Doctors work in a demanding, time-constrained environment where decision making has severe consequences for their patients. Thus, it is highly important that they receive every possible aid there is, and that they apply it correctly. Today, artificial intelligence (AI), and especially Large Language Models (LLM) show potential to increase healthcare quality by synthesizing the wealth of existing medical knowledge and making it available through simple prompting (Xiong et al., 2024). However, this promise does not come without cost. If doctors receive direct recommendations for how to treat their patients, they may fail to consider relevant alternatives, or may not be able to responsibly communicate such a decision to patients (Liu et al., 2025). 

These risks stem from cognitive biases such as anchoring or automation bias, that could lead to doctors not recognizing when an AI system has made a mistake, thus leading to unsafe or inappropriate treatments. Even if an AI system on average outperforms human doctors, it may not capture all possible variables that a human doctor could perceive in direct patient interaction. A previous project has explored approaches to mitigating cognitive bias in medical decision-making. It has shown that providing both supporting and contradicting or cautioning arguments once the doctor has entered an initial assessment may help to keep treatment decisions safe and under human responsibility, while still profiting from modern LLMs’ ability to collect and present medical knowledge. Retrieval-Augmented Generation (RAG) could be used to implement such a system and provide hallucination-free sources (Lewis et al., 2020).

Project Objectives: The objective of this specific Bachelor/Master project is to develop a RAG system to support medical treatment decision making. It will focus on breast cancer treatments in order to establish a manageable scope. The main task will be to build the RAG system and (1) establish a working knowledge source, e.g., through a vector database, (2) implement a working retrieval component, and (3) use it to generate both supporting and contradicting arguments for a doctor’s initial treatment suggestion. These arguments should be integrated into a user interface to demonstrate the results to interview partners for evaluation.

The objectives of this specific project are the following:

• Building a database of relevant oncological publications on breast cancer treatment
• Implementing the RAG system and testing different configurations
• Implementing a user interface for presenting the generated answers
• Evaluating the system against clinical guidelines and through interviews with medical students and expert oncologists

Project Requirements: 

Milestone deliverables:

• Collection of paper corpus
• Implementation of RAG pipeline
• One-page management summary
• Implementation of user interface for argument presentation
• Comparison with official medical guidelines
• Interview study with medical students and oncologists

Final deliverables: 

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

Literatur

• Xiong, G., Jin, Q., Lu, Z., & Zhang, A. (2024). Benchmarking retrieval-augmented generation for medicine. In Findings of the Association for Computational Linguistics: ACL 2024 (pp. 6233-6251).
• Liu, P., Zhang, J., Chen, S., & Chen, S. (2025). Human-AI teaming in healthcare: 1+ 1> 2?. npj Artificial Intelligence, 1(1), 47.
• Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., Küttler, H., Lewis, M., Yih, W., Rocktäschel, T., Riedel, S. & Kiela, D. (2020). Retrieval-augmented generation for knowledge-intensive nlp tasks. Advances in neural information processing systems, 33, 9459-9474.

Esports has developed into a global phenomenon with substantial economic and cultural relevance. The global esports market was valued at approximately US$2.6 billion in 2025 (Grand View Research, 2026). Many gamers report experiencing a state of complete immersion during gameplay, accompanied by a loss of track of time (Nah et al., 2014). This state of optimal experience, also known as flow state, is closely related to peak performance and results in positive and rewarding feelings after the activity. This flow state is of particular interest to game designers, who seek to evoke it in order to maximize player engagement (Nah et al., 2014), to players looking to enhance their performance, and to economic stakeholders in professional esports, who profit from that improved performance.

Thus, current research focuses on measuring flow while gaming. Recent studies have demonstrated an underlying relationship between flow and physiological data, such as heart rate or respiration rate. Moreover, associations have been identified between flow and parameters measured via eye- and face-tracking (Berger et al., 2021). These findings open up the possibility of detecting flow through non-obtrusive devices, such as electrocardiogram (ECG) chest belts and cameras, that can easily be integrated into existing gaming setups. 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 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. Because the study collects sensitive physiological and video data, a data protection and ethics concept has to be developed by the participating students. Students will get access to measurement equipment, such as ECG chest belts and face-reader software, and to results of previous student projects, including study design, measurement system, and data.

The objectives of this specific project are the following: 

• Review of relevant literature on flow in the gaming context
• Review of the current study design, measurement system, and data
• 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

• Berger, C., Knierim, M. T., & Weinhardt, C. (2021). Detecting flow experiences in the field using video-based head and face activity recognition: a pilot study. In NeuroIS Retreat (pp. 120-127). Cham: Springer International Publishing.
• Grand View Research (2026). Esports Market (2026-2033). Last retrieved: 20.08.2026. https://www.grandviewresearch.com/industry-analysis/esports-market
• 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)
• Nah, F. F. H., Eschenbrenner, B., Zeng, Q., Telaprolu, V. R., & Sepehr, S. (2014). Flow in gaming: literature synthesis and framework development. International Journal of Information Systems and Management, 1(1-2), 83-124.

When human and artificial intelligence (AI) interact to make decisions, the ultimate goal is to surpass whatever performance either one achieves on its own (Bansal et al., 2021). In practice, however, humans tend to exhibit too much reliance on the AI (Bertrand et al., 2022). Hence, they mostly accept what the AI proposes, adding little critical oversight to the process. 

An aspect to this problem that has seen little scientific scrutiny is, how overlap between the AI’s and the human’s skills shapes these results. In most studies, the AI performs better than the human by itself, but it is not clear whether AI performs well on different instances than the human, or whether they succeed mostly at similar instances. This has important implications for human-AI complementarity. If humans get many instances right by themselves, but fail at the same ones when relying on AI, there is more potential to reach complementary performance, than there is if human and AI largely fail and succeed at the same instances.

Furthermore, the effect of explainable AI (XAI) on human reliance behavior remains unclear. While XAI has been shown to potentially increase overreliance, for instance due to persuading users of the AI’s correctness, this has not been investigated with the different skills of human and AI in mind. This project will look at the effect that combining contrastive examples with interactive XAI has on human-AI task performance (Miller, 2019, Bertrand et al., 2023). For this purpose, the group will use the CUB-200 bird classification dataset (Welinder et al., 2010).

Project Objectives: The objective of this specific Bachelor/Master project is to investigate how different XAI methods affect user reliance behavior, with special consideration given to baseline differences in performance between human and AI. To achieve this, the project is split into two phases. 

First, the participating students will assess how human and AI differ not only in terms of their overall performance, but also on the instance level. They will train two different AI models on the CUB-200 dataset, and in parallel conduct a pretest with fellow students to determine which instances human and AI get correct respectively. Second, based on this comparison, the group will conduct a user experiment with 20 to 40 participants to determine the effect that enabling interaction with contrastive examples has on user reliance behavior. During the experiment, eye-tracking data will be collected in addition to task data to analyze which parts of the explanatory information were actively considered during decision making.

The objectives of this specific project are the following:

• Pretesting of instance-level performance of AI models and human participants
• Implementing the experimental setup based on the pretesting results
• Conducting and analyzing the experiment

Project Requirements:

Milestone deliverables:

• Two AI models trained on the CUB-200 data
• Pretesting results with human users
• Implementation of study setup
• One-page management summary
• Final experiment results and analysis

Final deliverables: 

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

Literatur

• Bansal, G., Wu, T., Zhou, J., Fok, R., Nushi, B., Kamar, E., Ribeiro, M. & 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).
• Miller, T. (2019). Explanation in artificial intelligence: Insights from the social sciences. Artificial intelligence, 267, 1-38.
• Bertrand, A., Viard, T., Belloum, R., Eagan, J. R., & Maxwell, W. (2023, April). On selective, mutable and dialogic xai: A review of what users say about different types of interactive explanations. In Proceedings of the 2023 CHI conference on human factors in computing systems (pp. 1-21).
• Welinder, P., Branson, S., Mita, T., Wah, C., Schroff, F., Belongie, S., & Perona, P. (2010). Caltech-UCSD birds 200.

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

Researchers focusing on flow classification are likewise affected by this challenge. Flow, the feeling of being completely absorbed into an activity, is regarded as a desirable state due to its association with improved performance and well-being (Peifer, 2020). Consequently, recent research approaches focus on developing tools capable of detecting flow with wearable devices, such as ECG chest belts, to support individuals in entering or maintaining this state. Researchers have already accomplished important 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.

Despite these advances, the limited number of publicly available datasets hinders further progress in flow state classification. One possible solution is transfer learning, where knowledge learned from related physiological classification tasks is transferred to flow-specific classification. Initial results demonstrate the potential of transfer learning within the flow context by improving classification performance by 5 % (Irshad et al., 2023). Thus, the objective of this student project is to identify relevant datasets and to develop an ML pipeline including transfer learning to classify flow based on physiological 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 physiological datasets from (1) flow-related contexts and (2) flow-specific contexts, which are then used to apply transfer learning methods. Students will get access to the results of an overview of flow-specific datasets identified by previous student groups and to the university’s high-performance cluster.

The objectives of this specific project are the following: 

• Review of the relevant literature on flow physiology 
• Review of current transfer learning and machine learning methods in physiological flow classification
• Identification of publicly available datasets from a flow-related and a flow-specific context
• Data preprocessing
• Training and testing of different ML algorithms
• Evaluation of model performance

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

• 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.
• 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.

Der Einsatz generativer KI im Studium nimmt stetig zu und umfasst unterschiedliche Formen der Unterstützung, Erweiterung, Delegation und Substitution studienbezogener Aufgaben. Während generative KI in einigen Situationen lediglich punktuell unterstützt, kann die Technologie in anderen Fällen wesentliche Teile der kognitiven oder aufgabenbezogenen Leistung übernehmen. Inwieweit ist deine tatsächliche KI-Nutzung für die Hochschule sichtbar? Nutzt du ausschließlich autorisierte KI-Systeme und kennzeichnest bzw. dokumentierst du deine KI-Nutzung vollständig, sofern diese Kennzeichnung bzw. Dokumentation institutionell erforderlich ist? Genau solche Nutzungssituationen gewinnen an Bedeutung, da Hochschulen durch KI-Richtlinien festlegen, welche KI-Systeme und Nutzungsszenarien zulässig sind und unter welchen Bedingungen die tatsächliche KI-Nutzung gekennzeichnet oder dokumentiert werden muss. Dabei kann Schatten-KI auf unterschiedlichen Ebenen auftreten: Einerseits kann ein KI-System außerhalb der institutionellen Autorisierung genutzt werden, andererseits kann auch die konkrete Nutzung eines grundsätzlich zulässigen Systems außerhalb der vorgesehenen Transparenz- und Dokumentationsmechanismen stattfinden. Darüber hinaus unterscheiden sich diese Nutzungsepisoden darin, wie stark generative KI in die eigentliche Aufgabenbearbeitung eingreift, von unterstützend über erweiternd und auslagernd bis hin zu ersetzend. Somit kann sich Schatten-KI in unterschiedlichen Konfigurationen aus institutioneller Einbettung, tatsächlicher KI-Beteiligung sowie dem Verhältnis zwischen erforderlicher und tatsächlicher Offenlegung manifestieren.

Die Untersuchung der Entstehung von Schatten-KI kann erklären, warum Studierende die Technologie außerhalb institutionell vorgesehener Steuerungs- oder Transparenzmechanismen nutzen. Allerdings gibt dieser Ansatz noch keinen Aufschluss darüber, welche konkrete Form diese Nutzung anschließend annimmt. Eine ausschließlich binäre Unterscheidung zwischen Schatten-KI und institutionell eingebetteter bzw. regelkonformer KI-Nutzung greift hierbei zu kurz, da sich einzelne Episoden der Schatten-KI sowohl hinsichtlich der institutionellen Einbettung als auch der tatsächlichen KI-Beteiligung sowie dem Verhältnis zwischen erforderlicher und tatsächlicher Offenlegung erheblich unterscheiden können. So können sowohl die unterstützende Nutzung eines nicht autorisierten KI-Systems als auch die ersetzende Nutzung eines grundsätzlich zulässigen KI-Systems bei fehlender Offenlegung Formen von Schatten-KI darstellen. Gleichzeitig sind diese Nutzungsformen für sich genommen nicht charakteristisch für Schatten-KI, da es auch innerhalb vollständig regelkonformer und transparenter KI-Nutzung auftreten können. Es fehlt daher an einer empirisch fundierten Systematisierung, welche die institutionelle Einbettung, die tatsächliche KI-Beteiligung und die Offenlegungstransparenz gemeinsam betrachtet und daraus unterschiedliche Schatten-KI-Konfigurationen ableitet.

Project Objectives:

Vor diesem Hintergrund zielt die vorliegende Projektarbeit im Rahmen einer qualitativen Interviewstudie darauf ab, konkrete GenAI-Nutzungsepisoden zu erfassen und unterschiedliche Manifestationsformen von Schatten-KI empirisch zu untersuchen. Die Interviews werden transkribiert und ausgewertet, um daraus empirisch relevante Manifestationsdimensionen und wiederkehrende Nutzungskonfigurationen abzuleiten. Dabei dienen die institutionelle Einbettung bzw. Autorisierung der KI-Nutzung, der Grad der KI-Beteiligung an der Aufgabenbearbeitung sowie das Verhältnis zwischen institutionell erforderlicher und tatsächlich erfolgter Offenlegung als zunächst theoretisch begründete Orientierungspunkte. Auf dieser Grundlage soll untersucht werden, welche Dimensionen sich in den konkreten Nutzungsepisoden bestätigen, wie gegebenenfalls eine Weiterdifferenzierung oder Ergänzung aussehen könnte und welche wiederkehrenden Schatten-KI-Konfigurationen sich daraus ergeben. Basierend auf diesen empirischen Erkenntnissen wird im Rahmen eines DSR-Prozesses nach Peffers et al. (2007) ein multidimensionaler Klassifikationsrahmen für studienbezogene Schatten-KI-Konfigurationen erstellt. Dieses Modell umfasst einen Schatten-KI-Konfigurationsraum, eine Klassifikationsmatrix, Entscheidungsregeln sowie exemplarische Referenzfälle. Mithilfe dieses Artefakts sollen konkrete Nutzungsepisoden systematisch eingeordnet werden. Zum Beispiel sollen werkzeugbasierte, nutzungsbasierte und kombinierte Formen von Schatten-KI unterschieden und zugleich abgebildet werden, in welcher Form generative KI innerhalb der jeweiligen Episode unterstützend, erweiternd, auslagernd oder ersetzend eingesetzt wird. Die prototypische Ausgestaltung des Klassifikationsrahmens wird durch eine fallbasierte Demonstration und anwendungsorientierte Evaluation überprüft. Auf diese Weise sollen Verständlichkeit, Vollständigkeit, Trennschärfe und praktische Anwendbarkeit des Klassifikationsrahmens beurteilt werden.

Project Requirements:

Die konkrete Ausgestaltung der Aufgabenstellung obliegt dem Projektteam. Dabei sind die folgenden Anforderungen zu berücksichtigen und umzusetzen: Zunächst erstellt das Team einen umfassenden Projektplan, der eine klare Aufgabenverteilung sowie eine strukturierte Zeit- und Ressourcenplanung umfasst. Parallel dazu wird der institutionelle Regelungsrahmen analysiert und ein Interviewleitfaden zur Rekonstruktion konkreter studentischer GenAI-Nutzungsepisoden entwickelt. Im Anschluss erfolgen die qualitative Datenerhebung, Transkription und Auswertung sowie die Konzeption und prototypische Entwicklung des Artefakts. Aus der resultierenden Datenstruktur sind schließlich relevante Dimensionen, Ausprägungen, wiederkehrende Schatten-KI-Konfigurationen, Abgrenzungskriterien und Entscheidungsregeln abzuleiten. Die Realisierung und Evaluation des Prototyps erfolgt unter Anwendung des DSR-Ansatzes. Dazu wird der entwickelte Klassifikationsrahmen zunächst auf neue bzw. zur Entwicklung nicht verwendete Nutzungsepisoden angewendet und anschließend hinsichtlich Verständlichkeit, Vollständigkeit, Trennschärfe und Anwendbarkeit evaluiert. Dabei soll überprüft werden, ob Studierende mithilfe des Artefakts zu nachvollziehbaren und möglichst übereinstimmenden Klassifikationen konkreter Nutzungsepisoden gelangen. Abschließend präsentiert das Projektteam die erzielten Ergebnisse und dokumentiert den gesamten Entwicklungs-, Demonstrations- und Evaluationsprozess in einer abschließenden Projektdokumentation.

Prerequisites:

Teilnahmeberechtigt sind Studierende (B.Sc.) ab 90 CP oder Studierende (M.Sc.) der angewandten Informatik bzw. Wirtschaftsinformatik. Von den Teilnehmenden wird ein grundlegendes Interesse an der Einarbeitung in ein neues Fachgebiet sowie an der Entwicklung digitaler Anwendungen erwartet.

Literatur

Referenzen und weitere Unterlagen werden im Rahmen der Einführungsveranstaltung ausgehändigt.

Zunehmend organisieren Unternehmen die Daten dezentral und stellen standardisierte Datenprodukte für unterschiedliche Fachbereiche bereit. Insbesondere im Rahmen von „Data-Mesh“-Architekturen sollen Domänen-Teams möglichst eigenständig auf relevante Daten zugreifen und die Daten für Analysen oder operative Entscheidungen nutzen können. In der Praxis erfolgt der Zugriff jedoch häufig über umfangreiche Datenkataloge. In diesen müssen zunächst geeignete Datenquellen, Tabellen und bestehende Datenprodukte identifiziert und anschließend manuell miteinander kombiniert werden. Warum sollten Fachanwender komplexe Datenkataloge durchsuchen müssen, wenn es möglich wäre, den Informationsbedarf direkt in natürlicher Sprache zu formulieren? Generative KI bietet die Möglichkeit, fachliche Anforderungen zu interpretieren, vorhandene Datenquellen automatisiert zu identifizieren und daraus bedarfsgerecht neue Datenprodukte zusammenzustellen.

Bestehende Datenmarktplätze und Datenkataloge unterstützen Anwender vor allem bei der Suche und Bereitstellung bereits vorhandener Datenprodukte. Komplexere Analyseanforderungen erfordern jedoch häufig die Kombination mehrerer Datenquellen. In diesem Fall müssen Fachanwender zunächst geeignete Datenbestände identifizieren und über technische Kenntnisse bezüglich Datenmodellen, Beziehungen oder Abfragestrukturen verfügen. Dadurch entsteht eine Lücke zwischen der fachlichen Informationsanforderung und der technischen Bereitstellung eines nutzbaren Datenprodukts. Gleichzeitig müssen bei der automatisierten Zusammenstellung neuer Datenprodukte verschiedene Vorgaben, Zugriffsrechte und Metadaten berücksichtigt werden. Es fehlt daher an einer intuitiven Lösung, die natürlichsprachlich formulierte Geschäftsanforderungen automatisiert mit vorhandenen Datenbeständen verknüpft und unmittelbar nutzbare, strukturierte und regelkonforme Datenprodukte erzeugt.

Project Objectives:

Vor diesem Hintergrund zielt die vorliegende Projektarbeit auf die Konzeption, prototypische Entwicklung und Evaluation eines generativen Datenmarktplatzes zur bedarfsorientierten Erstellung von Datenprodukten ab. Die Anwender sollen in der Lage sein, fachliche Informationsbedarfe in natürlicher Sprache zu formulieren. Das entwickelte System soll diese Anforderung interpretieren, relevante Metadaten und Datenquellen innerhalb eines Datenkatalogs identifizieren und daraus dynamisch ein geeignetes Datenprodukt in Form einer temporären logischen Ansicht erzeugen. Vor der Bereitstellung sollen bestehende Vorgaben zur Unternehmenssteuerung und Zugriffsrechte automatisiert berücksichtigt werden. Im Rahmen eines DSR-Prozesses nach Peffers et al. (2007) wird ein prototypisches Artefakt entwickelt, das eine natürlichsprachliche Benutzerschnittstelle, eine Komponente zur Interpretation fachlicher Anforderungen, eine Metadaten- und Datenquellenzuordnung sowie die automatisierte Generierung umfasst. Zur Demonstration und Evaluation des Artefakts werden öffentliche oder synthetisch erzeugte Datensätze in eine realitätsnahe Unternehmensdatenlandschaft überführt und unterschiedliche Anwendungsszenarien umgesetzt. Auf diese Weise soll untersucht werden, inwieweit sich komplexe fachliche Datenanforderungen automatisiert in geeignete, nachvollziehbare und regelkonforme Datenprodukte überführen lassen.

Project Requirements:

Die konkrete Ausgestaltung der Aufgabenstellung obliegt dem Projektteam. Dabei sind die folgenden Anforderungen zu berücksichtigen und umzusetzen: Zunächst erstellt das Team einen umfassenden Projektplan, der eine klare Aufgabenverteilung sowie eine strukturierte Zeit- und Ressourcenplanung umfasst. Anschließend analysiert es bestehende Data-Mesh-, Data-Marketplace- und Data-Product-Konzepte sowie die technischen Möglichkeiten. Auf dieser Grundlage sind die Anforderungen an den generativen Datenmarktplatz abzuleiten und eine geeignete Systemarchitektur zu konzipieren. Im nächsten Schritt wird eine prototypische Anwendung entwickelt, die natürlichsprachliche Geschäftsanforderungen entgegennimmt, relevante Kataloginformationen und Datenquellen identifiziert und daraus dynamisch logische Datenprodukte erzeugt. Hierfür ist eine geeignete Benutzeroberfläche zu entwickeln, beispielsweise auf Basis von Next.js, React oder einer Python-basierten UI. Zur Simulation eines realistischen Anwendungskontexts sind öffentliche oder synthetische Datensätze einzubinden und geeignete Metadaten, Zugriffsrechte sowie Unternehmensrichtlinien abzubilden. Die entwickelte Lösung wird anschließend anhand definierter Anwendungsszenarien demonstriert und hinsichtlich funktionaler Eignung, Nachvollziehbarkeit, Benutzerfreundlichkeit sowie der korrekten Berücksichtigung von Steuerungs- und Zugriffsregeln evaluiert. Abschließend präsentiert das Projektteam die erzielten Ergebnisse und dokumentiert den gesamten Entwicklungs-, Demonstrations- und Evaluationsprozess in einer Projektdokumentation.

Prerequisites:

Teilnahmeberechtigt sind Studierende (B.Sc.) ab 90 CP oder Studierende (M.Sc.) der angewandten Informatik bzw. Wirtschaftsinformatik. Von den Teilnehmenden wird ein grundlegendes Interesse an der Einarbeitung in ein neues Fachgebiet sowie an der Entwicklung digitaler Anwendungen erwartet.

Literatur

Referenzen und weitere Unterlagen werden im Rahmen der Einführungsveranstaltung ausgehändigt.

Wir alle besitzen sie: gute und eher schlechte Gewohnheiten. In der heutigen Zeit, geprägt durch exzessive Social-Media-Nutzung, zu wenig Bewegung und ungesunde Ernährung, wollen wir häufig daran etwas ändern. Das Ändern von Gewohnheiten ist allerdings ein langwieriger, komplexer und häufig schwieriger Prozess, der über Wochen bis Monate andauern kann. Genau hier setzt ein immer größer werdender Markt digitaler Lösungen an, die dabei Unterstützung bieten sollen, z. B. Habit Tracker oder Goal Setting Apps. Diese folgen im Wesentlichen zwei Mustern: Zielsetzung mit Fortschrittsmessung oder reines Tracking. Beide Mechanismen sind für sich wirksam, setzen jedoch einen Referenzwert bzw. eine konkret ausformulierte Handlung voraus. Nutzer, die beides mitbringen, werden unterstützt; wer nicht weiß, welches Verhalten zu ihm passt, erhält von diesen Apps keine geeignete Unterstützung. Offen bleibt damit der vorgelagerte Schritt: Wie kommen Nutzende überhaupt zu einer Verhaltensweise, die zu ihnen passt? Ob eine Gewohnheit zum eigenen Tagesablauf, Energieniveau und Interesse passt, lässt sich vorab nur in Teilen bestimmen; doch es zeigt sich vor allem im Ausprobieren und Experimentieren. Das Projekt verfolgt deshalb einen anderen Einstieg: nicht die Frage, was jemand erreichen will, sondern was er ausprobieren möchte: als bewusst klein gehaltenes, zeitlich befristetes Experiment, das als konkrete Selbstverpflichtung mit Handlung, Gelegenheit und Dauer formuliert wird.

Project Objectives: Ziel des Projekts ist die Entwicklung eines mobilen Prototyps mittels Design Science Research, der Nutzende beim Einstieg in neue Gewohnheiten unterstützt, ohne ein festes Ziel vorauszusetzen. Das Projekt verfolgt folgende Kern- und Erweiterungsziele:

Kernziele:

1. Anforderungsbasis: Systematische Analyse bestehender Habit- und Goal-Setting-Apps, Recherche der einschlägigen Literatur zu Verhaltensänderung 
2. Konzeption und prototypische Umsetzung: (Beispiel:) i. Onboarding zur Erhebung von bspw. Lebensbereichen, Tagesstruktur und Anspruchsniveau; ii. Präsentation einzelner Experimente als Karten im Commitment-Format ("Ich werde [Handlung] für [Dauer]"); iii. Annahme oder Ablehnung per Swipe; iv. Rekonfiguration von Dauer, Häufigkeit, Uhrzeit und Schwierigkeit vor dem Start; v. Reflexion und Folgeschritte (weitermachen / anpassen / verwerfen; und warum).
3. Evaluation: Erprobung des Prototyps in einem Feldtest und Auswertung.

Erweiterungsziele:

1. Lernendes Ranking: Priorisierung der Vorschläge auf Basis von Annahmen, Ablehnungen und Abschlussquoten anderer Nutzer
2. Kalibrierung: Anpassung von vorgeschlagener Dauer und Schwierigkeit an das individuelle Leistungsniveau, sodass Experimente fordernd, aber abschließbar bleiben.

Project Requirements:

• Erstellen eines Projektplans und Aufgaben-Verteilung mit Projektmanagement
• Präsentation der Projektergebnisse in Zwischen- und Endpräsentationen
• Durchführung einer systematischen Recherche (wissenschaftlicher) Literatur und kommerzieller Apps 
• Entwicklung eines lauffähigen mobilen Prototyps
• Durchführung und Auswertung eines Feldtests mit Nutzenden
• Dokumentation des Projekts

Prerequisites:

• 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 nutzerzentriertem Interaktionsdesign 
• Bereitschaft zur eigenständigen Arbeit im Projektteam

Literatur

• Fogg, B. J. (2019). Tiny habits: The small changes that change everything. Houghton Mifflin Harcourt.
• Gollwitzer, P. M. (1999). Implementation intentions: Strong effects of simple plans. American Psychologist, 54(7), 493–503. https://doi.org/10.1037/0003-066X.54.7.493
• Le Cunff, A.-L. (2025). Tiny experiments: How to live freely in a goal-obsessed world. Avery.
• 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

Schon einmal die Bildschirmzeit auf dem Smartphone angesehen, aber nicht wirklich damit beschäftigt? Mit beinahe jedem Smartphone können Nutzer:innen heutzutage sehen, wie lange sie es benutzt haben, meist als Balkendiagramm, aufgeschlüsselt nach Tag und App. Die Annahme dahinter ist plausibel und empirisch gestützt: Reflexion über das eigene getrackte Verhalten (Self-Monitoring) kann eine wirksame Selbstregulationsstrategie sein. Nicht nur dass zurückgemeldet wird, sondern wie, macht offenbar einen Unterschied. Genau hier könnten nüchterne Standarddarstellungen scheitern: Nutzende gewöhnen sich an die Zahlen und Darstellung und hören auf hinzusehen und vermissen so den eigentlichen Mechanismus des Self-Monitorings. Dass die Repräsentationsform daran etwas ändern könnte, legen Befunde aus der Visualisierungsforschung nahe. Es ist allerdings offen, bzw. noch nicht systematisch erfasst, welche Darstellungsformen jenseits von Balken und Zahlen überhaupt denkbar sind - etwa metaphorische, narrative, materielle oder ambiente Forme, nach welchen Dimensionen sie sich ordnen lassen und welche davon technisch tragfähig sind. Beispiele für die Bandbreite: ein Wald, der bei geringer Nutzung wächst und bei hoher Nutzung verdorrt; oder ein animiertes Cartoon-Gehirn, das mit steigender Nutzung sichtbar „verrottet" („brainrot“). Ob eine andere Repräsentationsform tatsächlich mehr Aufmerksamkeit und Reflexion erzeugt, ob eine starke Reaktion überhaupt wünschenswert ist und ob individuelle Präferenzen eine einzige beste Darstellung zulassen, lässt sich dann nur an gebauten Artefakten beantworten.

Project Objectives: Das Projekt hat zum Ziel, den Repräsentationsraum für Bildschirmzeit systematisch zu sichten und neue Visualisierungsformen dafür zu testen. Das Projekt verfolgt folgende Kern- und Erweiterungsziele:
Kernziele:

1. Designraum kartieren: Bestandsaufnahme vorhandener Screentime-Darstellungen sowie Sammlung von Referenzen aus benachbarten Domänen, z. B. aus dem Sportbereich.
2. Konzeptentwicklung im Design-Wettbewerb: Jedes Projektmitglied entwickelt eigenständige Visualisierungskonzepte. Vorgabe ist, dass sich die Konzepte in ihrer Grundmetapher unterscheiden (bspw. Aufbau, Verfall, räumliche Übersetzung, Vergleich, Animation oder ambiente Darstellung) und nicht lediglich in bspw. der Farbgebung. 
3. Umsetzung: Entwicklung eines funktionsfähigen Prototypen, der unterschiedliche Visualisierungskonzepte ermöglicht und darstellt.
4. Experimentelle Evaluation: Vergleich der entwickelten Visualisierungen gegen eine Kontrollbedingung mit Standard-Balkendiagramm.

Erweiterungsziele:

1. Blick- und Reaktionsdaten: Ergänzende Erfassung von Aufmerksamkeitsverteilung und spontaner Reaktion mittels Eye- und/oder Face-Tracking, um durch die Mimik wahrgenommene Emotionen abzuleiten
2. Auswahl und Wechselverhalten: Untersuchung, nach welchen Kriterien Nutzende eine Visualisierung wählen und wann sie das Interesse daran verlieren.welchen Kriterien Nutzende eine Visualisierung wählen und wann sie das Interesse daran verlieren.

Project Requirements:

• Erstellen eines Projektplans und Aufgaben-Verteilung mit Projektmanagement
• Präsentation der Projektergebnisse in Zwischen- und Endpräsentationen
• Durchführung einer systematischen Recherche (wissenschaftlicher) Literatur und ggf. kommerzieller Apps 
• Entwicklung eines lauffähigen Prototyps mit unterschiedlichen Visualisierungsformen
• Durchführung und Auswertung eines Experiments, ggf. mit Eye- und Facetracking
• Dokumentation des Projekts

Prerequisites:

• 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 Daten-Visualisierung und ein besonders kreatives Projekt
• Bereitschaft zur eigenständigen Arbeit im Projektteam

Literatur

• Abhari, K., & Vaghefi, I. (2022). Screen Time and Productivity: An Extension of Goal- setting Theory to Explain Optimum Smartphone Use. AIS Transactions on Human-Computer Interaction, 14(3), 254–288. https://doi.org/10.17705/1thci.00169
• Gouveia, R., Pereira, F., Karapanos, E., Munson, S. A., & Hassenzahl, M. (2016). Exploring the design space of glanceable feedback for physical activity trackers. In Proceedings of the 2016 ACM International Joint Conference on Pervasive and Ubiquitous Computing (pp. 144–155). ACM. https://doi.org/10.1145/2971648.2971754
• Monge Roffarello, A., & De Russis, L. (2023). Achieving digital wellbeing through digital self-control tools: A systematic review and meta-analysis. ACM Transactions on Computer-Human Interaction, 30(4), Article 53, 1–66. https://doi.org/10.1145/3571810
• Sathya, A., & Nakagaki, K. (2024). Attention receipts: Utilizing the materiality of receipts to improve screen-time reflection on YouTube. In Proceedings of the 2024 CHI Conference on Human Factors in Computing Systems (Article 244, pp. 1–16). ACM. https://doi.org/10.1145/3613904.3642505
• Scibetta, L., & Monge Roffarello, A. (2026, June). Brainy: a Virtual Pet Encouraging Digital Wellbeing. In Proceedings of the 2026 International Conference on Advanced Visual Interfaces (pp. 1-5).

Ein Hochschulsemester ist ein Planungsproblem mit ungünstigen Eigenschaften: Der Aufwand verteilt sich über Monate, ein Erfolgsgefühl gibt es durch eine einzelne Prüfung meist erst relativ zum Ende, und die Zwischenschritte bis dorthin muss man selbst planen. Erschwerend kommt hinzu, dass Menschen den eigenen künftigen Zeitbedarf systematisch unterschätzen - und zwar auch dann, wenn ähnliche Vorhaben in der Vergangenheit regelmäßig länger gedauert haben als geplant. In der Praxis wird das Planungsproblem häufig gar nicht erst gelöst, sondern dadurch umgangen, dass für einige Studierende die Planung über das Semester gar nicht stattfindet und sich das Lernen auf die letzten Tage vor der Prüfung konzentriert. Das ist keine gänzlich irrationale Strategie, denn für das Bestehen der Prüfung genügt sie oft. Für gute Noten und den Aufbau dauerhaften Wissens ist sie jedoch meist unzureichend, denn verteiltes Lernen über das Semester ermöglicht erst die Speicherung im Langzeitgedächtnis. Wer nur für die Klausur lernt, lernt damit systematisch anders als jemand, der für die Zukunft lernt. Bestehende digitale Werkzeuge adressieren weder das eine noch das andere in ausreichendem Umfang. Learning-Analytics-Dashboards blicken vor allem zurück: Sie zeigen, was bereits gelernt wurde. Allgemeine Aufgaben- und Kalenderwerkzeuge wiederum verlangen genau jene Planungsleistung, die den Studierenden schwerfällt. Was fehlt, ist eine adaptive, personalisierte Unterstützung, die den Plan aus den individuellen Voraussetzungen (bspw. belegte Kurse, Vorkenntnisse, Tagesstruktur und eigene Ansprüche) ableitet und auf Änderungen im Verlauf dynamisch reagiert, sodass nicht der gesamte Plan hinfällig wird, sobald eine Woche anders läuft als vorgesehen.

Project Objectives: Das Projekt hat zum Ziel, ein smartes Assistenzsystem mittels Design Science Research zu entwerfen und zu evaluieren, das bei der Planung und Überwachung von Lerneinheiten über den Semesterverlauf dynamisch unterstützt. Das Projekt verfolgt folgende Kern- und Erweiterungsziele:

Kernziele:

1. Anforderungsbasis: Systematische Aufarbeitung der Literatur sowie Analyse bestehender Werkzeuge.
2. Planungsmodell: Konzeption eines Modells, das alle notwendigen Zeitobjekte (z. B. Prüfungstermine, Veranstaltungsstruktur, Aufwandsschätzungen) in einen über das Semester verteilten Arbeitsplan überführt. 
3. Adaptionsmechanismus: Entwicklung einer Logik, die die tatsächliche Umsetzung erfasst und die Planung daraufhin anpasst. Kernfrage ist, wie das System auf systematische Fehleinschätzungen oder Änderungen (z.B. Krankheit) reagiert.
4. Prototyp und Evaluation: Umsetzung eines funktionalen Prototyps und Evaluation dessen.

Erweiterungsziele:

1. Individuelle Kalibrierung: Nutzung der bisherigen Abweichungen einer Person zwischen geschätztem und tatsächlichem Aufwand, um künftige Schätzungen automatisch zu korrigieren.
2. Kontextsensitive Erinnerungen: Ausspielen von Lernanstößen in Momenten mit vorhandener Gelegenheit, etwa auf Basis von Kalenderlücken oder erkannter Tagesstruktur.

Project Requirements:

• Erstellen eines Projektplans und Aufgaben-Verteilung mit Projektmanagement
• Präsentation der Projektergebnisse in Zwischen- und Endpräsentationen
• Durchführung einer systematischen Recherche (wissenschaftlicher) Literatur und kommerzieller Apps 
• Entwicklung eines lauffähigen mobilen Prototyps
• Durchführung und Auswertung eines Feldtests mit Nutzenden
• Dokumentation des Projekts

Prerequisites:

• 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 nutzerzentriertem Interaktionsdesign 
• Bereitschaft zur eigenständigen Arbeit im Projektteam

Literatur

• Zimmerman, B. J. (2002). Becoming a self-regulated learner: An overview. Theory into Practice, 41(2), 64–70. https://doi.org/10.1207/s15430421tip4102_2
• Panadero, E. (2017). A review of self-regulation models of learning: Zimmerman, Boekaerts, Winne & Hadwin, Efklides, Pintrich, and Hadwin. Frontiers in Psychology, 8, 422. https://doi.org/10.3389/fpsyg.2017.00422 
• Buehler, R., Griffin, D., & Peetz, J. (2010). The planning fallacy: Cognitive, motivational, and social origins. Advances in Experimental Social Psychology, 43, 1–62. https://doi.org/10.1016/S0065-2601(10)43001-4
• Dunlosky, J., Rawson, K. A., Marsh, E. J., Nathan, M. J., & Willingham, D. T. (2013). Improving students' learning with effective learning techniques. Psychological Science in the Public Interest, 14(1), 4–58. https://doi.org/10.1177/1529100612453266
• 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

KI-Agenten auf Basis großer Sprachmodelle können Informationen beschaffen, Handlungsschritte planen und über Werkzeuge mit Anwendungssystemen interagieren (Yao et al., 2023). Für ihren Einsatz in Geschäftsprozessen stellt sich jedoch nicht nur die Frage, welche Aufgaben technisch automatisierbar sind, sondern auch, welche Entscheidungs- und Handlungsbefugnisse einem Agenten übertragen werden sollten. Autonomie muss dabei nicht für einen gesamten Prozess einheitlich festgelegt werden: Unterschiedliche Prozessfunktionen können unterschiedliche Grade der Automatisierung aufweisen (Parasuraman et al., 2000).

Agenten können Informationen eigenständig beschaffen und einen Lösungsweg entwickeln, während bestimmte Entscheidungen oder Systemänderungen einer menschlichen Freigabe vorbehalten bleiben. Welche Aufgabenteilung zweckmäßig ist, soll unter Berücksichtigung der jeweiligen Prozessbedingungen und Zielsetzungen untersucht werden.

 Im Rahmen des Projekts soll ein prototypisches Experimentier- und Entscheidungsunterstützungssystem entwickelt werden, mit dem unterschiedliche Autonomiekonfigurationen vergleichend untersucht werden können. Grundlage ist ein gemeinsam mit der Betreuung ausgewählter, abgegrenzter Geschäftsprozess, beispielsweise aus der Auftragsbearbeitung oder Rechnungsklärung. Als technische Umgebung kann ein bestehendes Open-Source-ERP-System wie ERPNext eingesetzt werden, an das die agentische Prozessausführung über Schnittstellen angebunden wird. Die Untersuchung erfolgt in einer isolierten Testumgebung mit synthetischen Geschäftsfällen.

Die Studierenden entwickeln und begründen ein Konzept zur Beschreibung, technischen Umsetzung und Evaluation unterschiedlicher Autonomiegrade und verproben dieses. Auf Basis reproduzierbarer Experimente sollen Empfehlungen für die untersuchten Prozesssituationen abgeleitet werden. Im Mittelpunkt stehen die Grenzen sinnvoller Autonomie, nicht die Entwicklung eines möglichst autonomen Agenten. Eine vollständige ERP-Implementierung oder der Einsatz in Produktivsystemen ist nicht Gegenstand des Projekts.

Project Objectives:

Ziel des Projekts ist die Entwicklung eines lauffähigen Prototyps, der unterschiedliche Autonomiekonfigurationen von KI-Agenten in einem ausgewählten Geschäftsprozess vergleichbar macht und eine nachvollziehbare Auswahl unterstützt. Die Verbindung von Artefaktentwicklung und wissenschaftlicher Evaluation orientiert sich an einem gestaltungsorientierten Forschungsansatz.

 Zu den Teilzielen gehören:

•  Konzeption eines literaturgestützten Modells zur Beschreibung und Abgrenzung unterschiedlicher Autonomiegrade im ausgewählten Geschäftsprozess.
• Aufbau einer kontrollierten Testumgebung sowie Implementierung einer agentischen Prozessausführung mit konfigurierbaren Entscheidungs- und Handlungsbefugnissen.
• Entwicklung und Anwendung eines Evaluationskonzepts zum Vergleich der Autonomiekonfigurationen anhand geeigneter Geschäftsfälle und einer begründeten Baseline.
• Umsetzung einer übersichtlichen Ergebnisdarstellung und einer experimentbasierten Entscheidungsunterstützung, die Empfehlungen einschließlich ihrer Voraussetzungen und Grenzen nachvollziehbar macht.

Project Requirements:

• Literaturgestützte Anforderungsanalyse und begründete Abgrenzung des Geschäftsprozesses sowie der zu untersuchenden Autonomiekonfigurationen.
• Entwicklung eines lauffähigen Prototyps einschließlich isolierter Testumgebung, synthetischer Geschäftsfälle, technisch durchgesetzter Handlungsgrenzen sowie Protokollierung und Darstellung der Ergebnisse.
• Konzeption und Durchführung einer vergleichenden Evaluation mit begründeten Bewertungskriterien, nachvollziehbar festgelegten Referenzergebnissen und einer geeigneten Baseline; dabei sind vergleichbare Versuchsbedingungen und wiederholte Ausführungen zu berücksichtigen.
• Ableitung und Überprüfung situationsabhängiger Autonomieempfehlungen anhand gesonderter Evaluationsfälle sowie kritische Diskussion der Aussagekraft und Übertragbarkeit der Ergebnisse.
• Projektdokumentation einschließlich der konzeptionellen Grundlagen, technischen Umsetzung und für die Reproduktion erforderlichen Konfigurationen.

Prerequisites:

• Studierende der Fakultät für Informatik der Studiengänge Wirtschaftsinformatik oder Software Engineering im Bachelor mit mindestens 90 CP oder im Master (Standard/Pflicht)
• Programmierkenntnisse, beispielsweise in Python oder JavaScript, sowie Bereitschaft zur Einarbeitung in Schnittstellenintegration und KI-basierte Agentensysteme.
• Interesse an Geschäftsprozessen, betrieblichen Anwendungssystemen und der wissenschaftlichen Evaluation von Software-Artefakten. Vorkenntnisse in ERP-Systemen oder experimentellen Methoden sind von Vorteil, aber nicht zwingend erforderlich.

Literatur

• Hevner, A. R., March, S. T., Park, J., & Ram, S. (2004). Design science in information systems research. MIS Quarterly, 28(1), 75–106. DOI: 10.2307/25148625.
• Parasuraman, R., Sheridan, T. B., & Wickens, C. D. (2000). A model for types and levels of human interaction with automation. IEEE Transactions on Systems, Man, and Cybernetics—Part A: Systems and Humans, 30(3), 286–297. DOI: 10.1109/3468.844354.
• Yao, S., Zhao, J., Yu, D., Du, N., Shafran, I., Narasimhan, K., & Cao, Y. (2023). ReAct: Synergizing reasoning and acting in language models. International Conference on Learning Representations (ICLR). DOI der Preprint-Version: 10.48550/arXiv.2210.03629.
• Yao, S., Shinn, N., Razavi, P., & Narasimhan, K. (2024). τ-bench: A benchmark for tool-agent-user interaction in real-world domains [Preprint]. arXiv. DOI: 10.48550/arXiv.2406.12045.

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.

Ein API-Key zu gängigen Modellen über den Chat-AI Zugang der Universität Duisburg-Essen wird der Projektgruppe vom Betreuer zur Verfügung gestellt.

Project Objectives: 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

Project Requirements:

• Erstellung eines Projektplans und Verteilung der Aufgaben auf die Gruppenmitglieder
• Solides hybrides/agiles Projektmanagement 
• Erstellung von Anforderungsanalysen, Product Backlog und Priorisierungen
• Entwicklung eines funktionstüchtigen Prototypens basierend auf den Anforderungen 
• Integration von fortschrittlichen KI-basierten Analyse- und Visualisierungstechniken
• 5-minütige Videopräsentation für den Deans Award

Prerequisites:

• 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 aber nicht zwingend

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.
• Brocke, J. V., 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.

Die gemeinsame Mittagspause gilt als niedrigschwelliger Anlass für informellen Austausch, wird im Arbeitsalltag jedoch häufig allein oder stets im selben, bereits vertrauten Personenkreis verbracht. Gerade an einer großen, räumlich auf mehrere Campi verteilten Organisation wie der Universität Duisburg-Essen entstehen dadurch kaum Gelegenheiten, Kolleg*innen aus anderen Fakultäten, Dezernaten oder Statusgruppen kennenzulernen. Aus netzwerktheoretischer Sicht sind es jedoch gerade solche bereichsübergreifenden „schwachen Bindungen“, die den Zugang zu neuen Informationen, Perspektiven und Kooperationsmöglichkeiten eröffnen (Granovetter, 1973). An dieser Stelle setzen sogenannte Social-Matching-Systeme an, die Menschen im physischen wie digitalen Raum gezielt zusammenführen, um soziale Interaktion und Zusammenarbeit zu fördern. Konzeptionell soll hier jedoch klar von beziehungsorientierten Partnervermittlungen Abstand genommen werden (Terveen & McDonald, 2005). MensaMatch zielt ausschließlich auf den kollegialen Austausch im Arbeitskontext und ist explizit kein Dating-Angebot.

Im Rahmen des Projekts soll die bestehende Campus-App „MyUDE“ gestaltungsorientiert (Design Science Research) um eine Matching-Funktionalität erweitert werden, die Beschäftigte freiwillig und niedrigschwellig für ein gemeinsames Mittagessen in kleinen Gruppen (z. B. zwei bis vier Personen) über Fakultäts-, Campus- und Bereichsgrenzen hinweg zusammenbringt. Der Entwicklungs- und Evaluationsprozess orientiert sich an etablierten Rahmenwerken der gestaltungsorientierten Wirtschaftsinformatik (Hevner et al., 2004; Peffers et al., 2007; Tuunanen et al., 2024), sodass die Artefaktentwicklung mit einer nachvollziehbaren wissenschaftlichen Fundierung und Evaluation verbunden wird. Über das Kern-Matching hinaus ist ausdrücklich erwünscht, im Zuge einer strukturierten Anforderungserhebung weitere, den Mensa-Kontext ergänzende Funktionalitäten zu identifizieren und prototypisch umzusetzen. Welche dieser Erweiterungen realisiert werden, soll auf Basis einer Anforderungsanalyse mit relevanten Stakeholdern (z. B. Beschäftigte, Dezernat Personal und Organisation) begründet priorisiert werden. Die Personalabteilung der Universität Duisburg-Essen ist aktiv in das Projekt eingebunden. Avisiert wird explizit auch eine Teilnahme und Einreichung am „Deans‘ Award“ der Wirtschaftsinformatik (siehe https://www.ris.uni-due.de/studium/studienangebot/projekte/deans-award/).

Project Objectives:

Ziel des Projekts ist die Entwicklung eines lauffähigen Prototyps als Erweiterung der bzw. Anbindung an die MyUDE-App, der Beschäftigte für unverbindliche Mensa-Treffen zusammenbringt und dessen Nutzen wissenschaftlich evaluiert wird. Die Verbindung von Artefaktentwicklung und Evaluation orientiert sich an einem gestaltungsorientierten Forschungsansatz (DSR).

Zu den Teilzielen gehören:

• Strukturierte Anforderungserhebung mit relevanten Stakeholdern zur Ableitung und Priorisierung der Kern- und Zusatzfunktionalitäten
• Konzeption eines niedrigschwelligen Matching-Verfahrens (u. a. Gruppengröße, Zeitfenster, Campus/Mensa, Opt-in)
• Prototypische Integration in die MyUDE-App 
• Konzeption und – nach Priorisierung – prototypische Umsetzung mindestens eines ergänzenden Moduls (z. B. Mensa-Tagesbewertung oder Auslastungsanzeige)
• Evaluation anhand definierter Kriterien (z. B. Nutzungsakzeptanz, Qualität der Matches) im Vergleich zu einer begründeten Baseline (ggf. im Rahmen eines kleinen Pilotbetriebs bzw. einer Testphase oder durch Interviews zur Evaluation mit potenziellen Nutzenden)

Project Requirements:

• 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
• Anfertigung eines 5-minütigen Videobeitrags sowie eines Posters für den Deans‘ Award (siehe https://www.ris.uni-due.de/studium/studienangebot/projekte/deans-award/)

Prerequisites:

• Studierende der Wirtschaftsinformatik oder Software-Engineering im Bachelor mit mindestens 90 CP oder im Master (Standard/Pflicht)
• Programmierkenntnisse oder Interesse daran, sich in die App-Programmierung einzuarbeiten

Literatur

• Granovetter, M. S. (1973). The strength of weak ties. American Journal of Sociology, 78(6), 1360–1380. DOI: 10.1086/225469.
• Hevner, A. R., March, S. T., Park, J., & Ram, S. (2004). Design science in information systems research. MIS Quarterly, 28(1), 75–106. DOI: 10.2307/25148625.
• 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. DOI: 10.2753/MIS0742-1222240302.
• Terveen, L., & McDonald, D. W. (2005). Social matching: A framework and research agenda. ACM Transactions on Computer-Human Interaction, 12(3), 401–434. DOI: 10.1145/1096737.1096740.
• 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.

Die Tafeln in Deutschland sammeln überschüssige Lebensmittel des Handels ein und verteilen diese an bedürftige Menschen. Damit leisten die Tafeln zugleich einen Beitrag zur Armutsbekämpfung sowie zur Verringerung von Lebensmittelverschwendung (Reusken et al., 2024). Die Bremer Tafel hat sechs Ausgabestellen und steht täglich vor der Frage, welche Menge welcher Waren an welche Ausgabestelle gehen soll. Diese Zuteilung erfolgt bislang weitgehend erfahrungsbasiert. Da die Nachfrage das Spendenaufkommen regelmäßig übersteigt, muss beispielsweise eine faire Verteilung gegen die Minimierung von Verderb abgewogen werden (Orgut et al., 2017). Für die Bewertung der Verteilung werden in der Literatur die drei Kriterien Gerechtigkeit, Effektivität und Effizienz angeführt (Orgut & Lodree, 2023). Dabei entstehen bei verderblichen Waren besondere Anforderungen, weil sie vor Ablauf des Mindesthaltbarkeitsdatums (MHD) und innerhalb der begrenzten Lagerkapazitäten verteilt werden müssen (Orgut & Lodree, 2023). Zugleich sind die operativen Entscheidungsprozesse von Tafeln bislang vergleichsweise wenig erforscht und vorhandene Optimierungsmodelle wurden kaum auf deutsche Tafeln übertragen oder als praxistaugliches Tool nutzbar gemacht. Es fehlt ein nachvollziehbares Verfahren, das die verfügbare Gesamtmenge unter Berücksichtigung von z.B. MHD, Lagerkapazität und Ausgabetag je Ausgabestelle sinnvoll aufteilt. Im Rahmen dieses Projekts soll in Kooperation mit der Bremer Tafel ein solches Artefakt entwickelt werden.

Project Objectives:

Das Ziel des Projekts besteht in der Entwicklung eines lauffähigen, entscheidungsunterstützenden Tools, welches eine begründete Verteilungsempfehlung auf die Ausgabestellen liefert. Zu den Teilzielen gehören:

• Entwurf eines mehrkriteriellen Optimierungsmodells mit Nebenbedingungen (z.B. Angebot, Lagerkapazität)
• Erstellung eines plausibilisierten synthetischen Datensatzes auf Basis eines Stakeholder-Interviews mit der Bremer Tafel
• Implementierung des Optimierungsmodells samt Parametereingabe und nachvollziehbarer Ergebnisdarstellung als Prototyp
• Evaluation anhand definierter Testszenarien und im Vergleich zu einer Baseline (Gleichverteilung/heutige Praxis) sowie qualitatives Feedback der Bremer Tafel.

Project Requirements:

• Projektdokumentation
• Projektplan und Aufgabenverteilung mit Projektmanagement-Techniken (hybrid/agil)
• Zwischen- und Abschlusspräsentation der Ergebnisse
• Stakeholder-Interview mit der kooperierenden Tafel zur Anforderungs- und ggf. Datenerhebung (inkl. Product Backlog und Priorisierungen)
• Entwurf und Begründung eines mehrkriteriellen Optimierungsmodells sowie lauffähiger Prototyp mit Parametereingabe
• Erstellung und Plausibilisierung eines synthetischen Datensatzes
• Evaluation gegen eine Baseline anhand definierter Kennzahlen

Prerequisites:

• Studierende der Fakultät für Informatik mit den Fachrichtungen Wirtschaftsinformatik oder Software Engineering auf Bachelor-Niveau (mind. 90 ECTS) oder Master-Niveau
• Programmierkenntnisse in Python
• Grundsätzliches Interesse sich mit Optimierungsmodellen und deren programmatischen Umsetzung zu beschäftigen
• Grundkenntnisse in der Erstellung einfacher Nutzeroberflächen von Vorteil

Literatur

• Orgut, I. S., Ivy, J., & Uzsoy, R. (2017). Modeling for the equitable and effective distribution of food donations under stochastic receiving capacities. IISE Transactions, 49(6), 567–578. https://doi.org/10.1080/24725854.2017.1300358
• Orgut, I. S., & Lodree, E. J. (2023). Equitable distribution of perishable items in a food bank supply chain. Production and Operations Management, 32(10), 3002–3021. https://doi.org/10.1111/poms.14019
• Reusken, M., Laporte, G., Rohmer, S. U., & Cruijssen, F. (2024). Vehicle routing with stochastic demand, service and waiting times — The case of food bank collection problems. European Journal of Operational Research, 317(1), 111–127. doi.org/10.1016/j.ejor.2024.03.031

Die Wirtschaftsinformatik versteht sich als interdisziplinäre Wissenschaft an der Schnittstelle von Betriebswirtschaftslehre und Informatik. Aus dieser Verbindung heterogener Bezugsdisziplinen resultiert ein umfangreiches und stetig wachsendes Fachvokabular. Begriffe wie „Agency“, „Geschäftsprozess", „Technologieakzeptanz“, „Referenzmodell", „Schnittstelle" oder „Architektur" verdeutlichen, dass die Disziplin gewissermaßen eine eigene Fachsprache herausgebildet hat, die sich sowohl von der alltagssprachlichen als auch von der rein technischen oder ökonomischen Verwendung unterscheidet.

Diese ausgeprägte Terminologie ist einerseits Ausdruck fachlicher Reife und ermöglicht eine präzise Verständigung innerhalb der Fachgemeinschaft. Andererseits entsteht durch die Vielzahl an Begriffen sowie deren teils unterschiedliche Verwendung in verschiedenen Teilgebieten und Publikationen eine erhebliche Uneindeutigkeit. Identische Termini werden häufig kontextabhängig verstanden, während umgekehrt unterschiedliche Begriffe dieselben Sachverhalte bezeichnen. Für Studierende, Forschende und Praktiker erschwert dies den Wissenszugang und die eindeutige Kommunikation.

Vor diesem Hintergrund erscheint die Entwicklung einer serverbasierten Enzyklopädie sinnvoll, die eine zentrale und konsistente Begriffsklärung ermöglicht. Analog zu etablierten Nachschlagewerken sollen Nutzerinnen und Nutzer über ein differenziertes Rollenkonzept, etwa Autoren, Redakteure und Administratoren, Begriffsdefinitionen erstellen, prüfen und pflegen können. Auf diese Weise wird sowohl die kollaborative Wissensgenerierung als auch die Qualitätssicherung der Inhalte gewährleistet, wodurch ein verlässliches terminologisches Fundament für die Disziplin entsteht.

Project Objectives:

Das Ziel des Projekts besteht darin eine lauffähige Enzyklopädie zu entwickeln. Zu den Teilzielen gehört

• Ein umfangreiches Rollen- und Administrationskonzept
• Eine intuitive und übersichtliche UI
• Konzeption der Daten- und Systemarchitektur inkl. Versionierungen
• Evaluation des Systems

Project Requirements:

• Projektdokumentation
• Projektplan und Aufgabenverteilung mit Projektmanagement-Techniken (hybrid/agil)
• Zwischen- und Abschlusspräsentation der Ergebnisse
• Umfangreiche Anforderungsanalyse mit verschiedenen Stakeholdern wie Editoren, Studierenden, Administratoren, …
• Serverbasierte Webentwicklung der Enzyklopädie inkl. erster Einträge anhand von Wissenschaftlicher Literatur
• Umfangreiche Evaluation der Anforderungen und Spezifikationen

Prerequisites:

• Studierende der Fakultät für Informatik mit den Fachrichtungen Wirtschaftsinformatik oder Software Engineering auf Bachelor-Niveau (mind. 90 ECTS) oder Master-Niveau

Literatur

• Lehner, F. (1995). Modelle und Modellierung in der Wirtschaftsinformatik: Versuch einer Standortbestimmung. In H. Wächter (Hrsg.), Selbstverständnis betriebswirtschaftlicher Forschung und Lehre (S. 55–86). Gabler Verlag. https://doi.org/10.1007/978-3-663-13057-4_3
• Busse, J. (2017). Terminologiearbeit als Inhalt und Methode der Wirtschaftsinformatik. In T. Barton, F. Herrmann, V. G. Meister, C. Müller & C. Seel (Hrsg.), Angewandte Forschung in der Wirtschaftsinformatik 2017: Prozesse, Technologie, Anwendungen, Systeme und Management. Tagungsband zur 30. AKWI-Jahrestagung (S. 240–245). mana-Buch.
• Kiniti, S., & Standing, C. (2013). Wikis as knowledge management systems: Issues and challenges. Journal of Systems and Information Technology, 15(2), 189–201. doi.org/10.1108/13287261311328895

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.

Project Objectives: 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.

Project Requirements:

• Analyse des bestehenden Prototyps und der bisherigen Projektergebnisse sowie Konzeption und Umsetzung von Erweiterungen des Lernassistenten
• Integration relevanter Lernmaterialien und Wissensquellen
• 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)

Prerequisites:

• 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). 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. 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. 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

Generative KI-Systeme wie ChatGPT haben die Hochschullehre innerhalb kurzer Zeit verändert. Die bisherige Diskussion und ein Großteil der Forschung konzentrieren sich dabei auf die Perspektive der Studierenden, etwa auf Nutzungsverhalten, Lernwirkung und Prüfungsintegrität. Lehrende bilden die zweite zentrale Nutzergruppe im Hochschulkontext, doch werden bei der Gestaltung generative KI-basierter Unterstützungssysteme bislang kaum systematisch betrachtet.

Gleichzeitig steigen die Anforderungen an die Lehre. Große und heterogene Kohorten, begrenzte zeitliche Ressourcen, die laufende Aktualisierung von Lehrmaterialien, die Erstellung von Übungs- und Prüfungsaufgaben sowie individuelles Feedback binden erhebliche Kapazitäten. KI-basierte Assistenzsysteme könnten Lehrende in diesen Tätigkeiten unterstützen, indem sie beispielsweise Materialien aufbereiten, Aufgaben und Musterlösungen generieren, Inhalte mit Lernzielen abgleichen oder wiederkehrende Verständnisfragen von Studierenden auswerten.

Assistenzsysteme für Lehrende stoßen dabei auf unterschiedlichen Hürden. Die fachliche Korrektheit generierter Inhalte muss nachvollziehbar sein, Lehrende müssen die Kontrolle über Inhalte und deren didaktische Ausrichtung behalten, und das System muss sich in bestehende Arbeitsabläufe und Lernplattformen einfügen. Hinzu kommen rechtliche und organisatorische Rahmenbedingungen wie Datenschutz, Urheberrecht und prüfungsrechtliche Vorgaben. Die Verantwortung für Lehre und Prüfungen verbleibt vollständig bei den Lehrenden, woraus besondere Anforderungen an Transparenz, Überprüfbarkeit und Steuerbarkeit solcher Systeme entstehen.

Bislang existiert kaum systematisches Gestaltungswissen darüber, wie ein solches System ausgestaltet sein muss, um den Anforderungen von Lehrenden gerecht zu werden. Es ist weitgehend offen, welche Tätigkeiten Lehrende überhaupt an ein KI-System delegieren würden, welche Formen der Unterstützung sie als hilfreich bewerten und unter welchen Bedingungen sie den Ergebnissen vertrauen. Das Projekt setzt an dieser Lücke an und erhebt die Anforderungen empirisch, bevor ein Artefakt entwickelt wird.

Project Objectives: Ziel des Projekts ist die Entwicklung von Gestaltungswissen für ein KI-basiertes Assistenzsystem zur Unterstützung von Lehrenden sowie dessen prototypische Instanziierung. Das Projekt folgt dem Vorgehen der Design Science Research (siehe bspw. Peffers et al., 2007).

Das Projekt gliedert sich in fünf Phasen:

1. Problemverständnis. Aufarbeitung des Stands der Forschung zu generativer KI in der Hochschullehre sowie Analyse bestehender Werkzeuge und Systeme, die Lehrende in ihrer Arbeit unterstützen.
2. Anforderungserhebung. Konzeption eines Interviewleitfadens sowie Durchführung und qualitative Auswertung semi-strukturierter Interviews mit Lehrenden, etwa Professorinnen und Professoren, wissenschaftlichen Mitarbeitenden und Lehrbeauftragten.
3. Aufbau von Gestaltungswissen. Überführung der empirischen Ergebnisse in Anforderungen (Meta-Requirements) und daraus abgeleitete Gestaltungsprinzipien (Design Principles) nach etabliertem Schema (Gregor et al., 2020) sowie deren Konkretisierung in Design Features.
4. Prototypische Instanziierung. Umsetzung ausgewählter Design Features in einem lauffähigen Prototyp, beispielsweise auf Basis eines Large Language Models mit Zugriff auf Veranstaltungsmaterialien. Eine langfristige Integration in eine Lehr-Lernplattform wird angestrebt.
5. Evaluation. Entwicklung eines geeigneten Evaluationsplans (Venable et al., 2016) sowie, soweit im Projektzeitraum möglich, Durchführung einer ersten formativen Evaluation mit Lehrenden.

Project Requirements:

• Aufarbeitung des Stands der Forschung sowie Analyse bestehender Systeme zur KI-basierten Unterstützung von Lehrenden
• Konzeption, Durchführung und qualitative Auswertung von Interviews mit Lehrenden
• Ableitung von Anforderungen und Gestaltungsprinzipien sowie deren Überführung in konkrete Design Features & Prototypische Umsetzung ausgewählter Design Features
• Konzeption eines Evaluationsplans und Durchführung einer ersten Evaluation
• 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)

Prerequisites:

• 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). 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. 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. 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

Naturkatastrophen, Unfälle und andere Krisensituationen stellen Einsatzkräfte im Zivil- und Katastrophenschutz vor große Herausforderungen. Insbesondere in instabilen, unübersichtlichen oder schwer zugänglichen Umgebungen kann die Erkundung eines Einsatzgebiets erhebliche Risiken für Rettungskräfte mit sich bringen. Robotische Systeme können dazu beitragen, gefährdete Bereiche frühzeitig zu untersuchen, vermisste Personen zu lokalisieren, Gefahren zu erkennen und relevante Lageinformationen bereitzustellen.

Physical Embodied Generative AI – also physisch verkörperte generative KI-Systeme – eröffnet hierfür neue Möglichkeiten. Solche Systeme können unterschiedliche Umgebungsinformationen verarbeiten, ihre Handlungen situationsabhängig anpassen und gewonnene Erkenntnisse für menschliche Einsatzkräfte aufbereiten. Der Einsatz in zeitkritischen und potenziell lebensbedrohlichen Situationen stellt jedoch besondere Anforderungen an die Zuverlässigkeit, Nachvollziehbarkeit und Kontrollierbarkeit des Systems sowie an dessen Einbindung in bestehende Entscheidungs- und Einsatzstrukturen.

Eine vorangegangene Projektgruppe hat bereits einen funktionsfähigen Prototyp für einen GenAI-basierten Such- und Rettungsroboter entwickelt. In der bestehenden Simulationsumgebung kann der Roboter selbstständig nach Personen suchen, Gefahren erkennen und die gewonnenen Informationen über eine Analyseschicht an ein Frontend übermitteln. Die entwickelte Systemarchitektur aus autonomem Suchroboter, Analyseschicht und Frontend folgt bereits erarbeitetem Designwissen für den verantwortungsvollen Einsatz eines solchen Systems.

Der bestehende Prototyp, das zugrunde liegende Designwissen, der Quellcode und die technische Infrastruktur werden der neuen Projektgruppe zur Verfügung gestellt. Sie bilden die Grundlage für die gezielte Untersuchung offener Punkte sowie die schrittweise Weiterentwicklung und Evaluation des Systems.

Project Objectives: Ziel des Projekts ist die systematische Weiterentwicklung und Evaluation des bestehenden GenAI-basierten Such- und Rettungssystems. Die Projektgruppe baut dabei auf dem funktionsfähigen Prototyp und dem Designwissen einer vorangegangenen Gruppe auf.

Zunächst arbeitet sich das Projektteam in die Search-and-Rescue-Domäne, die vorhandene Systemarchitektur und das zugrunde liegende Designwissen ein. Bereits bekannte offene Punkte sollen überprüft und durch eigene Analysen ergänzt werden. Dazu untersucht die Gruppe relevante Einsatzabläufe, Anforderungen und Gefährdungslagen und identifiziert technische sowie gestalterische Verbesserungspotenziale.

Anschließend werden ausgewählte offene Punkte priorisiert und bearbeitet. Dies kann die autonome Personensuche, die Erkennung und Einordnung von Gefahren, die Verarbeitung von Sensordaten, die Aufbereitung von Lageinformationen oder die Kommunikation mit menschlichen Entscheidungsträgern betreffen. Der bestehende Prototyp aus Suchroboter, Analyseschicht und Frontend soll entsprechend weiterentwickelt werden.

Die Entwicklung erfolgt iterativ. Ausgangspunkt sind bereits funktionierende Inhalte in der Simulationsumgebung. Darauf aufbauend werden zunehmend komplexe und dynamische Szenarien gestaltet, erprobt und ausgewertet. Die Evaluationsergebnisse sollen in die weitere Schärfung des Designwissens und den Ausbau des Prototyps einfließen. Geeignete stabile Funktionen werden zunächst in der Simulation und erprobt. So entsteht schrittweise eine belastbare Forschungsplattform für zukünftige Arbeiten zu Embodied Generative AI im Zivil- und Katastrophenschutz sowie in verwandten Anwendungsfeldern.

Project Requirements:

• Einarbeitung in die Search-and-Rescue-Domäne und relevante Einsatzabläufe
• Analyse von Prototyp, Systemarchitektur und Designwissen, Identifikation offener Anforderungen und Priorisierung der Verbesserungspotenziale
• Weiterentwicklung von Suchroboter, Analyseschicht und Frontend inkl. Konzeption schrittweise komplexerer Search-and-Rescue-Szenarien
• Iterative Evaluation in der Simulationsumgebung und Rückführung der Ergebnisse in die Systemgestaltung
• Erprobung hinreichend stabiler Funktionen auf dem Unitree-Go2-Roboter
• Erstellung eines Projektplans, Aufgabenverteilung und kontinuierliches Projektmanagement
• Quellcodeverwaltung im Git-Repository, Projektdokumentation sowie Zwischen- und Abschlusspräsentation

Prerequisites:

• 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. Publikationsnachweis
• Duan, J., Yu, S., Tan, H. L., Zhu, H., & Tan, C. (2022). A survey of embodied AI: From simulators to research tasks. IEEE Transactions on Emerging Topics in Computational Intelligence, 6(2), 230–244. doi.org/10.1109/TETCI.2022.3141105
• Paolo, G., Gonzalez-Billandon, J., & Kégl, B. (2024). Position: A call for embodied AI. In Proceedings of the 41st International Conference on Machine Learning (pp. 39493–39508). PMLR. Veröffentlichung
• Driess, D., Xia, F., Sajjadi, M. S. M., et al. (2023). PaLM-E: An embodied multimodal language model. In Proceedings of the 40th International Conference on Machine Learning (pp. 8469–8488). PMLR. Veröffentlichung
• Drew, D. S. (2021). Multi-agent systems for search and rescue applications. Current Robotics Reports, 2, 189–200. https://doi.org/10.1007/s43154-021-00048-3
• Murphy, R. R., Tadokoro, S., Nardi, D., Jacoff, A., Fiorini, P., Choset, H., & Erkmen, A. M. (2008). Search and rescue robotics. In B. Siciliano & O. Khatib (Eds.), Springer handbook of robotics (pp. 1151–1173). Springer. doi.org/10.1007/978-3-540-30301-5_51

Blinde und sehbehinderte Menschen begegnen bei der Nutzung des öffentlichen Personennahverkehrs zahlreichen situationsabhängigen Barrieren. Dazu gehören die Identifikation des richtigen Fahrzeugs, die Orientierung an Haltestellen und Bahnhöfen, das Erkennen von Türen, Leitlinien und Hindernissen sowie der Umgang mit kurzfristigen Änderungen. Fehlende oder unzuverlässige Informationen können selbstständige Mobilität erschweren und Abhängigkeiten von anderen Personen verstärken.

Computer Vision und generative KI eröffnen neue Möglichkeiten, relevante Merkmale der Umgebung aus der Perspektive der betroffenen Personen zu erkennen, einzuordnen und bedarfsgerecht zu kommunizieren. Ein solches System muss jedoch mehr leisten als möglichst viele Objekte zu benennen. Informationen müssen zuverlässig, kontextbezogen und in einer Form ausgegeben werden, die weder die auditive Umgebungswahrnehmung überlastet noch falsche Sicherheit erzeugt. Auch unterschiedliche Sehvermögen, Nutzungserfahrungen und Reisephasen sind zu berücksichtigen.

Eine vorangegangene Projektgruppe hat auf Basis vorhandenen Designwissens bereits konkrete Design Features erarbeitet und Teile davon in mehreren Prototypen umgesetzt. Die entwickelte Anwendung nutzt Computer Vision, um relevante Aspekte im Sichtfeld blinder und sehbehinderter Personen zu erkennen und entsprechend den gestalterischen Vorgaben zu kommunizieren. Zu den untersuchten Funktionen gehören unter anderem die Erkennung von Fahrzeugen, Linieninformationen, Haltestellenmerkmalen, Leitlinien, Hindernissen und weiteren mobilitätsrelevanten Objekten.

Die vorhandenen Prototypen, der Quellcode, die Dokumentation und das zugrunde liegende Designwissen werden bereitgestellt. Sie bilden den Ausgangspunkt für die gezielte Weiterentwicklung und Evaluation des Systems.

Project Objectives: Ziel des Projekts ist die systematische Weiterentwicklung und Evaluation der vorhandenen Prototypen einer KI-gestützten ÖPNV-Assistenz für blinde und sehbehinderte Menschen. Die Projektgruppe baut dabei auf den technischen und gestalterischen Ergebnissen der Vorgruppe auf.

Zunächst arbeitet sich das Projektteam in die Mobilitätsanforderungen blinder und sehbehinderter Personen, das vorhandene Designwissen, die abgeleiteten Design Features und den aktuellen Implementierungsstand ein. Bereits bekannte offene Punkte werden geprüft und durch eine eigene Analyse ergänzt. Anschließend priorisiert die Gruppe geeignete Weiterentwicklungen und setzt diese prototypisch um.

Die Entwicklung erfolgt iterativ auf Basis bereits funktionierender Komponenten. Mögliche Schwerpunkte sind die zuverlässigere Erkennung mobilitätsrelevanter Objekte und Situationen, die kontextabhängige Auswahl von Informationen, die transparente Kommunikation von Unsicherheit oder die Anpassung der Ausgabe an unterschiedliche Nutzungssituationen.

Die weiterentwickelten Funktionen werden zunächst technisch anhand definierter Szenarien geprüft. Ergänzend sind autoethnografische Erprobungen vorgesehen, um Nutzungssituationen und Interaktionsabläufe reflexiv zu untersuchen. Diese ersetzen keine Evaluation mit der Zielgruppe. Bei einem ausreichend fortgeschrittenen und sicheren Entwicklungsstand soll der Prototyp deshalb gemeinsam mit blinden und sehbehinderten Personen evaluiert werden; entsprechende Kontakte können vermittelt werden. Die Evaluationsergebnisse sollen zur weiteren Schärfung der Design Features, des zugrunde liegenden Designwissens und der technischen Umsetzung genutzt werden.

Project Requirements: 

• Einarbeitung in die Mobilitätsanforderungen blinder und sehbehinderter Menschen im ÖPNV sowie in Prototypen, Systemarchitektur, Designwissen und bestehende Design Features
• Prüfung offener Punkte, Identifikation zusätzlicher Anforderungen und Priorisierung technischer und gestalterischer Weiterentwicklungen
• Weiterentwicklung der Computer-Vision-basierten Erkennung mobilitätsrelevanter Objekte und Situationen sowie deren zuverlässige, kontextabhängige und zugängliche Kommunikation
• Technische Evaluation in schrittweise erweiterten Nutzungsszenarien, dokumentierte autoethnografische Erprobungen und bei sicherem Entwicklungsstand Evaluation mit blinden und sehbehinderten Personen
• Systematische Auswertung der Ergebnisse und Weiterentwicklung von Design Features, Designwissen und technischer Umsetzung
• Erstellung eines Projektplans, Aufgabenverteilung und kontinuierliches Projektmanagement
• Quellcodeverwaltung im Git-Repository, Projektdokumentation sowie Zwischen- und Abschlusspräsentation

Prerequisites:

• 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, u.a. Computer Vision auseinanderzusetzen
• Vorkenntnisse in Programmierung vorteilhaft, aber nicht notwendig

Literatur

• Laufer, J., Banh, L., Schoormann, T., & Strobel, G. (2026, June). Designing Assistive Technologies for Blind and Visually Impaired: Problem Understanding and Design Objectives. In International Conference on Design Science Research in Information Systems and Technology (pp. 109-127). Cham: Springer Nature Switzerland.
• Hersh, M. A. (2009). Designing assistive technology to support independent travel for blind and visually impaired people. Proceedings of the CVHI, 9.
• Chanana, P., Paul, R., Balakrishnan, M., & Rao, P. V. M. (2017). Assistive technology solutions for aiding travel of pedestrians with visual impairment. Journal of rehabilitation and assistive technologies engineering, 4, 2055668317725993.
• Xu, P., Kennedy, G. A., Zhao, F. Y., Zhang, W. J., & Van Schyndel, R. (2023). Wearable obstacle avoidance electronic travel aids for blind and visually impaired individuals: A systematic review. IEEE Access, 11, 66587-66613.
• Ünal, E., Eisenhardt, D., Meske, C., Afzali, S. N., & Dogangün, A. (2026, June). Correction to: When Shortest Isn’t Safest: A Design Science Approach to Senior-Friendly Pedestrian Routing. In International Conference on Design Science Research in Information Systems and Technology (pp. C1-C1). Cham: Springer Nature Switzerland. 

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 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.

Aufbauend auf diesem Ansatz hat eine vorangegangene Projektgruppe bereits Designwissen für die Übertragung auf Trainingsszenarien der Luftfahrtkommunikation entwickelt und Teile davon prototypisch umgesetzt. Dieses Designwissen und der bestehende Prototyp bilden die Ausgangsbasis für das vorliegende Projekt.

Project Objectives: Ziel des Projekts ist es, das bereits entwickelte Designwissen und den bestehenden Prototyp eines GenAI-basierten Trainingssystems für die Flugverkehrskontrolle systematisch zu evaluieren und weiterzuentwickeln.

Zunächst arbeitet sich das Projektteam in die Ergebnisse der vorangegangenen Projektgruppe ein. Dazu zählen das bestehende Designwissen, die umgesetzten Funktionen des Prototyps und die zugrunde liegenden Annahmen zur Kommunikation zwischen Fluglotsen und Piloten. Eine ergänzende Literaturrecherche und gegebenenfalls Interviews mit Fachpersonen sollen offene Anforderungen, relevante Kommunikationsabläufe, standardisierte Phraseologie und geeignete Trainingssituationen identifizieren.

Methodisch folgt das Projekt dem Design Science Research (DSR)-Ansatz nach Peffers et al. Das vorhandene Designwissen und der Prototyp werden in geeigneten, realitätsnahen Trainingsszenarien überprüft. Dabei soll untersucht werden, inwiefern der GenAI-basierte Kommunikationspartner für das Training standardisierter Funkkommunikation geeignet ist und welche Anpassungen erforderlich sind.

Die Evaluationsergebnisse werden systematisch ausgewertet und zur Schärfung des Designwissens sowie zur funktionalen und konzeptionellen Weiterentwicklung des Prototyps genutzt. Als technische Grundlage dienen die bereits implementierten Komponenten sowie die Architektur und Interaktionslogik des LLM-basierten virtuellen Patienten. Die Anwendungsszenarien umfassen einen virtuellen Tower-Lotsen für das Training der Kommunikation aus Sicht des Piloten. Auf diese Weise verbindet das Projekt die Überprüfung bestehender Ergebnisse mit ihrer gezielten, evidenzbasierten Weiterentwicklung in einem iterativen Gestaltungsprozess für den praktischen Einsatz im Luftverkehr.

Project Requirements:

• Einarbeitung in Designwissen und Prototyp der vorangegangenen Projektgruppe
• Analyse der Domäne Flugverkehrskommunikation zwischen Piloten und Fluglotsen
• Literatur- und interviewbasierte Untersuchung des bestehenden Designwissens und Prototyps
• Konzeption, Durchführung und systematische Auswertung von Evaluationen in realistischen Trainingsszenarien
• Erweiterung und Überarbeitung des prototypischen virtuellen Kommunikationspartners
• Erstellung eines Projektplans, Aufgabenverteilung und kontinuierliches Projektmanagement
• Quellcodeverwaltung im Git-Repository, Projektdokumentation sowie Zwischen- und Abschlusspräsentation

Prerequisites:

• 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

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.

Project Objectives: 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 zunächst 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. Je nach Verlauf des Projekts werden Evaluationen in echten Interaktionen mit Menschen mithilfe des physischem humanoiden Roboters angestrebt.

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.

Project Requirements:

• Analyse bestehender Forschung zu Human-Robot-Interaction und sozialer Robotik
• Konzeption von Interaktionsformen zwischen Mensch und humanoidem Roboter für Alltagssituationen im Haushaltskontext
• Auswahl geeigneter generativer KI-Technologien zur Unterstützung der Interaktion
• Prototypische Umsetzung ausgewählter Interaktionsszenarien
• Iterative Evaluation der entwickelten Interaktionskonzepte
• Erstellung eines Projektplans, Aufgabenverteilung und kontinuierliches Projektmanagement
• Quellcodeverwaltung im Git-Repository, Projektdokumentation sowie Zwischen- und Abschlusspräsentation

Prerequisites:

• 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

• 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. doi.org/10.48550/arXiv.2307.15818
• Driess, D., et al. (2023). PaLM-E: An embodied multimodal language model. 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.

A warning is a safety message used to inform people about hazards in order to avoid or minimize negative consequences (Wogalter, 2006, p. 3). With the rise of digital technologies, the warning process begins with the creation of a digital (warning) object within the system’s deep structure (Wand and Weber, 1995), which is then transmitted to the public through various channels (e.g., social media, text messages, email). In the case of the Russian war in Ukraine, the dominant messenger used by citizens for warnings is Telegram. Besides the official notification channels, there are “unauthorized” “unofficial” Telegram channels that citizens use to evaluate whether or not to proceed to the bomb shelter.  These channels are led by an unknown person or group of people; they do not cite their sources, nor are they backed by any official organization. They provide no verifiable identity, no institutional guarantee, and no accountability mechanism if their information proves wrong.

These different sources do not necessarily provide information at the same time, with the same level of detail, or with the same degree of accuracy. Evaluating their informational value therefore requires comparing warnings against events that subsequently occur.

The project develops a multi-source dataset that combines unofficial warnings, official warnings, official air-raid alert data, news reports about confirmed missile and aerial attacks, and social-media reactions associated with confirmed attacks. The resulting dataset should make it possible to reconstruct the information environment surrounding individual attack events and systematically compare when, where, and how information becomes available across different sources.

The focus lies on missile, drone, and other aerial attacks. Frontline fighting and ground-combat events are outside the scope of the project.

Project Objectives: The project aims to design and implement a multi-source information analysis for air-raid threats and attacks for citizen in Ukraine.

The specific objectives are

1. Create a dataset of unofficial warning information. Develop a scraper for a provided list of unofficial Telegram warning channels. Collect relevant posts together with timestamps, text, available media references, and geographic information. 
2. Create a dataset of official warning information. Collect information from selected official warning channels and combine it with data from the Ukraine air-raid alert map. The dataset should capture the timing and geographic scope of official warnings. 
3. Create a dataset of confirmed aerial attacks. Collect news reports describing confirmed missile, drone, and other aerial attacks. Extract relevant information such as attack time, affected location, attack type, and available information about impacts. Reports concerning frontline or ground fighting should be excluded. 
4. Collect social-media information related to confirmed attacks. For attacks identified in the confirmed-events dataset, collect publicly available posts from Threads that refer to the respective attack, where such posts are available. The objective is to capture whether and when information about an attack appears in public social-media communication. 
5. Integrate and analyse the datasets. Link observations from unofficial warnings, official warnings, confirmed attacks, and Threads posts using temporal and geographic information. Develop analyses that compare the different information sources and illustrate how information about individual attack events develops over time. 

Project Requirements:

• Drawing up a project plan and allocating tasks among group members 
• Development of reproducible scraping or data-collection pipelines for the provided unofficial and official information sources 
• Collection of relevant publicly available Threads posts for identified confirmed attacks, where technically accessible 
• Comparative analysis and visualization of the resulting data 
• Project documentation 
• Interim and final presentation of the project results

Prerequisites:

• Students from the Faculty of Computer Science enrolled in the Master’s programmes in Business Informatics or Software Engineering 
• Programming experience in Python or a comparable language 
• Basic experience with APIs, web scraping, data processing, or database systems 

Literatur

• Mitchell, R. (2015). Web scraping with Python: collecting data from the modern web. " O'Reilly Media, Inc.". 
• Kiforchuk, K. (2023). Frequency analysis of Russian propaganda Telegram channels. Theoretical and applied cybersecurity, 5(1) doi.org/10.20535/tacs.2664-29132023.1.277647  

Deep-tech ventures must develop a technology and a market at the same time. This makes early strategy difficult: founders decide which technical milestone to pursue, which customer problem to prioritize, which market to enter, and where to commit scarce time and money while reliable evidence is still limited. New founders often document experiments, customer conversations, mentor feedback, and decisions in separate tools. As a result, teams struggle to reconstruct why a decision was made, how new evidence changed their assumptions, and whether a sequence of choices is producing a coherent venture strategy. 

Common startup tools capture a current business model or a list of experiments, but they rarely connect evidence, belief updates, consequential decisions, resource commitments, and later outcomes over time. This project addresses that gap by developing a web-based Decision Navigator for novice-led deep-tech ventures. The tool will record technology-market de-risking episodes and make the emerging pattern of strategic choices visible. It is intended as a reflection and learning tool for venture teams and their coaches, not as an automated judge of startup quality.

Project Objectives:

• Identify user and system requirements through a structured literature review and interviews with founders, coaches, or accelerator experts. 
• Design a data model that links assumptions, evidence, belief changes, decisions, resource commitments, and observable outcomes within individual decision episodes. 
• Develop a functional web prototype that lets teams create decision episodes, connect related choices, and view how their venture strategy develops over time. 
•  Add an optional AI-assisted function, such as summarizing evidence or identifying missing justification, while keeping sources visible and final judgment with the user. 
• Evaluate the prototype with representative users or realistic venture cases, focusing on usability, traceability, perceived usefulness, and the quality of reflection it supports. 
• Document the resulting design principles, limitations, and recommendations for future research and development.

Project Requirements:

• Project documentation using the RIS template (standard/mandatory)
• Project plan and task allocation within the group using project management techniques (standard/mandatory)
• Interim and final presentation of the results (standard/mandatory)
• Design Science Research process with documented requirements, build decisions, demonstration, and evaluation
• Functional and documented web prototype in a Git repository
• Data-protection-conscious approach to interview, test, and venture data
• Evaluation report based on user testing or realistic venture cases
• Short design-principles document linking design choices to evidence and evaluation findings

Prerequisites:

• Students of Information Systems, Computer Science, or Software Engineering at bachelor's or master's level
• Interest in entrepreneurship, digital product development, and user-centered design
• Basic programming skills and willingness to work collaboratively with Git
• Willingness to conduct and analyse interviews or usability tests; experience with web development is helpful but not mandatory

Literatur

• Andries, P., & Debackere, K. (2007). Adaptation and performance in new businesses: Understanding the moderating effects of independence and industry. Small Business Economics, 29, 81-99.
• Camuffo, A., Cordova, A., Gambardella, A., & Spina, C. (2020). A scientific approach to entrepreneurial decision making: Evidence from a randomized control trial. Management Science, 66(2), 564-586.
• Gruber, M., MacMillan, I. C., & Thompson, J. D. (2012). From minds to markets: How human capital endowments shape market opportunity identification of technology start-ups. Journal of Management, 38(5), 1421-1449.
• McMullen, J. S., & Shepherd, D. A. (2006). Entrepreneurial action and the role of uncertainty in the theory of the entrepreneur. Academy of Management Review, 31(1), 132-152.
• 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.
• Shepherd, D. A., & Gruber, M. (2021). The Lean Startup framework: Closing the academic-practitioner divide. Entrepreneurship Theory and Practice, 45(5), 967-998.

The EXIST programme of the German Federal Ministry for Economic Affairs funds start-up projects originating from universities. Approval or rejection is decided in a review process based on a published catalogue of criteria. The assessment practice behind it is not public. Applicants therefore often learn only months later that a formal exclusion criterion applied, one they could have addressed in two sentences. 

A prototype developed at the chair analyses an uploaded application and checks it against assessment criteria, exclusion criteria, and a similarity comparison against known rejection patterns. The system runs on locally hosted language models on a GPU cluster of the university, and its repository is available to you as a starting point. The model-based assessments have been implemented and tried on a handful of examples, but they have never been analysed and tested systematically. 

The central question is this: does the machine assessment match the judgement of people who actually assess such applications? That human reviewers themselves barely agree when they evaluate identical funding applications (Pier et al., 2018) makes this question harder, not easier. As long as no robust benchmark exists, every statement about the hit rate of the system is a claim. 

Following a Design Science Research approach (Hevner et al., 2004), you will develop this AI screening system further and validate it against real applications. 

Project Objectives: The project follows Design Science Research (Hevner et al., 2004): build, evaluate, learn from the deviation. All processing runs on the university GPU cluster with locally hosted language models, so application data never leaves the institution. The choice of open model is the group's, with a justification. 

Five sub-goals: 

1. Produce meta requirements for a platform that suggests improvements to startup grant proposals and business plans using a systematic literature review (e.g., PRISMA)
2. Produce design principles on the baseline of an existing criteria catalogue of the system. Compare against literature on business plans and grant proposals for startups, as well as against the published ESF project selection criteria for EXIST Gründungsstipendium and EXIST Forschungstransfer, and name deviations. 
3. Formative evaluation: Use test cards and together with the supervisor, build a test dataset, such as documented rejection reasons on one side, approved business plans on the other, anonymised and with a known decision. 
4. Test whether the system reproduces these known decisions. Measured are the separation between approved and rejected, the share of quotes verifiable against the source text, and false alarms on the hard exclusion criteria. 
5. Explain deviations (Does the cause lie in the instructions given to the model, in the criterion itself, or in the model?) 
6. Derive at improvements from your learnings, implement it, and measure its effect again. 

The project is open-ended. A well-documented finding that the system does not hold up is a full result. 

Project Requirements:

• Project documentation using the RIS template (standard/mandatory) 
• Project plan and task allocation within the group using project management techniques (standard/mandatory) 
• Interim and final presentation of the results (standard/mandatory) 
• Design Science Research procedure (Hevner et al., 2004), documented in traceable build and evaluate cycles 
• Test dataset of documented rejection reasons and approved business plans, anonymised, with an anonymisation concept and a known reference decision for each document 
• CI/CD pipeline from the GitHub repository through a container registry onto the Kubernetes GPU cluster of the university, so that the system is deployed and usable there 
• Reproducible evaluation run as a script in the project repository, and at least one implemented improvement measured before and after 

Prerequisites:

• Students of Information Systems or Software Engineering at bachelor's level or at master's level 
• Basic Python skills and the willingness to work in an existing repository with Git. The system is written in Python (FastAPI) and React 
• German language skills, since the funding guidelines, the criteria catalogues and the applications themselves are written in German 
• Careful measurement matters more in this project than model expertise, and the models are ready to run on the cluster 
• Access to the private GitHub repository and to the university GPU cluster is set up by the chair at the start of the project. Please bring a GitHub account 

Literatur

• Becherer, R. C., & Helms, M. M. (2009). The value of business plans for new ventures: Company and entrepreneur outcomes. Journal of Small Business Strategy, 20(2).
• Chen, X. P., Yao, X., & Kotha, S. (2009). Entrepreneur passion and preparedness in business plan presentations: a persuasion analysis of venture capitalists' funding decisions. Academy of Management journal, 52(1), 199-214.
• Delmar, F., & Shane, S. (2003). Does business planning facilitate the development of new ventures?. Strategic management journal, 24(12), 1165-1185.
• Hevner, A. R., March, S. T., Park, J., & Ram, S. (2004). Design science in information systems research. MIS Quarterly, 28(1), 75-106. doi.org/10.2307/25148625 
• Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., Küttler, H., Lewis, M., Yih, W. T., Rocktäschel, T., Riedel, S., & Kiela, D. (2020). Retrieval-augmented generation for knowledge-intensive NLP tasks. arXiv. doi.org/10.48550/arXiv.2005.11401 
• Pier, E. L., Brauer, M., Filut, A., Kaatz, A., Raclaw, J., Nathan, M. J., Ford, C. E., & Carnes, M. (2018). Low agreement among reviewers evaluating the same NIH grant applications. Proceedings of the National Academy of Sciences, 115(12), 2952-2957. doi.org/10.1073/pnas.1714379115 
• Sahlman, W. A. (2008). How to write a great business plan. Harvard Business Press.
• Zheng, L., Chiang, W.-L., Sheng, Y., Zhuang, S., Wu, Z., Zhuang, Y., Lin, Z., Li, Z., Li, D., Xing, E. P., Zhang, H., Gonzalez, J. E., & Stoica, I. (2023). Judging LLM-as-a-judge with MT-Bench and Chatbot Arena. arXiv. doi.org/10.48550/arXiv.2306.05685 

The Pitch Deck Checker, developed at the University of Duisburg-Essen, evaluates uploaded pitch decks (PDF, PPTX, DOCX) against an adjustable rubric using an LLM (currently via AcademicCloud/Qwen), averaging two model assessments into a weighted score with penalties for critical gaps. The evaluator currently reasons largely from the language model's general prior knowledge about pitch decks. It has no structured, evidence-based standard for what a "good" pitch deck actually contains — no curated set of real strong and weak examples, and no explicit, checkable set of rules derived from research or practitioner experience.

This matters because an LLM's judgment about a pitch deck is only as trustworthy as what it is grounded in. Without a defined evidentiary basis, its feedback risks being generic, inconsistent between decks that should score similarly, and disconnected from what investors, accelerators, and pitch-deck experts actually look for in practice.

A substantial amount of real-world evidence already exists but is not yet part of the system: TechCrunch's Pitch Deck Teardown series (https://techcrunch.com/tag/pitch-deck-teardown/) provides real decks alongside expert critique of what worked and what didn't. Practitioner sources (e.g., Sequoia Capital's pitch deck guidance, Guy Kawasaki's 10/20/30 rule, Y Combinator's pitching guidance, DocSend/Bain investor-attention benchmark data) and academic research (e.g., signaling theory, entrepreneurial narrative research, venture-capital decision-making literature) offer further, more rigorously grounded criteria.

Project Objectives: The project follows Design Science Research as described by Peffers et al. (2007) — problem identification, definition of objectives, design and development, demonstration, evaluation, and communication. Students will extend the existing Pitch Deck Checker (FastAPI backend, React frontend) with a context harness: a structured, sourced knowledge base of rules and contrastive examples that grounds the LLM's evaluation in real evidence rather than unstructured prior knowledge.

Sub-goals:

• Problem identification and motivation: Document the current evaluator's lack of a grounded, evidence-based standard for pitch deck quality, using the existing system as the baseline.
• Define meta-requirements (MRs): Through a structured review of academic and non-academic literature, derive a set of meta-requirements for what an evidence-grounded pitch-deck evaluation system must be able to assess (e.g., problem clarity, market sizing credibility, traction evidence, team-market fit, narrative coherence).
• Build the context harness (design artifact): Curate a corpus of real pitch decks and sourced rules. Design a mechanism (e.g., retrieval-augmented prompting or structured rubric injection) to feed this evidence into the evaluator at assessment time.
• Derive design principles (DPs): Generalize the design decisions made while building the harness into design principles that could apply to evidence-grounded LLM evaluators more broadly and map each DP back to the MR(s) it addresses.
• Demonstration: Integrate the context harness into the existing Pitch Deck Checker as a working extension of the current baseline.
• Evaluation: Compare the evaluator's feedback with and without the context harness against a small test set of real decks (e.g., from the TechCrunch teardown corpus, which already comes with expert critique to benchmark against). Assess whether harness-grounded feedback is more specific, more consistent across repeated runs, and better aligned with expert judgment.
• Communication: Document the meta-requirements, design principles, and evaluation results, following the DSR reporting structure.

Project Requirements:

• Project documentation using the RIS template (standard/mandatory)
• Project plan and task allocation within the group using project management techniques (standard/mandatory)
• Interim and final presentation of the results (standard/mandatory)
• Design Science Research procedure (Peffers et al., 2007), documented in traceable build-and-evaluate cycles
• Literature-based meta-requirements catalogue, with sources cited
• Design principles document, mapped to meta-requirements
• Curated evaluation corpus (including relevant TechCrunch teardown decks and other sourced examples), with documented provenance
• Reproducible before/after evaluation run comparing the evaluator with and without the context harness

Prerequisites:

• Students of Information Systems or Software Engineering at bachelor's or master's level
• Basic Python skills and willingness to work in an existing repository with Git; the system is written in Python (FastAPI) and React
• Comfort reading and synthesizing academic and practitioner literature
• Access to the private GitHub repository is set up by the chair at the start of the project; please bring a GitHub account

Literatur

• 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.
• Sahlman, W. A. (2008). How to write a great business plan. Harvard Business Press.
• Spence, M. (1973). Job market signaling. Quarterly Journal of Economics, 87(3), 355-374.
• Chen, X. P., Yao, X., & Kotha, S. (2009). Entrepreneur passion and preparedness in business plan presentations: a persuasion analysis of venture capitalists' funding decisions. Academy of Management Journal, 52(1), 199-214.
• Lewis, P., et al. (2020). Retrieval-augmented generation for knowledge-intensive NLP tasks. arXiv. doi.org/10.48550/arXiv.2005.11401
• TechCrunch. Pitch Deck Teardown series. techcrunch.com/tag/pitch-deck-teardown/

Organisations increasingly steer learning, staffing and workforce planning through skills frameworks: catalogues that define which skills exist, at which proficiency levels, and how they relate to job profiles and learning content. Skills-based talent management only pays off if the whole organisation works with one consistent skills language (Jooss et al., 2024). In practice, that language loses consistency over time. 

Scheer IMC, the industry partner of this project, provides the IMC Learning Suite, a learning management system in which client companies maintain their own skills catalogues linked to job profiles and learning content. A catalogue may already exist and need to be adapted and extended, or it may need to be modelled and constructed from organisational evidence. In both cases, maintaining an adaptable, “living” corporate skills framework is crucial. 

As roles change and new technologies emerge, internal company-specific taxonomies need to evolve, while external, more standardised taxonomies such as ESCO (le Vrang et al., 2014) are continuously updated. Otherwise, job advertisements, CVs, project documentation and course descriptions drift apart terminologically. Duplicates, near-synonyms and outdated entries accumulate and undermine skills matching, learning recommendations and workforce analytics. 

Automated skill extraction from unstructured text has matured considerably (Senger et al., 2024), yet a single extraction model does not solve the problem. Constructing and keeping a catalogue alive requires extraction, deduplication, normalisation, harmonisation of taxonomies and proficiency frameworks, job-profile generation and updating, as well as document tagging. Structural changes also carry governance consequences. 

The setting is therefore well suited to LLM-based multi-agent systems, in which specialised agents are orchestrated and critical decisions are routed to human reviewers (Guo et al., 2024; Tsaneva et al., 2025). The project asks how a multi-agent system can construct a corporate skills framework from organisational evidence and available reference frameworks and maintain it accurately and traceably as those sources evolve.

Project Objectives: The project develops a functional multi-agent prototype that can construct a corporate skills framework and continuously maintain it as organisational evidence and reference frameworks evolve. Starting from organisational source documents and, where available, an existing seed catalogue of skills, proficiency levels and job profiles, specialised agents construct and subsequently maintain the framework by analysing and monitoring internal sources and external reference frameworks. They propose additions, modifications, merges and deletions and route significant structural changes for human review. All applied changes remain traceable through the system’s change history. The target architecture comprises:

• Extraction agent: detects skills and indications of proficiency in unstructured text such as job advertisements, CVs and project documentation.
• Deduplication and normalisation agent: clusters similar or duplicate skills and proposes merges.
• Mapping agent: harmonises skills and proficiency information across internal vocabularies and external taxonomies such as ESCO or O*NET.
• Profile and tagging agents: generate and update job profiles and tag documents and learning content with the normalised skills vocabulary for semantic search.
• Orchestrator and review dashboard: coordinates the agents, resolves conflicting agent results, manages human-review steps, and visualises the living framework, its change history and open approvals.

Results are evaluated using measurable criteria, for example precision and recall of skill extraction, agreement of proposed taxonomy and proficiency mappings with expert-reviewed reference mappings, alignment of generated job profiles with expert-reviewed reference profiles, or catalogue consistency before and after normalisation. The choice of frameworks and programming languages is left to the group; Python in combination with an agent framework (e.g. LangGraph, AutoGen or a comparable framework) is recommended.

Project Requirements:

• Creation of a project plan and allocation of tasks among the group members using project management techniques (standard/mandatory).
• Analysis of organisational data sources, relevant HR and learning processes, and interactions between the IMC Learning Suite and surrounding systems; requirements elicitation with Scheer IMC and derivation of a prioritised product backlog.
• Acquisition, construction and/or synthetic generation of the working data by the group: a seed skills catalogue and a realistic corpus of documents (job advertisements, CVs, course descriptions), together with relevant internal skills vocabularies, taxonomies and proficiency frameworks, plus acquisition of relevant external reference frameworks.
• Development of a working multi-agent prototype with at least three specialised agents and an orchestration layer.
• Implementation of a human-in-the-loop review step for significant structural changes, including change history and traceability of every applied change.
• Measurable evaluation of the prototype, e.g. precision and recall of skill extraction, agreement of proposed taxonomy and proficiency mappings and generated job profiles with expert-reviewed references, or catalogue consistency before and after normalisation.
• Project documentation and presentation of the results in interim and final presentations (standard/mandatory).

Prerequisites:

• Students of the Faculty of Computer Science in the fields of Information Systems or Software Engineering at bachelor's level (with at least 90 ECTS) or at master's level (standard/mandatory)
• Solid programming skills (preferably Python) and willingness to work with LLM APIs and agent frameworks
• Interest in HR and corporate learning processes and in regular coordination with the industry partner

Literatur

• Guo, T., Chen, X., Wang, Y., Chang, R., Pei, S., Chawla, N. V., Wiest, O., & Zhang, X. (2024). Large language model based multi-agents: A survey of progress and challenges. In Proceedings of the Thirty-Third International Joint Conference on Artificial Intelligence (IJCAI-24) (pp. 8048–8057). doi.org/10.24963/ijcai.2024/890
• Jooss, S., Collings, D. G., McMackin, J., & Dickmann, M. (2024). A skills-matching perspective on talent management: Developing strategic agility. Human Resource Management, 63(1), 141–157. doi.org/10.1002/hrm.22192
• le Vrang, M., Papantoniou, A., Pauwels, E., Fannes, P., Vandensteen, D., & De Smedt, J. (2014). ESCO: Boosting job matching in Europe with semantic interoperability. Computer, 47(10), 57–64. doi.org/10.1109/MC.2014.283
• Senger, E., Zhang, M., van der Goot, R., & Plank, B. (2024). Deep learning-based computational job market analysis: A survey on skill extraction and classification from job postings. In Proceedings of the First Workshop on Natural Language Processing for Human Resources (NLP4HR 2024) (pp. 1–15). https://doi.org/10.18653/v1/2024.nlp4hr-1.1
• Tsaneva, S., Dessì, D., Osborne, F., & Sabou, M. (2025). Knowledge graph validation by integrating LLMs and human-in-the-loop. Information Processing & Management, 62(5), 104145. doi.org/10.1016/j.ipm.2025.104145

Enterprise resource planning systems execute the core transactions of a company, but the coordination between processes still rests with people. When a new customer places an order, someone checks the customer data, looks up or creates the customer record, checks stock, informs the responsible colleague, prepares documents and follows up on missing information. Each step is trivial; the coordination across master data, sales and inventory consumes the time.

Information systems research frames this as delegation to agentic artefacts, which no longer wait to be used but take responsibility for tasks with ambiguous requirements (Baird & Maruping, 2021). LLM-based agents that plan, call tools and document their reasoning make such delegation technically feasible (Wang et al., 2024).

The open question is where autonomy should end. Automation research shows that reliance only works when trust is calibrated to actual capability, since over-trust and under-trust both degrade performance (Lee & See, 2004), and the debate on human oversight requires the supervising person to retain causal power over the system and epistemic access to it (Sterz et al., 2024). In an ERP setting this becomes concrete: which decisions may the agent execute, and which must it submit? A promising lever is the agent's own confidence estimate, yet self-assessments of large language models are frequently poorly calibrated (Geng et al., 2024).

The project asks how autonomously an agent can act in a real ERP process before human oversight becomes necessary, and how trust in such an agent can be operationalised and measured.

Project Objectives: The project develops a functional prototype of an AI employee on top of ERPNext, an open-source ERP system that can be installed and filled with data freely. The agent receives a business instruction such as a new customer order and coordinates the required steps across processes instead of executing a single task. Target components are:

• Planning: the agent decomposes the instruction into an executable plan and revises it when steps fail.
• Execution: the agent works against the ERPNext API, for example checking customer data, looking up or creating records, checking stock and preparing documents.
• Escalation: the agent identifies missing information and routes critical decisions to a human for approval instead of executing them.
• Traceability: every decision, tool call and justification is logged so that actions can be reconstructed afterwards.
• Confidence estimation: the agent reports how certain it is per decision, and this self-assessment is evaluated against actual correctness using a calibration curve.

The group defines at least two levels of autonomy and compares them empirically on a set of test scenarios, including incomplete and faulty inputs. Suggested measures are task success rate, human correction rate and calibration of the agent's self-assessment.

Project Requirements:

• Creation of a project plan and allocation of tasks among the group members using project management techniques (standard/mandatory)
• Design and implementation of the agent, including planning, tool use via the ERPNext API and a complete decision log
• Definition of at least two levels of autonomy and implementation of an escalation mechanism for human approval
• Implementation of a confidence estimate per decision and its evaluation by means of a calibration curve
• Evaluation of the prototype on a defined set of test scenarios, including incomplete and faulty inputs, using task success rate and human correction rate
• Project documentation and presentation of the results in interim and final presentations (standard/mandatory)

Prerequisites:

• Students of the Faculty of Computer Science in the fields of Information Systems or Software Engineering at bachelor's level (with at least 90 ECTS) or at master's level (standard/mandatory)
• Solid programming skills (preferably Python) and willingness to work with LLM APIs and agent frameworks
• Interest in business processes and enterprise systems; prior knowledge of ERPNext is not required

Literatur

• Baird, A., & Maruping, L. M. (2021). The next generation of research on IS use: A theoretical framework of delegation to and from agentic IS artifacts. MIS Quarterly, 45(1), 315–341. doi.org/10.25300/MISQ/2021/15882
• Geng, J., Cai, F., Wang, Y., Koeppl, H., Nakov, P., & Gurevych, I. (2024). A survey of confidence estimation and calibration in large language models. In Proceedings of the 2024 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies (Volume 1: Long Papers) (pp. 6577–6595). doi.org/10.18653/v1/2024.naacl-long.366
• Lee, J. D., & See, K. A. (2004). Trust in automation: Designing for appropriate reliance. Human Factors, 46(1), 50–80. doi.org/10.1518/hfes.46.1.50_30392
• Sterz, S., Baum, K., Biewer, S., Hermanns, H., Lauber-Rönsberg, A., Meinel, P., & Langer, M. (2024). On the quest for effectiveness in human oversight: Interdisciplinary perspectives. In Proceedings of the 2024 ACM Conference on Fairness, Accountability, and Transparency (pp. 2495–2507). https://doi.org/10.1145/3630106.3659051
• Wang, L., Ma, C., Feng, X., Zhang, Z., Yang, H., Zhang, J., Chen, Z., Tang, J., Chen, X., Lin, Y., Zhao, W. X., Wei, Z., & Wen, J.-R. (2024). A survey on large language model based autonomous agents. Frontiers of Computer Science, 18(6), 186345. doi.org/10.1007/s11704-024-40231-1

Data-driven applications, from business intelligence (BI) tools and data services to AI Agents need data. Some in particular need demographic data to enrich profiles and analyze groups, such as population, age structure, households, education, income and media use. The Federal Statistical Office provides census and population data through the GENESIS-Online database, the Federal Institute for Research on Building, Urban Affairs and Spatial Development (BBSR) publishes regional indicators in the INKAR online atlas, and the ARD/ZDF media analysis reports figures on media usage. Each source comes with its own formats, interfaces, and metadata conventions. Open data promises substantial benefits, yet in practice it fails on access, format, and processing barriers. 

Existing general-purpose ETL/ELT platforms (Extract-Transform-Load/ Extract-Load-Transform) focus primarily on data movement rather than the integration of official statistical data. Although such platforms can access official sources through generic REST/HTTP or custom connectors, they generally lack dedicated connectors for (German) official statistical APIs and do not transform heterogeneous data sources behind a unified, standardized API for its consumption. Anyone who needs such data today researches manually, converts formats and cleans data and, in the best cases, builds its own toolbox to repeat the process and, in the worst case, they repeat the manual process each time. 

This project therefore builds an ETL/ELT pipeline with multiple predefined and pre-configured connectors (with an extensible architecture) that makes German open data sources machine-accessible, maps them onto a unified target schema (to be defined as part of the project) and exposes them through a documented REST API and MCP Server, so that clients systems can query clean, normalized data.

Project Objectives:

The goal of this project is the conception and implementation of an extensive ETL/ELT pipeline with a unified REST Interface and MCP Server for German open data sources. The focus is on

1. Selecting at least three concrete sources (e.g., GENESIS-Online, the 2022 census, INKAR) and identifying their requirements, including documentation of their interfaces, formats, and usage licenses,
2. designing a unified data model (target schema) that standardizes regional keys and values, 
3. identifying the state-of-the-art for ETL/ELT pipelines and selecting an open-source tool to use, or build one as part of the project if none is found to fulfill the requirements, 
4. building an ETL/ELT pipeline for each source based on (3),
5. providing a documented REST API and MCP Server through which client systems can query clean, normalized data, 
6. making these pipelines and its results monitorable and reproducible and 
7. evaluating the pipeline against defined criteria (query time, data quality, resource usage, extensibility to one additional source).

The choice of the frameworks and languages is to be defined in the first project meeting. Python and established, maintained open-source tools are recommended.

Project Requirements: 

• Creation of a project plan and task allocation among group members
• Requirements analysis and documentation of the selected data sources (interfaces, formats, licenses)
• Design of a unified data model (target schema) including a metadata concept
• Identification or ELT/ETL pipeline existing alternatives and selecting one by comparing the relevant features for the project
• Implementation of a working ETL/ELT pipeline for at least three sources
• Development of a documented REST API (including an OpenAPI specification) and MCP Server
• Evaluation of the pipeline against defined quality criteria
• Project documentation and presentation of interim and final results

Prerequisites:

• Students of the Faculty of Computer Science in the fields of Information Systems or Software Engineering at bachelor’s level (with at least 90 ECTS) or at master’s level
• Basic knowledge of databases/SQL and at least one programming language (e.g., Python)
• Interest in data integration, API development, and official open data sources
• Experience with Docker, workflow orchestration, or data warehousing is a plus, but not required

Literatur

• Vassiliadis, P. (2009). A survey of extract–transform–load technology. *International Journal of Data Warehousing and Mining*, *5*(3), 1–27. https://doi.org/10.4018/jdwm.2009070101
• Vetrò, A., Canova, L., Torchiano, M., Orozco Minotas, C., Iemma, R., & Morando, F. (2016). Open data quality measurement framework: Definition and application to Open Government Data. *Government Information Quarterly*, *33*(3), 325–337. doi.org/10.1016/j.giq.2016.02.001
• Wang, R. Y., & Strong, D. M. (1996). Beyond accuracy: What data quality means to data consumers. *Journal of Management Information Systems*, *12*(4), 5–33. doi.org/10.1080/07421222.1996.11518099
• Willekens, F. (2023). Programmatic access to open statistical data for population studies: The SDMX standard. *Demographic Research*, *49*(40), 1117–1162. doi.org/10.4054/DemRes.2023.49.40
• Zuiderwijk, A., & de Reuver, M. (2021). Why open government data initiatives fail to achieve their objectives: Categorizing and prioritizing barriers through a global survey. *Transforming Government: People, Process and Policy*, *15*(4), 377–395. doi.org/10.1108/TG-09-2020-0271

Charismatische Führungskommunikation zählt zu den wirksamsten Einflussmitteln von Führungskräften. Feldexperimente zeigen, dass Beschäftigte nach einer charismatisch gehaltenen Ansprache messbar produktiver arbeiten (Antonakis et al., 2022). Operationalisiert wird Charisma über die Charismatic Leadership Tactics (CLTs) – verbale Taktiken wie Metaphern, Geschichten, rhetorische Fragen, Dreierlisten oder Kontraste (Antonakis et al., 2011). Die Erhebung von CLTs erfolgt bislang überwiegend manuell durch geschulte Kodierende – ein aufwendiges, teures und kaum skalierbares Verfahren. Erste automatisierte Ansätze existieren (z. B. ein feingetuntes BERT-Modell; Saeid et al., 2024), sind jedoch auf englischsprachigen, synthetisch erzeugten Sätzen trainiert, nicht frei nutzbar und für Anwenderinnen und Anwender ohne KI-Kenntnisse nicht zugänglich.

Am Lehrstuhl wurde im Rahmen einer Bachelorarbeit bereits ein LLM-basierter Prototyp entwickelt, der Reden entlang der CLT-Kriterien analysiert. Dieser Prototyp ist funktional, jedoch deutlich begrenzt: Er verarbeitet nur einzelne Texte, wurde nicht systematisch gegen menschliche Kodierungen validiert, besitzt keine nutzerfreundliche Oberfläche und adressiert weder Prompt-Variabilität noch Halluzinationen. Damit ist er weder wissenschaftlich belastbar noch praktisch einsetzbar. Der bestehende Prototyp soll zu einem robusten, evaluierten und dokumentierten Analysewerkzeug weiterentwickelt, systematisch getestet und auf ein reales Redekorpus angewendet werden.

Project Objectives: Ziel des Projekts ist die Weiterentwicklung des bestehenden Prototyps zu einem validierten, dokumentierten und nachnutzbaren LLM-basierten Analysewerkzeug für charismatische Führungstaktiken in Reden und Texten. Das Vorgehen orientiert sich an der Design Science Research Methodology (z. B. Peffers et al., 2007).

Im Einzelnen soll die Projektgruppe:

1. den bestehenden Prototyp analysieren, Schwachstellen dokumentieren und daraus Anforderungen ableiten;
2. eine robuste Analysepipeline entwickeln (Import von Texten und Transkripten, Segmentierung, LLM-gestützte CLT-Klassifikation auf Satzebene, normierte Charisma-Scores, Export);
3. ein transparentes, versioniertes Prompt- und Kodierschema auf Basis der CLT-Definitionen umsetzen;
4. eine interaktive Oberfläche mit Visualisierungen bereitstellen (CLT-Profile, Verlauf innerhalb einer Rede, Vergleich mehrerer Sprecherinnen und Sprecher);
5. das Artefakt systematisch evaluieren: gegen ein manuell kodiertes Goldstandard-Sample (Übereinstimmungsmaße wie Cohens Kappa), im Vergleich mehrerer Modelle sowie hinsichtlich der Stabilität wiederholter Durchläufe;
6. das Tool auf ein reales Korpus anwenden (z. B. CEO-Reden, Aktionärsbriefe oder politische Reden) und die Ergebnisse interpretieren.

Ergebnis sind ein lauffähiges Tool, ein Evaluationsbericht sowie dokumentierte Design-Prinzipien, die eine anschließende wissenschaftliche Verwertung ermöglichen.

Project Requirements:

• Erstellung eines Projektplans und Verteilung der Aufgaben auf die Gruppenmitglieder mittels Projektmanagement-Techniken (Standard/Pflicht)
• Projektdokumentation (Standard/Pflicht)
• Präsentation der Projektergebnisse in Zwischen- und Abschlusspräsentation (Standard/Pflicht)
• Einarbeitung in den bestehenden Prototyp, Schwachstellenanalyse und Anforderungserhebung mit der Betreuung
• Entwicklung einer lauffähigen Applikation mit LLM-Anbindung, CLT-Klassifikation, Scoring und interaktiver Visualisierung
• Aufbau eines manuell kodierten Goldstandard-Samples und systematische Evaluation des Artefakts (Übereinstimmung mit menschlicher Kodierung, Modellvergleich, Stabilität der Ergebnisse)
• Anwendung des Tools auf ein reales Redekorpus sowie Aufbereitung und Interpretation der Ergebnisse
• Reproduzierbare Code-Basis mit Repository, README und versionierten Prompts

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 KI-basierten Methoden und deren programmatischen Umsetzung zu beschäftigen
• Bereitschaft, sich in führungstheoretische Grundlagen (Charismatic Leadership Tactics) einzuarbeiten – Vorkenntnisse sind nicht erforderlich

Literatur

• Antonakis, J., Fenley, M., & Liechti, S. (2011). Can charisma be taught? Tests of two interventions. Academy of Management Learning & Education, 10(3), 374–396. doi.org/10.5465/amle.2010.0012 
• Antonakis, J., d'Adda, G., Weber, R. A., & Zehnder, C. (2022). Just words? Just speeches? On the economic value of charismatic leadership. Management Science, 68(9), 6355–6381. doi.org/10.1287/mnsc.2021.4219 
• 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 
• Saeid, Y., Neubürger, F., Krügl, S., Hüster, H., Kopinski, T., & Lanwehr, R. (2024). Harnessing large language models: Fine-tuned BERT for detecting charismatic leadership tactics in natural language. 2024 IEEE 3rd Conference on Information Technology and Data Science (CITDS). https://doi.org/10.48550/arXiv.2409.18984

Low-code and no-code platforms such as n8n let employees build automated workflows without deep programming skills, known as "citizen development." It allows fast, innovative and flexible solutions. However, research and industry practice show a more complex picture. Personal, private automations are usually built and used freely. But automations that get shared with others, or that need access to critical systems such as SAP or other ERP platforms, need approval from IT or a similar gatekeeper.

Most tools do not offer a built-in way to make this difference visible or to enforce it. As a result, workflows that touch sensitive data can go live without review. This creates risks around data protection, compliance, and system integrity. At the same time, treating every workflow the same way slows down harmless personal automations.

A tiered governance approach can solve this problem. Personal workflows should stay free to build. Shared workflows and workflows that use critical data should be reviewed before they go live. This project explores how such a permission and approval layer can be added around n8n. The result will give the PIA Lab a working example of governed, tiered automation that can be reused and extended in future research and teaching.

Project Objectives: The goal of this project is to design and implement a prototype governance layer that adds permission tiers and an approval process around n8n workflows.

Key objectives:

• Analyse typical n8n workflow patterns and classify them into three tiers: personal (private, low-risk), shared (used by others), and critical-data (connected to systems such as SAP or ERP).
• Design a permission model with clear tier rules and approval criteria for each tier, with strict review for critical-data workflows.
• Implement a working prototype with three components:
  (1) a program that scans n8n for new or changed workflows and assigns each one to a tier
  (2) a database that stores tier and approval status (pending / approved / rejected)
  (3) a dashboard where a reviewer approves or rejects pending workflows. Approved workflows are activated in n8n through n8n's own API.
• Build an audit log recording all submissions, approvals, and rejections.
• Document the governance design and architecture as a short handbook focusing on structures, processes, and relational mechanisms, so future projects can reuse or extend it.

Project Requirements:

• Project documentation (standard/mandatory) 
• Creation of a project plan and task allocation among group members using project management techniques (standard/mandatory) 
• Interim and final presentations of project results (standard/mandatory) 
• Requirements analysis and design of a tier-based permission model for n8n workflows 
• Development of a working prototype including workflow classifier, approval database, and approval dashboard 
• Integration with n8n's API to enforce workflow activation and deactivation based on approval status 
• Preparation of dummy workflows and dummy data to demonstrate all three tiers end-to-end

Prerequisites:

• Students of the Faculty of Computer Science in the fields of Information Systems or Software Engineering
• Basic programming skills (ideally Python) 
• Interest in workflow automation, low-code platforms, and IT governance topics 
• No prior knowledge of n8n required — hands-on onboarding will be provided

Literatur

• Bock, A.C., Frank, U. Low-Code Platform. Bus Inf Syst Eng 63, 733–740 (2021). https://doi.org/10.1007/s12599-021-00726-8
• Viljoen, Altus; Radić, Marija; Hein, Andreas; Nguyen, John; and Krcmar, Helmut (2024) "Governing Citizen Development to Address Low-Code Platform Challenges," MIS Quarterly Executive: Vol. 23: Iss. 3, Article 6.
• Viljoen, A. , B. Stelzl , M. Yang , et al. 2026. “ Navigating Flexibility and Standardisation in Low-Code/No-Code Development.” Information Systems Journal 36, no. 1: 95–109. https://doi.org/10.1111/isj.70001. 
• Binzer, Björn; Elshan, Edona; Fürstenau, Daniel; and Winkler, Till J. (2024) "Establishing a Low-Code/No-Code-Enabled Citizen Development Strategy," MIS Quarterly Executive: Vol. 23: Iss. 3, Article 3. Available at: https://aisel.aisnet.org/misqe/vol23/iss3/3
• S. De Haes and W. Van Grembergen, "IT Governance Structures, Processes and Relational Mechanisms: Achieving IT/Business Alignment in a Major Belgian Financial Group," Proceedings of the 38th Annual Hawaii International Conference on System Sciences, Big Island, HI, USA, 2005, pp. 237b-237b, doi: 10.1109/HICSS.2005.362. keywords: {Companies;Financial management;Information technology;International trade;Wood industry;Board of Directors;Market research},