entwicklung und Evaluation einer KI-gestützten Lösung, die den Prozess von der Ausschreibungsfindung bis zum qualitätsgesicherten Antwortvorschlag für den Praxispartner integriert unterstützt. Die Qualität des Frontends steht dabei nicht im Vordergrund.

  Am Ende des Projekts soll ein funktionstüchtiger Prototyp vorliegen, der

  • öffentliche Ausschreibungen regelmäßig aus mindestens einer geeigneten Quelle extrahiert,
  • Dubletten erkennt und entfernt,
  • relevante Ausschreibungen auf Basis eines strukturierten Unternehmensprofils priorisiert,
  • einen ersten KI-gestützten Antwort- bzw. Angebotsentwurf erzeugt und
  • validierte Unternehmensinformationen persistent speichert
  • in Python mit gängigen librarys programmiert wurde
  • Die Anwendung als gekapselter Docker-basierter Microservice ermöglicht
  • Offene, nicht beantwortete Fragestellungen an den Nutzer ausgibt und die Antworten persistent speichert

  Anforderungen:

  • Erstellung eines Projektplans und Verteilung der Aufgaben auf die Gruppenmitglieder
  • Erstellung einer Anforderungsanalyse für den End-to-End-Prozess der Ausschreibungsidentifikation, Vorqualifizierung und Angebotsvorbereitung
  • Anforderungserhebung mit relevanten Stakeholdern des Praxispartners sowie Ableitung eines fachlichen und technischen Zielbilds
  • Solides hybrides/agiles Projektmanagement inklusive Product Backlog und Priorisierung
  • Entwicklung eines funktionstüchtigen Prototyps für Crawling, Matching und KI-gestützte Antwortgenerierung
  • Dokumentation von Datenmodell, Matching-Logik, Prompting-/Grounding-Ansatz sowie Human-in-the-loop-Konzept
  • Evaluation des Artefakts anhand geeigneter Qualitätskriterien, z. B. Relevanz der Vorschläge, Transparenz, Nutzbarkeit und Zeitersparnis

  Voraussetzungen:

  • Studierende der Fakultät für Informatik der Studiengänge Wirtschaftsinformatik oder Software Engineering im Bachelor mit mindestens 90 CP oder im Master (Standard/Pflicht)
  • Programmierkenntnisse in Python oder die Bereitschaft, sich in Python-basierte Web- und NLP-Entwicklung einzuarbeiten

  Literatur

  • Bifulco, I., Cirillo, S., Esposito, C., Guadagni, R., & Polese, G. (2021). An intelligent system for focused crawling from Big Data sources. Expert Systems with Applications, 184, 115560.
  • Meng, X. L. (2023). Data science and engineering with human in the loop, behind the loop, and above the loop. Harvard Data Science Review, 5(2).
  • Siciliani, L., Taccardi, V., Basile, P., Di Ciano, M., & Lops, P. (2023). AI-based decision support system for public procurement. Information systems, 119, 102284.
  • Siciliani, L., Ghizzota, E., Basile, P., & Lops, P. (2024). OIE4PA: open information extraction for the public administration. Journal of Intelligent Information Systems, 62(1), 273-294.
  • Tuunanen, T., Winter, R., & Brocke, J. V. (2024). Dealing with complexity in design science research: A methodology using design echelons. MIS quarterly, 48(2), 427-458.

• EPA-1-4, Sommersemester 2026, Betreuung: Hendrik Obertreis

  Stammdaten im ERP-System der Zukunft: KI-native Entwicklung einer innovativen Stammdaten-Erfassungsapplikation

  Die Enterprise Resource Planning (ERP) Landschaft steht angesichts steigender Dynamik, wachsender Integrationskomplexität und zunehmender Cloudisierung (Schütte & Kari, 2025) vor einem Umbruch: Klassische, historisch gewachsene Monolith-Systeme sind häufig schwer anpassbar, erzeugen Medienbrüche und erfordern einen hohen Ressourceneinsatz zur Anpassung. Insbesondere Individualisierungen stellen eine enorme Herausforderung vor dem Hintergrund der Cloud-First-Strategien führende ERP-Systemanbieter dar (Schütte, 2024). Vor diesem Hintergrund verfolgt die Everest-Systems GmbH (https://everest-systems.com) einen bewusst radikal neuen, KI-nativen ERP-Ansatz, der ERP-Entwicklung nicht als fortlaufende Pflege eines monolithischen Bestands versteht, sondern als modulare, Clean-Core-orientierte Produktplattform, in der generative künstliche Intelligenz (GenAI) nicht “obenauf” gesetzt wird, sondern als Fähigkeit im Systemkern verankert ist. Damit entsteht eine neuartige Entwicklungsperspektive: Statt Anforderungen nur manuell in Spezifikationen und Implementierungen zu überführen, rückt die GenAI-gestützte Konzeption und Entwicklung ganzer Module/Komponenten in Reichweite (Schütte & Kari, 2024) – was Entwicklungszeiten verkürzt und die Brücke zwischen Fachbereich und Entwicklung neu definiert. 

  Auch in modernen ERP-Systemen stellen hoch-qualitative Stammdaten das Fundament für erfolgreiche Geschäftsprozesse dar (Vilminko-Heikkinen & Pekkola, 2017). Stammdaten repräsentieren die grundlegenden, selten veränderten Daten in einem ERP-System dar (Otto et al., 2011). Im Rahmen dieses praxisgetriebenen Projektes soll eine ERP-Komponente entwickelt werden, mit der Artikelstammdaten erfasst werden können. Die Erfassung soll unter Einhaltung der Datenqualitätsanforderungen des Kunden auch für wenig versierte Systemnutzer möglich sein. Zugleich soll die Systemkomponente die Anlage von Dubletten durch einen Abgleich mit der vorliegenden Grundgesamtheit des Artikelstamms verhindern. Die Erfassten Artikelstammdaten sollen in der bestehenden IT-Systemlandschaft des Kunden verteilt werden.

  In Kooperation mit der Everest-Systems GmbH adressiert das Projekt daher die praxisgetriebene Problemstellung, wie in einem innovativen, GenAI-gestützten ERP-Entwicklungssetting eine intelligente Stammdaten-Erfassungskomponente so entworfen werden kann, dass sie Clean-Core-Prinzipien respektiert, möglichst benutzerfreundlich gestaltet ist, die hohen Qualitätsanforderungen an Artikelstammdaten des Kunden erfüllt und Dublettenfreiheit garantiert. Methodisch wäre eine Orientierung am eDSR-Modell empfehlenswert (siehe Tuunanen et al., 2024), um Designwissen abzuleiten.

  Als Ausgangsbasis wird Studierenden empfohlen, vor der Projektbewerbung das Everest-Video zur GenAI-Funktionalität zu betrachten (https://www.youtube.com/watch?v=sH4fSNrJRHs ). Mit einem Gmail-Account kann auch im Rahmen der freien Testversion das GenAI-System bis zum UI-Prototyp getestet werden (siehe https://tinyurl.com/yjnvtjwv).

  Zielsetzung: Ziel des Projekts ist die Requirements Engineering-getriebene Konzeption und prototypische Ausgestaltung einer innovativ neuen Stammdaten-Erfassungs-Komponente für ein ERP-Clean-Core-System in Kooperation mit Everest-Systems, wobei hochqualitative, dublettenfreie und benutzerfreundliche Anlage von Artikelstammdaten als Designprinzip im Mittelpunkt steht. 

  • Validiertes Requirements-Set (eDSR-orientiert) inkl. Funktionaler/nicht-funktionaler Anforderungen
  • GenAI-Epics & User-Stories mit kritischem Qualitäts- und Risiko-Review sowie Anpassung
  • Nachvollziehbares Lösungsdesign
  • Benutzerfreundliches Design und Erfüllung der Kundenanforderungen
  • Integration in eine (fiktive) IT-Systemlandschaft

  Anforderungen:

  • Erstellung eines Projektplans und Verteilung der Aufgaben auf die Gruppenmitglieder
  • Anforderungserhebung mit Stakeholdern und Ableitung relevanten Designwissens im Rahmen des eDSR-Modells
  • Solides hybrides/agiles Projektmanagement
  • Erstellung von Anforderungsanalysen, Product Backlog und Priorisierungen
  • Entwicklung einer funktionstüchtigen Stammdaten-Komponente basierend auf den Anforderungen

  Voraussetzungen:

  • Studierende der Fakultät für Informatik der Studiengänge Wirtschaftsinformatik oder Software Engineering im Bachelor mit mindestens 90 CP oder im Master (Standard/Pflicht)
  • Grundsätzliches Interesse sich mit GenAI-basierter Entwicklung auseinanderzusetzen

  Literatur

  • Otto B, Kokemüller J, Weisbecker A, Gizanis D (2011) Stammdatenmanagement: Datenqualität für Geschäftsprozesse. HMD Prax der Wirtschaftsinformatik 48:5–16.
  • Schütte, R., & Kari, M. (2025). Cloud Enterprise Systems–State of the Art und Herausforderungen für Unternehmen. HMD Praxis der Wirtschaftsinformatik, 62(1), 5-24.
  • Schütte, R., & Kari, M. (2024). Das Leistungspotential der Künstlichen Intelligenz im 21. Jahrhundert–eine Analyse unter Berücksichtigung von Machine Learning und seinem Einsatz in modernen ERP-Systemen. In Produktions- und Informationsmanagement: Festschrift für Prof. Dr. Stephan Zelewski (pp. 389-441). Wiesbaden: Springer Fachmedien Wiesbaden.
  • Schütte, R. (2024). The next generation of ERP systems: problems of traditional ERP-Systems and the next wave of really standardized ERP-Systems. Informing Possible Future Worlds-Essays in Honour of Ulrich Frank; Logos Verlag Berlin: Berlin, Germany, 427-451.
  • Tuunanen, T., Winter, R., & Brocke, J. V. (2024). Dealing with complexity in design science research: A methodology using design echelons. MIS quarterly, 48(2), 427-458.
  • Vilminko-Heikkinen R, Pekkola S (2017) Master data management and its organizational implementation: An ethnographical study within the public sector. J Enterp Inf Manag 30:454–475.

• EPA-1-5, Sommersemester 2026, Betreuung: Michael Harr

  Next-Gen HR im ERP-System der Zukunft: KI-native Entwicklung eines intelligenten Human Resource Information Systems

  Die Enterprise Resource Planning (ERP) Landschaft steht angesichts steigender Dynamik, wachsender Integrationskomplexität und zunehmender Cloudisierung (Schütte & Kari, 2025) vor einem Umbruch: Klassische, historisch gewachsene Monolith-Systeme sind häufig schwer anpassbar, erzeugen Medienbrüche, und erfordern einen hohen Ressourceneinsatz zur Anpassung. Insbesondere Individualisierungen stellen eine enorme Herausforderung der zu Grunde liegenden Softwaretechnologie dar (Schütte, 2024). Vor diesem Hintergrund verfolgt die Everest Systems GmbH (https://everest-systems.com) einen bewusst radikal neuen, KI-nativen ERP-Ansatz, der ERP-Entwicklung nicht als fortlaufende Pflege eines monolithischen Bestands versteht, sondern als modulare, Clean-Core-orientierte Produktplattform, in der generative künstliche Intelligenz (GenAI) nicht “obenauf” gesetzt wird, sondern als Fähigkeit im Systemkern verankert ist. Damit entsteht eine neuartige Entwicklungsperspektive: Statt Anforderungen nur manuell in Spezifikationen und Implementierungen zu überführen, rückt die GenAI-gestützte Konzeption und Entwicklung ganzer Module/Komponenten in Reichweite (Schütte & Kari, 2024) – was Entwicklungszeiten verkürzt und die Brücke zwischen Fachbereich und Entwicklung neu definiert. Gerade im HR-Kontext ist dieser Paradigmenwechsel besonders relevant, weil hier neben administrativen Standardprozessen (z. B. Vertragsabrechnung, Payroll, Zeiterfassung, Personalstammdatenpflege, etc.) hohe Kontextvariabilität und sensible personenbezogene Daten zu adressieren sind. Gleichzeitig verschiebt sich die strategische Rolle von HRIS: Statt Mitarbeitende primär als „Nummer“ zu verwalten, rückt die Fähigkeit in den Vordergrund, Kompetenzen sichtbar zu machen, Kompetenzlücken zu identifizieren und Weiterentwicklung systematisch zu unterstützen – Potenziale, die in vielen bestehenden HRIS trotz verfügbarer Technologien bislang nur begrenzt ausgeschöpft werden (Harr et al., 2025). In Kooperation mit der Everest-Systems GmbH adressiert das Projekt daher die Problemstellung, wie in einem innovativen, GenAI-gestützten ERP-Entwicklungssetting eine intelligente HRIS-Komponente so entworfen werden kann, dass sie Clean-Core-Prinzipien respektiert, kompetenzzentrierte Wertschöpfung ermöglicht und Anforderungen methodisch belastbar absichert. Methodisch wäre eine Orientierung am eDSR-Modell empfehlenswert (siehe Tuunanen et al., 2024), um Designwissen abzuleiten.

  Als Ausgangsbasis wird Studierenden empfohlen, vor der Projektbewerbung das Everest-Video zur GenAI-Funktionalität zu betrachten (https://www.youtube.com/watch?v=sH4fSNrJRHs ). Mit einem Gmail-Account kann auch im Rahmen der freien Testversion das GenAI-System bis zum UI-Prototyp getestet werden (siehe https://tinyurl.com/yjnvtjwv).

  Zielsetzung: Ziel des Projekts ist die Requirements Engineering-getriebene Konzeption und prototypische Ausgestaltung einer innovativ neuen HRIS-Komponente für ein ERP-Clean-Core-System in Kooperation mit Everest-Systems, wobei Kompetenzen der Mitarbeitenden und deren Weiterentwicklung als zentrales Designprinzip im Mittelpunkt stehen.

  • Validiertes Requirements-Set (eDSR-orientiert) inkl. Funktionaler/nicht-funktionaler Anforderungen
  • GenAI-Epics & User-Stories mit kritischem Qualitäts- und Risiko-Review sowie Anpassung
  • Nachvollziehbares Lösungsdesign

  Anforderungen: 

  • Erstellung eines Projektplans und Verteilung der Aufgaben auf die Gruppenmitglieder
  • Anforderungserhebung mit Stakeholdern und Ableitung relevanten Designwissens im Rahmen des eDSR-Modells
  • Solides hybrides/agiles Projektmanagement
  • Erstellung von Anforderungsanalysen, Product Backlog und Priorisierungen
  • Entwicklung einer funktionstüchtigen HRIS-Komponente basierend auf den Anforderungen

  Voraussetzungen:

  • Studierende der Fakultät für Informatik der Studiengänge Wirtschaftsinformatik oder Software Engineering im Bachelor mit mindestens 90 CP oder im Master (Standard/Pflicht)
  • Grundsätzliches Interesse sich mit GenAI-basierter Entwicklung auseinanderzusetzen

  Literatur

  • Harr, M. D., Obertreis, H., & Schütte, R. (2025). Quo Vadis Human Resource Information Systems: von einem administrativen Prozess-hin zu einem strategischen Kompetenzverständnis. HMD Praxis der Wirtschaftsinformatik, 62(1), 118-133.
  • Schütte, R., & Kari, M. (2025). Cloud Enterprise Systems–State of the Art und Herausforderungen für Unternehmen. HMD Praxis der Wirtschaftsinformatik, 62(1), 5-24.
  • Schütte, R., & Kari, M. (2024). Das Leistungspotential der Künstlichen Intelligenz im 21. Jahrhundert–eine Analyse unter Berücksichtigung von Machine Learning und seinem Einsatz in modernen ERP-Systemen. In Produktions- und Informationsmanagement: Festschrift für Prof. Dr. Stephan Zelewski (pp. 389-441). Wiesbaden: Springer Fachmedien Wiesbaden.
  • Schütte, R. (2024). The next generation of ERP systems: problems of traditional ERP-Systems and the next wave of really standardized ERP-Systems. Informing Possible Future Worlds-Essays in Honour of Ulrich Frank; Logos Verlag Berlin: Berlin, Germany, 427-451.
  • Tuunanen, T., Winter, R., & Brocke, J. V. (2024). Dealing with complexity in design science research: A methodology using design echelons. MIS quarterly, 48(2), 427-458.

• EPA-1-6, Sommersemester 2026, Betreuung: Luisa Strelow

  Design and Evaluation of UI Features for AI-Assisted Decision Support in Enterprise Dashboards

  Enterprise systems (ES) are critical for supporting business processes and organizational decision-making (Schütte & Kari, 2025). Within these systems, dashboards serve as key interfaces for monitoring organizational performance by providing an overview of relevant business metrics, such as key performance indicators (KPIs; Noonpakdee et al., 2018). However, many existing enterprise dashboards primarily focus on visualizing data rather than supporting users in interpreting the information or deriving actionable recommendations. Consequently, users often need to identify anomalies and trends in KPIs and determine potential problems as well as their underlying causes on their own. As a result, dashboards often provide only limited support for decision-making. At the same time, recent technological developments, particularly the increasing integration of artificial intelligence (AI) into ES, are fundamentally reshaping both system architectures and interaction paradigms.

  For instance, the startup Everest Systems GmbH (https://everest-systems.com) has been developing an AI-native ERP solution that enables business users to specify business processes from a conceptual perspective, while AI supports in defining requirements and automatically generates the corresponding code. Such systems enable new forms of AI-assisted decision support, for example, through proactive alerts, automated KPI interpretations, or contextual recommendations. Particularly in light of increased data complexity and the growing integration of machine learning models in application systems, prior research argues that “user interfaces must evolve from static dashboards to dynamic, adaptive environments enabling real-time exploration, transparency, and trust” (Dritsas et al., 2025, p. 61). In cooperation with Everest Systems GmbH, this project provides the opportunity to design, implement, and evaluate different UI features for AI-assisted decision support in enterprise dashboards.

  Project Objectives: The goal of this project is to design, implement, and evaluate UI features that enable AI-assisted decision support in enterprise dashboards. More specifically, the project aims to:

  • Identify UI features for AI-assisted decision support in the literature and industry
  • Implement different dashboard-versions with identified UI features using the ERP platform provided by Everest Systems
  • Evaluate the different UI features through a survey to assess the perceived usefulness and usability

  The steps for achieving these goals should be based on the Design Science Research Methodology by Peffers et al. (2014).

  Project Requirements:

  • Development of a project plan and assignment of tasks to group members
  • Hybrid/Agile project management
  • Requirements gathering, analysis, and a derived product backlog with prioritizations
  • Implementation of dashboards with different UI features
  • Thorough documentation of the development process
  • Designing and conducting a survey
  • Critical reflection on AI-assisted decision-making for the respective UI features and the experiences gained with AI-based software development

  Prerequisites:

  • Students of the Faculty of Computer Science in the Bachelor’s programs in Business Informatics or Software Engineering with at least 90 CP or in the Master’s program (standard/compulsory)

  Literatur

  • Dritsas, E., Trigka, M., Vonitsanos, G., & Mylonas, P. (2025). Human-Computer Interaction in the Big Data Era: Systems, Cognition, and Interactive Intelligence. In CHIGreece ’25: Proceedings of the 3rd International Conference of the ACM Greek SIGCHI Chapter. https://doi.org/10.1145/3749012.3749070
  • Noonpakdee, W., Khunkornsiri, T., Phothichai, A., & Danaisawat, K. (2018). A Framework for Analyzing and Developing Dashboard Templates for Small and Medium Enterprises. 2018 5th International Conference on Industrial Engineering and Applications (ICIEA), 479–483. https://doi.org/10.1109/iea.2018.8387148
  • Peffers, K., Tuunanen, T., Rothenberger, M. A., & Chatterjee, S. (2007). A Design Science Research Methodology for Information Systems Research. Journal of Management Information Systems, 24(3), 45–77. https://doi.org/10.2753/mis0742-1222240302
  • Schütte, R., & Kari, M. (2025). Cloud Enterprise Systems – State of the Art und Herausforderungen für Unternehmen. HMD Praxis Der Wirtschaftsinformatik, 62(1), 5–24. https://doi.org/10.1365/s40702-025-01141-3

• EPA-1-7, Sommersemester 2026, Betreuung: Dr. Christina Strauß

  Prototypisches Dashboard zur Messung von Nutzungsintensität und Akzeptanz neuer KI-Funktionen im Unternehmenskontext

  Unternehmen integrieren zunehmend KI-basierte Funktionen in ihre Unternehmenssysteme, beispielsweise zur Inhaltserstellung, Entscheidungsunterstützung oder Prozessassistenz. Der Erfolg solcher Funktionen lässt sich jedoch nicht hinreichend über reine Nutzungszahlen erfassen. In der IS-Forschung gilt Nutzung seit Langem nicht als hinreichender Erfolgsindikator, da sie zwar sichtbar macht, dass ein System verwendet wird, aber nicht, ob es als nützlich wahrgenommen wird, Akzeptanz erzeugt oder zu positiven Nettoeffekten führt (Davis, 1989; DeLone & McLean, 2003; Venkatesh et al., 2003).

  Damit ergibt sich eine Forschungslücke hinsichtlich bewertungsorientierter Metriken für neue KI-Funktionalitäten, die über reine Nutzungskennzahlen hinausgehen und Akzeptanz sowie tatsächliche Wirkung im Arbeitskontext abbilden. Gerade bei neuen KI-Funktionalitäten kann eine hohe Nutzung zunächst auf Sichtbarkeit und operative Anschlussfähigkeit hindeuten, ohne dass daraus nachhaltige Produktivitätsgewinne folgen. Produktivitätseffekte digitaler Technologien und insbesondere von KI entstehen typischerweise nicht automatisch durch Bereitstellung oder Nutzung allein, sondern hängen von komplementären Investitionen, organisationaler Anpassung, Prozessintegration und Lernprozessen ab. Hinter intensiver Nutzung können sich daher auch verdeckte Aufwände oder ausbleibende Nettoeffekte verbergen, etwa zusätzlicher Prüf- und Korrekturaufwand, unzureichende Einbettung in Arbeitsabläufe oder eine Nutzung, die zwar häufig ist, aber keine entsprechende Verbesserung der Arbeitsergebnisse erzeugt (in Anlehnung an Brynjolfsson, Rock, & Syverson, 2021).

  Für eine fundierte Bewertung neuer KI-Funktionen genügt es daher nicht, Nutzung zu messen. Erforderlich ist vielmehr eine integrierte Betrachtung von Nutzungsintensität, wahrgenommener Nützlichkeit, Vertrauen und den tatsächlich erzielten Wirkungen im Arbeitskontext. Vor diesem Hintergrund zielt das Projekt auf die Konzeption und prototypische Entwicklung eines Dashboards, das Nutzungsdaten mit zentralen Akzeptanzindikatoren und Wirkungskriterien verbindet und damit eine fundiertere Bewertung der Einführung neuer KI-Funktionen in Unternehmenssystemen ermöglicht.

  Zielsetzung: Ziel des Projekts ist die Konzeption und prototypische Entwicklung eines Dashboards, das Nutzungsintensität und Akzeptanz neuer KI-Funktionen in Unternehmenssystemen integriert abbildet und dadurch eine fundierte Steuerung von Einführung, Rollout und Weiterentwicklung unterstützt. Am Ende des Projekts soll ein nachvollziehbar konzipierter und prototypisch ausgearbeiteter Dashboard-Ansatz vorliegen, der relevante Nutzungs- und Akzeptanzindikatoren in geeigneter Weise zusammenführt und adressatengerecht visualisiert.

  • Anforderungsanalyse für ein Dashboard zur Messung von Nutzung und Akzeptanz neuer KI-Funktionen
  • Entwicklung eines Mess- und Visualisierungskonzepts
  • Prototypische Umsetzung eines Dashboards
  • Bewertung der Aussagekraft und Grenzen des Artefakts

  Anforderungen:

  • Erstellung eines Projektplans und Verteilung der Aufgaben auf die Gruppenmitglieder
  • Anforderungserhebung mit relevanten Stakeholdern und Ableitung relevanten Designwissens
  • Erstellung einer Anforderungsanalyse inklusive funktionaler und nicht-funktionaler Anforderungen
  • Entwicklung eines fachlichen Messkonzepts für Nutzungsintensität und Akzeptanz neuer KI-Funktionen
  • Konzeption geeigneter Kennzahlen, Datenquellen und Visualisierungslogiken
  • Entwicklung eines funktionstüchtigen Dashboard-Prototyps oder klickbaren UI-Prototyps basierend auf den Anforderungen
  • Kritische Reflexion von Aussagekraft, Grenzen und Einsatzbedingungen des entwickelten Artefakts

  Voraussetzungen:

  • Studierende der Fakultät für Informatik der Studiengänge Wirtschaftsinformatik oder Software Engineering im Bachelor mit mindestens 90 CP oder im Master (Standard/Pflicht)
  • Grundsätzliches Interesse sich mit GenAI-basierter Entwicklung auseinanderzusetzen

  Literatur

  • Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319-340.
  • Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of information technology: Toward a unified view. MIS Quarterly, 27(3), 425-478.
  • DeLone, W. H., & McLean, E. R. (2003). The DeLone and McLean model of information systems success: A ten-year update. Journal of Management Information Systems, 19(4), 9-30.
  • Brynjolfsson, E., Rock, D., & Syverson, C. (2021). The productivity J-curve: How intangibles complement general purpose technologies. American Economic Journal: Macroeconomics, 13(1), 333-372.

• EPA-1-8, Sommersemester 2026, Betreuung: Frederik Hendricks

  Next-gen HR in the ERP system of the future: AI-native development of an intelligent human resource information system

  The enterprise resource planning (ERP) landscape is facing radical change in the face of increasing dynamism, growing integration complexity, and increasing cloudification (Schütte & Kari, 2025): Classic, historically grown monolithic systems are often difficult to adapt, create media breaks, and require a high level of resources for adaptation. Customization in particular poses an enormous challenge for the underlying software technology (Schütte, 2024). Against this backdrop, Everest-Systems GmbH is pursuing a deliberately radical new, AI-native ERP approach that views ERP development not as the ongoing maintenance of a monolithic inventory, but as a modular, clean-core-oriented product platform in which generative artificial intelligence (GenAI) is not placed “on top” but is anchored as a capability in the system core. This opens up a new development perspective: instead of simply converting requirements manually into specifications and implementations, GenAI-supported design and development of entire modules/components is now within reach (Schütte & Kari, 2024) – shortening development times and redefining the bridge between specialist departments and development. However, the evaluation of those modules is still up to the stakeholder and customers. This paradigm shift is particularly relevant in the HR context because, in addition to standard administrative processes (e.g., contract billing, payroll, time recording, personnel master data maintenance, etc.), high context variability and sensitive personal data must be addressed. At the same time, the strategic role of HRIS is shifting: instead of primarily managing employees as “numbers,” the focus is shifting to the ability to make skills visible, identify skill gaps, and systematically support further development – potential that has so far only been exploited to a limited extent in many existing HRIS systems, despite the available technologies (Harr et al., 2025). In cooperation with Everest-Systems GmbH, the project therefore addresses the problem of how an intelligent HRIS component can be designed in an innovative, GenAI-supported ERP development setting in such a way that it respects clean core principles, enables competence-centered value creation, and methodically ensures requirements are met. Methodologically, it would be advisable to use the eDSR model (see Tuunanen et al., 2024) as a guide for deriving design knowledge.

  As a starting point, students are advised to watch the Everest video on GenAI functionality (https://www.youtube.com/watch?v=sH4fSNrJRHs) before applying for the project. With a Gmail account, the GenAI system can also be tested up to the UI prototype as part of the free trial version (see https://tinyurl.com/yjnvtjwv ).

  Project Objectives: Ziel des Projekts ist die Konzeption, prototypische Ausgestaltung und umfassende Evaluation einer innovativ neuen HRIS-Komponente für ein ERP-Clean-Core-System in Kooperation mit Everest-Systems, wobei Kompetenzen der Mitarbeitenden und deren Weiterentwicklung als zentrales Designprinzip im Mittelpunkt stehen.

  • Angemessenes Set an Anforderungen und Spezifikation
  • Umfassende Evaluation der Anwendung inkl. Funktionalitätstest, Interviews mit Stakeholdern (Proof of Value)
  • Kritische Betrachtung des entwickelten Artefakts

  Requirements:

  • Erstellung eines Projektplans und Verteilung der Aufgaben auf die Gruppenmitglieder
  • Anforderungserhebung mit Stakeholdern
  • Evaluation der entwickelten Applikation durch umfassende Analyse des Proof of Value
  • Entwicklung einer funktionstüchtigen HRIS-Komponente basierend auf den Anforderungen

  Prerequisites:

  • Studierende der Fakultät für Informatik der Studiengänge Wirtschaftsinformatik oder Software Engineering im Bachelor mit mindestens 90 CP oder im Master (Standard/Pflicht)
  • Grundsätzliches Interesse sich mit GenAI-basierter Entwicklung auseinanderzusetzen

  Literatur

  • Harr, M. D., Obertreis, H., & Schütte, R. (2025). Quo Vadis Human Resource Information Systems: von einem administrativen Prozess-hin zu einem strategischen Kompetenzverständnis. HMD Praxis der Wirtschaftsinformatik, 62(1), 118-133.
  • Schütte, R., & Kari, M. (2025). Cloud Enterprise Systems–State of the Art und Herausforderungen für Unternehmen. HMD Praxis der Wirtschaftsinformatik, 62(1), 5-24.
  • Schütte, R., & Kari, M. (2024). Das Leistungspotential der Künstlichen Intelligenz im 21. Jahrhundert–eine Analyse unter Berücksichtigung von Machine Learning und seinem Einsatz in modernen ERP-Systemen. In Produktions- und Informationsmanagement: Festschrift für Prof. Dr. Stephan Zelewski (pp. 389-441). Wiesbaden: Springer Fachmedien Wiesbaden.
  • Schütte, R. (2024). The next generation of ERP systems: problems of traditional ERP-Systems and the next wave of really standardized ERP-Systems. Informing Possible Future Worlds-Essays in Honour of Ulrich Frank; Logos Verlag Berlin: Berlin, Germany, 427-451.
  • Tuunanen, T., Winter, R., & Brocke, J. V. (2024). Dealing with complexity in design science research: A methodology using design echelons. MIS quarterly, 48(2), 427-458.

• EPA-1-9, Sommersemester 2026, Betreuung: Clemens Brackmann

  From Static Lists to Intelligent Pricing: A GenAI-Supported ERP Prototype for Dynamic Price Management

  The enterprise resource planning (ERP) landscape is facing radical change in the face of increasing dynamism, growing integration complexity, and increasing cloudification (Schütte & Kari, 2025): Classic, historically grown monolithic systems are often difficult to adapt, create media breaks, and require a high level of resources for adaptation. Customization in particular poses an enormous challenge for the underlying software technology (Schütte, 2024). Against this backdrop, Everest-Systems GmbH is pursuing a deliberately radical new, AI-native ERP approach that views ERP development not as the ongoing maintenance of a monolithic inventory, but as a modular, clean-core-oriented product platform in which generative artificial intelligence (GenAI) is not placed “on top” but is anchored as a capability in the system core. This opens up a new development perspective: instead of simply converting requirements manually into specifications and implementations, GenAI-supported design and development of entire modules/components is now within reach (Schütte & Kari, 2024) – shortening development times and redefining the bridge between specialist departments and development. However, the evaluation of those modules is still up to the stakeholder and customers. This paradigm shift is particularly relevant in the context of pricing management. Pricing is one of the most strategically critical levers in retail and product management. Yet most ERP systems still treat it as a static, manually maintained parameter rather than an intelligent, data-driven capability. Dynamic markets, volatile demand, and increasing competitive pressure demand pricing components that can adapt in real time, anticipate demand shifts, and execute pre-defined strategies autonomously. These requirements are difficult to meet in monolithic ERP architectures, but represent an ideal application case for the modular, GenAI-native approach that Everest pursues. The implementation of this project should consider the pricing management process proposed by Simon & Fassnacht (2016).

  In cooperation with Everest Systems GmbH, students will therefore develop a Pricing Management Prototype that covers three core functionalities: (1) dynamic adjustment of product prices through a user-friendly interface, (2) AI-generated demand forecasts that estimate expected sales volumes based on pricing decisions, and (3) automated execution of pre-configured pricing strategies, which need to be identified through literature or industry research, triggered by defined rules or thresholds. GenAI plays a dual role: as a development tool, supporting requirements specification and UI prototyping via Everest's AiSpecify approach, and as a runtime capability, powering demand forecasting explanations and pricing recommendations through natural language interaction. The prototype must respect clean-core principles, ensuring the pricing component remains modular and decoupled from the ERP core. Methodologically, students are advised to follow the eDSR model (Tuunanen et al., 2024) as a guide for deriving and evaluating design knowledge across iterative prototype cycles.

  As a starting point, students are advised to watch the Everest video on GenAI functionality (https://www.youtube.com/watch?v=sH4fSNrJRHs ) before applying for the project. With a Gmail account, the GenAI system can also be tested up to the UI prototype as part of the free trial version (see https://tinyurl.com/yjnvtjwv ).

  Project Objectives: The goal of this project is to design, implement, and evaluate features that are based on the price management process and enable retailers to closely monitor their own strategy and prices within dynamic markets:

  • Identify pricing strategies, their core components, and influencing factors in the literature and industry.
  • Application Implementation and Evaluation including Proof of Value
  • Critical reflection of the artefact

  Project Requirements:

  • Development of a project plan and assignment of tasks to group members
  • Derivation of requirements and adherence to requirements engineering
  • Thorough documentation of the development process
  • Designing and execution of an evaluation strategy
  • Functional application supporting the price management process

  Prerequisites:

  • Students of the Faculty of Computer Science in the Bachelor’s programs in Business Informatics or Software Engineering with at least 90 CP or in the Master’s program (standard/compulsory)

  Literatur

  • Schütte, R., & Kari, M. (2025). Cloud Enterprise Systems–State of the Art und Herausforderungen für Unternehmen. HMD Praxis der Wirtschaftsinformatik, 62(1), 5-24.
  • Schütte, R., & Kari, M. (2024). Das Leistungspotential der Künstlichen Intelligenz im 21. Jahrhundert–eine Analyse unter Berücksichtigung von Machine Learning und seinem Einsatz in modernen ERP-Systemen. In Produktions- und Informationsmanagement: Festschrift für Prof. Dr. Stephan Zelewski (pp. 389-441). Wiesbaden: Springer Fachmedien Wiesbaden.
  • Schütte, R. (2024). The next generation of ERP systems: problems of traditional ERP-Systems and the next wave of really standardized ERP-Systems. Informing Possible Future Worlds-Essays in Honour of Ulrich Frank; Logos Verlag Berlin: Berlin, Germany, 427-451.
  • Simon, M. F. H., & SCHMI, A. K. (2016). Preismanagement. Springer Fachmedien Wiesbaden.
  • Tuunanen, T., Winter, R., & Brocke, J. V. (2024). Dealing with complexity in design science research: A methodology using design echelons. MIS quarterly, 48(2), 427-458.

Bewerbung: https://softec.ris.uni-due.de/studium/studienprojekte/#c94724 

Liste der möglichen konkreten Themen:

• SOFTEC-1-1, Sommersemester 2026, Betreuung: Robert Woroch

  PlatformVerse – Visualisierung digitaler Plattformökosysteme in 3D

  Digitale Plattformökosysteme wie Amazon Marketplace, Apple App Store oder OpenAI sind durch eine hohe strukturelle Komplexität gekennzeichnet. In ihnen interagieren verschiedene Akteursgruppen über Wertflüsse, technische Schnittstellen und Governance-Mechanismen, die sich wechselseitig beeinflussen. Für Forschung und Praxis besteht das Problem, dass diese Zusammenhänge bislang nur schwer integriert analysiert und kommuniziert werden können. Vorhandene Darstellungen fokussieren häufig entweder auf Akteure und Transaktionen oder auf einzelne Governance-Aspekte, ohne beide Perspektiven systematisch zusammenzuführen. Dadurch wird es erschwert, Plattformökosysteme konsistent zu modellieren, Unterschiede zwischen Plattformen nachvollziehbar herauszuarbeiten und die Wirkungen von Gestaltungsentscheidungen transparent zu machen. Gerade für Plattformmanager, Forschende und Studierende fehlt damit ein anschauliches Werkzeug, das komplexe Ökosystemstrukturen verständlich visualisiert und zugleich eine strukturierte Modellierung unterstützt. Hinzu kommt, dass bestehende Modellierungsansätze für viele potenzielle Nutzer eine hohe Einstiegshürde aufweisen. Es besteht daher Bedarf an einem Werkzeug, das komplexe Plattformökosysteme integrierter, zugänglicher und interaktiver erfassbar macht und sich zugleich anhand realer Plattformfälle anschaulich demonstrieren lässt.

  Zielsetzung: Ziel des Projekts ist die Entwicklung eines prototypischen Modellierungswerkzeugs zur Analyse digitaler Plattformökosysteme. Das Werkzeug soll komplexe Plattformstrukturen visuell darstellen und durch natürliche Sprache modellierbar machen. Neben der technischen Umsetzung steht insbesondere die Anwendung des Werkzeugs auf reale Plattformfälle im Mittelpunkt. Dadurch soll demonstriert werden, wie Plattformökosysteme strukturiert analysiert und modelliert werden können. Die Projektgruppe entwickelt zunächst ein Anforderungskonzept auf Basis einer Literaturrecherche und konzipiert anschließend eine visuelle 3D-Syntax zur Darstellung von Wertnetzwerken und Governance-Mechanismen. Darauf aufbauend wird ein Prototyp implementiert, der natürliche Spracheingaben verarbeitet und daraus Modellinstanzen erzeugt. Zur Demonstration werden mehrere reale Plattformökosysteme modelliert. Der Prototyp wird anschließend mit Experten aus Forschung und Praxis evaluiert. Auf Basis dieser Evaluation werden Design Principles für zukünftige Modellierungswerkzeuge und für die Weiterentwicklung entsprechender Modellierungsansätze abgeleitet.

  Anforderungen: 

  • Dokumentation des Projekts
  • Erstellen eines Projektplans und Verteilung der Aufgaben auf die Gruppenmitglieder mit Projektmanagement
  • Präsentation der Projektergebnisse in Zwischen- und Endpräsentationen
  • Fähigkeit zur strukturierten Literatur- und Case-Recherche zu Plattformökosystemen
  • Interesse an Visualisierung und prototypischer Implementierung von Analysewerkzeugen
  • Bereitschaft zur Durchführung von Experteninterviews zur Evaluation

  Literatur

  • Adner, R. (2017). Ecosystem as structure: An actionable construct for strategy. Journal of Management, 43(1), 39–58.
  • Hein, A., Schreieck, M., Riasanow, T., Soto Setzke, D., Wiesche, M., Böhm, M., & Krcmar, H. (2020). Digital platform ecosystems. Electronic Markets, 30(1), 87–98.
  • Nickerson, R. C., Varshney, U., & Muntermann, J. (2013). A method for taxonomy development and its application in information systems. European Journal of Information Systems, 22(3), 336–359.
  • Tiwana, A. (2014). Platform ecosystems: Aligning architecture, governance, and strategy. Morgan Kaufmann.
  • Wulfert, T., Woroch, R., et al. (2024). Follow the flow: Value flows in digital platform ecosystems.

• SOFTEC-1-2, Sommersemester 2026, Betreuung: Robert Woroch

  Governance Impact Navigator – Erkundung strategischer Plattformentscheidungen

  Plattformbetreiber steuern ihr Ökosystem über Governance-Mechanismen wie Anreizsysteme, Kontrollmechanismen, Zugangsregeln oder technische Schnittstellen. Diese Entscheidungen beeinflussen maßgeblich, wie sich Komplementoren verhalten, wie attraktiv eine Plattform für neue Teilnehmer ist und wie sich Qualität, Umsatz oder Wachstum entwickeln. In der Praxis besteht jedoch das Problem, dass die Folgen solcher Governance-Entscheidungen nur schwer systematisch abgeschätzt werden können. Einzelne Mechanismen sind zwar in der Literatur beschrieben, ihre Wirkungen auf das Ökosystem werden jedoch häufig isoliert betrachtet und selten in einer Form aufbereitet, die Managemententscheidungen direkt unterstützt. Plattformmanager und Plattformdesigner verfügen damit oft über kein geeignetes Werkzeug, um alternative Governance-Optionen strukturiert zu vergleichen, potenzielle Wirkungen interaktiv zu explorieren und daraus konkrete Orchestrierungsstrategien abzuleiten. Besonders herausfordernd ist dies in dynamischen Plattformmärkten, in denen kleine Änderungen an Regeln oder Schnittstellen deutliche Folgen für Teilnehmerwachstum, Multi-Homing, Plattformqualität oder Erlösmodelle haben können. Es besteht daher Bedarf an einem KI-gestütztem Entscheidungsunterstützungssystem, das Governance-Wissen bündelt, reale Plattformfälle einbezieht und die Entwicklung fundierter Governance-Strategien erleichtert.

  Zielsetzung: Ziel des Projekts ist die Entwicklung eines Prototyps, der Plattformmanager bei Governance-Entscheidungen unterstützt. Das Werkzeug soll Governance-Mechanismen systematisch erfassen und deren potenzielle Auswirkungen auf Plattformökosysteme interaktiv darstellbar machen. Dazu baut die Projektgruppe zunächst eine Wissensbasis aus Literatur und realen Plattformfällen auf. Auf dieser Grundlage wird ein Navigator entwickelt, mit dem Governance-Szenarien analysiert werden können. Nutzer können beispielsweise Änderungen an Governance-Mechanismen simulieren und mögliche Auswirkungen auf Teilnehmerwachstum, Plattformqualität oder Umsatzentwicklung explorieren. Der Prototyp wird anhand realer Plattformfälle demonstriert und anschließend in Experteninterviews eingesetzt. Plattformmanager oder Plattformdesigner können dabei alternative Governance-Strategien für ihr Ökosystem durchspielen. Auf Basis dieser Diskussionen sollen mögliche Governance-Roadmaps zur Weiterentwicklung eines Plattformökosystems entwickelt werden.

  Anforderungen:

  • Dokumentation des Projekts
  • Erstellen eines Projektplans und Verteilung der Aufgaben auf die Gruppenmitglieder mit Projektmanagement
  • Präsentation der Projektergebnisse in Zwischen- und Endpräsentationen
  • Fähigkeit zur strukturierten Literatur- und Case-Recherche zu Plattform-Governance
  • Interesse an Entscheidungsunterstützungssystemen und Visualisierung komplexer Zusammenhänge
  • Bereitschaft zur Durchführung von Experteninterviews mit Plattformexperten

  Literatur

  • Adner, R. (2017). Ecosystem as structure: An actionable construct for strategy. Journal of Management, 43(1), 39–58.
  • Hein, A., Schreieck, M., Riasanow, T., Soto Setzke, D., Wiesche, M., Böhm, M., & Krcmar, H. (2020). Digital platform ecosystems. Electronic Markets, 30(1), 87–98.
  • Tiwana, A. (2014). Platform ecosystems: Aligning architecture, governance, and strategy. Morgan Kaufmann.
  • Wareham, J., Fox, P., & Cano Giner, J. L. (2014). Technology ecosystem governance. Organization Science, 25(4), 1195–1215.
  • Staub, N., et al. (2022). Platform pricing and governance mechanisms.

• SOFTEC-1-3, Sommersemester 2026, Betreuung: Robert Woroch

  AI Platform Observatory – Governance in der GenAI-Ökonomie verstehen

  Plattformen für generative KI wie OpenAI, Hugging Face oder Anthropic entwickeln sich derzeit zu zentralen Infrastrukturen für die Entwicklung digitaler Anwendungen. Gleichzeitig verändern sich ihre Governance Mechanismen in kurzer Taktung, etwa durch neue API-Regeln, Preismodelle, Zugangsbedingungen, Zertifizierungsprozesse oder technische Schnittstellen. Für Forschung und Praxis besteht das Problem, dass diese Mechanismen bislang weder systematisch dokumentiert noch in einer strukturierten Form vergleichbar gemacht werden. Dadurch fehlt eine belastbare empirische Grundlage, um Governance auf GenAI-Plattformen zu analysieren und konzeptionell einzuordnen. Hinzu kommt, dass öffentlich beobachtbare Änderungen nur einen Teil des Gesamtbildes zeigen, während die Perspektive tatsächlicher Plattformnutzer, etwa von Entwicklern, Start-ups, Unternehmen oder Creator-Akteuren, oft unzureichend berücksichtigt wird. Für die Entwicklung einer Taxonomie von Governance-Mechanismen im GenAI-Kontext ist dies besonders problematisch, da dafür sowohl konzeptionelle Klarheit als auch empirisch fundierte und iterativ überprüfte Kategorien erforderlich sind. Es besteht daher Bedarf an einer systematischen Wissensbasis, die Governance Mechanismen über mehrere Plattformen hinweg erfasst, Nutzerperspektiven einbezieht und als Grundlage für eine schrittweise Taxonomieentwicklung nach Nickerson und Kundisch dient.

  Zielsetzung: Ziel des Projekts ist der Aufbau einer empirischen Wissensbasis für Governance-Mechanismen in GenAI Plattformökosystemen, die als Grundlage für eine Taxonomieentwicklung nach Nickerson und Kundisch dient. Ausgangspunkt ist eine erste konzeptionelle Struktur möglicher Governance-Dimensionen auf Basis bestehender Literatur. Diese Struktur wird anschließend empirisch überprüft und iterativ weiterentwickelt. Die Projektgruppe identifiziert Governance-Mechanismen realer GenAI-Plattformen und dokumentiert diese in einer strukturierten Knowledge Base. Zur Skalierung der Datenerhebung wird ein KI-Agent entwickelt, der automatisiert weitere Governance-Mechanismen aus öffentlich zugänglichen Quellen identifiziert. Ergänzend werden Interviews mit Nutzern dieser Plattformen durchgeführt, etwa Entwicklern, Start-ups oder Unternehmen, die Anwendungen auf diesen Plattformen entwickeln. Die Interviewdaten werden KI-gestützt codiert, um weitere Mechanismen und Dimensionen zu identifizieren. Auf Basis dieser empirischen Erkenntnisse wird die Taxonomiestruktur über mehrere Iterationen verfeinert und anschließend an zusätzlichen Plattformfällen überprüft. Ziel ist eine empirisch fundierte Vorstruktur für eine Taxonomie von Governance-Mechanismen in GenAI-Plattformökosystemen.

  Anforderungen: 

  • Dokumentation des Projekts
  • Erstellen eines Projektplans und Verteilung der Aufgaben auf die Gruppenmitglieder mit Projektmanagement
  • Präsentation der Projektergebnisse in Zwischen- und Endpräsentationen
  • Fähigkeit zur systematischen Recherche zu GenAI-Plattformen und Governance-Mechanismen
  • Interesse an qualitativer Datenanalyse und KI-gestützter Codierung
  • Bereitschaft zur Durchführung von Interviews mit Nutzern von GenAI-Plattformen

  Literatur

  • Adner, R. (2017). Ecosystem as structure: An actionable construct for strategy. Journal of Management, 43(1), 39–58.
  • Hein, A., Schreieck, M., Riasanow, T., Soto Setzke, D., Wiesche, M., Böhm, M., & Krcmar, H. (2020). Digital platform ecosystems. Electronic Markets, 30(1), 87–98.
  • Nickerson, R. C., Varshney, U., & Muntermann, J. (2013). A method for taxonomy development and its application in information systems. European Journal of Information Systems, 22(3), 336–359.
  • Tiwana, A. (2014). Platform ecosystems: Aligning architecture, governance, and strategy. Morgan Kaufmann.
  • Parker, G., Van Alstyne, M., & Choudary, S. (2016). Platform revolution. Norton.

• SOFTEC-1-4, Sommersemester 2026, Betreuung: Florian Holldack

  Promoted to Teammate – Agentic AI in der agilen Softwareentwicklung

  In der modernen Softwareentwicklung stehen Teams vor komplexen Herausforderungen, die durch steigende Anforderungen, kürzere Entwicklungszyklen und die Notwendigkeit kontinuierlicher Innovation geprägt sind. Agile Methoden wie Scrum haben sich als effektive Rahmenwerke etabliert, um diesen Herausforderungen zu begegnen, indem sie iterative Entwicklung, Zusammenarbeit und Flexibilität betonen. Generative KI und insbesondere generative Agenten haben bereits gezeigt, dass sie die Produktivität in konkreten Aufgabenfeldern erheblich steigern können. Bisher agieren diese Technologien jedoch primär als unterstützende CoPiloten für Menschen, beispielsweise in der Rolle eines Assistenten für Softwareentwickler. Generative Agenten bieten das Potenzial, komplexere Rollen innerhalb der agilen Softwareentwicklung eigenständig zu übernehmen. Dabei geht es nicht nur um die Übernahme von Entwicklungsaufgaben, sondern auch um Tätigkeiten wie Planung des Projektes, Delegation von Aufgaben und die Evaluation des Projektfortschrittes innerhalb agiler Teams. Langfristig eröffnet sich somit eine Vision von hybriden Mensch-Agenten Teams, in denen KI-Agenten als vollwertige Teammitglieder in der agilen Softwareentwicklung mitwirken.

  Zielsetzung: Im Rahmen eines Design Science Research Ansatzes verfolgt das Projekt das Ziel, Gestaltungswissen für die effektive Integration von KI-Agenten in agile Softwareentwicklungsteams zu erarbeiten. Dieses Wissen soll als Grundlage für die prototypische Entwicklung eines Multi-Agenten Systems dienen, das die Kollaboration zwischen menschlichen Teammitgliedern und generativen Agenten in Scrum-Projekten unterstützt. Dabei stehen Fragen im Vordergrund, wie Aufgabenverteilung, Entscheidungsfindung und Kommunikation zwischen Mensch und Agent sinnvoll gestaltet werden können, um eine effektive Zusammenarbeit zu ermöglichen. Die erarbeiteten Gestaltungsprinzipien und der entwickelte Prototyp sollen abschließend einer Evaluation unterzogen werden. Die erforderliche Hardware (KI-Workstation mit 2x RTX4090 und ausleihbare Notebooks mit RTX 5090) sowie notwendige Softwarelizenzen (z.B. OpenAI) werden vom Lehrstuhl bereitgestellt.

  Anforderungen:

  • Dokumentation des Projekts
  • Erstellen eines Projektplans und Verteilung der Aufgaben auf die Gruppenmitglieder mit Projektmanagement
  • Anforderungserhebung, Konzeptualisierung und prototypische Entwicklung
  • Evaluation des Gestaltungswissens (inkl. Instanziierung in Form eines Prototyps)
  • Verwaltung des Source-Codes in einem Git-Repository (wird vom Lehrstuhl bereitgestellt)
  • Präsentation der Projektergebnisse in Zwischen- und Endpräsentationen

  Voraussetzungen:

  • Studierende der Fakultät für Informatik im Bereich Wirtschaftsinformatik oder Software Engineering im Bachelor (mit mindestens 90 ECTS) oder im Master
  • Bereitschaft, sich vertiefend in Generative KI und KI-Agenten einzuarbeiten
  • Vorkenntnisse in Programmierung vorteilhaft, aber nicht notwendig

  Literatur

  • Banh, L., Holldack, F. & Strobel, G. (2025). Copiloting the future: How generative AI transforms Software Engineering. Information And Software Technology, 183, 107751. https://doi.org/10.1016/j.infsof.2025.107751
  • Banh, L. & Strobel, G. (2023). Generative artificial intelligence. Electronic Markets, 33(1). https://doi.org/10.1007/s12525-023-00680-1
  • He, J., Treude, C. & Lo, D. (2025). LLM-Based Multi-Agent Systems for Software Engineering: Literature Review, Vision, and the Road Ahead. ACM Transactions On Software Engineering And Methodology, 34(5), 1–30. https://doi.org/10.1145/3712003
  • Holldack, F., Banh, L. & Strobel, G. (2026). Agentic information systems. Electronic Markets, 36(1). https://doi.org/10.1007/s12525-025-00861-0
  • Nguyen, M. H., Chau, T. P., Nguyen, P. X. & Bui, N. D. Q. (2025). AgileCoder: Dynamic collaborative agents for software development based on Agile methodology. IEEE/ACM Second International Conference On AI Foundation Models And Software Engineering, 156–167. https://doi.org/10.1109/forge66646.2025.00026

• SOFTEC-1-5, Sommersemester 2026, Betreuung: Florian Holldack

  My Home, My Rights – KI-Agenten als Mietrechtsassistenten

  Das deutsche Rechtssystem ist komplex und von erheblicher Informationsasymmetrie geprägt. Während Anwälte Bürgern rechtliche Unterstützung bieten können, sind ihre Dienste für kleinere Anliegen oft zu teuer. Besonders im Mietrecht, das einen großen Teil der Bevölkerung betrifft, besteht ein hoher Bedarf an rechtlicher Beratung. Vereine, wie der Mieterschutzbund, stellen zwar eine kostengünstigere Alternative dar, doch auch hier gibt es Einschränkungen hinsichtlich Verfügbarkeit und Umfang der Beratung. Aktuelle Fortschritte in den Fähigkeiten von Large Language Model-basierten Agenten (LLM-basierte Agenten) bieten eine vielversprechende Möglichkeit, diese Informationsasymmetrien kostengünstig und effektiv zu überwinden. Diese Agenten können rund um die Uhr persönliche Beratung bieten und dynamisch relevante Dokumente wie Mietverträge in ihre Analysen einbeziehen. Somit haben sie das Potenzial rechtliche Informationen zugänglicher zu machen und den Zugang zur Rechtsberatung zu demokratisieren.

  Zielsetzung: Ziel dieses Projekts ist die Konzeptualisierung (im Rahmen eines Design Science Research Ansatzes) und prototypische Entwicklung eines Agenten-basierten digitalen Assistenten für das deutsche Mietrecht. Dieser soll fundierte rechtliche Beratung zu gängigen Themen wie Lärmbelästigung, Mängelbeseitigungsansprüchen oder Mieterhöhungen bieten können. Er soll auf die jeweilige Rechtsprechung (z.B. BGB und Gerichtsurteile) zugreifen und persönliche Dokumente wie den Mietvertrag einbeziehen können. Die oberste Priorität in diesem Projekt liegt auf der Transparenz und Zuverlässigkeit der Beratung sowie der Zusammenarbeit mehrerer Agenten zur Bewältigung dieser. Entsprechende Hardware (KI-Workstation 2x RTX4090 und ausleihbare Notebooks mit RTX 5090), als auch Lizenzen (OpenAI), werden vom Lehrstuhl zur Verfügung gestellt.

  Anforderungen:

  • Dokumentation des Projekts
  • Erstellen eines Projektplans und Verteilung der Aufgaben auf die Gruppenmitglieder mit Projektmanagement
  • Anforderungserhebung, Konzeptualisierung und prototypische (Weiter-)Entwicklung des Mietrechtsexperten
  • Identifikation relevanter Informationen als Datengrundlage
  • Prototypische Realisierung des Agenten-basierten Prototyps
  • Empirische Evaluation des entwickelten Systems
  • Verwaltung des Source-Codes in einem Git-Repository (wird vom Lehrstuhl bereitgestellt)
  • Präsentation der Projektergebnisse in Zwischen- und Endpräsentationen

  Voraussetzungen:

  • Studierende der Fakultät für Informatik im Bereich Wirtschaftsinformatik oder Software Engineering im Bachelor (mit mindestens 90 ECTS) oder im Master
  • Bereitschaft, sich vertiefend in Generative KI und KI-Agenten einzuarbeiten
  • Vorkenntnisse in Programmierung vorteilhaft, aber nicht notwendig

  Literatur

  • Banh, L. & Strobel, G. (2023). Generative artificial intelligence. Electronic Markets, 33(1). https://doi.org/10.1007/s12525-023-00680-1
  • Holldack, F., Banh, L. & Strobel, G. (2026). Agentic information systems. Electronic Markets, 36(1). https://doi.org/10.1007/s12525-025-00861-0
  • Linna, E. & Linna, T. (2026). Challenges for generative AI in legal reasoning. Discover Artificial Intelligence, 6(1). https://doi.org/10.1007/s44163-026-00902-3
  • Matak, M. & Chudziak, J. A. (2025). Towards Trustworthy Legal AI: A Multi-Agent Approach to Integrating Legislative Knowledge. In Lecture notes in computer science (S. 3–17). https://doi.org/10.1007/978-3-032-09318-9_1
  • Sadowski, A. & Chudziak, J. A. (2025). On verifiable legal reasoning: a Multi-Agent framework with formalized knowledge representations. Proceedings Of The 34th ACM International Conference On Information And Knowledge Management, 2535–2545. https://doi.org/10.1145/3746252.3761057

• SOFTEC-1-6, Sommersemester 2026, Betreuung: Florian Holldack

  AgentOrchestra – Divided we Fall: Framework für Multi-Agenten-Kollaboration

  Die Entwicklung der künstlichen Intelligenz der letzten Jahre hat deren Handlungsfähigkeit und Autonomie erheblich gesteigert. Diese unter dem Begriff Agentic AI zusammengefassten Systeme finden zunehmend Anwendung in vielfältigen Domänen, von selbstfahrenden Fahrzeugen und Drohnen über humanoide Roboter bis hin zu virtuellen Agenten in Medizin und Softwareentwicklung. Insbesondere bei komplexen, mehrstufigen und langfristigen Aufgaben erfordert ihre effektive Nutzung jedoch die Zusammenarbeit heterogener Agenten, die unterschiedliche Fähigkeiten und Spezialisierungen einbringen. Dieses Vorhaben eröffnet zwar weitreichende Möglichkeiten, bringt aber auch fundamentale Herausforderungen mit sich: die effiziente Kommunikation zwischen Agenten, die dynamische Koordination von Aufgaben, auch in hybriden Mensch KI Teams, sowie das aktive Monitoring, um Anforderungen an Transparenz und Verantwortlichkeit zu erfüllen.

  Zielsetzung: Ziel dieses Projekts ist die Konzeptualisierung und prototypische Entwicklung eines Frameworks zur Koordination Large Language Model basierter Agenten in komplexen, mehrstufigen und zeitlich ausgedehnten Aufgabenkontexten. Im Mittelpunkt steht die wissenschaftliche Untersuchung, welche Rollen, Interaktionsmuster, Koordinationsmechanismen und Formen der Laufzeitkontrolle eine effektive autonome Agentenkollaboration ermöglichen. Dazu soll zunächst Gestaltungswissen erarbeitet werden, das als Grundlage für die Ableitung geeigneter Architekturprinzipien und Designentscheidungen dient. Darauf aufbauend wird ein Prototyp realisiert, der die intuitive Konfiguration, Ausführung und transparente Überwachung koordinierter Agentensysteme ermöglicht. Das entwickelte Framework soll abschließend einer empirischen Evaluation unterzogen werden, um die Tragfähigkeit des Ansatzes zu überprüfen. Entsprechende Hardware (KI Workstation 2x RTX4090 und ausleihbare Notebooks mit RTX 5090) sowie Lizenzen (OpenAI) werden vom Lehrstuhl zur Verfügung gestellt.

  Anforderungen:

  • Dokumentation des Projekts
  • Erstellen eines Projektplans und Verteilung der Aufgaben auf die Gruppenmitglieder mit Projektmanagement
  • Anforderungserhebung, Konzeptualisierung und prototypische Entwicklung des Koordinationsframeworks
  • Identifikation relevanter Koordinationsmuster und Architekturprinzipien als konzeptionelle Grundlage
  • Prototypische Realisierung des Multi-Agenten Koordinationsframeworks
  • Empirische Evaluation des entwickelten Frameworks in praxisnahen Szenarien
  • Verwaltung des Source-Codes in einem Git-Repository (wird vom Lehrstuhl bereitgestellt)
  • Präsentation der Projektergebnisse in Zwischen- und Endpräsentationen

  Voraussetzungen:

  • Studierende der Fakultät für Informatik im Bereich Wirtschaftsinformatik oder Software Engineering im Bachelor (mit mindestens 90 ECTS) oder im Master
  • Bereitschaft, sich vertiefend in Generative KI und KI-Agenten einzuarbeiten
  • Vorkenntnisse in Programmierung vorteilhaft, aber nicht notwendig

  Literatur

  • Agashe, S., Fan, Y., Reyna, A. & Wang, X. E. (2025). LLM-Coordination: Evaluating and analyzing multi-agent coordination abilities in large language models. Findings Of The Association For Computational Linguistics: NAACL 2025, 8038–8057. doi.org/10.18653/v1/2025.findings naacl.448
  • Banh, L. & Strobel, G. (2023). Generative artificial intelligence. Electronic Markets, 33(1). https://doi.org/10.1007/s12525-023-00680-1
  • Chen, Y., Arkin, J., Zhang, Y., Roy, N. & Fan, C. (2024). Scalable Multi-Robot collaboration with large language models: centralized or decentralized systems? Vicinagearth, 4311–4317. https://doi.org/10.1109/icra57147.2024.10610676
  • Holldack, F., Banh, L. & Strobel, G. (2026). Agentic information systems. Electronic Markets, 36(1). https://doi.org/10.1007/s12525-025-00861-0
  • Li, X., Wang, S., Zeng, S., Wu, Y. & Yang, Y. (2024). A survey on LLM-based multi-agent systems: workflow, infrastructure, and challenges. Vicinagearth., 1(1). https://doi.org/10.1007/s44336-024-00009-2

• SOFTEC-1-7, Sommersemester 2026, Betreuung: Jan Laufer

  PawPatrol – Eine KI-gestützte Spürnase zum Schutz von Menschen

  Naturkatastrophen, Unfälle und Krisensituationen stellen Einsatzkräfte im Zivil- und Katastrophenschutz vor große Herausforderungen. Insbesondere der steigende Personalmangel sowie die Gefährdung von Rettungskräften bei Einsätzen in instabilen oder schwer zugänglichen Umgebungen erhöhen den Bedarf an unterstützenden robotischen Systemen. Robotische Plattformen können beispielsweise eingesetzt werden, um gefährliche Areale zu erkunden, Informationen zu sammeln oder vermisste Personen schneller zu lokalisieren. Embodied Generative AI – also verkörperte generative KI-Systeme – eröffnet neue Perspektiven. Durch ihre Fähigkeit, Umgebungen zu analysieren, autonom Entscheidungen zu treffen und flexibel mit dynamischen Situationen umzugehen, können solche Systeme Rettungseinsätze erheblich unterstützen. In einem vorangegangenen Projekt wurde bereits ein erster prototypischer Ansatz für einen generativen KI basierten Such- und Rettungsroboter auf Basis des Unitree Go2 entwickelt, welcher vom Lehrstuhl zur Verfügung gestellt wird. Dieser Prototyp ermöglicht grundlegende Funktionen zur Umgebungsanalyse und Objektidentifikation und bildet damit eine technische Grundlage für weiterführende Entwicklungen. Die Ergebnisse der Vorgruppe, einschließlich Quellcode, Dokumentation und technischer Infrastruktur, werden dem Projektteam zur Verfügung gestellt und dienen als technischer Ausgangspunkt für die Weiterentwicklung.

  Zielsetzung: Ziel des Projekts ist die Weiterentwicklung eines prototypischen GenAI-basierten Such- und Rettungsroboters auf Basis des Unitree Go2. Aufbauend auf den Ergebnissen der vorherigen Projektgruppe sollen bestehende Funktionen analysiert, verbessert und um zusätzliche Fähigkeiten erweitert werden. Das Projektteam soll zunächst den bestehenden Systemstand untersuchen und geeignete Erweiterungspotenziale identifizieren. Darauf aufbauend sollen neue Ansätze entwickelt und prototypisch umgesetzt werden, beispielsweise zur verbesserten Objekterkennung, zur strukturierten Kartografierung von Einsatzgebieten oder zur effizienteren systematischen Durchsuchung von Umgebungen. Ein weiterer Schwerpunkt liegt auf der praktischen Umsetzung und Evaluation der entwickelten Ansätze. Die Implementierung soll schrittweise getestet, iterativ verbessert und zunächst in der Simulation, dann auf dem physischen Robotersystem validiert werden. Langfristig soll durch die Weiterentwicklung des Systems eine flexible Forschungsplattform entstehen, die perspektivisch auch die Zusammenarbeit mit weiteren Systemen (etwa Drohnen oder humanoiden Robotern) ermöglicht und als Grundlage für weitere Forschungs- und Entwicklungsprojekte im Bereich Embodied Generative AI dienen kann. Die technische Infrastruktur für das Projekt wird vollständig vom Lehrstuhl bereitgestellt. Dazu gehören ein Unitree Go2 Roboterhund, eine KI-Workstation mit 2× RTX 4090 GPUs, Ausleihbare KI-Laptops mit mobiler RTX 5090 GPU, sowie GenAI-APIs zur Entwicklung und Integration der benötigten KI-Funktionalitäten.

  Anforderungen:

  • Analyse der Ergebnisse und der Systemarchitektur der vorherigen Projektgruppe
  • Konzeption und Umsetzung von Erweiterungen des bestehenden Systems
  • Auswahl geeigneter generativer KI-Technologien und Algorithmen
  • Implementierung und prototypische Integration der entwickelten Ansätze
  • Iterative Evaluierung der entwickelten Funktionen auf realen oder simulierten Szenarien
  • Dokumentation und Verwaltung des Source-Codes in einem bereitgestellten Git-Repository
  • Dokumentation des Projekts (Standard/Pflicht)
  • Erstellen eines Projektplans und Verteilung der Aufgaben auf die Gruppenmitglieder mit Projektmanagement (Standard/Pflicht)
  • Präsentation der Projektergebnisse in Zwischen- und Endpräsentationen (Standard/Pflicht)

  Voraussetzungen:

  • Studierende der Fakultät für Informatik im Bereich Wirtschaftsinformatik oder Software Engineering im Bachelor (mit mindestens 90 ECTS) oder im Master (Standard/Pflicht)
  • Bereitschaft, sich vertiefend in Generative AI und Robotik einzuarbeiten
  • Vorkenntnisse in Programmierung vorteilhaft, aber nicht notwendig

  Literatur

  • Laufer, Jan; Banh, Leonardo; Strobel, Gero: Bridging Mind and Matter: A Taxonomy of Embodied Generative AI. In: AIS (Hrsg.): Wirtschaftsinformatik 2025 Proceedings. Münster, Germany, 2025
  • Duan, J., Yu, S., Tan, H. L., et al. (2022). A Survey of Embodied AI: From Simulators to Research Tasks. IEEE Transactions on Emerging Topics in Computational Intelligence, 6(2), 230–244. IEEE Transactions on Emerging Topics in Computational Intelligence.
  • Paolo, G., Gonzalez-Billandon, J., & Kégl, B. (2024). A call for embodied AI. arXiv preprint arXiv:2402.03824.
  • Brohan, A., et al. (2023). RT-2: Vision-language-action models transfer web knowledge to robotic control. https://doi.org/10.48550/arXiv.2307.15818
  • Driess, D., et al. (2023). PaLM-E: An embodied multimodal language model. https://doi.org/10.48550/arXiv.2303.03378
  • Drew, D. S. (2021). Multi-agent systems for search and rescue applications. Current Robotics Reports, 2(2), 189-200.
  • Murphy, R. R., Tadokoro, S., Nardi, D., Jacoff, A., Fiorini, P., Choset, H., & Erkmen, A. M. (2008). Search and rescue robotics. Springer handbook of robotics, 1151-1173.

• SOFTEC-1-8, Sommersemester 2026, Betreuung: Jan Laufer

  Ich sehe was, was du nicht siehst – Embodied Generative AI als Blindenführer

  Blinde und sehbehinderte Menschen sind im Alltag häufig auf die Unterstützung anderer Personen, von Blindenhunden oder auf konventionelle Hilfsmittel angewiesen, um sich sicher und selbstständig fortzubewegen. Obwohl technologische Assistenzsysteme in den letzten Jahren erhebliche Fortschritte erzielt haben, bleiben viele Lösungen in ihrer Funktionalität eingeschränkt. Insbesondere fehlt es vielen Systemen an der Fähigkeit, komplexe Alltagssituationen flexibel zu interpretieren und Nutzer aktiv durch ihre Umgebung zu begleiten. Gleichzeitig haben Entwicklungen im Bereich der künstlichen Intelligenz – insbesondere im Bereich generativer KI – neue Möglichkeiten für intelligente Assistenzsysteme eröffnet. Embodied Generative AI, also generative KI-Systeme mit einer physischen Verkörperung, ermöglicht es, Wahrnehmung, Entscheidungsfindung und Interaktion direkt mit einer realen Umgebung zu verbinden. Dadurch könnten robotische Assistenzsysteme künftig nicht nur Hindernisse erkennen, sondern auch Situationen interpretieren, Kontextinformationen bereitstellen und mit Nutzern in natürlicher Sprache interagieren. Tierähnliche mobile Roboterplattformen wie der Roboterhund Unitree Go2 bieten hierfür eine geeignete technische Grundlage. Durch ihre Mobilität und Stabilität können sie sich in verschiedenen Umgebungen bewegen und potenziell als intelligente Begleiter im Alltag eingesetzt werden. Gleichzeitig ergeben sich in diesem Kontext neue Forschungsfragen hinsichtlich technischer Umsetzung, Interaktion zwischen Mensch und Maschine sowie der Akzeptanz autonomer Assistenzsysteme.

  Zielsetzung: Ein Schwerpunkt des Projekts liegt auf der praktischen Umsetzung der entwickelten Ansätze. Die entwickelten Funktionen sollen zunächst in geeigneten Simulationsumgebungen getestet und anschließend prototypisch auf dem physischen Robotersystem umgesetzt werden. Das Projekt baut dabei auf den Ergebnissen einer vorherigen Projektgruppe auf, in der bereits erste prototypische Funktionen für einen GenAI-basierten robotischen Assistenzhund entwickelt wurden. Die entstandenen Artefakte – einschließlich Quellcode, Dokumentation und bestehender Systemkomponenten – werden dem Projektteam zur Verfügung gestellt und dienen als technischer Ausgangspunkt für die Weiterentwicklung. Darüber hinaus kann im Projekt untersucht werden, welche Anforderungen sich hinsichtlich Sicherheit, Nutzerinteraktion und gesellschaftlicher Akzeptanz solcher Systeme ergeben können. Die technische Infrastruktur für das Projekt wird vollständig vom Lehrstuhl bereitgestellt. Dazu gehören ein Unitree Go2 Roboterhund, eine KI-Workstation mit 2× RTX 4090 GPUs, ausleihbare KI-Laptops mit mobiler RTX 5090 GPU sowie GenAI-APIs zur Entwicklung und Integration der benötigten KI-Funktionalitäten.

  Anforderungen:

  • Analyse und Konzeptentwicklung eines robotischen Assistenzsystems für sehbehinderte Nutzer
  • Auswahl geeigneter generativer KI-Technologien und Algorithmen
  • Implementierung und Simulation der entwickelten Ansätze auf relevanten Umgebungsdaten
  • Iterative Evaluierung des Prototyps
  • Dokumentation und Verwaltung des Source-Codes in einem bereitgestellten Git-Repository
  • Dokumentation des Projekts (Standard/Pflicht)
  • Erstellen eines Projektplans und Verteilung der Aufgaben auf die Gruppenmitglieder mit Projektmanagement (Standard/Pflicht)
  • Präsentation der Projektergebnisse in Zwischen- und Endpräsentationen (Standard/Pflicht)

  Voraussetzungen:

  • Studierende der Fakultät für Informatik im Bereich Wirtschaftsinformatik oder Software Engineering im Bachelor (mit mindestens 90 ECTS) oder im Master (Standard/Pflicht)
  • Bereitschaft, sich vertiefend in Generative AI und Robotik einzuarbeiten
  • Vorkenntnisse in Programmierung vorteilhaft, aber nicht notwendig

  Literatur

  • Laufer, J., Banh, L., & Strobel, G. (2025). Bridging Mind and Matter: A Taxonomy of Embodied Generative AI. Wirtschaftsinformatik 2025 Proceedings.
  • Duan, J., Yu, S., Tan, H. L., et al. (2022). A Survey of Embodied AI: From Simulators to Research Tasks. IEEE Transactions on Emerging Topics in Computational Intelligence, 6(2), 230–244.
  • Brohan, A., et al. (2023). RT-2: Vision-language-action models transfer web knowledge to robotic control. https://doi.org/10.48550/arXiv.2307.15818
  • Driess, D., et al. (2023). PaLM-E: An embodied multimodal language model. https://doi.org/10.48550/arXiv.2303.03378
  • Paolo, G., Gonzalez-Billandon, J., & Kégl, B. (2024). A call for embodied AI. https://arxiv.org/abs/2402.03824
  • Han, B., Yun, W. H., Seo, B. S., & Kim, J. (2025, May). Space-aware instruction tuning: Dataset and benchmark for guide dog robots assisting the visually impaired. In 2025 IEEE International Conference on Robotics and Automation (ICRA) (pp. 12430-12436). IEEE.
  • Xu, T. (2024). Analyze of Application of Artificial Intelligence in Robotic Guide Dogs. Applied and Computational Engineering, 93, 35-39.
  • Kim, J. T., Byrd, M., Crandell, J. L., Walker, B. N., Turk, G., & Ha, S. (2025, March). Understanding expectations for a robotic guide dog for visually impaired people. In 2025 20th ACM/IEEE International Conference on Human-Robot Interaction (HRI) (pp. 262-271). IEEE.
  • Hwang, H., Jung, H. T., Giudice, N. A., Biswas, J., Lee, S. I., & Kim, D. (2024, May). Towards robotic companions: Understanding handler-guide dog interactions for informed guide dog robot design. In Proceedings of the 2024 CHI Conference on Human Factors in Computing Systems (pp. 1-20).

• SOFTEC-1-9, Sommersemester 2026, Betreuung: Jan Laufer

  Living with Robots – Interaktion mit humanoiden Robotern

  Mit den Fortschritten in der Robotik rücken humanoide Roboter zunehmend als potenzielle Assistenzsysteme für den Alltag in den Fokus. Aufgrund ihrer menschenähnlichen Form und Bewegungsfähigkeit eignen sie sich grundsätzlich gut für Umgebungen, die für Menschen gestaltet wurden, etwa Haushalte, Büros oder öffentliche Räume. Dadurch eröffnen sich neue Möglichkeiten für die Zusammenarbeit und Interaktion zwischen Menschen und Robotern. Während technische Fähigkeiten wie Navigation, Objekterkennung oder Manipulation in den letzten Jahren große Fortschritte gemacht haben, stellt insbesondere das Verhalten von Robotern im direkten Kontakt mit Menschen weiterhin eine zentrale Herausforderung dar. In realen Alltagssituationen müssen Roboter nicht nur Aufgaben ausführen, sondern auch auf soziale Kontexte reagieren, angemessen auf Menschen zugehen und verständlich kommunizieren. Dabei spielen verschiedene Aspekte eine Rolle, etwa sprachliche Kommunikation, Bewegungsmuster, Gestik oder die Positionierung im Raum. Wie solche Verhaltensweisen gestaltet werden sollten, damit Roboter als hilfreiche und akzeptierte Assistenzsysteme wahrgenommen werden, ist eine zentrale Fragestellung der Human Robot-Interaction-Forschung. Neue Entwicklungen im Bereich generativer KI eröffnen zusätzliche Möglichkeiten, robotische Systeme mit flexibleren Interaktionsfähigkeiten auszustatten. Insbesondere die Verbindung von generativer KI mit physischer Robotik ermöglicht es, Roboter stärker kontextbezogen und situationsabhängig agieren zu lassen.

  Zielsetzung: Ziel dieses Projekts ist die Entwicklung und prototypische Umsetzung eines Interaktionskonzepts für einen humanoiden Roboter im Haushaltskontext. Zu Beginn des Projekts soll das Projektteam analysieren, welche Anforderungen sich an das Verhalten eines humanoiden Roboters im direkten Kontakt mit Menschen ergeben. Auf dieser Grundlage soll ein Konzept entwickelt werden, das beschreibt, wie sich ein Roboter in typischen Alltagssituationen eines Haushaltsumfelds verhält und mit Personen in seiner Umgebung interagiert. Darauf aufbauend sollen geeignete generative KI-Technologien ausgewählt werden, um ausgewählte Interaktionsszenarien prototypisch umzusetzen. Die entwickelten Ansätze sollen anschließend in einer Simulationsumgebung implementiert und in verschiedenen Szenarien getestet werden. Das Projekt verbindet somit konzeptionelle Arbeiten zur Gestaltung von Mensch-Roboter-Interaktion mit einer praktischen prototypischen Umsetzung in einer Robotiksimulation. Die technische Infrastruktur für das Projekt wird vollständig vom Lehrstuhl bereitgestellt. Dazu gehören ein Unitree R1 Edu-U2 humanoider Roboter, eine KI-Workstation mit 2× RTX 4090 GPUs, ausleihbare KI Laptops mit mobiler RTX 5090 GPU sowie GenAI-APIs zur Entwicklung und Integration der benötigten KI Funktionalitäten.

  Anforderungen:

  • Analyse bestehender Forschung zu Human-Robot-Interaction und sozialer Robotik
  • Konzeption geeigneter Interaktionsformen zwischen Mensch und humanoidem Roboter
  • Entwicklung eines Interaktionskonzepts für Alltagssituationen im Haushaltskontext
  • Auswahl geeigneter generativer KI-Technologien zur Unterstützung der Interaktion
  • Prototypische Umsetzung ausgewählter Interaktionsszenarien
  • Iterative Evaluierung der entwickelten Interaktionskonzepte
  • Dokumentation und Verwaltung des Source-Codes in einem bereitgestellten Git-Repository
  • Dokumentation des Projekts (Standard/Pflicht)
  • Erstellen eines Projektplans und Verteilung der Aufgaben auf die Gruppenmitglieder mit Projektmanagement (Standard/Pflicht)
  • Präsentation der Projektergebnisse in Zwischen- und Endpräsentationen (Standard/Pflicht)

  Voraussetzungen:

  • Studierende der Fakultät für Informatik im Bereich Wirtschaftsinformatik oder Software Engineering im Bachelor (mit mindestens 90 ECTS) oder im Master (Standard/Pflicht)
  • Bereitschaft, sich vertiefend in Generative AI, Robotik und Human-Robot-Interaction einzuarbeiten
  • Vorkenntnisse in Programmierung vorteilhaft, aber nicht notwendig

  Literatur

  • Laufer, J., Banh, L., & Strobel, G. (2025). Bridging Mind and Matter: A Taxonomy of Embodied Generative AI. Wirtschaftsinformatik 2025 Proceedings.
  • Duan, J., Yu, S., Tan, H. L., et al. (2022). A Survey of Embodied AI: From Simulators to Research Tasks. IEEE Transactions on Emerging Topics in Computational Intelligence, 6(2), 230–244.
  • Brohan, A., et al. (2023). RT-2: Vision-language-action models transfer web knowledge to robotic control. https://doi.org/10.48550/arXiv.2307.15818
  • Driess, D., et al. (2023). PaLM-E: An embodied multimodal language model. https://doi.org/10.48550/arXiv.2303.03378
  • Paolo, G., Gonzalez-Billandon, J., & Kégl, B. (2024). A call for embodied AI. https://arxiv.org/abs/2402.03824
  • Obrenovic, B., Gu, X., Wang, G., Godinic, D., & Jakhongirov, I. (2025). Generative AI and human–robot interaction: implications and future agenda for business, society and ethics. AI & society, 40(2), 677-690.

• SOFTEC-1-10, Sommersemester 2026, Betreuung: Jan Laufer

  Tell Me Where It Hurts – LLM-basierte digitale Patienten für die medizinische Ausbildung

  Die medizinische Ausbildung ist ein anspruchsvolles und vielseitiges Feld, in dem angehende Ärztinnen und Ärzte kontinuierlich ihre klinischen Fähigkeiten und Kommunikationskompetenzen entwickeln müssen. Eine zentrale Rolle spielt dabei die Arzt-Patienten-Interaktion, die maßgeblich für Diagnose, Therapieentscheidungen und den Behandlungserfolg ist. Gleichzeitig sind Möglichkeiten zum realitätsnahen Training solcher Gespräche im Studium häufig begrenzt, da reale Patientenkontakte nur eingeschränkt verfügbar sind und simulierte Szenarien mit Schauspielpatienten organisatorisch aufwendig sein können. Mit den Fortschritten im Bereich generativer KI, insbesondere durch Large Language Models (LLMs), entstehen neue Möglichkeiten zur Entwicklung interaktiver Lernsysteme. Virtuelle Patienten könnten es ermöglichen, realistische Gesprächssituationen zu simulieren und medizinische Ausbildung in einer sicheren und kontrollierten Umgebung zu unterstützen. Solche Systeme können unterschiedliche Krankheitsbilder, Kommunikationssituationen und diagnostische Fragestellungen abbilden und damit neue Formen digitaler Trainingsumgebungen eröffnen. Im Rahmen eines vorangegangenen Projekts wurde bereits ein erster prototypischer virtueller Patient auf Basis eines LLM-basierten Chatbots entwickelt. Die aktuelle Projektgruppe erweitert dieses System derzeit insbesondere um visuelle Komponenten, beispielsweise eine videobasierte Begrüßung des virtuellen Patienten sowie erste Ansätze zur Integration medizinischer Bildinformationen im Bereich der Dermatologie. Diese bestehenden Ergebnisse bilden eine Grundlage für weitere Forschungs- und Entwicklungsarbeiten im Bereich KI-basierter virtueller Patienten.

  Zielsetzung: Ziel dieses Projekts ist die Weiterentwicklung und Evaluation eines LLM-basierten virtuellen Patienten zur Unterstützung der medizinischen Ausbildung. Das Projekt baut auf den bestehenden Prototypen und den Ergebnissen der vorherigen Projektgruppen auf. Die vorhandenen Komponenten – einschließlich der Chatbot-Architektur, der bisherigen Avatar-Darstellung sowie der Integration medizinischer Bildinformationen – stehen dem Projektteam als Ausgangspunkt zur Verfügung. Auf dieser Basis sollen neue Erweiterungsmöglichkeiten identifiziert und prototypisch umgesetzt werden. Mögliche Projektansätze können beispielsweise sein: • die Erweiterung des Systems auf weitere medizinische Fachbereiche und entsprechender Krankheitsbilder • die Integration zusätzlicher medizinischer Bildtypen oder diagnostischer Informationen (z.B. X-Ray) • die Entwicklung realistischer digitaler Avatare oder animierter virtueller Patienten Für die visuelle Darstellung virtueller Patienten können beispielsweise Technologien wie Unreal Engine Digital Humans, Unity-basierte Avatar-Systeme oder NVIDIA Digital Human Plattformen untersucht und prototypisch integriert werden. Ein weiterer Schwerpunkt des Projekts liegt auf der Evaluation des Systems im Kontext der medizinischen Ausbildung. Dabei soll untersucht werden, inwiefern virtuelle Patienten als Trainingswerkzeug für kommunikative und diagnostische Fähigkeiten eingesetzt werden können und diese verbessern. GenAI-APIs zur Entwicklung und Integration der benötigten KI-Funktionalitäten werden vom Lehrstuhl zur Verfügung gestellt.

  Anforderungen:

  • Analyse des bestehenden Systems und der bisherigen Projektergebnisse
  • Konzeption geeigneter Erweiterungen für den virtuellen Patienten
  • Auswahl geeigneter generativer KI-Technologien und Avatar-Plattformen
  • Integration zusätzlicher medizinischer Inhalte oder Bildinformationen
  • Prototypische Implementierung und Weiterentwicklung des Systems
  • Ggf. Evaluation des Systems im Kontext der medizinischen Ausbildung
  • Dokumentation und Verwaltung des Source-Codes in einem bereitgestellten Git-Repository
  • Dokumentation des Projekts (Standard/Pflicht)
  • Erstellen eines Projektplans und Verteilung der Aufgaben auf die Gruppenmitglieder mit Projektmanagement (Standard/Pflicht)
  • Präsentation der Projektergebnisse in Zwischen- und Endpräsentationen (Standard/Pflicht)

  Voraussetzungen:

  • Studierende der Fakultät für Informatik im Bereich Wirtschaftsinformatik oder Software Engineering im Bachelor (mit mindestens 90 ECTS) oder im Master (Standard/Pflicht)
  • Bereitschaft, sich vertiefend mit Generative AI und digitalen Lernsystemen auseinanderzusetzen
  • Vorkenntnisse in Programmierung vorteilhaft, aber nicht notwendig

  Literatur

  • Banh, L., & Strobel, G. (2023). Generative artificial intelligence. Electronic markets, 33(1), 63.
  • Strobel, G., Banh, L., Möller, F., & Schoormann, T. (2024). Exploring generative artificial intelligence: A taxonomy and types.
  • Peffers, K., Tuunanen, T., Rothenberger, M. A., & Chatterjee, S. (2007). A design science research methodology for information systems research. Journal of management information systems, 24(3), 45 77.
  • Kelly, S., Smyth, E., Murphy, P., & Pawlikowska, T. (2022). A scoping review: virtual patients for communication skills in medical undergraduates. BMC medical education, 22(1), 429.
  • Bowers, P., Graydon, K., Ryan, T., Lau, J. H., & Tomlin, D. (2024). Artificial intelligence-driven virtual patients for communication skill development in healthcare students: A scoping review. Australasian Journal of Educational Technology, 40(3), 39-57.

• SOFTEC-1-11, Sommersemester 2026, Betreuung: Jan Laufer

  Let’s Get Ready to Funk - GenAI-basiertes Funktraining im Kontext des Katastrophenschutz

  Funkkommunikation ist ein zentraler Bestandteil der Zusammenarbeit in vielen sicherheitskritischen Bereichen. Organisationen wie Polizei, Feuerwehr, Rettungsdienste, Katastrophenschutz oder auch militärische Einheiten sind im Einsatz stark auf zuverlässige und präzise Funkkommunikation angewiesen. Über Funk werden Informationen ausgetauscht, Lagebilder koordiniert, Einsatzkräfte gesteuert und Entscheidungen abgestimmt. Gerade in dynamischen oder stressreichen Situationen ist eine klare, strukturierte und regelkonforme Kommunikation entscheidend. Der Umgang mit Funkgeräten und das Einhalten standardisierter Kommunikationsprotokolle müssen daher regelmäßig trainiert werden. In der Praxis erfolgt ein solches Training häufig in Form von Übungen mit mehreren Teilnehmern oder im Rahmen realitätsnaher Einsatzsimulationen. Solche Trainings sind jedoch organisatorisch aufwendig, erfordern die Verfügbarkeit mehrerer Beteiligter und lassen sich nur begrenzt flexibel durchführen. Mit dem Fortschritt im Bereich generativer KI eröffnen sich neue Möglichkeiten für interaktive Trainingssysteme. Insbesondere Large Language Models (LLMs) sind in der Lage, natürliche Dialoge zu führen, kontextbezogene Informationen zu verarbeiten und situationsabhängige Reaktionen zu generieren. Dadurch könnten virtuelle Funkpartner entstehen, mit denen Nutzer realistische Kommunikationssituationen trainieren können. Ein ähnlicher Ansatz wurde bereits im Kontext eines virtuellen Patienten für die medizinische Ausbildung untersucht. Der dort entwickelte LLM-basierte Conversational Agent ermöglicht simulierte Patientengespräche und bildet damit eine Grundlage für interaktive Trainingsumgebungen. Die dabei entwickelten Designprinzipien und technischen Komponenten können als Ausgangspunkt dienen, um ähnliche Ansätze auf andere Kommunikationsdomänen zu übertragen.

  Zielsetzung: Ziel dieses Projekts ist die konzeptionelle Entwicklung, prototypische Umsetzung und Evaluation eines GenAI-basierten Trainingssystems für Funkkommunikation. Zu Beginn des Projekts soll das Projektteam die Domäne des Funkverkehrs in sicherheitskritischen Organisationen analysieren. Dabei sollen typische Kommunikationsstrukturen, Abläufe und Anforderungen an Funkdialoge untersucht werden. Die Analyse kann sowohl literaturbasiert als auch durch Interviews mit Praktikern aus entsprechenden Organisationen erfolgen. Auf dieser Grundlage sollen Designprinzipien für ein GenAI-basiertes Funktrainingstool abgeleitet werden. Methodisch orientiert sich das Projekt am Design Science Research (DSR) Ansatz nach Peffers et al., bei dem aus der Analyse eines praktischen Problems zunächst Geslatungswissen entwickelt und anschließend in Form eines Artefakts umgesetzt und evaluiert werden. Die entwickelten Designprinzipien sollen anschließend prototypisch implementiert werden. Als technische Grundlage kann der bestehende Prototyp des LLM-basierten virtuellen Patienten genutzt werden, dessen Architektur und Interaktionslogik als Ausgangspunkt für die Entwicklung eines virtuellen Funkpartners dienen. Abschließend soll der entwickelte Prototyp in realistischen Trainingsszenarien evaluiert werden, beispielsweise durch Tests mit Personen, die Erfahrung im Funkverkehr besitzen. Ziel der Evaluation ist es zu untersuchen, inwiefern ein GenAI-basierter virtueller Funkpartner als Trainingswerkzeug für Kommunikationssituationen geeignet ist. GenAI-APIs zur Entwicklung und Integration der benötigten KI-Funktionalitäten werden vom Lehrstuhl zur Verfügung gestellt.

  Anforderungen: 

  • Analyse der Domäne Funkkommunikation in sicherheitskritischen Organisationen
  • Literaturbasierte und ggf. interviewbasierte Anforderungserhebung
  • Ableitung von Designprinzipien für ein GenAI-basiertes Funktrainingstool
  • Prototypische Umsetzung eines virtuellen Funkpartners auf Basis eines LLM-Agenten
  • Nutzung und Erweiterung des bestehenden Virtual-Patient-Prototyps als technische Grundlage
  • Evaluation des entwickelten Systems in realistischen Trainingsszenarien
  • Dokumentation und Verwaltung des Source-Codes in einem bereitgestellten Git-Repository
  • Dokumentation des Projekts (Standard/Pflicht)
  • Erstellen eines Projektplans und Verteilung der Aufgaben auf die Gruppenmitglieder mit Projektmanagement (Standard/Pflicht)
  • Präsentation der Projektergebnisse in Zwischen- und Endpräsentationen (Standard/Pflicht)

  Voraussetzungen:

  • Studierende der Fakultät für Informatik im Bereich Wirtschaftsinformatik oder Software Engineering im Bachelor (mit mindestens 90 ECTS) oder im Master (Standard/Pflicht)
  • Bereitschaft, sich vertiefend mit Generative AI und interaktiven Trainingssystemen auseinanderzusetzen
  • Vorkenntnisse in Programmierung vorteilhaft, aber nicht notwendig

  Literatur

  • Banh, L., & Strobel, G. (2023). Generative artificial intelligence. Electronic markets, 33(1), 63.
  • Strobel, G., Banh, L., Möller, F., & Schoormann, T. (2024). Exploring generative artificial intelligence: A taxonomy and types.
  • Peffers, K., Tuunanen, T., Rothenberger, M. A., & Chatterjee, S. (2007). A design science research methodology for information systems research. Journal of management information systems, 24(3), 45 77.
  • des Innern, B. D. B. S. Nichtöffentlicher mobiler Landfunkdienst der Behörden und Organisationen mit Sicherheitsaufgaben (BOS); BOS-Funkrichtlinie.
  • Müller-Lobeck, L., Werner, A., & Ellinger, K. (2000). Sprechfunk im Notarztdienst. Notfall & Rettungsmedizin, 3(4), 250-256.
  • www.bundesnetzagentur.de/DE/Fachthemen/Telekommunikation/Frequenzen/Firmennetze/BOS Funk/start.html

• SOFTEC-1-12, Sommersemester 2026, Betreuung: Jan Laufer

  TopGun: Tower, This Is Maverick – GenAI-basierte Simulation von Kommunikationspartnern in der Flugverkehrskontrolle

  Die Kommunikation zwischen Fluglotsen und Piloten ist ein zentraler Bestandteil der sicheren Abwicklung des Luftverkehrs. Über standardisierte Funkkommunikation werden Start- und Landeanweisungen gegeben, Flugbewegungen koordiniert und sicherheitsrelevante Informationen ausgetauscht. Besonders im Umfeld von Flughäfen – etwa im Tower oder während des An- und Abflugmanagements – ist eine präzise, schnelle und regelkonforme Kommunikation entscheidend für einen sicheren und effizienten Flugbetrieb. Sowohl Fluglotsen als auch Piloten müssen daher umfangreiche Kommunikationsprotokolle und standardisierte Phraseologie beherrschen. Diese Kommunikationsformen sind international weitgehend normiert und folgen klar definierten Strukturen, um Missverständnisse zu vermeiden. Das Training solcher Kommunikationsabläufe erfolgt typischerweise in Simulatoren, Trainingsprogrammen oder in realitätsnahen Übungen. Solche Trainings sind jedoch oft aufwendig zu organisieren und erfordern die Verfügbarkeit mehrerer beteiligter Personen. Mit dem Fortschritt im Bereich generativer KI eröffnen sich neue Möglichkeiten für interaktive Trainingssysteme. Insbesondere Large Language Models (LLMs) sind in der Lage, natürliche Dialoge zu führen, Kontextinformationen zu verarbeiten und situationsabhängig zu reagieren. Dadurch könnten virtuelle Kommunikationspartner entstehen, mit denen typische Funkdialoge zwischen Tower und Cockpit simuliert und trainiert werden können. Ein ähnlicher Ansatz wurde bereits im Kontext eines virtuellen Patienten für die medizinische Ausbildung untersucht. Der dort entwickelte LLM-basierte Conversational Agent ermöglicht simulierte Patientengespräche und bildet damit eine Grundlage für interaktive Trainingsumgebungen. Die dabei entwickelten Designprinzipien und technischen Komponenten können als Ausgangspunkt dienen, um ähnliche Ansätze auf Trainingsszenarien in der Luftfahrtkommunikation zu übertragen.

  Zielsetzung: Ziel dieses Projekts ist die konzeptionelle Entwicklung, prototypische Umsetzung und Evaluation eines GenAI-basierten Trainingssystems für Kommunikationssituationen in der Flugverkehrskontrolle. Zu Beginn des Projekts soll das Projektteam die Domäne der Kommunikation zwischen Fluglotsen und Piloten analysieren. Dabei sollen typische Kommunikationsabläufe, standardisierte Phraseologie sowie häufige Trainingssituationen untersucht werden. Die Analyse kann sowohl literaturbasiert als auch durch Interviews mit Personen erfolgen, die Erfahrung im Bereich Luftfahrt oder Flugverkehrskontrolle besitzen. Auf dieser Grundlage sollen Designprinzipien für ein GenAI-basiertes Trainingssystem abgeleitet werden. Methodisch orientiert sich das Projekt am Design Science Research (DSR)-Ansatz nach Peffers et al., bei dem aus der Analyse eines praktischen Problems zunächst Gestaltungswissen abgeleitet und anschließend in Form eines Artefakts umgesetzt und evaluiert wird. Die entwickelten Designprinzipien sollen anschließend prototypisch implementiert werden. Als technische Grundlage kann der bestehende Prototyp des LLM-basierten virtuellen Patienten genutzt werden, dessen Architektur und Interaktionslogik als Ausgangspunkt für die Entwicklung eines virtuellen Kommunikationspartners dienen. Dabei können unterschiedliche Perspektiven berücksichtigt werden. Denkbar ist beispielsweise ein Trainingssystem, in dem Nutzer in die Rolle eines Fluglotsen schlüpfen und mit einem virtuellen Piloten kommunizieren, oder umgekehrt ein Szenario, in dem ein virtueller Tower-Lotse als Trainingspartner für Piloten dient. Abschließend soll der entwickelte Prototyp in realistischen Trainingsszenarien evaluiert werden. Ziel der Evaluation ist es zu untersuchen, inwiefern ein GenAI-basierter virtueller Kommunikationspartner als Trainingswerkzeug für standardisierte Funkkommunikation in der Luftfahrt geeignet ist. GenAI-APIs zur Entwicklung und Integration der benötigten KI-Funktionalitäten werden vom Lehrstuhl zur Verfügung gestellt.

  Anforderungen:

  • Analyse der Domäne Flugverkehrskommunikation zwischen Piloten und Fluglotsen
  • Literaturbasierte und ggf. interviewbasierte Anforderungserhebung
  • Ableitung von Designprinzipien für ein GenAI-basiertes Trainingssystem
  • Prototypische Umsetzung eines virtuellen Kommunikationspartners auf Basis eines LLM-Agenten
  • Nutzung und Erweiterung des bestehenden Virtual-Patient-Prototyps als technische Grundlage
  • Evaluation des entwickelten Systems in realistischen Trainingsszenarien
  • Dokumentation und Verwaltung des Source-Codes in einem bereitgestellten Git-Repository
  • Dokumentation des Projekts (Standard/Pflicht)
  • Erstellen eines Projektplans und Verteilung der Aufgaben auf die Gruppenmitglieder mit Projektmanagement (Standard/Pflicht)
  • Präsentation der Projektergebnisse in Zwischen- und Endpräsentationen (Standard/Pflicht)

  Voraussetzungen:

  • Studierende der Fakultät für Informatik im Bereich Wirtschaftsinformatik oder Software Engineering im Bachelor (mit mindestens 90 ECTS) oder im Master (Standard/Pflicht)
  • Bereitschaft, sich vertiefend mit Generative AI und interaktiven Trainingssystemen auseinanderzusetzen
  • Vorkenntnisse in Programmierung vorteilhaft, aber nicht notwendig

  Literatur

  • Banh, L., & Strobel, G. (2023). Generative artificial intelligence. Electronic markets, 33(1), 63.
  • Strobel, G., Banh, L., Möller, F., & Schoormann, T. (2024). Exploring generative artificial intelligence: A taxonomy and types.
  • Peffers, K., Tuunanen, T., Rothenberger, M. A., & Chatterjee, S. (2007). A design science research methodology for information systems research. Journal of management information systems, 24(3), 45 77.
  • Sinapius, P. B., & Rohloff, D. (2015). Die Ausbildung von Fluglotsen in Deutschland.

• SOFTEC-1-13, Sommersemester 2026, Betreuung: Jan Laufer

  Explain it like I’m 5 (but legally correct) – LLMs im Kontext einfacher und leichter Sprache

  Behörden und öffentliche Einrichtungen sind in Deutschland gesetzlich verpflichtet, ihre Kommunikation barrierefrei zu gestalten. Insbesondere §11 des Behindertengleichstellungsgesetzes (BGG) fordert, dass Informationen für Menschen mit Behinderungen zugänglich und verständlich bereitgestellt werden. Dazu gehört auch die Nutzung sogenannter einfacher oder leichter Sprache, die komplexe Inhalte verständlich aufbereitet und somit eine inklusivere Kommunikation ermöglicht. Diese Anforderungen stehen jedoch häufig im Spannungsfeld mit der juristischen Präzision behördlicher Dokumente. Bescheide, Verordnungen oder gesetzliche Regelungen enthalten oftmals komplexe Formulierungen und umfangreiche Begründungen, die für juristische Korrektheit notwendig sind, aber für viele Bürgerinnen und Bürger schwer verständlich sein können. Gleichzeitig stellen normative Vorgaben – etwa DIN SPEC 33429 oder weitere Regelwerke zur leichten Sprache – hohe Anforderungen an Struktur, Verständlichkeit und sprachliche Gestaltung entsprechender Texte. Parallel dazu schreitet die Digitalisierung behördlicher Kommunikationsprozesse voran. Mit der Umsetzung europäischer Initiativen wie der eIDAS-Verordnung entstehen zunehmend digitale Zustellverfahren für rechtsverbindliche Dokumente. Dadurch wächst die Bedeutung digitaler Lösungen, die behördliche Kommunikation sowohl rechtssicher als auch barrierefrei gestalten. Vor diesem Hintergrund untersucht ein aktuelles Praxisprojekt in Zusammenarbeit mit einem digitalen Zustelldienstleister das Potenzial generativer KI zur automatisierten Vereinfachung komplexer Dokumente. Erste Erkenntnisse aus diesem Projekt zeigen, dass generische Large Language Models (LLMs) bereits ohne spezielles Training brauchbare Vereinfachungen erzeugen können. Gleichzeitig wird deutlich, dass einfache wortwörtliche Übersetzungen nicht ausreichen. Stattdessen müssen Inhalte neu strukturiert, priorisiert und auf handlungsrelevante Informationen reduziert werden. Die bisherigen Ergebnisse verdeutlichen, dass insbesondere strukturierte Übersetzungsprozesse, iterative Korrekturschleifen und geeignete Prompting-Strategien entscheidend für die Qualität solcher Systeme sind. Gleichzeitig bestehen weiterhin offene Fragen hinsichtlich Normkonformität, Kontextverarbeitung und praktischer Einsetzbarkeit solcher Ansätze.

  Zielsetzung: Ziel dieses Projekts ist die konzeptionelle Entwicklung, prototypische Umsetzung und Evaluation eines GenAI-basierten Ansatzes zur Übersetzung behördlicher Dokumente in einfache oder leichte Sprache. Das Projekt wird in Zusammenarbeit mit einem Praxispartner aus dem Bereich digitaler Zustelldienste durchgeführt, der reale Anwendungsfälle und Dokumenttypen aus der Praxis bereitstellt. Dadurch kann das Projekt direkt an konkreten Problemstellungen aus der Digitalisierung behördlicher Kommunikation ansetzen. Zu Beginn des Projekts soll das Projektteam die Anforderungen an barrierefreie Kommunikation im behördlichen Kontext analysieren. Dabei sollen sowohl gesetzliche Rahmenbedingungen als auch bestehende Regelwerke zur leichten Sprache berücksichtigt werden. Zusätzlich kann eine Analyse typischer behördlicher Dokumente erfolgen, um zentrale Herausforderungen bei der Vereinfachung komplexer Inhalte zu identifizieren. Auf dieser Grundlage sollen Designprinzipien für KI-gestützte Übersetzungsprozesse abgeleitet werden. Methodisch orientiert sich das Projekt am Design Science Research (DSR)-Ansatz nach Peffers et al., bei dem aus der Analyse eines praktischen Problems zunächst Gestaltungswissen abgeleitet und anschließend in Form eines Artefakts umgesetzt und evaluiert wird. Das entwickelte Designwissen soll anschließend prototypisch implementiert werden. Dabei können verschiedene technische Ansätze untersucht werden, beispielsweise strukturierte Prompting-Strategien, mehrstufige Übersetzungsprozesse mit LLM-Korrekturschleifen oder Strategien zum Umgang mit langen Dokumenten (z. B. Chunking und Zusammenführung von Kontextinformationen). Abschließend soll der entwickelte Ansatz anhand ausgewählter Dokumente evaluiert werden. Die Evaluation kann dabei – sofern möglich – in Abstimmung mit dem Praxispartner erfolgen. Ziel ist es zu untersuchen, inwiefern generative KI geeignet ist, komplexe Inhalte verständlich und normgerecht aufzubereiten und welche Grenzen bei der automatisierten Übersetzung bestehen. GenAI-APIs zur Entwicklung und Integration der benötigten KI-Funktionalitäten werden vom Lehrstuhl zur Verfügung gestellt.

  Anforderungen: 

  • Analyse gesetzlicher und normativer Anforderungen an leichte Sprache
  • Untersuchung bestehender Ansätze zur KI-basierten Textvereinfachung
  • Ableitung von Designprinzipien für GenAI-basierte Übersetzungsprozesse
  • Entwicklung eines prototypischen Übersetzungsworkflows auf Basis von LLMs
  • Untersuchung von Prompting-Strategien und mehrstufigen Übersetzungsprozessen
  • Evaluation der Ergebnisse hinsichtlich Verständlichkeit und Regelkonformität
  • Dokumentation und Verwaltung des Source-Codes in einem bereitgestellten Git-Repository
  • Dokumentation des Projekts (Standard/Pflicht)
  • Erstellen eines Projektplans und Verteilung der Aufgaben auf die Gruppenmitglieder mit Projektmanagement (Standard/Pflicht)
  • Präsentation der Projektergebnisse in Zwischen- und Endpräsentationen (Standard/Pflicht)

  Voraussetzungen:

  • Studierende der Fakultät für Informatik im Bereich Wirtschaftsinformatik oder Software Engineering im Bachelor (mit mindestens 90 ECTS) oder im Master (Standard/Pflicht)
  • Bereitschaft, sich vertiefend mit Generative AI und digitalen Assistenzsystemen auseinanderzusetzen
  • Vorkenntnisse in Programmierung vorteilhaft, aber nicht notwendig

  Literatur

  • Banh, L., & Strobel, G. (2023). Generative artificial intelligence. Electronic markets, 33(1), 63.
  • Strobel, G., Banh, L., Möller, F., & Schoormann, T. (2024). Exploring generative artificial intelligence: A taxonomy and types.
  • § 11 BGG - Einzelnorm; Der Beauftragte der Bundesregierung für die Belange von Menschen mit Behinderungen - UN-BRK - UN-Behindertenrechtskonvention
  • BSI - Zustellung elektronischer Einschreiben
  • Qualitätskriterien ‚Leichte Sprache‘ der Universität Hildesheim, Regelwerk des Netzwerks für leichte Sprache, Anlage 2 Teil 2 BITV2.0, § 11 BGG, DIN SPEC 33429

• SOFTEC-1-14, Sommersemester 2026, Betreuung: Leonardo Banh

  ProfessorGPT – Kommt das in der Klausur dran?

  Die Einführung generativer KI-Systeme wie ChatGPT hat sowohl die Lehre als auch die Bearbeitung von Aufgaben in Schulen und Universitäten erheblich verändert. Studierende nutzen Large Language Models (LLMs) zunehmend, um Texte zu verfassen oder zu überarbeiten, Konzepte zu verstehen oder sich komplexe Inhalte erklären zu lassen. Dadurch entstehen neue Möglichkeiten, Lernprozesse individuell zu unterstützen und Lerninhalte flexibel zugänglich zu machen. Gleichzeitig wird das Potenzial solcher Systeme für die strukturierte Unterstützung von Lehrveranstaltungen bislang nur teilweise ausgeschöpft. Viele Anwendungen erfolgen bislang informell und ohne gezielte didaktische Integration in bestehende Lernprozesse. Dabei könnten KI-basierte Assistenzsysteme Lernende dabei unterstützen, Inhalte eigenständig zu erarbeiten, Verständnisfragen zu klären oder zusätzliche Lernmaterialien zu generieren. Im Rahmen eines vorangegangenen studentischen Projekts wurde bereits ein erster Prototyp eines LLM basierten digitalen Lernassistenten („ProfessorGPT“) entwickelt, der Studierende beim Verständnis von Lehrinhalten unterstützen soll. Der bestehende Prototyp ermöglicht grundlegende Interaktionen mit einem KI System und dient als technische Grundlage für weitere Entwicklungen. Die vorhandenen Ergebnisse – einschließlich Konzept, Architektur und prototypischer Implementierung – bilden den Ausgangspunkt für die Weiterentwicklung eines solchen Systems im Kontext universitärer Lehrveranstaltungen.

  Zielsetzung: Ziel dieses Projekts ist die Weiterentwicklung und prototypische Implementierung eines KI-basierten digitalen Lernassistenten („ProfessorGPT“) zur Unterstützung von Studierenden. Das Projekt baut dabei auf den Ergebnissen einer vorherigen Projektgruppe auf. Der vorhandene Prototyp sowie zugehöriger Quellcode und Dokumentation werden dem Projektteam zur Verfügung gestellt und dienen als technischer Ausgangspunkt für die Weiterentwicklung. Zu Beginn des Projekts soll das Projektteam den bestehenden Systemstand analysieren und mögliche Erweiterungen identifizieren. 

  Darauf aufbauend sollen neue Funktionen konzipiert und prototypisch umgesetzt werden. Dazu können beispielsweise gehören:

  • die Verbesserung der Interaktion zwischen Studierenden und dem Lernassistenten
  • die Integration zusätzlicher Lernmaterialien oder Wissensquellen
  • die Generierung unterstützender Lerninhalte wie Karteikarten, Quizfragen oder Beispielaufgaben
  • die Entwicklung geeigneter Mechanismen zur Sicherstellung fachlicher Korrektheit der Antworten 

  Der entwickelte Prototyp soll im Kontext der Bachelorveranstaltung „Einführung in die Wirtschaftsinformatik“ eingesetzt und getestet werden. Ziel ist es, Studierenden einen digitalen Assistenten zur Verfügung zu stellen, der sie beim Verständnis von Vorlesungsinhalten, bei der Bearbeitung von Aufgaben sowie bei der Vor- und Nachbereitung der Veranstaltung unterstützt. Abschließend soll das entwickelte System im Rahmen einer Nutzerevaluation untersucht werden. Hierzu soll ein geeigneter Evaluationsplan entwickelt und umgesetzt werden, um Erkenntnisse über Nutzen, Akzeptanz und mögliche Verbesserungspotenziale des Systems zu gewinnen. GenAI-APIs zur Entwicklung und Integration der benötigten KI-Funktionalitäten sowie relevante Lehrmaterialien der Veranstaltung werden vom Lehrstuhl zur Verfügung gestellt.

  Anforderungen:

  • Analyse des bestehenden Prototyps und der bisherigen Projektergebnisse
  • Konzeption und Umsetzung von Erweiterungen des Lernassistenten
  • Auswahl geeigneter generativer KI-Technologien und Architekturen
  • Integration relevanter Lernmaterialien und Wissensquellen
  • Prototypische Implementierung und Weiterentwicklung des Systems
  • Evaluation des Systems mit Studierenden der Lehrveranstaltung
  • Dokumentation und Verwaltung des Source-Codes in einem bereitgestellten Git-Repository
  • Dokumentation des Projekts (Standard/Pflicht)
  • Erstellen eines Projektplans und Verteilung der Aufgaben auf die Gruppenmitglieder mit Projektmanagement (Standard/Pflicht)
  • Präsentation der Projektergebnisse in Zwischen- und Endpräsentationen (Standard/Pflicht)

  Voraussetzungen:

  • Studierende der Fakultät für Informatik im Bereich Wirtschaftsinformatik oder Software Engineering im Bachelor (mit mindestens 90 ECTS) oder im Master (Standard/Pflicht)
  • Bereitschaft, sich vertiefend mit Generative AI und digitalen Lernsystemen auseinanderzusetzen
  • Vorkenntnisse in Programmierung vorteilhaft, aber nicht notwendig

  Literatur

  • Banh, L. & Strobel, G. (2023). Generative artificial intelligence. Electronic Markets, 33(1). https://doi.org/10.1007/s12525-023-00680-1
  • Hughes, L., Malik, T., Dettmer, S., Al-Busaidi, A. S. & Dwivedi, Y. K. (2025). Reimagining Higher Education: Navigating the Challenges of Generative AI Adoption. Information Systems Frontiers. https://doi.org/10.1007/s10796-025-10582-6
  • Mashayekhy, M., Nosrati, F. & Ghasemaghaei, M. (2025). Unlocking the Future of Education: Empirical Insights into the Adoption of Generative AI in Higher Education. Communications Of The Association For Information Systems, 57(1), 1270–1295. https://doi.org/10.17705/1cais.05755
  • Singh, A., Mansour, J., Patel, J. & Van Slyke, C. (2026). Generative Artificial intelligence in Information Systems Education: Benefits, challenges and recommendations. Communications Of The Association For Information Systems. https://aisel.aisnet.org/cais/vol58/iss1/31
  • Van Slyke, C., Johnson, R. & Sarabadani, J. (2023). Generative Artificial Intelligence in Information Systems Education: Challenges, Consequences, and Responses. Communications Of The Association For Information Systems, 53(1), 1–21. doi.org/10.17705/1cais.05301

Die Studierenden generieren innovative Gründungsideen und setzen diese um. 

Siehe https://sust.ris.uni-due.de/teaching/summer-26/digital-startup-camp-incubate-x-future-17332/ 

Bewerbung: https://tm.ris.uni-due.de/teaching/student-projects/

Liste der möglichen konkreten Themen:

• TM-1-1, Sommersemester 2026, Betreuung: Jannis Nacke

  Building AI Agents that Work in ERP Systems

  Enterprise Resource Planning systems form the backbone of many organizational processes, integrating activities such as procurement, accounting, sales, and logistics. In practice, these systems are continuously used by employees who create, modify, and process transactions. Their interactions generate digital traces that shape organizational workflows and influence process performance. However, when studying digital processes in controlled environments, one fundamental challenge emerges: real organizational behavior is difficult to replicate without actual users interacting with the system.

  Within the Process Innovation and Automation Lab, an experimental infrastructure has been established to simulate and analyze digital business processes. The lab currently operates an instance of the open-source ERP system ERPNext, which is highly extensible and accessible through various APIs. While the system infrastructure has been successfully deployed, the current setup remains largely static because there are no simulated users interacting with the system. As a result, realistic process dynamics, including user decisions, delays, and potential errors, are missing.

  This project aims to address this limitation by exploring how agentic AI can be used to simulate employees interacting with ERP systems. By designing autonomous or semi-autonomous agents that perform realistic system interactions, the project seeks to create a dynamic environment in which business processes can be executed, observed, and analyzed. Such an environment would allow the lab to simulate organizational behavior and generate realistic event data for research and teaching purposes.

  Project Objectives: The goal of this project is to design and implement a prototype that simulates employee interactions within the ERPNext system using agentic AI techniques.

  Key objectives include:

  1. Analyze typical employee interactions within ERP systems and identify relevant process scenarios that should be simulated.
  2. Design a concept for agent-based interaction with ERPNext, including possible use of APIs, automation workflows, and AI based decision logic.
  3. Implement a prototype that enables automated agents to perform realistic system actions within a dedicated ERPNext instance.
  4. Explore the integration of orchestration or automation tools such as n8n or other open source components to coordinate system interactions.
  5. Evaluate whether the simulated interactions produce meaningful system logs and process traces that can be used for research in process mining and automation.

  The resulting prototype should contribute to the further development of the Process Innovation and Automation Lab infrastructure.

  Project Requirements:

  • Development of a project plan and distribution of tasks among group members
  • Analysis of ERPNext system interaction possibilities
  • Design and implementation of an agent-based interaction prototype
  • Integration of automation tools such as n8n or comparable open-source components if needed
  • Documentation of the developed architecture and implementation
  • Presentation of intermediate and final results

  Prerequisites:

  • Students of Information Systems, Computer Science, or Software Engineering at bachelor or master level
  • Interest in business process automation, ERP systems, and artificial intelligence
  • Basic programming skills (for example Python, JavaScript, or similar)
  • Motivation to experiment with open-source tools and system integrations

  Literatur

  • Davenport, T. H. (1998): Putting the enterprise into the enterprise system. In: Harvard business review 76 (4), S. 121–131.
  • Robert Jacobs, F.; ‘Ted’ Weston, F. C. (2007): Enterprise resource planning (ERP)—A brief history. In: J of Ops Management 25 (2), S. 357–363. DOI: 10.1016/j.jom.2006.11.005
  • Claude (Hg.) (2026): The 2026 State of AIAgents Report. How enterprises are building anddeploying AI in production. https://cdn.sanity.io/files/4zrzovbb/website/cd77281ebc251e6b860543d8943ede8d06c4ef50.pdf,
  • Anthropic (Hg.) (2025): How we built our multi-agent research system. https://www.anthropic.com/engineering/multi-agent-research-system?
  • Anthropic (Hg.) (2024): Building Effective AI Agents \ Anthropic. https://www.anthropic.com/engineering/building-effective-agents

• TM-1-2, Sommersemester 2026, Betreuung: Jannis Nacke

  Designing AI Workflows to Enhance HR Processes

  Human Resource departments play a central role in organizations, managing processes such as recruitment, onboarding, employee administration, and internal communication. Despite the increasing availability of digital technologies, many HR processes remain only partially digitalized or still rely on manual activities. This often leads to inefficiencies, redundant data handling, and limited transparency in administrative workflows.

  In many organizations, HR departments are aware of the potential benefits of automation and digital transformation but face difficulties in identifying where to start and how to design suitable solutions. In particular, small and medium sized organizations frequently lack concrete prototypes or demonstrators that illustrate how digital technologies can be applied to HR processes in practice.

  Within the Process Innovation and Automation Lab, an experimental infrastructure has been established that enables the simulation and automation of digital business processes. The lab operates an instance of the open source ERP system ERPNext, which supports various HR related functionalities and provides extensive APIs for system interaction. In addition, automation platforms such as n8n are available for designing and orchestrating automated workflows.

  This project aims to explore how typical HR processes can be automated by combining ERP systems and workflow automation tools. The goal is to develop a demonstrator prototype that illustrates how selected HR processes can be digitalized and automated. The resulting prototype should serve as a practical reference that can be presented to companies to demonstrate the potential of HR process automation. The project may be conducted in collaboration with an industry partner to ensure that the selected HR processes and automation concepts reflect real organizational requirements.

  Project Objectives: The goal of this project is to design and implement a prototype for the automation of selected HR processes using ERPNext and workflow automation tools.
   

  Key objectives include:

  1. Analyze typical HR processes in organizations and identify relevant use cases that are frequently manual or insufficiently digitalized (for example onboarding, leave management, employee data management, or internal requests).
  2. Select one or more suitable HR processes and design a concept for their digitalization and automation within the ERPNext environment.
  3. Design automated workflows that connect ERPNext with automation tools such as n8n to orchestrate process steps and system interactions.
  4. Implement a prototype demonstrating how the selected HR processes can be automated within the lab infrastructure.
  5. Evaluate the prototype and prepare a demonstration that can be used to illustrate HR automation opportunities to companies and practitioners.

  The final outcome should provide both a technical prototype and a conceptual understanding of how HR process automation can be implemented in practice.

  Project Requirements:

  • Development of a project plan and distribution of tasks among group members
  • Analysis and documentation of selected HR processes and their digitalization potential
  • Design of automated workflows connecting ERPNext and automation tools (for example n8n)
  • Development of a working prototype within the lab infrastructure
  • Documentation of the technical architecture and implemented workflows
  • Presentation of intermediate and final results

  Prerequisites:

  • Students of Information Systems, Computer Science, or Software Engineering at bachelor or master level
  • Interest in digital transformation, HR technologies, and process automation
  • Basic programming skills or willingness to work with workflow automation tools
  • Motivation to experiment with open-source platforms and system integrations

  Literatur

  • Stone, Dianna L.; Deadrick, Diana L.; Lukaszewski, Kimberly M.; Johnson, Richard (2015): The influence of technology on the future of human resource management. In: Human Resource Management Review 25 (2), S. 216–231. DOI: 10.1016/j.hrmr.2015.01.002
  • Strohmeier, Emma Parry and Professor Stefan (2014): HRM in the digital age – digital changes and challenges of the HR profession. In: Employee Relations 36 (4). DOI: 10.1108/ER-03-2014-003
  • Anthropic (Hg.) (2024): Building Effective AI Agents \ Anthropic. https://www.anthropic.com/engineering/building-effective-agents
  • ERPNext n8n Integration: Complete Actions and API Guide 2025 (2025). In: Hack'celeration, 04.12.2025. Online verfügbar unter https://hackceleration.com/erpnext-n8n/,
  • Fettke, Peter; Di Francescomarino, Chiara (2025): Business Process Management and Artificial Intelligence. In: Künstl Intell 39 (2), S. 67–79. DOI: 10.1007/s13218-025-00891-y.

• TM-1-3, Sommersemester 2026, Betreuung: Jannis Nacke

  Designing an AI Copilot for ERP Systems

  Enterprise Resource Planning systems provide a wide range of functionalities to support employees in their daily work. These systems integrate data and processes across departments such as procurement, finance, logistics, and human resources. In theory, ERP systems enable employees to access relevant information, perform transactions, and coordinate organizational activities efficiently within a single platform.

  In practice, however, many employees only use a small fraction of the available system capabilities. One reason for this is that ERP systems are often perceived as complex and difficult to navigate. Users may not know where specific information is stored, which functions are available, or how certain tasks can be performed within the system. As a result, employees frequently rely on workarounds, additional communication with colleagues, or manual searches instead of leveraging the full capabilities of the ERP system.

  Recent advances in conversational AI and large language models offer new opportunities to simplify how users interact with complex software systems. Instead of navigating menus and interfaces, employees could interact with enterprise systems through natural language, asking questions such as “Which purchase orders require approval today?” or “Show me the most recent customer orders.” Such conversational interfaces could significantly improve system accessibility and user experience.

  Within the Process Innovation and Automation Lab, an instance of the open source ERP system ERPNext has been deployed to simulate and study digital business processes. This project aims to explore how a conversational chatbot interface can be connected to ERPNext, enabling users to query and interact with the system through natural language. The resulting prototype should demonstrate how conversational interfaces can enhance accessibility and usability of enterprise systems. In addition, the project will explore how the potential benefits of conversational ERP interaction can be systematically evaluated and which evaluation criteria are suitable to assess the impact of such interfaces in practice.

  Project Objectives: The goal of this project is to design and implement a prototype chatbot that enables natural language interaction with an ERPNext system.

  Key objectives include:

  1. Analyze typical user information needs and interactions within ERP systems to identify relevant use cases for conversational access.
  2. Design an architecture that connects a conversational AI interface with ERPNext using available APIs and system integrations.
  3. Develop a chatbot prototype that allows users to query ERP data and retrieve relevant information through natural language interaction.
  4. Implement selected example scenarios (for example retrieving orders, approvals, or system information) within the ERPNext environment.
  5. Develop an evaluation approach to assess the usability and potential benefits of conversational ERP interaction and apply it to the developed prototype.

  The final outcome should be a functional prototype illustrating how conversational interfaces can improve interaction with enterprise systems.

  Project Requirements:

  • Development of a project plan and distribution of tasks among group members
  • Analysis of ERPNext APIs and system interaction possibilities
  • Design of an architecture connecting a chatbot interface with ERPNext
  • Development of a working prototype for conversational interaction with ERP data
  • Documentation of system architecture and implemented features
  • Presentation of intermediate and final results

  Prerequisites:

  • Students of Information Systems, Computer Science, or Software Engineering at bachelor or master level
  • Interest in artificial intelligence, conversational systems, and enterprise software
  • Basic programming skills (for example Python, JavaScript, or similar)
  • Motivation to experiment with system integrations and open source technologies

  Literatur

  • Anthropic (Hg.) (2024): Building Effective AI Agents \ Anthropic. https://www.anthropic.com/engineering/building-effective-agents
  • Davenport, T. H. (1998): Putting the enterprise into the enterprise system. In: Harvard business review 76 (4), S. 121–131.
  • ERPNext Documentation (2026). https://docs.erpnext.com/homepage
  • Mariani, Marcello M.; Hashemi, Novin; Wirtz, Jochen (2023): Artificial intelligence empowered conversational agents: A systematic literature review and research agenda. In: Journal of Business Research 161, S. 113838. DOI: 10.1016/j.jbusres.2023.113838.
  • Shunyu Yao; Dian Yu; Jeffrey Zhao; Izhak Shafran; Thomas L. Griffiths; Yuan Cao; Karthik Narasimhan (2023): Tree of Thoughts: Deliberate Problem Solving with Large Language Models. In: Advances in Neural Information Processing Systems 36 - 37th Conference on Neural Information Processing collaborate.princeton.edu/en/publications/tree-of-thoughts-deliberate-problem-solving-with-large-language-m-2/