Offene Themen für Abschlussarbeiten

Karriereerfolg im digitalen Arbeitsmarkt – eine systematische Literaturrecherche

Problemstellung: Der Karriereerfolg von Fachkräften wird in der Forschung sehr unterschiedlich konzipiert und gemessen. Ziel dieser Arbeit ist eine strukturierte Aufarbeitung des aktuellen Forschungsstands zu Konstrukten, Operationalisierungen und Datenquellen, inklusive Plattformansätzen wie LinkedIn.

Aufgabenstellung und Methodik: Systematische Literaturrecherche (z.B. PRISMA-Methode) und Ableitung von Forschungslücken. Schwerpunkte können gesetzt werden auf

• subjektiven Konstrukten,
• objektiven Konstrukten oder
• plattformbasierten Datenerhebungen.

Sie bringen mit: Interesse an Literaturarbeit, sorgfältige Arbeitsweise, wissenschaftliches Schreiben.

Vergleich der Data-Science-Berufsgruppe mit klassischen IT-Fachkräften

Problemstellung: Data Scientists werden häufig als eigenständige Berufsgruppe mit spezifischen Kompetenzprofilen und Karrierewegen beschrieben. Unklar ist jedoch, inwiefern sie sich tatsächlich von klassischen IT-Fachrollen unterscheiden.

Aufgabenstellung und Methodik: Diese Arbeit soll Gemeinsamkeiten und Unterschiede zwischen Data Scientists und IT-Fachrollen anhand quantitativer Datensätze mithilfe inferenzstatistischer Verfahren auswerten.

Sie bringen mit: Gute Kenntnisse in Statistik/Statistiksoftware (z.B. R) und Interesse an empirischer Forschung.

Entwicklung eines Datenerhebungswerkzeugs für Karrierenetzwerke

Problemstellung: Digitale Plattformen wie LinkedIn bieten wertvolle Datenquellen für die Arbeitsmarkt- und Karriereforschung. Für eine systematische Auswertung sind jedoch maßgeschneiderte Datenerhebungswerkzeuge notwendig.

Aufgabenstellung und Methodik: Diese Arbeit soll – auf Basis von Vorarbeiten des Lehrstuhls – einen Web-Crawler zur strukturierten Datensammlung auf Karriereportalen (z.B. LinkedIn) für die arbeitsmarktbezogene Forschung konzeptionieren, implementieren und testen.

Sie bringen mit: HTML und Programmierkenntnisse (Python), Interesse an Webtechnologien und Data Engineering.

Proaktive Multi-Stakeholder Anforderungserhebung durch Agentic AI

Diese Arbeit untersucht, wie Agentic AI Interviews im Requirements Engineering umfassender, personalisierter und effizienter gestalten können. Der Schwerpunkt liegt auf der Entwicklung und Evaluation eines Multi-Agent-Konzepts, das Anforderungen verschiedener Stakeholder-Gruppen systematisch erfasst, proaktive Nachfragen generiert und adaptive Gesprächsstrategien anwendet. Ziel ist es, die Qualität und Vollständigkeit der Anforderungserhebung zu erhöhen und Potenziale agentischer KI für die strukturierte Wissensgewinnung aufzuzeigen.

Bearbeitungsschwerpunkte:

• Analyse bestehender Verfahren der Anforderungserhebung und Identifikation typischer Lücken hinsichtlich Vollständigkeit, Personalisierung und Effizienz
• Konzeption einer agentenbasierten Interview-Architektur mit adaptiven und proaktiven Frage-Mechanismen
• Prototypische Umsetzung ausgewählter Komponenten (z. B. rollenadaptives Fragemodul, proaktive Nachfragestrategie oder Coverage-Tracking)
• Evaluation des Ansatzes anhand geeigneter Szenarien oder synthetischer Interviewdaten unter Berücksichtigung von Qualität, Vollständigkeit und Aufwand
• Ableitung eines übertragbaren Frameworks zur Integration agentischer KI in den Requirements-Elicitation-Prozess

Von assistierender Analyse zur autonomen Entscheidungsunterstützung – Die Rolle von Agentic AI im Process Mining

Diese Arbeit untersucht, wie agentische KI-Systeme im Process Mining eingesetzt werden können, um aus Prozessdaten interaktive Analysen, adaptive Empfehlungen und autonome Handlungen abzuleiten. Aufbauend auf einer assistierenden Agentenrolle wird erforscht, wie sich Agentic AI von reaktiven Analysefunktionen hin zu eigenständig agierenden Prozessakteuren entwickeln kann. Ziel ist es, die unterschiedlichen Stufen (assistierend, automatisierend, autonom) zu analysieren und ihre Potenziale für datengetriebene Prozessverbesserung aufzuzeigen.

Bearbeitungsschwerpunkte:

• Analyse der Rolle von Agentic AI in der datenbasierten Prozessanalyse
• Modellierung und Klassifikation von Agentenfunktionen (Assistenz → Autonomie)
• Einsatz von Logdaten zur Identifikation kontextsensitiver Entscheidungs- oder Handlungsmuster
• Prototypische Umsetzung eines Agentic-AI-Moduls zur interaktiven Prozessanalyse oder Handlungsempfehlung
• Evaluation der Ergebnisse hinsichtlich interpretierbarer Prozessverbesserung und Automatisierungspotenzial

Agentic Business Process Automation – Rollen und Interaktionsmuster agentischer Systeme in Geschäftsprozessen

Diese Arbeit untersucht, wie agentische KI-Systeme zur Unterstützung und Automatisierung betrieblicher Geschäftsprozesse eingesetzt werden können. Im Mittelpunkt steht die Analyse potenzieller Agentenrollen, ihrer Interaktionen mit menschlichen Akteuren sowie beteiligten IT-Systemen und ihrer Einbettung in typische Prozessschritte eines exemplarisch ausgewählten Geschäftsprozesses. Ziel ist es, zu verstehen, an welchen Stellen agentische Fähigkeiten – etwa proaktive Koordination, adaptive Entscheidungsunterstützung oder automatisierte Informationsweitergabe – einen konkreten Mehrwert schaffen können und wie sich diese Rollen systematisch modellieren lassen. Auf Basis bestehender Ansätze der Prozessautomatisierung, Workflow-Systeme, agentenbasierter Architekturen wird ein Referenzmodell für Rollen und Interaktionsmechanismen entwickelt. Dieses Modell dient als strukturierte Grundlage für zukünftige Implementierungen, prototypische Entwicklungen oder weiterführende Forschung im Bereich der Agentic Business Process Automation.

Bearbeitungsschwerpunkte:

• Analyse von exemplarischen Geschäftsprozesses mit Fokus auf relevanten Prozessschritten und Informationsflüssen
• Identifikation potenzieller agentischer Rollen sowie deren Aufgaben und Verantwortlichkeiten
• Modellierung typischer Interaktionsmuster zwischen Agenten, menschlichen Akteuren und IT-Systemen
• Entwicklung eines kompakten Rollen- und Interaktionsmodells als Referenzartefakt für agentische Business Process Automation
• Diskussion von Nutzen, Herausforderungen und Integrationspotenzialen agentischer Systeme in bestehenden Prozesslandschaften

Assistenzsysteme für Stromnetzleitstellen in kritischen Infrastrukturen

Problemstellung: Stromnetzleitstellen sind Teil der kritischen Infrastruktur, die unsere Gesellschaft und Wirtschaft am Leben hält. Aufgrund steigender Anforderungen der Energiewende und des Fachkräftemangels gewinnen Entscheidungsunterstützungssysteme an stärkerer Bedeutung, um Operatoren dabei zu unterstützen, komplexe Situationen effizient zu bewältigen und Risiken zu minimieren.

Aufgabenstellung und Methodik: Diese Arbeit soll bestehende Forschungs- und Praxisliteratur zu Entscheidungsunterstützungssystemen in der kritischen Infrastruktur sichten und einen Software-Stacks, ggf. in Kooperation mit Forschungspartnernm, entwerfen und prototypisch Implementieren.

Stretch Goal: Bei hoher Motivation und sehr guten Ergebnissen kann die Arbeit in Kooperation mit dem Betreuer zu einer Einreichung bei einer wissenschaftlichen Fachkonferenz weiterentwickelt werden.

Sie bringen mit: Interesse an sozio-technischen Systemen sowie Grundkenntnisse in Softwareentwicklung.

Machine Learning für die Stromprognose im Verteilnetz

Problemstellung: Zuverlässige Prognosen von Stromverbrauch und Stromerzeugung sind essenziell für den sicheren und effizienten Betrieb moderner Verteilnetze.

Aufgabenstellung und Methodik: Methodischer Vergleich moderner Prognosemodelle, z.B. Temporal Fusion Transformer, TSMixer. Thematisch kann der Schwerpunkt entweder auf a) Stromverbrauch, b) Stromproduktion von Wind- oder c) Solaranlagen, oder d) auf die Prognose von Strompreisen gelegt werden.

Stretch Goal: Bei hoher Motivation und sehr guten Ergebnissen kann die Arbeit in Kooperation mit dem Betreuer zu einer Einreichung bei einer wissenschaftlichen Fachkonferenz weiterentwickelt werden.

Sie bringen mit: Sehr gute Kenntnisse in Python, Machine Learning und Zeitreihenanalyse.

Vorhersagen in hierarchischen Entscheidungssystemen – Literaturrecherche

Problemstellung: In vielen Anwendungsbereichen werden Entscheidungen entlang hierarchischer Ebenen getroffen (z.B. im Betrieb von Verteilnetzen oder in großen Organisationen). Prognosen spielen dabei eine zentrale Rolle als Grundlage koordinierten Handelns.

Aufgabenstellung und Methodik: Diese Arbeit widmet sich der systematischen Analyse existierender Forschungsarbeiten (z.B. Literaturanalyse nach PRISMA-Methode, Inhaltsanalyse) zu Prognoseansätzen in hierarchischen Entscheidungssystemen. Thematisch kann der Schwerpunkt auf a) Vorhersagemethoden in Hierarchien, b) der Entscheidungsfindung in Hierarchien oder c) in der Auflösung fachlicher Wiedersprüche liegen.

Sie bringen mit: Interesse an konzeptioneller Forschung und strukturierter Literaturarbeit.

Agiles Arbeiten in Data-Science-Teams

Problemstellung: Data-Science-Projekte sind durch hohe Unsicherheit, eine Vielzahl an Stakeholdern und iteratives Vorgehen gekennzeichnet. Agile Arbeitsweisen und Frameworks gelten als potenziell geeigneter Ansatz zur Strukturierung solcher Projekte, scheinen aber an Grenzen von Agilen Methoden in der Paxis zu stoppen.

Aufgabenstellung und Methodik: Qualitative Untersuchung agiler Praktiken für Data-Science-Projekte anhand von Interview- und Fallstudiendaten.

Sie bringen mit: Interesse an qualitativen Forschungsmethoden und sorgfältiger Textanalyse.

Data Science und Fachabteilungen – Zusammenarbeit im Fokus

Problemstellung: Data-Science-Projekte erfordern intensive Interaktion zwischen analytischen Spezialisten, IT-/Reporting-Abteilungen und fachlichen Anwenderbereichen. Missverständnisse, Zielkonflikte und Kommunikationsprobleme sind dabei häufige Herausforderungen.

Aufgabenstellung und Methodik: Diese Arbeit soll die Kooperation zwischen Data-Science-Teams und Fachabteilungen anhand qualitativer Interviews analysieren und unter anderem Kooperationsmuster, Werkzeuge der Zusammenarbeit (z.B. Boundary Objects) und Konfliktfelder identifizieren.

Sie bringen mit: Interesse an Organisationsforschung und qualitativer Analyse.

Analyse und Konzeption einer Datenstrategie als Grundlage für den Einsatz von KI-basierter Entscheidungsunterstützung im Produktionsumfeld 

Gegenwärtige Entwicklungen im Bereich der künstlichen Intelligenz (KI) ermöglichen datenbasierte Entscheidungsunterstützung im Produktionsumfeld. Die Grundlage einer solchen datenbasierten Entscheidungsunterstützung besteht in der bedarfsgerechten Erfassung und Speicherung der Daten, wozu eine passende Datenstrategie erforderlich ist.  Die vorliegende Arbeit soll systematisch Ansätze zur Erstellung einer Datenstrategie im Produktionsumfeld analysieren und deren praktische Umsetzbarkeit anhand eines konkreten Anwendungsfalls im Maschinenbau evaluieren. 

Hinweis: Thema vorbehaltlich der finalen Zusage des Kooperationsunternehmens. Reichen Sie dieses Thema daher nicht als einzigen Vorschlag ein!

Der digitale Patient als kognitives Artefakt

Diese Abschlussarbeit widmet sich dem digitalen Patienten als kognitivem Artefakt zur Unterstützung medizinischer Entscheidungsfindung und Versorgung. Ziel ist es, eine gezielte Analyse der Funktionen und Datenstrukturen vorzunehmen, die den digitalen Patienten als Werkzeug in der Interaktion mit medizinischen Fachkräften und Patienten definieren. Der Schwerpunkt liegt auf der Modellierung von Anwendungsfällen sowie der Darstellung der Interaktion mit anderen Systemen, wie elektronischen Gesundheitsakten oder Wearables.

Der digitale Patient als digitaler Zwilling – Systematische Analyse von Datenströmen, Schnittstellen und regulatorischen Anforderungen

Diese Arbeit zielt darauf ab, ein systematisches Verständnis des digitalen Patientenmodells (Digital Patient Twin) zu erarbeiten. Im Fokus stehen die relevanten Datenquellen (u. a. Wearables, ePA), die Klassifikation und Analyse der eingesetzten Schnittstellenstandards (u. a. HL7 V2/V3, FHIR, IHE-Profile) sowie die Betrachtung zentraler regulatorischer Rahmenbedingungen (DSGVO, MDR, Digitale-Versorgung-Gesetz). Das Ergebnis soll eine strukturierte Übersicht der Datenströme und Interoperabilitätsstandards liefern, ergänzt durch ein konsistentes Datenfluss- bzw. Schnittstellenmodell.

Bearbeitungsschwerpunkte:

• Strukturierung und Kategorisierung relevanter Datenquellen für den digitalen Patienten
• Klassifizierung von Schnittstellenarten und Interoperabilitätsstandards (HL7, FHIR, IHE u. a.)
• Analyse rechtlicher und regulatorischer Anforderungen (DSGVO, MDR, DVG u. a.)
• Erstellung eines Typologie- bzw. Datenflussmodells zur Visualisierung der Schnittstellen und Datenströme

Entwicklung eines Frameworks für die Interoperabilität digitaler Gesundheitstechnologien: Der digitale Patient als Schnittstelle

Die fortschreitende Digitalisierung im Gesundheitswesen erfordert eine nahtlose Integration und Interoperabilität zwischen unterschiedlichen digitalen Technologien wie dem digitalen Patienten, elektronischen Patientenakten (EPA), E-Rezepten, medizinischen Wearables und Conversational Agents. Diese Arbeit hat das Ziel, ein Framework zu entwickeln, das als Schnittstelle für die Interoperabilität dieser Technologien dient. Inspiriert von Industriestandards wie "OPC UA" im Maschinenbau soll das Framework den Datenaustausch standardisieren und die Effizienz in Versorgungsprozessen steigern. Die Arbeit wird sich mit den technologischen Herausforderungen der Interoperabilität, Best-Practice-Modellen sowie der Analyse bestehender Kommunikationsstandards in verwandten Branchen befassen. Ziel ist es, ein interoperables Modell zu entwickeln, das eine sichere und effiziente Kommunikation im Gesundheitssektor ermöglicht.

Interaktionsmechanismen zwischen Patienten - AI-Agent - digitaler Patienten

Diese Arbeit untersucht die Interaktionsmechanismen zwischen Patienten, AI-gestützten Assistenzsystemen und digitalen Patientenmodellen. Ziel ist es, bestehende und potenzielle Kommunikationsformen zu analysieren, Herausforderungen zu identifizieren und ein Konzept für effektive, nutzerfreundliche Interaktionsprozesse zu entwickeln. Ein besonderer Fokus liegt auf der Integration von multimodalen Kommunikationskanälen (z. B. Sprache, Text, Gesten) sowie der Nutzung von Personalisierungsmechanismen zur Optimierung der Patientenerfahrung. Ziel der Arbeit ist eine Konzeptentwicklung für ein Interaktionsmodell für den geschilderten Anwendungsbereich unter Berücksichtigung relevanter Schnittstellen.

Bearbeitungsschwerpunkte:

• Systematische Analyse bestehender Interaktionsmechanismen in Gesundheits- und KI-Systemen
• Untersuchung von Dialogmanagement-Ansätzen für AI-gestützte Systeme
• Konzeptentwicklung für ein adaptives Interaktionsmodell unter Berücksichtigung relevanter Schnittstellen (z. B. FHIR für medizinische Datenintegration)

Erfolgsfaktoren digitaler Geschäftsmodelle in der Kreislaufwirtschaft – Eine Analyse am Beispiel von "Product-as-a-Service"-Anwendungen

Diese Arbeit untersucht die Wertschöpfung (Value Proposition, Configuration, Co-Creation) im Rahmen der Kreislaufwirtschaft, wobei der Fokus "Product-as-a-Service" (PaaS) und „Equipment-as-a-Service“ (EaaS) liegt. Ziel ist es, herauszufinden, wie digitale Technologien zu nachhaltigen Implementierung beitragen können.

Konzeption von Agentic AI im Kontext Digitaler Zwillinge

Ziel dieser Arbeit ist die Erarbeitung eines Konzepts für den Einsatz von Agentic AI im Kontext Digitaler Zwillinge. Teil der Arbeit werden sein, eine systematische Analyse, Ableitung von Anforderungen sowie die Entwicklung eines entsprechenden Konzepts (z.B. in Form eines Frameworks).

Prototypisierung von Agentic AI im Kontext einer Digital Twin Plattform

Ziel dieser Arbeit ist die Betrachtung von Agentic AI im Kontext der bestehenden Co-TWIN Plattform. Aufbauend hierauf sollen Einsatzmöglichkeiten indenfiziert, Anforderungen abgeleitet und ein prototypische Implementierung vorgenommen werden.