Abschluss- und Seminararbeiten

Motivation und Zielsetzung

Shadow Banning – die verdeckte Reduzierung der Sichtbarkeit von Inhalten ohne explizite Benachrichtigung – stellt Content Creator vor das Problem, mit einem unsichtbaren und undurchsichtigen algorithmischen Prozess umgehen zu müssen. Obwohl Plattformen wie YouTube, TikTok oder Instagram solche Praktiken oft bestreiten, entwickeln Creator Theorien darüber, wie diese Algorithmen funktionieren könnten. Sie tauschen sich über ihre Erfahrungen aus, entwickeln Strategien und passen ihr Verhalten entsprechend ihrer Vorstellungen an.

Diese Arbeit untersucht das Phänomen des Shadow Banning durch die Linse des "algorithmic imaginary" (Schulz, 2023) – dem Konzept, das beschreibt, wie Nutzer sich algorithmic Prozesse vorstellen und darauf reagieren. Die Arbeit analysiert, wie Creator durch "algorithmic gossip" (Bishop, 2019) kollektiv Theorien über Shadow Banning entwickeln, wie sie durch "algorithmic improvisation" (Abel et al., 2022) spontan Erklärungen konstruieren, und wie sich diese Imaginaries in konkrete Handlungsstrategien übersetzen. Besondere Aufmerksamkeit gilt dabei den Machtasymmetrien zwischen Plattformen und Creators sowie den Mechanismen der Wissensproduktion in Creator-Communities.

Methodischer Schwerpunkt
Literaturrecherche, Online-Experiment

Voraussetzungen

• Programmierkenntnisse in Python
• Erfahrung mit empirischen Forschungsmethoden
• Grundkenntnisse in Machine Learning und NLP
• Bereitschaft die Abschlussarbeit in englischer Sprache zu verfassen

Typ
Bachelor- oder Masterarbeit

Betreuer
Michael Wessel

Einstiegsliteratur

• Abel, C., Pei, L., Larson, I., Olgado, B. S., & Turner, B. (2022, January). " Tinder Will Know You Are A 6": Users' Perceptions of Algorithms on Tinder. In HICSS (pp. 1-10).
• Bishop, S. (2019). Managing visibility on YouTube through algorithmic gossip. New Media & Society, 21(11-12), 2589-2606.
• Schulz, C. (2023). A new algorithmic imaginary. Media, Culture & Society, 45(3), 646-655.

Motivation und Zielsetzung

The emergence of AI-native knowledge platforms like Grokipedia represents a significant shift in how online knowledge repositories are governed and moderated. While Wikipedia has relied on community-based governance and human moderation for over two decades, newer platforms leverage AI systems for content generation, quality control, and moderation. This divergence in platform architectures raises important questions about the effectiveness, transparency, and scalability of different governance models in maintaining knowledge quality and platform integrity.

The goal of this research is to conduct a comprehensive comparative analysis of the platform governance and content moderation mechanisms employed by Wikipedia (community-driven) and Grokipedia (AI-native). The research will systematically investigate how these different approaches impact content quality, moderation effectiveness, update dynamics, and error correction processes. By examining the technical infrastructure, governance rules, moderation workflows, and quality assurance systems of both platforms, this study will reveal the trade-offs between human-centered and AI-centered approaches to knowledge platform management.

The research will involve collecting and analyzing data on content moderation processes, governance structures, quality control mechanisms, and platform APIs from both platforms. This includes analyzing moderation response times, edit workflows, conflict resolution mechanisms, and the transparency of decision-making processes. Through a mixed-methods approach combining quantitative analysis of platform data with qualitative assessment of governance documentation, the study will evaluate how different architectural choices affect key performance indicators such as vandalism detection rates, content accuracy, update latency, and the balance between openness and quality control.

The findings will provide insights into the scalability, resilience, and sustainability of different governance models, informing both platform operators and policymakers about the implications of automated versus community-based moderation. This research contributes to the broader discourse on platform governance, algorithmic transparency, and the role of human oversight in AI-augmented systems.

Methodischer Schwerpunkt
Literaturrecherche, Datenanalyse, API-basierte Datenerhebung, vergleichende Systemanalyse, statistische Auswertung

Voraussetzungen

• Programmierkenntnisse in Python
• Erfahrung mit API-Integration und Web Scraping
• Kenntnisse in empirischen Forschungsmethoden
• Bereitschaft die Abschlussarbeit in englischer Sprache zu verfassen

Typ
Bachelor- oder Masterarbeit

Betreuer
Michael Wessel

Einstiegsliteratur

• Gillespie, T. (2018). Custodians of the Internet: Platforms, content moderation, and the hidden decisions that shape social media. Yale University Press.
• Gorwa, R., Binns, R., & Katzenbach, C. (2020). Algorithmic content moderation: Technical and political challenges in the automation of platform governance. Big Data & Society, 7(1), 2053951719897945.
• Halfaker, A., Geiger, R. S., Morgan, J. T., & Riedl, J. (2013). The rise and decline of an open collaboration system: How Wikipedia’s reaction to popularity is causing its decline. American Behavioral Scientist, 57(5), 664-688.

Motivation und Zielsetzung

Wird Bayern München wieder Meister? Wer wird der nächste US-Präsident? Senkt die Fed die Zinsen im nächsten Quartal? Prognosemärkte wie Kalshi und Polymarket ermöglichen es, mit echtem Geld auf solche Ereignisse zu wetten. Im Gegensatz zu einfachen Umfragen entstehen hier handelbare Preise, die Rückschlüsse darauf zulassen, wie wahrscheinlich verschiedene Ergebnisse tatsächlich sind. Doch unter der Oberfläche dieser Plattformen liegen grundlegend unterschiedliche technologische und organisatorische Philosophien. Kalshi ist eine von der CFTC regulierte, zentralisierte Börse, die auf traditioneller Finanzinfrastruktur basiert und strengen Compliance-Anforderungen unterliegt. Polymarket hingegen setzt auf Blockchain-Technologie und dezentralisierte Governance und operiert in einer offenen Umgebung, in der Smart Contracts Intermediäre ersetzen. Diese konkurrierenden Visionen spiegeln eine breitere Spannung im Design digitaler Plattformen wider: den Trade-off zwischen regulatorischer Legitimität und technologischer Offenheit sowie zwischen zentralisierter Effizienz und dezentralisierter Transparenz.

Ziel dieser Arbeit ist die systematische Analyse, wie Plattformarchitektur, Marktdesign und Governance-Mechanismen die Marktdynamik in Prognosemärkten prägen. Die Forschung untersucht, wie unterschiedliche technische Designentscheidungen und Governance-Modelle wichtige Plattformmetriken beeinflussen. Dabei stehen Fragen im Vordergrund wie: Welche Architektur führt zu besserer Liquidität? Wie unterscheiden sich Preisfindungsprozesse? Welche Nutzergruppen werden von welchem Plattformdesign angezogen?

Die Forschungsarbeit umfasst die Erhebung von Marktdaten beider Plattformen und den Vergleich, wie ihre unterschiedlichen Architekturen die Plattformergebnisse beeinflussen. Studierende analysieren Handelsdaten, untersuchen wie die jeweilige Governance-Struktur in der Praxis funktioniert und bewerten die technischen Mechanismen, die den Marktbetrieb ermöglichen. Dies könnte den Vergleich von Liquiditätsmustern, die Untersuchung wie Preise Informationen reflektieren oder die Analyse wie verschiedene Nutzergruppen auf den Plattformen partizipieren umfassen. Die spezifischen Schwerpunkte können basierend auf studentischem Interesse und Datenverfügbarkeit angepasst werden.

Das Verständnis dieser architektonischen und Governance-Unterschiede ist relevant für die Wirtschaftsinformatik-Forschung und das Design digitaler Handelsplattformen. Die Erkenntnisse liefern Einblicke, wie Plattform-Designentscheidungen Markteffizienz, Nutzerverhalten und Plattformnachhaltigkeit beeinflussen. Diese Forschung trägt zum Diskurs über Plattformökonomie, Decentralized Finance, Marktmikrostruktur und die Auswirkungen regulatorischer Rahmenbedingungen auf Plattformarchitektur und Marktergebnisse bei.

Methodischer Schwerpunkt
Literaturrecherche, Datenerhebung, Datenanalyse, vergleichende Plattformanalyse, statistische Auswertung

Voraussetzungen

• Programmierkenntnisse in Python
• Erfahrung mit API-Integration und Datenanalyse
• Kenntnisse in empirischen Forschungsmethoden

Typ
Bachelor- oder Masterarbeit

Betreuer
Michael Wessel

Einstiegsliteratur

• Berg, J. E., & Rietz, T. A. (2003). Prediction markets as decision support systems. Information systems Frontiers, 5(1), 79-93.

• Dynamic Pricing: (teil-)automatisierte Marktüberwachung und automatisierte Pricing-Empfehlungen unter Berücksichtigung weiterer Sales-KPI (Abverkauft, Marge, Reichweite etc.)
• Nachhaltigkeit im E-Commerce: Einsatz von Green Nudging & Green Claims unter berücksicgtigung aktueller EU-Gesetze & -Richtlinien (DMA, Green Claims etc.)