In Deutschland lehnt mehr als die Hälfte der Bevölkerung vollautomatisierte Entscheidungen ab. Der Mythos der unkontrollierbaren intelligenten Maschine existiert. Auf der anderen Seite werden algorithmische Entscheidungs(unterstützungs)systeme bereits in vielen Bereichen des Alltags erfolgreich eingesetzt, nicht zuletzt in der medizinischen Diagnostik oder bei der Beurteilung der Kreditwürdigkeit. Um die Akzeptanz von Algorithmen und intelligenten Systemen bei NutzerInnen zu erhöhen, hat das Forschungsfeld Explainable Artificial Intelligence (XAI) zum Ziel, automatisch Erklärungen für algorithmische Entscheidungen zu liefern. In Wissenschaft und Praxis werden kontrafaktische Erklärungen gehypt - aber wie gut sind sie wirklich?

Im Rahmen der Seminararbeit soll ein strukturierter Überblick über die wissenschaftliche Literatur zu XAI und insbesondere zu kontrafaktischen Erklärungen gegeben werden. Anschließend soll kritisch eingeordnet werden, welchen Mehrwert kontrafaktische Erklärungen den NutzerInnen von intelligenten Systemen bringen.

 Literaturhilfe: https://arxiv.org/abs/2010.10596

In den letzten Jahrzehnten hat die Nutzung sozialer Medien und des Internets stark zugenommen. Diese Plattformen dienen nicht nur der sozialen Interaktion und Unterhaltung, sondern haben sich auch als Arbeits- und Kommunikationstools etabliert, wie besonders während der COVID-19-Pandemie sichtbar wurde. Häufig wird ein Zusammenhang zwischen der intensiven Nutzung dieser Medien und der Entwicklung psychischer Erkrankungen vermutet. Allerdings gibt es bisher nur wenige Studien, die empirische Belege für diese Annahme liefern. In diesem Kontext könnte (Explainable) Artificial Intelligence eine Schlüsselrolle spielen. Durch das Monitoring und die Analyse des Nutzungsverhaltens auf sozialen Medien könnte (X)AI wertvolle Einblicke liefern, wie genau sich die Nutzungsdauer und -art auf die psychische Gesundheit auswirken. Diese Informationen wären nicht nur für Einzelpersonen zur Selbstreflexion und Verhaltensanpassung nützlich, sondern könnten auch von Gesundheitsorganisationen genutzt werden, um gezielte Präventions- und Interventionsstrategien zu entwickeln. 

Im Rahmen der Seminararbeit soll ein strukturierter Überblick über die wissenschaftliche Literatur zu (X)AI im Monitoring der Nutzung von Social Media gegeben werden. Darauf aufbauend soll ein Szenario entwickelt werden, wie eine konkrete (X)AI-Lösung aussehen könnte.

Zur Literaturhilfe

People Analytics als eine Form des algorithmischen Managements gewinnt im Zuge der Dezentralisierung der Arbeit und der Suche nach Werkzeugen zur Unterstützung der (Selbst-)Organisation und Führung in verteilten Teams an Popularität. Allerdings besteht neben dem vermeintlichen Potenzial von People Analytics auch die inhärente Gefahr, dass es als Überwachungssoftware dient und bestehende Vorurteile und Diskriminierung verstärkt. 

Im Rahmen dieser Seminararbeit soll ein umfassender Überblick über die wissenschaftliche Literatur zur Wahrnehmung von MitarbeiterInnen bezüglich People Analytics gegeben werden. Anschließend soll ein eigenes Szenario entworfen werden, wie die Wahrnehmung von MitarbeiterInnen hinsichtlich der Einführung von People Analytics im Arbeitsumfeld gemessen werden könnte.

Zur Literaturhilfe

Artificial Intelligence (AI) hat den Menschen bei der Diagnose von Röntgenbildern oder beim Schachspiel überholt. Gleichzeitig liest man Schlagzeilen, weil AI-Systeme unsachgemäß eingesetzt werden und diskriminierende Entscheidungen treffen. Beispielsweise wenn Bewerbungen mit Hilfe eines AI-Systems gefiltert werden und als Ergebnis nur BewerberInnen des männlichen Geschlechts ausgewählt werden. Daher hat die Berücksichtigung von Fairness und Bias bei der Entwicklung solcher Systeme bereits erheblich an Bedeutung gewonnen. Es gibt verschiedene Möglichkeiten zu definieren, wann ein AI-System fair ist, unter anderem das Konzept der „Counterfactual Fairness“. 

Im Rahmen dieser Seminararbeit soll ein umfassender Überblick über die wissenschaftliche Literatur zu Counterfactual Fairness gegeben werden. Anschließend soll ein eigenes Szenario entworfen werden, das aufzeigt, wie Counterfactual Fairness zur Fairness (mit Schwerpunkt auf Nachvollziehbarkeit) von AI-Systemen beitragen könnte.

Zur Literaturhilfe

Die Post Merger Integration (PMI) umfasst den Prozess der organisatorischen Zusammenführung von mindestens zwei Unternehmen zu einer rechtlichen Einheit. Dieser Prozess wird fortgesetzt, bis eine einheitliche Struktur zwischen den beteiligten Unternehmen hergestellt ist. Ein wesentlicher Erfolgsfaktor in der PMI ist das effektive Zusammenarbeiten der neuen Kolleginnen und Kollegen. Dabei stellt das sogenannte „Relationship Risiko“ ein entscheidendes Integrationsrisiko dar. 

Im Rahmen dieser Seminararbeit soll zunächst ein Überblick über die wissenschaftliche Literatur zu Analytics-Lösungen für evidenzbasierte PMI-Entscheidungen gegeben werden. Darauf aufbauend soll ein Szenario entworfen werden, das aufzeigt, wie im Allgemeinen die Ausprägungen und Entwicklungen der Aspekte von Relationship Risks aus Mitarbeitersicht erfasst werden können.

Zur Literaturhilfe

Die Einführung der elektronischen Patientenakte (ePA) in Deutschland markiert einen bedeutenden Schritt in der Digitalisierung des Gesundheitswesens. Ziel der ePA ist es, Patientendaten wie Arztberichte systematisch und effizient zu erfassen und in digitaler Form bereitzustellen, um die Qualität der Patientenversorgung nachhaltig zu verbessern. Parallel dazu haben jüngste Fortschritte im Bereich der Sprachmodelle, insbesondere durch den Erfolg von ChatGPT, vielversprechende Perspektiven für den Einsatz von (Generative) Artificial Intelligence im Gesundheitswesen eröffnet. 

Im Rahmen dieser Seminararbeit soll zunächst ein strukturierter Überblick über die wissenschaftliche Literatur zu Sprachmodellen im medizinischen Kontext gegeben werden. Darauf aufbauend soll untersucht werden, wie diese Technologien auf die ePA übertragen werden können und welches Potenzial sie für die Optimierung der medizinischen Praxis sowie der Verwaltung von Patientendaten bieten.

Zur Literaturhilfe

Die Entwicklung von Sprachmodellen wie OpenAIs Codex und darauf aufbauenden Technologien wie GitHub Copilot haben die Art und Weise, wie Software entwickelt wird, grundlegend verändert. Diese AI-gestützten Werkzeuge können Code generieren, analysieren, debuggen und optimieren, was die Rolle von SoftwareentwicklerInnen neu definiert. Gleichzeitig eröffnen sich kontroverse Diskussionen über Risiken, Grenzen und ethische Aspekte ihres Einsatzes. 

Im Rahmen dieser Seminararbeit sollen zunächst die Potenziale und Herausforderungen von GitHub Copilot und vergleichbaren Technologien untersucht werden. Dabei steht die Analyse wissenschaftlicher Literatur im Vordergrund, um ein fundiertes Verständnis der aktuellen Entwicklungen zu gewinnen. Darauf aufbauend soll ein Szenario entworfen werden, das mögliche Zukunftsperspektiven der Softwareentwicklung skizziert und die Bedeutung von AI-gestützten Werkzeugen in diesem Zusammenhang herausarbeitet.

Zur Literaturhilfe 

Deepfakes haben die Grenze zwischen Realität und Fiktion nahezu verschwimmen lassen und stellen eine der größten Herausforderungen des digitalen Zeitalters dar. Von einem vermeintlichen Aufruf des ukrainischen Präsidenten zur Kapitulation bis hin zu Bildern, die Kanzler Scholz in einem Gefängnis zeigen – künstlich generierte Inhalte können gezielt Desinformationen verbreiten und erheblichen Schaden anrichten. 

Im Rahmen dieser Seminararbeit werden zunächst die Risiken von Deepfakes sowie aktuelle Ansätze zu ihrer Erkennung und Bekämpfung analysiert. Der Fokus liegt dabei auf der Untersuchung wissenschaftlicher Literatur, um fundierte Einblicke in bestehende Herausforderungen und Lösungsstrategien zu gewinnen. Ziel ist es, Strategien zu identifizieren, die dazu beitragen, die Integrität digitaler Inhalte zu sichern und den Missbrauch dieser Technologie einzudämmen.

Zur Literaturhilfe

Desinformation bedroht in der digital vernetzten Welt Demokratie und Vertrauen in staatliche Institutionen. Jüngste technologische Fortschritte erlauben es, dass AI sehr präzise digitale Desinformationen erkennen kann. Large Language Models (LLMs) und andere AI-Modelle, die Fake News erkennen können, sind aufgrund ihrer Komplexität für NutzerInnen jedoch „Black Boxes“. NutzerInnen können nicht nachvollziehen und validieren, wie und warum ein AI-Modell zu Prognosen zu digitalen Desinformationen kommt. Insbesondere bleibt dem Nutzer/der Nutzerin verborgen, anhand welcher Muster ein AI-Modell digitale Desinformation prognostiziert. An diesem Punkt setzt das Forschungsfeld Explainable Artificial Intelligence (XAI) an. 

Im Rahmen dieser Seminararbeit soll der aktuelle Stand der Forschung zu XAI-Ansätzen in der Fake-News-Detektion analysiert werden. Ziel ist es, bestehende Methoden vorzustellen, zentrale offene Forschungsfragen zu identifizieren und mögliche Szenarien für die Weiterentwicklung sowie den praktischen Einsatz dieser Technologien zu skizzieren.

Zur Literaturhilfe

Die Verbreitung von Generativer Künstlicher Intelligenz (GenAI) und darauf basierender Technologien wie ChatGPT eröffnet neue Perspektiven für die Schulbildung. Solche Technologien können SchülerInnen beim Recherchieren, Verfassen von Texten und Verstehen komplexer Themen unterstützen, indem sie personalisierte und interaktive Lernmöglichkeiten bieten. Gleichzeitig gibt es berechtigte Bedenken hinsichtlich möglicher negativer Auswirkungen, wie z.B. die Beeinträchtigung des selbstständigen Denkens oder die Gefährdung der Integrität schulischer Leistungen durch unreflektierten Einsatz und übermäßige Abhängigkeit von GenAI. 

Im Rahmen dieser Seminararbeit soll ein fundierter Überblick über die wissenschaftliche Literatur zu den Chancen und Herausforderungen von GenAI-gestützten Lerntechnologien gegeben werden. Auf dieser Grundlage soll ein Szenario entwickelt werden, das mögliche Lösungsansätze für eine verantwortungsvolle und effektive Integration von ChatGPT und ähnlichen GenAI-Anwendungen in den Schulunterricht aufzeigt.

Zur Literaturhilfe

Retrieval-Augmented Generation (RAG)-Modelle vereinen die Vorteile von Informationsabrufsystemen mit den Fähigkeiten von Generative Artificial Intelligence (GenAI), um präzise und kontextbezogene Antworten auf komplexe Fragen zu liefern. Diese innovative Technologie ermöglicht es, externe Wissensquellen dynamisch in den Generierungsprozess einzubinden, was insbesondere in datenintensiven Bereichen wie Bildung, Forschung und Unternehmenskommunikation vielfältige neue Anwendungsmöglichkeiten eröffnet. Gleichzeitig werfen RAG-Modelle wichtige Fragen zu Datenschutz, Verzerrungen und der Verlässlichkeit der abgerufenen Informationen auf. 

Im Rahmen dieser Seminararbeit soll die aktuelle wissenschaftliche Literatur zu RAG-Modellen untersucht werden, um ihre Potenziale und Herausforderungen zu analysieren. Ziel ist es, praxisorientierte Anwendungsmöglichkeiten sowie die Grenzen dieser Technologie aufzuzeigen und ihre Bedeutung für zukunftsweisende Wissensverarbeitung zu bewerten.

Zur Literaturhilfe