Verfügbare Themen

Für das Sommersemester 2025 werden keine Bewerbungen mehr angenommen.

Hintergrund

Innerhalb Deutschlands entfallen über 50 % des gesamten Energieverbrauchs und ein wesentlicher Teil der CO2-Emissionen auf die Wärmeversorgung. In Anbetracht der Klimakrise ist die Dekarbonisierung der Wärmeversorgung somit ein entscheidender Faktor für die Veränderung und das Erreichen der Klimaziele. Ungenutztes Potenzial liegt insbesondere in der Umsetzung von Nahwärmenetzen (Joint Research Centre of the European Commission, 2022). Ein großes Hemmnis dafür besteht im Fehlen der für die Planung erforderlichen (Verbrauchs-)Daten, die zu Beginn des Planungsprozesses typischerweise nicht vorliegen oder schwer zu erheben sind.

Forschungslücke

Datenspenden von Bürger:innen können zur Bewältigung dieser Herausforderung beitragen. Datenspenden beschreiben die aktive Weitergabe von Daten durch Einzelpersonen, meist zur Förderung des gesellschaftlichen Nutzens (Hartl et al., 2024). Bisherige Forschung zu Datenspenden basiert in großen Teilen auf der Abfrage hypothetischer Spendenabsicht, d.h. es mangelt an praxisrelevanten Anwendungen (Silber et al., 2022). Zudem gibt es trotz des großen Potenzials dieses Ansatzes für Anwendungen im Energiesektor (Lee et al., 2024) bislang wenig Literatur, die sich mit der Spende von Energiedaten befasst.

Ziele der Arbeit

Bachelor-/Masterarbeiten zu diesem Thema soll ergründen, welche Bedingungen und Hürden bei der Umsetzung von Energiedatenspenden beachtet werden müssen. Hierfür sollen praxisrelevante Erkenntnisse gewonnen werden, die wegbereitend für zukünftige Forschung sind. Verschiedene Herangehensweisen sind denkbar, unter anderem:

• Literatur- und Internetrecherche: Welche erfolgreichen/geplanten Datenspendeprojekte gibt es im Energiesektor? Welche Learnings können daraus abgeleitet werden?
• Recherche + Selbstversuch: Wie kann man als Privatperson seine Energie-/Verbrauchsdaten von Energieversorgern abrufen? Welche Arten von Daten sind verfügbar? Wie ist die Datenqualität?
• Surveys: Unter welchen Umständen sind Privatpersonen bereit, ihre Energie- und/oder Verbrauchsdaten zu Forschungszwecken zu spenden?
• Recherche + Experteninterviews mit
  • Datenschutzbeauftragten: Welche Besonderheiten müssen bei der Speicherung und Weitergabe von Energie-/Verbrauchsdaten beachtet werden?
  • Energieversorger/-genossenschaften: Können sich Daten-Controller vorstellen, Datenspenden für (non-kommerzielle) Forschungsprojekte zu ermöglichen?

Startzeitpunkt

ab Mai 2025, mindestens ~6 (Bachelor) / ~8 (Master) Monate vor geplanter Abgabe der Arbeit.

Bewerbung

Bitte um aussagekräftige Bewerbung inkl. spezifischer Themenidee, Lebenslauf und Transcript of Records. Für Studierende, die NICHT WiWi/WINF studieren: Bitte im Vorhinein bei Bedarf mit der jeweiligen Studiengangskoordination abklären, ob eine Betreuung durch den Lehrstuhl zugelassen ist. Zum Beispiel ist dies für Studierenden anderer Fakultäten (TechFak, NatFak) oft nicht möglich.

Referenzen

Hartl, P., Hassler, J., Manzke, L., Schmidbauer, E., Schnurr, D., & Tiefenbeck, V. (2024). Data Donations: Data Disclosure for the Common Good. https://doi.org/10.2139/ssrn.4969398

Joint Research Centre of the European Commission. (2022). Towards a green & digital future: Key requirements for successful twin transitions in the European Union. Publications Office. https://data.europa.eu/doi/10.2760/977331

Lee, D., Long, L. A. N., & Jansma, S. R. (2024). Data donation: Using the gift relationship framework to address privacy and environmental issues of energy consumption data collection. Energy Research & Social Science, 114, 103596. https://doi.org/10.1016/j.erss.2024.103596

Silber, H., Breuer, J., Beuthner, C., Gummer, T., Keusch, F., Siegers, P., Stier, S., & Weiß, B. (2022). Linking surveys and digital trace data: Insights from two studies on determinants of data sharing behaviour. Journal of the Royal Statistical Society: Series A (Statistics in Society), 185, S387–S407. https://doi.org/10.1111/rssa.12954

Hintergrund

Gemäß der extended mind Hypothese erstreckt sich die menschliche Kognition über das Gehirn und das Nervensystem hinaus auf den Körper und Umgebungswerkzeuge (Clark & Chalmers, 1998). Die Nutzung technologischer Werkzeuge zur Erleichterung kognitiver Prozesse wird oft als „kognitives Auslagern“ (engl.“cognitive offloading“) oder „geteilte Kognition“ (engl.“distributed cognition“) bezeichnet (Risko & Gilbert, 2016). Im Zeitalter der generativen KI und ihrer wachsenden Fähigkeiten sind die Möglichkeiten für Menschen, energie- und zeitaufwändige kognitive Prozesse an KI auszulagern, zahlreich und entwickeln sich rapide weiter.

Forschungslücke

Bei vielen Mensch-KI-Kollaborationsszenarien bleiben Menschen die „letzte Instanz“, um KI-Empfehlungen anzunehmen oder abzulehnen. Daher erfordert die Nutzung von KI für die Aufgabenerfüllung nicht nur die Kontrolle und Überwachung der eigenen kognitiven Prozesse (oft als Metakognition bezeichnet), sondern auch die Bewertung der Prozesse und Ergebnisse der KI (Dunn et al., 2021; Tankelevitch et al., 2024). Trotz der zunehmenden metakognitiven Anforderungen durch generative KI und der Relevanz präziser Metakognition zur Vermeidung von Unter-/Übervertrauen auf KI-Ergebnisse mangelt es an Forschung, die die Rolle der menschlichen Metakognition in (erfolgreichen) Mensch-KI-Kollaborationen untersucht.

Ziele der Abschlussarbeit

Bachelor- und Masterarbeiten zu diesem Thema zielen darauf ab, die Rolle metakognitiver Prozesse und Fähigkeiten innerhalb von Mensch-KI Kollaborationen zu untersuchen; sowohl vor der Zusammenarbeit (was treibt die Entscheidung KI zu nutzen an?), als auch während der Zusammenarbeit (wie überwachen und bewerten Individuen KI Prozesse und Outputs?). Die Forschung sollte untersuchen, wie gezielte Interventionen gestaltet werden können, um die metakognitive Genauigkeit während der Mensch-KI-Zusammenarbeit zu verbessern. Das Ziel der Abschlussarbeiten besteht darin, konzeptionelle und empirische Erkenntnisse zu gewinnen, die unser Verständnis von kognitiven Partnerschaften zwischen Mensch und KI erweitern und zukünftige Gestaltungsansätze informieren.

Forschungsansätze

• (Systematische) Literaturrecherche
  • Durchführung einer (systematischen) Literaturrecherche zu Interventionen (wie kognitive Forcing-Strategien), die metakognitive Überwachung/Kontrolle unterstützen und übermäßige kognitive Auslagerung verhindern.
  • Sichtung interdisziplinärer Forschung und Übertragung der Erkenntnisse auf Anwendungen von (generativer) KI.
  • Identifizierung theoretischer Rahmenwerke, die metakognitive Prozesse in der Mensch-KI-Zusammenarbeit erklären können.
• Experimentelle Ansätze
  • Entwicklung kreativer Interventionen zur Unterstützung der menschlichen Metakognition vor/während der Nutzung von KI und Entwicklung experimenteller Protokolle zur Überprüfung ihrer Wirksamkeit.
  • Untersuchung der Auswirkungen der Nutzung generativer KI auf die menschliche Metakognition und Kognition (z.B. Entscheidungsfindung, kritisches Denken, Problemlösung).
  • Erforschung, wie verschiedene KI-Schnittstellendesigns (z.B. OpenAIs Reasoning-Modell) die metakognitive Genauigkeit der Benutzer beeinflussen.
• Umfragen und Interviews
  • Durchführung von Umfragen oder Interviews zur Untersuchung von Faktoren, die bestimmen, ob Personen kognitive Aufgaben an KI auslagern.
  • Erforschung positiver und negativer Folgen der kognitiven Auslagerung an KI für die Nutzenden.
  • Untersuchung domänenspezifischer Unterschiede in metakognitiven Strategien bei der Zusammenarbeit mit KI.

Beginn

ab August 2025, planen Sie mindestens ~6 (Bachelor) / ~8 (Master) Monate bevor Sie Ihre Arbeit abgeben und einreichen können.

Bewerbung

Bitte senden Sie eine detaillierte Bewerbung mit Ihrer spezifischen Themenidee, Ihrem Lebenslauf und einer aktuellen Notenübersicht. Für Studierende, die NICHT WiWi/WINF studieren: Bitte klären Sie vorab mit der jeweiligen Studiengangskoordination, ob eine Betreuung durch unseren Lehrstuhl gestattet ist. Beispielsweise ist dies für Studierende anderer Fakultäten (TechFak, NatFak) oft nicht möglich.

Anforderungen

• Interesse an interdisziplinärer Forschung, die kognitive Psychologie und KI verbindet.
• Grundlegendes Verständnis experimenteller Designs oder qualitativer Forschungsmethoden.
• Für experimentelle Ansätze: Grundlegende Programmierkenntnisse sind von Vorteil.

Literaturverzeichnis

Clark, A., & Chalmers, D. (1998). The Extended Mind. Analysis, 58(1), 7–19. https://doi.org/10.1093/analys/58.1.7

Dunn, T. L., Gaspar, C., McLean, D., Koehler, D. J., & Risko, E. F. (2021). Distributed metacognition: Increased Bias and Deficits in Metacognitive Sensitivity when Retrieving Information from the Internet. Technology, Mind, and Behavior, 2(3). https://doi.org/10.1037/tmb0000039

Risko, E. F., & Gilbert, S. J. (2016). Cognitive Offloading. Trends in Cognitive Sciences, 20(9), 676–688. https://doi.org/10.1016/j.tics.2016.07.002

Tankelevitch, L., Kewenig, V., Simkute, A., Scott, A. E., Sarkar, A., Sellen, A., & Rintel, S. (2024). The Metacognitive Demands and Opportunities of Generative AI. Proceedings of the 2024 CHI Conference on Human Factors in Computing Systems, 1–24. https://doi.org/10.1145/3613904.3642902

Für das Sommersemester 2025 werden keine Bewerbungen mehr angenommen.

Hintergrund

Innerhalb Deutschlands entfallen über 50% des gesamten Energieverbrauchs und ein wesentlicher Teil der CO2-Emissionen auf die Wärmeversorgung. In Anbetracht der Klimakrise ist die Dekarbonisierung der Wärmeversorgung somit ein entscheidender Faktor für die Veränderung und das Erreichen der Klimaziele. Ungenutztes Potenzial liegt insbesondere in der Umsetzung von Nahwärmenetzen (Joint Research Centre of the European Commission, 2022). Ein großes Hemmnis dafür besteht im Fehlen der für die Planung erforderlichen (Verbrauchs-)Daten, die zu Beginn des Planungsprozesses typischerweise nicht vorliegen oder schwer zu erheben sind.

Forschungslücke

Datenspenden von Bürger:innen können zur Bewältigung dieser Herausforderung beitragen. Datenspenden beschreiben die aktive Weitergabe von Daten durch Einzelpersonen, meist zur Förderung des gesellschaftlichen Nutzens (Hartl et al., 2024). Bisherige Forschung zu Datenspenden basiert in großen Teilen auf der Abfrage hypothetischer Spendenabsicht, d.h. es mangelt an praxisrelevanten Anwendungen (Silber et al., 2022). Zudem gibt es trotz des großen Potenzials dieses Ansatzes für Anwendungen im Energiesektor (Lee et al., 2024) bislang wenig Literatur, die sich mit der Spende von Energiedaten befasst.

Ziele der Arbeit

Bachelor-/Masterarbeiten zu diesem Thema soll ergründen, welche Bedingungen und Hürden bei der Umsetzung von Energiedatenspenden beachtet werden müssen. Hierfür sollen praxisrelevante Erkenntnisse gewonnen werden, die wegbereitend für zukünftige Forschung sind. Verschiedene Herangehensweisen sind denkbar, unter anderem:

• Literatur- und Internetrecherche: Welche erfolgreichen/geplanten Datenspendeprojekte gibt es im Energiesektor? Welche Learnings können daraus abgeleitet werden?
• Recherche + Selbstversuch: Wie kann man als Privatperson seine Energie-/Verbrauchsdaten von Energieversorgern abrufen? Welche Arten von Daten sind verfügbar? Wie ist die Datenqualität?
• Surveys: Unter welchen Umständen sind Privatpersonen bereit, ihre Energie- und/oder Verbrauchsdaten zu Forschungszwecken zu spenden?
• Recherche + Experteninterviews mit
  • Datenschutzbeauftragten: Welche Besonderheiten müssen bei der Speicherung und Weitergabe von Energie-/Verbrauchsdaten beachtet werden?
  • Energieversorger/-genossenschaften: Können sich Daten-Controller vorstellen, Datenspenden für (non-kommerzielle) Forschungsprojekte zu ermöglichen?

Startzeitpunkt

ab Mai 2025, mindestens ~6 (Bachelor) / ~8 (Master) Monate vor geplanter Abgabe der Arbeit.

Bewerbung

Bitte um aussagekräftige Bewerbung inkl. spezifischer Themenidee, Lebenslauf und Transcript of Records. Für Studierende, die NICHT WiWi/WINF studieren: Bitte im Vorhinein bei Bedarf mit der jeweiligen Studiengangskoordination abklären, ob eine Betreuung durch den Lehrstuhl zugelassen ist. Zum Beispiel ist dies für Studierenden anderer Fakultäten (TechFak, NatFak) oft nicht möglich.

Referenzen

Hartl, P., Hassler, J., Manzke, L., Schmidbauer, E., Schnurr, D., & Tiefenbeck, V. (2024). Data Donations: Data Disclosure for the Common Good. https://doi.org/10.2139/ssrn.4969398

Joint Research Centre of the European Commission. (2022). Towards a green & digital future: Key requirements for successful twin transitions in the European Union. Publications Office. https://data.europa.eu/doi/10.2760/977331

Lee, D., Long, L. A. N., & Jansma, S. R. (2024). Data donation: Using the gift relationship framework to address privacy and environmental issues of energy consumption data collection. Energy Research & Social Science, 114, 103596. https://doi.org/10.1016/j.erss.2024.103596

Silber, H., Breuer, J., Beuthner, C., Gummer, T., Keusch, F., Siegers, P., Stier, S., & Weiß, B. (2022). Linking surveys and digital trace data: Insights from two studies on determinants of data sharing behaviour. Journal of the Royal Statistical Society: Series A (Statistics in Society), 185, S387–S407. https://doi.org/10.1111/rssa.12954

Hintergrund

Gemäß der extended mind Hypothese erstreckt sich die menschliche Kognition über das Gehirn und das Nervensystem hinaus auf den Körper und Umgebungswerkzeuge (Clark & Chalmers, 1998). Die Nutzung technologischer Werkzeuge zur Erleichterung kognitiver Prozesse wird oft als „kognitives Auslagern“ (engl.“cognitive offloading“) oder „geteilte Kognition“ (engl.“distributed cognition“) bezeichnet (Risko & Gilbert, 2016). Im Zeitalter der generativen KI und ihrer wachsenden Fähigkeiten sind die Möglichkeiten für Menschen, energie- und zeitaufwändige kognitive Prozesse an KI auszulagern, zahlreich und entwickeln sich rapide weiter.

Forschungslücke

Bei vielen Mensch-KI-Kollaborationsszenarien bleiben Menschen die „letzte Instanz“, um KI-Empfehlungen anzunehmen oder abzulehnen. Daher erfordert die Nutzung von KI für die Aufgabenerfüllung nicht nur die Kontrolle und Überwachung der eigenen kognitiven Prozesse (oft als Metakognition bezeichnet), sondern auch die Bewertung der Prozesse und Ergebnisse der KI (Dunn et al., 2021; Tankelevitch et al., 2024). Trotz der zunehmenden metakognitiven Anforderungen durch generative KI und der Relevanz präziser Metakognition zur Vermeidung von Unter-/Übervertrauen auf KI-Ergebnisse mangelt es an Forschung, die die Rolle der menschlichen Metakognition in (erfolgreichen) Mensch-KI-Kollaborationen untersucht.

Ziele der Abschlussarbeit

Bachelor- und Masterarbeiten zu diesem Thema zielen darauf ab, die Rolle metakognitiver Prozesse und Fähigkeiten innerhalb von Mensch-KI Kollaborationen zu untersuchen; sowohl vor der Zusammenarbeit (was treibt die Entscheidung KI zu nutzen an?), als auch während der Zusammenarbeit (wie überwachen und bewerten Individuen KI Prozesse und Outputs?). Die Forschung sollte untersuchen, wie gezielte Interventionen gestaltet werden können, um die metakognitive Genauigkeit während der Mensch-KI-Zusammenarbeit zu verbessern. Das Ziel der Abschlussarbeiten besteht darin, konzeptionelle und empirische Erkenntnisse zu gewinnen, die unser Verständnis von kognitiven Partnerschaften zwischen Mensch und KI erweitern und zukünftige Gestaltungsansätze informieren.

Forschungsansätze

• (Systematische) Literaturrecherche
  • Durchführung einer (systematischen) Literaturrecherche zu Interventionen (wie kognitive Forcing-Strategien), die metakognitive Überwachung/Kontrolle unterstützen und übermäßige kognitive Auslagerung verhindern.
  • Sichtung interdisziplinärer Forschung und Übertragung der Erkenntnisse auf Anwendungen von (generativer) KI.
  • Identifizierung theoretischer Rahmenwerke, die metakognitive Prozesse in der Mensch-KI-Zusammenarbeit erklären können.
• Experimentelle Ansätze
  • Entwicklung kreativer Interventionen zur Unterstützung der menschlichen Metakognition vor/während der Nutzung von KI und Entwicklung experimenteller Protokolle zur Überprüfung ihrer Wirksamkeit.
  • Untersuchung der Auswirkungen der Nutzung generativer KI auf die menschliche Metakognition und Kognition (z.B. Entscheidungsfindung, kritisches Denken, Problemlösung).
  • Erforschung, wie verschiedene KI-Schnittstellendesigns (z.B. OpenAIs Reasoning-Modell) die metakognitive Genauigkeit der Benutzer beeinflussen.
• Umfragen und Interviews
  • Durchführung von Umfragen oder Interviews zur Untersuchung von Faktoren, die bestimmen, ob Personen kognitive Aufgaben an KI auslagern.
  • Erforschung positiver und negativer Folgen der kognitiven Auslagerung an KI für die Nutzenden.
  • Untersuchung domänenspezifischer Unterschiede in metakognitiven Strategien bei der Zusammenarbeit mit KI.

Beginn

ab August 2025, planen Sie mindestens ~6 (Bachelor) / ~8 (Master) Monate bevor Sie Ihre Arbeit abgeben und einreichen können.

Bewerbung

Bitte senden Sie eine detaillierte Bewerbung mit Ihrer spezifischen Themenidee, Ihrem Lebenslauf und einer aktuellen Notenübersicht. Für Studierende, die NICHT WiWi/WINF studieren: Bitte klären Sie vorab mit der jeweiligen Studiengangskoordination, ob eine Betreuung durch unseren Lehrstuhl gestattet ist. Beispielsweise ist dies für Studierende anderer Fakultäten (TechFak, NatFak) oft nicht möglich.

Anforderungen

• Interesse an interdisziplinärer Forschung, die kognitive Psychologie und KI verbindet.
• Grundlegendes Verständnis experimenteller Designs oder qualitativer Forschungsmethoden.
• Für experimentelle Ansätze: Grundlegende Programmierkenntnisse sind von Vorteil.

Literaturverzeichnis

Clark, A., & Chalmers, D. (1998). The Extended Mind. Analysis, 58(1), 7–19. https://doi.org/10.1093/analys/58.1.7

Dunn, T. L., Gaspar, C., McLean, D., Koehler, D. J., & Risko, E. F. (2021). Distributed metacognition: Increased Bias and Deficits in Metacognitive Sensitivity when Retrieving Information from the Internet. Technology, Mind, and Behavior, 2(3). https://doi.org/10.1037/tmb0000039

Risko, E. F., & Gilbert, S. J. (2016). Cognitive Offloading. Trends in Cognitive Sciences, 20(9), 676–688. https://doi.org/10.1016/j.tics.2016.07.002

Tankelevitch, L., Kewenig, V., Simkute, A., Scott, A. E., Sarkar, A., Sellen, A., & Rintel, S. (2024). The Metacognitive Demands and Opportunities of Generative AI. Proceedings of the 2024 CHI Conference on Human Factors in Computing Systems, 1–24. https://doi.org/10.1145/3613904.3642902