Themenangebot
Wir freuen uns, dass Sie sich für die Themen unserer Professur interessieren!
In diesem Bereich finden Sie die aktuell von uns angebotenen Forschungsfragen für studentische Arbeiten. Gern könne Sie sich auch mit einem eigenen Thema an uns wenden. Unter Berücksichtigung der aktuellen Forschungsschwerpunkte und Kapazitäten der Professur werden wir dann prüfen, ob eine Betreuung bei uns möglich ist.
Reasoning & Decision-Making:
Entscheidungen unter Unsicherheit verstehen mittels maschinellen Lernens
Entscheidungen unter Unsicherheit verstehen mittels maschinellen Lernens
Keywords: Entscheidungstheorie, interpretierbare KI, maschinelles Lernen, Verhaltensökonomie, kognitive Modellierung
Entscheidungen in Bereichen wie Wirtschaft, Finanzen oder Gesundheitswesen sind oft mit erheblicher Unsicherheit behaftet. Zu verstehen, wie und warum Menschen diese Entscheidungen treffen, ist eines der Hauptziele der Verhaltensforschung. Zur Untersuchung dieser Fragestellung werden neben Modellen der klassischen kognitiven Psychologie auch immer öfter Verfahren des maschinellen Lernens eingesetzt. Diese ermöglichen eine hohe Vorhersagegenauigkeit, teilweise aber auch auf Kosten der Interpretierbarkeit. Allerdings kann man mittels sogenannter Feature-Importance-Methoden versuchen, die zugrunde liegenden Entscheidungsprozesse zu verstehen. In diesem Thema geht es darum, Daten aus Verhaltensexperimenten (z.B. zu Lotterie-Entscheidungen) mittels dieser Verfahren zu analysieren.
Im Rahmen dieses Themas könnten zum Beispiel klassische Verfahren des maschinellen Lernens (z.B. Random Forest, Support Vector Machine) auf einen vorhandenen Datensatz zu Entscheidungen unter Unsicherheit angewandt werden. Danach könnten auf diese Modelle eine Feature-Importance-Analyse angewandt und die Ergebnisse ausgewertet werden. Je nach Interesse und Hintergrund können Studierende den Schwerpunkt selbst setzen: Von den mathematischen Grundlagen der Modelle, über die praktische Implementierung in Python/R, bis hin zur psychologischen Interpretation der Ergebnisse.
Die Arbeit bietet die Möglichkeit, praktische Erfahrungen mit modernen Machine-Learning-Verfahren und Interpretationsmethoden (Feature Importance) zu sammeln.
Voraussetzungen:
- Grundkenntnisse in quantitativen Methoden (z.B. Statistik, Mathematik, Datenanalyse)
- Idealerweise erste Programmiererfahrung (Python oder R)
- Vorkenntnisse im maschinellen Lernen sind hilfreich, aber NICHT erforderlich
Kontaktperson:
Human-AI Collaboration:
Entwurf und Bewertung von Mensch-KI-kollaborativen Gesprächsagenten zur Verbesserung der Entscheidun
Entwurf und Bewertung von Mensch-KI-kollaborativen Gesprächsagenten zur Verbesserung der Entscheidungsfindung: Fokus auf Informationssuche und Vertrauen
Keywords: Mensch-KI-Kollaboration; Gesprächsagenten; Informationssuche; Vertrauen; Mensch-Computer-Interaktion
Ziel:
Untersuchung, wie KI effektiv mit Menschen integriert werden kann, um die Entscheidungsfindung im Alltag (z. B. Gesundheitswesen, Lernen, tägliche Aufgaben) zu verbessern, indem sichergestellt wird, dass KI-Systeme zuverlässig, vertrauenswürdig sind und das Vertrauen sowie kritisches Denken der Nutzer in den Interaktionen mit KI-basierten Systemen fördern.
Beschreibung:
Die Forschung untersucht, wie KI effektiv mit Menschen zusammenarbeiten kann, um bessere Entscheidungen in alltäglichen Situationen zu unterstützen, beispielsweise beim Lernen, im Gesundheitswesen oder bei Routineaufgaben. Aufbauend auf früheren Studien, bei denen ein KI-Werkzeug (z. B. ein „Smart Librarian“) Piloten durch Bereitstellung von Informationen für Notfallsituationen im Cockpit unterstützte, liegt der Fokus darauf, wie KI ein verlässlicher und vertrauenswürdiger Partner sein kann, sodass Nutzer sich in den Antworten sicher fühlen. Zudem wird erforscht, ob die Zufriedenheit der Nutzer mit KI-Tools mit deren Leistung bei realen Aufgaben korreliert.
Voraussetzungen:
Dies ist eine experimentelle Studie zu Nutzerinteraktionen mit KI-basierten Systemen. Grundlegende Kenntnisse zur Mensch-KI-Kollaboration sind unerlässlich, ebenso wird Vertrautheit mit experimentellem Design und grundlegenden statistischen Analyseverfahren (z. B. ANOVA) empfohlen.
Erwartete Ergebnisse:
- Empirische Belege für den Zusammenhang zwischen nutzerbasierten Wahrnehmungsmaßen und der Leistung von KI-Systemen. Durchführung einer kontrollierten Nutzerstudie, um zu untersuchen, ob die Zufriedenheit der Nutzer mit KI-Tools (z. B. wahrgenommene Hilfsbereitschaft, Vertrauen in KI-Empfehlungen) mit den Ergebnissen realer Aufgaben (z. B. Genauigkeit, Bearbeitungszeit, Fehlerreduktion) zusammenhängt.
- Eine Fallstudie, die die Mensch-KI-Kollaboration in einer realen Aufgabe demonstriert. Anwendung der Forschung in einem spezifischen Bereich (z. B. Gesundheitsdiagnostik, Lernplattformen oder Notfallsysteme) und Bewertung, wie die Zusammenarbeit zwischen Mensch und KI die Entscheidungsqualität, das Nutzervertrauen oder die Effizienz der Aufgabe beeinflusst.
Kontaktperson:
Human-AI Collaboration:
KI als kollaborativer Lernpartner in studentischen Gruppenprojekten
KI als kollaborativer Lernpartner in studentischen Gruppenprojekten
Keywords: Mensch-KI-Zusammenarbeit; kollaboratives Lernen; Suchen als Lernprozess; Gruppenarbeit; KI-Werkzeuge
Ziel:
Entwicklung und Erprobung von KI-Werkzeugen, die Teams dabei unterstützen, effektiver zusammenzuarbeiten – etwa durch Vorschläge, Aufgabenorganisation oder Klärung von Ideen.
Beschreibung:
Diese Studie untersucht, wie KI die Gruppenarbeit verbessern kann, indem sie Herausforderungen wie Kommunikationslücken, ungleiche Beteiligung und fehlende Zielklarheit adressiert. Es sollen Werkzeuge mit Funktionen wie Vorschlagsgenerierung, Aufgabenverteilung und Ideenklarifikation entworfen und evaluiert werden. Ziel ist es, die Auswirkungen dieser Tools auf die Gruppenkommunikation, Lernergebnisse und das Vertrauen in KI-Empfehlungen zu testen sowie ihre Anpassungsfähigkeit an unterschiedliche Teamdynamiken und Lernstile zu bewerten.
Voraussetzungen:
Kenntnisse in Mensch-KI-Zusammenarbeit und experimentellem Design sind erforderlich. Technische Fähigkeiten in Programmierung oder KI-Entwicklung sind von Vorteil, insbesondere beim Aufbau eigener Tools.
Erwartete Ergebnisse:
-
Empirische Daten, die die Wahrnehmung der Nutzer:innen (z. B. Vertrauen, Zufriedenheit) mit der Leistungsfähigkeit der KI-Werkzeuge (z. B. Effizienz, Genauigkeit) verknüpfen.
- Eine Fallstudie, in der KI-Werkzeuge auf eine realitätsnahe Bildungsaufgabe (z. B. Gruppenrecherche) angewendet und deren Einfluss auf Zusammenarbeit und Lernen bewertet wird.
Kontaktperson:
Human-Centered AI (HCAI):
Adaptives Interface-Design zur Förderung kognitiver Fähigkeiten bei komplexer Informationssuche
Adaptives Interface-Design zur Förderung kognitiver Fähigkeiten bei komplexer Informationssuche
Keywords: Benutzeroberflächendesign; kognitive Fähigkeiten; Informationssuche; Suchen als Lernprozess
Ziel:
Entwicklung, Prototyping und Evaluation eines adaptiven Suchinterfaces, das in Echtzeit auf kognitive Zustände der Nutzer:innen reagiert (z. B. kognitive Belastung, kognitiver Stil, Stress/Anspannung), um Lernen, kritisches Denken und Entscheidungsfindung bei komplexen und explorativen Suchaufgaben zu fördern.
Beschreibung:
Diese Forschung untersucht, wie KI Studierende bei Gruppenarbeiten wie Rechercheprojekten, Präsentationen oder kreativen Aufgaben unterstützen kann. Es wird analysiert, welchen Einfluss solche Werkzeuge auf die Gruppenkommunikation, die Lernergebnisse und das Vertrauen in KI-Empfehlungen haben. Zudem wird geprüft, ob sich KI an unterschiedliche Teamdynamiken und Lernstile anpassen kann, um die Zusammenarbeit effektiver und produktiver zu gestalten.
Voraussetzungen:
Kenntnisse im Systemdesign und in der kognitiven Modellierung sind erforderlich. Technische Fähigkeiten in der Entwicklung adaptiver Systeme sind empfehlenswert.
Erwartete Ergebnisse:
- Ein funktionsfähiger Prototyp eines adaptiven Suchinterfaces, das sich in Echtzeit an kognitive Zustände der Nutzer:innen anpasst.
- Empirische Nachweise aus Nutzerstudien über den Einfluss des Interfaces auf Lernerfolg, kognitive Effizienz und Nutzererlebnis.
Kontaktperson:
Human-Centered AI (HCAI):
Human-Centered AI zur Unterstützung der Informations- und Wissensextraktion aus komplexen Umfragedat
Human-Centered AI zur Unterstützung der Informations- und Wissensextraktion aus komplexen Umfragedaten
Keywords: Human-Centered AI; Umfragedaten; KI-Werkzeuge; Themenextraktion; thematische Analyse
Ziel:
Entwicklung und Evaluation von Human-Centered Artificial Intelligence (HCAI)-Werkzeugen, die Forschende bei der effizienten Analyse komplexer Mixed-Methods-Umfragedaten unterstützen – mit besonderem Fokus auf der Identifikation von Mustern in qualitativen Antworten und deren Verknüpfung mit quantitativen Daten.
Beschreibung:
Diese Studie widmet sich den Herausforderungen bei der Analyse von Mixed-Methods-Umfragedaten durch die Entwicklung von HCAI-Werkzeugen, die automatisierte Verfahren mit menschlicher Kontrolle kombinieren, um Ergebnisse zu extrahieren, zu interpretieren und zu synthetisieren. Im Mittelpunkt stehen dabei Benutzerfreundlichkeit, Transparenz und eine effektive Zusammenarbeit zwischen KI-Systemen und Forschenden. Die Werkzeuge sollen gezielt auf fachliche Anforderungen und ethische Aspekte zugeschnitten sein. Untersucht wird, wie diese Tools die Analyse qualitativer Kommentare verbessern, die Identifikation von Themen erleichtern und die Integration qualitativer und quantitativer Ergebnisse in der Umfrageforschung stärken können.
Voraussetzungen:
Erfahrung im Umgang mit großen und komplexen Umfragedatensätzen ist erforderlich. Kenntnisse in Umfragemethodik, thematischer Analyse und Mixed-Methods-Forschungsdesign sind empfehlenswert.
Erwartete Ergebnisse:
- Ein funktionsfähiges HCAI-Werkzeug, das Aufgaben wie Themenextraktion, thematische Kodierung und die Verknüpfung qualitativer mit quantitativen Ergebnissen automatisiert oder unterstützt.
- Eine empirische Validierung, die zeigt, inwiefern das Tool die Genauigkeit, Effizienz oder Interpretierbarkeit bei der Analyse von Umfragedaten verbessert.
Kontaktperson:
Human Problem Solving:
Untersuchung menschlichen Verständnisses von Zusammenhängen in Systemen
Untersuchung menschlichen Verständnisses von Zusammenhängen in Systemen
Keywords: Menschliches Problemlösen, Implizites Lernen, Kognitive Modellierung, Web-Experimente
Im Alltag sind Menschen häufig implizit gezwungen, (mathematische) Zusammenhänge zu erfassen: Dies reicht von einfachen Fällen wie Verhältnissen bei Kochrezepten zu komplexen Zusammenhängen bei der Finanzplanung, dem Zusammenspiel von Reglern in Software (z.B. Bildbearbeitung) oder physikalischen Zusammenhängen. Hierbei müssen wir eine mentale Repräsentation des Systems bilden, um auf Basis dieser Vorhersagen zu Treffen, wie sich das System mit anderen Parametern verhalten würde. Dies erfordert letztendlich das erfolgreiche Zusammenspiel zweier Phasen: Einer Explorations- oder Lernphase, in der eine mentale Repräsentation aufgebaut wird, sowie einer mentalen Simulationsphase, in der die letztendliche Erwartung entsteht. Naheliegenderweise spielt hierbei die Komplexität des Systems eine Rolle - womit es wenig verwunderlich erscheint, dass diese in vielen Untersuchungen als hauptsächliche Kenngröße genutzt wird.
Oftmals wird hierbei Komplexität durch die Anzahl der Variablen erzeugt. Ziel dieses Themas ist jedoch die systematische Untersuchung der Komplexität aufgrund der Zusammenhänge selbst: So ist beispielsweise ein exponentieller Zusammenhang bekanntermaßen substantiell schwieriger für Menschen zu erfassen, wie lineare Zusammenhänge. Im Rahmen des Themas soll hierbei ein Szenario entwickelt und in Form eines Web-Experiments implementiert werden, mit dem systematisch die Auswirkungen verschiedener mathematischer Zusammenhänge auf Exploration und mentale Simulation untersucht wird. Die so gewonnenen Daten sollen anschließend zur Entwicklung eines Modells genutzt werden, mit dem anhand der Komplexität der zugrundeliegenden Zusammenhänge eines Systems Vorhersagen über die Performanz beim Arbeiten mit diesem getroffen werden können. Das Thema bietet damit die Möglichkeit einer eigenständigen, vollständigen Bearbeitung einer wissenschaftlichen Fragestellung, von der Studienplanung zur abschließenden Entwicklung eines Modells.
Voraussetzungen:
- Kenntnisse in HTML/Javascript zur Entwicklung eines Web-Experiments
- Idealerweise Kenntnisse in Python zur Datenauswertung
- Erste Erfahrungen bei der Planung von Studien
- Idealerweise Kenntnisse in Kognitionswissenschaft oder Psychologie
Kontaktperson:
Modeling in Information Processing:
Modellierung menschlicher Schlussfolgerungsprozesse
Modellierung menschlicher Schlussfolgerungsprozesse
Keywords: kognitive Modellierung, menschliches Schlussfolgern, maschinelles Lernen, Data Science
Die Fähigkeit, aus gegebenen Informationen Schlussfolgerungen zu ziehen, ist eine der elementaren Bestandteile menschlicher Intelligenz. Hierbei weichen Menschen jedoch oftmals stark von Logik ab und gerade diese Abweichungen eignen sich hierbei um Einblicke in die zugrundeliegenden Prozesse zu erhalten: Kognitionswissenschaftliche Forschung konnte somit bereits eine Vielzahl an Prozessen, Heuristiken sowie Annahmen identifizieren, die dem Schlussfolgern zugrundeliegen.
Meist wurden hierbei jedoch jeweils nur eine einzige Art von Schlussfolgerungsaufgaben berücksichtigt, so dass es nicht abschließend geklärt ist ob und in wieweit gemeinsame Prozesse existieren ("eine generelle Fähigkeit zum Schlussfolgern").
In diesem Thema soll sich dieser Frage angenähert werden - hierbei steht ein Datensatz mit Schlussfolgerungsaufgaben aus verschiedenen Bereichen zur Verfügung. Zielsetzung ist hierbei die Übertragbarkeit von Informationen zwischen den verschiedenen Arten des Schlussfolgerns zu untersuchen - hierfür können sowohl Verfahren der Datenanalyse und des maschinellen Lernens zum Einsatz kommen, als auch Untersuchungen auf Basis kognitionswissenschaftlicher Theorien und Methoden der kognitiven Modellierung. Je nach Hintergrund und Interesse kann hierbei der Schwerpunkt aus der gesamten Bandbreite der Modellierung selbst gewählt werden. In jedem Fall sind jedoch Kenntnisse in Python notwendig, da sowohl auf bestehende Analysen und Modellierungen zurückgegriffen werden muss, sowie eine eigene Implementation entstehen soll.
Voraussetzungen:
- Kenntnisse in Python
- Erste Erfahrungen im Arbeiten mit Daten (Aufbereitung für maschinelles Lernen, statistische Analysen,...)
- Idealerweise Kenntnisse in Kognitionswissenschaft, Schwerpunkt Schlussfolgern/Reasoning
Kontaktperson:
