Problemstellung

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

Zielsetzung

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

Anforderungen an das Projektteam

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

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

Voraussetzungen

• Studierende der Fakultät für Informatik im Bereich Wirtschaftsinformatik oder Software Engineering im Bachelor (mit mindestens 90 ECTS) oder im Master (Standard/Pflicht)

Literaturhinweise

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

Problemstellung

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

Zielsetzung

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

Anforderungen an das Projektteam

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

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

Voraussetzungen

• Studierende der Fakultät für Informatik im Bereich Wirtschaftsinformatik oder Software Engineering im Bachelor (mit mindestens 90 ECTS) oder im Master (Standard/Pflicht)

Literaturhinweise

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

Problemstellung

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

Zielsetzung

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

Anforderungen an das Projektteam

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

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

Voraussetzungen

• Studierende der Fakultät für Informatik im Bereich Wirtschaftsinformatik oder Software Engineering im Bachelor (mit mindestens 90 ECTS) oder im Master (Standard/Pflicht)

Literaturhinweise

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

Problemstellung

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

Zielsetzung

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

Anforderungen an das Projektteam

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

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

Voraussetzungen

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

Literaturhinweise

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

Problemstellung

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

Zielsetzung

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

Anforderungen an das Projektteam

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

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

Voraussetzungen

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

Literaturhinweise

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

Problemstellung

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

Zielsetzung

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

Anforderungen an das Projektteam

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

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

Voraussetzungen

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

Literaturhinweise

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

Problemstellung

Naturkatastrophen, Unfälle und Krisensituationen stellen Einsatzkräfte im Zivil- und Katastrophenschutz vor große Herausforderungen. Insbesondere der steigende Personalmangel sowie die Gefährdung von Rettungskräften bei Einsätzen in instabilen oder schwer zugänglichen Umgebungen erhöhen den Bedarf an unterstützenden robotischen Systemen. Robotische Plattformen können beispielsweise eingesetzt werden, um gefährliche Areale zu erkunden, Informationen zu sammeln oder vermisste Personen schneller zu lokalisieren.

Embodied Generative AI – also verkörperte generative KI-Systeme – eröffnet neue Perspektiven. Durch ihre Fähigkeit, Umgebungen zu analysieren, autonom Entscheidungen zu treffen und flexibel mit dynamischen Situationen umzugehen, können solche Systeme Rettungseinsätze erheblich unterstützen. 

In einem vorangegangenen Projekt wurde bereits ein erster prototypischer Ansatz für einen generativen KI-basierten Such- und Rettungsroboter auf Basis des Unitree Go2 entwickelt, welcher vom Lehrstuhl zur Verfügung gestellt wird. Dieser Prototyp ermöglicht grundlegende Funktionen zur Umgebungsanalyse und Objektidentifikation und bildet damit eine technische Grundlage für weiterführende Entwicklungen. 

Die Ergebnisse der Vorgruppe, einschließlich Quellcode, Dokumentation und technischer Infrastruktur, werden dem Projektteam zur Verfügung gestellt und dienen als technischer Ausgangspunkt für die Weiterentwicklung.

Zielsetzung

Ziel des Projekts ist die Weiterentwicklung eines prototypischen GenAI-basierten Such- und Rettungsroboters auf Basis des Unitree Go2. Aufbauend auf den Ergebnissen der vorherigen Projektgruppe sollen bestehende Funktionen analysiert, verbessert und um zusätzliche Fähigkeiten erweitert werden.

Das Projektteam soll zunächst den bestehenden Systemstand untersuchen und geeignete Erweiterungspotenziale identifizieren. Darauf aufbauend sollen neue Ansätze entwickelt und prototypisch umgesetzt werden, beispielsweise zur verbesserten Objekterkennung, zur strukturierten Kartografierung von Einsatzgebieten oder zur effizienteren systematischen Durchsuchung von Umgebungen.

Ein weiterer Schwerpunkt liegt auf der praktischen Umsetzung und Evaluation der entwickelten Ansätze. Die Implementierung soll schrittweise getestet, iterativ verbessert und zunächst in der Simulation, dann auf dem physischen Robotersystem validiert werden.

Langfristig soll durch die Weiterentwicklung des Systems eine flexible Forschungsplattform entstehen, die perspektivisch auch die Zusammenarbeit mit weiteren Systemen (etwa Drohnen oder humanoiden Robotern) ermöglicht und als Grundlage für weitere Forschungs- und Entwicklungsprojekte im Bereich Embodied Generative AI dienen kann.

Die technische Infrastruktur für das Projekt wird vollständig vom Lehrstuhl bereitgestellt. Dazu gehören ein Unitree Go2 Roboterhund, eine KI-Workstation mit 2× RTX 4090 GPUs, Ausleihbare KI-Laptops mit mobiler RTX 5090 GPU, sowie GenAI-APIs zur Entwicklung und Integration der benötigten KI-Funktionalitäten.

Anforderungen an das Projektteam

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

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

Voraussetzungen

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

Literaturhinweise

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

Problemstellung

Blinde und sehbehinderte Menschen sind im Alltag häufig auf die Unterstützung anderer Personen, von Blindenhunden oder auf konventionelle Hilfsmittel angewiesen, um sich sicher und selbstständig fortzubewegen. Obwohl technologische Assistenzsysteme in den letzten Jahren erhebliche Fortschritte erzielt haben, bleiben viele Lösungen in ihrer Funktionalität eingeschränkt. Insbesondere fehlt es vielen Systemen an der Fähigkeit, komplexe Alltagssituationen flexibel zu interpretieren und Nutzer aktiv durch ihre Umgebung zu begleiten.

Gleichzeitig haben Entwicklungen im Bereich der künstlichen Intelligenz – insbesondere im Bereich generativer KI – neue Möglichkeiten für intelligente Assistenzsysteme eröffnet. Embodied Generative AI, also generative KI-Systeme mit einer physischen Verkörperung, ermöglicht es, Wahrnehmung, Entscheidungsfindung und Interaktion direkt mit einer realen Umgebung zu verbinden. Dadurch könnten robotische Assistenzsysteme künftig nicht nur Hindernisse erkennen, sondern auch Situationen interpretieren, Kontextinformationen bereitstellen und mit Nutzern in natürlicher Sprache interagieren.

Tierähnliche mobile Roboterplattformen wie der Roboterhund Unitree Go2 bieten hierfür eine geeignete technische Grundlage. Durch ihre Mobilität und Stabilität können sie sich in verschiedenen Umgebungen bewegen und potenziell als intelligente Begleiter im Alltag eingesetzt werden. Gleichzeitig ergeben sich in diesem Kontext neue Forschungsfragen hinsichtlich technischer Umsetzung, Interaktion zwischen Mensch und Maschine sowie der Akzeptanz autonomer Assistenzsysteme.

Zielsetzung

Ein Schwerpunkt des Projekts liegt auf der praktischen Umsetzung der entwickelten Ansätze. Die entwickelten Funktionen sollen zunächst in geeigneten Simulationsumgebungen getestet und anschließend prototypisch auf dem physischen Robotersystem umgesetzt werden.

Das Projekt baut dabei auf den Ergebnissen einer vorherigen Projektgruppe auf, in der bereits erste prototypische Funktionen für einen GenAI-basierten robotischen Assistenzhund entwickelt wurden. Die entstandenen Artefakte – einschließlich Quellcode, Dokumentation und bestehender Systemkomponenten – werden dem Projektteam zur Verfügung gestellt und dienen als technischer Ausgangspunkt für die Weiterentwicklung.

Darüber hinaus kann im Projekt untersucht werden, welche Anforderungen sich hinsichtlich Sicherheit, Nutzerinteraktion und gesellschaftlicher Akzeptanz solcher Systeme ergeben können.

Die technische Infrastruktur für das Projekt wird vollständig vom Lehrstuhl bereitgestellt. Dazu gehören ein Unitree Go2 Roboterhund, eine KI-Workstation mit 2× RTX 4090 GPUs, ausleihbare KI-Laptops mit mobiler RTX 5090 GPU sowie GenAI-APIs zur Entwicklung und Integration der benötigten KI-Funktionalitäten.

Anforderungen an das Projektteam

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

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

Voraussetzungen

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

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. https://doi.org/10.48550/arXiv.2307.15818
• Driess, D., et al. (2023). PaLM-E: An embodied multimodal language model. https://doi.org/10.48550/arXiv.2303.03378
• Paolo, G., Gonzalez-Billandon, J., & Kégl, B. (2024). A call for embodied AI. https://arxiv.org/abs/2402.03824
• Han, B., Yun, W. H., Seo, B. S., & Kim, J. (2025, May). Space-aware instruction tuning: Dataset and benchmark for guide dog robots assisting the visually impaired. In 2025 IEEE International Conference on Robotics and Automation (ICRA) (pp. 12430-12436). IEEE.
• Xu, T. (2024). Analyze of Application of Artificial Intelligence in Robotic Guide Dogs. Applied and Computational Engineering, 93, 35-39.
• Kim, J. T., Byrd, M., Crandell, J. L., Walker, B. N., Turk, G., & Ha, S. (2025, March). Understanding expectations for a robotic guide dog for visually impaired people. In 2025 20th ACM/IEEE International Conference on Human-Robot Interaction (HRI) (pp. 262-271). IEEE.
• Hwang, H., Jung, H. T., Giudice, N. A., Biswas, J., Lee, S. I., & Kim, D. (2024, May). Towards robotic companions: Understanding handler-guide dog interactions for informed guide dog robot design. In Proceedings of the 2024 CHI Conference on Human Factors in Computing Systems (pp. 1-20).

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 in einer Simulationsumgebung implementiert und in verschiedenen Szenarien getestet werden.

Das Projekt verbindet somit konzeptionelle Arbeiten zur Gestaltung von Mensch-Roboter-Interaktion mit einer praktischen prototypischen Umsetzung in einer Robotiksimulation.

Die technische Infrastruktur für das Projekt wird vollständig vom Lehrstuhl bereitgestellt. Dazu gehören ein Unitree R1 Edu-U2 humanoider Roboter, eine KI-Workstation mit 2× RTX 4090 GPUs, ausleihbare KI-Laptops mit mobiler RTX 5090 GPU sowie GenAI-APIs zur Entwicklung und Integration der benötigten KI-Funktionalitäten.

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

Voraussetzungen

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

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. https://doi.org/10.48550/arXiv.2307.15818
• Driess, D., et al. (2023). PaLM-E: An embodied multimodal language model. https://doi.org/10.48550/arXiv.2303.03378
• Paolo, G., Gonzalez-Billandon, J., & Kégl, B. (2024). A call for embodied AI. https://arxiv.org/abs/2402.03824
• Obrenovic, B., Gu, X., Wang, G., Godinic, D., & Jakhongirov, I. (2025). Generative AI and human–robot interaction: implications and future agenda for business, society and ethics. AI & society, 40(2), 677-690.

Problemstellung

Die medizinische Ausbildung ist ein anspruchsvolles und vielseitiges Feld, in dem angehende Ärztinnen und Ärzte kontinuierlich ihre klinischen Fähigkeiten und Kommunikationskompetenzen entwickeln müssen. Eine zentrale Rolle spielt dabei die Arzt-Patienten-Interaktion, die maßgeblich für Diagnose, Therapieentscheidungen und den Behandlungserfolg ist. Gleichzeitig sind Möglichkeiten zum realitätsnahen Training solcher Gespräche im Studium häufig begrenzt, da reale Patientenkontakte nur eingeschränkt verfügbar sind und simulierte Szenarien mit Schauspielpatienten organisatorisch aufwendig sein können.

Mit den Fortschritten im Bereich generativer KI, insbesondere durch Large Language Models (LLMs), entstehen neue Möglichkeiten zur Entwicklung interaktiver Lernsysteme. Virtuelle Patienten könnten es ermöglichen, realistische Gesprächssituationen zu simulieren und medizinische Ausbildung in einer sicheren und kontrollierten Umgebung zu unterstützen. Solche Systeme können unterschiedliche Krankheitsbilder, Kommunikationssituationen und diagnostische Fragestellungen abbilden und damit neue Formen digitaler Trainingsumgebungen eröffnen.

Im Rahmen eines vorangegangenen Projekts wurde bereits ein erster prototypischer virtueller Patient auf Basis eines LLM-basierten Chatbots entwickelt. Die aktuelle Projektgruppe erweitert dieses System derzeit insbesondere um visuelle Komponenten, beispielsweise eine videobasierte Begrüßung des virtuellen Patienten sowie erste Ansätze zur Integration medizinischer Bildinformationen im Bereich der Dermatologie.

Diese bestehenden Ergebnisse bilden eine Grundlage für weitere Forschungs- und Entwicklungsarbeiten im Bereich KI-basierter virtueller Patienten.

Zielsetzung

Ziel dieses Projekts ist die Weiterentwicklung und Evaluation eines LLM-basierten virtuellen Patienten zur Unterstützung der medizinischen Ausbildung.

Das Projekt baut auf den bestehenden Prototypen und den Ergebnissen der vorherigen Projektgruppen auf. Die vorhandenen Komponenten – einschließlich der Chatbot-Architektur, der bisherigen Avatar-Darstellung sowie der Integration medizinischer Bildinformationen – stehen dem Projektteam als Ausgangspunkt zur Verfügung.

Auf dieser Basis sollen neue Erweiterungsmöglichkeiten identifiziert und prototypisch umgesetzt werden. Mögliche Projektansätze können beispielsweise sein:

• die Erweiterung des Systems auf weitere medizinische Fachbereiche und entsprechender Krankheitsbilder
• die Integration zusätzlicher medizinischer Bildtypen oder diagnostischer Informationen (z.B. X-Ray)
• die Entwicklung realistischer digitaler Avatare oder animierter virtueller Patienten

Für die visuelle Darstellung virtueller Patienten können beispielsweise Technologien wie Unreal Engine Digital Humans, Unity-basierte Avatar-Systeme oder NVIDIA Digital Human Plattformen untersucht und prototypisch integriert werden.

Ein weiterer Schwerpunkt des Projekts liegt auf der Evaluation des Systems im Kontext der medizinischen Ausbildung. Dabei soll untersucht werden, inwiefern virtuelle Patienten als Trainingswerkzeug für kommunikative und diagnostische Fähigkeiten eingesetzt werden können und diese verbessern.

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

Anforderungen an das Projektteam

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

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

Voraussetzungen

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

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.
• Kelly, S., Smyth, E., Murphy, P., & Pawlikowska, T. (2022). A scoping review: virtual patients for communication skills in medical undergraduates. BMC medical education, 22(1), 429.
• Bowers, P., Graydon, K., Ryan, T., Lau, J. H., & Tomlin, D. (2024). Artificial intelligence-driven virtual patients for communication skill development in healthcare students: A scoping review. Australasian Journal of Educational Technology, 40(3), 39-57.

Problemstellung

Funkkommunikation ist ein zentraler Bestandteil der Zusammenarbeit in vielen sicherheitskritischen Bereichen. Organisationen wie Polizei, Feuerwehr, Rettungsdienste, Katastrophenschutz oder auch militärische Einheiten sind im Einsatz stark auf zuverlässige und präzise Funkkommunikation angewiesen. Über Funk werden Informationen ausgetauscht, Lagebilder koordiniert, Einsatzkräfte gesteuert und Entscheidungen abgestimmt. Gerade in dynamischen oder stressreichen Situationen ist eine klare, strukturierte und regelkonforme Kommunikation entscheidend.

Der Umgang mit Funkgeräten und das Einhalten standardisierter Kommunikationsprotokolle müssen daher regelmäßig trainiert werden. In der Praxis erfolgt ein solches Training häufig in Form von Übungen mit mehreren Teilnehmern oder im Rahmen realitätsnaher Einsatzsimulationen. Solche Trainings sind jedoch organisatorisch aufwendig, erfordern die Verfügbarkeit mehrerer Beteiligter und lassen sich nur begrenzt flexibel durchführen.

Mit dem Fortschritt im Bereich generativer KI eröffnen sich neue Möglichkeiten für interaktive Trainingssysteme. Insbesondere Large Language Models (LLMs) sind in der Lage, natürliche Dialoge zu führen, kontextbezogene Informationen zu verarbeiten und situationsabhängige Reaktionen zu generieren. Dadurch könnten virtuelle Funkpartner entstehen, mit denen Nutzer realistische Kommunikationssituationen trainieren können.

Ein ähnlicher Ansatz wurde bereits im Kontext eines virtuellen Patienten für die medizinische Ausbildung untersucht. Der dort entwickelte LLM-basierte Conversational Agent ermöglicht simulierte Patientengespräche und bildet damit eine Grundlage für interaktive Trainingsumgebungen. Die dabei entwickelten Designprinzipien und technischen Komponenten können als Ausgangspunkt dienen, um ähnliche Ansätze auf andere Kommunikationsdomänen zu übertragen.

Zielsetzung

Ziel dieses Projekts ist die konzeptionelle Entwicklung, prototypische Umsetzung und Evaluation eines GenAI-basierten Trainingssystems für Funkkommunikation.

Zu Beginn des Projekts soll das Projektteam die Domäne des Funkverkehrs in sicherheitskritischen Organisationen analysieren. Dabei sollen typische Kommunikationsstrukturen, Abläufe und Anforderungen an Funkdialoge untersucht werden. Die Analyse kann sowohl literaturbasiert als auch durch Interviews mit Praktikern aus entsprechenden Organisationen erfolgen.

Auf dieser Grundlage sollen Designprinzipien für ein GenAI-basiertes Funktrainingstool abgeleitet werden. Methodisch orientiert sich das Projekt am Design Science Research (DSR) Ansatz nach Peffers et al., bei dem aus der Analyse eines praktischen Problems zunächst Geslatungswissen entwickelt und anschließend in Form eines Artefakts umgesetzt und evaluiert werden.

Die entwickelten Designprinzipien sollen anschließend prototypisch implementiert werden. Als technische Grundlage kann der bestehende Prototyp des LLM-basierten virtuellen Patienten genutzt werden, dessen Architektur und Interaktionslogik als Ausgangspunkt für die Entwicklung eines virtuellen Funkpartners dienen.

Abschließend soll der entwickelte Prototyp in realistischen Trainingsszenarien evaluiert werden, beispielsweise durch Tests mit Personen, die Erfahrung im Funkverkehr besitzen. Ziel der Evaluation ist es zu untersuchen, inwiefern ein GenAI-basierter virtueller Funkpartner als Trainingswerkzeug für Kommunikationssituationen geeignet ist.

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

Anforderungen an das Projektteam

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

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

Voraussetzungen

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

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.
• des Innern, B. D. B. S. Nichtöffentlicher mobiler Landfunkdienst der Behörden und Organisationen mit Sicherheitsaufgaben (BOS); BOS-Funkrichtlinie.
• Müller-Lobeck, L., Werner, A., & Ellinger, K. (2000). Sprechfunk im Notarztdienst. Notfall & Rettungsmedizin, 3(4), 250-256.
• https://www.bundesnetzagentur.de/DE/Fachthemen/Telekommunikation/Frequenzen/Firmennetze/BOS-Funk/start.html

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 in realitätsnahen Übungen. Solche Trainings sind jedoch oft aufwendig zu organisieren und erfordern die Verfügbarkeit mehrerer beteiligter Personen.

Mit dem Fortschritt im Bereich generativer KI eröffnen sich neue Möglichkeiten für interaktive Trainingssysteme. Insbesondere Large Language Models (LLMs) sind in der Lage, natürliche Dialoge zu führen, Kontextinformationen zu verarbeiten und situationsabhängig zu reagieren. Dadurch könnten virtuelle Kommunikationspartner entstehen, mit denen typische Funkdialoge zwischen Tower und Cockpit simuliert und trainiert werden können.

Ein ähnlicher Ansatz wurde bereits im Kontext eines virtuellen Patienten für die medizinische Ausbildung untersucht. Der dort entwickelte LLM-basierte Conversational Agent ermöglicht simulierte Patientengespräche und bildet damit eine Grundlage für interaktive Trainingsumgebungen. Die dabei entwickelten Designprinzipien und technischen Komponenten können als Ausgangspunkt dienen, um ähnliche Ansätze auf Trainingsszenarien in der Luftfahrtkommunikation zu übertragen.

Zielsetzung

Ziel dieses Projekts ist die konzeptionelle Entwicklung, prototypische Umsetzung und Evaluation eines GenAI-basierten Trainingssystems für Kommunikationssituationen in der Flugverkehrskontrolle.

Zu Beginn des Projekts soll das Projektteam die Domäne der Kommunikation zwischen Fluglotsen und Piloten analysieren. Dabei sollen typische Kommunikationsabläufe, standardisierte Phraseologie sowie häufige Trainingssituationen untersucht werden. Die Analyse kann sowohl literaturbasiert als auch durch Interviews mit Personen erfolgen, die Erfahrung im Bereich Luftfahrt oder Flugverkehrskontrolle besitzen.

Auf dieser Grundlage sollen Designprinzipien für ein GenAI-basiertes Trainingssystem abgeleitet werden. Methodisch orientiert sich das Projekt am Design Science Research (DSR)-Ansatz nach Peffers et al., bei dem aus der Analyse eines praktischen Problems zunächst Gestaltungswissen abgeleitet und anschließend in Form eines Artefakts umgesetzt und evaluiert wird.

Die entwickelten Designprinzipien sollen anschließend prototypisch implementiert werden. Als technische Grundlage kann der bestehende Prototyp des LLM-basierten virtuellen Patienten genutzt werden, dessen Architektur und Interaktionslogik als Ausgangspunkt für die Entwicklung eines virtuellen Kommunikationspartners dienen.

Dabei können unterschiedliche Perspektiven berücksichtigt werden. Denkbar ist beispielsweise ein Trainingssystem, in dem Nutzer in die Rolle eines Fluglotsen schlüpfen und mit einem virtuellen Piloten kommunizieren, oder umgekehrt ein Szenario, in dem ein virtueller Tower-Lotse als Trainingspartner für Piloten dient.

Abschließend soll der entwickelte Prototyp in realistischen Trainingsszenarien evaluiert werden. Ziel der Evaluation ist es zu untersuchen, inwiefern ein GenAI-basierter virtueller Kommunikationspartner als Trainingswerkzeug für standardisierte Funkkommunikation in der Luftfahrt geeignet ist.

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

Anforderungen an das Projektteam

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

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

Voraussetzungen

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

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

Behörden und öffentliche Einrichtungen sind in Deutschland gesetzlich verpflichtet, ihre Kommunikation barrierefrei zu gestalten. Insbesondere §11 des Behindertengleichstellungsgesetzes (BGG) fordert, dass Informationen für Menschen mit Behinderungen zugänglich und verständlich bereitgestellt werden. Dazu gehört auch die Nutzung sogenannter einfacher oder leichter Sprache, die komplexe Inhalte verständlich aufbereitet und somit eine inklusivere Kommunikation ermöglicht.

Diese Anforderungen stehen jedoch häufig im Spannungsfeld mit der juristischen Präzision behördlicher Dokumente. Bescheide, Verordnungen oder gesetzliche Regelungen enthalten oftmals komplexe Formulierungen und umfangreiche Begründungen, die für juristische Korrektheit notwendig sind, aber für viele Bürgerinnen und Bürger schwer verständlich sein können. Gleichzeitig stellen normative Vorgaben – etwa DIN SPEC 33429 oder weitere Regelwerke zur leichten Sprache – hohe Anforderungen an Struktur, Verständlichkeit und sprachliche Gestaltung entsprechender Texte.

Parallel dazu schreitet die Digitalisierung behördlicher Kommunikationsprozesse voran. Mit der Umsetzung europäischer Initiativen wie der eIDAS-Verordnung entstehen zunehmend digitale Zustellverfahren für rechtsverbindliche Dokumente. Dadurch wächst die Bedeutung digitaler Lösungen, die behördliche Kommunikation sowohl rechtssicher als auch barrierefrei gestalten.

Vor diesem Hintergrund untersucht ein aktuelles Praxisprojekt in Zusammenarbeit mit einem digitalen Zustelldienstleister das Potenzial generativer KI zur automatisierten Vereinfachung komplexer Dokumente. Erste Erkenntnisse aus diesem Projekt zeigen, dass generische Large Language Models (LLMs) bereits ohne spezielles Training brauchbare Vereinfachungen erzeugen können. Gleichzeitig wird deutlich, dass einfache wortwörtliche Übersetzungen nicht ausreichen. Stattdessen müssen Inhalte neu strukturiert, priorisiert und auf handlungsrelevante Informationen reduziert werden.

Die bisherigen Ergebnisse verdeutlichen, dass insbesondere strukturierte Übersetzungsprozesse, iterative Korrekturschleifen und geeignete Prompting-Strategien entscheidend für die Qualität solcher Systeme sind. Gleichzeitig bestehen weiterhin offene Fragen hinsichtlich Normkonformität, Kontextverarbeitung und praktischer Einsetzbarkeit solcher Ansätze.

Zielsetzung

Ziel dieses Projekts ist die konzeptionelle Entwicklung, prototypische Umsetzung und Evaluation eines GenAI-basierten Ansatzes zur Übersetzung behördlicher Dokumente in einfache oder leichte Sprache.

Das Projekt wird in Zusammenarbeit mit einem Praxispartner aus dem Bereich digitaler Zustelldienste durchgeführt, der reale Anwendungsfälle und Dokumenttypen aus der Praxis bereitstellt. Dadurch kann das Projekt direkt an konkreten Problemstellungen aus der Digitalisierung behördlicher Kommunikation ansetzen.

Zu Beginn des Projekts soll das Projektteam die Anforderungen an barrierefreie Kommunikation im behördlichen Kontext analysieren. Dabei sollen sowohl gesetzliche Rahmenbedingungen als auch bestehende Regelwerke zur leichten Sprache berücksichtigt werden. Zusätzlich kann eine Analyse typischer behördlicher Dokumente erfolgen, um zentrale Herausforderungen bei der Vereinfachung komplexer Inhalte zu identifizieren.

Auf dieser Grundlage sollen Designprinzipien für KI-gestützte Übersetzungsprozesse abgeleitet werden. Methodisch orientiert sich das Projekt am Design Science Research (DSR)-Ansatz nach Peffers et al., bei dem aus der Analyse eines praktischen Problems zunächst Gestaltungswissen abgeleitet und anschließend in Form eines Artefakts umgesetzt und evaluiert wird.

Das entwickelte Designwissen soll anschließend prototypisch implementiert werden. Dabei können verschiedene technische Ansätze untersucht werden, beispielsweise strukturierte Prompting-Strategien, mehrstufige Übersetzungsprozesse mit LLM-Korrekturschleifen oder Strategien zum Umgang mit langen Dokumenten (z. B. Chunking und Zusammenführung von Kontextinformationen).

Abschließend soll der entwickelte Ansatz anhand ausgewählter Dokumente evaluiert werden. Die Evaluation kann dabei – sofern möglich – in Abstimmung mit dem Praxispartner erfolgen. Ziel ist es zu untersuchen, inwiefern generative KI geeignet ist, komplexe Inhalte verständlich und normgerecht aufzubereiten und welche Grenzen bei der automatisierten Übersetzung bestehen.

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

Anforderungen an das Projektteam

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

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

Voraussetzungen

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

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.
• § 11 BGG - Einzelnorm; Der Beauftragte der Bundesregierung für die Belange von Menschen mit Behinderungen - UN-BRK - UN-Behindertenrechtskonvention
• BSI - Zustellung elektronischer Einschreiben
• Qualitätskriterien ‚Leichte Sprache‘ der Universität Hildesheim, Regelwerk des Netzwerks für leichte Sprache, Anlage 2 Teil 2 BITV2.0, § 11 BGG, DIN SPEC 33429

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

Voraussetzungen

• SStudierende 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
• 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