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:

Viele der immer größer werdenden Menge an Daten in Unternehmen ist durch eine geringe Datenqualität gekennzeichnet. Dadurch entstehen hohe wirtschaftliche Schäden. 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.

Besonders kritisch ist diese Problematik im Zeitalter der Künstlichen Intelligenz (KI), da mangelhafte Datenqualität unmittelbar zu Unsicherheit führt. Werden Unsicherheiten in KI-Prognosen ignoriert – etwa durch das Ersetzen fehlender Werte mit Durchschnittswerten –, entstehen häufig übermäßig selbstsichere und teils inkorrekte Empfehlungen. Für menschliche Entscheidungsträger in Mensch-KI-Teams birgt dies erhebliche Risiken: Eine trügerische Sicherheit kann zu unangebrachtem Vertrauen (Overreliance) und Fehlentscheidungen führen. Um KI verantwortungsvoll und vertrauenswürdig einzusetzen, müssen Unsicherheiten aus Datenqualitätsdefekten daher quantitativ erfasst, transparent dargestellt und offengelegt werden.

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)
• Data Quality und ihre Wirkung auf KI-gestützte Systeme (BA / MA; Kontakt: Andreas Obermeier; Hannah Knehr; Anna-Lena Kubillus)
• Data Quality 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

• Data Quality 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:

Mögliche Themen:

• Erklärbarkeit für GenAI (BA/MA; Kontakt: Hannah Knehr, Chiara Schwenke)
• Erklärbarkeit zur Erkennung von digitalen Desinformationen (BA/MA; Kontakt: Chiara Schwenke, Hannah Knehr)
• Entwicklung und Implementierung von Erklärbarer KI (MA; Kontakt: Maximilian Buck, Hannah Knehr)
• Neue Wege bei der Psychotherapie – Erklärbare KI im Bereich Mental Health (BA/MA; Kontakt:  Hannah Knehr)
• Nutzerzentrierung von Erklärbarer KI (BA; Kontakt: Maximilian Buck, Hannah Knehr, Chiara Schwenke)
• EU AI Act – was Gesetze bald von XAI fordern (BA/MA; Maximilian Buck)
• Fairness und Bias in KI-Systemen (BA/MA; Kontakt: Chiara Schwenke)
• Causal AI – Kausalität als Schlüssel zu erklärbarer KI (BA/MA; Kontakt: Maximilian Buck)
• Erklärbare KI zur Einbindung menschlicher Expertise in KI-Systeme (BA/MA; Kontakt: Hannah Knehr, Maximilian Buck)
• Menschzentrierte KI-Systeme mit Human-in-the-Loop (BA/MA; Kontakt: Hannah Knehr, Maximilian Buck)
• Künstliche Intelligenz im Controlling – Prognosen als Entscheidungsgrundlage (BA/MA; Kontakt: Maximilian Buck, Lara Frost)
• Interaktive Erklärungen für AnwenderInnen von KI (BA/MA; Kontakt: Chiara Schwenke, Hannah Knehr)
• Vermittlung von AI Literacy mit Erklärbarer KI (BA/MA; Kontakt: Chiara Schwenke)
• Erklärbare KI für Zeitreihenprognosen (MA; Kontakt: Lara Frost)
• Erklärbare KI für Zeitreihenklassifikation (BA/MA; Kontakt: Lara Frost)

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:

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:

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:

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: 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.

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.

Hintergrund: Der Fachkräftemangel im verarbeitenden Gewerbe erhöht den Druck auf KMU, sich als attraktive Arbeitgeber für gewerbliche Fachkräfte zu positionieren. Im Mittelpunkt dieser Arbeit steht die qualitative Untersuchung des externen Employer Brandings verarbeitender KMU mit industriellen Arbeitsplätzen, etwa in Produktionshallen, an Fließbändern oder in Werkstätten. Auf Basis semistrukturierter Interviews mit Personalverantwortlichen und Führungskräften sowie einer ergänzenden Literaturrecherche sollen zentrale Herausforderungen, genutzte Kanäle sowie bestehende Maßnahmen und Strategien zur Ansprache gewerblicher Fachkräfte erfasst und reflektiert werden.

Forschungsfrage: Welche Kriterien sind für gewerbliche Fachkräfte bei der Arbeitgeberwahl entscheidend, und wie werden diese aktuell von KMU im Rahmen ihrer externen Arbeitgeberattraktivität schon adressiert?

Ziele der Arbeit:

• Identifikation zentraler Herausforderungen im externen Employer Branding verarbeitender KMU 
• Systematische Erfassung genutzter Kanäle, Maßnahmen und Strategien 
• Reflektion bestehender Recruitingprozesse aus Sicht von Personalverantwortlichen und Führungskräften 

Die konkrete Ausgestaltung erfolgt in Abstimmung mit dem Betreuer.

Einstiegsliteratur:

BMWK. (2025). Fachkräfte für Deutschland: Herausforderungen Fachkräftesicherung. https://www.bmwk.de/Redaktion/DE/Dossier/fachkraeftesicherung.html

Theurer, C.P., Tumasjan, A., Welpe, I.M. and Lievens, F. (2018), Employer Branding: A Brand Equity-based Literature Review and Research Agenda. International Journal of Management Reviews, 20: 155-179. https://doi.org/10.1111/ijmr.12121 

Wolfswinkel, M., Enslin, C. & Terblanche-Smit, M. (2023). The Employer Brand through a Brand Lens: A Critical Review of Literature. 10.5772/intechopen.1002507.

Hintergrund: Der Fachkräftemangel im verarbeitenden Gewerbe macht es für KMU besonders relevant zu verstehen, welche Faktoren von gewerblichen Fachkräften als attraktiv oder problematisch wahrgenommen werden. Im Mittelpunkt dieser Arbeit steht die systematische Auswertung von Erfahrungsberichten von Mitarbeitenden auf Online-Bewertungsplattformen wie Glassdoor oder Kununu. Mittels Social Listening, Webscraping und Text Mining sollen Muster und wiederkehrende Motive identifiziert werden, die gewerbliche Fachkräfte in verarbeitenden KMU als attraktiv oder problematisch empfinden. Der Fokus liegt auf der Verknüpfung individueller Erfahrungen mit strukturellen Bindungsfaktoren, um die Wirksamkeit bestehender Maßnahmen besser beurteilen zu können.

Forschungsfrage: Welche internen Faktoren fördern die langfristige Bindung von gewerblichen Fachkräften in KMU und wie lassen sich diese priorisieren?

Ziele der Arbeit:

• Erfahrungsberichte von Mitarbeitenden auf Online-Bewertungsplattformen systematisch erfassen
• Muster, Motive und thematische Schwerpunkte mithilfe von Social Listening, Webscraping und Text Mining identifizieren
• Attraktive und problematische Aspekte aus Sicht gewerblicher Fachkräfte herausarbeiten
• Individuelle Erfahrungen mit strukturellen Bindungsfaktoren verknüpfen
• Hinweise zur Wirksamkeit bestehender Maßnahmen ableiten

Die konkrete Ausgestaltung wird dann in Abstimmung mit dem Betreuer entwickelt.

Einstiegsliteratur:

BMWK. (2025). Fachkräfte für Deutschland: Herausforderungen Fachkräftesicherung. https://www.bmwk.de/Redaktion/DE/Dossier/fachkraeftesicherung.html

Mahar, D. H. (2025). Leveraging People Analytics for Employer Branding: A Text Mining Study of Employee Reviews in IT Industry. Journal of Chinese Human Resources Management 2025, 16(2), 97–120. https://doi.org/10.47297/wspchrmWSP2040-800506.20251602 

Natrapei, I. (2024). Social Listening: Definition, Tools und Tipps, HubSpot.
https://blog.hubspot.de/marketing/tools-social-listening

Hintergrund: Kleine und mittlere Unternehmen wenden einen erheblichen Teil ihrer Arbeitszeit für administrative Tätigkeiten auf, etwa in Buchhaltung, Personalverwaltung, Dokumentation oder Berichtswesen. Gleichzeitig bleibt das Potenzial von KI in diesen Prozessen häufig ungenutzt, weil unklar ist, welche administrativen Tätigkeiten sich überhaupt für einen sinnvollen KI-Einsatz eignen. Im Mittelpunkt dieser Arbeit steht daher die Analyse von Prozesscharakteristika administrativer Tätigkeiten in KMU. Auf Basis einer strukturierten Literaturrecherche und ergänzender qualitativer Erhebungen, beispielsweise Expert:inneninterviews oder Fallbeispiele, soll ein Kriterienkatalog entwickelt werden, mit dem sich geeignete KI-Anwendungsfälle systematisch identifizieren und bewerten lassen.

Forschungsfrage: Welche Merkmale administrativer Prozesse in KMU deuten darauf hin, dass sich diese besonders für den Einsatz von KI eignen?

Ziele der Arbeit:

• Systematische Aufarbeitung relevanter Prozesscharakteristika administrativer Tätigkeiten in KMU
• Analyse bestehender Ansätze zur Identifikation von KI-geeigneten Prozessen
• Entwicklung eines Kriterienkatalogs zur Bewertung potenzieller KI-Anwendungsfälle
• Ableitung von Hinweisen für die praktische Priorisierung administrativer Prozesse in KMU
• Erstellung eines Custom-GPTs zur Ergebnisdarstellung

Die konkrete Ausgestaltung erfolgt in Abstimmung mit dem Betreuer.

Einstiegsliteratur:

Bettoni, Andrea; Matteri, Davide; Montini, Elias; Gładysz, Bartłomiej; Carpanzano, Emanuele (2021): An AI adoption model for SMEs: a conceptual framework. In: IFAC-PapersOnLine 54 (1), S. 702–708. DOI: 10.1016/j.ifacol.2021.08.082.

Hofmann, Peter; Jöhnk, Jan; Protschky, Dominik; Stähle, Philipp; Urbach, Nils; Buck, Christoph (2020): KI-Anwendungsfälle zielgerichtet identifizieren. In: Wirtschaftsinformatik & Management 12 (3), S. 184–193. DOI: 10.1365/s35764-020-00257-z.

Parycek, Peter; Schmid, Verena; Novak, Anna-Sophie (2024): Artificial Intelligence (AI) and Automation in Administrative Procedures: Potentials, Limitations, and Framework Conditions. In: Journal of the Knowledge Economy 15 (2), S. 8390–8415. DOI: 10.1007/s13132-023-01433-3.