Kurzbeschreibung: Smart Energy umfasst technologisch fortschrittliche Ansätze zur Optimierung der Energieerzeugung, -verteilung und -nutzung. Vor dem Hintergrund des wachsenden Bewusstseins für Energieeffizienz und Umweltschutz spielt die Integration intelligenter Technologien wie Internet of Things (IoT) und Künstliche Intelligenz (KI) eine immer wichtigere Rolle. Beispielsweise erfordern die starken Schwankungen bei der Erzeugung erneuerbarer Energien innovative Lösungen für die Speicherung und die Steuerung der Nachfrage, um eine kontinuierliche Versorgung zu gewährleisten. Gleichzeitig bietet die Entwicklung von Smart Homes Möglichkeiten zur Optimierung des Energieverbrauchs und zur Anpassung an angebotsseitige Dynamiken. (Kontakt: Jonathan Ibele)

Literatur:

• Völker, B., Reinhardt, A., Faustine, A., & Pereira, L. (2021). Watt’s up at Home? Smart Meter Data Analytics from a Consumer-Centric Perspective. Energies, 14 (3), 719.

Datensätze: Datensätze werden zur Bearbeitung der Seminararbeit bereitgestellt. (https://www.kaggle.com/datasets/mexwell/smart-home-energy-consumption/data)

Mögliche Fragestellungen:

• Wie können auf Grundlage von Smart Energy Daten Vorhersagen über den zukünftigen Stromverbrauch von Haushalten getroffen werden?
• Wie kann KI dabei helfen Empfehlungen zur Nutzungsoptimierung von Haushaltsgeräten geben?
• Wie unterstützen Smart Meter Apps Verhaltensänderung von KonsumentInnen hin zu energieeffizienten Verhalten?
• …

Kurzbeschreibung: Human-AI Collaboration untersucht, wie Menschen und KI-Systeme ihre jeweiligen Stärken (Kreativität, Kontextwissen und ethisches Urteilsvermögen beim Menschen und Datenanalyse und Mustererkennung bei der KI) optimal kombinieren können. Ziel ist es, Aufgaben effizienter, präziser und verantwortungsvoll zu lösen, indem KI menschliche Entscheidungsprozesse unterstützt, ohne sie zu ersetzen. Schwerpunkte liegen auf Interaktionsgestaltung, Vertrauen, Transparenz und der sinnvollen Aufgabenteilung zwischen Mensch und Maschine. (Kontakt: Christopher Tille)

Literatur:

• Tille, C., Sparn, C., & Klier, M. (2025). It Takes Two to Tango–A Comparative Analysis of Human and AI Decision-Making through Eye Tracking and Explainable AI. European Conference on Information Systems (ECIS) 2025.

Datensätze: Als Datensatz können die Daten aus der zuvor genannten Literatur bereitgestellt werden. Zusätzlich können wir einen weiteren Datensatz zum Thema „Human-AI Collaboration in einem hybriden Content Moderation System“ bereitstellen.

Mögliche Fragestellungen: 

• Mensch vs. Maschine: Treffen wir Entscheidungen aus denselben Gründen wie die KI?
• Die Zukunft von Human-AI Collaboration: Wo und wie werden Mensch und KI in Zukunft zusammenarbeiten?
• KI als Assistent: Wie KI-Systeme gestaltet werden müssen, damit wir ihnen vertrauen, aber nicht blind folgen.
• …

Kurzbeschreibung: Immer mehr Menschen managen ihren Vermögensaufbau selbst. Doch trotz des gestiegenen Interesses fehlt es besonders jungen Anlegern oft an der nötigen finanziellen Bildung, um einen nachhaltigen Vermögensaufbau zu erreichen. Dieser Trend spiegelt sich in den sozialen Medien wider: Sogenannte Finfluencer erreichen mit ihren Inhalten mittlerweile tausende Menschen. Einerseits schaffen sie Aufmerksamkeit für Finanzthemen, andererseits bergen sie Risiken: Oft vereinfachen sie Risiken zu stark oder informieren aufgrund von Interessenkonflikten unzureichend. Da das Phänomen der Finfluencer noch relativ neu ist, gilt es, die potenziellen Chancen und Gefahren zu verstehen und zu quantifizieren. (Kontakt: Jonathan Ibele)

Literatur:

• Mölders, M., Bock, L., Barrantes, E., & Zülch, H. (2025). Understanding finfluencers: Roles and strategic partnerships in retail investor engagement. Journal of Business Research, 198, 115462.
• Hayes, A. S., & Ben-Shmuel, A. T. (2024). Under the finfluence: Financial influencers, economic meaning-making and the financialization of digital life. Economy and Society, 53(3), 478–503.

Datensätze: Ein Datensatz und Videos von Finfluencer auf TikTok werden bereitgestellt.

Mögliche Fragestellungen:

• Wie wirken sich Videos von Finfluencern auf die Finanzbildung von ZuschauerInnen aus?
• Erkennen KonsumerInnen manipulative Elemente (Finanzielle Signale, Sozialer Druck) in Videos von Finfluencer?
• Welchen Effekt hat eine deutliche Kennzeichnung von Werbung auf die Glaubwürdigkeit der Botschaften von Finfluencern?
• …

Kurzbeschreibung: Karrierechancen und gesellschaftliche Teilhabe hängen zunehmend davon ab, wie souverän Menschen mit KI umgehen. AI und GenAI Literacy werden damit zu zentralen Zukunftskompetenzen. Gleichzeitig prägen KI-basierte Filterblasen und Echokammern digitale Kommunikationsumgebungen und beeinflussen Meinungsbildung sowie demokratische Prozesse. Innovative Lernmethoden wie Experiential AI Learning bieten dafür neue Ansatzpunkte. Durch die direkte Interaktion mit KI-Tools erleben Lernende, wie Algorithmen funktionieren, wo ihre Grenzen liegen und wie sie Wahrnehmung und Entscheidungen formen. (Kontakt: Kirsten Pitz)

Literatur: 

• Förster, M., Pitz, K., Wrabel, A., Klier, M., Zimmermann, S. (2024): Building AI Literacy with Experiential Learning – Insights from a Field Experiment in K-12 Education. Internationale Tagung Wirtschaftsinformatik (WI) 2024. Würzburg, Germany.

Datensätze: Als Datensatz können die Daten aus der zuvor genannten Literatur bereitgestellt werden.

Mögliche Fragestellungen:

• Wie beeinflussen digitale Tools das Engagement und die Beteiligungsbereitschaft von Lernenden?
• Welche Kompetenzen benötigen Jugendliche/Studierende, um digitale Informationsräume kritisch zu navigieren und z.B. Filterblasen selbstständig zu identifizieren?
• In welchem Umfang können KI-gestützte Interventionen dazu beitragen, die Verbreitung von Desinformation in sozialen Netzwerken einzudämmen?
• …

Kurzbeschreibung: Thema 6 befasst sich mit der Entwicklung und dem Einsatz von KI-gestützten Empfehlungssystemen, die Nutzerinnen und Nutzern bei der Auswahl von Produkten, Informationen oder Dienstleistungen unterstützen. Durch die Analyse großer Datenmengen und die Erkennung individueller Präferenzmuster können Recommender Systeme personalisierte Vorschläge generieren, die Entscheidungsprozesse vereinfachen und Informationsüberlastung reduzieren. Im Mittelpunkt steht das Zusammenspiel von algorithmischer Vorhersageleistung und menschlichem Urteilsvermögen: Während die KI Empfehlungen auf Basis vergangener Interaktionen berechnet, behalten Nutzende die Kontrolle über Auswahl, Bewertung und letztendliche Entscheidung. (Kontakt: Leonie Embacher)

Literatur: 

• Glatzel, Anna-Lena; Habla, Maximilian; Züllig, Kilian; and Zimmermann, Steffen, "From Reviews to Insights: Concept-based Variations of Textual Reviews for Explanations in Recommender Systems" (2025). ICIS 2025 Proceedings.

Datensätze:

• Spotify Million Playlist Dataset
• Netflix Prize data
• Netflix Movies and TV Shows
• OTTO Recommender Systems Dataset

Mögliche Fragestellungen:

• Wie Spotify & Co Empfehlungen generieren – Implementierung und Evaluation eines Recommender Systems
• Vertrauen in KI-gestützte Empfehlungssysteme – Wie wirkt Erklärbarkeit auf die Nutzerakzeptanz?
• Erklärbarkeit von Review-basierten Recommender Systemen – Eine systematische Literaturrecherche
• …