Der Themenbereich Recommender Systeme 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.

Mögliche Themen

• Wie Spotify & Co Empfehlungen generieren – Implementierung und Evaluation eines Recommender Systems (BA/MA; Kontakt: Leonie Embacher) 
  #Analytics, #Programmieren
• Vertrauen in KI-gestützte Empfehlungssysteme – Wie wirkt Erklärbarkeit auf die Nutzerakzeptanz? (BA/MA; Kontakt: Leonie Embacher) 
  #Erklärbarkeit, #KI, #Experiment
• Erklärbarkeit von Review-basierten Recommender Systemen – Eine systematische Literaturrecherche (BA/MA; Kontakt: Leonie Embacher)
  #Erklärbarkeit, #Literaturbasiert
• Menschliches Urteilsvermögen und algorithmische Empfehlungen – Der Einfluss von Recommender Systemen auf menschliche Entscheidungsprozesse (BA/MA; Kontakt: Leonie Embacher)
  #Entscheidungsqualität, #Literaturbasiert
• Recommender Systeme in (sozialen) Medien - Ansätze zur Reduktion von Filterblasen und Echokammern (BA/MA; Kontakt: Kilian Züllig)
  #Filterblasen, #Literaturbasiert, #Analytics

Inhaltlich und methodisch werden die Themen individuell mit den Studierenden abgestimmt und konkretisiert. Die Anforderungen an die Themen variieren je nach Abschluss (Bachelor/Master). 

In einer zunehmend digitalisierten Welt verbringen Menschen immer mehr Zeit in digitalen Umgebungen und treffen dort Entscheidungen. Digital Nudging beinhaltet den strategischen Einsatz von Designelementen, um NutzerInnen in digitalen Entscheidungsumgebungen wie bspw. Digitale Plattformen durch kleine Impulse (sog. Nudges) zu Entscheidungen zu bewegen - ohne Zwang oder Verbote.

Mögliche Themen

• Digital Green Nudging: Eine Analyse der Wirksamkeit von Digital Nudges zur Förderung ökologischen Verhaltens. (BA & MA; Kontakt: Jana Ruß, Christopher Tille) 
  #Sustainability, #Experiment oder #Literaturbasiert
• Identifizierung von Spill-Over Effekten von Digital Nudges auf andere Entscheidungen (z.B. anderer Kontext, anderer Zeitpunkt, …) (BA & MA; Kontakt: Jana Ruß, Christopher Tille)
  #Sustainability, #Experiment oder #Literaturbasiert
• Personalisierte Digital Nudges und deren Potenzial. (BA & MA; Kontakt: Jana Ruß, Christopher Tille) 
  #Individualisierung, #Analytics, #Coding oder #Experiment
• Context-Aware Nudging: Entwicklung von situativem Digital Nudging in Echtzeit. (BA & MA; Kontakt: Jana Ruß, Christopher Tille) 
  #Indivisualisierung, #Analytics #Programmierung oder #Literaturbasiert

Inhaltlich und methodisch werden die Themen individuell mit den Studierenden abgestimmt und konkretisiert. Die Anforderungen an die Themen variieren je nach Abschluss (Bachelor/Master). 

Der moderne Profisport hat sich von reinen Bauchentscheidungen hin zu "Data-Driven Decision Making" entwickelt. Durch den Einsatz moderner Tracking-Technologien entstehen riesige Datenmengen, die ungenutztes Potenzial bergen. Sports Analytics befasst sich mit der systematischen Analyse dieser Daten, um Wettbewerbsvorteile zu identifizieren. Ziel ist es, durch fortgeschrittene statistische Methoden und Machine Learning objektive Erkenntnisse für Taktik, Spielerrekrutierung, Belastungssteuerung und wirtschaftliche Entscheidungen zu gewinnen.

Mögliche Themen

• Entwicklung eines 360-Grad-Spieler-Performance-Dashboards Konzeption und Implementierung. (BA & MA; Kontakt: Kilian Züllig)
  #Basketball, #Anwendungsorientiert, #Analytics, #Coding
• Beyond Goals & Assists: Bewertung der Qualität von individuellen Spieleraktionen im Bundesliga-Fußball mithilfe von fortschrittlichen Methoden. (BA & MA; Kontakt: Kilian Züllig)
  #Fussball, #Literaturbasiert, #Analytics, #Coding
• Verletzungsprävention durch Machine Learning: Analyse von Belastungsdaten (GPS, Herzfrequenz) zur Vorhersage von Verletzungsrisiken im Leistungssport. (BA & MA; Kontakt: Kilian Züllig) 
  #Mannschaftssport, #Analytics, #Coding oder #Literaturbasiert
• Taktische Mustererkennung: Nutzung von Positionsdaten zur automatisierten Erkennung von Spielzügen und Formationen im Mannschaftssport. (BA & MA; Kontakt: Kilian Züllig)
  #Mannschaftssport, #Analytics, #Coding oder #Literaturbasiert 

Inhaltlich und methodisch werden die Themen individuell mit den Studierenden abgestimmt und konkretisiert. Die Anforderungen an die Themen variieren je nach Abschluss (Bachelor/Master). 

Der Themenbereich Societal AI erforscht, wie Künstliche Intelligenz dazu beitragen kann, gesellschaftliche Herausforderungen zu bewältigen. Im gesellschaftlichen Kontext stehen ethische, faire und transparente KI-Anwendungen im Fokus, die soziale Inklusion, verantwortungsvolle Entscheidungsunterstützung und den gesellschaftlichen Nutzen stärken.

Mögliche Themen

• Wie funktioniert gute Zusammenarbeit von Mensch und GenAI: Konsequenzen von blindem Vertrauen in GenAI auf die Gesellschaft? (BA & MA; Kontakt: Christopher Tille, Kirsten Pitz)
  #GenAI, #Vertrauen, #Literaturbasiert, #Experiment
• Welchen Einfluss hat GenAI auf das Bildungssystem? Welche Kompetenzen werden immer wichtiger mit der umfassenden Integration von GenAI in unseren Alltag? (BA & MA; Kontakt: Christopher Tille, Kirsten Pitz)
  #GenAI, #Bildung, #Literaturbasiert
• Desinformation mit GenAI – Was sind die Auswirkungen auf politische Meinungsbildung? Wie wandelt sich das Internet durch die Fluten von KI-generierter Inhalte? (BA & MA; Kontakt: Christopher Tille, Kirsten Pitz)
  #GenAI, #PolitischeMeinungsbildung, #Literaturbasiert
• Wie sollten KI-gestützte Bildungsangebote gestaltet werden, um Demokratieförderung und Extremismusprävention wirksam zu unterstützen? (BA & MA; Kontakt: Jana Ruß, Kirsten Pitz)
  #GenAILiteracy, #Demokratie, #Literaturbasiert
• Ethische Spannungsfelder von KI im sozialen Kontext (bspw. Greenwashing, Extremismus, Transparenz, etc.) (BA & MA; Kontakt: Christopher Tille, Kilian Züllig)
  #Ethik, #Literaturbasiert
• Social Recommendation – Chancen und Risiken von Recommender Systemen in Sozialen Netzwerken (BA & MA; Kontakt: Jana Ruß, Kilian Züllig)
  #RecommenderSysteme, #SocialMedia, #Literaturbasiert

Inhaltlich und methodisch werden die Themen individuell mit den Studierenden abgestimmt und konkretisiert. Die Anforderungen an die Themen variieren je nach Abschluss (Bachelor/Master). 

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.

Mögliche Themen

• Wie wirken sich Videos von Finfluencern auf die Finanzbildung von Konsumenten aus? (BA & MA; Kontakt: Jonathan Ibele)
  #Bildung, #SocialMedia, #Experiment
• Erkennen ZuschauerInnen manipulative Elemente (Finanzielle Signale, Sozialer Druck) in Videos von Finfluencer? (BA & MA; Kontakt: Jonathan Ibele)
  #Manipulation, #SocialMedia, #Experiment
• Welchen Effekt hat eine deutliche Kennzeichnung von Werbung auf die Glaubwürdigkeit der Botschaften von Finfluencern? (BA & MA; Kontakt: Jonathan Ibele)
  #Marketing, #SocialMedia, #Experiment
• Wie gehen Finfluencer in ihren Videos mit den Risiken von Finanzprodukten um? (BA & MA; Kontakt: Jonathan Ibele)
  #Risiken, #GenAI, #Analytics, #Coding
• Wie können Videos von Finfluencern automatisiert einem Fakten-Check unterzogen werden? (BA & MA; Kontakt: Jonathan Ibele)
  #Faktencheck, #GenAI, #Coding
• Auf welche Weise lassen sich werbliche Inhalte in Videos von Finfluencern identifizieren und inwiefern unterscheiden sich dabei die Merkmale von Eigenwerbung und Fremdwerbung? (BA & MA; Kontakt:Jonathan Ibele) 
  #Marketing, #GenAI, #Coding

Inhaltlich und methodisch werden die Themen individuell mit den Studierenden abgestimmt und konkretisiert. Die Anforderungen an die Themen variieren je nach Abschluss (Bachelor/Master). 

Der Themenbereich Green AI erforscht, wie Künstliche Intelligenz dazu beitragen kann, ökologische Herausforderungen zu bewältigen. Im ökologischen Kontext geht es um die Optimierung von Energie- und Ressourcennutzung, die Prävention von Umweltkatastrophen, die Reduktion von Treibhausgasemissionen und die Förderung nachhaltiger Prozesse. 

Mögliche Themen

• KI-Systeme zur Reduktion von Emissionen oder des Stromverbrauchs in der globalen Lieferkette, Unternehmen und Wohnhäusern (BA & MA; Kontakt: Christopher Tille, Kilian Züllig)
  #Stromberbrauch, #MachineLearning, #Coding oder #Literaturbasiert
• Nutzung von KI zur Erkennung von Naturkatastrophen und umweltschädlichen Aktivitäten (bspw. anhand von Satellitenbildern) (BA & MA; Kontakt: Christopher Tille, Kilian Züllig)
  #Naturkatastrophen, #MachineLearning, #Coding
• KI-gestützte Nachhaltigkeitsberichterstattung zur Verbesserung der Erstellung sowie Prüfung (BA & MA; Kontakt: Christopher Tille, Kilian Züllig)
  #Nachhaltigkeitsberichterstattung, #Analytics, #Coding oder #Literaturbasiert
• Ethische Spannungsfelder von KI im ökologischen Kontext (bspw. Greenwashing, Transparenz, etc.) (BA & MA; Kontakt: Christopher Tille, Kilian Züllig)
  #Ethik, #Literaturbasiert
• Energy Communities und Mieterstrom. Die Rolle von KI in dezentraler Energieversorgung. (BA & MA; Kontakt: Kilian Züllig) 
  #P2P-Stromhandel, #MachineLearning, #Coding oder #Literaturbasiert 

Inhaltlich und methodisch werden die Themen individuell mit den Studierenden abgestimmt und konkretisiert. Die Anforderungen an die Themen variieren je nach Abschluss (Bachelor/Master). 

Kurzbeschreibung:

Im Zuge der Digitalisierung stehen Organisationen heutzutage sehr umfangreiche und immer weiter wachsende Mengen an Daten zur Verfügung (Stichwort: „Big Data“). Allerdings zeigt die Empirie, dass die analysierten und genutzten Daten häufig durch eine geringe Datenqualität charakterisiert sind – selbst in unternehmensinternen Kundendatenbanken sind durchschnittlich ca. 30% der gespeicherten Datenwerte nicht korrekt. Auf diese Weise entstehen bspw. für ein durchschnittliches amerikanisches Unternehmen jährlich Mehrkosten in Höhe von 15 Millionen Dollar. Mangelnde Datenqualität stellt allerdings nicht nur in Unternehmen ein großes Problem dar – auch in Politik und Gesellschaft steigt in Zeiten von „Fake News“ der Bedarf an zuverlässigen Informationen. Deshalb werden quantitative Methoden zur Messung, Steuerung und Verbesserung der Datenqualität benötigt.

Datenqualität gewinnt auch im Kontext generativer Systeme zunehmend an Bedeutung. Insbesondere Retrieval-Augmented-Generation-(RAG)-Systeme, wie sie z. B. ChatGPT zugrunde liegen, stellen hohe Anforderungen an die Qualität der zugrunde liegenden Daten. Datenqualitätsdefekte können sowohl in der Dokumentenbasis als auch im Retrieval-Prozess entstehen, etwa durch unvollständige Dokumente oder unpräzise Nutzeranfragen, und wirken sich direkt auf die Qualität der generierten Antworten aus. Daher besteht ein wachsender Bedarf an Methoden zur Erkennung und Behandlung von Datenqualitätsproblemen in RAG-Systemen.

Mögliche Themen:

Messung und Verbesserung von DQ

• What doesn’t get measured doesn’t get managed: Entwicklung von Metriken der Datenqualität (BA/MA; Kontakte: Andreas Obermeier; Anna-Lena Kubillus)
• Datenqualität und ihre Wirkung auf KI-gestützte Systeme (BA / MA; Kontakt: Andreas Obermeier; Hannah Knehr; Anna-Lena Kubillus)
• Datenqualität in Wikis & unstrukturierten Daten: Überblick & Metriken einzelner Datenqualitätsdimensionen (BA/MA; Kontakte: Andreas Obermeier)
• Datenaktualität als Schlüsselfaktor datengetriebener Entscheidungsfindung (BA / MA; Kontakt: Hannah Knehr; Anna-Lena Kubillus)

Data-Uncertainty

• Data-Uncertainty in Machine Learning: Einbeziehung von Unsicherheit aus Datenqualitätsdefekten bei Methoden der Künstlichen Intelligenz (BA/MA; Kontakte: Andreas Obermeier; Hannah Knehr; Anna-Lena Kubillus)

DQ in GenAI-Anwendungen

• Datenqualität in GenAI-Anwendungen (bspw. RAG-Systemen) (BA/MA; Kontakte: Andreas Obermeier; Anna-Lena Kubillus; Mike Rothenhäusler)
• Einfluss von Datenqualitätsdefekten auf die Performance von GenAI (bspw. RAG-Systeme) und Strategien zur gezielten Verbesserung (BA/MA; Kontakte: Andreas Obermeier; Anna-Lena Kubillus; Mike Rothenhäusler)
• Erkennung von Datenqualitätsdefekten in Retrieval-Augmented-Generation-Systemen (BA/MA; Kontakte: Mike Rothenhäusler)
• Strategien zur Auflösung von Datenqualitätsdefekten in Retrieval-Augmented-Generation-Systemen (BA/MA; Kontakte: Mike Rothenhäusler)
   

Kurzbeschreibung:

Moderne Informationssysteme können nicht nur einen wirtschaftlichen Mehrwert, sondern ebenfalls einen großen Beitrag bei sozialen und gesellschaftlichen Problemen und Herausforderungen leisten. Im Fokus unserer Forschung zu Social Impact of Information Systems stehen die drängenden gesellschaftlichen Fragen unserer Zeit wie beispielsweise Arbeitslosigkeit, Fachkräftemangel, Integration und Demokratiestärkung. So konnten wir beispielsweise in Studien zeigen, dass digitale Applikationen die Anstrengungen jugendlicher Arbeitssuchender verbessern und sich insbesondere Online-Peer-Gruppen (d.h. digitale Selbsthilfegruppen) in zahlreichen sozialen Kontexten wie Arbeitslosigkeit unter erschwerten Bedingungen, Arbeitslosigkeit Älterer, Berufsorientierung von Jugendlichen oder der Integration von Flüchtlingen als wertstiftend erweisen. Der digitale Charakter moderner Informationssysteme bringt dabei insbesondere Vorteile wie zeitliche und räumliche Flexibilität sowie die Möglichkeit zur Anonymität und damit zu einem geschützten Austausch mit sich. Künstliche Intelligenz kann ein zusätzlicher Katalysator für soziale Innovation sein, etwa, indem Beratung skaliert und personalisiert werden kann.

Mögliche Themen:

• KI als Assistenz und Berater für Menschen (BA/MA; Kontakt: Maximilian Buck, Chiara Schwenke)
• Erklärender KI-Assistent zur Unterstützung der Arbeitssuche Ü50 (in Kooperation mit einem Start-up)  (BA/MA; Kontakte: Chiara Schwenke)
• Erklärender KI-Assistent zur Unterstützung der Arbeitssuche von Menschen mit Fluchthintergrund (in Kooperation mit einer NGO)  (BA/MA; Kontakte: Chiara Schwenke)
• Erklärbare KI zum Lernen über digitale Desinformation (BA/MA; Kontakte: Hannah Knehr; Chiara Schwenke)

Kurzbeschreibung:

Unternehmen und Organisationen verfügen heute über große und stetig wachsende Datenmengen, etwa aus sozialen Medien, dem Internet, Datenbanken, dem Kundenkontakt oder dem Personalmanagement; auch in Bereichen wie dem Profisport entstehen durch Spiel- und Trackingdaten umfangreiche Datensätze. Da ein Großteil dieser Informationen unstrukturiert vorliegt (z. B. Bilder, Videos oder Texte), sind automatisierte Analysemethoden erforderlich. Im Themenfeld Big Data Analytics & (Gen)AI werden daher Einsatzmöglichkeiten und Nutzen von Methoden der Künstlichen Intelligenz, einschließlich Generativer KI, zur Analyse solcher Daten untersucht, während Explainable Artificial Intelligence (XAI) die Nachvollziehbarkeit dieser Methoden adressiert.

Mögliche Themen:

• Agentic AI - Wie können KI-Agenten gestaltet werden, damit sie Nutzer:innen gezielt in der Aufgabenerfüllung qualifizieren? (BA/MA; Kontakte: Chiara Schwenke)
• Analytics und KI in der Produktionshalle der verarbeitenden Industrie (BA/MA; Kontakte: Patrick Bedué, Maximilian Förster)
• Hybride Intelligenz (Mensch + GenAI) am Beispiel von Wissensnetzwerken (BA/MA; Kontakt: Maximilian Förster und Andreas Obermeier)
• Smart Energy Markets: KI zur Gestaltung dezentraler Energiemärkte der Zukunft (BA/MA; Kontakt: Maximilian Buck)
• Human-in-the-Loop als Ansatz zur Verbesserung KI-gestützter Systeme (BA/MA; Kontakt: Hannah Knehr, Maximilian Buck)

Kurzbeschreibung:

Traditionelle Verkaufsprozesse stoßen hinsichtlich der Datenverfügbarkeit sowie der Analyse- und Verarbeitungsmöglichkeiten oft an ihre Grenzen. Im stationären Handel können die Mitarbeiter in der Regel nicht alle Produkt- und Kundendetails auswendig parat haben. Selbst wenn diese Informationen den Serviceexperten zur Verfügung stünden (z.B. über ein traditionelles IT-System), wäre die Verarbeitung aufgrund der großen Menge an relevanten Daten und ihrer Komplexität manuell kaum zu bewältigen oder durch subjektive persönliche Ansichten verzerrt. Recommender Systeme ermöglichen es objektiv auf Basis von großen Datenmengen Nutzern Produkte zu empfehlen. Roboter wie Pepper haben die Möglichkeit, den Kunden in der physischen Welt wahrzunehmen, mit ihm in Interaktion zu treten und besitzen zudem die Rechenleistung um die so gewonnen Daten objektiver, schneller und genauer zu verarbeiten als Menschen.

Mögliche Themen:

• Einsatz des humanoiden Roboters Pepper im Kundenservice (BA/MA; Kontakt: Andreas Obermeier)
• Explainable & Conversational Recommender Systems – Überblick (BA; Kontakt: Andreas Obermeier)
• Natural Language Generation – Systeme zur Automatisierung des Customer Service (BA/MA; Kontakt: Andreas Obermeier)

Kurzbeschreibung:

Die Arbeitswelt steht vor großen Veränderungen. Die rasante technologische Entwicklung und gesellschaftliche Umbrüche erfordern Antworten darauf, wie die zukünftige Arbeitswelt in Baden-Württemberg gestaltet werden kann. Digitalisierung, Automatisierung und künstliche Intelligenz gelten als Schlüsseltreiber für zukünftiges Wirtschaftswachstum und werden die Arbeitswelt maßgeblich prägen. Daneben bringt die Transformation der Gesellschaft hin zur Klimaneutralität weitreichende Veränderungen mit sich, unter anderem durch die deutliche Reduktion von Treibhausgasemissionen, den Wandel zur ressourceneffizienten Kreislaufwirtschaft und die Umsetzung der Energiewende. Bei der Bewältigung dieser Veränderungen ist vor allem eines wichtig: Menschen, die den wirtschaftlichen und gesellschaftlichen Fortschritt gestalten. Deshalb müssen jetzt die Fähigkeiten aufgebaut werden, die nötig sind, um die Zukunft für alle positiv zu gestalten, sogenannte Future Skills.

Mögliche Themen: 

• Extraktion von Skills aus Stellenanzeigen (BA/MA; Kontakt: Chiara Schwenke)
• Erstellung von Future Skills Listen aus Stellenanzeigen mit Hilfe von Machine Learning Methoden (MA; Kontakt: Chiara Schwenke)
• Automatisierte Erkennung emergenter Skills mit Hilfe von Machine Learning Methoden (BA/MA; Kontakt: Chiara Schwenke)
• Zeitreihenanalysen von Future Skills (BA/MA; Kontakt: Chiara Schwenke)

Kurzbeschreibung:

Die Möglichkeit, große Datenmengen aus verschiedenen Quellen (Big Data) zu verarbeiten, und der Einsatz Künstlicher Intelligenz können Unternehmen dabei helfen, ihre Methoden zur Gewinnung, Entwicklung und Bindung von Mitarbeiter:innen grundlegend zu verbessern. Trotz der Verfügbarkeit fortschrittlicher Analyseverfahren basieren die HR-Entscheidungen in vielen Unternehmen jedoch immer noch auf Gefühl und Intuition. Hier setzt People Analytics an: Als zentrales Element zukunftsfähiger Personalstrategien ermöglicht People Analytics einen evidenzbasierten Ansatz im Personalwesen, bei dem Technologien zur Analyse von Daten über bestehende, ehemalige und zukünftige Mitarbeiter:innen in allen HR-Bereichen eingesetzt werden, mit dem Ziel, das Personalwesen und die allgemeine Unternehmensleistung zu verbessern.

Mögliche Themen: 

• Innovative Anwendungen von People Analytics: Fallstudien und Best Practices (BA/MA; Kontakt: Chiara Schwenke)
• Künstliche Intelligenz in der Arbeitswelt: Den Wandel gestalten (BA/MA; Kontakt: Chiara Schwenke)
• Qualität der GenAI-Nutzung am Arbeitsplatz (BA/MA; Kontakt: Chiara Schwenke)
• Empirische Untersuchung des Einflusses von People Analytics auf Geschäftsprobleme und organisatorische Leistung (BA/MA; Kontakt: Chiara Schwenke)
• AI Ethics in People Analytics (BA/MA; Kontakt: Chiara Schwenke)
• Organisatorische Voraussetzungen für die erfolgreiche Implementierung von People Analytics (BA/MA; Kontakt: Chiara Schwenke)

Kurzbeschreibung:

Der Leistungssport befindet sich in einem tiefgreifenden digitalen Wandel. Trainings-, Wettkampf- und Bewegungsdaten entstehen heute in bislang unbekanntem Umfang – ergänzt durch Videoanalysen, Sensordaten und textuelle Berichte. Trotz der stetig wachsenden Datenverfügbarkeit bleibt deren tatsächliches Nutzungspotenzial in vielen Sportarten bislang weitgehend unerschlossen. Die reine Datensammlung führt noch nicht automatisch zu besseren Entscheidungen oder Leistungssteigerungen - vielmehr fehlt es häufig an systematischen Analyseansätzen, die aus der Datenflut verwertbares Wissen generieren. Genau an diesem Punkt setzt Sports Analytics an. Sports Analytics widmet sich der systematischen Auswertung dieser vielfältigen Datenquellen, um sportliche und organisatorische Entscheidungen fundierter zu gestalten. Durch den Einsatz moderner Methoden aus Statistik, Data Science und Machine Learning werden Muster sichtbar gemacht, Leistungen objektiver bewertet und Potenziale frühzeitig erkannt. Im Mittelpunkt steht die Entwicklung datenbasierter Modelle und intelligenter Entscheidungsunterstützungssysteme, die sportliche Performance, strategische Planung und nachhaltigen Erfolg messbar verbessern.

Mögliche Themen: 

• Kontextabhängige Bewertung von Pässen und Raumgewinn (BA/MA; Kontakt: Chiara Schwenke, Mike Rothenhäusler)
• Ganzheitliche Bewertung von Spieleraktionen auf Basis von Tracking- und Eventdaten (BA/MA; Kontakt: Chiara Schwenke, Mike Rothenhäusler)
• KI-gestützte Entscheidungsunterstützung im Scouting (BA/MA; Kontakt: Chiara Schwenke, Mike Rothenhäusler)
• Modellierung individueller Spielerbeiträge zur Teamerfolgswahrscheinlichkeit unter Einbezug von Netzwerk- und Interaktionseffekten (BA/MA; Kontakt: Chiara Schwenke, Mike Rothenhäusler)
• Datengetriebene Sportorganisationen: Potenziale agentischer KI für Analyse, Planung und Entscheidungsfindung (BA/MA; Kontakt: Chiara Schwenke, Mike Rothenhäusler)
• ML im Sport – Ist es möglich Resultate von Sportevents mittels Machine Learning vorherzusagen (BA/MA; Kontakte: Chiara Schwenke)

Hintergrund: Private naturkundliche Sammlungen spielen eine wichtige Rolle für den Ausbau und die Vervollständigung musealer Bestände. Ihre Bewertung im Vorfeld eines möglichen Ankaufs stellt Museen jedoch vor erhebliche Herausforderungen: Der materielle, wissenschaftliche und kulturelle Wert solcher Sammlungen ist häufig schwer zu quantifizieren. Während in der Praxis oftmals vereinfachte Verfahren eingesetzt werden, können diese den tatsächlichen wissenschaftlichen und sammlungshistorischen Wert nur unzureichend abbilden. Gleichzeitig bergen solche Sammlungen erhebliche Chancen: Immer wieder zeigt sich, dass vergleichsweise günstig erworbene Sammlungen später wertvolle, teils wissenschaftlich bedeutende Objekte enthalten. Ein vertieftes Verständnis der Bewertungsprozesse, ihrer Kriterien und Entscheidungslogiken ist daher nicht nur für Museen, sondern auch für kulturpolitische und wissenschaftliche Institutionen von Bedeutung. Das Fallbeispiel eines Naturkundemuseums bietet hierfür einen praxisnahen Ausgangspunkt, um Bewertungsmechanismen systematisch zu untersuchen und weiterzuentwickeln.

Mögliche Schwerpunkte:

• Analyse bestehender Bewertungspraktiken für naturkundliche Sammlungen (z. B. Marktmechanismen, Bewertungsrichtlinien, museale Bewertungsprozesse)
• Fallstudienbasierte Untersuchung ausgewählter Ankaufsprozesse in naturkundlichen Museen
• Entwicklung eines Kriterien- oder Bewertungsrahmens, der materielle, wissenschaftliche und kulturelle Werte integriert
• Reflexion von Chancen und Risiken unterschiedlicher Bewertungsansätze, insbesondere im Hinblick auf Transparenz, Nachhaltigkeit und wissenschaftlichen Nutzen

Die konkrete Ausgestaltung (z. B. qualitative Interviews, Dokumentenanalysen, Framework-Entwicklung) erfolgt in Abstimmung mit der Betreuungsperson.

Hintergrund: Information Avoidance beschreibt das absichtliche Vermeiden von potenziell wichtigen Informationen. Trotz wachsender Relevanz – etwa im Bereich Nachhaltigkeit, Gesundheitswesen oder Finanzen – fehlt eine strukturierte Gesamtdarstellung des Forschungsstandes.

Forschungsfrage: Welche theoretischen und empirischen Erkenntnisse existieren zur Informationsvermeidung (Information Avoidance), und welche Implikationen ergeben sich daraus für Unternehmen? 

Ziele der Arbeit:

1. Systematische Literaturrecherche und Kategorisierung der bestehenden Literatur (z. B. psychologische vs. ökonomische Perspektiven).
2. Identifikation von Forschungslücken und potenziellen Lösungsmöglichkeiten

Hintergrund: Agentic AI beschreibt KI-Systeme mit hoher Autonomie und Entscheidungsfähigkeit. Diese Systeme können strategische Entscheidungen vorbereiten oder autonom umsetzen, ihre Rolle in Organisationen ist jedoch noch wenig erforscht. Mit zunehmender Autonomie können neue Risiken und Herausforderungen entstehen – von Haftungsfragen über Kontrollverlust bis hin zu ethischen Dilemmata. Insbesondere für Unternehmen mit geringen KI-Kompetenzen kann Agentic AI problematisch sein.

Mögliche Schwerpunkte:

• Systematische Literaturübersicht zu Agentic AI und ihren Einsatzfeldern sowie die Entwicklung eines Einsatzrahmens
• Analyse aktueller Forschung zu Risiken und Herausforderungen durch Agentic AI sowie Ableitung von Best Practices im Umgang

Die konkrete Ausgestaltung wird dann in Abstimmung mit der Betreuungsperson entwickelt.

Forschungsfrage: Welche (internationalen) Best Practices gibt es in Bezug auf die Gestaltung hybrider Arbeitsmodelle?

Hintergrund:

„Yes, Zoom Has an Office. No, It’s Not a Place to Work.” (Cohen, 2022)
Infolge der Covid-19-Pandemie etablieren sich langfristig hybride Arbeitsmodelle, in denen Beschäftigte nur teilweise vor Ort arbeiten. Hybrides Arbeiten birgt Chancen für Beschäftigte (bspw. Flexibilität) und Unternehmen (bspw. reduzierter Platzbedarf, jedoch auch Gefahren für den Teamzusammenhalt, die individuelle und kollektive Kreativität und die Firmenkultur. Es stellt sich daher die Frage, wie erfolgreiche hybride Arbeitsmodelle in der Praxis ausgestaltet sind.

Ziele der Arbeit:

1. Durchführung einer Recherche zur Identifikation von (internationalen) Best Practices in Bezug auf die Gestaltung hybrider Arbeitsmodelle (bspw. Bürogestaltung, Unternehmenskultur, Präsenzregeln, etc.)
2. Fallstudienartige Darstellung der hybriden Arbeitsmodelle einzelner Unternehmen

Einstiegsliteratur:

• Choudhury, R.: Our work from anywhere future. https://hbr.org/2020/11/our-work-from-any-where-future
• Cohen, B. (2022): Yes, Zoom Has an Office. No, It’s Not a Place to Work. The Wall Street Journal. https://www.wsj.com/articles/zoom-offices-hybrid-remote-work-11661977375
• Haas, M.: 5 Challenges of Hybrid Work — and How to Overcome Them. Harvard Business Re-view. hbr.org/2022/02/5-challenges-of-hybrid-work-and-how-to-overcome-them

Hintergrund: Ökonomische Turbulenzen haben in den vergangenen Jahren massiv zugenommen. Neben dem Klimawandel, der Covid-Pandemie und geopolitischen Schocks wie dem Krieg Russlands in der Ukraine ist eine langfristige Entkopplung der Weltwirtschaft zu beobachten, sogenanntes Decoupling. Als hochgradig vernetzte, exportorientierte Volkswirtschaft steht insb. die deutsche Industrie vor einer Vielzahl von Herausforderungen an unterschiedlichen Stellen.

Mögliche Schwerpunkte:

• Entwicklung einer Methode zur Analyse unterschiedlicher Stressfaktoren und Aufbau eines Ursache-Wirkungs-Modells zur Bewertung der Auswirkungen von Krisen auf KMU
• Definition wichtiger Ziel- und Steuerungsgrößen für Unternehmen unter Stress und Aufbau eines KPI-Treiberbaum zur Identifikation von Frühwarnindikatoren
• Identifikation, Analyse und Aufbereitung frei zugänglicher Datenquellen zur frühzeitigen Erkennung von externen Störfaktoren in Unternehmensnetzwerken
• Bewertung und Entwicklung von Anreizsystemen zur Steigerung der Krisenresilienz

Die konkrete Ausgestaltung wird dann in Abstimmung mit der Betreuungsperson entwickelt.

Einstiegsliteratur:

• Lamorgese, A., Patnaik, M., Linarello, A., & Schivardi, F. (2024). Management practices and resilience to shocks: Evidence from COVID-19. Management Science, 70(12), 9058-9072.
• Hayne, C. (2022). The effect of discontinuous and unpredictable environmental change on management accounting during organizational crisis: A field study. Contemporary Accounting Research, 39(3), 1758-1796.
• Hyun, J. H., Matejka, M., Oh, P., & Ahn, T. S. (2022). Performance targets and ex post incentive plan adjustments. Contemporary Accounting Research, 39(2), 863-892.

Forschungsfrage: Wie kann ein webbasiertes Reporting-Tool zur Steuerung von Nachhaltigkeitsstrategien ausgestaltet werden?

Hintergrund:

Durch die konsequente Umsetzung von Nachhaltigkeitsstrategien können kleine und mittlere Unternehmen (KMU) ihre ökologische sowie soziale Verantwortung stärken und langfristige Wettbewerbsvorteile realisieren. Der steigende Druck von Stakeholdern sowie regulatorische Anforderungen führen dazu, dass Nachhaltigkeitsstrategien zunehmend transparent gemacht und systematisch gesteuert werden müssen. Eine effektive Umsetzung erfordert ein integriertes, zugleich ressourcenschonendes (in)formelles Steuerungssystem. Für eine KMU-gerechte Umsetzung kann ein webbasiertes und nutzerfreundliches Reporting-Tool maßgeblich zur Steuerung dieser Strategien beitragen.

Ziele der Arbeit:

1. Modellierung eines Mockups für ein webbasierten Reporting-Tool auf Basis eines bereits bestehenden Steuerungssystems für Nachhaltigkeitsstrategien
2. Validierung des Mockups im Rahmen von Experteninterview

Einstiegsliteratur:

• Benyon, D. (2019): Designing User Experience. A guide to HCI, UX and interaction design. Pearson.
• Garrett, J. J. (2011): The Elements of User Experience. New Riders.
• Cheng, M., et al (2023): Sustainability and Management Accounting Research. Journal of Management Accounting Research 35(3), 1–11.
• Derchi, G., et al. (2023): Green incentives for environmental goals. Management Accounting Research 59, 100830.

• Systematische Literaturrecherche und Kategorisierung bestehender Studien zum Ratcheting Effect
• Analyse zentraler Einflussfaktoren (z. B. Anreizsysteme, Informationsasymmetrien, Mitarbeitermotivation)
• Ableitung von Implikationen für Zielsetzung, Planung und Kontrolle in Unternehmen

• Systematische Recherche und Erfassung relevanter Open-Data-Quellen mit Bezug zu Prognoseanwendungen
• Entwicklung eines Klassifikationsschemas (z. B. nach Datenart, Aktualität, Zugänglichkeit, Prognosebezug)
• Analyse von Stärken, Schwächen und Nutzungspotenzialen verschiedener Datenquellen für Forecasting-Modelle

• Kugler, P., Vogt, H., Meierhofer, J., Dobler, M., Strittmatter, M., Treiterer, M., & Schick, S. (2024). Daten im B2B-Ökosystem teilen und nutzen: Wie KMU Voraussetzungen schaffen und Hürden überwinden. In Digitale Plattformen und Ökosysteme im B2B-Bereich (S. 209–240). https://doi.org/10.1007/978-3-658-43130-3_8
• Petropoulos, F., Apiletti, D., Assimakopoulos, V., Babai, M. Z., Barrow, D. K., Ben Taieb, S., et al. (2022). Forecasting: Theory and practice. International Journal of Forecasting, 38(3), 705–871. https://doi.org/10.1016/j.ijforecast.2021.11.001