Problemstellung

Die Einführung generativer KI-Systeme wie ChatGPT hat sowohl die Lehre als auch die Bearbeitung von Aufgaben in Schulen und Universitäten erheblich verändert. Studierende nutzen Large Language Models (LLMs) zunehmend, um Texte zu verfassen oder zu überarbeiten, Konzepte zu verstehen oder sich komplexe Inhalte erklären zu lassen. Dadurch entstehen neue Möglichkeiten, Lernprozesse individuell zu unterstützen und Lerninhalte flexibel zugänglich zu machen.

Gleichzeitig wird das Potenzial solcher Systeme für die strukturierte Unterstützung von Lehrveranstaltungen bislang nur teilweise ausgeschöpft. Viele Anwendungen erfolgen bislang informell und ohne gezielte didaktische Integration in bestehende Lernprozesse. Dabei könnten KI-basierte Assistenzsysteme Lernende dabei unterstützen, Inhalte eigenständig zu erarbeiten, Verständnisfragen zu klären oder zusätzliche Lernmaterialien zu generieren.

Im Rahmen eines vorangegangenen studentischen Projekts wurde bereits ein erster Prototyp eines LLM-basierten digitalen Lernassistenten („ProfessorGPT“) entwickelt, der Studierende beim Verständnis von Lehrinhalten unterstützen soll. Der bestehende Prototyp ermöglicht grundlegende Interaktionen mit einem KI-System und dient als technische Grundlage für weitere Entwicklungen.

Die vorhandenen Ergebnisse – einschließlich Konzept, Architektur und prototypischer Implementierung – bilden den Ausgangspunkt für die Weiterentwicklung eines solchen Systems im Kontext universitärer Lehrveranstaltungen.

Zielsetzung

Ziel dieses Projekts ist die Weiterentwicklung und prototypische Implementierung eines KI-basierten digitalen Lernassistenten („ProfessorGPT“) zur Unterstützung von Studierenden.

Das Projekt baut dabei auf den Ergebnissen einer vorherigen Projektgruppe auf. Der vorhandene Prototyp sowie zugehöriger Quellcode und Dokumentation werden dem Projektteam zur Verfügung gestellt und dienen als technischer Ausgangspunkt für die Weiterentwicklung.

Zu Beginn des Projekts soll das Projektteam den bestehenden Systemstand analysieren und mögliche Erweiterungen identifizieren. Darauf aufbauend sollen neue Funktionen konzipiert und prototypisch umgesetzt werden. Dazu können beispielsweise gehören:

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

Der entwickelte Prototyp soll im Kontext der Bachelorveranstaltung „Einführung in die Wirtschaftsinformatik“ eingesetzt und getestet werden. Ziel ist es, Studierenden einen digitalen Assistenten zur Verfügung zu stellen, der sie beim Verständnis von Vorlesungsinhalten, bei der Bearbeitung von Aufgaben sowie bei der Vor- und Nachbereitung der Veranstaltung unterstützt.

Abschließend soll das entwickelte System im Rahmen einer Nutzerevaluation untersucht werden. Hierzu soll ein geeigneter Evaluationsplan entwickelt und umgesetzt werden, um Erkenntnisse über Nutzen, Akzeptanz und mögliche Verbesserungspotenziale des Systems zu gewinnen.

GenAI-APIs zur Entwicklung und Integration der benötigten KI-Funktionalitäten sowie relevante Lehrmaterialien der Veranstaltung werden vom Lehrstuhl zur Verfügung gestellt.

Anforderungen an das Projektteam

Die konkrete Ausgestaltung der Aufgabenstellung bleibt dem Projektteam überlassen, jedoch sollen nachfolgende Anforderungen erfüllt werden.

• 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)

Voraussetzungen

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

Literaturhinweise

• Banh, L. & Strobel, G. (2023). Generative artificial intelligence. Electronic Markets, 33(1). https://doi.org/10.1007/s12525-023-00680-1
• Banh, L., Holldack, F. & Strobel, G. Designing Generative AI-Based Agents to Empower Collaborative Self-Learning in Higher Education. Bus Inf Syst Eng (2026). https://doi.org/10.1007/s12599-026-01012-1 
• 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. https://doi.org/10.17705/1cais.05755
• Singh, A., Mansour, J., Patel, J. & Van Slyke, C. (2026). Generative Artificial intelligence in Information Systems Education: Benefits, challenges and recommendations. Communications Of The Association For Information Systems. https://aisel.aisnet.org/cais/vol58/iss1/31
• Van Slyke, C., Johnson, R. & Sarabadani, J. (2023). Generative Artificial Intelligence in Information Systems Education: Challenges, Consequences, and Responses. Communications Of The Association For Information Systems, 53(1), 1–21. doi.org/10.17705/1cais.05301

Problemstellung

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.

Zielsetzung

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.

Anforderungen an das Projektteam

Die konkrete Ausgestaltung der Aufgabenstellung bleibt dem Projektteam überlassen, jedoch sollen nachfolgende Anforderungen erfüllt werden.

• 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)

Voraussetzungen

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

Literaturhinweise

• 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

Problemstellung

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.

Zielsetzung

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.

Anforderungen an das Projektteam

Die konkrete Ausgestaltung der Aufgabenstellung bleibt dem Projektteam überlassen, jedoch sollen nachfolgende Anforderungen erfüllt werden.

• 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

Voraussetzungen

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

Literaturhinweise

• 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

Problemstellung

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.

Zielsetzung

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.

Anforderungen an das Projektteam

Die konkrete Ausgestaltung der Aufgabenstellung bleibt dem Projektteam überlassen, jedoch sollen nachfolgende Anforderungen erfüllt werden.

• 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

Voraussetzungen

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

Literaturhinweise

• 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.

Problemstellung

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.

Zielsetzung

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.

Anforderungen an das Projektteam

Die konkrete Ausgestaltung der Aufgabenstellung bleibt dem Projektteam überlassen, jedoch sollen nachfolgende Anforderungen erfüllt werden.

• 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

Voraussetzungen

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

Literaturhinweise

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

Problemstellung

Mit den Fortschritten in der Robotik rücken humanoide Roboter zunehmend als potenzielle Assistenzsysteme für den Alltag in den Fokus. Aufgrund ihrer menschenähnlichen Form und Bewegungsfähigkeit eignen sie sich grundsätzlich gut für Umgebungen, die für Menschen gestaltet wurden, etwa Haushalte, Büros oder öffentliche Räume. Dadurch eröffnen sich neue Möglichkeiten für die Zusammenarbeit und Interaktion zwischen Menschen und Robotern.

Während technische Fähigkeiten wie Navigation, Objekterkennung oder Manipulation in den letzten Jahren große Fortschritte gemacht haben, stellt insbesondere das Verhalten von Robotern im direkten Kontakt mit Menschen weiterhin eine zentrale Herausforderung dar. In realen Alltagssituationen müssen Roboter nicht nur Aufgaben ausführen, sondern auch auf soziale Kontexte reagieren, angemessen auf Menschen zugehen und verständlich kommunizieren.

Dabei spielen verschiedene Aspekte eine Rolle, etwa sprachliche Kommunikation, Bewegungsmuster, Gestik oder die Positionierung im Raum. Wie solche Verhaltensweisen gestaltet werden sollten, damit Roboter als hilfreiche und akzeptierte Assistenzsysteme wahrgenommen werden, ist eine zentrale Fragestellung der Human-Robot-Interaction-Forschung.

Neue Entwicklungen im Bereich generativer KI eröffnen zusätzliche Möglichkeiten, robotische Systeme mit flexibleren Interaktionsfähigkeiten auszustatten. Insbesondere die Verbindung von generativer KI mit physischer Robotik ermöglicht es, Roboter stärker kontextbezogen und situationsabhängig agieren zu lassen.

Zielsetzung

Ziel dieses Projekts ist die Entwicklung und prototypische Umsetzung eines Interaktionskonzepts für einen humanoiden Roboter im Haushaltskontext.

Zu Beginn des Projekts soll das Projektteam analysieren, welche Anforderungen sich an das Verhalten eines humanoiden Roboters im direkten Kontakt mit Menschen ergeben. Auf dieser Grundlage soll ein Konzept entwickelt werden, das beschreibt, wie sich ein Roboter in typischen Alltagssituationen eines Haushaltsumfelds verhält und mit Personen in seiner Umgebung interagiert.

Darauf aufbauend sollen geeignete (generative KI-)Technologien ausgewählt werden, um ausgewählte Interaktionsszenarien prototypisch umzusetzen. Die entwickelten Ansätze sollen anschließend 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.

Anforderungen an das Projektteam

Die konkrete Ausgestaltung der Aufgabenstellung bleibt dem Projektteam überlassen, jedoch sollen nachfolgende Anforderungen erfüllt werden.

• 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

Voraussetzungen

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

Literaturhinweise

• 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.